Terbit online pada laman web jurnal : JURNAL RESTI


1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) ISSN : (media online) Analisis Ma...
Author:  Hadi Lie

0 downloads 0 Views 13MB Size

Recommend Documents


Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 1 No. 2 (2017) ISSN Media Elektronik : Aplikasi V...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 1 No. 2 (2017) ISSN Media Elektronik : Model Sis...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 2 (2018) ISSN Media Elektronik : Implement...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 1 No. 3 (2017) ISSN Media Elektronik : Pemanfaat...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 1 No. 3 (2017) ISSN Media Elektronik : Metode DS...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 1 No. 2 (2017) ISSN Media Elektronik : Pengemban...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 4 (2018) ISSN : (media online) Deteksi Bot...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 3 (2018) ISSN : (media online) Penerapan M...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 3 (2018) ISSN : (media online) Klasifikasi...

Terbit online pada laman web jurnal : JURNAL RESTI
1 Terbit online pada laman web jurnal : JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 2 (2018) ISSN : (media online) Pengelompok...


Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi I nformasi) Vol. 2 No. 1 (2018) 282 – 287

ISSN : 2580-0760 (media online)

Analisis Manajemen Risiko Keamanan Data Sistem Informasi (Studi Kasus: RSUD XYZ) Nurhafifah Matondang a, Ika Nurlaili Isnainiyah b , Anita Muliawatic

Manajemen Informatika, Fakultas Ilmu Komputer, UPN “Veteran” Jakarta, [email protected] b Sistem Informasi, Fakultas Ilmu Komputer, UPN “Veteran” Jakarta, [email protected] c Sistem Informasi, Fakultas Ilmu Komputer, UPN “Veteran” Jakarta, [email protected]

a

Abstract This paper describes the implementation of OCTAVE Allegro method to evaluate several aspects related to information security risks of the information technology applied in a health institution. The evaluation was conducted at RSUD XYZ and referred to five impact areas: reputation and customer confidence, finance, productivity, security and health, and also penalties and punishment. The results show that the impact area of reputation and customer confidence has the highest risk assessment result among other areas. The overall result and discussion presented in this paper certainly does not violate the code of ethics for RSUD XYZ. Keywords: information security, OCTAVE Allegro, risk management, hospital

Abstrak Paper ini membahas mengenai penerapan metode OCTAVE Allegro untuk melakukan evaluasi risiko-risiko keamanan informasi pada instansi kesehatan yang telah menerapkan teknologi informasi. Evaluasi dilakukan pada RSUD XYZ dan merujuk pada lima area yaitu: reputasi dan kepercayaan pelanggan, finansial, produktivitas, keamanan dan kesehatan, serta denda dan penalti. Hasil penelitian menunjukkan bahwa reputasi dan kepercayaan pelanggan memberikan hasil penilaian risiko paling tinggi. Keseluruhan penyajian dan pembahasan yang ada dalam penelitian ini dipastikan tidak melanggar kode etik bagi RSUD XYZ. Kata kunci: keamanan informasi, OCTAVE Allegro, manajemen resiko, rumah sakit © 2018 Jurnal RESTI

1. Pendahuluan Penggunaan teknologi informasi dalam bidang kesehatan khususnya pada instansi rumah sakit merupakan suatu hal penting dan tidak dapat dipisahkan dari proses bisnisnya. Akan tetapi, selama penggunaan dan implementasi teknologi informasi tersebut dapat dimungkinkan timbulnya berbagai risiko yang dapat mengancam keberlangsungan proses bisnis . Pengelolaan terhadap kemungkinan munculnya berbagai risiko ini merupakan hal yang perlu diperhatikan. Salah satu langkah awal rumah sakit dalam mengelola risiko-risiko ini yakni melakukan upaya pengukuran terhadap risiko teknologi informasi (penilaian risiko).

rumah sakit belum pernah melakukan pengukuran risiko terhadap teknologi informasinya dan belum menerapkan manajemen risiko. Untuk meminimalisir risiko-risiko yang mungkin terjadi di masa mendatang, Rumah Sakit Umum Daerah XYZ perlu melakukan pengukuran atau evaluasi terhadap sistem tersebut. Pengukuran dimaksudkan agar berbagai risiko pada teknologi informasi rumah sakit dapat diminimalisir dan diatasi. Lalu setelah dilakukan pengukuran maka dapat diketahui besarnya ancaman dan kerentanan dari setiap informasi data yang dinilai kritis, sehingga dapat diterapkan kontrol yang tepat dengan memprioritaskan informasi yang paling berharga bagi perusahaan serta resiko dan ancaman yang paling besar. Dengan begitu, Rumah Sakit Umum Daerah XYZ dapat terus melakukan pengembangan manajemen sumber daya manusia dan peningkatan kualitas pelayanan kepada pasien.

Rumah Sakit Umum Daerah XYZ merupakan sebuah instansi perawatan kesehatan yang pelayanannya disediakan oleh dokter spesialis, perawat, dan tenaga ahli kesehatan lainnya. Dalam menjalankan proses bisnisnya, Rumah Sakit Umum Daerah ini menggunakan sistem informasi terkomputerisasi, namun Diterima Redaksi : 25-11-2017 | Selesai Revisi : 22-12-2017 | Diterbitkan Online : 16-04-2018 282

Matondang, N., Isnainiyah, I.N., dan Muliawati, A. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 Dalam penelitian ini, diangkat suatu rumusan permasalahan mengenai langkah-langkah dalam menganalisis manajemen risiko sistem informasi keamanan data rumah sakit. Adapun batasan masalah yang terdapat dalam penelitian ini adalah (a) Penelitian difokuskan pada operasional bisnis yang berhubungan dengan penerapan teknologi informasi pada Rumah Sakit yang mencakup uji data, infrastruktur, hardware, software, jaringan, aplikasi, dan juga karyawan dan (b) Evaluasi manajemen risiko keamanan informasi diukur menggunakan metode Octave Allegro. Melalui kegiatan penelitian ini, diharapkan akan diperoleh hasil analisis penilaian manajemen risiko keamanan informasi bagi Rumah Sakit Umum Daerah XYZ dapat digunakan untuk mengetahui risiko-risiko yang terjadi sehingga dapat dijadikan panduan untuk menyempurnakan penerapan teknologi informasi secara keseluruhan. Disamping itu, penelitian juga memberikan alternatif solusi dari risiko yang telah ditemukan untuk mengurangi terjadinya kerugian dalam bidang teknologi informasi yang mungkin terjadi pada Rumah Sakit Umum Daerah XYZ. Penelitian ini juga dapat dijadikan sebagai bahan acuan bagian peneliti selanjutnya berkaitan manajemen risiko keamanan informasi Rumah Sakit. 2. Tinjauan Pustaka Berdasarkan latar belakang permasalahan terkait dengan risiko yang dimungkinkan dapat terjadi pada instansi kesehatan atau rumah sakit, dilakukan beberapa tinjauan pada pustaka terkait mengenai keamanan sistem informasi, manajemen dan penilaian risiko, serta metode Octave Allegro sebagai komponen utama dalam penelitian ini. 2.1 Keamanan Sistem Informasi Keamanan informasi mengacu pada proses dan metodologi yang dirancang dan dilaksanakan untuk melindungi informasi elektronik atau bentuk lainya yang bersifat rahasia, informasi pribadi serta data yang sensitif dari akses yang tidak sah, penyalahgunaan, pengungkapan, perusakan dan modifikasi serta gangguan. Prinsip utama keamanan informasi terdiri dari confidentiality (kerahasiaan), integrity (integritas) dan availability (ketersediaan) atau sering disingkat CIA [1] seperti tampak pada Gambar 1.

Gambar 1. Prinsip Utama Keamanan Informasi

Ancaman memiliki korelasi dengan kerentanan (vulnerability), yakni kelemahan dalam sistem yang dapat dieksploitasi oleh ancaman tersebut. Upaya mengurangi aspek kerentanan dari sistem dapat mengurangi risiko ancaman pada sistem. 2.2 Manajemen Risiko dan Penilaian Risiko Manajemen risiko secara umum merupakan proses dengan tujuan mendapatkan keseimbangan antara efisiensi dan merealisasikan peluang untuk mendapatkan keuntungan dan meminimalkan kerentanan dan kerugian. Manajemen risiko harus menjadi proses tanpa henti dan peluang yang tediri dari beberapa fase, ketika diterapkan dengan benar, memungkinkan terjadinya perbaikan terus menerus dalam pengambilan keputusan dan peningkatan kinerja [2]. Bahwa manajemen risiko merupakan proses memungkinkan manajer IT untuk menyeimbangkan biaya operasional dan biaya ekonomi untuk tindakan pengamanan dalam upaya melindungi sistem IT dan data yang mendukung misi organisasi [3]. Penilaian risiko (risk assessment) merupakan bagian dari manajemen risiko, yang merupakan suatu proses untuk menilai seberapa sering risiko terjadi atau seberapa besar dampak dari risiko [4]. Tujuan utama melakukan analisis risiko adalah untuk mengukur dampak dari potensi ancaman, menetukan berapa besar kerugian yang diderita akibat hilangnya potensi bisnis[1]. Dua hasil utama dari analisis risiko diantaranya adalah identifikasi risiko dan jumlah biaya berbanding manfaatnya untuk penanggulangan risiko kerusakan. Standar ISO/ISEC 17799 telah mendefinisikan penilaian risiko sebagai sebuah pertimbangan yang sistematis dari (a) Hal yang membahayakan bisnis yang mungkin merupakan akibat dari kegagalan keamanan, dengan mempertimbangkan konsekuensi potensial dari hilangnya kerahasiaan, integritas atau ketersediaan informasi dan aset lainnya. (b) Mencegah kemungkinan kegagalan yang terjadi dengan cara menggali informasi ancaman dan kerentanan yang ada dan kontrol yang diterapkan saat ini.

Dalam konsep keamanan informasi, kita mengenal istilah ancaman (threats) yang merupakan setiap peristiwa yang jika terjadi, dapat menyebabkan kerusakan pada sistem dan membuat hilangnya kerahasiaan, ketersediaan, atau integritas. Ancaman dapat menjadi berbahaya, seperti modifikasi yang disengaja terhadap informasi penting seperti dalam Terdapat beberapa jenis metode yang umum digunakan perhitungan transaksi atau penghapusan file. dalam kegiatan penilaian risiko. Pada Gambar 2 berikut ditampilkan perbandingan antar metode-metode yang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 283

Matondang, N., Isnainiyah, I.N., dan Muliawati, A. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 biasanya digunakan untuk melakukan penilaian risiko[1]. Salah satu metode tersebut adalah metode OCTAVE, yang akan digunakan lebih lanjut dalam pembahasan penelitian ini.

Gambar 3. Langkah Metode Octave Allegro

3. Metodologi Penelitian

Gambar 2. Perbandingan Metode Penilaian Risiko

2.3 Metode OCTAVE Allegro

Kegiatan penelitian ini dilakukan dengan alur seperti tertera pada Gambar 4. Kegiatan diawali dengan studi pendahuluan dan perumusan awal masalah yang ada pada Rumah Sakit Umum Daerah XYZ. Selanjutnya, dilakukan pengumpulan data dan observasi untuk meninjau keamanan informasi dari Rumah Sakit dengan menggunakan langkah-langkah yang diterapkan dari metode Octave Allegro. Langkah-langkah secara mendetail akan dijelaskan pada masing-masing sub-bab berikutnya.

OCTAVE merupakan suatu metodologi yang digunakan untuk mengidentifikasi dan mengevaluasi risiko keamanan informasi [5]. Saat ini, terdapat tiga varian OCTAVE yang bisa digunakan [6], [7], yaitu: OCTAVE method, OCTAVE-S, dan OCTAVE Allegro. Penelitian ini menerapkan metode OCTAVE Allegro dikarenakan tujuan yang ingin dicapai oleh OCTAVE Allegro adalah penilaian yang luas terhadap lingkungan risiko operasional suatu organisasi dengan tujuan menghasilkan hasil yang lebih baik tanpa perlu pengetahuan yang luas dalam hal penilaian risiko. Pendekatan ini berbeda dari pendekatan OCTAVE, dimana OCTAVE Allegro lebih berfokus terhadap aset informasi dalam konteks bagaimana mereka digunakan, dimana mereka disimpan, dipindahkan, dan diolah, dan bagaimana mereka terkena ancaman, Gambar 4. Alur Penelitian kerentanan, dan gangguan sebagai hasil yang ditimbulkan. 3.1 Membangun Kriteria Pengukuran Risiko Penerapan metode OCTAVE Allegro terdiri atas 8 (delapan) langkah utama yang disajikan pada Gambar 3. Penelitian mengimplementasikan seluruh metode mulai dari langkah ke-1 (establish risk measurement criteria) hingga langkah ke-7 yaitu menganalisis risiko (analyze risks) yang ada pada Rumah Sakit Umum Daerah XYZ. Langkah ke-8 untuk upaya mitigasi masih memerlukan pengembangan berikutnya yang memerlukan persetujuan lebih lanjut dari pihak Rumah Sakit yang bertindak sebagai mitra.

Langkah ini memiliki dua aktivitas, yaitu diawali dengan membangun organizational drivers yang digunakan untuk mengevaluasi dampak risiko pada misi dan tujuan bisnis, serta mengenali impact area yang paling penting. Aktivitas pertama yaitu membuat definisi ukuran kualitatif yang didokumentasikan pada Risk Measurement Criteria Worksheets. Aktivitas kedua adalah memberikan nilai prioritas impact area menggunakan Impact Area Ranking Worksheet.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 284

Matondang, N., Isnainiyah, I.N., dan Muliawati, A. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 3.2 Mengembangkan Profil Aset Informasi

measurement criteria dilanjutkan dengan aktivitas kedua menghitung nilai risiko relatif yang dapat digunakan Terdiri dari delapan aktivitas, diawali dengan untuk menganalisis risiko dan identifikasi aset informasi yang dilanjutkan dengan upaya penilaian risiko terstruktur pada as et yang kritis. 3.8 Memilih Pendekatan Pengurangan Aktivitas tiga dan empat yaitu mengumpulkan informasi mengenai information asset yang penting dilanjutkan Aktivitas satu pada langkah delapan yaitu mengurutkan dengan membuat dokumentasi alasan pemilihan as et setiap risiko yang telah diidentifikasi berdasarkan nilai informasi kritis. Aktivitas lima dan enam adalah risikonya. Hal ini dilakukan untuk membantu dalam membuat deskripsi aset informasi kritis tersebut. pengambilan keputusan status mitigasi risiko tersebut. Aktifitas tujuh mengisi kebutuhan keamanan sesuai Aktivitas kedua melakukan pendekatan mitigasi untuk dengan aspek confidentiality, integrity dan availability. setiap risiko dengan berpedoman pada kondisi yang unik Aktivitas delapan mengidentifikasi kebutuhan di organisasi tersebut. Langkah kedua memerlukan keamanan yang paling penting untuk aset informasi. bentuk koordinasi lebih lanjut dengan pihak manajemen Rumah Sakit Umum Daerah XYZ. 3.3 Mengidentifikasi Container dari Aset Informasi 4. Hasil dan Pembahasan Hanya ada satu aktivitas yang merujuk pada tiga poin penting terkait dengan keamanan dan konsep dari Tahapan Penilaian Risiko dengan Metode Octave container of information asset yaitu mengidentifikasi Allegro pada Rumah Sakit Umum Daerah XYZ, cara aset informasi dilindungi. Tiga poin penting mengacu pada 8 langkah OCTAVE Allegro yang telah tersebut adalah tingkat perlindungan atau pengamanan dibahas pada bab Metodologi Penelitian. Pada bab ini, aset informasi dan kerentanan serta ancaman terhadap diberikan hasil penelitian yang dapat ditampilkan. container dari aset informasi. Keterbatasan penjabaran hasil dan studi kasus merupakan didasarkan pada upaya penulis untuk 3.4 Mengidentifikasi Area Masalah menaati kode etik penyebaran informasi yang telah disetujui bersama dengan Rumah Sakit yang menjadi Aktivitas pada langkah empat yaitu diawali dengan mitra dalam penelitian berikut. pengembangan profil risiko dari as et informasi dengan cara bertukar pikiran untuk mencari komponen ancaman Berikut ditampilkan pembahasan hasil yang didapat dari dari situasi yang mungkin mengancam aset informasi. masing-masing langkah yang ada dalam metode. Dengan berpedoman pada dokumen Information Asset Risk Environment Maps dan Information Asset Risk 4.1 Hasil Langkah 1: Membangun Kriteria Pengukuran Worksheet maka dapat dicatat area of concern. Risiko Berpedoman pada dokumen Information Asset Risk Dalam langkah 1, ada dua aktivitas yaitu penentuan Worksheet selanjutnya dilakukan review dari container untuk membuat Area of Concern dan impact area dan penentuan skala prioritas pada impact area yang telah ditentukan. Dari lima impact area yang mendokumentasikan setiap Area of Concern. ditentukan (reputasi dan kepercayaan pelanggan, finansial, produktivitas, keamanan dan kesehatan, dan 3.5 Mengidentifikasi Skenario Ancaman denda dan penalti), diperoleh hasil sebagai berikut: Aktivitas pertama yang ada pada langkah kelima ini a. Impact area - Reputasi dan k epercayaan yaitu melakukan identifikasi skenario ancaman pelanggan tambahan (dapat menggunakan Threat Scenarios Dampak terhadap reputasi dan kepercayaan Questionnaries). Aktivitas kedua adalah melengkapi pelanggan dikategorikan high (tinggi) jika reputasi Information Asset Risk Worksheets untuk setiap scenario terkena dampak sangat buruk hingga hampir tidak ancaman yang umum. dapat diperbaiki. Dampak terhadap kerugian pelanggan dikategorikan high (tinggi) jika terjadi 3.6 Mengidentifikasi Risiko lebih dari 12% pengurangan pelanggan yang diakibatkan hilangnya kepercayaan. Aktivitas yang ada pada langkah ke-enam adalah menentukan threat scenario yang telah b. Impact area - Finansial didokumentasikan di Information Asset Risk Worksheets Dampak terhadap biaya operasional dikategorikan high (tinggi) jika terjadi peningkatan lebih dari yang dapat memberikan dampak bagi organisasi. 12% pada biaya operasional per tahun Dampak terhadap revenue loss dikategorikan high (tinggi) 3.7 Menganalisis Risiko jika terjadi lebih dari 12% per tahun revenue loss. Aktivitas harus dilakukan mengacu pada dokumentasi Dampak yang terjadi terhadap one-time financial yang terdapat pada Information Asset Risk Worksheets. loss dikategorikan high (tinggi) jika terjadi lebih Aktivitas satu dimulai dengan melakukan review risk dari Rp.120.000.000,Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 285

Matondang, N., Isnainiyah, I.N., dan Muliawati, A. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 c.

d.

e.

Impact area - Produktivitas Dampak terhadap jam kerja karyawan dikategorikan high (tinggi) jika jam kerja karyawan meningkat lebih dari 12% dari 7 sampai dengan 14 hari Impact area - Keamanan dan Kesehatan Dampak terhadap kehidupan dikategorikan high (tinggi) jika terjadi hilangnya nyawa pasien atau karyawan. Dampak terhadap kesehatan dikategorikan high (tinggi) jika terjadi penurunan permanen dari kesehatan pasien atau karyawan. Dampak terhadap Keselamatan dikategorikan high (tinggi) jika keselamatan pasien atau karyawan terganggu. Impact area - Denda dan Penalti Denda dikategorikan high (tinggi) jika bernilai lebih dari Rp.120.000.000,- . Tuntutan Hukum dikategorikan high (tinggi) jika tuntutan dengan nilai lebih dari Rp.120.000.000,- akan dikenakan kepada RSUD XYZ. Investigasi dikategorikan high (tinggi) jika pemerintah atau organisasi investigasi lainnya akan memulai penyelidikan yang lebih mendalam terhadap praktek RSUD tersebut terkait dengan tuntutan.

4.4 Hasil Langkah 4: Identifikasi Areas of Concern Dikaitkan dengan data pasien yang memiliki container paling banyak, maka profil pasien juga mempunyai area of concern yang paling banyak. Dari area of concern tersebut, hasil analisis menunjukkan bahwa ancaman keamanan yang paling sering adalah bug/error pada aplikasi dan pemanfaatan celah keamanan lewat aplikasi baik pihak dalam maupun luar, serta kesalahan saat deploy aplikasi. 4.5 Hasil Langkah 5: Identifikasi Threat Scenarios Hasil yang diperoleh dari langkah ke-4 (areas of concern) kemudian diperluas menjadi threat scenario yang mendetailkan lebih jauh mengenai property dari threat. Property dari threat antara lain mencakup actor, means, motives, outcome, dan security requirement (hasil analisis disajikan pada tabel 1 yang merupakan salah satu contoh threat scenarios) T abel 1.Analisis Threat Scenario pada Data Pasien RSUD XYZ Property and threats Actor Staff RSUD XYZ Means

Dari kelima impact area tersebut, reputasi dan kepercayaan pelanggan merupakan prioritas yang paling Motives pertama diikuti yaitu oleh finansial, denda dan penalti, produktivitas, serta keamanan dan kesehatan. Outcome 4.2 Hasil Langkah 2: Mengembangkan Information Security Asset Profile Requirements Aset informasi yang telah diidentifikasikan yaitu profil dokter, profil karyawan, profil pasien, jadwal praktek dokter, transaksi pembayaran pasien, data laboratorium. Ada tiga kebutuhan keamanan, yaitu confidentiality, integrity, dan availability. Dari profil aset informasi ini, kebutuhan keamanan yang paling penting, mayoritas terletak pada integrity. Hal ini dikarenakan aset informasi harus dapat dipertanggungjawabkan kebenarannya untuk digunakan dalam berbagai kegiatan operasional di RSUD XYZ. 4.3 Hasil Langkah 3: Identifikasi Information Asset Containers Information asset container terbagi menjadi tiga, yaitu technical, physical, dan people dimana masing-masing mempunyai sisi internal dan eksternal. Dari hasil analisis terhadap 9 critical asset information, yang paling banyak mempunyai container adalah data pasien. Data pasien diakses, disimpan, atau dikirim melalui suatu aplikasi yang digunakan di Rumah Sakit Umum Daerah XYZ tersebut.

Staff menggunakan aplikasi T erjadi disebabkan karena human error (accindental) Modification, Interruption Penambahan validasi (validasi terhadap data di masing-masing field yang diinput oleh staff)

4.6 Hasil Langkah 6: Identifikasi Risiko Langkah ini bertujuan untuk menentukan bagaimana threat scenario yang telah dicatat dapat memberikan dampak bagi pihak rumah sakit dimulai dengan melakukan pengkajian pada risk measurement criteria, fokus terhadap bagaimana definisi dampak high, medium, dan low untuk perusahaan. Kemudian relative risk score akan dihitung dan dapat digunakan untuk menganalisa risiko sehingga membantu organisasi untuk memutuskan strategi terbaik dalam menghadapi risiko. Setiap area of concern dari tiap information asset yang telah didefinisikan selanjutnya dipertimbangkan terkait konsekuensi yang mungkin terjadi. Konsekuensi tersebut mempunyai impact area yang dinilai tingkat value-nya yang kemudian diberikan score. Score diperoleh melalui perkalian priority dengan value dari impact area. Hasil perhitungan score dapat dilihat di Tabel 2.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 286

Matondang, N., Isnainiyah, I.N., dan Muliawati, A. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 T abel 2. Score per Impact Areas Impact Areas Reputasi dan kepercayaan pelanggan Finansial Produktivitas Keamanan dan Kesehatan Denda dan Penalti

5. Kesimpulan

Priority

Low

Moderate

High

5

5

10

30

4 2

4 2

8 4

12 6

1

1

2

3

3

3

6

9

4.7 Hasil Langkah 7: Analisis Risiko Dari analisis dan pengamatan yang dilakukan, diperoleh hasil rata-rata yang paling besar scorenya adalah Impact Area pertama yaitu reputasi dan kepercayaan pelanggan (Reputation & Customer Confidence) dengan hasil penilaian sebesar 12 (medium) dengan perbandingan nilai relative risk score sebesar 27. 4.8 Hasil Langkah 8: Pemilihan Mitigation Approach Dari pengelompokan risiko yang ada, selanjutnya diambil langkah mitigasi risiko-risiko tersebut. Pembagian pengambilan langkah mitigasi dikelompokkan seperti terlihat pada Gambar 5.

Dari keseluruhan hasil penelitian, dapat ditarik beberapa kesimpulan dan saran sebagai berikut. 5.1 Simpulan Telah dilakukan upaya evaluasi dengan menerapkan metode OCTAVE Allegro pada RSUD XYZ untuk menilai aset infomasi yang sifatnya kritis serta ancaman dan risiko yang mungkin terjadi guna membuat perencanaan pengurangan risiko untuk mengurangi dampak yang mungkin terjadi di masa mendatang. Evaluasi dilakukan pada lima impact areas yaitu: reputasi dan kepercayaan pelanggan, finansial, produktivitas, keamanan dan kesehatan, serta denda dan penalti. Hasil penelitian menunjukkan bahwa impact area reputasi dan kepercayaan pelanggan (Reputation & Customer Confidence) memberikan hasil penilaian analisis risiko tertinggi sebesar 12 (medium) dengan perbandingan nilai relative risk score sebesar 27. Hal ini berhubungan dengan hasil analisis terhadap critical asset information, yang menunjukkan bahwa data yang paling banyak mempunyai container adalah data pasien yang merupakan pelanggan pada instansi rumah sakit. Keseluruhan hasil menunjukkan bahwa data-data terkait pelanggan, dalam hal ini adalah pasien, merupakan aset informasi yang bersifat kritis pada RSUD XYZ sehingga membutuhkan upaya perencanaan untuk penanganan dan mitigasi resiko di masa mendatang. 5.2 Saran Untuk memperoleh kualitas penilaian yang baik, RSUD XYZ dapat melakukan evaluasi keamanan informasi kembali dengan menggunakan OCTAVE Allegro secara berkala, misalnya satu tahun sekali. 6. Daftar Rujukan

Gambar 5. Pengelompokan Langkah Mitigasi Risiko

Proses ini masih memerlukan persetujuan dan koordinasi lebih lanjut. Langkah mitigasi yang direkomendasikan diantaranya adalah membuat peraturan yang tertulis mengenai tanggung jawab dalam menjaga keamanan informasi dan sanksi bagi yang melanggar serta melakukan sosialisasi mengenai peraturan tersebut secara bertahap kepada karyawan Rumah Sakit Umum Daerah XYZ. Selanjutnya membuat simulasi secara visual untuk memudahkan karyawan untuk mengerti bagaimana pentingnya aset informasi, ancaman dan risiko yang mungkin terjadi, serta konsekuensi yang harus mereka hadapi bila terjadi.

[1] Krutz, R. L., & Vines, R. D., 2001. The CISSP prep Guide: Mastering the ten domains of Computer Security (pp. 183-213). New York: Wiley. [2] Ross, R. S., 2011. Managing Information Security Risk: Organization, Mission, and Information System View. Special Publication (NIST SP)-800-39. [3] Goguen, A., Stoneburner, G., & Feringa, A., 2017. Risk Management Guide for Information T echnology Systems and Underlying T echnical Models for Information T echnology Security. [4] Maulana, M. M., & Supangkat, S. H., 2006. Pemodelan Framework Manajemen Risiko T eknologi Informasi untuk Perusahaan di Negara Berkembang. Prosiding Konferensi Nasional Teknologi Informasi & Komunikasi untuk Indonesia, 121-126. [5] Alberts, C. J., & Dorofee, A., 2002. Managing information security risks: the OCTAVE approach. Addison-Wesley Longman Publishing Co., Inc. [6] Wheeler, E., 2011. Security risk management: Building an information security risk management program from theGround Up. Elsevier. [7] Calder, A., & Watkins, S. G., 2010. Information security risk management for ISO27001/ISO27002. It Governance Ltd.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 282 – 287 287

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi I nformasi) Vol. 2 No. 1 (2018) 288 – 294

ISSN : 2580-0760 (media online)

Clustering Data Remunerasi Dosen Untuk Penilaian Kinerja Menggunakan Fuzzy c-Means Putri Elfa Mas`udia 1 , Farida Arinie2 , Lis Diana Mustafa 3 1

Program Studi T eknik T elekomunikasi, Jurusan T eknik Elektro, Politeknik Negeri Malang, [email protected] Program Studi T eknik T elekomunikasi, Jurusan T eknik Elektro, Politeknik Negeri Malang, [email protected] 3 Program Studi T eknik T elekomunikasi, Jurusan T eknik Elektro, Politeknik Negeri Malang, [email protected] 2

Abstract Remuneration of lecturers is closely related to the performance of lecturers as stated in Tri Dharma Perguruan Tinggi. The Three criteria of Tri Dharma are teaching, research and devotion. The remuneration data will be clustered into some clusters to analyze the lecturers group. Each remuneration data consists of seven attributes such as teaching, research, textbook, training, community service, presence and certificate. For case study, the remuneration data of lecturers of telecommunication engineering will be used. Fuzzy c-means is the clustering method that will be implemented on this system. Different with KM eans, in Fuzzy c-means data will be mapped on each cluster with varying degrees of membership from 0-1. Based on the test results, there are 3 clusters formed with the number of lecturers who enter cluster 0 are 4 lecturers, 10 lecturers in cluster 1 , and 14 lecturers in cluster 2. Based on the analysis of the test result data, cluster 0 has a better value than other clusters because it has the highest cluster center point so that the lecturer's performance value included in cluster 0 is also high close to the cluster center point value. Keywords: cluster, clustering, fuzzy c-means, remuneration

Abstrak Remunerasi dosen erat kaitannya dengan Tri Dharma Perguruan Tinggi yang meliputi tiga kriteria yaitu Pengajaran, Penelitian dan Pengabdian. Dari data tersebut akan dilakukan clustering untuk menganalisa kelompok dosen. Data yang digunakan adalah data dosen teknik telekomunikasi, dengan 7 atribut yaitu pengajaran, pelatihan dan buku ajar, penelitian, pengabdian, jabatan, kehadiran dan penunjang. M etode yang digunakan adalah Fuzzy c-means, berbeda dengan k-means dimana satu data hanya masuk pada satu cluster saja, pada Fuzzy c-means data akan masuk pada setiap cluster dengan derajat keanggotaan yang berbeda-beda berkisar diantara 0-1. Berdasarkan hasil pengujian, terdapat 3 cluster yang terbentuk dengan jumlah dosen yang masuk cluster 0 sebanyak 4 dosen, Cluster 1 sebanyak 10 dosen, dan cluster 2 sebanyak 14 dosen. Berdasarkan analisa data hasil pengujian, cluster 0 memiliki nilai yang lebih baik dari cluster lainnya karena memiliki titik pusat cluster tertinggi sehingga nilai kinerja dosen yang masuk dalam cluster 0 juga tinggi mendekati nilai titik pusat cluster. Kata kunci : cluster, fuzzy c-means, remunerasi © 2018 Jurnal RESTI

1. Pendahuluan Pemberian remunerasi pada Politeknik Negeri Malang berdasarkan kelas jabatan dan kinerja. Pembayarannya dilakukan dalam 2 tahap tiap semesternya, tahap pertama adalah 60% dari total remunerasi yang dibayarkan tiap bulannya, sedangkan tahap kedua adalah 40% dari total remunerasi yang akan dibayarkan pada tiap akhir semester. Besaran dana remunerasi 40% tergantung dari kinerja dan produktivitas pegawai. Kinerja pegawai dihitung berdasarkan 7 kriteria yaitu pengajaran, pelatihan dan buku ajar, penelitian, pengabdian, jabatan, kehadiran dan penunjang.

Dari 7 kriteria tersebut, selain digunakan untuk perhitungan remunerasi dapat juga digunakan untuk menganalisa kelompok dosen. Terdapat berbagai macam metode untuk menganalisis kelompok dosen salah satunya adalah menggunakan metode Clustering. Cluster adalah sekelompok sesuatu yang mempunyai kesamaan sifat [1]. Terdapat Banyak metode yang dapat digunakan untuk clustering salah satunya adalah Fuzzy c-means. Fuzzy c-means pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Fuzzy c-means adalah suatu teknik clustering yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan.

Diterima Redaksi : 25-11-2017 | Selesai Revisi : 04-02-2018 | Diterbitkan Online : 16-04-2018 288

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 Kelebihan clustering adalah yang pertama, data dapat w ∑n dikelompokkan ke berapapun jumlah cluster yang i=1( ( μik ) ∗ Xij) 𝑉 = (1) 𝑘𝑖 diinginkan (karena jumlah cluster menjadi input pada ∑n ( )w i=1 μik fuzzy c-means). Yang kedua, pelabelan terhadap hasil cluster ditentukan terakhir setelah cluster terbentuk. Jadi dengan , dalam kasus ini dari hasil cluster yang terbentuk bisa Vkj adalah titik pusat cluster digunakan untuk menganalisis kelompok dosen, misal Xij adalah data dosen yang mempunyai kecenderungan pada pengajaran µik adalah derajat keanggotaan data pada tiap cluster siapa saja, penelitian siapa saja dan juga dosen yang mempunyai kecenderungan pada pengabdian siapa saja, 5. Hitung fungsi objektif (Pt). bahkan dapat dilihat kelompok dosen yang mempunyai Fungsi objektif digunakan sebagai syarat perulangan kecenderungan terhadap pengajaran, penelitian dan untuk mendapatkan pusat cluster yang tepat. pengabdian sekaligus. Berdasarkan latar belakang diatas Sehingga diperoleh kecendrungan data untuk masuk maka akan dibuat penelitian dengan judul Clustering ke cluster mana pada step akhir. Data Remunerasi Dosen Untuk Penilaian kinerja 2 Menggunakan Fuzzy c-means. w 𝑃𝑡 = ∑ni=1 ∑ck=1 (⟦∑m i=1(X ij − Vkj ) ⟧ (μik ) ) (2) Adapun rumusan masalah adalah bagaimana menerapkan Fuzzy c-means untuk mengklaster data dengan, dosen dengan multiple kriteria dan bagaimana Pt adalah fungsi objektif merancang sistem untuk mengelompokkan data Xij adalah data remunerasi untuk penilaian kinerja dosen? Vkj adalah titik pusat cluster µik adalah derajat keanggotaan data pada tiap 2. Tinjauan Pustaka cluster w adalah pembobot Adapun Tinjauan Pustaka yang terkait dalam penelitian ini adalah : 6. Hitung perubahan matriks U: 2.1 Algoritma Fuzzy C-Means 2

Fuzzy c-means clustering terdiri dari dua proses utama yaitu menghitung titik pusat cluster dan penegasan titik data ke pusat cluster menggunakan Euclidian distance. Proses ini berulang sampai titik pusat cluster mempunyai kestabilan [1]. Algoritma Fuzzy c-means adalah sebagai berikut: 1. Memasukkan data yang akan dilakukan clustering X, berupa matriks berukuran n x m (n=jumlah data, m = atribut data). Xij = data sample ke-I (i=1,2,…,n), atribut ke-j (j=1,2,…,m). 2. Tentukan: a. Jumlah cluster yang diinginkan = c; b. Pangkat pembobot = w; c. Maksimum iterasi = MaxIter; d. Error terkecil yang diharapkan = ζ; e. Fungsi objektif awal = P = 0; f. Iterasi awal = t=1; 3. Bangkitkan nilai acak ik , sebagai elemen-elemen matriks partisi awal u. ik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat. 4. Hitung titik pusat Cluster ke-k:

𝜇𝑖𝑘 =

−1

[∑m ( ) ] w−1 i=1 Xij − Vkj 2

−1

(3)

∑ck=1 [∑m ( ) ]w−1 i=1 Xij − Vkj

dengan: i=1,2,…n;dan k=1,2,..c. Xij adalah data Vkj adalah titik pusat cluster µik adalah derajat keanggotaan data pada tiap cluster w adalah pembobot 7. cek kondisi berhenti: jika:( |P t – P t-1 |<ζ ) atau (t>maxIter) maka berhenti; jika tidak: t=t+1, ulangi langkah ke-4. 2.2 Tinjauan Pustaka Irwan Budiman melakukan penelitian dengan judul Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridarma. Data clustering pelaksanaan tridharma diperlukan agar mendapatkan suatu pengetahuan tentang pola pelaksanaan tridharma pada perguruan tinggi. Hasil data clustering menemukan pola proporsi pelaksanaan tridharma menjadi 3 klaster yaitu dosen professional, dosen manajer dan dosen pengajar.[5] Muhardi dan nizar melakukan penelitian dengan judul Penentuan Penerima Beasiswa dengan Algoritma Fuzzy

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 289

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 c-means di Universitas Megow Pak Tulang Bawang, Penerapan algoritma Fuzzy C-Means dalam penentuan beasiswa di kelompokan menjadi tiga cluster yaitu menerima, dipertimbangkan dan tidak berhak menerima beasiswa , sempel data sebenyak 75 data mahasiswa diperoleh tiga cluster berdasarkan nilai rata-rata penentuan beasiswa kemudian setiap cluster diklasifikasikan berdasarkan kriteria mana yang lebih diprioritaskan. [10]

kecenderungan di penelitian, mana kelompok dosen yang memiliki kecenderungan di pengabdian, pengajaran atau bahkan ketiganya sekaligus.

3. Metodologi Penelitian 3.1. Data Data yang dibutuhkan dalam penelitian ini adalah data yang digunakan untuk perhitungan remunerasi. Data inilah yang akan dikelompokkan menjadi beberapa kelompok untuk melihat kelompok kinerja dosen. Data yang digunakan memiliki 7 kriteria yaitu meliputi : (1) Pendidikan dan Pengajaran, (2) Pelatihan dan Buku Ajar, (3) Penelitian, (4) Pengabdian, (5) Jabatan, (6) Kehadiran, (7) Penunjang. Data yang digunakan adalah data remunerasi dosen program studi Teknik Telekomunikasi. Data tersebut didapatkan dari arsip jurusan Teknik Elektro Politeknik Negeri Malang. 3.2 Metode Pengolahan Data Terdapat dua macam data yang akan dilakukan clustering, yang pertama adalah data dengan multiple kriteria. Kriteria yang digunakan untuk clustering adalah pendidikan dan pengajaran, pelatihan dan buku ajar, penelitian, pengabdian, jabatan, kehadiran dan penunjang. Data tersebut akan dicluster untuk mengetahui kelompok dosen yang paling produktif. Data kedua yang akan diklaster adalah data per Gambar 1 Flowchart Clustering Data kriteria pengajaran, penelitian dan pengabdian, hal ini dilakukan untuk mengetahui kelompok dosen 4. Hasil dan Pembahasan yang memiliki kecenderungan pada penelitian, pengabdian maupun pengajaran. Flowchart Hasil Analisis sistem dan pembahasan akan diuraikan sebagai berikut : clustering data ditunjukkan pada Gambar 1. Pada Clustering menggunakan fuzzy c-means, yang pertama kali dimasukkan adalah kumpulan data yang akan dicluster, baik satu kriteria maupun multiple kriteria. Selanjutnya adalah menentukan jumlah cluster yang akan dibentuk, pembobot (W), maksimum iterasi, dan eror terkecil yang diharapkan. Berapapun jumlah cluster yang akan dibentuk sistem dapat mengelompokkannya.

4.1 Tampilan Awal Sistem Clustering

Pada halaman ini terdapat fitur data kriteria, fitur ini digunakan untuk melihat kriteria atau jumlah atribut yang akan dicluster. Kriteria ini dimasukkan melalui database. Kemudian terdapat fitur data dosen, yang digunakan untuk melihat data dosen dan fitur data penilaian untuk melihat nilai kriteria masing-masing dosen. Yang terakhir terdapat fitur untuk proses Dalam penelitian ini diajukan beberapa hipotesis, clustering, pada fitur ini user diharuskan memasukkan diantaranya: jumlah cluster dan pembobot. Fitur ini digunakan untuk a. Fuzzy c-means dapat mengelompokkan dosen dengan memulai proses Clustering. Tampilan awal proses fuzzy berbagai kriteria seperti pendidikan dan pengajaran, c means ditunjukkan pada Gambar 2 pelatihan dan buku ajar, penelitian, pengabdian, jabatan, kehadiran dan penunjang b. Sistem mampu melihat kecenderungan seorang dosen, mana kelompok dosen yang memiliki Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 290

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294

Gambar 4. Hasil Kelompok Dosen Dengan T itik Pusat Cluster T ertinggi

4.2.1 Hasil Clustering Kriteria Penelitian Gambar 2 T ampilan Awal Sistem

4.2 Hasil Clustering Multiple Kriteria Berdasarkan hasil pengujian kelompok dosen dengan jumlah data = 28 dosen, jumlah kriteria = 7, jumlah cluster (c) = 2, jumlah pembobot (w) = 2, Parameter yang akan dicluster adalah data remunerasi dosen yang terdiri dari 7 kriteria, yaitu : Q1:untuk mewakili kriteria pendidikan dan pengajaran Q2: untuk mewakili kriteria penelitian Q3: untuk mewakili kriteria pengabdian Q4: untuk mewakili kriteria pelatihan dan buku ajar Q5: untuk mewakili kriteria kehadiran Q6: untuk mewakili kriteria jabatan Q7: untuk mewakili kriteria penunjang

Selain clustering dengan multiple atribut, dapat pula dilakukan clustering berdasarkan kriteria tertentu, contohnya penelitian. Pada pengujian kedua akan dilakukan 3 clustering berdasarkan kinerja penelitian saja. Form input nilai kinerja penelitian ditunjukkan pada Gambar 5. User dapat memasukkan nilai kinerja melalui sistem kemudian klik tombol simpan. Dan hasil proses cluster dapat ditunjukkan pada Gambar 6.

Kemudian akan dibangkitkan secara acak nilai matriks U (𝝁𝒊𝒌 ). Ilustrasi matriks u ditunjukkan sebagai berikut q1 q2 dosen 1 … … dosen 2 … … dosen 3 … … . . Dosen 28 … …

q3 … … …

q4 … … …

q5 q6 q7 … … … … … … … … …

… … …



Gambar 5 Input Nilai Kriteria Penelitian



Gambar 3. Ilustrasi Matrik U

Dari nilai awal matrik u tersebut akan dihitung titik pusat cluster menggunakan rumus (1) dan menghitung fungsi objektif menggunakan rumus (2). Fungsi objektif digunakan sebagai syarat perulangan untuk mendapatkankan pusat cluster yang tepat. Dan selanjutnya menghitung perubahan matrik u. Hal ini akan dilakukan berulang-ulang sampai mendapatkan eror terkecil yang didapatkan atau mencapai angka maksimal iterasi (t) dimana titik pusat yang terbentuk terakhir cenderung stabil dan tidak berubah lagi. Hasil dari proses clustering tersebut terdapat 3 cluster yang terbentuk dengan jumlah dosen yang masuk cluster 0 sebanyak 4 dosen, cluster 1 sebanyak 10 dosen, dan cluster 2 sebanyak 14 dosen. Berdasarkan analisa data hasil pengujian, cluster 0 memiliki nilai yang lebih baik dari cluster lainnya karena memiliki titik pusat cluster tertinggi. Hasil cluster 0 dapat ditunjukkan pada Gambar 4.

Gambar 6 Hasil Cluster Berdasarkan Kriteria Penelitian

Dari data diatas dapat dilihat hasil cluster pertama terbentuk dengan titik pusat cluster sebesar 5460.55, ini menunjukkan bahwa anggota dalam cluster tersebut memiliki nilai yang mendekati atau hampir sama dengan nilai titik pusat cluster. sedangkan hasil cluster kedua terbentuk dengan titik pusat cluster sebesar 2523.75 dan yang terakhir hasil cluster ketiga terbentuk dengan titik pusat cluster sebesar 741.05. Dari nilai tersebut terlihat bahwa cluster 1 memiliki nilai yang lebih tinggi daripada 2 cluster lainnya sehingga dapat disimpulkan bahwa data kelompok dosen yang masuk cluster 1 memiliki kecenderungan pada penelitian lebih tinggi daripada kelompok dosen pada cluster 2 dan 3. Tampilan Grafik kriteria penelitian ditunjukkan pada Gambar 7.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 291

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 Dari data diatas dapat dilihat hasil cluster pertama terbentuk dengan tiitk pusat cluster sebesar 183.07, ini menunjukkan bahwa anggota dalam cluster tersebut memiliki nilai yang mendekati atau hampir sama dengan nilai titik pusat cluster, sedangkan hasil cluster kedua terbentuk dengan titik pusat cluster sebesar 71.69 dan yang terakhir hasil cluster ketiga terbentuk dengan titik pusat cluster sebesar 246.81 Dari nilai tersebut terlihat bahwa cluster 3 memiliki nilai yang lebih tinggi daripada 2 cluster lainnya sehingga dapat disimpulkan bahwa data kelompok dosen yang masuk cluster 3 memiliki kecenderungan pada pengabdian lebih tinggi daripada kelompok dosen pada cluster 1 dan 2. Gambar 7 T ampilan Grafik Kinerja Penelitian Tampilan Grafik kinerja pengabdian ditunjukkan pada Pada grafik tersebut terlihat pengelompokan data Gambar 10. dengan nilai yang paling dekat, warna hijau Pada grafik tersebut terlihat pengelompokan data menunjukkan kelompok dosen yang masuk pada dengan nilai yang paling dekat, warna merah cluster tiga, sedangkan garis biru menunjukkan menunjukkan kelompok dosen yang masuk pada cluster kelompok dosen yang masuk pada cluster 2 dan nilai satu yaitu terdapat 17 dosen, sedangkan garis biru tertinggi terdapat pada garis warna merah, yang menunjukkan kelompok dosen yang masuk pada cluster menunjukkan kelompok dosen pada cluster 1. ini 2 sebanyak 6 dosen. dan nilai tertinggi terdapat pada berarti bahwa anggota dalam cluster tersebut memiliki garis warna hijau, yang menunjukkan kelompok dosen nilai yang mendekati atau hampir sama dengan nilai pada cluster 3 sebanyak 5 dosen. titik pusat cluster tertinggi yaitu 5460.55 dan dosen yang masuk dalam cluster ini dapat dikatakan memiliki kecenderungan yang tinggi pada penelitian. 4.2.2 Hasil Clustering Kriteria Pengabdian Pada pengujian ketiga akan dilakukan 3 clustering berdasarkan kinerja pengabdian saja. Form input nilai kinerja penelitian ditunjukkan pada Gambar 8. User dapat memasukkan nilai kinerja melalui sistem kemudian klik tombol simpan. Dan hasil proses cluster dapat ditunjukkan pada Gambar 9 Gambar 10 T ampilan Grafik Kinerja Pengabdian

4.2.3 Hasil Clustering Kriteria Pengajaran Pada pengujian keempat akan dilakukan 3 clustering berdasarkan kinerja pengajaran saja. Form input nilai kinerja penelitian ditunjukkan pada Gambar 11. User dapat memasukkan nilai kinerja melalui sistem kemudian klik tombol simpan. Dan hasil proses cluster dapat ditunjukkan pada Gambar 12 Gambar 8 Input Nilai Kriteria Pengabdian

Gambar 9 Hasil Proses Clustering Kriteria Pengabdian

Gambar 11 Input Nilai Kriteria Pengajaran

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 292

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294

Gambar 12 Hasil Proses Clustering Kriteria Pengajaran

2. Dari data diatas dapat dilihat hasil cluster pertama terbentuk dengan tiitk pusat cluster sebesar 2944.51, ini menunjukkan bahwa anggota dalam cluster tersebut memiliki nilai yang mendekati atau hampir sama dengan nilai titik pusat cluster, sedangkan hasil cluster kedua terbentuk dengan titik pusat cluster sebesar 2633.28 dan yang terakhir hasil cluster ketiga terbentuk dengan titik pusat cluster sebesar 1558.244. Dari nilai tersebut 3. terlihat bahwa cluster 1 memiliki nilai yang lebih tinggi daripada 2 cluster lainnya sehingga dapat disimpulkan bahwa data kelompok dosen yang masuk cluster 1 memiliki kecenderungan pada pengarjaran lebih tinggi daripada kelompok dosen pada cluster 2 dan 3.

masuk cluster 0 sebanyak 4 dosen, cluster 1 sebanyak 10 dosen, dan cluster 2 sebanyak 14 dosen. Berdasarkan analisa data hasil pengujian, cluster 0 memiliki nilai yang lebih baik dari cluster lainnya karena memiliki titik pusat cluster tertinggi sehingga nilai kinerja dos en yang masuk dalam cluster 0 juga tinggi mendekati nilai titik pusat cluster. Sistem juga dapat mengelompokkan data dosen berdasarkan kriteria pengabdian saja, hal ini digunakan untuk melihat kecenderungan dosen pada bidang pengabdian. Hasil pengujian menunjukkan hasil cluster tertinggi adalah cluster 3 dengan titik pusat cluster sebesar 246.81 Dan terdapat 5 dosen yang masuk pada cluster ini. Sistem juga dapat mengelompokkan data dosen berdasarkan kriteria pengajaran saja, hal ini digunakan untuk melihat kecenderungan dosen pada bidang pengajaran. Hasil pengujian menunjukkan hasil cluster tertinggi adalah cluster 2 dengan titik pusat cluster sebesar 2944.51 dan terdapat 18 dosen yang masuk pada cluster ini.

5.2 Saran Adapun saran untuk peneliti selanjutnya adalah peneliti dapat mengembangkan sistem untuk perhitungan kenaikan pangkat dosen dan dapat pula mengklasifikasikan data remunerasi dosen menggunakan metode klasifikasi. 1. Daftar Rujukan

Gambar 13 T ampilan Grafik Kinerja Pengajaran

Pada grafik tersebut (Gambar 13) terlihat pengelompokan data dengan nilai yang paling dekat, warna merah menunjukkan kelompok dosen yang masuk pada cluster satu, sedangkan warna biru menunjukkan kelompok dosen yang masuk pada cluster 2 dan nilai tertinggi cluster ini memiliki nilai tertinggi, sedangkan garis warna hijau, yang menunjukkan kelompok dosen pada cluster 3. Dari Grafik tersebut dapat disimpulkan bahwa kelompok dosen yang masuk pada cluster 2 memiliki kecenderungan yang tinggi pada kriteria pengajaran 5. Kesimpulan 5.1 Simpulan Dari hasil penelitian dan pengujian maka dapat diambil kesimpulan sebagai berikut : 1.

Sistem dapat mengelompokkan data remunerasi dosen dengan 7 atribut yaitu pengajaran, pelatihan dan buku ajar, penelitian, pengabdian, jabatan, kehadiran dan penunjang. Hasil pengujian diperoleh 3 cluster, dengan jumlah dosen yang

[1] Cox, E. 2005. Fuzzy Modeling and Genetic Algorithm forData Mining and Exploration, Morgan Kaufmann Publisher, San Francisco. [2] Khoiruddin A.A., 2007, Menentukan Nilai Akhir Kuliah Dengan Fuzzy c-means,In : Seminar Nasional Sistem dan Informatika, Bali 16 november 2007, SNS107-041 [3] Fevin, Indah . 2015. Clustering Data PNS Status T ugas Belajar dan Ijin Belajar Menggunakan Medote Fuzzy c-means.In : Prosiding Seminar Sains dan Teknologi FMIPA Unmul Vo.1 No.2 Desember 2015 Samarinda, Indonesia. ISBN : 978 -60272658-1-3 [4] Luthfi E.T ., 2007. Fuzzy c-means untuk Clustering Data(Studi Kasus Data Performance Mengajar Dosen),In : Seminar Nasional Teknologi, Yogyakarta, 24 November 2007, ISSN : 1978-9777 [5] Irwan, Budiman. 2012. Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridarma. Program Pascasarjana Universitas Diponegoro Semarang. [6] Klir G. J., Yuan B., 1995. Fuzzy Sets and Fuzzy Logic, Theory and Application. Prentice Hall International, Inc. [7] Nurjannah, dkk, 2014. Implementasi Metode Fuzzy C-Means Pada Sistem Clustering Data Varietas Padi. Jurnal Ilmu Komputer (Klik) vol.01, no.1 September 2014,issn :2406-7857, Banjarbaru, Kalimantan Selatan [8] Widyastuti N., Hamzah A., 2007, Penggunaan Algoritma Genetika Dalam Peningkatan Kinerja Fuzzy Clustering untuk Pengenalan Pola,In Seminar Penggunaan Algoritma Genetika, Yogyakarta [9] Marisa Wadji, 2013.Mengenal Istillah Remunerasi Availabble at http:// bunda-bisa.blogspot.co.id/[Accessed 15 Juli 2017]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 293

Putri Elfa Mas`udia, Farida Arinie, Lis Diana Mustafa Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 [10] Muhardi., Nizar., 2015. Penentuan Penerima Beasiswadengan Algoritma Fuzzy C-Means di Universitas Megow Pak T ulang Bawang, Jurnal TIM Dharmajaya vol.01 no.02 oktober 2015

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 288– 294 294

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 295 – 300

ISSN : 2580-0760 (media online)

Faktor-Faktor Pengembangan Sistem Informasi Akademik Berbasis Web Pada Perguruan Tinggi Swasta Palembang Muhammad Soekarno Putra

Program Studi T eknik Informatika – Universitas Bina Darma Palembang, [email protected]

Abstract One of the utilization of information technology development in the world of education in private universities (PTS) is by utilizing and implementing web-based academic information system (SIA). This study aims to examine the contribution of technology and infrastructure (IT), design (DS), human resources (SD) and culture (BD) in web-based SIA development at PTS in Palembang. The research method used was quantitative method, while the technique of data collection using questionnaire method. Data analysis method in this study used Structural Equation Modeling (SEM). Population in this research were PTS in Palembang which have web based SIA, they were Universitas Bina Darma and STMIK Palcomtech. While the respondents were students, lecturers and staff. The results of the research showed that technology and infrastructure, design, human resources and culture contribute to the development of web-based SIA at PTS in Palembang. Keywords: academic information system, web-based, structural equation modelling.

Abstrak Salah satu pemanfaatan perkembangan teknologi informasi di dunia pendidikan di perguruan tinggi swasta (PTS) yaitu dengan memanfaatkan dan mengimplementasikan sistem informasi akademik (SIA) berbasis web. Penelitian ini bertujuan untuk meneliti kontribusi teknologi dan infrastruktur (TI), desain (DS), sumber daya manusia (SD) dan budaya (BD) dalam pengembangan SIA berbasis web pada PTS di Palembang. M etode penelitian yang digunakan adalah metode kuantitatif, sedangkan teknik pengumpulan data menggunakan metode angket. M etode analisa data pada penelitian ini menggunakan Structural Equation Modelling (SEM). Populasi dalam penelitian ini adalah PTS di Palembang yang memiliki SIA berbasis web yaitu Universitas Bina Darma dan STM IK Palcomtech. Sedangkan yang dijadikan responden yaitu mahasiswa, dosen dan staff. Hasil dari penelitian menunjukkan bahwa teknologi dan infrastruktur, desain, sumber daya manusia dan budaya berkontribusi terhadap pengembangan SIA berbasis web pada PTS di Palembang. Kata kunci : sistem informasi akademik, berbasis web, structural equation modelling. © 2018 Jurnal RESTI

1. Pendahuluan

pendidikan karena ketersediaan informasi yang terintegrasi makin penting dalam mendukung upaya Perkembangan teknologi informasi sangat menciptakan generasi penerus bangsa yang kompetitif. mempengaruhi kualitas suatu instansi. Beberapa hal yang mempengaruhi perkembangannya yaitu Salah satu pemanfaatan perkembangan teknologi ketersediaan infrastruktur. Teknologi informasi tidak informasi di dunia pendidikan pada perguruan tinggi hanya digunakan untuk mengakses informasi saja, swasta (PTS) yaitu dengan memanfaatkan dan tetapi untuk menciptakan sebuah sistem yang mengimplementasikan sistem informasi akademik terintegrasi. (SIA) berbasis web. Kebutuhan informasi yang cepat dan tepat begitu sangat dibutuhkan oleh perguruan Bahkan dewasa ini perkembangan teknologi informasi tinggi, sebab jika informasi yang didapat tidak cepat mulai mendapat sambutan positif dari masyarakat. akan berpengaruh terhadap kebijakan-kebijakan atau Teknologi informasi yang sangat cepat berkembang langkah-langkah yang diambil. Sehingga kebutuhan memberi pengaruh terhadap berbagai bidang kehidupan akan informasi yang efektif dan efisien ini menjadi pada saat ini [1]. Perkembangannya tidak hanya kebutuhan pokok dari sebuah perguruan tinggi [2]. disambut dan dinikmati oleh kalangan bisnis maupun Sistem informasi akademik berbasis web sangat pemerintah saja, tetapi juga mulai merambah dunia diperlukan untuk pengolahan data akademik seperti Diterima Redaksi : 24-01-2018 | Selesai Revisi : 05-04-2018 | Diterbitkan Online : 16-04-2018 295

Muhammad Soekarno Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 pengolahan data mata kuliah, nilai, pengisian krs c) Simple, d) Semiotik, e) Ergonomis, f) Fokus, g) sehingga mendukung pencapian visi, misi dan tujuan Konsistensi. akademik [3]. Sedangkan [4] mengatakan salah satu faktor teknis Pada prakteknya, hampir bisa ditemui di banyak PTS di yang menghambat perkembangan SIA di perguruan palembang yang sudah mengimplementasikan SIA tinggi yaitu faktor desain dikarenakan penyampaian berbasis web, baik yang sangat sederhana bahkan konten-konten data akademik melalui SIA perlu sampai dengan tingkat kerumitan yang sangat tinggi. dikemas dalam bentuk yang berpusat kepada pihakNamun dalam implementasinya, pengembangan SIA pihak yang terlibat dalam proses pembelajaran berbasis web di PTS Palembang belum sepenuhnya (mahasiswa-dosen-stakeholder). Saat ini masih sangat berjalan secara efektif dikarenakan belum banyak sedikit desainer SIA yang berpengalaman dalam penelitian yang membahas tentang kebutuhan- membuat suatu paket SIA yang memadai. kebutuhan dalam implementasi SIA berbasis web. 2.3 Sumber Daya Manusia (SDM) Menurut [4], mengidentifikasi dua faktor penghambat dalam pengembangan SIA berbasis web, yaitu faktor Sinergi antara pemanfaatan teknologi informasi dan teknis dan non teknis. Faktor teknis meliputi : teknologi komunikasi (TIK) dan tersedianya sumber daya dan infrastruktur, desain materi, finansial dan sumber manusia yang kompeten akan mampu menciptakan daya manusia (SDM). Sedangkan faktor non teknis keunggulan kompetitif sekaligus menjadi senjata meliputi : budaya, dan buta teknologi (technology ampuh menjamin eksistensi sebuah organisasi di illeteracies). masa yang akan datang [7]. Dari beberapa faktor yang disebutkan diatas maka penelitian ini bertujuan untuk mengetahui seberapa besar kontribusi faktor teknologi dan infrastruktur, desain, SDM dan budaya dalam pengembangan SIA berbasis web. 2. Tinjauan Pustaka 2.1 Teknologi dan Infrastruktur

[4] mengatakan untuk mencapai SIA yang berjalan efektif, mampu membantu stakeholder internal maupun eksternal dengan menyediakan informasi yang akurat, cepat, dan cukup, diperlukan SDM yang handal. SDM SIA yang handal ditentukan oleh beberapa faktor yaitu budaya TIK yang berkembang di konteks SIA itu berada (lingkungan perguruan tinggi), pendidikan dan pelatihan, sistem reward dan standar kompetensi personel SIA.

Untuk mengimplementasikan SIA berbasis web pada sebuah Perguruan Tinggi Swasta (PTS) menurut [5], teknologi merujuk pada sistem komputer yang terdiri dari perangkat keras (hardware) dan perangkat lunak (software) untuk membantu para pemakai dalam menyelesaikan tugasnya.

Pendidikan dan pelatihan merupakan investasi jangka panjang bagi keberlangsungan SIA berbasis web pada perguruan tinggi. Sedangkan sistem reward diperlukan sebagai pendorong bagi para SDM untuk lebih bergairah dalam bekerja, memiliki etos kerja yang tinggi, bertanggung jawab dan sejahtera. Standar Sedangkan menurut [4], mengatakan syarat berjalannya kompetensi merupakan pernyataan-pernyataan SIA di perguruan tinggi membutuhkan ketersediaan mengenai pelaksanaan tugas-tugas di tempat kerja yang berisikan hal-hal yang diharapkan bisa komputer, network , sistem koneksi dan bandwidth. dilaksanakan oleh para petugas sistem informasi Namun yang menjadi persoalan pada saat ini yaitu akademik. tidak semua perguruan tinggi memiliki teknologi dan infrastruktur untuk mengimplementasikan SIA berbasis 2.4 Budaya web. Menurut [4], pemanfaatan sistem informasi akademik berbasis TIK membutuhkan budaya akses dan belajar 2.2 Desain mandiri dan kebiasaan untuk belajar atau mengikuti Kualitas desain web meliputi kemampuan web dalam perkembangan melalui komputer/internet. Persoalan memberikan tampilan atau interface yang menarikl. saat ini, apakah budaya belajar mandiri telah dimiliki Mulai dari segi penataan informasi yang akan oleh semua pihak yang terkait dengan proses sistem ditampilkan, tampilan menu, kejelasan informasi, informasi akademik pembelajaran, yaitu staff, dosen, pemilihan warna web serta kejelasan tentang font pada dan mahasiswa. website itu sendiri. Budaya memberikan landasan sosiologis, Sistem informasi akademik (SIA) berbasis web yang antropologis, dan psikologis secara tidak langsung baik adalah yang memiliki desain web yang baik. [6] terhadap penerimaan TIK sebagai supporting device mengatakan adapun prinsip-prinsip desain yang harus pembuatan keputusan yang dilakukan unsur manusia. diperhatikan antara lain yaitu : a) Unik, b) Komposisi, Kepercayaan (belief), sikap (attitude), keinginan (intention), dan hubungan perilaku pengguna (user Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 296

Muhammad Soekarno Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 behaviour relationship) yang terkait dengan TIK akan Populasi dalam penelitian ini adalah Perguruan Tinggi memberikan landasan bagi diterimanya TIK dan Swasta (PTS) Palembang yang memiliki Sistem digunakan secara efektif. Informasi Akademik (SIA) berbasis web yaitu Universitas Bina Darma dan STMIK Palcomtech. 3. Metodologi Penelitian Sampel adalah sebagian dari populas i. Artinya tidak Sebelum melakukan penelitian akan dilakukan pendekatan yang dianggap paling cocok, yaitu sesuai dengan masalah yang akan dipecahkan (pertimbangan efektivitas). Kemudian pertimbangan lainnya adalah terletak pada masalah efisiensi, yaitu dengan mempertimbangkan keterbatasan dana, tenaga, waktu dan kemampuan dari peneliti. Dalam hal ini pendekatan (metode) penelitian yang paling baik apabila pendekatan tersebut paling efisien, valid dan reliable. Metode yang digunakan dalam penelitian ini adalah metode kuantitatif. Menurut [8] Metode kuantitatif dinamakan metode tradisional, karena metode ini sudah cukup lama digunakan sehingga sudah mentradisi sebagai metode untuk penelitian. Metode ini disebut sebagai metode positivistic karena berlandaskan pada filsafat positivisme. Metode ini sebagai metode ilmiah/scientific karena telah memenuhi kaidah-kaidah ilmiah yaitu konkrit/empiris, obyektif, terukur, rasional, dan sistematis. Metode ini juga disebut metode discovery, karena dengan metode ini dapat ditemukan dan dikembangkan berbagai iptek baru. Metode ini disebut disebut metode kuantitatif karena data penelitian berupa angka-angka dan analisis menggunakan statistik. Teknik Pengumpulan Data Teknik pengumpulan data adalah cara-cara yang ditempuh dan alat-alat yang digunakan dalam mengumpulkan data. Pada penelitian kuantitatif dikenal beberapa metode, antara lain metode angket(kuesioner), wawancara, observasi dan dokumentasi [9]. Pada penelitian ini dilakukan pengumpulan data dengan menggunakan kuesioner. Kuesioner yang disebar sebanyak 150 kuesioner. Menurut [8], kuesioner (angket) merupakan teknik pengumpulan data yang dilakukan dengan cara memberi seperangkat pertanyaan atau pernyataan tertulis kepada responden untuk dijawabnya Populasi dan Sampel Populasi adalah sumber data dalam penelitian tertentu yang memiliki jumlah banyak dan luas. Jika data diambil dari populasi, maka akan memerlukan dana dan waktu yang cukup banyak sehingga dalam penelitian hal itu terlalu mahal. Alternatif agar data yang diperoleh mampu mewakili data yang ada pada populasi, maka dalam penelitian sering dilakukan pemilihan responden atau sumber data yang tidak begitu banyak dari populasi, tetapi cukup mewakili [9].

akan ada sampel jika tidak ada populasi. Sampel ditentukan oleh peneliti berdasarkan pertimbangan masalah, tujuan, hipotesis, metode, dan instrument penelitian, di samping pertimbangan waktu, tenaga, dan pembiayaan [9]. Pada penelitian ini setiap PTS akan diambil 50 sampel dengan kues ioner, dan untuk karakteristik dari sampel yang akan dijadikan responden dalam penelitian ini. Perhatikan Tabel 1. T abel 1. Sampel dan Karakteristik Sampel Mahasiswa

Karakteristik Pernah mengoperasikan SIA milik PT S misalnya (melihat KHS, mengentri FRS, dll).

Dosen

Menggunakan SIA sebagai alat bantu dalam tugas sehari-hari dalam pengajaran.

Staff

Yang mengoperasikan SIA untuk membantu aktifitas akademik di PT S.

Metode Analisis Data Didalam penelitian ini metode analisis data yang digunakan adalah Structural Equation Modelling (SEM). [10] mengatakan, SEM merupakan salah satu metode analisis dalam riset yang menggunakan pendekatan kuantitatif. Dalam analisisnya SEM melakukan pencocokkan model yang dibuat oleh peneliti didasarkan pada teori yang ada dengan menggunakan data empiris. Data dalam SEM berbentuk matriks kovarian atau matriks korelasi atau kemungkinan lainnya nilai rata-rata (mean) hasil observasi. Kecocokan didasarkan pada nilai-nilai statistik tertentu, misalnya Chi Square. Dalam praktiknya peneliti berusaha membuat model yang terbaik. Pada penelitian ini data yang telah diolah menggunakan SPSS akan di analisis dan diuji menggunakan SEM. Pengujian menggunakan SEM akan dilakukan dalam dua tahap yaitu, Confirmatory Factor Analysis (CFA) Measurement Model dan Structural Equation Model (SEM). Variabel Penelitian Variabel penelitian pada dasarnya adalah suatu atribut atau sifat atau nilai dan orang, obyek atau kegiatan yang mempunyai variasi tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya [8]. Didalam penelitian ini variabel yang digunakan dapat dilihat pada Tabel 2.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 297

Muhammad Soekarno Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 4. Hasil dan Pembahasan Dalam memperoleh hasil penelitian ini penulis telah melakukan penelitian dengan berbagai tahapan sebelumnya. Dalam penelitian ini penulis memberikan kuesioner kepada responden yang dimana dalam penelitian ini penulis mengambil tiga sampel yang dijadikan sebagai responden yaitu dosen, mahasiswa dan staff karyawan yang terdiri dari 150 orang yang dijadikan responden. Setelah melakukan penyebaran kuesioner tersebut maka data yang telah diperoleh kemudian diolah menggunakan aplikasi SPSS (Statistical Product and Service Solutions) dan metode analisa data penulis menggunakan SEM (Structural Equation Modelling). T abel 2. Kelompok Variabel dan Indikator Kelompok variabel T eknologi dan Infrastruktur (TI)

Indikator T I1. Personal Komputer T I2. Hardware T I3. Software T I4. Network T I5. Bandwith

Desain (DS)

DS1. Kelengkapan Content DS2. Simple DS3. Ergonomis DS4. Fokus DS5. Konsistensi

Sumber Daya Manusia (SD)

SD1. Kualitas SD2. Pendidikan SD3. Pelatihan SD4. Sistem Reward SD5. Standar Kompetensi

Budaya (BD)

BD1. Budaya Akses BD2. Budaya Belajar BD3. Kebiasaan untuk mengikuti perkembangan melalui internet BD4. Kepercayaan BD5. Sikap

Hasil dari penelitian ini untuk mengetahui seberapa besar kontribusi dari faktor teknologi dan infrastruktur, desain, sumber daya manusia dan budaya dalam pengembangan sistem informasi akademik berbasis web. Terdapat dua jenis pengujian dalam tahap ini, yakni Confirmatory Factor Analysis (CFA) Measurement Model dan Structural Equation Model (SEM). Masingmasing uji adalah sebagai berikut: 4.1 Confirmatory Factor Analysis (CFA) Confirmatory Factor Analysis (CFA) Measurement Model adalah proses pemodelan dalam penelitian yang diarahkan untuk menyelidiki undimensionalitas dari indikator-indikator yang menjelaskan sebuah faktor atau sebuah variabel laten [10].

Terdapat dua uji dasar dalam CFA, yaitu uji kesesuaian model (Goodness-of- Fit Test) serta uji signifikansi bobot faktor. Uji kesesuaian model (Goodness-of- Fit Test) digunakan untuk menguji undimensionalitas dari dimensi-dimensi yang menjelaskan sebuah faktor atau sebuah variabel laten. Pengujian dilakukan dengan menggunakan pendekatan indeks -indeks yang telah umum digunakan. Indeks-indeks yang dapat digunakan untuk menguji kelayakan sebuah model adalah seperti yang diringkas dalam Tabel 3. T abel 3. Goodness of-fit Indices Goodness of fit index CMIN/DF

Cut-off Value ≤ 2.00

GFI

≥ 0.90

AGFI

≥ 0.90

T LI

≥ 0.95

CFI

≥ 0.95

RMSEA

≤ 0.08

Uji signifikansi bobot faktor bertujuan untuk mengetahui apakah sebuah variabel dapat digunakan untuk mengkonfirmasi bahwa variabel itu dapat bersama-sama dengan variabel lainnya menjelaskan sebuah variabel laten yang dikaji; hal ini dilakukan melalui dua tahapan yaitu dengan melihat nilai lamda atau factor loading dan melihat bobot faktor (regression weight). Nilai lamda yang dipersyaratkan adalah harus mencapai lebih dari atau sama dengan 0,40, apabila nilai lamda lebih rendah dari 0,40 dipandang variabel itu tidak berdimensi sama dengan variabel lainnya untuk menjelaskan sebuah variabel laten [11]. Sebagaimana dalam CFA, pengujian SEM juga dilakukan dengan dua macam pengujian yakni uji kesesuaian model serta uji signifikansi kausalitas melalui uji koefisien regresi. Langkah analisis untuk menguji model penelitian dilakukan melalui tiga tahap, yakni pertama menguji model dasar, jika hasilnya kurang memuaskan dilanjutkan dengan tahap kedua dengan memberikan perlakuan modifikasi terhadap model yang dikembangkan setelah memperhatikan indeks modifikasi dan dukungan (justifikasi) dari teori yang ada; jika pada tahap kedua masih diperoleh hasil yang kurang memuaskan, maka ditempuh langkah yang ketiga dengan cara menghilangkan atau menghapus (drop) variabel yang memiliki bobot faktor kurang dari 0,40, sebab variabel ini dipandang tidak berdimensi sama dengan variabel lainnya untuk menjelaskan sebuah variabel laten. 4.2 Uji Structural Equation Model (SEM) Berdasarkan dari hasil pengujian CFA yang telah dilakukan maka didapat hasil analisis SEM pada tahap awal secara lengkap dapat dilihat pada Gambar 1.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 298

Muhammad Soekarno Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 Hasil uji konstruk dimensi kualitas hasil akhir disajikan pada Gambar 1 dievaluasi berdasarkan goodness of fit indices, kriteria model serta nilai kritisnya yang memiliki kesesuaian data dapat dilihat pada Tabel 4.

kritisnya yang memiliki kesesuaian data dapat dilihat pada Tabel 5. Dari evaluasi model yang diajukan menunjukkan bahwa evaluasi model terhadap konstruk secara keseluruhan ternyata dari berbagai kriteria sudah tidak terdapat pelanggaran kritis sehingga dapat dikemukakan bahwa model relatif dapat diterima atau sesuai dengan data, sehingga dapat dilakukan uji kesesuaian model tahap akhir yang dapat dilihat pada Gambar 3.

Gambar 1. Uji Goodness of Fit Model T ahap Awal T abel 4. Evaluasi kriteria Goodness of Fit Indices Overall Model T ahap Awal Goodness of fit index CMIN/DF

Cut-off Value ≤ 2.00

Hasil Model

Keterangan

2.210

Cukup Baik

GFI

≥ 0.90

0.690

Cukup Baik

T LI

≥ 0.95

0.786

Cukup Baik

CFI

≥ 0.95

0.801

Cukup Baik

RMSEA

≤ 0.08

0.090

Cukup Baik

Berdasarkan Tabel 4 maka dapat diketahui bahwa model belum layak digunakan. Berdasarkan pentunjuk modification indices kemudian dilakukan modifikasi untuk memperbaiki model tahap awal sehingga valid dapat dilihat pada Gambar 2.

Gambar 2. Uji Goodness of Fit Model T ahap Awal (setelah dimodifikasi)

Pada uji model tahap akhir pada gambar 3 didapat hasil nilai loading faktor dari faktor teknologi dan infrastruktur sebesar 0.79, faktor desain sebesar 0.85, faktor sumber daya manusia sebesar 0.90 dan faktor budaya sebesar 0.88. 5. Kesimpulan 5.1 Simpulan

Tujuan dari penelitian ini yaitu untuk mengetahui seberapa besar kontribusi dari teknologi dan infrastruktur, desain, sumber daya manusia dan budaya Hasil uji konstruk dimensi kualitas hasil akhir dalam pengembangan sistem informasi akademik (SIA) disajikan pada Gambar 2 dievaluasi berdasarkan berbasis web. Dari hasil analisis dan pengujian yang goodness of fit indices, kriteria model serta nilai telah dilakukan, maka hasil penelitian dapat disimpulkan sebagai berikut : dari ke-empat faktor Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 299

Muhammad Soekarno Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 diatas yaitu teknologi dan infrastruktur, desain, sumber daya manusia dan budaya, faktor yang paling dominan berkontribusi dalam pengembangan sistem informasi akademik berbasis web pada perguruan tinggi swasta Palembang yaitu faktor sumber daya manusia (SDM) dengan nilai loading faktor sebesar 0.90.

Perguruan Tinggi dengan cara memberikan pelatihan kepada SDM untuk mengoperasikan SIA. Maka dari itu SDM merupakan salah satu faktor penting dalam usaha untuk mengembangkan SIA berbasis web agar bisa berjalan secara optimal. 5.2 Saran Berdasarkan hasil penelitian yang dilakukan, maka

T abel 5. Evaluasi kriteria Goodness of Fit Indices Overall Model penulis menyarankan kepada Perguruan Tinggi Swasta T ahap Awal (setelah dimodifikasi) (PTS) secara berkala dan terencana dengan baik Goodness of fit index CMIN/DF

Cut-off Value ≤ 2.00

Hasil Model

Keterangan

2.144

Cukup Baik

GFI

≥ 0.90

0.703

Cukup Baik

T LI

≥ 0.95

0.797

Cukup Baik

CFI

≥ 0.95

0.812

Cukup Baik

RMSEA

≤ 0.08

0.088

Cukup Baik

untuk terus meningkatkan dan menjaga profesionalisme para pengelola sistem informasi akademik melalui pendidikan dan pelatihan yang terkait dengan bidang tugasnya. Selain itu, pengelolaan SDM sistem informasi akademik juga harus lebih baik lagi. Penyiapan budaya Sistem Informasi Akademik (SIA) berbasis web juga perlu ditanamkan pada setiap individu yang ada di Perguruan Tinggi Swasta. Bagi para pembuat kebijakan/keputusan, termasuk para dosen, produk sistem informasi akademik harus benarbenar dijadikan bahan atau sandaran dalam memecahkan permasalahan atau membuat kebijakan terkait dengan peningkatan kinerja lembaga. Mereka diharapkan memiliki pemahaman yang memadai akan filosofi diterapkannya sistem informasi akademik berbasis web, memahami mekanisme dan manfaat serta tahu bagaimana melakukannya. Daftar Rujukan

Gambar 3. Uji Goodness of Fit Model T ahap Akhir

Dikarenakan sebaik apapun teknologi dan infrastruktur yang dimiliki oleh perguruan tinggi, jika SDM yang mengelola SIA berkualitas rendah maka tidak akan berarti. SDM yang mempunyai kualitas tinggi dan memiliki etos kerja yang tinggi harus dipersiapkan oleh

1. Suprianto, W., Muhsin, Ahmad, Teknologi Informasi Perpustakaan: Strategi Perancangan Perpustakaan Digital. 2008, Yogyakarta: Kanisius. 2. Homaidi, A., Sistem Informasi Akademik AMIK IBRAHIMY Berbasis Web. Jurnal Ilmiah Informatika, 2016. 1(1): p. 17-23. 3. Febrian, A.W., Kusrini, Arif, M.Rudyanto, Perancangan Sistem Informasi Akademik Berbasis Web di Akademi Kesehatan Sapta Bakti Bengkulu. Jurnal Ilmiah DASI (Data Manajemen dan T eknologi Informasi, 2016. 17(2): p. 13-20. 4. Indrayani, E., Pengelolaan Sistem Informasi Akademik Perguruan Tinggi Berbasis Teknologi Informasi dan Komunikasi (TIK). Jurnal Penelitian Pendidikan, 2011. 12(1): p. 51-67. 5. Jumaili, S., Kepercayaan Terhadap Teknologi Sistem Informasi Baru Dalam Evaluasi Kinerja Individual. Solo : Simposium Nasional Akuntansi VIII, 2005. 6. Anwariningsih, S.H. Multi Faktor Kualitas Website. 7. Solihin, I.P., Wibisono, M.Bayu, Desain Kebijakan Sistem Informasi dan Teknologi Informasi Dengan Framework Zachman Pada Perguruan Tinggi Negeri Baru di Jakarta Jurnal REST I (Rekayasa Sistem dan T eknologi Informasi), 2017. 1(3): p. 266-276. 8. Sugiyono, Metode Penelitian Kuantitatif Kualitatif R&D. 2013, Bandung: Alfabeta. 9. Darmawan, D., Metode Penelitian Kuantitatif, ed. 1. 2013, Bandung: Rosda. 10. Byrne, B.M., Structural Equation Modeling With AMOS Basic Concept, Aplication, and Programming. 2001, Mahwah, New Jersey: Lawrence Erlbaum Associates, Inc. 11. Ferdinand, A., Structural equation modeling dalam penelitian manajemen. Semarang : Badan Penerbit Universitas Diponegoro, 2002.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 295 – 300 300

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 301 – 306

ISSN : 2580-0760 (media online)

Indikasi Penyimpangan Laporan Keuangan Akademik Universitas XYZ Menggunakan Algoritma Greedy dan K-Means a

Lukman Hakima, Harvin Serunib

T eknik Informatika, T eknologi dan Desain, Universitas Bunda Mulia, [email protected] b T eknik Informatika, T eknologi dan Desain, Universitas Bunda Mulia, [email protected]

Abstract Financial deviation are often found in various agencies as occurred in 16 PTN (Merdeka.com) in the financial reporting of a lot of unfairness in the BPK (Supreme Audit Agency) report, this happens because the mechanism of reporting in the internal University has no financial audit. It is necessary to create an application that can detect the occurrence of deviation in proposals and financial reports that impact on unnatural reports, this study using the Greedy and K-Mean Clustering algorithms. The application of academic financial detection at University XYZ has the function of making proposal, financial report, monitoring from the person in charge to facilitate supervision and the existence of notification if there is budget unreasonable. Th e application of Greedy and K-Mean algorithms to the application can be applied by simulating proposals and reports that have reasonable and unreasonable prices, showing success with the notification of each proposal and unnatural reports on finance. Keywords: greedy algorithm, K-Mean clustering, deviation

Abstrak Penyimpangan keuangan sering ditemukan diberbagai instansi seperti yang terjadi pada 16 PTN (Merdeka.com) dalam pelaporan keuangan banyak ketidak wajaran pada laporan BPK (Badan Pemeriksa Keuangan), hal ini terjadi karena mekanisme pelaporan di internal universitas belum adanya audit keuangan. Hal ini perlu dibuat aplikasi yang dapat mendeteksi terjadinya penyimpangan pada proposal dan laporan keuangan yang berdampak pada laporan tidak wajar, pene litian ini menggunakan algoritma Greedy dan KMean Clustering. Aplikasi deteksi keuangan akademik pada universitas xyz memiliki fungsi pembuatan proposal, laporan keuangan, monitoring dari para penanggung jawab untuk memudahkan pengawasan serta adanya notifikasi apabila terjadi ketidak wajaran anggaran. Penerapan algoritma Greedy dan K -Mean pada aplikasi dapat diterapkan dengan simulasi proposal dan laporan yang memiliki harga wajar dan tidak wajar, menunjukkan keberhasilan dengan adanya notifikasi setiap proposal dan laporan yang tidak wajar pada keuangan. Kata kunci: algoritma greedy, K-Mean clustering, penyimpangan © 2018 Jurnal RESTI

1. Pendahuluan

pembelian serta kewajaran biaya yang tidak sesuai dengan ketentuan[1].

Penyimpangan keuangan perusahaan masih terjadi karena adanya kesempatan dan peluang untuk Permasalahan diatas hanya sebagian yang terdeteksi melakukan manipulasi keuangan fiktif, hal ini memiliki oleh pemerintah dan data yang diungkap secara dampak merugikan perusahaan serta tidak sehatnya terbuka, hal ini perlu diantisipasi dengan dibuatnya manajemen keuangan perusahaan. Berdasarkan berita aplikasi deteksi penyimpangan anggaran pada merdeka.com, hasil BPK (Badan Pemeriksa Keuangan) universita, PTS khususnya yang memang anggaran menemukan terjadinya penyimpangan atau pelewengan operasional perguruan tinggi dapat terjadi pelewengan anggaran pada 16 PTN (Perguruan Tinggi Negeri) apabila tidak ada mekanisme audit yang baik pada untuk anggaran pembelian dan belum adanya bukti bagian keuangan dan pelaporan keuangan yang benar. Diterima Redaksi : 23-02-2018 | Selesai Revisi : 10-04-2018 | Diterbitkan Online : 16-04-2018 301

Lukman Hakim, Harvin Seruni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 Penelitian ini mencoba membuat formula untuk mendeteksi penyelewengan keuangan untuk kegiatan operasional dengan mekanisme pengajuan anggaran berdasarkan jenis dan harga yang sudah ditetapkan sistem serta pelaporan keuangan dengan biaya wajar serta realistis berdasarkan pengajuan proposal. Aplikasi ini membantu untuk memberikan informasi pelaporan keuangan yang memiliki indikasi penyimpangan dengan algoritma Greedy dan metode K-Mean. 2. Tinjauan Pustaka

“... an act done with an intent to give so me advantage inconsistent with official duty and the rights of other. The act an official or fiduciary person who unlawfully and wrongfully uses his station or character to procure some benefit for himself or for another person, contrary to duty and the rights of others”. Algoritma Greedy Algoritma Greedy adalah algoritma yang memecahkan masalah langkah demi langkah, pada setiap langkah [4]: a. Mengambil pilihan yang terbaik yang dapat diperoleh saat itu b. Berharap bahwa dengan memilih optimum local pada setiap langkah akan mencapai optimum global. Algoritma greedy mengasumsikan bahwa optimum lokal merupakan bagian dari optimum global.

Pada penelitian yang berjudul Analisis pola pemberantasan korupsi dalam pengadaan barang/jasa pemerintah dengan kesimpulan pemberantasan korupsi harus didahului dengan proses penegakan hukum administrasi yang berintikan pengawasan (controling) baik pengawasan internal maupun pengawasan ekternal secara berkelanjutan (sustainable)[2]. Algoritma Greedy adalah algoritma yang memecahkan Istilah “korupsi” berasal dari bahasa Latin yakni masalah langkah per langkah, pada setiap langkah akan corruptio atau corruptus yang disalin ke berbagai melakukan satu, mengambil pilihan yang terbaik yang bahasa. Dalam bahasa Inggris, corruption atau corrupt, dapat diperoleh pada saat itu tanpa memperhatikan bahasa Belanda coruptie. Secara harfiah istilah tersebut konsekuensi kedepan (prinsip "take what you can get diartikan sebagai keburukan, kebusukan, atau ketidak- now!'), lalu berharap bahwa dengan memilih optimum jujuran. Istilah corruption dalam Black’s Law lokal pada setiap langkah akan berakhir dengan Disctionary didefinisikan:(Henry Campbell Black; optimum global, Sementara elemen yang tersusun dari algoritma Greedy adalah sebagai beriku[4][5]: 1979 : 311)[2]. “… an act done with an intent to give some advantage a) Himpunan kandidat yang berisi elemen-elemen pembentuk solusi. inconsistent with official duty and the rights of other. The act an official or fiduciary person who unlawfully b) Himpunan solusi yang terdiri kandidat-kandidat yang tepilih sebagai solusi persoalan. and wrongfully uses his station or character to procure c) Fungsi Seleksi (selection function) yaitu di pakai some benefit for himself or for another person, untuk memilih kandidat yang paling memungkinkan contrary to duty and the rights of others”. mencapai solusi optimal. Kandidat yang sudah Korupsi dapat didefinisikan dalam arti hukum yang dipilih pada satu langkah tidak pernah berdasarkan norma. dimana pada masyarakat tertentu, dipertimbangkan lagi pada langkah selanjutnya. kedua definisi tersebut dapat berbentuk serupa d) Fungsi Kelayakan (feasible), berfungsi untuk (coincedent). Dalam arti hukum, korupsi adalah tingkah memeriksa apakah suatu kandidat yang telah laku yang mengurus kepentingan diri sendiri dengan dipilih dapat memberikan solusi yang layak, yakni merugikan orang lain, oleh pejabat pemerintah yang kandidat tersebut bersama-sama dengan himpunan langsung melanggar batas -batas hukum atas tingkah solusi yang sudah terbentuk tidak melanggar laku tersebut[3]. kendala (constraints) yang ada. Korupsi adalah perbuatan melawan hukum, memperkaya diri orang/badan lain yang merugikan keuangan /perekonomian negara (pasal 2). Menyalahgunakan kewenangan karena jabatan/kedudukan yang dapat merugikan keuangan/kedudukan yang dapat merugikan keuangan/perekonomian negara (pasal 3) [3].

Clustering

Clustering adalah membagi data ke dalam grup-grup yang mempunyai obyek yang karakteristiknya sama. 2) clustering adalah mengelompokkan item data ke dalam sejumlah kecil grup sedemikian sehingga masingmasing grup mempunyai sesuatu persamaan yang Istilah “korupsi” berasal dari bahasa Latin yakni esensial[6]. corruptio atau corruptus yang disalin ke berbagai Klasterisasi adalah proses membagi data yang tidak bahasa. Dalam bahasa Inggris, corruption atau berlabel menjadi kelompok-kelompok data yang corrupt, bahasa Belanda coruptie. Secara harfiah memiliki kemiripan. Misalkan K adalah jumlah klaster, istilah tersebut di artikan sebagai keburukan, C merupakan label klaster, dan P merupakan dataset. kebusukan, atau ketidak-jujuran. Istilah corruption Klasterisasi harus memenuhi kriteria sebagai dalam Black’s Law Disctionary didefinisikan[2]: berikut[6]:

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 302

Lukman Hakim, Harvin Seruni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 Untuk menentukan persamaan 1 :

klaster

yang

berlabel

Ci  , i  1,2,..., K  Ci  C j  , i  jadi, j  1,2,...,K



U Ci  P K i 1

pada Gambar 1. Diagram konteks prosedur pengajuan anggaran (1) (2)

Keterangan : K= Jumlah Karakter C= label klaster P = dataset K-Means Algoritma K-Means merupakan algoritma klasterisasi yang mengelompokkan data berdasarkan titik pusat klaster (centroid) terdekat dengan data. Tujuan dari KMeans adalah pengelompokkan data dengan memaksimalkan kemiripan data dalam satu klaster dan meminimalkan kemiripan data antar klaster. Ukuran kemiripan yang digunakan dalam klaster adalah fungsi jarak. Sehingga pemaksimalan kemiripan data didapatkan berdasarkan jarak terpendek antara data terhadap titik centroid[6].

Gambar 1. Diagram konteks prosedur pengajuan dan pelaporan keuangan universitas xyz

3.2. Penerapan Algoritma Greedy

Penerapan algoritma greedy berfungsi membandingkan wajar dan tidak wajar dengan membandingkan harga patokan (dasar) universitas dengan harga yang dilaporkan pada laporan keuangan, untuk kewajaran dilebihkan 10% . melihat inflasi dari setiap barang atau harga setiap distributor atau toko. Dapat dilihat pada Tahapan awal yang dilakukan pada proses klasterisasi Gambar 2. flowchar algoritma greedy. data dengan menggunakan algoritma K-Means adalah pembentukan titik awal centroid Cj Pada umumnya pembentukan titik awal centroid dibangkitkan secara acak. Jumlah centroid Cj yang dibangkitkan sesuai dengan jumlah klaster yang ditentukan di awal. Setelah k centroid terbentuk kemudian dihitung jarak tiap data Xi dengan centroid ke-j sampai k, dinotasikan dengan d (Xi,Cj). Terdapat beberapa ukuran jarak yang digunakan sebagai ukuran kemiripan suatu instance data, salah satunya adalah jarak Euclid. Perhitungan jarak Euclidean seperti pada Persamaan 3.

d ( Xi, Cj ) 

N

 ( Xi  Cj )

2

(3)

i 1

Keterangan : d=data titik dokumen (euclidean) X= data record C= data centroid 3. Metodologi Penelitian 3.1. Analisis sistem berjalan pengajuan dan pelaporan anggaran Proses pengajuan proposal sampai laporan melalui beberapa tahapan dari kaprodi atau sekretaris prodi, dekan/wakil dekan, wakil rektor , keuangan dan rektor, hal tersebut untuk menghindari proses penyalagunaan anggaran serta penggunaan anggaran yang berlebihan tidak sesuai budget yang sudah disepakati oleh pimpinan dengan prodi, hal tersebut dapat dilihat pada

Gambar 2. Flowchar Algoritma Greedy pada harga dasar

dengan harga pengajuan 3.3. Algoritma K-Means Untuk menentukan wajar dan tidak wajar dari pelaporan anggaran yang dimana berdasarkan harga, pada penerapan K-Mean juga berdasarkan centroid

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 303

Lukman Hakim, Harvin Seruni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 dengan patokan nilai awal atau harga dasar. Dapat aplikasi mendeteksi terjadinya kelebihan harga dasar dilihat pada gambar 3. flowchar diagram K-Means. +10%, maka atasan dapat melakukan klarifiasi anggaran tersebut kepada yang mengajukan.

Gambar 5. Halaman status anggaran.

4.3. Arsitektur Aplikasi deteksi penyimpangan Aplikasi deteksi penyimpangan ini mengacu pada ketentuan yang sudah ditentukan untuk proses persetujuan proposal dan laporan pertanggungjawaban, dimana dari dosen, Kaprodi/Sekrpodi, Dekan/Wakil dekan, Wakil Rektor dan Rektor melakukan persetujuan apabila anggaran luar dari ketentuan atau non budget. Dapat dilihat pada Gambar 6. Arsitektur aplikasi.

Gambar 3. Flowchar Algoritma K-Mean

4. Hasil dan Pembahasan 4.1. Halaman Daftar proposal pada prodi Gambar 4. merupakan halaman daftar proposal dengan status apakah sudah disetujui atau ditolak, kaprodi dapat memantau pengajuan anggaran tersebut.

Gambar 6. Arsitektur Aplikasi deteksi penyimpangan anggaran

4.4. rancangan Entity Relational Diagram aplikasi penyimpangan

Gambar 4. Halaman Kaprodi untuk memantau daftar proposal

4.2. Halaman Proposal dengan status “tidak wajar” Gambar 5. Merupakan halaman kaprodi, dekan, wakil rektor atau rektor dapat mengetahui anggaran tersebut memiliki kewajaran atau tidak pada harga yang diajukan, dengan adanya ini memberikan kemudahan penanggung jawab memantau terjadinya selisih harga yang berlebih. Apabila ada notifikasi “tidak wajar”

Gambar 7. ERD aplikasi deteksi penyimpangan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 304

Lukman Hakim, Harvin Seruni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 4.5 Implementasi koding greedy dan K-Mean Koding program 1. Pada penerapan algoritma greedy dan K-Mean, greedy berfungsi untuk melacak harga item barang dalam proposal atau laporan pertanggungjawaban dengan membandingkan berdasarkan harga dasar, toleransi kewajaran lebih dari 10% dari harga dasar, hal ini untuk mengantisipasi kenaikan harga diluar. Sedangkan K-Mean melakukan pengelompokan berdasarkan status wajar atau tidak wajar apabila melampau harga yang ditentukan aplikasi menampilkan status tidak wajar. 2 Clustering: wajar(), tidak_wajar() $wajar=$wajar/$no; $tidak_wajar=$tidak_wajar/$no; $new_wajar=0; $new_tidak_wajar=0; $jumlahWajar=0; $jumlahTidakWajar=0; $finalJumlahWajar=0; $finalJumlahTidakWajar=0; $first=true; //echo $wajar." : ".$tidak_wajar; //Algoritma $iterasi=0; //echo "







"; while($wajar!=$new_wajar && $tidak_wajar!=$new_tidak_wajar) { $iterasi++; if($first==false) { $wajar=$new_wajar; $tidak_wajar=$new_tidak_wajar; }else { $first=false; } $query = "select * from detail_proposal where proposal_id='".$rs['proposal_id']."'"; $item=mysqli_query($con,$query); while($subitem=$item->fetch_assoc()){ $noWajar=sqrt(($subitem['price']-$wajar)*($subitem['price']$wajar)); $noTidakWajar=sqrt(($subitem['price']$tidak_wajar)*($subitem['price']-$tidak_wajar)); //echo $noWajar." : ".$noTidakWajar."
"; if($noWajar<=$noTidakWajar+(($noWajar*10)/100)){ $new_wajar=$new_wajar+$subitem['price']; $jumlahWajar++; }else if($noWajar>$noTidakWajar){ $new_tidak_wajar=$new_tidak_wajar+$subitem['price']; $jumlahTidakWajar++; }} if($jumlahWajar>0){ $new_wajar=$new_wajar/$jumlahWajar; } if($jumlahTidakWajar>0){ $new_tidak_wajar=$new_tidak_wajar/$jumlahTidakWajar; }

$finalJumlahWajar=$jumlahWajar; $finalJumlahTidakWajar=$jumlahTidakWajar; $jumlahWajar=0; $jumlahTidakWajar=0; //echo "Final= ".$finalJumlahWajar." : ".$finalJumlahTidakWajar." = iterasi ke ".$iterasi."||

";} Koding program 1. Implementasi algoritma Greedy dan K-Mean

4.5.Pengujian aplikasi deteksi penyimpangan Berdasarkan pengujian secara blackbox pada aplikasi, dilakukan 10 skenario, 2 diantaranya tidak valid. Dapat dilihat pada Tabel 1. Tabel 1. Pengujian blackbox No

Skenario T est Case

1

Masuk kan userna me dan passwo rd, klik

2

Masuk an userna me dan pass, benar

3

Masuk an penam bahan kategor i pada anggar an

4

Masuk an Item Accou nt, pada anggar an prodi pada halama n admin

Hasil yang diharapkan Usernam e berisi nama user benar dan password salah, hasil ada informasi kesalahan username dan pass, salah Usernam e berisi username benar dan pass benar, masuk halaman utama Penamba han kategori pada anggaran akademik , apabila berhasil bertamba h jumlah kategori Penamba han item account, anggaran prodi, apabila berhasil bertamba h pada halaman account.

Hasil Pengujian

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 305

Kesim pulan valid

valid

valid

valid

Lukman Hakim, Harvin Seruni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 No

Skenario T est Case

5

Masuk an Item barang, untuk menjad i sub accoun t anggar an

6

Pada halama n kaprodi , dapat melaku kan approv e pada propos al

7

Aplika si menam pilkan status propos al “ wajar atau tidak wajar” Masuk an propos al dengan harga sesuai dengan harga dasar

8

9

Pilih tanggal kegiata n dan batas tgl kegiata n

Hasil yang Hasil diharapkan Pengujian Penamba han item barang, apabila berhasil item barang bertamba h di daftar barang Apabila di approve, proposal dosen, akan bertamba h pada daftar proposal dengan status approve Apabila item barang melebihi 10%, status tidak wajar

Aplikasi melakuka n cek berdasark an harga dasar, apabila sesuai status proposal tidak ada notifikasi pada halaman prodi, dekan, bendahar a, Wakil rektor Aplikasi menampi lkan tgl sesuai yang sudah ditentuka n

Kesim 10 pulan valid

Masuk an propos al diharga dasar

Aplikasi menampi lkan status wajar

T idak valid

5. Kesimpulan Berdasarkan pengembangan dan pengujian pada penelitian ini dapat disimpulkan: Hasil pengujian pada aplikasi deteksi korupsi valid 1. dapat melakukan notifikasi pada biaya atau harga barang yang melampau harga dasar berdasarkan ketentuan universitas. 2. Aplikasi masih mengalami beberapa kendala 20% berdasarkan 10 pengujian tingkat errornya, dan 80% berhasil sesuai dengan harapan. 3. Penerapan algoritma greedy dan K-Mean untuk mendeteksi penyimpangan keuangan yang melebihi kewajaran berhasil diterapkan dengan melakukan simulasi menunjukkan aplikasi dapat valid menampilkan informasi status ”wajar dan tidak wajar” setiap laporan dan proposal. Daftar Rujukan [1] Nurul Julaikah, 2012, Hasil audit BPK terkait penyelewengan

valid

anggaran 16 PTN, berita merdeka.com diakses tgl 13 Oktober 2017. [2] Amiruddin, 2012, Analisis pola pemberantasan korupsi dalam pengadaan barang/jasa pemerintah, Jurnal Kriminologi Indonesia vol.8 no.1 Mei 2012 hal:026-037. Mataram, Nusa T enggara Barat. [3] Astuti Chandar Ayu, Chariri, 2015, Penentuan Kerugian keuangan negera yang dilakukan oleh BPK dalam tindak Pidana Korupsi, Diponegoro Journal of Accounting Vol. 4 No.3 Universitas Diponegoro, Semarang, ISSN :2337-3806. [4] Hayati, E. N. dan Yohanes A. 2014. Pencarian Rute Terpendek Menggunakan Algoritma Greedy. Seminar Nasional IENACO2014. Hal. 393-394. [5] Eko Safitri UH, Wijanarko, 2011, Simulasi dan Visualisasi Algoritma Greedy pemilihan koin dalam bentuk game, Jurnal Universitas Dian Nuswantoro, Vol.11 No.3 September, Semarang. [6] Asroni, Ronald Adrian, 2015, Penerapan metode K-means untuk clustering mahasiswa berdasarkan nilai akademik dengan Weka Interface studi kasus pada jurusan T eknik Informatika UMM Magelang, Jurnal Ilmiah Semesta T eknika Vol 18 No. 1, Hal 76-82, Mei, Magelang

T idak valid

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 308– 313 306

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 307 – 314

ISSN : 2580-0760 (media online)

Optimasi Parameter Pemulusan Algoritma Brown Menggunakan Metode Golden Section Untuk Prediksi Data Tren Positif dan Negatif a

Fiqih Akbaria, Arief Setyanto b , Ferry Wahyu Wibowo c

Magister T eknik Informatika, Universitas AMIKOM Yogyakarta, [email protected] b Magister T eknik Informatika, Universitas AMIKOM Yogyakarta, [email protected] c Magister T eknik Informatika, Universitas AMIKOM Yogyakarta, [email protected]

Abstract Algorithm DES (Double Exponential Smoothing) Brown is a forecasting algorithm used to predict time series data both patterned positive trends and negative trends. However, this algorithm has a weakness in determining the optimum parameter value to minimize forecasting error (MAPE), the parameter value is searched using Golden Section method previously searched manually using repeated experiment. This research uses 60 trend patterned data analyzed for grouping positive and negative trend pattern data which further done forecasting process, evaluation and testing to know what type of data pattern is best. Based on the result, it revealed that optimization parameter yields optimum MAPE value, where parameter value is done forecasting process in positive and negative trend pattern data group yielding average MAPE value equal to 9,73401% (highly accurate) for patterned data positive trend and 15,78467% (good forecast) for negative patterned pattern data. DES Brown forecasting algorithm with parameter optimization method resulted in the approximate value of the original data if the data shows the addition or decrease in value around the average value. Conversely, it will result in a high MAPE value (inaccurate) if the data has a spike in data value periods. From the two groups of MAPE scores, a statistical t test showed that positive trend patterned data (μ1) yielded better MAPE average value than negative trend patterned data (μ2). Keywords: Parameter Optimization, DES Brown, Data Trends, Golden Section, T Test

Abstrak Algoritma DES (Double Exponential Smoothing) Brown merupakan algoritma peramalan yang digunakan untuk memprediksi data deret berkala baik berpola tren positif maupun tren negatif. Namun algoritma ini mempunyai kelemahan yaitu dalam menentukan nilai parameter optimum untuk meminimasi error peramalan (M APE), nilai parameter tersebut dicari menggunakan metode Golden Section dimana sebelumnya dicari secara manual menggunakan percobaan berulang kali.

Penelitian ini menggunakan 60 data berpola tren yang dianalisis untuk pengelompokan pola data tren positif dan negatif dimana selanjutnya dilakukan proses peramalan, evaluasi dan pengujian untuk mengetahui jenis pola data tren apa yang terbaik. Dari hasil perhitungan dan pengujian diketahui bahwa parameter optimasi menghasilkan nilai M APE yang optimum, dimana selanjutnya nilai parameter tersebut dilakukan proses peramalan pada kelompok pola data tren positif dan negatif yang menghasilkan rata-rata nilai M APE sebesar 9,73401% (highly accurate) untuk data berpola tren positif dan 15,78467% (good forecast) untuk data berpola tren negatif. Algoritma peramalan DES Brown dengan metode optimasi parameter menghasilkan nilai pendekatan terhadap data asli jika data tersebut menunjukkan penambahan atau penurunan nilai disekitar nilai rata-rata. Sebaliknya, akan menghasilkan nilai M APE yang tinggi (tidak akurat) jika data tersebut memiliki lonjakan periode nilai data. Dari kedua kelompok nilai M APE tersebut dilakukan uji t statistik yang menyatakan bahwa data berpola tren positif (𝜇1) menghasilkan nilai rata-rata M APE lebih baik dibandingkan data berpola tren negatif (𝜇2). Kata Kunci: Optimasi Parameter, DES Brown, Data Tren, Golden Section, T Test © 2018 Jurnal RESTI

1. Pendahuluan Terdapat berbagai macam pola data runtun waktu yang dapat digunakan untuk peramalan, salah satunya adalah pola data tren. Algoritma DES Brown merupakan salah satu dari algoritma DES (Double Exponential Smoothing) yang digunakan dalam peramalan untuk

data berpola tersebut, baik itu berpola tren positif maupun berpola tren negatif [1]. Namun masalah yang muncul pada algoritma ini adalah dalam menentukan nilai parameter optimum untuk memberikan ukuran kesalahan peramalan terkecil. Biasanya untuk mendapatkan parameter optimum dicari menggunakan metode coba dan salah (trial and error)

Diterima Redaksi : 27-02-2018 | Selesai Revisi : 22-03-2018 | Diterbitkan Online : 16-04-2018 307

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 membutuhkan waktu yang cukup banyak [2] dan penelitian yang ada hanya menerapkan peramalan pada salah satu pola data tersebut. Beda halnya pada penelitian ini, parameter algoritma DES Brown tersebut dioptimasi untuk dicari nilai optimumnya menggunakan algoritma non linear programming [3] yaitu metode golden section yang diimplementasikan pada kedua pola data tren tersebut.

peramalan pada masing-masing kelompok untuk dievaluasi dan diuji dalam menentukan pola data tren mana yang terbaik berdasarkan nilai uji T statistik dari kedua kelompok nilai MAPE yang dihasilkan. 2.2 Peramalan DES Brown Peramalan adalah suatu prediksi dari kejadian atau beberapa kejadian di masa depan [5] dalam pengertian lain yaitu suatu prediksi untuk mencapai kejadian yang akan datang secara sistematis menggunakan data di masa lalu [6]. Ada 2 kategori model peramalan yang diperlukan dalam membuat suatu keputusan yaitu model kualitatif (opinion and judgmental methods) dan model kuantitatif (time series)[7]. Algoritma peramalan DES Brown merupakan peramalan data yang berpola tren dengan menggunakan persamaan sebagai berikut : [8]

Data yang digunakan adalah 60 data berpola tren yang diperoleh dari Badan Pusat Statistik (BPS) dan Kementrian ESDM dimana data tersebut dianalisis menggunakan least square method untuk pengelompokan pola data tren positif dan pola data tren negatif [4]. Hasil peramalan dari kedua kelompok pola tersebut akan dievaluasi dan diuji menggunakan uji t statistik untuk membandingkan apakah rata-rata nilai MAPE (mean absolute percentage error) memiliki ′ perbedaan atau tidak dalam menentukan pola data tren 𝑆𝑡′ = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆𝑡−1 ′′ terbaik. 𝑆𝑡′′ = 𝛼𝑆𝑡′′ + (1 − 𝛼)𝑆𝑡−1 ′ ′′ 𝑎𝑡 = 2𝑆𝑡 − 𝑆𝑡 2. Tinjauan Pustaka 𝛼 𝑏𝑡 = (𝑆𝑡′ − 𝑆𝑡′′ ) 1−𝛼 Adapun tinjauan pustaka yang digunakan pada 𝐹𝑡 +𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚 penelitian ini adalah sebagai berikut: 2.1 State of The Art Sebelumnya, peneliti telah mempelajari dari banyak penelitian rujukan penerapan algoritma DES (double exponential smoothing) salah satunya dari jurnal penelitian (Julnita Bidangan, Ika Purnamasari dan Memi Nor Hayati, 2016) dimana pada penelitian tersebut penentuan nilai parameter DES Brown terbaik dihitung dengan cara trial and error dari 0,1 hingga 0,9, kemudian nilai parameter 0,2 mendapat nilai MAPE terkecil dihitung kembali dari 0,21 hingga 0,29. Tujuan dari penelitian ini adalah untuk meramalkan jumlah air bersih 3 bulan kedepan agar bisa diantisipas i. Dari penelitian rujukan tersebut peneliti dapat melihat bahwa dalam menentukan parameter dilakukan secara manual dengan pengujian nilai parameter berkali-kali untuk mendapatkan hasil nilai MAPE terbaik. Berbeda dengan penelitian yang akan dikembangkan pada karya ilmiah ini, nilai parameter dicari menggunakan metode Golden Section sehingga nilai parameter optimum lebih mudah didapatkan dan lebih efektif untuk menghasilkan nilai MAPE terbaik. Merujuk pada penelitian yang sudah dilakukan oleh (Nurrahim Dwi Saputra, Abdul Aziz dan Bambang Harjito, 2016) yang meneliti tentang optimasi parameter pada algoritma DES Brown dan Holt menggunakan metode Golden Section. Data objek yang digunakan adalah harga minyak mentah Indonesia, penelitian tersebut bertujuan melakukan optimasi sekaligus pemilihan model terbaik untuk prediksi periode kedepan. Berbeda halnya dengan penelitian yang akan peneliti lakukan, data objek tidak hanya satu melainkan 60 data berpola tren. Setiap data dilakukan analisis untuk pengelompokan pola data yang kemudian dilakukan

(1) (2) (3) (4) (5)

Dengan 𝑋𝑡 = data aktual pada periode 𝑡, 𝛼 = parameter pemulusan, 𝑆𝑡′ = pemulusan eksponensial tunggal pada periode 𝑡, 𝑆𝑡′′ = pemulusan eksponensial ganda pada periode 𝑡, 𝑎𝑡 𝑑𝑎𝑛 𝑏𝑡 = pemulusan trend pada periode 𝑡, 𝐹𝑡 +𝑚 = peramalan untuk periode ke depan dari 𝑡, 𝑡 = periode ke – dan 𝑚 = periode jumlah ramalan ke depan. 2.3 Metode Golden Section Metode Golden Section adalah metode yang digunakan untuk menyelesaikan masalah non linear programming satu variabel yang berbentuk maksimasi atau minimasi : 𝑓(x) dengan kendala nilai a ≤ α ≤ d [2]. Metode golden section ini pada dasarnya mengurangi daerah batas (α) yang mungkin menghasilkan nilai fungsi objektif optimum secara iteratif. Misalkan pada suatu tahap iterasi nilai fungsi optimum mungkin terletak pada interval α [ a, d] . Selanjutnya menentukan dua nilai 𝛼 yang simetris dalam interval tersebut yaitu b dan c, dan interval kemungkinan fungsi bernilai optimum dikurangi dari [a, d] menjadi [a, c] atau [b, d] tergantung dari nilai fungsi di 𝛼 = b dan di α = c. Untuk fungsi unimodal yaitu fungsi dengan satu nilai minimum, apabila nilai 𝑓 (b) < 𝑓 (c) maka interval dapat dikurangi menjadi [a,c]. Sedangkan apabila nilai 𝑓(b) > 𝑓(c) interval dapat dikurangi menjadi [b,d]. Langkah iterasi diulangi sampai interval 𝛼 sangat kecil tergantung dari nilai yang dikehendaki, dan dapat diambil bahwa 𝛼 minimum terletak pada interval akhir tersebut.[9] Untuk mendapatkan nilai b dan c dapat menggunakan persamaan berikut : [10] b = 𝑟a + (1 − r) d (6) c =a +d−b (7) dengan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 308

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 𝑟 = (−1 + √5)/2

(8)

Jika 𝑓 (b) < 𝑓 (c) maka menggunakan persamaan : (9) d=c c=b b = 𝑟a + (1 − r) d Jika 𝑓 (b) > 𝑓(c) maka menggunakan persamaan : (10) a=b b=c c =a +d−b 2.4 Ukuran Akurasi Peramalan Akurasi dari suatu peramalan adalah sangat penting. Peramalan yang dihasilkan tidak pernah 100% tepat, hasilnya selalu lebih tinggi atau lebih rendah dari nilai sebenarnya. Dalam banyak situasi peramalan, ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan [8]. Menurut Makridakis et al (1988) salah satu indikator yang dapat digunakan untuk menghitung kesalahan dalam peramalan adalah nilai MAPE (Mean Absolute Percentage Error) atau dapat juga disebut nilai rata-rata kesalahan persentase absolut, yang dapat dihitung menggunakan persamaan berikut : 𝐸𝑡 𝑃𝐸𝑡

= 𝑋𝑡 − 𝐹𝑡 𝐸 = ( 𝑡 ) 100

hipotesis one tailed (satu sisi) dan two tailed (dua sisi) dalam perumusan hipotesisnya. [13]. Adapun perumusan hipotesisnya sebagai berikut, lihat Tabel 2. T abel 2. One tailed dan two tailed One tailed sisi kiri

One tailed sisi kanan

T wo T ailed (dua sisi)

𝐻0 : 𝜇1 ≥ 𝜇2, 𝐻1: 𝜇1 < 𝜇2 T olak 𝐻0 bila 𝑡𝑠𝑡𝑎𝑡 < 𝑡𝑐𝑟𝑖𝑡

𝐻0 : 𝜇1 ≤ 𝜇2, 𝐻1 : 𝜇1 > 𝜇2 T olak 𝐻0 bila 𝑡𝑠𝑡𝑎𝑡 > 𝑡𝑐𝑟𝑖𝑡

𝐻0 : 𝜇1 = 𝜇2, 𝐻1 : 𝜇1 ≠ 𝜇2 T olak 𝐻0 bila 𝑡𝑠𝑡𝑎𝑡 > 𝑡𝑐𝑟𝑖𝑡

Rumus yang digunakan untuk uji t berpasangan (paired) adalah : [14] 𝑡𝑠𝑡𝑎𝑡

𝐴𝑃𝐸𝑡 = 𝑎𝑏𝑠(𝑃𝐸𝑡 ) 𝑗𝑙ℎ𝐴𝑃𝐸 = 𝑆𝑈𝑀(𝐴𝑃𝐸𝑡 ) 𝑀𝐴𝑃𝐸 = 𝑗𝑙ℎ𝐴𝑃𝐸 /𝑗𝑙ℎ(𝑡)

dengan rumus mencari nilai SD (standar deviasi) yaitu: 𝑆𝐷 = √

Σ𝐷 2

𝑛 𝑑𝑓 = 𝑛 − 1

−(

Σ𝐷 𝑛

2

)

(17) (18)

(12) Dengan 𝑡𝑠𝑡𝑎𝑡 = T statistik, 𝑛 = banyaknya data, 𝐷 = deviasi, 𝑆𝐷 = standar deviasi, 𝑑𝑓 = degree of freedom. (13) Untuk mendapatkan nilat 𝑡𝑐𝑟𝑖𝑡 adalah pembacaan nilai t (14) tabel distribusi dari nilai 𝑑𝑓 (derajat kebebasan) dan (15) nilai signifikansi alpha (𝛼).

Dengan 𝐸𝑡 = kesalahan prediksi untuk pada periode t, 𝑋𝑡 = nilai data aktual periode t, 𝐹𝑡 = nilai ramalan periode t, 𝑃𝐸𝑡 = persentase kesalahan, 𝐴𝑃𝐸𝑡 = persentase kesalahan absolut, 𝑗𝑙ℎ𝐴𝑃𝐸 = jumlah persentase kesalahan absolut, 𝑗𝑙ℎ (𝑡) = jumlah periode ramalan dan 𝑀𝐴𝑃𝐸 = persentase nilai rata-rata kesalahan absolut.

Kemudian selanjutnya rumus yang digunakan untuk uji t tidak berpasangan (unpaired/independent) adalah: [15] Jika equal variance :

T abel 1. Skala dari Penilaian Akurasi Peramalan MAPE Kurang dari 10%

Penilaian Dari Akurasi Peramalan Berakurasi tinggi (Highly Accurate)

11% sampai 20% 21% sampai 50%

Peramalan yang baik (Good Forecast) Peramalan dengan alasan (Reasonable Forecast) Peramalan tidak akurat (Inaccurate Forecast)

(𝑋̅ − 𝑌̅ )

𝑡=

(19) 𝑆2 𝑆2 √( 𝑥 + 𝑦 ) 𝑛1 𝑛2

Skala untuk menilai akurasi peramalan yang berdasarkan nilai MAPE dikembangkan oleh Lewis (1982) yang tercantum pada Tabel 1 [11]

2.5 Uji T Statistik

(16)

(11)

𝑋𝑡

Lebih dari 50%

Σ𝐷 ) 𝑛 = 𝑆𝐷 ( ) √𝑛 − 1 (

𝑆𝑝2 =

( 𝑛1 − 1) 𝑆𝑥2 + (𝑛2 − 1)𝑆𝑦2

(20) (20)

𝑛1 + 𝑛2 − 2

𝑑𝑓 = 𝑛1 + 𝑛2 − 2

(21)

Jika unequal variance : 𝑡=

(𝑋̅ − 𝑌̅ ) 𝑆2 𝑆2 √( 𝑥 + 𝑦 ) 𝑛1 𝑛2

2 Uji t adalah salah satu uji statistik yang digunakan untuk 𝑆𝑥2 𝑆𝑦 2 ( + ) mengetahui ada tidaknya perbedaan yang signifikan 𝑛1 𝑛2 (menyakinkan) dari dua buah mean sampel dari dua 𝑑𝑓 = 𝑆 2 𝑆𝑦2 ( 𝑥 )2 ( )2 variabel yang dikomparatifkan [12]. Uji t terbagi 𝑛1 𝑛 + 2 menjadi dua yaitu berpasangan (paired) dan tidak 𝑛1 − 1 𝑛2 − 1 berpasangan (unpaired/independent) dimana terdapat

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 309

(22)

(23)

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 Dengan rumus mencari nilai varian sebagai berikut :

3.1 Pengumpulan Data

Penelitian ini menggunakan 60 data berpola tren yang (24) diperoleh dari situs resmi Badan Pusat Statistik (BPS) 𝑛−1 Indonesia dan Kementrian ESDM Indonesia [16][17]. Data ini dalam bentuk data numerik yaitu deret berkala 2 ∑ (𝑌 − 𝑌̅ ) (25) periode bulanan selama beberapa tahun mencakup pola 𝑆𝑦2 = 𝑛−1 data tren yang kemudian pada tahap selanjutnya akan dianalisa. Untuk mengetahui apakah kelompok data tersebut equal 3.2 Analisis Data atau unequal dapat diuji menggunakan rumus 𝐹𝑠𝑡𝑎𝑡 : 𝑆𝑥2 =

∑ (𝑋 − 𝑋̅ )2

Analisis data dilakukan untuk pengelompokan hasil 𝐹𝑠𝑡𝑎𝑡 = = (26) pengumpulan data yang berpola tren, data mana yang 𝐿𝑂𝑊 𝑆 2 𝑉𝑎𝑟𝑖𝑎𝑛 𝑡𝑒𝑟𝑘𝑒𝑐𝑖𝑙 mempunyai pola tren positif dan data mana saja yang mempunyai pola tren negatif. Analisa data Jika 𝐹𝑠𝑡𝑎𝑡 > 𝐹𝑐𝑟𝑖𝑡 maka variance unequal, nilai 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎𝑙 menggunakan metode least square method dengan didapat dari tabel F distribution yang sesuai dengan nilai perhitungan yang hasil akhirnya memenuhi persamaan signifikansi (𝛼) yang digunakan. Dimana 𝑋̅ = rata-rata 𝑌 = 𝑎 + 𝑏𝑋 untuk pola tren positif dan 𝑌 = 𝑎 − 𝑏𝑋 kelompok 1, 𝑌̅ = rata-rata kelompok 2, 𝑆𝑥2 = varian untuk pola tren negatif dengan 𝑎 = ∑ 𝑌 dan 𝑏 = ∑ 𝑋𝑌 ∑ 𝑋2 𝑛 kelompok 1, 𝑆𝑦2 = Varian kelompok 2, 𝑆𝑝2 = pooled [4]. variance, 𝑛 = banyaknya data, 𝑑𝑓= degree of freedom. 𝐻𝐼𝐺𝐻 𝑆 2

𝑉𝑎𝑟𝑖𝑎𝑛 𝑡𝑒𝑟𝑏𝑒𝑠𝑎𝑟

3. Metodologi Penelitian

3.3 Implementasi Algoritma

Langkah yang dilakukan dalam penelitian, disajikan Pada tahap ini algoritma peramalan DES Brown pada Gambar 1. diimplementasikan menggunakan parameter manual yaitu melakukan percobaan nilai parameter dari 0 hingga Menemukan Permasalahan 1 dan menggunakan parameter optimasi dengan metode Identifikasi Masalah golden section. Hal ini bertujuan untuk mengukur Tujuan Penelitian seberapa baik optimasi yang dilakukan, apakah hasil akurasi peramalan berbeda jauh secara signifikan atau Pengumpulan Literatur tidak. Implementasi ini dilakukan terhadap kedua kelompok pola data. Pengumpulan Data Studi Literatur Buku

Karya Ilmiah

Rekap Laporan Softfile Data Data Numerik Periode Bulanan

Jurnal

Analisa Data Uji Analisis Tren

Pengelompokan Pola Data Tren

Implementasi Algoritma

DES Brown Menggunakan Parameter Manual DES Brown Menggunakan Parameter Optimasi dengan Metode Golden Section

Pengujian dan Evaluasi Uji T Statistik Nilai MAPE untuk Parameter Manual dan Parameter Optimasi Evaluasi Data Berpola Tren Positif Terhadap Nilai MAPE

Evaluasi Data Berpola Tren Negatif Terhadap Nilai MAPE

Penentuan Pola Data Tren Terbaik

Laporan Hasil Penelitian

Gambar 1. Metodologi Penelitian

3.4 Pengujian dan Evaluasi Pada tahap ini hasil dari penerapan algoritma DES Brown menggunakan parameter manual dan parameter optimasi akan diuji menggunakan uji T statistik, nilai MAPE yang dihasilkan dari kedua kelompok parameter tersebut yaitu parameter manual (sebelum dioptimasi) dan sesudah dioptimasi diuji T statistik apakah nilainya berbeda secara signifikan atau tidak ada perbedaan dari keduanya. Setelah diketahui parameter yang optimum, kemudian parameter tersebut diaplikasikan pada kelompok data berpola data tren positif dan berpola tren negatif, yang dimana hasil tersebut diuji lagi menggunakan uji t statistik dalam penentuan pola data tren terbaik. 4. Hasil dan Pembahasan Hasil penelitian yang dilakukan, disajikan berikut ini: 4.1 Hasil Pengumpulan Data Data yang didapat yaitu 60 data berpola tren, yaitu data jumlah kunjungan wisatawan mancanegara menurut pelabuhan masuk sebanyak 10 data dengan 113 periode, jumlah penumpang dan jumlah barang melalui transportasi kereta sebanyak 7 data dengan 137 periode, jumlah penumpang pesawat di bandara utama

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 310

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314

4.2 Hasil Analisa Data Dari analisis 60 data berpola tren menggunakan perhitungan metode least square method didapatkan persamaan tren bepola positif sebanyak 30 data dan berpola negatif sebanyak 30 data. 4.3 Hasil Implementasi Algoritma

Gambar 2 dan Gambar 3 adalah plot grafik hasil nilai MAPE yang didapatkan menggunakan parameter manual dari beberapa data tren yang berpola tren positif dan berpola tren negatif. 40

Nilai MAPE

keberangkatan pada internasional dan domestik sebanyak 9 data dengan 137 periode, jumlah barang yang dimuat dan dibongkar di bandara utama penerbangan internasional dan domestik sebanyak 13 data dengan 117 periode, jumlah indeks unit value ekspor bulanan sebanyak 20 data dengan 43 periode dan data rata-rata harga minyak mentah Indonesia sebanyak 1 data dengan 65 periode.

Data 6

Data 45

Data 60

30

20 10

0 0

0.2

0.4

0.6

0.8

1

Nilai Parameter Gambar 3. Grafik Plot Nilai MAPE terhadap nilai parameter untuk beberapa data yang berpola tren negatif.

Implementasi algoritma peramalan Brown dilakukan pada nilai parameter manual dan nilai parameter dengan optimasi menggunakan metode golden section yang bertujuan untuk melihat apakah hasil akurasi peramalan berbeda jauh secara signifikan atau tidak. Peramalan ini menggunakan 30 data berpola tren positif dan 30 data berpola tren negatif.

Perhitungan nilai MAPE menggunakan parameter manual untuk data berpola tren positif diketahui bahwa sebagian besar nilai parameter yang kecil menghasilkan nilai galat peramalan terkecil, selain itu dengan menggunakan parameter manual yang dihitung dari α = 0,1 sampai dengan α = 0,9 memerlukan banyak waktu dan percobaan berulang kali dalam menemukan nilai 4.3.1. Peramalan Menggunakan Parameter Manual parameter yang optimum untuk mencari nilai MAPE Yang dimaksud dengan parameter manual disini adalah minimum. mengeset nilai parameter dengan mencoba peramalan menggunakan nilai parameter dari 0,1 sampai 0,9 untuk Hasil nilai MAPE yang diperoleh dari data berpola tren mendapatkan nilai MAPE optimum. Berikut negatif diketahui bahwa tidak semua parameter dengan langkahnya: nilai kecil akan menghasilkan nilai MAPE yang kecil pula. 1. Mengeset nilai parameter alpha (𝛼 = 0 – 1). 2. 3.

4. 5. 6.

Menginisialisasi nilai pemulusan pertama (𝑆 ′ ) dan pemulusan kedua (𝑆 ′′ ). Menghitung nilai 𝑆 ′ , 𝑆 ′′ , 𝑎, dan 𝑏 pada satu periode berikutnya menggunakan persamaan (1) sampai dengan persamaan (4). Menghitung nilai ramalan satu periode berikutnya (𝑚 = 1) menggunakan persamaan (5). Mengulang langkah 3 sampai 4 untuk seluruh data periode. Menghitung nilai MAPE dari data periode susunan pengujian dengan rasio 40:60 menggunakan persamaan (11) hingga (15). [8]

Nilai MAPE

30

Data 2

Data 20

Data 33

20

4.3.2. Peramalan Menggunakan Parameter Optimasi Langkah perhitungannya sebagai berikut : 1. Mengeset nilai toleransi 𝜀 = 0,00001 , 𝑎 = 0 dan 𝑑 = 1. 2. Menghitung nilai 𝑏 dan 𝑐 menggunakan persamaan (6) dan (7). 3. Menghitung nilai fungsi 𝑓 (𝑏) dan 𝑓(𝑐), nilai 𝑏 dan 𝑐 ini adalah nilai parameter α yang dicari menggunakan langkah perhitungan MAPE. 4. Menghitung nilai 𝑑 − 𝑎 sampai memenuhi nilai toleransi yang ditentukan, jika iterasi maksimum, iterasi selesai, maka nilai α = b = c (konvergen). 5. Membandingkan nilai 𝑓(𝑏) dan 𝑓(𝑐), menggunakan persamaan (9) dan (10). Hasil peritungan optimasi dengan nilai parameter yang optimum dapat dilihat pada Tabel 3 untuk optimasi data 1 (tren positif).

10 0

Berdasarkan Tabel 3 nilai hasil optimasi parameter diatas pada data 1 yang telah dilakukan, nilai parameter Nilai Parameter yg optimum menggunakan metode golden section terletak pada nilai 𝑏 dan 𝑐 yang konvergen dengan nilai Gambar 2. Grafik Plot Nilai MAPE terhadap nilai parameter untuk 𝑑 − 𝑎 = nilai toleransi (𝜀 = 0,00001 ) yang telah 0

0.2

0.4

0.6

0.8

1

beberapa data yang berpola tren positif.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 311

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 ditetapkan. Sehingga hasil akhir terletak pada iterasi ke 4.4.1. Uji T Statistik Nilai MAPE Untuk Parameter 26 dengan nilai parameter optimum adalah α = 0,14462 Manual dan Parameter Optimasi. dan nilai MAPE optimum sebesar 7,38916%. Perhitungan uji t statistik dilakukan menggunakan rumus untuk uji t berpasangan (paired) (16) dan rumus T abel 3. Proses Perhitungan Mencari Parameter Optimum standar deviasi (17). Untuk perhitungan kelompok data Iterasi b c f(b) f(c) 𝑑 −𝑎 berpola tren positif didapat nilai 𝑡𝑠𝑡𝑎𝑡 sebesar 3,37547 . 1 0.38197 0.61803 1.00000 8.11612 9.17275 Dengan nilai degree of freedom yaitu 𝑛 − 1 = 29, dan 2 0.23607 0.38197 0.61803 7.44240 8.11612 nilai tingkat signifikansi alpha (𝛼) sebesar = 0.05, ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 24 0.14462 0.14462 0.00002 7.38916 7.38916 sehingga didapatkan nilai 𝑡𝑐𝑟𝑖𝑡 one tailed sebesar 25 0.14462 0.14463 0.00001 7.38916 7.38916 1.69913 dari t tabel statistik, sehingga: 26 27 28

0.14462 0.14462 0.14462

0.14462 0.14462 0.14462

0.00001 0.00000 0.00000

7.38916 7.38916 7.38916

7.38916 7.38916 7.38916

𝑡𝑠𝑡𝑎𝑡 > 𝑡𝑐𝑟𝑖𝑡 = 3.37547 > 1.69913

Maka hipotesis awal (𝐻0 : 𝜇1 ≤ 𝜇2) ditolak (reject) dan Berikut hasil optimasi yang dilakukan pada data berpola hipotesis alternatif (𝐻1 : 𝜇1 > 𝜇2) diterima (accept) tren positif menggunakan parameter optimasi, disajikan yang menyatakan kelompok parameter manual menghasilkan rata-rata nilai MAPE lebih besar dari pada Tabel 4. parameter optimasi. T abel 4. Hasil Optimasi Parameter Pada Data Berpola T ren Sedangkan untuk perhitungan kelompok data berpola Positif Data 1 2 3 4 5 11 12 13 14 15 16 17 18 19 20

α 0,144 0,092 0,101 0,030 0,163 0,126 0,354 0,151 0,327 0,185 0,189 0,197 0,105 0,032 0,060

MAPE 7,389 8,422 15,435 10,459 10,272 12,663 6,161 5,995 4,400 7,398 4,112 9,207 7,108 7,708 10,264

Data 21 22 23 24 25 26 27 28 29 30 31 32 33 34 36

α 0,127 0,113 0,089 0,158 0,134 0,108 0,110 0,102 0,134 0,332 0,058 0,341 0,202 0,215 0,162

MAPE 7,828 6,572 6,389 7,890 7,227 7,301 14,226 7,742 9,408 21,494 11,270 20,648 15,876 12,572 8,568

tren negatif didapat nilai 𝑡𝑠𝑡𝑎𝑡 sebesar 3,37696. Dengan nilai degree of freedom = 𝑛 − 1 = 29, dan nilai tingkat signifikansi alpha (𝛼) sebesar = 0.05, sehingga didapatkan nilai 𝑡𝑐𝑟𝑖𝑡 one tailed sebesar 1.69913 dari t tabel statistik, sehingga : 𝑡𝑠𝑡𝑎𝑡 > 𝑡𝑐𝑟𝑖𝑡 = 3.37696 > 1.69913 Maka hipotesis awal (𝐻0 : 𝜇1 ≤ 𝜇2) ditolak (reject) dan hipotesis alternatif (𝐻1 : 𝜇1 > 𝜇2) diterima (accept) yang menyatakan kelompok parameter manual menghasilkan rata-rata nilai MAPE lebih besar dari parameter optimasi. Dari kedua perhitungan uji t statistik maka dapat dikatakan bahwa parameter optimasi lebih baik dalam menghasilkan nilai MAPE yang optimum.

Untuk hasil optimasi yang dilakukan pada data berpola 4.4.2. Evaluasi Data Berpola Tren Positif dan Negatif tren negatif menggunakan parameter optimasi, disajikan Terhadap Nilai MAPE pada Tabel 5. Didapat hasil peramalan menggunakan parameter T abel 5. Hasil Optimasi Parameter Pada Data Berpola T ren optimasi pada salah satu data berpola tren positif dan tren negatif yaitu pada Gambar 4 dan Gambar 5. (plot Negatif grafik) α 0,067 0,063 0,322 0,217 0,441 0,225 0,128 0,108 0,220 0,291 0,129 0,334 0,398 0,114 0,411

MAPE 14,606 11,194 32,497 25,936 13,471 15,810 13,288 9,899 18,133 26,493 13,511 39,492 8,369 21,049 8,018

Data 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

α 0,192 0,396 0,270 0,164 0,180 0,108 0,082 0,127 0,093 0,184 0,126 0,070 0,137 0,048 0,890

MAPE 12,002 23,290 4,231 2,124 6,061 7,139 25,218 17,399 10,639 28,803 5,879 9,921 6,495 35,448 7,110

4.4 Pengujian dan Evaluasi

35000 30000 25000 20000 15000 10000 5000 0

Data Real

Data Ramalan

1 11 21 31 41 51 61 71 81 91 101 111 121 131

Data 6 7 8 9 10 35 37 38 39 40 41 42 43 44 45

Periode Gambar 4. Plot Perbandingan Data Aktual dengan Data Ramalan pada Data 16

Hasil pengujian dan evaluasi yang dilakukan yaitu sebagai berikut:

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 312

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 3500 3000 2500 2000 1500 1000 500 0

Data Real

Data Ramalan

5.1. Kesimpulan

1 9 17 25 33 41 49 57 65 73 81 89 97 105 113

1. Penggunaan parameter manual memberikan tingkat nilai rata-rata kesalahan peramalan yang tidak tentu bergantung kepada pemilihan interval parameternya dan memerlukan perhitungan yang berulang kali, sementara nilai parameter yang menggunakan metode optimasi golden section menghasilkan nilai error peramalan yang lebih kecil, dengan uji t statistik yang menyatakan bahwa nilai rata-rata error peramalan menggunakan parameter manual (μ1) lebih besar dibanding nilai rata-rata error peramalan Periode menggunakan parameter optimasi (μ2). Gambar 5. Plot Perbandingan Data Aktual dengan Data Ramalan 2. Peramalan algoritma DES Brown menggunakan pada Data 8 metode optimasi parameter menghasilkan nilai pendekatan terhadap data asli dan pencarian nilai Dari plot grafik hasil peramalan tersebut didapat bahwa parameter optimum tidak dilakukan berulang kali Peramalan menggunakan algoritma DES Brown dengan sehingga menjadi lebih efektif. Nilai rata-rata error peramalan akan menghasilkan nilai yang tinggi jika metode optimasi parameter menghasilkan nilai pendekatan terhadap data asli jika data tersebut pada data tersebut memiliki lonjakan periode nilai menunjukkan penambahan atau penurunan nilai di data yang besar (data 8). sekitar nilai rata-rata, baik itu data berpola tren positif 3. Data yang berpola tren positif menghasilkan nilai maupun tren negatif. Sebaliknya, akan menghasilkan rata-rata MAPE lebih baik dibandingkan data yang nilai MAPE yang tinggi (tidak akurat) jika pada periode berpola tren negatif, dengan uji t statistik yang menyatakan bahwa H_1: μ1<μ2 yaitu nilai rata-rata nilai data tersebut memiliki lonjakan nilai data. MAPE pola data tren positif (μ1) lebih kecil 4.4.3. Penentuan Pola Data Tren Terbaik dibanding nilai rata-rata MAPE pola data tren negatif (μ2). Dimana nilai rata-rata MAPE yang diperoleh Nilai MAPE optimum dari kedua kelompok data tren sebesar 9,73401% (highly accurate) untuk data positif dan negatif yang telah didapat, diuji kembali berpola tren positif dan 15,78467% (good forecast) menggunakan uji t statistik. Uji t yang digunakan adalah untuk data berpola tren negatif. t test independen/unpaired (tidak berpasangan) dikarenakan data yang diuji menggunakan dari 2 5.2. Saran kelompok (populasi) yang berbeda. Sebelum uji t dilakukan, perlu mengetahui kedua kelompok tersebut 1. Menggunakan algoritma peramalan dua parameter untuk data berpola tren positif dan tren negatif memiliki varian equal atau tidak equal menggunakan rumus (24) hingga (26). Hasil perhitungan didapat dengan modifikasi metode optimasi parameter. bahwa pada kedua kelompok tersebut memiliki variance 2. Menggunakan metode optimasi parameter satu variabel yang lain seperti metode pencarian seragam unequal dengan 𝐹𝑠𝑡𝑎𝑡 > 𝐹𝑐𝑟𝑖𝑡 . (uniform search), kuadratis (quadratic search) dan Selanjutnya menggunakan rumus t test independent turunan pertama (newton raphson) untuk proses unequal dari persamaan (22) dan (23), didapatkan hasil evaluasi parameter dari faktor kecepatan dan 𝑡𝑠𝑡𝑎𝑡 < 𝑡𝑐𝑟𝑖𝑡 = −3.09071 < 1.68488 dengan hipotesis ketepatan dalam peramalan pemulusan eksponensial. awal (𝐻0 : 𝜇1 ≥ 𝜇2) ditolak (reject) dan hipotesis 3. Penelitian selanjutnya diharapkan menggunakan alternatif (𝐻1 : 𝜇1 < 𝜇2) diterima (accept) yang metode pengukuran akurasi peramalan yang lain menyatakan bahwa terdapat perbedaan dari kedua nilai seperti UMBRAE (unscaled mean bounded relative kelompok tersebut dengan nilai rata-rata MAPE pola absolute error) sebagai alternatif perbandingan data tren positif (𝜇1) lebih kecil dibanding nilai rata-rata metode pengukuran yang sudah ada sebelumnya. MAPE pola data tren negatif (𝜇2). Kelompok data berpola tren positif memperoleh rata-rata nilai MAPE Daftar Rujukan optimum sebesar 9,73401% (highly accurate) dan untuk kelompok data berpola tren negatif diperoleh rata-rata [1] Andini, T , D., dan Auristani, P., 2016. Peramalan Jumlah Stok Alat T ulis Kantor di UD ACHMAD JAYA Menggunakan nilai MAPE sebesar 15,78467% (good forecast). Metode Double Exponential Smoothing. Jurnal Ilmiah 5. Kesimpulan Berdasarkan penelitian yang telah dilakukan maka didapat kesimpulan dan saran sebagai berikut:

[2]

Teknologi dan Informasi ASIA (JITIKA),Vol.10, No.1. Mahkya, D. A., H. Yasin, dan Mukid, M, A., 2014. Aplikasi Metode Golden Section untuk Optimasi Parameter PadaMetode Exponential Smoothing. Jurnal Goussian, Vol. 3,No.4,pp.605614.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 313

Fiqih Akbari, Arief Setyanto, Ferry Wahyu Wibowo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307 – 314 [3]

[4] [5] [6] [7] [8] [9] [10]

[11] [12] [13] [14] [15] [16]

[17]

Bidangan, J., Purnamasari, I., dan Hayati, N, M., 2016 . Perbandingan Peramalan Metode Double Exponential Smoothing Satu Parameter Brown dan Meotde Double Exponential Smoothing Dua Parameter Holt. Jurnal Statistika, Vol. 4, No. 1. Subagyo, Pangestu., 1986. Forecasting Konsep dan Aplikasi. Edisi Kedua. Yogyakart a: BPFE. Montgomery, D.C., C.L. Jennings, & M.Kulahci., 2008. Introduction to T ime Series Analysis and Forecasting. New Jersey: John Wiley & Sons.Inc. Kachru, Upendra., 2007. Production and Operations Management: T ext and Cases. First Edition. New Delhi: Exel Books. Kumar, Anil. S, & Suresh. N., 2009. Operations Management. New Delhi: New Age International (P) Limited. Makridakis, S., Wheelwright, S.C., McGee, V.E., Andriyanto, U.S (Penerjemah), & Basith, A (Penerjemah).,1988.Metodedan Aplikasi Peramalan. Edisi Kedua Jilid 1. Jakarta: Erlangga. Bazaraa, M.S. & C.M. Shetty., 1990. Nonlinear Programming : T heory and Algorithms. New York: John Wiley & Sons. Saputra, N, D., Aziz, A., dan Harjito, B., 2016 . Parameter Optimization of Brown’s and Holt’s Double Exponential Smoothing Using Golden Section Method for Predicting Indonesian Crude Oil Price (ICP). Proc. Int. Conf. on Information Tech., Computer, and Electrical Engineering (ICITACEE),pp.356-360. Lewis, C.D., 1982. International and Business Forecasting Methods. London: Butterworths. Hartono., 2008. Statistik Untuk Penelitian. Edisi Revisi. Yogyakarta: Pustaka Pelajar. Sugiyono., 2015. Statistika Untuk Penelitian. Bandung: Alfabeta. Hadi, Sutrisno., 2017. Statistik. Edisi Revisi. Yogyakarta: Pustaka Pelajar. Walpole, R.E., Myers, R.H., Myers, S.L., & Ye Keying., 2007. Probability & Statistics for Engineers & Scientists. Eighth Edition. New Jersey: Pearson Prentice Hall. Kementrian Energi dan Sumber Daya Mineral Republik Indonesia, 2017. Harga Minyak Mentah Indonesia [Online] Available at: http://statistik.migas.esdm.go.id/ index.php?r=hargaMinyakMentahIndonesia/index. [Accessed 16 September 2017] Badan Pusat Statistik Indonesia, 2017. Ekonomi dan Perdagangan [Online] Available at: https://www.bps.go.id/.[Accessed 08 Juni 2017]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 307– 314 314

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315– 321

ISSN : 2580-0760 (media online)

Perancangan Sistem Terintegrasi pada Aplikasi Siklus Akuntansi dengan Evaluasi Technology Acceptance Model (TAM) a

Dwi Ely Kurniawan a, Azis Saputra b , Purwono Prasetyawan c

T eknik Informatika, Politeknik Negeri Batam, [email protected] b T eknik Informatika, Politeknik Negeri Batam, [email protected] c T eknik Elektro, Fakultas T eknik dan Ilmu Komputer, Universitas T eknokrat, [email protected]

Abstract The accounting cycle is used to see the picture of a company's circumstances in decision-making, whether the company gains or loses. The development of information technology at this time developed so rapidly, so the company is required to continue to innovate to improve company performance. Factors that cause information delays, lack of organized information processing and unintegrated data cause the company difficulties in controlling financial flows. This research designs an application of financial accounting cycle using Enterprise Resource Planning (ERP) and Technology Acceptance Model (TAM) approach. ERP is known as an integrated system between business processes with each other while the TAM model to see the factors of user acceptance of business process changes using the application. Based on the results of the design of applications that have been developed with several main criteria obtained the benefit criteria with 75% percentage, convenience criteria with percentage 76.67%, usability criteria with 77.5% percentage, graphic design criteria with percentage 80%, compatibility criterion with percentage 60 % and functionality criteria with a percentage of 72.5%, so it can be concluded that the application is useful, easy to use, but it is easier in controlling and making decisions based on these parameters Keywords: accounting cycle, ERP, TAM

Abstrak Siklus akuntansi digunakan untuk melihat gambaran keadaan suatu perusahaan dalam pengambilan keputusan, apakah perusahaan tersebut memperoleh keuntungan atau mengalami kerugian. Perkembangan teknologi informasi saat ini berkembang begitu pesat, sehingga perusahaan dituntut untuk terus berinovasi untuk meningkatkan performance perusahaan. Faktor yang menyebabkan keterlambatan informasi, kurang terorganisasinya pengolahan informasi dan data tidak terintegrasi menyebabkan perusahaan kesulitan dalam mengendalikan arus keuangan. Penelitian ini merancang suatu aplikasi siklus akuntansi keuangan menggunakan pendekatan Enterprise Resource Planning (ERP) dan Technology Accepteance Model (TAM ). ERP dikenal dengan sistem terintegrasinya antar proses bisnis satu dengan yang lain sedangkan model TAM untuk melihat faktor penerimaaan pengguna terhadap perubahan proses bisnis menggunakan aplikasi. Berdasarkan hasil perancangan aplikasi yang telah dikembangkan dengan beberapa kriteria utama diperoleh kriteria kemanfaatan dengan persentase 75%, kriteria kemudahan dengan persentase 76,67%, kriteria usability dengan persentase 77,5%, kriteria graphic design dengan persentase 80%, kriteria compability dengan persentase 60% dan kriteria functionality dengan persentase 72,5%, sehingga dap at ditarik kesimpulan bahwa aplikasi ini bermanfaat, mudah digunakan, selain itu memudahkan dalam pengendalian dan pengambilan keputusan berdasarkan parameter tersebut. Kata kunci: siklus akuntansi, ERP, TAM © 2018 Jurnal RESTI

1. Pendahuluan Akuntansi merupakan proses pencatatan, penggolongan dan penyajian informasi kegiatan ekonomi ke dalam bentuk laporan keuangan yang menjelaskan kondisi perusahaan kepada pihak-pihak yang membutuhkan laporan, terutama untuk pemilik usaha itu sendiri. Laporan tersebut digunakan dalam mengelola

perusahaan, sebagai pengambilan keputusan dan sarana komunikasi informasi keuangan perusahaan. Perkembangan teknologi saat ini memicu perusahaan untuk menggali potensi yang dimiliki perusahaan untuk dapat lebih meningkatkan performance perusahaan. Bagaimana perusahaan dituntut untuk menemukan strategi, dimulai dengan menentukan tujuan dan arah bisnis dalam jangka panjang. Untuk membangun strategi

Diterima Redaksi : 02-03-2018 | Selesai Revisi : 14-04-2018 | Diterbitkan Online : 16-04-2018 315

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 yang tepat bagi sebuah perusahaan, dibutuhkan data dan informasi keuangan yang mencukupi. Karena itu, peran akuntansi dalam proses bisnis pembangunan strategi perusahaan sangat vital. Sedangkan sistem akuntansi merupakan proses dari ekonomi yang berguna dalam pengambilan keputusan [1]. Hampir dari 80% bisnis tutup atau tidak berkembang karena tidak didukung manajemen administrasi yang baik. Berberapa hasil penelitian masih banyak bidang usaha yang pencatatan akuntansinya masih tradisional, sehingga masalahmasalah yang ditemukan adalah duplikasi penomoran, kesalahan dalam pencatatan, kelalaian dan kurangnya pengendalian internal. Dalam kenyataan sehari-hari masih banyak bidang usaha yang belum menggunakan aplikasi pencatatan keuangan yang terintegrasi dengan baik. Beberapa bidang usaha masih dilakukan secara manual. Seperti pada PT.XYZ yang masih menggunakan manual paper dan perangkat spreadsheet. Kesulitan dalam melakukan pencarian data, mengatasi file yang tiba-tiba error, proses loading cukup lama dan kurang banyak pengetahuan tentang rumus spreadsheet. Selain itu karena data tidak terintegrasi, menyebabkan kesulitan dalam mengendalikan arus keuangan perusahaan [2] [3]. Hal ini tentu akan mengganggu jalannya suatu usaha atau bisnis. Beberapa penelitian sejenis diantaranya pengembangan sistem HRM terintegrasi [4], penerapan ERP pada sistem informasi pembelian, persedian dan penjualan barang [5], penerapan ERP menggunakan modul [6], memberikan kemudahan dalam pengendalian sistem dan pengambilan keputusan untuk keberlanjutan perusahaan. Selain itu analisis dampak penerapan sistem ERP terhadap kinerja pengguna [7], terhadap manajemen produksi [8], dapat berdampak positif terhadap kinerja pengguna, mempermudah dan mempercepat dalam pengelolaan produksi, persediaan dan distribusi barang serta membantu manajemen dalam proses pengambilan keputusan. Penelitian ini akan mencoba menerapkan pendekatan ERP terintegrasi di masing-masing perusahaan cabang pada pengembangan aplikasi siklus akuntansi perushaan XYZ serta menerapkan model TAM dalam mengevaluasi penerimaan pengguna terhadap sistem yang baru yang akan diimplementasikan. 2. Landasan Teori 2.1 Siklus Akuntansi Keuangan Setiap perusahaan pasti memiliki proses bisnis, secara umum proses bisnis itu meliputi proses penjualan, proses kredit, proses penagihan, proses pengeluaran barang dari gudang, proses pengiriman barang, proses update stok, proses piutang dagang, proses pencatatan buku besar. Proses penjualan diawali dari adanya pesanan dari pelanggan yang menyatakan jenis dan kuantitas barang

yang ditujukan kepada departemen penjualan dalam bentuk surat atau telepon langsung oleh pelanggan kepada bagian penjualan dan kemudian akan membuat sales order untuk didistribusikan ke departemen lain yang berkaitan dengan masalah penjualan. Fungsi dari departemen kredit meliputi penyetujuan atau otorisasi atas transaksi yang mencakup verifikasi atas kelayakan kredit dapat diberikan kepada pelanggan. Selain itu, departemen kredit juga berperan dalam menyetujui adanya retur dan potongan penjualan serta adanya penyesuaian atas rekening pelanggan, menilai dan menyetujui neraca saldo umur piutang dalam penentuan sisa kredit dari pelanggan. Salinan dari persetujuan kredit atas penjualan akan dikelola dan disimpan dalam file pesanan pelanggan sampai berakhirnya transaksi. Faktur, memo kredit dan penyesuaian faktur lainnya yang diterima pada saat persetujuan kredit oleh departemen penagihan sebagai tanda terima dari dokumen pengiriman atas pengeluaran barang akan dikelola ke piutang dagang untuk diposting ke rekening pelanggan. Salinan surat penjualan barang yang berasal dari departemen penjualan atas adanya pesanan penjualan yang dikelola kemudian oleh bagian gudang mengisyaratkan untuk mempersiapkan barang yang diinginkan oleh pelanggan sesuai dengan pesanan dan mengeluarkan barang yang dimaksud. Setelah petugas menulis inisial pada salinan surat pengeluaran barang yang mengindikasikan bahwa pesanan sudah lengkap dan benar, satu salinan surat pengeluaran barang akan dikirimkan ke departemen pengiriman dan salinan lainnya akan disimpan di gudang sebagai catatan transaksi. Pengiriman barang akan dilakukan oleh departemen pengiriman setelah departemen pengiriman menerima surat pengiriman barang dari departemen persediaan (bagian gudang). Dokumentasi atas adanya pengiriman barang akan disiapkan oleh departemen pengiriman sebuah bill of lading yaitu pertukaran dokumentasi antara pengirim dan pengangkut. Dalam hal pemutakhiran data persediaan barang dilakukan berdasarkan atas dokumen pengeluaran barang dari departemen pengiriman yang akan dilakukan oleh bagian akuntansi yang akan memperbaharui catatan akun buku besar pembantu persediaan, dan setelah proses pembukuan selesai dilakukan dokumen pengeluaran barang akan disimpan. Bagian yang berperan atas pencatatan piutang dagang oleh pelanggan dilakukan oleh departemen akuntansi bagian piutang dagang dengan cara membukukan salinan buku besar pesanan penjualan ke buku besar pembantu piutang dagang dan setelah proses pembukuan selesai dilakukan staff piutang dagang akan menyimpan salinan buku besar yang akan merangkum setiap saldo akun menjadi satu dan mengirimkannya ke buku besar umum. Pengendalian persediaan dan ikhtisar setiap akun yang berasal dari piutang dagang akan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 316

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 terlaksana pada saat penutupan periode pemrosesan 1) setelah departemen buku besar umum telah menerima voucher journal dari departemen penagihan. 2) 2.2 Enterprise Resource Planning (ERP) Sistem informasi perusahaan saat ini dikenal dengan sistem yang terintegrasi, dimana perusahaan dalam aktifitas bisnisnya mampu mengoperasikan bisnis dan mengelola data secara otamatisasi, sehingga data yang diperoleh benar-benar akurat dan tepat. Apalagi bila data pada perusahaan tersebut terdistribusi dan terintegrasi ke pengguna dengan baik, maka aktifitas bisnis mampu dikendalikan dan menunjang keputusan pada level puncak perusahaan.

Persepsi kemudahan (perceived ease of use) yakni sejauh mana seorang percaya bahwa menggunakan suatu teknologi akan memudahkan pekerjaan. Persepsi kegunaan (perceived usefulness) yakni, sejauh mana seorang percaya bahwa menggunakan suatu teknologi akan meningkatkan kinerjanya.

Gambar 2. Faktor T AM

3. Metodologi Penelitian Metodologi penelitian ini meliputi survei sistem yang sedang berjalan, analisis kebutuhan sistem, perancangan, implementasi dan evaluasi penggunaan Gambar 1 menjelaskan bahwa ERP merupakan perangkat lunak manajemen proses bisnis yang sistem yang baru. Secara detail ilustras i penelitian memungkinkan sebuah organisasi menggunakan sistem digambarkan pada Gambar 3. aplikasi terintegrasi untuk mengelola bisnis dan Mulai mengotomatisasi banyak fungsi front office dan back office yang berkaitan dengan teknologi, layanan dan sumber daya manusia. ERP mengintegrasikan semua Tahap Survei aktivitas bisnis dan proses perusahaan dalam satu sistem Sistem yang berjalan perangkat lunak. Penerapan sistem terintegrasi (ERP) pada aplikasi siklus akuntansi memungkinkan untuk mengotomatiasi data dari serangkaian proses bisnis dari Analisa Kebutuhan Sistem Dokumentasi (Kebutuhan Pengguna, siklus akuntansi yang meliputi; analisis transaksi, Kebutuhan Hardware/Software) pencatatan jurnal, posting ke buku besar, pembuatan neraca saldo, posting jurnal, dan pembuatan laporan keuangan. Gambar 1. Enterprise Resource Planning (ERP)

2.3 Technology Acceptance Model (TAM) TAM menjelaskan perilaku pengguna komputer. Model TAM mengidentifikasi penerimaan pengguna dan memberikan kemungkinan langkah yang tepat. Tujuan utama TAM sesungguhnya adalah untuk memberikan dasar langkah dari dampak suatu faktor eksternal pada kepercayaan internal (internal beliefs), sikap (attitude) dan niat (intention). Faktor-faktor yang mempengaruhi secara kognitif dan afektif pada penerimaan komputer. Gambar 2 menjelaskan bahwa Technology Acceptance Model (TAM) terdiri dua faktor yaitu:

Perancangan Sistem (UML, ERD dan Antarmuka)

Dokumentasi Perancangan

Implementasi Sistem (ERP, Integrasi sistem basisdata terpusat)

Evaluasi Sistem (Model TAM)

Produk Aplikas

Selesai

Gambar 3. Metodologi Penelitian Pengembangan Aplikasi

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 317

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 Tahap survei dilakukan dengan mengamati dan 3) mendapatkan secara rinci sistem yang berjalan saat ini. Tahap analisa kebutuhan sistem dilakukan dengan memberikan kuesioner pengguna, mengamati sarana dan prasarana yang ada untuk menghasilkan dokumen kebutuhan sistem secara keseluruhan. Tahap perancangan sistem membuat use case, skenario, squence diagram, class diagram, ERD dan tampilan antarmuka untuk menghasilkan dokumen perancangan sistem. Tahap implementasi sistem pada basisdata terpusat dengan melakukan pendekatan ERP. Evaluasi sistem memberikan kuesioner umpan balik terhadap sistem yang baru dikembangkan dengan pendekatan 4) model TAM.

Admin melakukan permintaan stok kepada staff gudang, jika stok tersedia maka admin akan membuat surat delivery order dan invoice. Admin adalah karyawan yang bertugas menginput data penjualan dan membuat laporan penjualan. Surat delivery order merupakan surat perintah untuk penyerahan barang kepada pembawa surat, yang nantinya diserahkan kepada pelanggan. Invoice merupakan detail perhitungan penjualan yang diberikan oleh bagian marketing kepada pelanggan, biasanya berisi rincian nama barang, harga, berat, jumlah dan total harga yang harus dibayarkan. Staff gudang menyiapkan barang sesuai jumlah permintaan jika stok tersedia. Jika stok tidak tersedia maka staff gudang akan melakukan Tahap survei dengan mengamati sistem yang sedang permintaan barang atau order kepada supplier. Staff gudang merupakan orang yang bertugas mengontrol berjalan diperoleh siklus akuntansi dalam perusahaan stok di gudang, menyiapkan barang pesanan XYZ pada Gambar 4. pelanggan. 5) Supplier akan memberikan nota penjualan. Supplier adalah seseorang/perusahaan yang menjalankan usaha menyalurkan suatu barang/produk tertentu dalam jangka waktu tertentu. 6) Setelah semua sudah siap maka pengirim (driver) akan menerima delivery order dan invoice untuk mengirimkan barang kepada pelanggan. 7) Setelah barang terkirim ke pelanggan sopir menyerahkan file delivery order dan invoice kepada akuntan. Akuntan juga akan menerima nota pembelian jika ada pembelian atau pengeluaran kas. 8) Akuntan mengumpulkan semua data pembelian dan penjualan untuk membuat laporan keuangan. Akuntan merupakan orang yang terampil dalam praktek akuntansi atau yang bertanggung jawab atas rekening publik atau swasta. Selain itu juga melakukan fungsi akuntansi s eperti audit, analisis laporan keuangan perusahaan. 9) Setelah selesai membuat laporan keuangan akuntan akan menyerahkan kepada pimpinan. Pimpinan merupakan pemegang kuasa pertama dari suatu perusahaan (pemilik atau manager). 10) Pimpinan akan mengetahui laba rugi perusahaan dan laporan keuangan lainnya. Sehingga seorang pemimpin dapat mengambil langkah selanjutnya untuk perkembangan perusahaannya. Gambar 4. Sistem yang berjalan

Siklus akuntansi saat ini yang berjalan pada perusahaan XYZ tersebut secara rinci dijelaskan sebagai berikut. 1) Proses dimulai dari pelanggan membuat purchase order kepada bagian marketing. Pelanggan disini merupakan orang/perusahaan yang ingin membeli produk atau jasa dari perusahaan. 2) Bagian marketing menyerahkan purchase order tersebut kepada admin. Marketing merupakan karyawan yang bekerja di bidang pemasaran produk dan jasa dari perusahaan.

Gambar 5, Tahap perancangan menggunakan bahasa UML berikut use case dari sistem yang dikembangkan. Gambar 6 Use case diagram terdapat tiga aktor diantaranya Manager, Administrator, Accounting. Interaksi saat pertama kali adalah pengguna melakukan login untuk kelola terhadap aktifitas bisnis. Aktifitas atau interaksi pengguna tersebut diantaranya kelola pengguna untuk menambah, hapus dan ubah serta hak akses pengguna (khusus administrator). Kelola rekening untuk membuat kode rekening baru yang akan digunakan pada jurnal umum nantinya. Kelola saldo awal untuk menambah saldo awal tahun lalu pada

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 318

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 masing-masing kode rekening. Saldo awal ini dijumlahkan pada laporan buku besar, neraca, dan laba rugi. Kelola jurnal umum untuk menambah data jurnal baik pengeluaran, pendapatan maupun hutang dan piutang.

level

debet no_rek

induk

kredit

nama_rek

no_rek

username

periode

tgl_insert saldo_awal

rekening

Memiliki

Digunakan Transaksi pada

Melakukan System

Tambah Data Ubah Data

Pengguna

<> <>

Hapus Data

no_jurnal

<>

Administrator

tgl_jurnal

Tambah Data

jurnal_umum

Melakukan

users

tgl_insert

Ubah Data

Rekening

<> <>

Hapus Data

username

<> <>

<>

Tambah Data

Saldo Awal

Ubah Data <> Hapus Data <>

<>

<> <> <>

Ubah Data Hapus Data

<> <>

Laporan Buku Besar

Cetak

Laporan Laba Rugi

Laporan Neraca

Gambar 7 perancangan basis data digambarkan dengan diagram ERD melibatkan 4 entitas diantaranya saldo awal, rekening, pengguna dan jurnal umum. 4. Hasil dan Pembahasan

Cetak

Setelah melakukan analisa dan perancangan sistem selanjutnya mengimplementasikan hasil aplikasi baru yang telah dikembangkan. Gambar 8 merupakan tampilan halaman utama untuk mengakses aplikasi akuntansi keuangan berbasis web.

<>

Accounting Grafik Jurnal

Grafik Transaksi

Gambar 5. Use case diagram

Accounting

Gambar 7. ER Diagram

Cetak <>

Menampilkan Data Rekening, Saldo Awal, Jurnal Umum, Data Laporan Buku Besar, Laba Rugi, Neraca, Grafik Jurnal, Grafik Transaksi

kredit

foto

<>

<> <>

no_rek

level

debet

Tambah Data

Jurnal Umum Manager

no_bukti

nama_lengkap

password

username

<>

<>

Login

ket

Menampilkan Data Laporan Buku Besar, Laba Rugi, Neraca, Grafik Jurnal, Grafik Transaksi

Simpan Data Rekening, Saldo Awal, Jurnal Umum

Manager Menampilkan Data Pengguna, Rekening, Saldo Awal, Jurnal Umum, Data Laporan Buku Besar, Laba Rugi, Neraca, Grafik Jurnal, Grafik Transaksi

Simpan Data Pengguna, Rekening, Saldo Awal, Jurnal Umum

Administrator

Gambar 8. Halaman Utama

Pengguna yang terlibat administrator, manager dan akunting akses ke dashboard aplikasi menggunakan user Laporan buku besar untuk mencatat semua transaksi dan password sesuai dengan level user. pada jurnal umum berdasarkan masing-masing kode rekening tiap tahun. Laporan laba-rugi untuk menampilkan jumlah keuntungan atau kerugian perusahaan. Laporan neraca untuk menjelaskan posisi keuangan dengan melaporkan aktiva, kewajiban dan ekuitas pemegang saham perusahaan pada waktu tertentu. Grafik jurnal untuk menampilkan grafik jurnal atau debit dan kredit secara keseluruhan selama satu tahun atau periode tertentu. Grafik transaksi untuk melihat jumlah transaksi dari masing-masing rekening, Gambar 9. Halaman Dashboard sehingga dapat mengetahui rekening apa saja yang sering digunakan dan paling banyak melakukan Gambar 9 halaman dashboard, pengguna dapat memilih transaksi. menu yang akan digunakan seperti menu Pengguna, Gambar 6. Ilustrasi Sistem

Rekening, Jurnal Umum, Saldo Awal, Laporan Buku Besar, Laporan Laba Rugi, Laporan Neraca, Grafik Jurnal, dan Grafik Transaksi.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 319

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321

Gambar 10. Halaman Jurnal Umum

Gambar 10 halaman jurnal untuk mengakses jurnal umum untuk menambah data jurnal baik pengeluaran, pendapatan maupun hutang dan piutang.

kompabilitas persentase sebesar 60% dan kriteria fungsional persentase sebesar 72,5%. Sehingga dari grafik tersebut dapat ditarik kesimpulan bahwa aplikasi ini bermanfaat, mudah digunakan, tampilan grafik juga baik, semua menu dapat berjalan dengan baik dan aplikasi ini dapat berjalan di berbagai macam browser. Pada pertanyaan dukungan browser dan fungsional telah berjalan dengan baik. Responden banyak yang menjawab sangat baik artinya setuju untuk menggunakan teknologi atau sistem yang baru. KUESIONER EVALUASI Nama

:

Jabatan

:

Usia

:

Pendidikan No

1

2

Kemanfaatan

Kemudahan Penggunaan

Gambar 11. Halaman Grafik T ransaksi

Gambar 11 halaman grafik, pengguna dapat melihat jumlah transaksi dari masing-masing rekening sehingga dapat membantu manager dalam mengendalikan aktifitas bisnis dan mengambil keputusan. Selanjutnya melakukan evaluasi model TAM, ditunjukkan pada Gambar 12 merupakan contoh dari lembar keusioner evaluasi yang dilakukan. Evaluasi pengujian menggunakan kuesioner yang diberikan kepada pengguna aplikasi dan lingkungan yang terlibat dalam proses bisnis pada siklus akuntansi di masing-masing perusahaan cabang, untuk melihat tingkat penerimaan pengguna terhadap teknologi baru yang digunakan tersebut. Parameter yang digunakan dalam kuesioner ini diantaranya; kemanfaatan, kemudahan, usability, desain, kompabilitas dan fungsional. Kemanfaatan berkaitan dengan peningkatan produktifitas, efektifitas dan efisiensi serta kemudahan dalam bekerja. Kemudahan yang dimaksud berkaitan dengan mempelajari aplikasi. Usabilitas berkaitan dengan struktur, desain, text dalam penggunaan menu dan tampilan.

3

:

Kriteria Penilaian

Usability

SB

a

Apakah dapat memudahkan pekerjaan anda

b

Apakah meningkatkan produktivitas

c

Apakah lebih efektif dan efisien

a

c

Apakah aplikasi mudah digunakan Apakah mudah dimengerti dan dipahami Apakah anda cepat mahir dalam menggunakannya

a

Struktur menu mudah dipahami

b

Mudah di ingat

c

Efektif dan Efisien

d

Desain dan tata letak yang baik Apakah komposisi warnanya baik dan konsisten

b

4

a Pengujian Graphic Design b

5

Pengujian Compatibility

6

Pengujian Functionality

c a a b

B

CB

KB

Apakah text mudah di baca Apakah penggunaan animasi sudah tepat Dukungan browser (Mozila Firefox, Google Chrome, IE, opera) Masing-masing menu berfungsi dengan baik Tombol button berfungsi dengan baik

Gambar 12. Kuesioner Evaluasi

Gambar 13. Grafik T ingkat Penerimaan Pengguna Pengujian dilakukan terhadap 30 responden dari masing-masing perusahaan cabang dengan latar belakang pendidikan, jabatan dan usia. Hasilnya 5. Kesimpulan diperoleh dari enam parameter tersebut disajikan dalam Berdasarkan hasil implementasi dan pembahasan maka bentuk grafik pada Gambar 13. dapat disimpulkan sebagai berikut. Hasil yang diperoleh dari grafik tingkat penerimaan 1) Sistem terintegrasi pada aplikasi siklus akuntansi pengguna bahwa kriteria kemanfaatan (perceived telah dikembangkan sehingga memudahkan pihak usefulness) persentase sebesar 75%, kriteria kemudahan manager atau pemegang perusahaan dapat (perceived ease of use) persentase sebesar 76,67%. mengendalikan bisnis dan membuat keputusan Selain itu kriteria lain usability persentase sebesar berdasarkan grafik perkembangan aktifitas bisnis 77,5%, kriteria desain persentase sebesar 80%, kriteria yang sedang berjalan.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 320

Dwi Ely Kurniawan, Azis Saputra, Purowono Prasetyawan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 2)

3)

4)

Evaluasi pengujian penerimaan pengguna terhadap teknologi atau sistem baru yang telah dikembangkan berdasarkan parameter kemanfaatan (perceived usefulness) sebesar 75%, sutuju sudah memberikan manfaat kepada pengguna. Parameter kemudahan (perceived ease of use) sebesar 76,67%, setuju memberikan kemudahan kepada pengguna. Selain itu faktor lain; usability 77,5%, desain 80%, kompatibilas 60% dan fungsional 72,5%. Artinya dari evaluasi pengguna menerima baik terhadap perubahan sistem yang baru.

Ucapan Terima Kasih Penulis mengucapkan terimakasih kepada Ricca Vibriyanthy, dkk dalam membantu pengambilan dan pengolahan data penelitian. Daftar Rujukan [1] Kurniawan, D.E., Pujiyono, 2016. Sistem Pendukung Keputusan Pemilihan Pemasok Bahan Baku Menggunakan Metode T echnique for Order Preference by Similarity to Ideal Solution. Jurnal Integrasi Vol.8 No.1 hal. 56-60 [2] Dhining D., Rokhayati Y., Kurniawan, D.E., 2017 Penerapan Replikasi Data pada Aplikasi T icketing Menggunakan Slony PostgreSQL. Journal of Applied Informatics and Computing (JAIC), Vol. 1 No.1 hal. 9-18.

[3] Kurniawan, D.E., Fajrianto, R., 2017. Sistem Pemantau Koneksi Internet Menggunakan Sistem Informasi Geografis dan SMS Gateway. Seminar Ilmiah Sistem Informasi dan T eknologi Informasi Jilid 5 Vol. 1 [4] Suwu, C.R., Sukarsa, I.M., Bayupati, I.P.A., 2016. Pengembangan Sistem HRM Terintegrasi dengan Pendekatan ERP. Jurnal Merpati Vol.4 No.3 [5] Akbar, R., Juliastrioza, Arici, Y.R., 2015. Penerapan Enterprise Resource Planning (ERP) untuk Sistem Informasi Pembelian, Persediaan, dan Penjualan Barang pada Toko Emi Grosir dan Eceran. Jurnal Teknosi Vol.1 No.1 Oktober 2015 Hal. 7-17 [6] Pratama, D., Witjaksono, W., Ambarsari, N., 2016. Penerapan Sistem Informasi Berbasis Enterprise Resource Planning Menggunakan SAP Modul Plant Maintenance di PT .Len Industri. Jurnal Sisfo Vol. 06 No. 01 Hal. 37-50. [7] Wicaksono, A., Mulyo, H.H., Riantono, I.E., 2015. Analisis Dampak Penerapan Sistem ERP T erhadap Kinerja Pengguna. Jurnal Binus Business Review (BBR) Vol. 6 No.1 Hal. 25 -34. [8] Zaidir, Ardani, A. 2017. Analisis dan Perancangan Sistem Informasi T erintegrasi untuk Manajemen Produksi, Persediaan dan Distribusi Barang (Studi Kasus: Pabrik Kemasan Kertas CV. Yogyakartas). Jurnal T eknologi Informasi Vol XII No. 35 [9] Dalimunthe, N., Mustofa, G. 2016. Analisis Penerimaan Pelanggan T erhadap Sistem Informasi Website PLN dengan Model T AM. Seminar Nasional Sistem Informasi Indonesia, 1 November 2016 [10]Sayekti, F., Putarta, P., 2016. Penerapan Technology Acceptance Model (T AM) dalam Pengujian Model Penerimaan Sistem Informasi Keuangan Daerah . Jurnal Manajemen Teori dan T erapan Tahun 9. No.3 [11] Supriyati, 2017. Aplikasi Technology Acceptance Model Pada Sistem Informasi Manajemen Rumah Sakit. Jurnal Bisnis & Manajemen Vol.17 No.1 Hal. 81-102

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 315 – 321 321

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi I nformasi) Vol. 2 No. 1 (2018) 322 – 329

ISSN : 2580-0760 (media online)

Penilaian Kinerja Dosen Menggunakan Metode TOPSIS (Studi Kasus : AMIK Mitra Gama) Candra Surya Manajemen Informatika - AMIK Mitra Gama [email protected]

Abstract To improve the quality or performance of lecturers need an assessment. Assessment of lecturers can be done by Leaders and Chairman of Study Program such as assessment of Teaching, Research, Dedication, Responsibility, Personality, Loyalty, Cooperation, Leadership. Problems that have occurred so far to assess the performance of lecturers are still not optimal because there is no system / method used for assessment. It is therefore necessary to making a decision support system using the Technique For Other Reference by Similarity to Ideal Solution (TOPSIS). This method is able to choose the best alternative from the existing alternative. The alternative is the lecturer who will be assessed it’s performance. The result obtained by using this method is to know the lecturer who has the best performance. The best lecturers' determination will be issued in the form of numerical values and sorted by the largest value to the smallest value. From 5 alternative lecturers that have been tested are Lecturer 1, Lecturer 2, Lecturer 3 Lecturer 4 and Lecturer 5, then selected Lecturer 2 which has the best performance with a preference value of 0.5341. Keywords : Assessment, TOPSIS, Alternative

Abstrak Untuk meningkatkan kualitas atau kinerja dosen perlu adanya penilaian. Penilaian terhadap dosen dapat dilakukan oleh Pimpinan maupun Ketua Progam Studi, seperti penilaian terhadap Pengajaran, Penelitian, Pengabdian, Tanggung Jawab, Kepribadian, Loyalitas, Kerjasama, Kepemimpinan. Permasalahan yang terjadi selama ini untuk menilai kinerja dosen masih belum optimal karena tidak adanya sebuah sistem/metode yang digunakan untuk penilaian tersebut. Oleh karena itu perlu dibuat sebuah sistem pendukung keputusan dengan metode Technique For Others Reference by Similarity to Ideal Solution (TOPSIS). M etode ini mampu memilih alternatif terbaik dari alternatif yang ada. Alternatif yang dimaksud yaitu dosen yang akan dinilai kinerjanya. Hasil yang diperoleh dengan menggunakan M etode ini adalah untuk mengetahui dosen yang memiliki kinerja terbaik. Penentuan dosen terbaik akan dikeluarkan dalam bentuk nilai angka dan diurutkan berdasarkan nilai terbesar hingga nilai yang terkecil. Dari 5 alternatif dosen yang telah diuji yaitu Dosen 1, Dosen 2, Dosen 3 Dosen 4 dan Dosen 5, maka terpilih Dosen2 yang memiliki kinerja terbaik dengan nilai preferensi 0,5341. Kata kunci: Penilaian, TOPSIS, Alternatif © 2018 Jurnal RESTI

1. Pendahuluan Menurut undang undang guru dan dosen nomor 14 tahun 2005, dosen adalah pendidik profesional dari ilmuwan dengan tugas utama mentransformasikan, mengembangkan dan menyebarluaskan, ilmu pengetahuan, teknologi, seni budaya melalui pendidikan, penelitian dan pengabdian pada masyarakat. Salah satu faktor rendahnya kualitas pendidikan adalah kondisi pengajar yang tidak memenuhi kualifikasi atau mengajar tidak sesuai dengan keahliannya. Tantangan yang terkait dengan mutu pendidik mencakup tantangan

pribadi, kompetisi pribadi, dan kemampuan pendidik dalam menjalankan tugasnya. Dalam institusi pendidikan tinggi, penilaian dosen sangat diperlukan, adapun tujuan dalam menilai dosen yaitu : (1) Meningkatkan kualitas pengajaran, (2) Mengembangkan diri dosen, (3) Meningkatkan kepuasan mahasiswa terhadap pengajaran, (4) Meningkatkan kepuasan kerja dosen, (5) Mencapai tujuan program studi/fakultas/universitas, serta (6) Meningkatkan penilaian masyarakat terhadap fakultas/universitas[1].

Diterima Redaksi : 04-01-2018 | Selesai Revisi : 04-02-2018 | Diterbitkan Online : 16-04-2018 322

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 Pada dasarnya, penilaian kinerja Dosen dapat dilakukan oleh siapa saja. Umumnya, penilaian kinerja dilakukan oleh atasan, rekan kerja, dan mahasiswa. Kelemahan utama dari penilaian kinerja oleh atasan adalah karena merasa tidak kompeten untuk melakukan penilaian atau merasa tidak enak hati terhadap bawahan yang harus dinilai. Penilaian juga dapat dilakukan oleh rekan kerja. Keuntungan penilaian oleh rekan kerja adalah rekan kerja lebih mengenal orang yang dinilai dan dapat meningkatkan konsistensi melalui penilaian dari beberapa orang rekan kerja. Namun, kelemahannya adalah rekan kerja enggan menilai dan adanya bias karena kedekatan hubungan. Mahasiswa juga dapat melakukan penilaian terhadap kinerja dosen, namun kebiasaan mahasiswa juga merasa tidak berani maupun enggan untuk menilai dosen tersebut.

dapat mempermudah BPMB untuk mengetahui siapa saja yang lolos seleksi berdasarkan urutan perolehan nilai hasil seleksi calon mahasiswa baru Program Studi Pendidikan Dokter di Universitas Muhammadiyah Purwokerto [3]. Penelitian lainya yaitu Sistem Pendukung Keputusan Penentuan Karyawan Terbaik Menggunakan Metode AHP Dan TOPSIS. Penelitian ini menghasilkan sebuah sistem pendukung keputusan yang dapat merekomendasikan karyawan terbaik pada PT South Pacific Viscose berdasarkan kriteria yang telah ditetapkan yaitu: pengetahuan, kemampuan, sikap, absensi, dan kerjasama dengan menggunakan metode AHP dan TOPSIS. Dilakukan uji coba berupa memasukkan sample data karyawan sebanyak 300 orang kemudian berhasil diolah dalam waktu 0,9531 detik sehingga terbukti sistem ini melakukan perhitungan lebih cepat dibanding sebelumnya. Hal ini secara garis besar telah meningkatkan proses perhitungan dan juga sistem ini dapat memberikan rekomendasi karyawan terbaik berdasarkan ranking, dari 300 karyawan terdapat 3 karyawan dengan ranking terbesar yaitu: Hilman Bakhtiar 0.9549, Basuki Cahyo Setyo 0.9126 dan Dimas Haryandi 0.8276. [4]

TOPSIS merupakan singkatan dari Tehnique for Order Preference by Similarity to Ideal Solution. TOPSIS merupakan Metode yang menggunakan prinsip bahwa alternatif yang terpilih harus mempunyai jarak terdekat dari solusi ideal positif dan terjauh dari solusi ideal negatif. Metode ini banyak digunakan untuk menyelesaikan pengambilan keputusan secara praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami dan efisien serta memiliki kemampuan mengukur kinerja relatif dari alternatif-alternatif 2.1 Sistem Pendukung Keputusan / Decision Support keputusan. [2]. System (DSS) Berdasarkan uraian diatas dan belum adanya sistem yang dapat menilai kinerja dosen khusunya di AMIK Mitra Gama, maka perlu dibangun sebuah sistem pendukung keputusan menggunakan Metode Technique For Others Reference by Similarity to Ideal Solution (TOPSIS) yang akan membantu dan memudahkan dalam penilaian kinerja dosen. 2. Tinjauan Pustaka Berdasarkan penelitian sebelumnya sebagai referensi dalam penelititan ini salah satunya Sistem Pendukung Keputusan Pemilihan Menu Makanan pada Penderita Obesitas dengan menggunakan Metode TOPSIS, penelitian tersebut bertujuan untuk membantu para penderita obesitas dalam memilih menu makanan yang tepat dan baik dengan memperhatikan kandungankandungan makanan yang baik dikonsumsi ataupun tidak. Data dikumpulkan melalui observasi berdasarkan ketentuan – ketentuan yang ada, kemudian data tersebut dihitung menggunakan perhitungan Technique For Order Preference By Similarity To Ideal Solution (TOPSIS) [2] Penelitian lainnya yaitu Metode TOPSIS untuk Menentukan Penerimaan Mahasiswa Baru Pendidikan Dokter di Universitas Muhammadiyah Purwokerto, penelitian tersebut bertujuan membangun metode TOPSIS untuk pengambilan keputusan dalam penerimaan mahasiswa baru Pendidikan Dokter sesuai dengan kriteria-kriteria yang telah ditentukan sehingga

Pengambilan keputusan adalah suatu proses memilih diantara berbagai alternatif, pengambilan keputusan manajerial sinonim dengan proses keseluruhan dari manajemen [5]. Sistem pendukung keputusan dapat didefinisikan sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi keputusan tidakterstruktur. SPK dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. Selain itu juga sistem pendukung keputusan ditujukan untuk keputusan – keputusan yang memerlukan penilaian atau pada keputusan keputusan yang sama sekali tidak dapat didukung oleh algoritma[6]. Sistem Pendukung Keputusan merupakan Computer Based Information System yang interaktif, fleksibel, mudah disesuaikan (dapat beradaptasi) yang secara khusus dikembangkan untuk mendukung penyelesaian dari permasalahan yang tidak terstruktur untuk meningkatkan pembuatan keputusan[7]. DSS merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstrutur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat[8]. Adapun tujuan dari DSS adalah :

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 323

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 1. 2.

3.

4.

5. 6. 7. 8.

Membantu menajer dalam pengambilan keputusan atas masalah semiterstruktur. Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk menggantikan fungsi manajer. Meningkatkan efektivitas keputusan yang diambil manajer lebih dari pada perbaikan efesiensi. Kecepatan komputasi. Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah. Meningkatkan produktivitas. Dukungan Kualitas Berdaya Saing Mengatasi keterbatasan kognitif dalam pemrosesan penyimpanan.

2.2 Komponen Sistem Pendukung Keputusan Sistem Pendukung Keputusan terdiri dari empat subsistem, yaitu [9]: 1.

2.

3.

4.

Manajemen Data, meliputi basis data yang berisi data-data yang relevan dengan keadaan dan dikelola oleh perangkat lunak yang disebut dengan Database Management System (DBMS). Manajemen Model berupa sebuah paket perangkat lunak yang berisi model-model finansial, statistik, management science, atau model kuantitatif, yang menyediakan kemampuan analisa dan perangkat lunak manajemen yang sesuai. Subsistem Dialog atau komunikasi, merupakan subsistem yang dipakai oleh user untuk berkomunikasi dan memberi perintah (menyediakan user interface). Manajemen Knowledge yang mendukung subsistem lain atau berlaku sebagai komponen yang berdiri sendiri.

2.3 Keuntungan Sistem Pendukung Keputusan Beberapa keuntungan dari sistem pendukung keputusan sebagai [10]: 1. Mampu mendukung pencarian solusi dari berbagai permasalahan yang kompleks. 2. Dapat merespon dengan cepat pada situasi yang tidak diharapkan dalam kondisi yang berubahubah. 3. Mampu untuk menerapkan berbagai strategi yang berbeda pada konfigurasi berbeda secara cepat dan tepat. 4. Pandangan dan pembelajaran baru. 5. Sebagai fasilitator dalam komunikasi. 6. Meningkatkan kontrol manajemen dan kinerja. 7. Menghemat biaya dan sumber daya manusia. 8. Menghemat waktu karena keputusan dapat diambil dengan cepat.

9. Meningkatkan efektivitas manajerial, menjadikan manajer dapat bekerja lebih singkat dan dengan sedikit usaha. 10. Meningkatkan produktivitas analisis. 2.4 Technique Others Preference by Similarity to ideal Solution (TOPSIS). Sumber kerumitan masalah keputusan hanya karena faktor ketidak pastian atau ketidak sempurnaan informasi saja. Namun masih terdapat penyebab lainnya seperti faktor yang mempengaruhi terhadap pilihanpilihan yang ada, dengan beragamnya kriteria pemilihan dan juga nilai bobot dari masing-masing kriteria merupakan suatu bentuk penyelesaian masalah yang sangat kompleks. Pada zaman sekarang ini, metodemetode pemecahan masalah mulkriteria telah digunakan secara luas di berbagai bidang. Setelah menetapkan tujuan masalah, kriteria-kriteria yang menjadi tolak ukur serta alternatif-alternatif yang mungkin, para pembuat keputusan dapat menggunakan suatu metode atau lebih untuk menyelesaikan masalah mereka. Adapun metode yang dapat digunakan untuk mengatasi permasalahan multikriteria yaitu metode Technique For Order Preference by Similarity to Ideal Solution (TOPSIS). TOPSIS diperkenalkan pertama kali oleh Yoon dan Hwang pada tahun 1981 untuk digunakan sebagai salah satu metode dalam memecahkan masalah multikriteria. TOPSIS merupakan salah satu metode penyelesaian permasalahan pengambilan keputusan multi kriteria yang didasarkan pada konsep bahwa alternatif terpilih yang terbaik tidak hanya memiliki jarak terpendek dari solusi ideal positif tetapi juga memiliki jarak terpanjang dari solusi ideal negatif [11]. Namun, alternatif yang mempunyai jarak terkecil dari solusi ideal positif, tidak harus mempunyai jarak terbesar dari solusi ideal negatif. Maka dari itu, TOPSIS mempetimbangkan keduanya, jarak terhadap solusi ideal positif dan jarak terhadap solusi ideal negatif secara bersamaan. Solusi optimal dalam metode TOPSIS didapat dengan menentukan kedekatan relatif suatu altenatif terhadap solusi ideal positif. TOPSIS akan merangking alternatif berdasarkan prioritas nilai kedekatan relatif suatu alternatif terhadap solusi ideal positif. Alternatif-alternatif yang telah dirangking kemudian dijadikan sebagai referensi bagi pengambil keputusan untuk memilih solusi terbaik yang diinginkan. Secara umum, prosedur TOPSIS mengikuti langkah-langkah sebagai berikut[12]: a. b. c. d.

Membuat matriks keputusan yang ternormalisasi; Membuat matriks keputusan yang ternormalisasi terbobot; Menentukan matriks solusi ideal positif dan matriks solusi ideal negatif; Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matriks solusi ideal negatif;

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 324

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 e.

Menentukan nilai preferensi untuk setiap alternatif. TOPSIS membutuhkan rating kerja setiap alternatif A i pada setiap kriteria Cj yang ternormalisasi

xi j

rij =

;

m

x i 1

(1)

2 ij

Vi =

Di 



Di  Di



; i=1,2,...,m

(6)

dimana : Vi = kedekatan tiap alternatif terhadap solusi ideal Di + = jarak alternatif Ai dengan solusi ideal positif Di = jarak alternatif Ai dengan solusi ideal negatif Nilai Vi yang lebih besar menunjukkan bahwa alternatif A i lebih dipilih.

dengan i=1,2,...,m; dan j=1,2,...,n dimana :

3. Metodologi Penelitian

rij = matriks keputusan ternormalisasi xij = bobot kriteria ke j pada alternatif ke i

Penelitian ini dilakukan di AMIK Mitra Gama, pengumpulan data dan informasi digunakan pendekatan Solusi ideal positif A+ dan solusi ideal negatif A- dapat deskriptif atau survey yaitu mengumpulkan data dari AMIK Mitra Gama yang ditentukan berdasarkan rating bobot ternormalisasi (y ij ) beberapa orang dosen digunakan sebagai acuan untuk menilai kinerja dosen. sebagai : sebagai uji coba dalam penelitian ini dilakukan y ij = wi .rij ; (2) pengujian kepada 5 orang Dosen. Data tersebut kemudian dianalisis dan digunakan sebagai acuan dalam dengan i=1,2,...,m; dan j=1,2,...,n mengambil keputusan. Dalam pengambilan keputusan A+ = (y1+, y2+, ..., yn+); digunakan Metode Technique For Others Reference by (3) Similarity to Ideal Solution (TOPSIS). Pada tahap ini A- = (y1-, y2-, ..., yn-); akan dijelaskan cara kerja pengujian menggunakan metode TOPSIS. Adapun mekanisme pengujian dapat dimana : dilihat pada Gambar 1. y ij = matriks ternormalisasi terbobot [i][j] wi = vektor bobot[i] M enentukan jenis kriteria y j + = max y ij , jika j adalah atribut keuntungan min y ij , jika j adalah atribut biaya yj= min yij, jika j adalah atribut keuntungan M enentukan tingkat kepentingan setiap kriteria max yij, jika j adalah atribut biaya Jarak antara alternatif A i dengan solusi ideal positif dirumuskan sebagai: n

(y

Di + =



i

i 1

 yij ) 2

; i=1,2,...,m

(4)

dimana : Di + yi+ y ij

= jarak alternatif Ai dengan solusi ideal positif = solusi ideal positif[i] = matriks normalisasi terbobot[i][j]

Jarak antara alternatif A i dengan solusi ideal negatif dirumuskan sebagai : n

Di - =

(y j 1

ij



 yi ) 2

;

i=1,2,...,m

(5)

dimana : Di = jarak alternatif Ai dengan solusi ideal negatif yi= solusi ideal positif[i] y ij = matriks normalisasi terbobot[i][j]

M embuat matriks keputusan yang ternormalisasi

M embuat matriks keputusan yang ternormalisasi terbobot

M enentukan matriks solusi ideal positif dan matriks solusi ideal negatif

M enentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif

M enentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal negatif

M enentukan nilai preferensi untuk setiap alternatif Gambar 1: Mekanisme Pengujian

Nilai preferensi untuk setiap alternatif (Vi ) dapat dilihat pada rumus dibawah ini. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 325

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 4. Hasil dan Pembahasan Berdasarkan tabel 4, maka didapatkan bobot preferensi Berdasarkan mekanisme pengujian diatas maka (W) yaitu : dibutuhkan 8 tahapan untuk menilai kinerja dosen. Berikut pembahasan untuk menilai kinerja dosen. W = (4, 5, 3, 5, 3, 5, 2, 5) T abel 5. Nilai bobot kepentingan dari tiap dosen Berikut data 5 orang dosen yang dijadikan pengujian dan Alternatif Kriteria akan dinilai berdasarkan tingkat kepentingan kriteria K1 K2 K3 K4 K5 K6 K7 K8 yang ada. A1 4 2 2 4 5 3 4 2 T abel 1. Alternatif Alternatif Keterangan A1 Dosen 1 A2 Dosen 2 A3 Dosen 3 A4 Dosen 4 A5 Dosen 5

Setelah data alternatif ditentukan selanjutnya dilakukan pengujian yaitu : 1.

A2 A3 A4 A5

3 2 2 3

4 3 1 2

3 2 2 4

2 3 4 5

5 3 1 1

2 3 4 5

5 2 2 3

4 3 5 4

Pada Ttabel 5, semua data alternatif di input sesuai dengan data yang didapatkan dalam proses pengambilan data yaitu 5 orang dosen sebagai sample pengujian . 3.

Membuat matriks keputusan yang ternormalisasi

Menentukan kriteria yang akan dijadikan acuan Pada bagian ini akan dicari nilai masing-masing kriteria dengan menggunakan rumus (1) dalam penilaian T abel 2. Kriteria Kriteria

Keterangan

K1 K2 K3 K4 K5 K6 K7 K8

Pengajaran Penelitian Pengabdian T anggung Jawab Kepribadian Loyalitas Kerjasama Kepemimpinan

K1 : Mencari nilai Pengajaran |X1 | = √42 +32 +22 +22 +32 = 6,4807 r11

=

r21

=

r31

=

r41

=

X11

|X1 | X21 |X1 | X31 |X1 | X41 |X1 | X51

= = = =

4

6,4807 3 6,4807 2 6,4807 2 6,4807 3

= 0,6172 = 0,4629 = 0,3086 = 0,3086

r51 = | | = = 0,4629 X1 6,4807 Tabel 2 menjelaskan kriteria yang akan digunakan untuk menilai kinerja dosen, kriteria dimulai dari K1 K2 : Mencari nilai Penelitian sampai K8 |X2 | = √22 +42 +32 +12 +22 = 5,8309 2. Menentukan tingkat kepentingan setiap kriteria, r12 = X12 = 2 = 0,3430 |X2 | 5,8309 dengan nilai 1 sampai 5, yaitu : X 4 r22 = | 22| = = 0,6860 T abel 3. T ingkat kepentingan T ingkat Kepentingan Nilai Sangat T inggi 5 T inggi 4 Sedang 3 Rendah 2 Sangat Rendah 1

r32

=

r42

=

r52

=

X2 X32

|X2 | X42 |X2 | X52 |X2 |

= = =

5,8309 3 5,8309 1 5,8309 2 5,8309

= 0,5145 = 0,1715 = 0,3430

K3 : Mencari nilai Pengabdian Setelah kriteria ditentukan (Tabel 3), selanjutkan |X3 | = √22 +32 +22 +22 +42 = 6,0828 ditentukan tingkat kepentingan dari masing-masing X13 2 kriteria. tingkat kepentingangan kriteria dapat dilihat r13 = |X3 | = 6,0828 = 0,3288 X 3 pada Tabel 4. r23 = | 23| = = 0,4932 T abel 4. T ingkat Kepentingan Setiap Kriteria Kriteria Keterangan Nilai K1 Pengajaran 4 K2 Penelitian 5 K3 Pengabdian 3 K4 T anggung Jawab 5 K5 Kepribadian 3 K6 Loyalitas 5 K7 Kerjasama 2 K8 Kepemimpinan 5

r33

=

r43

=

r53

=

X3 X33

|X3 | X43 |X3 | X53 |X3 |

= = =

6,0828 2 6,0828 2 6,0828 4 6,0828

= 0,3288 = 0,3288 = 0,6576

K4 : Mencari nilai Tanggung Jawab |X4 | = √42 +22 +32 +42 +52 = 8,3667

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 326

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 r14

=

r24

=

r34

=

r44

=

r54

=

X14 |X4 | X24 |X4 | X34

= =

4 8,3667 2 8,3667 3

𝑦 +2= Max {1,7150 ; 3,4300 ; 2,5725 ; 0,8575 ; 1,7150} = 3,4300

= 0,4781 = 0,2390

𝑦 +3 = Max {0,9864 ; 1,4796 ; 0,9864 ; 0,9864 ; 1,9728} = 1,9728

= 8,3667 = 0,3586 |X | 4

X44 |X4 | X54 |X4

=

= |

4 8,3667 5 8,3667

= 0,4781 𝑦 +4= Max {2,3905 ; 1,1950 ; 1,7930 ; 2,3905 ; 2,9880} = 2,988

= 0,5976

dan seterusnya sehingga diperoleh matrik R sebagai berikut :

𝑦 +5= Max {1,9203 ; 1,9203 ; 1,1523 ; 0,3840 ; 0,3840} = 1,9203

0,6172 0,3780 0,4629 0,2520 0,3086 R= 0,3780 0,3086 0,5039 0,4629 [ 0,6309

𝑦 +6 = Max {1,8900 ; 1,2600 ; 1,8900 ; 2,5195 ; 3,1545} = 3,1545

4.

0,3430 0,5252 0,6860 0,6565 0,5145 0,2626 0,1715 0,2626 0,3430 0,3939

0,3288 0,4781 0,4932 0,5976 0,3288 0,2390 0,3288 0,2390 0,6576 0,3586

0,4781

0,6401

0,2390

0,6401

0,3586

0,3841

0,4781

0,1280

0,5976

0,1280

𝑦 +7= Max {1,0504 ; 1,3130 ; 0,5252 ; 0,5252 ; 0,7878} = 1,313 𝑦8+= Max {2,3905 ; 2,9880 ; 1,1950 ; 1,1950 ; 1,7930} = 2,988 𝐴+ = {2,4688 ; 3,43 ; 1,9728 ; 2,988 ; 1,9203 ; 3,1545 ; 1,313 ; 2,988}

]

Menentukan matriks keputusan yang ternormalisasi terbobot menggunakan rumus (2) Y1= 0,6172*4 0,4781*5 0,5252*2

0,3430*5 0,6401*3 0,4781*5

0,3288*3 0,3780*5

Y2= 0,4629*4 0,2390*5 0,6565*2

0,6860*5 0,6401*3 0,5976*5

0,4932*3 0,2520*5

Y3= 0,3086*4 0,3586*5 0,2626*2

0,5145*5 0,3841*3 0,2390*5

0,3288*3 0,3780*5

Solusi ideal negatif (y min) menggunakan rumus (3) 𝑦 −1= Min {2,4688 ; 1,8516 ; 1,2344 ; 1,2344 ; 1,8516}=1,2344 𝑦 −2= Min {1,715 ; 3,43 ; 2,5725 ; 0,8575 ; 1,715}=1,715 𝑦 −3= Min {0,9864 ; 1,4796 ; 0,9864 ; 0,9864 ; 1,9728}=0,9864 𝑦 −4= Min {2,3905 ; 1,195 ; 1,793 ; 2,3905 ; 2,988}=1,195

dan seterusnya sehingga diperoleh matrik Y 2,4688 1,89 1,8516 1,26 1,2344 Y= 1,89 1,2344 2,5195 1,8516 [ 3,1545 5.

1,715 1,0504 3,43 1,313 2,5725 0,5252 0,8575 0,5252 1,715 0,7878

0,9864 2,3905 1,4796 2,988 0,9864 1,195 0,9864 1,195 1,9728 1,793

2,3905

1,9203

1,195

1,9203

1,793

1,1523

2,3905

0,384

2,988

0,384

𝑦 −5= Min {1,9203 ; 1,9203 ; 1,1523 ; 0,384 ; 0,384}= 0,384 𝑦 −6= Min {1,89 ; 1,26 ; 1,89 ; 2,5195 ; 3,1545}=1,26 𝑦 −7= Min {1,0504 ; 1,313 ; 0,5252 ; 0,5252 ; 0,7878}= 0,5252 𝑦8−= Min {2,3905 ; 2,988 ; 1,195 ; 1,195 ; 1,793}= 1,195

]

𝐴− = { 1,2344 ; 1,715 ; 0,9864 ; 1,195 ; 0,384 ; 1,26 ; 0,5252 ; 1,195}

Menentukan solusi ideal positif (y max) dan solusi ideal negative (y min)

Solusi ideal positif (y max) menggunakan rumus (3) 𝑦 +1= Max {2,4688 ; 1,8516 ; 1,2344 ; 1,2344 ; 1,8516} = 2,4688

6.

Menentukan Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal positif menggunakan rumus (4)

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 327

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 (2,4688-2,4688) 2+(1,7150-3,4300) 2 (0,9864-1,9728) 2+(2,3905-2,9880) 2 D1 + =√( 2 2 1,9203-1,9203) +(1,8900-3,1545) 2 (1,0504-1,3130) +(2,3905-2,9880) 2

2

+ + +

(1,2344 -1,2344 ) + (0,8575-1,7150 ) 2

D4 - =√(

=2,5092

D2

(1,9203-1,9203 ) 2 + (1,2600-3,1545) 2 + 2

√ (1,3130-1,3130) +( 2,9880-2,9880) =2,7255

D3

D4

2

2

(0,9864-1,9728) +(1,7930-2,9880) + +

(1,2344 -2,4688)2 + (0,8575-3,4300) 2 + (0,9864-1,9728)2 + (2,3905-2,9880) 2 +

2 2 √ (0,5252-1,3130) +( 1,1950-2,9880) =4,0088 2

2

(1,8516-2,4688) + (1,7150-3,4300) + (1,9728-1,9728)2 + (2,9880-2,9880) 2 + (0,3840-1,9203 ) 2 + (3,1545-3,1545) 2 + 2

√ (0,7878-1,3130) +( 1,7930-2,9880) =2,7178 7.

2

2

Menentukan Jarak antara nilai terbobot setiap alternatif terhadap solusi ideal negatif menggunakan rumus (5) 2

2

(2,4688 -1,2344 ) +(1,7150 -1,7150 ) + 2

D1 - =√(

2

(0,9864 -0,9864) +(2,3905 -1,1950 ) + 2

2

1,9203-0,3840 ) +(1,8900 -1,2600 ) 2 2 (1,0504 -0,5252 ) +(2,3905 -1,1950 )

+

= 2,7231 2

2

2

2

(1,8516 -1,2344 ) + (3,4300-1,7150 ) (

D2 - =√(

+

2

1,4796-0,9864 ) +(1,1950 -1,1950 ) 2

1,9203-0,3840 ) + (1,2600-1,2600 ) 2

(1,3130 -0,5252) + (2,9880-1,1950 )

2

+ + +

2

+ 2

(1,9728 -0,9864 ) +(2,9880-1,1950 ) +

D5 - =√(

2

2

0,3840-0,3840 ) + (3,1545 -1,2600) 2 2 (0,7878 -0,5252 ) + (1,7930 -1,1950)

8.

+

Menentukan nilai preferensi untuk setiap alternatif (Vi ) menggunakan rumus (6) V1 = V2 =

2,7231 2,5092

V3 = V4 = V5 =

+

2,7231

3,1243 2,7255

(0,3840-1,9203 ) 2 + (2,5195-3,1545) 2 +

D5 + =

+

=2,9299

(1,1523-1,9203 )2 +(1,8900-3,1545) 2 =3,2687

+=

(0,9864-0,9864 ) +(2,3905 -1,1950 ) 2 2 0,3840 -0,3840 ) + (2,5195 -1,2600) 2 2 (0,5252-0,5252 ) + (1,1950-1,1950 )

(1,8516 -1,2344 ) + (1,715 -1,7150 )

2

(1,2344-2,4688)2 +(2,5725-3,4300) 2 + + + =√

+ 2

=1,9367

(1,8516-2,4688)2 + (3,4300-3,4300) 2 + (1,4796-1,9728)2 + (1,1950-2,9880) 2 +

+=

2

+

3,1243

1,4422 3,2687

+

1,4422

1,9367 4,0088

+

1,9367

2,9299 2,7178

+

2,9299

=0,5204

=0,5341

=0,3061

=0,3257

=0,5188

Tabel 6 menjelaskan nilai preferensi untuk masing alternatif T abel 6. Nilai Preferensi untuk Alternatif Alternatif Keterangan Nilai preferensi A1 Dosen 1 0,5204 A2 Dosen 2 0,5341 A3 Dosen 3 0,3061 A4 Dosen 4 0,3257 A5 Dosen 5 0,5188

Berdasarkan hasil perhitungan nilai preferensi untuk setiap alternatif, nilai tertinggi ada pada V2 sehingga alternatif A2 (Dosen 2) adalah alternatif yang terpilih sebagai Dosen yang memiliki nilai tertinggi dalam penilaian kinerja dosen

2

5. Kesimpulan

= 3,1243 5.1 Simpulan. 2

(1,2344 -1,2344) + (2,5725-1,7150 ) 2

D3

- =√

2

(0,9864 -0,9864) +(1,7930 -1,1950 ) 2

(1,1523-0,3840 ) + (1,8900-1,2600 ) 2

(0,5252 -0,5252 ) + (1,1950-1,1950 )

=1,4422

2

2 2

+ + +

Berdasarkan hasil penelitian maka dapat disimpulkan Metode Technique For Others Reference By Similarity To Ideal Solution / TOPSIS dapat memberikan rekomendasi dalam mengevaluasi dosen, dimana hasil akhir dihitung berdasarkan nilai preferensi (Vi ) tertinggi

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 328

Candra Surya Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 dari masing-masing alternatif. Nilai tertinggi dijadikan [6] prioritas pertama sebagai dosen yang memiliki kinerja tertinggi.

I. H. Firdaus, et al., 2016, Sistem Pendukung Keputusan Penentuan Karyawan T erbaik Menggunakan MetodeAhp Dan T OPSIS. Seminar nasional teknologi informasi dan komunikasi ( Sentika) .

[7]

N. Rochmah, et al.,, 2009. Sistem Pendukung Keputusan Perencanaan Strategis Kinerja Instansi Pemerintah Menggunakan Metode Ahp, Jurnal Informatika., vol. 3, no 2

5.2 Saran.

Untuk penelitian selanjutnya dengan menggunakan metode TOPSIS, pengujian sebaiknya menggunakan [8] data dalam jumlah banyak, sehingga hasil dari penelitian ini mendapatkan efektifitas yang lebih baik serta efisien. [9] Daftar Rujukan [1] [2]

Kusrini,2007. Keputusan.

Konsep dan Aplikasi Sistem Pendukung

E. T urban, 2005. Decision Support Systems and Intelligent Systems Edisi. Bahasa Indonesia Jilid 1.

[10] Subakti, 2002. Sistem Pendukung Keputusan

L. S. Chairy, 2005. Evaluasi dosen sebagai bentuk penilaian [11] M. I. I. Auliya Rahmayani, 2016. Perancangan dan kinerja, Workshop Evaluasi. Kinerja Dosen oleh Mahasiswa. Implementasi Perangkat Lunak Sistem Pendukung Keputusan Multi Kriteria Menggunakan MetodeT OPSIS.Jurnal Sainsdan Marsonom, Ahmad Fitri Boy dan Wulan Dari, 2015, Sistem Seni IT S, vol. 5 no.2 Pendukung Keputusan Pemilihan Menu Makanan pada Penderita Obesitas dengan menggunakan Metode T OPSIS. [12] R. W. Sri Kusumadewi, Sri Hartati, Agus Harjoko, 2006. Fuzzy Jurnal SAINT IKOM, vol. 14 Multy-Attribute decision Making.

[3]

Erik Kurniawan, Hindayati Mustafidah dan Anis Shofiyani, 2015, Metode T OPSIS untuk Menentukan Penerimaan Mahasiswa Baru Pendidikan Dokter di Universitas Muhammadiyah Purwokerto,Jurnal Juita, vol III, no. 4.

[4]

I.H. Firdaus, et al., 2016, Sistem Pendukung Keputusan Penentuan Karyawan T erbaik Menggunakan MetodeAhp Dan T OPSIS, Seminar Nasional T eknologi Informasi dan Komunikasi (SENT IKA 2016) Yogyakarta, 18-19 Maret.

[5]

Jamila, 2011. Sistem Pendukung Keputusan Pemilihan Subkontrak Menggunakan Metode Entropy dan T OPSIS. IJCCS Vol.5 No.2

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 322 – 329 329

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 330 – 336

ISSN : 2580-0760 (media online)

Sistem Informasi Geografis Dalam Pemetaan Lahan Gambut di Kabupaten Musi Banyuasin Alek Wijayaa, Eka Puji Agustinib, Eko Nardo c aFakultas

Ilmu Komputer, Universitas Bina Darma, [email protected] b Fakultas Ilmu Komputer, Universitas Bina Darma, [email protected] cFakultas Ilmu Komputer, Universitas Bina Darma,[email protected]

Abstract Conservation of nature is a central issue at this time, this is caused by the increasing number of natural damages that occur because of human ignorance to keep the nature of the world remains a friendly place for our lives. One of the important factor of nature conservation is the sustainability of peatlands which is capable of storing carbon gases that serve to withstand the rate of earth temperature rise. One of the efforts undertaken to maintain the sustainability of peatlands is the availability of the lastest and comprehensive data and information about peatland conditions that can be accessed by stakeholders that related to peatland conditions. For that reason, we need a Geographic Information System that is designed and built using the Classic Life Cycle M odel approach and supp orted by ArcGIS software, UM L M odel and PHP programming language. Geographic information system provides peatland mapping information such as: location of peatlands, peatland categories, peatlands category that already managed and peatland category not yet managed. Keywords : Geographic Information Systems, Classic Life Cycle Model, ArcGis, Peatland

Abstrak Kelestarian alam adalah isu yang sangat sentral pada masa ini, hal ini di sebabkan oleh semakin banyaknya kerusakan yang alam yang terjadi dikarenakan ketidakperdulian manusia akan pentingya menjaga agar alam tetap menjadi tempat yang bersahabat untuk kehidupan kita. Salah satu penopang kelestarian alam adalah adanya kelestarian lahan gambut yang mampu menyimpan gas karbon yang berfungsi untuk menahan laju paningkatan suhu bumi. Salah satu upaya yang dilakukan untuk menjaga kelestarian lahan gambut adalah tersedianya data dan informasi tentang kondisi lahan gambut yang komprehensif dan terbaru yang bisa diakses oleh piha yang berkepentngan dengan kondisi lahan gambut. Untuk itulah dibutuhkan suatu Sistem Informasi Geografis yang di desain dan dibangun dengan menggunakan pendekatan Classic Life Cycle M odel serta didukung dengan Perangakt lunak ArcGIS, UML Model dan Bahasa pemrograman PHP. Sistem informasi Geografis ini memberikan informasi pemetaan lahan gambut seperti: lokasi lahan gambut, kategori lahan gambut,lahan gambut yng sudah di kelolah dan belum dikelola. Kata Kunci : Sistem informasi geografis, Classic life cycle model , ArcGis, Gambut © 2018 Jurnal RESTI

1. Pendahuluan

organik yang terbentuk dari sisa tanah tumbuhan yang membusuk karena kondisi lingkungan yang miskin hara dan jenuh air [1]. Keberadaan lahan gambut sangatlah penting sebagai bagian yang terintegrasi dari ekosistem dan keseimbangan alam, Oleh karena itu ketersediaan data dan informasi yang dapat diakses setiap saat mengenai lahan gambut sangatlah diperlukan.

Keberadaan lahan gambut sangat penting bagi keberlangsungan kehidupan manusia di muka bumi. Hal ini di sebabkan oleh kemampuan lahan gambut untuk menyimpan gas karbon yang berfungsi mencegah emisi lanjutan sehingga kenaikan suhu bumi dapat di hindarkan. Indonesia adalah salah satu negara yang memiliki lahan gambut didunia dengan luas sekitar 21 Terkait dengan hal ini, implementasi teknologi dalam juta hektar yang tersebar di pulau Sumatera, Kalimantan pengolahan, penyimpanan dan penyebaran informasi dan Papua. khususnya dalam pemetaan lahan gambut sangat penting untuk dipertimbangkan. Hal ini mengingat pesatnya Lahan gambut merupakan hasil dekomposisi vegetasi perkembangan teknologi informasi pada saat ini yang pepohonan yang tidak sempurna, tergenang air dan telah dimanfaatkan diberbagai bidang dan aktivitas merupakan jenis tanah yang memiliki kandungan bahan Diterima Redaksi : 15-03-2018 | Selesai Revisi : 03-04-2018 | Diterbitkan Online : 16-04-2018 330

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 kehidupan antara lain; bidang perkebunan, pertanian dan pemerintahan. Untuk itulah, tersedianya perangkat lunak yang disebut dengan Sistem Informasi Geografis atau Geographic Information System (GIS) akan sangat membantu dalam memetakan lokasi dan luas lahan gambut secara digital. Sistem Informasi Geograpis atau Geographical Information System (GIS) merupakan suatu kerangka kerja sistem sistem berbasis komputer yang digunakan untuk mengumpulkan, mengelolah, memanipulasi dan menganalisa dan menyimpan data geografis [2]. Dalam pengertian lain Sistem Informasi Geografis merupakan suatu sistem berbasis komputer yang digunakan untuk menyimpan, memanipulasi menganalisis objek-objek dan fenomena-fenomena dimana lokasi geografis merupakan karateristik yang penting dan kritis untuk dianalisis[3]. Dalam kontek inovasi teknologi, Sistem informasi Geografis sangat penting karena mampu mengintegrasikan sejumlah bidang ilmu dan teknologi menjadi jauh lebih besar dan bermanfaat. GIS memiliki kemampuan untuk mengintegrasikan data dan metode yang biasa digunakan oleh ahli geograpi, dan menawarkan cara baru dalam melakukan pemetaan, pemodelan, manipulasi, analisa data dalam jumlah yang besar didalam sebuah database serta mendistribusikan hasilnya dalam berbagai bentuk vis ual seperti gambar dan grafik [4]. Kabupaten Musi Banyuasin adalah salah satu daerah di Provinsi Sumatera Selatan yang memiliki lahan gambut yang cukup luas yang tersebar dibeberapa kecamatan dan desa. Permasalahan terkait dengan lahan gambut yang dihadapi kabupaten ini adalah adanya bencan a kebakaran lahan gambut karena dipengaruhi oleh faktor alam yang berupa cuaca kering serta faktor manusia yang berupa pembakaran baik sengaja maupun tidak sengaja. Disamping itu data dan informasi terbaru dan komprehensif mengenai lokasi penyebaran lahan gambut, luas kerusakan lahan, kategori lahan gambut, izin pengelolaan lahan dan pemafaatannya oleh masyarakat masih minim dan belum dapat di akses secara optimal. Hal ini disebabkan masih konvensionalnya pemetaan, pengolahan, penyimpanan data serta pendistribusian informasi terkait lahan gambut oleh Dinas Kehutanan UPTD Pengendalian Kebakaran Hutan dan Lahan Kabupaten Musi Banyuasin

gambut, luas gambut, kedalaman, dan lahan gambut yang telah diberi izin oleh pemerintah serta penbaharuan seberapa besar luas kerusakan lahan gambut di Kabupaten Musi Banyuasin menggunakan ArcGIS 10.2 dan website untuk menampilkannya.. 2. Tinjauan Pustaka 2.1. Data Spasial Data spasial adalah proses yang menggambarkan objekobjek spasial di dunia nyata sehingga objek-objek yang dirasakan dapat dipresentasikan dalam bentuk notasi yang bisa dimengerti dan digunakan [5].Adapun komponen data spasial seperti Gambar 1.

Gambar 1. Komponen data spas ial [5] Data Spasial terdiri dari 2 (Dua) komponen yaitu: (a) Data Geomatic, sebuah model dalam bentuk database memerlukan aspek kategori yang nyata dari database yang dikelola dan dimanipulasi oleh DBMS. (b) Data Thematic, proses untuk mengklasifikasi objek-objek ke dalam kelompok-kelompok sehingga memudahkan untuk membedakan suatu objek dengan objek yang lainnya. Hal ini dimungkinkan karena benda-benda dapat memiliki karakteristik yang sama atau karakteristik yang berbeda. 2.2. Website Website adalah keseluruhan halaman-halaman yang berisikan informasi berupa gambar, tulisan, suara, animasi baik dinamis maupun statis yang terdapat dalam sebuah rangkaian jaringan halamam (link) menggunakan protocol http dan diakses menggunakan web browser[6]. Salah satu perangkat lunak bantu yang bisa digunakan untuk mendesain web adalah Macromedia, yaitu suatu editor HTML, aplikasi desain dan pengembangan web yang menyediakan kode editor dengan fitur standar seperti syntax highlighting, code completion, dan code collapsing serta fitur lebih canggih seperti real-time syntax checking dan code introspection untuk menghasilkan petunjuk kode untuk membantu pengguna dalam menulis kode [7].

Sehubungan dengan ini, kebutuhan akan suatu perangkat lunak yang mampu menghasilkan informasi yang cepat dan terbaru mengenai lahan gambut sangat dibutuhkan 2.3. Use Case Diagram agar dapat diakses oleh semua pihak yang Use Case adalah teknik persyaratan fungsional sebuah berkepentingan akan kelestarian lahan gambut. sistem. Use Case mendeskripsikan interaksi tipikal Dengan didasari hal diatas maka penelitian ini dilakukan antara para pengguna sistem dengan sistem itu sendiri untuk menghasilkan suatu Sistem Informasi Geografis dengan memberikan sebuah narasi tentang bagaimana berbasis web yang menampilkan informasi penyebaran sistem tersebut digunakan [8]. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 331

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 Dalam desain use case, pihak yang berinteraksi dengan 2. Gambut adalah material organik yang terbentuk sistem disebut aktor dimana aktor itu sendiri bisa secara alami dari sisa-sisa tumbuhan yang manusia atau pihak lain di luar sistem. Aktor terdekomposisi tidak sempurna dan terakumulasi berinteraksi dengan sistem menggunakan satu atau pada rawa. banyak use case sebaliknya sebuah use case juga dapat 3. Ekosistem Gambut adalah tatanan unsur Gambut digunakan oleh beberapa aktor. yang merupakan satu kesatuan utuh menyeluruh yang saling mempengaruhi dalam membentuk 2.4. Peta keseimbangan, stabilitas, dan produktivitasnya. 4. Kesatuan Hidrologis Gambut adalah Ekosistem Salah satu bagian penting dalam pembuatan Sistem Gambut yang letaknya di antara 2 (dua) sungai, di Informasi Georafis adalah tersedianya peta sebagai antara sungai dan laut, dan/atau pada rawa. media sosial dari karakteristik dipermukaan bumi, peta b.Pasal 3 juga menjadi sumber dari data spasial. Pemahaman tentang peta adalah representasi simbolic dari suatu tempat yang di gambarkan sebagai suatu permukaan datar yang menberikan informasi tentang suatu negara, luas wilayah, jarak antar wilayah dan karakteristik dari suatu tempat yang di visualkan dengan skala[9].

Perlindungan dan Pengelolaan Ekosistem Gambut sebagaimana dimaksud dalam Pasal 2 ayat (2) meliputi: a. perencanaan; b. pemanfaatan; c. pengendalian; d. pemeliharaan; e. pengawasan; dan f. sanksi administratif. Dengan peraturan ini diharapkan kerusakan lahan gambut dapat dicegah.

2.5. ArcGis

3. Metodologi Penelitian

Dalam proses pengembangan perangkat lunak sistem informasi geografis, ada beberapa hal yang perlu diperhatikan yaitu pengaturan unit peta yang kita buat, penentuan skala tampilan, penentuan sistem koordinat serta pengaturan grid koordinat pada layout. Untuk itu diperlukan alat bantu berupa perangkat lunak yang dapat mengakomodasi beberapa hal-hal tersebut yakni menggunakan perangkat lunak yang disebut ArcGis.

Metode pada penelitian ini menggunakan metode deskriptif. Penelitian deskriptif merupakan penelitian yang dimaksudkan untuk mengumpulkan informasi mengenai status suatu gejala yang ada, yaitu keadaan gejala menurut apa adanya pada saat penelitian dilakukan[12].

Tujuan penelitian deskriptif adalah untuk membuat penggambaran yang jelas secara sistematis, faktual, dan ArcGis adalah sebuah solusi perangkat lunak aplikasi akurat mengenai fakta-fakta dan sifat-sifat populasi atau sistem informasi geografis yang integral serta terdapat daerah tertentu. beberapa aplikasi sistem informasi geografis yang memiliki fungsi berbeda. Di antaranya adalah ArcView, Dalam penelitian ini metode pengembangan perangkat ArcMap, ArcCatalog dan ArcReader [10]. ArcGIS lunak yang digunakan adalah pendekatan pemodelan dikembangkan oleh ESRI (Environment Science & siklus hidup klasik (Classic life cycle model). Model Research Institue) yang merupakan kompilasi fungsi- proses ini menitik beratkan pada pendekatan terhadap fungsi dari berbagai macam software GIS yakni GIS perkembangan perangkat lunak yang sistematik dan sekuensial dimulai dari tingkat dan kemajuan sistem desktop, server, dan GIS berbasis web. pada analisis, desain, kode, pengujian, dan pemeliharaan[13]. Adapun model siklus hidup klasik 2.6. Dasar hukum pengelolaan lahan gambut tersebut dapat di lihat pada Gambar 2. Dalam rangka untuk membangkitkan kesadaran akan pentingya kelestarian lahan gambut dan dengan mempertimbangkan bahwa lahan gambut adalah lahan yang sangat penting dan rawan terjadi kerusakan. Pemerintah telah membuat Peraturan Pemerintah (PP) No.71 Tahun 2014 tentang Perlindungan dan Pengelolaan Ekosistem Gambut antara lain[11]:

Gambar 2. Classic Lifecycle Model [13]

a. Pasal 1 1. Perlindungan dan Pengelolaan Ekosistem Gambut adalah upaya sistematis dan terpadu yang dilakukan untuk melestarikan fungsi Ekosistem Gambut dan mencegah terjadinya kerusakan Ekosistem Gambut yang meliputi perencanaan, pemanfaatan, pengendalian, pemeliharaan, pengawasan, dan penegakan hukum.

Berikut ini adalah penjelasannya tentang model siklus hidup klasik yaitu : 1.

Komunikasi

Pada tahap ini dilakukan komunikasi dengan pihak yang akan menggunakan atau yang berkepentingan dengan sistem informasi yang akan dibuat, dalam hal ini diskusi dan komunikasi dilakukan dengan pegawai pada Dinas

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 332

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 Kehutanan UPTD Pengendalian Kebakaran Hutan dan persyaratan sistem atau user requirement dan system Lahan Kabupaten Musi Banyuasin. Komunikasi di requirement sebagai berikut: fokuskan pada analisis kebutuhan perangkat lunak, T abe.1. T abel Kebutuhan Pengguna T erhadap Sistem pemahaman tentang proses bisnis dan fungsi yang terkait dengan perangkat lunak serta antar muka (user Bagian/ No Kebutuhan Sistem interface) yang sesuai dengan keinginan pengguna. Unit Kerja 2.

Perencanaan

1

Administrator 

Adanya proses pembuatan peta dengan argis Adanya pengunggahandata peta pada argis Online Adanya Proses peletakan script web gis Online Adanya informasi mengenai lahan gambut melalui aplikasi GIS



Fokus pada tahap perencanaan ini adalah menetapkan rencana pengembangan dari perangkat lunak sistem  informasi geografis lahan gambut. Kegiatan yang 2 Masyarakat  dilakukan antara lain: penentuan tugas–tugas teknis yang harus dipenuhi, analisa resiko yang mungkin akan dihadapi, penentuan sumber daya yang dibutuhkan serta 4.2. Pemodelan jadwal kerja. Tahapan ini menghasilkan suatu model dengan 3. Pemodelan mendeskripsikan kebutuhan perangkat lunak (software) Tahapan ini menghasilkan suatu model yang dan fungsi dari perangkat lunak untuk menggambarkan memungkinkan pengembang dan pengguna memahami proses bisnis yang terjadi pada suatu organisasi, Alat lebih lanjut mengenai kebutuhan perangkat lunak dan bantu yang digunakan untuk pemodelan ini adalah perancangan–perancangan untuk memenuhi kebutuhan diagram-diagram Unified Modeling Language (UML) tersebut. Desain perangkat lunak adalah proses berfokus yang merupakan bahasa pemodelan berorientasi objek. pada empat atribut sebuah program yakni struktur data, Adapun bentuk pemodelan yang dibuat adalah sebagai arsitektur perangkat lunak, representasi antarmuka, dan berikut : algoritma. a. Use Case Diagram 4. Konstruksi Diagram Use case digunakan untuk menjelaskan bisnis Tahapan kontruksi merupakan proses pembuatan kode. proses dan tanggapan perangkat lunak apabila ada Program. Proses pengkodean merupakan proses aktivitas yang dilakukan aktor dalam sistem. Dalam hal menterjemahkan desain menggunakan bahasa yang ini terdapat 2 (Dua) aktor yakni Administrator dan dimengerti komputer yakni menggunakan bahasa Masyarakat. Aktor Administrator melakukan proses pemrograman. Hasil dari pengkodean ini adalah sebuah pembuatan Arc katalog peta, selanjutnya menentukan georefrencing, aktivitas berikutnya adalah memasukkan Sistem informasi geografis lahan gambut. data spasial peta, dibuat, maka case dilanjutkan dengan mengunggah peta, mengisi database, mengunggah peta 5. Penyebaran ke arcgis dan membagikan peta gis ke website. Pada tahapan ini, perangkat lunak di uji cobakan kepada pengguna untuk memperoleh masukan sebagai dasar Sedangkan aktor masyarakat melakukan aktivitas seperti membuka website untuk mendapatkan informasi dalam melakukan evaluasi dan perbaikan. mengenai lahan gambut. Secara detail diagram use case dapat dilihat pada Gambar 3. 4. Hasil dan Pembahasan Hasil penelitian ini adalah sebuah Aplikasi Sistem Informasi Geografis berbasis web yang menampilkan data dan informasi penyebaran gambut, luas lahan gambut, kedalaman, lahan gambut yang telah diberi izin oleh pemerintah serta penbaharuan seberapa besar luas kerusakan lahan gambut di Kabupaten Musi Banyuasin. Secara detail pembahasannya adalah sebagai berikut:

membuat arckatalog peta

membuka website menentukan georeferencing masyarakat Administrator

input data spasial peta

mengisi database peta

4.1. Komunikasi Pada tahapan ini dilakukan komunikasi yang intensif antara peneliti dan calon pengguna dari perangkat lunak dalam upaya untuk mendapatkan kesamaan pandangan dan menggali kebutuhan pengguna terkait dengan sistem informasi GIS ini. Adapun hasil Proses pencarian kebutuhan ini didapatkan sesamaan pandangan yang di tuangkan dalam bentuk persyaratan pengguna dan

<> <>

upload peta ke arcgis online <> <>

share map gis ke website

view gis lahan gambut

Gambar 3. Use case diagram Sistem informsi geografis lahan gambut

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 333

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 Berikut adalah detail case yang dilakukan oleh aktor lunak Sistem Informasi Geografis lahan gambut yang Administrator dalam webgis ini yaitu : secara detail dapat di jelaskan sebagai berikut: 1.

2. 3.

4. 5.

Membuat arcCatalog peta yaitu proses pembuatan area kerja dan menentukan konsep dari peta yang akan dibangun sepeti menambahkan gambar peta dan menentukan jenis shapefile yang akan digunakan. Menentukan georeferencing yaitu proses penandaan point area kerja dari map. Menentukan data spasial peta yaitu proses polygon wilayah kecamatan dan lahan gambut diwilayah Sumatera Selatan. Mengisi database peta yaitu proses pendataan peta lahan gambut kedalam data database. Unggah peta ke arcgis online yaitu pengunggahan data spacial kedalam acrgis online. Setelah data terunggah, peta arcgis online tersebut di subscript kedalam layout website. Untuk dapat di akses oleh masyarakat dan stakeholders lain.

a. Halaman Utama Pada halaman utama berisikan halaman pembuka Sistem Informasi Geografis Pemetaan Lahan Gambut Sumatera Selatan. Pengunjung dapat memilih menu yang ada pada halaman utama sesuai dengan apa yang diketahui pengguna mengenai lahan gambut,.seperti dapat dilihat pada Gambar 5.

b. Activity Diagram Activity diagram adalah diagram yang menggabungkan aliran kerja (workflow) atau aktivitas user terhadap Gambar 5..Halaman utama web gis sistem dalam mengelola data peta gis kedalam webgis. Secara terperinci activity diagram sistem informasi Pada halaman utama ini tersedia menu yang bisa diakses lahan gambut dapat dilihat pada gambar 4. dengan mudah untuk mendapatkan informasi mengenai lahan gambut. Dari activity diagram diuraikan tahapan-tahapan dalam mengelola webgis sebagai berikut: Pertama-tama b. Halaman Gis Gambut Administrator membuka arcmap terlebih dahulu, setelah Pada halaman Gis Gambut Kabupaten Muba berisikan itu mengisi arccatalog peta, menentukan georefrencing layout peta lahan gambut setiap kecamatan di Kabupaten peta, mamasukkan data spasial dan mengisi database. Musi Banyuasin yang berisi informasi tentang luas lahan Tahapan selanjutnya adalah mengunggah hasil gambut, luas kerusakan dan pembaharuan. Gambar 6. pengolahan peta kedalam arcgis online. Tahapan akhir adalah mengunggah hasil scrip yang di unggah untuk diletakkan ke dalam website. Administrator

Arcgis

membuka arcmap

mengisi arckatalog peta

Webgis

menentukan georefrencing

menginput data spasial

mengisi database

upload file arcgis online

upload peta ke web base

out

Gambar 4. Activity diagram

Setelah melalui beberapa tahapan dan proses maka didapatlah hasil akhir dari penelitian ini yaitu perangkat

Gambar 6. Halaman Peta Gis lahan gambut perkecamatan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 334

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 c. Halaman Gis Gambut Kategori Gambut Pada halaman ini, terdapat informasi tentang gambut berdasarkan kategori lahan gambut. Layout peta lahan gambut di Kabupaten Musi Banyuasin dapat diakses pengunjung untuk dapat melihat informasi detail mengenai lahan gambut seperti luas lahan dan kedalam gambut. Pengunjung dapat mencentang gambut dan mengklik wilayah berwarna hitam, seperti terlihat pada Gambar 7.

E. Lahan gambut yang di kelola perusahaan Halaman berikutnya adalah informasi mengenai lahan gambut yang telah mendapat izin untuk dilakukan pengelolaan, lihatGambar 9.

Gambar 9. Halaman Gis lahan gambut yang telah dikelolah .

F. Lahan gambut kategori desa Pada Gambar 10 adalah layout yang menginformasikah desa yang berada di derah yang memiliki lahan gambut. Gambar 7. Halaman Gis lahan gambut perkategori Informasi yang dapat diperoleh antara lain: luas desa, d. Halaman Gis Gambut Muba Kategori Belum luas lahan gambut, jumlah penduduk dan mata pencarian penduduk. dikelola Pada Gambar 8 adalah halaman gis gambut kategori belum di kelola. Pada halaman ini berisikan layout peta gambut yang belum di kelola oleh pihak manapun. Pengunjung web dapat melihat informasi detail mengenai lahan gambut yang belum di kelola dengan mencentang belum dikelola pada contents dan mengklik wilayah berwarna coklat.

Gambar 10. Halaman Peta Gis lahan gambut per desa

5.Kesimpulan 5.1. Kesimpulan Dari penelitian yang telah dilakukan disimpulkan hal-hal sebagai berikut:

Gambar 8. Halamn Gis lahan gambut yang belum di kelolah

ini dapat

1. Sistem Informasi Geografis ini memiliki fasilitas untuk mengumpulkan, mengolah, memperbaharui dan menyimpan data lahan gambut dalam database,

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 335

Alek Wijaya, Eka Puji Agustini, Eko Nardo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 disajikan dalam bentuk visual sehingga para pihak atau masyarakat yang berkepentingan dapat lebih mudah mengakses informasi yang terbaru tentang kondisi lahan gambut. 2. Sistem Informasi Geografis Pemetaan Lahan Gambut terdiri dari halaman-halaman web yang terdiri dari antara lain: halaman web lahan gambut perkecamatan, halaman web lahan gambut perdesa, halaman web per kategori gambut, halaman web lahan gambut yang belum dikelolah, halaman web lahan gambut yang sudah di kelolah perusahaan. 3. Dengan adannya Sistem Informasi Geografis ini diharapkan dapat mempermudah Unit Pelaksanaan Teknis Dinas Pengendalian Kebakaran Hutan dan Lahan mengambil langkah-langkah strategis dalam upaya menyelamatkan keberadaan lahan gambut.

[8] M artin,F,2005. UM L Distilled,Edisi 3, Andi, Yogjakarta [9] National Geografic,2017. M ap, [Online] Availabel at: https://www.nationalgeographic.org/encyclopedia/map/ (Accesed 15 Desember 2017) [10] Awaluddin, N 2010. Geopraphical Information System with ArcGis 9.x edisi 1, Andi, Yogyakarta. [11] Lembaran Negara Republik Indonesia,2014,Peraturan Pemerintah Republik Indonesia No.71 Tahun 2014. [Online] Available at: http://www.kemendagri.go.id/media/documents/2014/11/13/p /p/pp_no.71-2014.pdf (Accessed 18 Januari 2018) [12] Arikunto,2002. M etodelogi penelitian suatu pendekan proposal. Jakarta,PT. Rineka Cipta [13] Roger S. P, 2002. Rekayasa Perangkat Lunak Pendekatan Praktisi, Andi, Yogyakarta.

5.2.Saran Adapun saran untuk penelitian tentang Sistem Informasi Geogafis ini adalah : . 1. Perlu dilakukan pelatihan kepada para petugas yang mengelolah sistem, agar Sistem Informasi Geografis dapat berfungsi dengan baik dan selalu dapat diakses oleh pengguna 2. Untuk menjaga keberlangsungan sistem dan mengantisipasi hal yang tidak diinginkan maka sistem ini harus terus menerus di pelihara dan di lakukan penggandaan sistem (Back up system) 3. Penulis menyarankan agar Penelitian berikutnya untuk dapat merekayasa perangkat lunak GIS dengan mengintegrasikan Sistem Informasi Geografis untuk beberapa Provinsi atau Kabupaten kota yang memiliki lahan gambut. 6.Daftar Rujukan [1] Jurnal Bumi, 2017. Lahan Gambut [Online] (Update 2 M aret 2018) Available at:https://jurnalbumi.com/lahangambut/ (accessed 19 februari 2018) [2] Environmental System Research Institute, 2017. What is GIS (A framework to organize, communicate, and understand the science of our world).[Online] Available at: https://www.esri.com/en-us/what-is-gis/overview (Accessed 12 Februari 2018) [3] Eddy,P, 2009. Sistem Informasi Geografis konsep -konsep dasar (perspektif geodesi & Geomatika, Informatika, Bandung. [4]Kennet,E.F,M argaret,L, 2015. Geographic Information System as an Integrating Technology: Context,,Concepts, and Definition [Online] Available at: https://www.colorado.edu/geography/gcraft/notes/intro/intro. html (Accessed 15 Januari 2018) [5] Abdul,R,A.Pilouk,M , 2008. Spatial Data M odelling for 3D GIS, Springer: New york [6] Zanzad, FH. 2005. Teknik Pengolahan Video dengan Windows M ovie M aker. Indah Surabaya [7] Arief M R. 2011. Pemrograman Web Dinamis menggunakan PHP dan M ySQL,C.V ANDI OFFSET. Yogyakarta

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 330 – 336 336

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 337 – 344

ISSN : 2580-0760 (media online)

Pemodelan Arsitektur Data pada Perguruan Tinggi (Studi Kasus : UMMagelang) a

Mukhtar Hanafia, Ardhin Primadewib , Sunarnic

Fakultas T eknik, Universitas Muhammadiyah Magelang, [email protected] b Fakultas T eknik, Universitas Muhammadiyah Magelang, [email protected] c Fakultas T eknik, Universitas Muhammadiyah Magelang, [email protected]

Abstract Public services becomes main issue in the provision of public services, especially at higher education as one of the public sector in the field of education. It needs innovation directly in developing service system, especially on employee of higher education with good governance pri nciple. The development depends on “Pusat Data dan Sistem Informasi UMMagelang”. However, the control and development control of the system is autonomously assigned to each department in the institution. So the system is not developed based on the business function that is executed or the required data entity, but limited to the spontaneity of short -term needs. It needs an in-depth relationship analysis between the development of information systems with business functions running as well as data entity required. This research is using Zachman Framework which has advantages in the depth of analysis in the data architecture as modelling method. The research relates 3 variables such as business functions, data entities and applications that facilitate the identification of positions that need to be addressed immediately. Keywords: data architecture, data modelling, zachman framework, higher education

Abstrak Pelayanan publik menjadi isu utama dalam penyediaan layanan publik khususnya pada perguruan tinggi sebagai salah satu sektor publik pada bidang pendidikan. Perlu inovasi secara terarah dalam mengembangkan sistem pelayanan khususnya pada civitas akademika dengan prinsip good governance. Pengembangan ini sangat tergantung p ada Pusat Data dan Sistem Informasi UM M agelang. Namun demikian, kendali dan kontrol pengembangan sistem diserahkan secara otonomi pada masing-masing biro tataran institusi. Sehingga sistem yang dikembangkan bukan berdasarkan pada fungsi bisnis yang dijalankan ataupun entitas data yang diperlukan, namun sebatas spontanitas kebutuhan jangka pendek. Perlu adanya analisa yang mendalam terkait relasi antara pengembangan sistem informasi dengan fungsi bisnis yang berjalan serta entitas data yang dibutuhkan. Pemodelan yang digunakan pada penelitian ini menggunakan Zachman Framework yang memiliki kelebihan dalam kedalaman analisa pada arsitektur data. Penelitian ini dengan merelasikan 3 variabel yaitu fungsi bisnis, entitas data dan aplikasi yang memudahkan identifikasi posisi-posisi mana yang perlu segera dibenahi. Kata kunci: arsitektur data, pemodelan data, zachman framework, perguruan tinggi © 2018 Jurnal RESTI

1. Pendahuluan

dan peralatan lain. Dalam pandangan yang lebih luas, TIK menjelaskan suatu koleksi teknologi informasi, Isu pelayanan publik saat ini merupakan isu penting pemakai, dan manajemen bagi keseluruhan organisasi dalam penyediaan layanan publik di Indonesia. [4]. Sedangkan pelayanan merupakan proses pemenuhan kebutuhan pengguna sistem oleh penyedia sistem [1]. TIK sebagai bagian dari e-business dalam manajemen Pelayanan tidak hanya dibutuhkan pada organisasi perguruan tinggi menjadi tolak ukur perkembangan bisnis, tetapi juga berkembang lebih luas pada seluruh business intelligence pada setiap perguruan tinggi [5]. tatanan organisasi baik pemerintah ataupun Perguruan tinggi sebagai salah satu sektor publik pada pendidikan[2]. Proses pelayanan saat ini sangat bidang pendidikan juga mengedepankan pelayanan bergantung dengan teknologi informasi dan komunikasi terutama kepada civitas akademika yang menjadi tulang [3] yang selanjutnya disebut TIK. TIK dalam pandangan punggung keberhasilan manajemen perguruan tinggi. sempit terkait hardware, software, database, networks, Perlu inovasi secara terarah dalam mengembangkan Diterima Redaksi : 15-03-2018 | Selesai Revisi : 05-04-2018 | Diterbitkan Online : 16-04-2018 337

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 pelayanan civitas akademika yang sesuai dengan prinsip good governance sehingga memiliki akuntabilitas serta transparansi data [2]. Perlu adanya kemudahan secara teknologi yang mendukung seluruh kegiatan civitas akademik perguruan tinggi [6] berupa implementasi business intelligence pada perguruan tinggi yang terintegrasi dengan data pada seluruh unit pada perguruan tinggi secara real-time [7].

dan potensi pasar pada setiap elemen manajemen perguruan tinggi [6]. Kemudian dilanjutkan pada tahun 2009 menggunakan framework COBIT [4] dan dilanjutkan tahun 2011 menggunakan metodologi IT Balance Scorecard [8] dalam mengevaluasi penerapan TIK pada perguruan tinggi. Pada tahun 2014, penelitian dilanjutkan dengan perancangan infrastruktur e-business pada perguruan tinggi baik arsitektur logis maupun fisik [9] dan dilanjutkan tahun 2017 terkait perencanaan Pengembangan pelayanan pada civitas akademika pada strategis TIK dengan menyelaraskan visi misi organisasi UMMagelang sangat tergantung pada Pusat Data dan dan perencanaan TIK sebagai pendukung utama [7]. Sistem Informasi UMMagelang (yang selanjutnya disebut PDSI) sebagai Biro pengembang sistem tataran 2.2 Business Intelligence institusi. Namun demikian, kendali dan kontrol Business intelligence merupakan suatu sistem yang pengembangan sistem diserahkan secara otonomi pada memudahkan dalam mengumpulkan, menganalisa, masing-masing biro tataran institusi. Sehingga sistem menyimpan, serta menyediakan data - data yang yang dikembangkan bukan berdasarkan pada fungsi dibutuhkan civitas akademika institusi perguruan tinggi bisnis yang dijalankan ataupun entitas data yang [10]. Business intelligence mampu menjawab kebutuhan diperlukan, namun sebatas apa yang secara kasat mata manajemen eksekutif perguruan tinggi untuk dibutuhkan biro-biro terkait. Hal ini menunjukkan menganalisa masalah-masalah dan dalam pengambilan bahwa pengembangan business intelligence di keputusan [7]. lingkungan UMMagelang bersifat sporadis [5] atau spontanitas [7]. Hal tersebut diatas menunjukkan bahwa 2.3 Enterprise Architecture Planning belum adanya analisa yang mendalam terkait hubungan antara pengembangan sistem informasi dengan fungsi Enterprise Architecture (EA) merupakan suatu proses bagaimana sebuah organisasi memulai dan bisnis yang berjalan serta entitas data yang dibutuhkan. menghasilkan tatanan yang baik tentang implementasi Rumusan masalah dalam penelitian ini bagaimana memodelkan arsitektur data yang dapat mendukung teknologi informasi dan proses bisnis dalam organisasi [11], [12]. Pada penelitian ini framework yang pengembangan business intelligence pada perguruan digunakan adalah Enterprise Architecture Planning. tinggi ? Tujuan penelitian ini adalah menemukan kebutuhan data Enterprise Architecture Planning (yang selanjutnya disebut EAP) merupakan suatu pendekatan yang dibuat yang terlupakan pada rangkaian proses bisnis pada oleh Steven H. Spewak untuk membangun arsitektur sebuah perguruan tinggi. Penemuan entitas data ini sebagai pondasi dalam pembenahan rencana enterprise berdasarkan kebutuhan data dan proses bisnis yang berjalan. EAP terdiri dari arsitektur data, arsitektur pengembangan sistem informasi dan teknologi aplikasi dan arsitektur teknologi. Arsitektur disini informasi institusi perguruan tinggi. Tentunya pembenahan ini tidak luput dari keselarasan visi misi sebagaimana layaknya cetak biru sebagai panduan untuk pengembangan informational dashboard secara institusi perguruan tinggi. Pemodelan yang digunakan keseluruhan pada perguruan tinggi [13]. Pada Gambar 1 pada penelitian ini menggunakan Zachman Framework yang memiliki kelebihan dalam kedalaman analisa ditunjukkan lapisan pada EAP yang mana pemodelan arsitektur data dapat dilihat pada lapisan ke-3. khususnya pada arsitektur data. 2. Tinjauan Pustaka Pada era globalisasi, peranan TIK sangat vital dalam perbaikan manajemen perguruan tinggi. Perguruan tinggi sebagai bagian dari dunia pendidikan yang mengutamakan pelayanan kepada stakeholder-nya, menjadikan TIK sebagai salah satu faktor utama dalam memunculkan daya saing [7]. Daya Saing perguruan tinggi adalah kriteria yang digunakan untuk mengukur sejauh mana dukungan sistem pada perguruan tinggi akan dikembangkan sehingga dapat bertahan pada era globalisasi [6]. Berikut ini merupakan tinjauan pustaka yang mendukung penelitian ini

Gambar 1.Komponen dan Lapisan Enterprise Architecture Planning [3]

2.4 Zachman Framework

Pendefinisian arsitektur data pada EAP masih tergolong umum. Untuk lebih mendalami proses analisa, pendekatan pemodelan arsitektur data menggunakan zachman framework . Zachman framework merupakan 2.1 Rekam Jejak Penelitian salah satu kerangka kerja yang digunakan untuk arsitektur enterprise yang Penelitian terkait business intelligence pada perguruan mengembangkan tinggi sudah dimulai dengan menganalisa model bisnis diperkenalkan oleh John Zachman sejak tahun 1987. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 338

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 Zachman framework merupakan suatu alat bantu yang dikembangkan untuk memotret arsitektur organisasi dari berbagai sudut pandang dan aspek, sehingga didapatkan Gambaran organisasi secara utuh. Beberapa keunggulan dari zachman framework antara lain sangat mudah dipahami, karena mengacu kepada organisasi secara umum dan mengGambarkan tools dan metodologi secara independen, komponen- komponen dapat dipetakan untuk menemukan kondisi yang paling cocok dengan pemodelan arsitektur data pada seluruh bagianbagian berbeda dari infrastruktur TI melalui perspektif yang berbeda [14]. 2.5 Value chain analysis Value chain analysis dibuat untuk mengidentifikasi dan mendefinisikan area bisnis dengan mengklasifikasikan area ke dalam bisnis utama (primary activities) dan bisnis pendukung (support activities) pada enterprise. Mengacu pada dokumen organisasi yang menyebutkan tugas dan fungsi setiap unit kerja berdasarkan pengamatan yang dilakukan terhadap proses kerja yang terjadi di masing-masing unit kerja [7].

a. Dokumentasi visi dan misi institusi b. Identifikasi dan definisi fungsi bisnis. c. Dokumentasi model bisnis utama, distribusi, dan presentasi kepada semua stakeholder institusi. 3.3 Existing System and Technology Pada tahap ini merupakan lanjutan setelah proses bisnis didefinisikan. Menganalisis data dan informasi yang ada dipilah berdasarkan fungsi bisnisnya. Pada tahap ini diperoleh matriks fungsi bisnis dan entitas data yang ada dan yang belum ada. Termasuk memetakan data dan fungsi bisnis yang dibutuhkan untuk jangka panjang pada lingkup institusi. 3.4 Data Architecture

Tahap akhir adalah mendefinisikan data utama yang dibutuhkan untuk mendukung aktifitas bisnis. Arsitektur data terdiri dari entitas data yang memiliki atribut dan relasi terhadap data yang lain. Pedoman dalam mendefinisikan arsitektur data yaitu: a. Daftarkan calon entitas data dengan meninjau model bisnis dan deskripsi sistem dan teknologi 3. Metodologi Penelitian yang dipakai. b. Tetapkan entitas yang akan dipakai. Penelitian yang dilakukan selama enam bulan ini c. Definisikan setiap entitas tersebut dan memiliki tahapan yang ditunjukkan pada Gambar 2 dan mendokumentasikannya dijelaskan pada sub bab berikutnya. d. Hubungkan entitas data dengan fungsi bisnis detil. 4. Hasil dan Pembahasan Pada Pada setiap alur proses penelitian terdapat hasil dan pembahasan yang dijabarkan lebih detil pada masingmasing sub bab. 4.1 Planning Initiation

Gambar 2.Alur proses penelitian

3.1 Planning Initiation

Pada tahap pertama, ruang lingkup pembahasan dibatasi pada fungsi bisnis yang telah diimplementasikan pada institusi (terutama pada sisi teknologi informasi) dan terbatas pada fungsi bisnis yang dapat meningkatkan pelayanan pada seluruh civitas akademik serta fungsi bisnis yang mendukung pada keterbutuhan data pada Akreditasi Institusi Perguruan Tinggi (AIPT). Metodologi yang digunakan adalah zachman framework dikarenakan rinci dalam pemodelan arsitektur data. Data yang dipetakan secara 3 dimensi (x,y,z) ini dipecah menjadi bagian-bagian yang mudah untuk diGambarkan yaitu (x,y), (x,z), dan (y,z). Hasil dari pemetaan ini nantinya disebut sebagai matriks relasi.

Tahapan awal yang harus dilakukan adalah melakukan inisiasi perencanaan, dengan harapan proses pemodelan arsitektur dapat terarah dengan baik. Tahapan ini sebagai landasan berfikir tahap berikutnya. Pada tahap inilah ruang lingkup dan perencanaan kegiatan didefinisikan, menentukan metodologi yang akan digunakan, sumber daya yang terlibat dan menetapkan perangkat (tools) 4.2 Business Modelling yang akan digunakan. 3.2 Business Modelling Tahap berikutnya adalah pemodelan bisnis untuk menyediakan dasar pengetahuan yang lengkap dan menyeluruh yang dapat digunakan untuk mendefinisikan arsitektur dan rencana implementasinya. Ada 3 tahapan untuk memodelkan bisnis, yaitu sebagai berikut :

Tahap berikutnya adalah pemodelan bisnis yang diawali dengan dimulai dengan proses pengumpulan data primer dan sekunder dilanjutkan dengan pendefinisian sasaran dan kebijakan organisasi perguruan tinggi sebagai acuan. Proses ini diawali dengan mengumpulkan dokumen visi dam misi perguruan tinggi, dokumen Rencana Strategis Perguruan Tinggi serta Rencana Kerja pengembangan sistem pada PDSI UMMagelang

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 339

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 serta mengidentifikasi proses bisnis dan fungsi bisnis yang berjalan di UMMagelang. Dari dokumen dan data primer yang didapatkan dapat dipetakan menggunakan Porter five forces competitive seperti pada Gambar 3. Pada Gambar 3 dapat diketahui bahwa stakeholder institusi terbagi menjadi 5 aspek yaitu competitor, new entrant, supplier, customer dan substitute. New entrant, competitor dan substitute menjadi ancaman bagi institusi jika tidak menaikkan daya saing kompetitif. Sedangkan supplier dan customer menjadi kesempatan dalam menaikkan daya saing kompetitif tersebut.

Gambar 4.Value chain analysis fungsi bisnis UMMagelang

Gambar 3.Stakeholder Institusi

Menindaklanjuti stakeholder yang dapat menaikkan daya saing kompetitif institusi, kemudian informasi proses bisnis dan fungsi bisnis yang sudah berjalan pada UMMagelang dapat didefinisikan yaitu : proses Penerimaan Mahasiswa Baru (PMB), proses akademik, perpustakaan, pengembangan Soft Skill, profil lulusan serta Penelitian dan Pengabdian Masyarakat. 4.3 Existing System and Technology Hasil data yang dikolektif dari dokumen, hasil observasi dan wawancara kemudian diolah menggunakan value chain analysis yang dapat membagi aktivitas utama dan aktivitas pendukung pada proses bisnis dan fungsi bisnis UMMagelang. Kumpulan aktivitas yang dilakukan di UMMagelang yang saling berhubungan dalam menciptakan nilai untuk mencapai visi, misi, dan tujuan institusi agar dapat mendukung proses Akreditasi Institusi Perguruan Tinggi (AIPT) diGambarkan berdasarkan value chain analysis Michael E. Porter seperti yang ditunjukkan pada Gambar 4. Dapat dilihat pada Gambar 4 bahwa value chain analysis UMMagelang terdiri atas aktivitas utama dan aktivitas pendukung yang saling berhubungan dalam proses penciptaan nilai. Aktivitas utama (primary activities) terdiri dari proses Penerimaan Mahasiswa Baru (PMB), proses akademik, perpustakaan serta Penelitian dan Pengabdian Masyarakat. Sedangkan aktivitas pendukung (secondary activities) meliputi profil lulusan dan pengembangan Soft Skill.

Penjabaran dari aktivitas utama dan pendukung, dapat diidentifikasi entitas data dari fungsi bisnis yang sudah dipetakan, yaitu : panitia, calon MABA, ujian seleksi, hasil ujian, registrasi, mahasiswa, program studi, kurikulum, dosen, mata kuliah, jadwal kuliah, ruang, rencana studi, ujian, nilai, cuti, TA/skripsi, laporan, yudisium, wisuda, presensi, berita acara dan RPS mata kuliah. 4.4 Data Architecture Setelah fungsi bisnis dan entitas data diidentifikasi pada sub bab sebelumnya, dilanjutkan dengan pemetaan untuk mencari hubungan (relasi). Hubungan ini didefinisikan melalui sebuah matriks hubungan antara entitas data dengan fungsi bisnis. Masing-masing sel dalam matriks untuk menentukan data entitas yang di create (C) yaitu fungsi untuk membuat data, read/reference (R) yaitu fungsi yang menggunakan data dan update (U) yaitu fungsi yang mengubah atau mengupdate data. Terdapat 3 pemetaan yang merupakan turunan dari hubungan 3 dimensi pada fungsi bisnis yang berjalan, yaitu : a) Pemetaan fungsi bisnis ke entitas data (x,z) Setiap entitas data yang telah didefinisikan dihubungkan dengan area fungsi bisnis. Hubungan antara entitas data dengan area fungsi bisnis adalah dalam hal pengolahan dan penggunaan data untuk keperluan pemenuhan tujuan fungsi bisnis. Lebih jelasnya dapat dilihat pada tabel 1. Pada tabel 1 baris yang berwarna kuning merupakan representasi klasifikasi pada fungsi bisnis. Dari fungsi bisnis yang ada maka akan dipetakan pada entitas data yang dibutuhkan. Warna hijau pada entitas data merupakan entitas data yang belum terealisasi saat ini pada sistem di PDSI UMMagelang. Sedangkan warna hijau yang tersebar baik pada angka 1, 2 ataupun 3 menunjukkan bahwa data ini belum teraplikasikan pada sistem di PDSI UMMagelang.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 340

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344

Kemaha siswaan

SDM

Penelitian dan Pengabdian

Proses Perkuliahan

Kelulusan Mahasiswa

1 1

1

1

1

1

1

3

1

RPS Mata Kuliah

Berita Acara

Presensi

Wisuda

Yudisium

Laporan

TA/Skripsi

Cuti

Ujian Nilai

Rencana Studi

Ruang

Jadwal Kuliah

Mata Kuliah

1

1

1 1

3 1

2

1

1

1 3

1

2

1 2

3

1

1

1

3

1

1 3 1 1

3 2 2 1

1

1 1

Dosen

Program Studi Kurikulum

Mahasiswa

Registrasi

Hasil Ujian

Ujian Seleksi

1

Pengabdian

Perencanaan kegiatan PMB Penetapan Standarisasi dan Kapasitas Mhs Pembuatan Jadwal PMB Proses PMB Penyusunan Materi Ujian PMB Penerimaan pendaftaran calom MABA Pelaksanaan Ujian Seleksi Masuk Pemeriksaan Hasil UjianSeleksi Masuk Penetapan Kelulusan Calon MABA Perencanaan Operasional Akademik Penetapan Kurikulum Penetapan Kalender Akademik Penetapan Dosen Penawaran Mata Kuliah Penyusunan Jadwal Kuliah Penetapan Ruang Kuliah Kebijakan Akademik Registrasi Mahasiswa Lama Bimbingan Akademik Pemrosesan Rencana Studi Pembuatan KRS dan KTM Pelaksanaan Perkuliahan Evaluasi Akademik Pelaksanaan Ujian Pengolahan Nilai Cuti Akademik Pelaksanaan sidang / seminar TA/Skripsi Pelaporan Akademik Penetapan Yudisium Pembuatan Ijazah dan Transkrip Nilai Pendaftaran wisuda Pelaksanaan Wisuda Monitoring Proses Perkuliahan Pemantauan Kehadiran Mhs per tatap muka Pemantauan penyampaian materi per tatap muka Penelitian Perencanaan Kegiatan Penelitian Pelaksanaan Kegiatan Penelitian Pelaporan Hasil Penelitian Pengabdian Masyarakat Perencanaan Kegiatan Pengabdian Masy Pelaporan Kegiatan Pengabdian Masy Pengelolaan SDM Manajemen Tenaga Kependidikan

Penelitian

Operasional Akademik

PMB

Fungsi Bisnis

Panitia

Entitas Data

Calon MABA

T abel 1 Aliran Data Matriks Relasi Entitas Data terhadap Fungsi Bisnis

1

3 2

1

1 1 1 1 1

2 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1

1

1

2 2 2 2

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 3 1 1 3 3 2 3 2 3

1 1 1 1

1 1 1 1

1 1

3 1 3

2

1

1

3

1

1

1 1

1

1

1 2

1

1

1

1 1

1

1

1

1

1

2

2

3 1

1

1

1 1 1 1

3

3

1

1

Pengelolaan PKM

1

1

3 3 2 2

3

3 2 2 3

2

2

1 1

1

3

3 3

2

Pengelolaan Prestasi Mahasiswa

1

3

3

Manajemen Dosen

1

3 3 3

1

1 1

3

3

1

1 1 1

1 1

1 3 1

3 1 1

3

3

3

3

Keterangan: 1 = R : Read/Reference, 2 = RU: Read –Update, 3 = CRU : Create –Read –Update

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 341

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 b) Pemetaan fungsi bisnis ke aplikasi (x,y) c) Pemetaan aplikasi ke entitas data (y,z) Setiap aplikasi yang telah didefinisikan dihubungkan Setiap entitas data yang telah didefinisikan dengan area fungsi bisnis. Hubungan antara aplikasi dihubungkan dengan aplikasi. Hubungan antara dengan area fungsi bisnis adalah dalam hal entitas data dengan aplikasi adalah dalam hal data pengolahan dan penggunaan aplikasi untuk dapat dikolektif menggunakan aplikasi mana saja. keperluan pemenuhan tujuan fungsi bisnis. Lebih Lebih jelasnya dapat dilihat pada Tabel 3. jelasnya dapat dilihat pada Tabel 2. Pada Tabel 3 aplikasi yang ada akan dipetakan pada Pada Tabel 2 baris yang berwarna kuning merupakan entitas data yang dibutuhkan. Warna hijau pada representasi klasifikasi pada fungsi bisnis. Dari entitas data merupakan entitas data yang belum fungsi bisnis yang ada maka akan dipetakan pada terealisasi saat ini pada sistem di PDSI aplikasi yang diimplementasikan. Warna hijau pada UMMagelang. Sedangkan warna hijau yang tersebar aplikasi merupakan aplikasi yang belum terealis asi baik pada angka 1, 2 ataupun 3 menunjukkan bahwa saat ini pada sistem di PDSI UMMagelang. data ini belum teraplikasikan pada sistem di PDSI Sedangkan warna hijau yang tersebar baik pada UMMagelang. angka 1, 2 ataupun 3 menunjukkan bahwa aplikasi ini belum teraplikasikan pada sistem di PDSI UMMagelang.

PMB

Perencanaan kegiatan PMB Penetapan Standarisasi dan Kapasitas Mhs Pembuatan Jadwal PMB Proses PMB Penyusunan Materi Ujian PMB Penerimaan pendaftaran calom MABA Pelaksanaan Ujian Seleksi Masuk Pemeriksaan Hasil UjianSeleksi Masuk Penetapan Kelulusan Calon MABA Perencanaan Operasional Akademik Penetapan Kurikulum

2

1

1

3

3

1

1

3

1

1

2

1

Penetapan Kalender Akademik

1

2 3

1

3

1

1

1

1

1

2

3

1 3

Penetapan Dosen

Operasional Akademik

Monitoring Perkuliahan Portal LP3M

1

Portal Wisuda

3

1

Ap. Kelulusan

3

Portal Akademik

1

Ap. Laporan

1

Ap. Evaluasi

1

Ap. Pengelolaan Peserta Kelas Ap. Manajemen Perkuliahan Ap. Hasil Studi

2

Ap. Rencana Studi

Ap. Entri Data Penukung Ap. Manajemen Kurikulum Ap. Awal Semester

Fungsi Bisnis

Ap. Registrasi Mahasiswa Portal Registrasi

Aplikasi

Ap. Pendaftaran Calon Mhs baru Ap. Tes CBT PMB

T abel 2 Aliran Data Matriks Relasi Aplikasi terhadap Fungsi Bisnis

1

3

Penawaran Mata Kuliah

1

1

3

Penyusunan Jadwal Kuliah

2

1

3

Penetapan Ruang Kuliah

2

1 1

3

Kebijakan Akademik Registrasi Mahasiswa Lama

3

1

Bimbingan Akademik

2

1

Pemrosesan Rencana Studi

1

1

Pembuatan KRS dan KTM

1

1

Pelaksanaan Perkuliahan

1

1

Pelaksanaan Ujian

1

1

Pengolahan Nilai Cuti Akademik Pelaksanaan sidang / seminar TA/Skripsi Pelaporan Akademik

1 3

1

2

1

3

1

1

3

1

1

1

2

1

1

1

3

3

1

1

1

1

1

3

3

1

1

1

1

1 1

1

1

2 2

1

1

2

1

1

1

1

2

1

2 2

1 1

Evaluasi Akademik

Kelulusan Mahasiswa

Penetapan Yudisium Pembuatan Ijazah dan Transkrip Nilai Pendaftaran wisuda Pelaksanaan Wisuda

1

1

3 2

3

1

1

3

1 1

1 1

1

1

1

1

1

1

1

1

1

1

3

1

1

1

1

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 342

1

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344

1 3

1

1

1

3

1

1

3

Perencanaan Kegiatan Penelitian

3

1

Pelaksanaan Kegiatan Penelitian

3

1

Pelaporan Hasil Penelitian Pengabdian Masyarakat Perencanaan Kegiatan Pengabdian Masy Pelaporan Kegiatan Pengabdian Masy Pengelolaan SDM

3

1

3

3

2

2

Manajemen Tenaga Kependidikan

3

3

2

2

Manajemen Dosen

3

3

2

2

Kemaha siswaan

SDM

Penelitian dan Pengabdian

Proses Perkuliahan

Monitoring Proses Perkuliahan Pemantauan Kehadiran Mhs per tatap muka Pemantauan penyampaian materi per tatap muka Penelitian

2

3

3

2

2

3

3

3

3

3

3

3

2

3

Pengelolaan Prestasi Mahasiswa

3

2

3

Pengelolaan PKM

3

2

3

1

3

Keterangan: 1 = R : Read/Reference, 2 = RU: Read –Update, 3 = CRU : Create –Read –Update

1

1

1

2

1

1

2

2

2

1 2

1

1 1

Portal LP3M

1

3

1 1

1

1

Presensi

Wisuda

Yudisium

3

3

3

1

1

1

1

3

3

3

3

3

3

1

3

3

1

3

3

3

3

1

1

1

1

3

2

1

2

1

1

1

1

1

1

1

1

1

3

2

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

3

1

2

1

2

Pengabdian

1

Penelitian

3

RPS Mata Kuliah

3

Berita Acara

1 1

1

Laporan

1

TA/Skripsi

1

Cuti

1

Nilai

2

Ujian

3

Rencana Studi

1

Ruang

1

Jadwal Kuliah

1

Mata Kuliah

1

Dosen

2

Kurikulum

3

Mahasiswa

Hasil Ujian

1

Registrasi

Ujian Seleksi

Ap. Pendaftaran Calon Mhs Baru Ap. Tes CBT PMB Ap. Registrasi Mhs Po1tal Registrasi Ap. Entri Data Penukung Ap. Manajemen Kurikulum Ap. Awal Semester Ap. Rencana Studi Ap. Pengelolaan Peserta Kelas Ap. Manajemen Perkuliahan Ap. Hasil Studi Ap. Evaluasi Ap. Laporan Portal Akademik Ap. Kelulusan Portal Wisuda Monitoring Perkuliahan

Calon MABA

Aplikasi

Panitia

Entitas Data

Program Studi

T abel 3. Aliran Data Matriks Relasi Entitas Data terhadap Aplikasi

1 3 2

1

1

3 1

1

1

1

1

1

1

3

1

1 1

1

1 1

1

1 1 1

1

1

1

2

3

2

1 1

3

1

1

1

1

1

1 1

1 3

1 1

1

1

1

3

1

3 3

1

3 3

1

Keterangan: 1 = R : Read/Reference, 2 = RU: Read –Update, 3 = CRU : Create –Read –Update

5. Kesimpulan

UMMagelang, sebagai Biro pengembang sistem informasi tataran institusi. Pada awal penelitian, 5.1 Simpulan ditemukan bahwa sistem informasi yang dikembangkan Pengembangan pelayanan pada civitas akademika pada oleh PDSI belum dikembangkan secara terarah. Hal ini UMMagelang sangat tergantung pada PDSI Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 343

Mukhtar Hanafi, Ardhin Primadewi, Sunarni Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 Pengembangan Sistem Informasi Akademik Menggunakan Zachman Framework,” J. Tek., vol. 6, no. 2, pp. 72–82, 2017. N. Hilda, “Strategi Inovasi Layanan dalam Meningkatkan Kualitas Pelayanan di Kantor Pertanahan Kota Surabaya II,” in Kebijakan dan Manajemen Publik, 2014, vol. 2, no. 1, pp. 1–10. D. M. Khairina, Mustafid, and B. Noranita, “Enterprise Architecture Planning Untuk Pengembangan Sistem Informasi Perguruan T inggi,” J. Sist. Inf. Bisnis, vol. 3, pp. 117–123, 2012. A. Setiawan, “Evaluasi penerapan teknologi informasi di perguruan tinggi swasta Yogyakarta dengan menggunakan model Cobit framework,” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2009, p. A-15. [5] I. Silanegara, B. T ama, and D. Nurhidayat, “Perencanaan Strategis T eknologi Informasi (Studi Kasus: Politeknik Negeri Jakarta),” J. Generic, vol. 6, no. 1, pp. 13–18, 2013. [6] S. Warnars, “Rancangan Infrastruktur E- Bisnis Business Intelligence pada Perguruan T inggi,” Telkomnika, vol.6,p.6930, 2008. [7] A. Primadewi, U. Yudatama, and S. Nugroho, “Pengukuran T ingkat Kematangan Pengembangan Business T eknologi Informasi dan Komunikasi (T IK) Perguruan T inggi,” J.Rekayasa Sist. dan Teknol. Inf., vol. 1, no. 1, pp. 34–42, 2017. [8] M.-H. Chuah and K.-L. Wong, “A review of business intelligence and its maturity models,” African J. Bus. Manag., vol.5,no.9,pp. 3424–3428, 2011. [9] S. Romayah, A. Suroso, and A. Ramadhan, “Evaluasi Implementasi E-government di Instansi XYZ,” J. Apl. Manaj., vol. 12, no. 4, pp. 612–620, 2014. [10]A. Kurniawan, Y. N. Kunang, and S. D. P. Sari, “ Penerapan Dashboard Business Intelligence Pada Penelitian , Pelayanan / Pengabdian Kepada Masyarakat Dan Kerjasama,” Palembang, 2016. [11]T . Suryana, “Perancangan Arsitektur T eknologiInformasidengan Pendekatan Enterprise Architecture Planning,” Universitas Komputer Indonesia. Bandung, pp. 223–236, 2012. [12]R. Yunis and K. Surendro, “Implementasi EnterpriseArchitecture Perguruan T inggi,” in Seminar Nasional Aplikasi Teknologi Informasi, 2010, p. A-51. [13]D. Khairina, M. Mustafid, and B. Noranita, “Enterprise Architecture Planning untuk Pengembangan Sistem Informasi Perguruan T inggi,” Universitas Diponegoro, 2012. [14]J. M. Nogueira, D. Romero, J. Espadas, and A. Molina, “Leveraging the Zachman framework implementation using action – research methodology – a case study: aligning the enterprise architecture and the business goals,” J. Enterp. Inf. Syst., vol. 7, no. 1, pp. 100–132, 2013.

ditunjukkan dengan masih adanya entitas data utama yang belum diimplementasikan. [2] Berdasarkan pada Gambar 4 “Value chain analysis fungsi bisnis UMMagelang”, dapat diketahui bahwa [3] proses penerimaan mahasiswa baru dan proses akademik merupakan aktivitas utama. Namun demikian dalam pelaksanaannya, distribusi entitas data yang [4] dibutuhkan belum sepenuhnya terakomodir pada fungsi bisnis yang ada pada institusi. Entitas data yang belum diimplementasikan dapat dilihat pada tabel 1 dan 3 pada kolom yang berwarna hijau. Hal ini berdampak pada kurangnya pengembangan aplikasi yang dapat mengakomodir data tersebut (terlihat pada tabel 2). Pada tabel 1 dapat dilihat bahwa data kepanitiaan PMB belum tersimpan sehingga belum dapat mendukung fungsi bisnis perencanaan kegiatan PMB. Pada tabel 1 juga dapat dilihat bahwa RPS Mata Kuliah pada entitas data belum ada. Sehingga fungsi bisnis yang merujuk pada proses perkuliahan masih belum sempurna dikarenakan masih belum adanya data terkait RPS Mata Kuliah. Pada tabel 2 dapat dilihat bahwa aplikasi yang belum ada untuk menunjang fungsi bisnis yang ada yaitu aplikasi manajemen kurikulum dan manajemen perkuliahan. Dari keseluruhan proses yang dilalui, dapat dilihat bahwa pemodelan data dengan merelasikan 3 variabel yaitu fungsi bisnis, entitas data dan aplikasi akan memudahkan dalam mengetahui posisi-posisi mana yang perlu segera dibenahi. 5.2 Saran Saran yang dapat diberikan sebagai tindak lanjut dari hasil penelitian ini adalah adanya kelanjutan pemodelan sistem informasi dan pemodelan teknologi informasi yang akan menjadi model utuh dalam pemodelan perguruan tinggi berdasarkan pada pemodelan arsitektur data yang telah dikembangkan pada penelitian ini. Daftar Rujukan [1] D. Nurnaningsih, “ Enterprise Architecture Planning Untuk

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 337 – 344 344

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353

ISSN : 2580-0760 (media online)

Aplikasi Pengenalan Nama Surah pada Juz ke 30 Kitab Suci Al-Qur’an Menggunakan Speech Recognition Dhimas Sena Rahmantara a, Kartina Diah Kesuma Wardhanib , Maksum Ro’is Adin Safc a

Program Studi T eknik Informatika, Politeknik Caltex Riau, email: [email protected] b Program Studi T eknik Informatika, Politeknik Caltex Riau, email: [email protected] c Program Studi T eknik Informatika, Politeknik Caltex Riau, email: [email protected]

Al-Qur’an is a scripture which contains the saying of Allah Subhanahu Wa Ta’aala and was revealed to Prophet Muhammad. The 30th juz is the juz that exists in the Al-Qur’an. When studying how to read Al-Qur’an well, the first thing that is learned is reading and memorizing surahs in the 30th juz. Nevertheless, there is a problem in remembering or knowing the surah name and the verse which are in the 30 th juz. An android application was developed in order to recognize the surah names in the 30th juz by utilizing speech recognition technology to overcome that problem. Markov Model (Markov Chain) algorithm was implemented in this application. This algorithm will process user’s speech and compute probability of the surah name that was spoken. Speech detection testing gave result that the highest accuracy of application in recognizing the speeches was in the environment without noise with the accuracy of 100% in the most ideal distance is 50 cm for male and for female user. Based on the blackbox testing result, all functionalities of the application have functionated well. Control flow testing gave result that the value is 7 which indicates that the code is simple and well written. 87,74% respondents answered, by filling up the questionnaires, that the application is useful in order to make user knows better about the surah names in the 30th juz. Keywords: Al-Qur’an, 30th Juz, Markov Model, Speech Recognition.

Abstrak Al-Qur’an adalah kitab suci yang berisi firman Allah Subhanahu Wa Ta’aala yang diwahyukan kepada Nabi M uhammad. Juz ke-30 merupakan juz yang terdapat pada kitab suci Al-Qur’an. Ketika belajar membaca Al-Qur’an, hal pertama yang dipelajari adalah membaca dan menghafal surah-surah yang terdapat pada juz ke-30. M eskipun demikian, terdapat permasalahan dalam hal mengingat atau mengetahui nama surah dan ayat-ayat pada juz ke-30. Untuk mengatasi masalah tersebut, maka dirancang aplikasi pengenalan nama surah Al-Qur’an pada juz ke-30 berbasis android dengan memanfaatkan teknologi speech recognition. Algoritma yang diterapkan pada aplikasi ini adalah algoritma Markov Model (Markov Chain). Algoritma ini mengolah inputan suara yang diberikan oleh user dan menghitung probabilitas nama surah yang diucapkan. Setelah dilakukan pengujian keberhasilan deteksi suara, akurasi tertinggi aplikasi dalam menerima inputan suara adalah pada lingkungan tanpa noise dengan akurasi sebesar 100% pada jarak yang paling ideal adalah sejauh 50 cm untuk suara user lakilaki dan perempuan. Berdasarkan hasil blackbox testing, keseluruhan fungsionalitas aplikasi telah berfungsi dengan baik. Berdasarkan hasil control flow testing, nilai cyclomatic complexity adalah 7 yang menunjukkan kode program tersusun sederhana dan ditulis dengan baik. Hasil pengujian kuesioner diperoleh 87,74% responden menyatakan aplikasi ini dapat membantu user lebih mengetahui nama-nama surah pada juz ke-30. Kata Kunci: Al-Qur’an, Juz ke-30, Markov Model, Speech Recognition. © 2018 Jurnal RESTI

1. Pendahuluan Pesatnya perkembangan teknologi informasi dewasa ini menghadirkan teknologi yang memungkinkan interaksi antara manusia dan komputer terjadi melalui perantara suara sebagai media inputan. Teknologi ini lebih umum dikenal sebagai speech recognition. Definisi dari speech recognition adalah kemampuan

suatu perangkat elektronik untuk mengenali kata-kata yang diucapkan [1]. Teknologi speech recognition telah diimplementasikan di beberapa bidang. Salah satu contohnya adalah di bidang telekomunikasi yang mengimplementasikan speech recognition sebagai media untuk mengetikkan pesan singkat (SMS)

Diterima Redaksi : 07-03-2018 | Selesai Revisi : 03-4-2018 | Diterbitkan Online : 17-04-2018 345

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 melalui smartphone. Di bidang home automation, speech recognition diterapkan sebagai media untuk memonitor dan mengontrol kondisi rumah dengan perintah suara [2]. Salah satu algoritma yang dapat diterapkan pada speech recognition adalah algortima Markov Model. Markov Model dapat digunakan sebagai algoritma pencarian data dan mencari nilai probabilitas suatu kata pada teknologi speech recognition ini. Teknologi speech recognition juga telah diimplementasikan pada perangkat lunak kitab suci Al-Qur’an dalam versi digital. Kitab suci Al-Qur’an sendiri terdiri dari 30 juz dan 114 surah yang terdapat di dalamnnya. Saat memulai untuk menghafalkan nama surah dan ayat Al-Qur’an, hal yang pertama dilakukan adalah dengan membaca surah-surah yang terdapat pada juz ke-30. Hal ini dikarenakan surah-surah pada juz ke-30 memiliki jumlah ayat yang relatif lebih sedikit dibandingkan dengan jumlah ayat pada surah-surah yang terdapat pada juz lainnya [3]. Dari uraian di atas, untuk membantu user lebih mengetahui nama-nama surah, ayat surah, jumlah ayat, terjemahan, isi kandungan dan latar belakang/asbabun yang terdapat pada juz ke-30, maka dibangun sebuah aplikasi android yang memanfaatkan teknologi speech recognition. Aplikasi ini akan memperdengarkan audio secara random atau acak kepada user. Kemudian user memberikan input dengan menebak nama surah yang diperdengarkan. Perangkat android akan menangkap inputan suara nama surah yang diberikan oleh user. Algoritma Markov Model akan mengolah inputan suara tersebut dengan mencocokkannya dengan nama surah yang ada pada aplikasi. Jika tebakan user benar, maka output yang akan dihasilkan adalah mengenai nama surah, jumlah ayat, isi kandungan surah, dan latar belakang turunnya (asbabun nuzul) surah. 2. Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian tentang speech recognition telah dilakukan untuk unlock pada perangkat android. Suara yang diberikan akan berfungsi sebagai media untuk membuka (unlock ) perangkat android yang sebelumnya dalam keadaan terkunci (locked) [4]. Penelitian lainnya adalah penerapan speech recognition untuk menampilkan animasi 3 dimensi yang berbentuk robot dengan menggunakan speech recognition sebagai media untuk menghasilkan aksi obyek robot 3 dimensi tersebut [5].

Penelitian selanjutnya adalah penelitian untuk memudahkan presentasi dengan menggunakan inputan berupa suara. Tujuan dirancangnya aplikasi ini adalah untuk menggantikan fungsi mouse dan keyboard saat presenter sedang melakukan presentasi menggunakan Microsoft PowerPoint [6]. Speech recognition juga dapat diimplementasikan untuk pengontrolan lampu. Penelitian yang dilakukan ini bertujuan untuk mengenali ucapan yang diberikan user, kemudian ucapan akan dicocokkan dan diproses untuk menghidupkan dan mematikan lampu [7]. 2.2 Al-Qur’an dan Juz ke-30 Al-Qur’an adalah kitab suci umat Islam yang berisi firman Allah Subhanahu Wa Ta’aala yang diturunkan kepada Nabi Muhammad Shallallahu ‘Alaihi Wasallam dengan perantaraan Malaikat Jibril untuk dibaca, dipahami, dan diamalkan sebagai petunjuk atau pedoman hidup bagi umat manusia [8]. Juz ke-30 atau disebut juga juz amma, merupakan juz terakhir yang terdapat pada kitab suci Al-Qur’an dan bagian yang paling sering didengar dan paling sering dibaca. Ketika belajar membaca Al-Qur’an, hal pertama yang dipelajari adalah membaca dan menghafal surah-surah yang terdapat dalam juz ke-30 ini [3]. Juz ke-30 merupakan bagian di dalam AlQur’an yang memiliki jumlah surah terbanyak, dengah jumlah 37 surah di dalamnya. 2.3 Speech Recognition Speech recognition adalah sebuah teknologi yang memakai peralatan seperti microphone untuk menangkap inputan suara untuk berinteraksi dengan komputer. Teknologi ini tidak sama dengan teknologi voice recognition yang mengenali suara sebagai identifikasi keamanan [6]. Noertjahyana & Adipranata menjelaskan bahwa terdapat dua mode atau cara pada speech recognition [9], yaitu mode diktasi dan mode command and control. Pada mode diktasi, jumlah kata yang dapat dikenali dibatasi oleh jumlah kata yang telah terdapat pada database. Pengenalan mode diktasi ini merupakan speaker dependent. Keakuratan mode ini bergantung pada pola suara dan akses pembicara serta pelatihan yang telah dilakukan. Sedangkan pada mode command and control, kata atau kalimat yang sudah didefinisikan terlebih dahulu pada database. Mode ini merupakan speaker independent karena jumlah kata yang dikenali biasanya terbatas dan pengguna tidak perlu melakukan pelatihan pada sistem.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 346

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 2.4 Android

3.2 Perancangan Arsitektur Sistem

Android merupakan kumpulan perangkat lunak yang ditujukan bagi perangkat bergerak yang mencakup sistem operasi, middleware, dan aplikasi. Android berjalan di Dalvik Virtual Machine (DVM) dimana Virtual Machine ini dirancang sebagai runtime environment untuk memastikan bahwa beberapa fitur berjalan lebih efisien pada perangkat mobile [10]. Supardi [10] menjelaskan bahwa arsitektur android terdiri dari Applications & Widgets, Applications Frameworks, Libraries, Android Run Time, serta Linux Kernel.

Arsitektur sistem merupakan suatu gambaran yang memetakan bentuk dari suatu sistem atau aplikasi. Gambar 1 menunjukkan perancangan arsitektur sistem yang dibangun.

2.5 Markov Model

3.3 Perancangan Block Diagram

Markov Model atau yang juga dikenal sebagai markov chain adalah suatu teknik matematika yang digunakan untuk modelling berbagai macam sistem dan business process. Teknik ini dapat digunakan untuk meramalkan perubahan yang terjadi di masa depan berdasarkan variabel-variabel dinamis pada kejadian dan pengamatan di masa lalu. Markov Model tidak memberikan keputusan rekomendasi, tetapi hanya informasi probabilitas atau peluang yang dapat membantu pengambil keputusan. Dengan kata lain, Markov Model bukanlah teknik untuk optimasi, melainkan teknik deskriptif mengenai informasi probabilitas atau peluang di masa depan [11].

Block diagram atau diagram blok merupakan gambaran yang menjelaskan mengenai tiga hal, yaitu input, proses, dan output yang terdapat pada aplikasi yang akan dibangun. Block diagram aplikasi ini dapat dilihat pada Gambar 2.

Sebuah rantai markov adalah urutan variabel-variabel acak seperti X1, X2, X3,... hingga Xn dengan sifat Markov yaitu, mengingat keadaan masa depan dan masa lalu dengan keadaan yang independen, dengan kata lain:

Gambar 1. Perancangan Aritektur Sistem

Gambar 2. Perancangan Block Diagram

3.4 Perancangan Flowchart Penggunaan Aplikasi Alur atau flowchart penggunaan aplikasi dapat dilihat pada Gambar 3. 3.5 Perancangan Use Case Diagram

P(Xn+1 = j | X1 = x1, X2 = x2, X3 = x3,...., Xn = i) = P(Xn+1 =j | Xn = i) = Pij

(1)

Use case diagram adalah diagram yang menggambarkan sisi fungsionalitas dari aplikasi yang akan dirancang. Gambar 4 berikut ini memperlihatkan use case diagram yang terdapat pada aplikasi. Lihat Gambar 4.

Dimana i adalah variabel yang akan dicari dan j adalah variabel yang diketahui. Sehingga didapatlah peluang munculnya variabel i jika nilai variabel j diketahui [12].

3.6 Perancangan Tabel Database

3. Metodologi Penelitian

Tabel 1 adalah tabel yang digunakan untuk pembuatan database pada aplikasi yang dibangun.

Metodologi penelitian yang terdapat pada penelitian ini adalah sebagai berikut. 3.1 Studi Literatur

3.7 Pembangunan Aplikasi

Studi literatur yang dilakukan yaitu dengan mempelajari buku-buku, jurnal-jurnal, dan situs forum serta sumber literatur lainnya yang digunakan untuk mendukung perancangan dan pembangunan aplikasi.

Pembangunan aplikasi android ini menggunakan perangkat lunak IDE Android Studio dengan Java sebagai bahasa pemrograman dan basis data (database) MySQL.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 347

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 3.8 Pengujian Pengujian yang dilakukan pada penelitian ini meliputi pengujian fungsionalitas (blackbox testing), pengujian kode program (control flow testing), pengujian keberhasilan deteksi suara oleh perangkat android, dan pengujian kuesioner. 4. Hasil dan Pembahasan Pada bagian ini akan dijelaskan mengenai hasil perancangan tampilan aplikasi dan mengenai hasil pengujian 4.1 Hasil Perancangan Tampilan Aplikasi Gambar 5 merupakan tampilan menu utama yang terdapat di dalam aplikasi. Terdapat tiga menu utama, yaitu menu Dengarkan dan Tebak Audio Surah, menu Bantuan Penggunaan Aplikasi, dan menu Tentang Aplikasi.

Gambar 3. Flowchart Penggunaan Aplikasi

Gambar 5. T ampilan Menu Utama

Gambar 6 adalah tampilan yang digunakan oleh user untuk mendengarkan audio surah yang akan diperdengarkan secara random atau acak.

Gambar 4. Perancangan Use Case Diagram

T abel 1. Perancangan T abel Database Nama Atribut No_surah Nama_surah

T ipe Data Int (3) Varchar (100) Ayat_surah T ext Audio_surah Varchar (100) Informasi_surah T ext

Keterangan Primary Key Nama surah Ayat surah Path link audio surah Informasi surah

Gambar 6. T ampilan Mendengarkan Audio Surah

Gambar 7 adalah tampilan yang akan memunculkan prompt yang digunakan oleh user untuk menebak

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 348

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 nama surah dari diperdengarkan.

audio

surah

yang

telah

Gambar 10 adalah tampilan informasi surah yang diperdengarkan akan dapat dilihat oleh user jika tebakan nama surah yang adalah tebakan yang benar. Pada tampilah ini akan berisi informasi tentang nama surah, jumlah ayat, isi kandungan surah, dan sebab turunnya (asbabun nuzul) surah yang diperdengarkan tersebut.

Gambar 7. T ampilan Menebak Nama Surah

Gambar 8 adalah tampilan yang akan muncul jika user yang menebak nama surah dengan tebakan nama surah yang salah. Gambar 10. T ampilan Informasi Surah yang Diperdengarkan

Gambar 11 adalah tampilan yang dapat digunakan oleh user untuk melihat petunjuk penggunaan aplikasi agar user menjadi lebih mudah dalam menggunakan aplikasi ini.

Gambar 8. T ampilan Jika T ebakan Nama Surah Salah

Jika user yang menebak nama surah dengan tebakan nama surah yang benar, maka aplikasi akan memberikan notifikasi atau tampilan tebakan nama surah benar. Tampilan jika tebakan user benar dapat dilihat pada Gambar 9.

Gambar 11. T ampilan Bantuan Penggunaan Aplikasi

4.2 Pengujian Fungsionalitas (Blackbox Testing) Pengujian fungsionalitas (blackbox testing) merupakan pengujian yang memfokuskan pada setiap fungsi dari aplikasi sudah berjalan sebagaimana seharusnya. Pengujian dilakukan pada fungsionalitas mendengarkan audio surah, menebak nama surah, melihat informasi surah, dan melihat bantuan yang terdapat pada aplikasi. Tabel 2 menunjukkan hasil pengujian fungsionalitas (blackbox testing).

Gambar 9. T ampilan Jika T ebakan Nama Surah Benar

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 349

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 T abel 2. Pengujian Fungsionalitas (Blackbox Testing) N o

Nama Use Case

Jenis Path Testing

Hasil yang Diharaka n

1

Mend engar Audio Surah

Basic Path: User berada pada tampilan menu utama. Kemudian user memilih menu Dengarkan dan T ebak Audio Surah pada menu utama. Aplikasi memunculkan tampilan Dengarkan dan T ebak Audio Surah. Lalu user memilih tombol play, maka aplikasi akan memperdengarkan audio surah secara random/acak. Alternate path: Jika aplikasi tidak terhubung ke internet, maka akan memunculkan notifikasi “Network not connected” saat user memilih menu Dengarkan dan T ebak Audio Surah. Basic Path: User memilih tombol mikrofon pada tampilan Dengarkan dan T ebak Audio Surah. Kemudian aplikasi memunculkan prompt kepada user untuk menebak nama surah yang telah diperdengarkan.

Aplikasi akan memperd engarkan audio surah secara random/a cak.

2

3

Mene bak Nama Surah

Melih at Infor masi

Alternate path: Jika aplikasi tidak terhubung ke internet, maka akan memunculkan notifikasi “Network not connected” saat user memilih tombol mikrofon. Basic Path: User telah menebak nama surah dengan tebakan yang benar.

Has il Pen guji an Ses uai Har apa n

Surah

Ket eran gan

Vali d

4

Aplikasi memuncu lkan notifikasi “Network not connecte d”.

Ses uai Har apa n

Vali d

Aplikasi memuncu lkan prompt kepada user untuk menebak nama surah yang telah diperdeng arkan. Lalu aplikasi mengolah suara tebakan user. Aplikasi memuncu lkan notifikasi “Network not connecte d”.

Ses uai Har apa n

Vali d

Ses uai Har apa n

Vali d

Aplikasi memulcul kan notifikasi

Ses uai Har apa

Vali d

Melih at Bantu an

Kemudian aplikasi memulculkan notifikasi “Tebakan Nama Surah Benar” dan memunculkan output informasi dari surah yang ditebak.

Alternate path: Jika user menebak dengan tebakan nama surah yang salah, maka aplikasi memunculkan notifikasi “Tebakan Nama Surah Salah”. Basic Path: User berada pada tampilan menu utama. Kemudian user memilih menu Bantuan Penggunaan Aplikasi. Lalu aplikasi memunculkan tampilan Bantuan Penggunaan Aplikasi.

“T ebakan Nama Surah Benar” dan memuncu lkan output informasi dari surah yang ditebak. Aplikasi memuncu lkan notifikasi “T ebakan Nama Surah Salah”. Aplikasi memuncu lkan tampilan Bantuan Pengguna an Aplikasi.

n

Ses uai Har apa n

Vali d

Ses uai Har apa n

Vali d

4.3 Pengujian Kode Program (Control Flow Testing) Control Flow Testing adalah pengujian yang dilakukan terhadap alur kerja kode program untuk menentukan kode program tersebut sudah sesuai atau belum terhadap suatu proses algoritma. Pengujian ini dilakukan pada algoritma Markov Model. Gambar 13 menunjukkan graf kode program yang telah dibuat.

Gambar 12. Graf Kode Program Algoritma Markov Model

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 350

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 Berdasarkan graf kode program yang dihasilkan, maka nilai cyclomatic complexity dihitung dengan persamaan sebagai berikut: V(G) = E-N+2

Seperti halnya pengujian deteksi pada user laki-laki, pengujian yang dilakukan pada user perempuan menggunakan variabel jarak, suara user perempuan, dan kondisi lingkungan (tanpa noise / dengan noise) dimana setiap user melakukan percobaan deteksi suara sebanyak lima kali untuk setiap satuan jarak pengujian. Untuk hasil pengujian dengan user perempuan dapat dilihat pada Tabel 5 dan Tabel 6.

(2)

E = banyak Edge (panah); N = banyak Node. V(G) = 33-28+2 = 5+2 = 7 Terdapat 7 jalur eksekusi program yang terjadi. Seluruh jalur eksekusi tersebut adalah sebagai berikut: 1. 2. 3. 4. 5. 6. 7.

T abel 5. Rata-rata Keberhasilan Deteksi User Perempuan Lingkungan T anpa Noise User 50 CM 1M 2M 3M 4M 5M User1 100% 100% 100% 0% 0% 0% User2 100% 100% 100% 20% 20% 0% User3 100% 60% 40% 20% 0% 0% User4 100% 80% 20% 0% 0% 0% User5 100% 100% 80% 20% 0% 0% Rata-rata Keberhasil an T iap 100% 88% 68% 12% 4% 0% Satuan Jarak

1-2-3-4-5-6-7-8-12-13-14-5-15-16-20-21-4-22-23-27-28 1-2-3-4-5-6-7-8-12-13-14-5-15-17-18-19-20-21-4-22-23-2728 1-2-3-4-5-6-7-9-10-11-12-13-14-5-15-16-20-21-4-22-23-2728 1-2-3-4-5-6-7-9-10-11-12-13-14-5-15-17-18-19-20-21-4-2223-27-28 1-2-3-4-5-6-13-14-5-15-16-20-21-4-22-23-27-28 1-2-3-4-5-6-13-14-5-15-17-18-19-20-21-4-22-23-27-28 1-2-3-4-5-6-7-9-10-11-12-13-14-5-15-17-18-19-20-21-4-2224-25-26-27-28

6M 0% 0% 0% 0% 0%

0%

T abel 6. Rata-rata Keberhasilan Deteksi User Perempuan pada Lingkungan yang Memiliki Noise User 50CM 1M 2M 3M 4M 5M 6M User1 40% 0% 0% 0% 0% 0% 0% User2 20% 0% 0% 0% 0% 0% 0% User3 0% 0% 0% 0% 0% 0% 0% User4 0% 0% 0% 0% 0% 0% 0% User5 20% 20% 0% 0% 0% 0% 0% Rata-rata Keberhas ilan T iap 16% 4% 0% 0% 0% 0% 0% Satuan Jarak

4.4 Pengujian Akurasi dan Keberhasilan Deteksi Hasil pengujian deteksi perangkat android dengan variabel jarak, suara user laki-laki, dan kondisi lingkungan (tanpa noise / dengan noise). Setiap user melakukan percobaan deteksi suara sebanyak lima kali untuk setiap satuan jarak pengujian. Hasilnya dapat dilihat pada Tabel 3 dan Tabel 4. T abel 3. Rata-rata Keberhasilan Deteksi User Laki-laki pada Lingkungan T anpa Noise User 50 1M 2M 3M 4M 5M 6M CM User1 100% 100% 60% 40% 0% 0% 0% User2 100% 100% 80% 60% 40% 20% 0% User3 100% 100% 40% 40% 0% 0% 0% User4 100% 100% 100% 20% 0% 0% 0% User5 100% 100% 100% 100% 80% 0% 0% Rata-rata Keberha silan 100% 100% 76% 52% 24% 4% 0% T iap Satuan Jarak T abel 4. Rata-rata Keberhasilan Deteksi User Laki-laki pada Lingkungan yang Memiliki Noise User 50CM 1M 2M 3M 4M 5M 6M User1 100% 80% 0% 0% 0% 0% 0% User2 100% 100% 40% 20% 0% 0% 0% User3 80% 80% 0% 0% 0% 0% 0% User4 80% 20% 0% 0% 0% 0% 0% User5 100% 20% 0% 0% 0% 0% 0% Rata-rata Keberhas ilan T iap 92% 60% 8% 4% 0% 0% 0% Satuan Jarak

pada

4.5 Pengujian Kuesioner Kuesioner ini dibagikan kepada sebanyak 31 orang responden untuk mendapatkan respons dari masing masing responden tersebut. Jumlah 31 orang responden ini didasarkan pada pendapat Roscoe dalam Sekaran & Bougie yang menyatakan bahwa minimal 30 sampel responden adalah cocok untuk kebanyakan penelitian [13]. Rekapitulasi jawaban dari pertanyaan yang diajukan dapat dilihat pada Tabel 7 berikut ini. T abel 7. Rekapitulasi Jawaban Kuesioner No

Pertanyaan

1

Apakah audio surah pada aplikasi ini dapat didengarkan dengan baik? Apakah aplikasi ini dapat menerima atau mengenali suara yang diucapkan dengan akurat? Apakah aplikasi memberikan output/keluaran berupa informasi surah yang sesuai dengan audio surah yang diperdengarkan?

2

3

ST S (1) 0

TS (2) 0

N (3) 2

S (4) 16

SS (5) 13

0

1

5

17

8

0

0

4

15

12

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 351

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 No

Pertanyaan

5

Apakah dengan aplikasi ini dapat membantu Anda mengetahui informasi surah yang berupa nama surah, ayat surah, jumlah ayat, terjemahan, isi kandungan dan latar belakang/asbabun nuzul dari ayat -ayat atau surah-surah yang terdapat pada juz ke-30?

ST S (1) 0

TS (2) 0

N (3) 4

S (4) 11

SS (5) 16

1.

2. 3.

4.

Dari rekapitulasi jawaban kuesioner di atas, maka dilakukan perhitungan menggunakan skala likert. Rumus perhitungan skala likert adalah sebagai berikut: Nilai (3)

rata-rata

(mean)

=

Σ fi.xi Σ fm

5.

× 100%

fi = jumlah user ke-i; xi = nilai bobot ke-i; fm = total user dikali dengan nilai bobot tertinggi. Dengan menggunakan rumus skala likert, responden menjawab sangat setuju bahwa audio surah pada aplikasi dapat didengarkan dengan baik. Nilai rata-rata jawaban pertanyaan ini adalah sebesar 87,1%.

6.

Selanjutnya responden memberikan tanggapan sangat setuju bahwa aplikasi dapat menerima atau mengenali suara yang diucapkan dengan akurat. Nilai rata-rata jawaban pertanyaan ini adalah sebesar 80,64%. Kemudian responden menjawab sangat setuju bahwa aplikasi memberikan output/keluaran berupa informasi surah yang sesuai dengan audio surah yang diperdengarkan. Nilai rata-rata jawaban pertanyaan ini adalah sebesar 85,16%. Selanjutnya responden merasa sangat setuju bahwa aplikasi ini dapat membantu user lebih mengetahui nama-nama surah pada Juz ke-30. Nilai rata-rata jawaban pertanyaan ini adalah sebesar 87,74%. Kemudian responden menjawab sangat setuju bahwa audio surah pada aplikasi ini dapat membantu user mengetahui informasi surah yang berupa nama surah, ayat surah, jumlah ayat, terjemahan, isi kandungan dan latar belakang/asbabun nuzul dari ayat-ayat atau surah-surah yang terdapat pada juz ke-30. Nilai ratarata jawaban pertanyaan ini adalah sebesar 87,74%.

Keseluruhan fitur aplikasi yang dibangun telah berfungsi dengan baik dengan pengujian blackbox testing. Algoritma Markov Model telah diimplementasikan dengan baik pada aplikasi ini. Algoritma Markov Model yang digunakan memiliki nilai cyclomatic complexity sebesar 7 dalam pengujian control flow testing yang menunjukkan kode program tersusun sederhana dan ditulis dengan baik. Jarak paling ideal aplikasi android dalam menerima inputan suara user laki-laki dan perempuan adalah pada lingkungan tanpa noise, yaitu dengan jarak sejauh 50 cm dengan rata-rata keberhasilan deteksi sebesar 100%. Perangkat android tidak dapat menerima inputan suara user laki-laki pada jarak 6 meter atau lebih pada lingkungan tanpa noise dan jarak 4 meter atau lebih pada lingkungan yang memiliki noise. Sedangkan untuk suara user perempuan, perangkat android tidak dapat mendeteksi suara pada jarak 5 meter atau lebih pada lingkungan tanpa noise dan jarak 2 meter atau lebih pada lingkungan yang memiliki noise. Jawaban kuesioner menyatakan bahwa 87,1% responden menyatakan audio surah dapat didengarkan dengan baik, 80,64% menjawab aplikasi menerima atau mengenali inputan suara user dengan akurat, 85,16% menjawab aplikasi memberikan output/keluaran berupa informasi surah yang sesuai dengan audio surah yang diperdengarkan, 87,74% menyatakan bahwa dengan aplikasi ini dapat membantu user lebih mengetahui nama-nama surah pada Juz ke-30, dan 87,74% user menyatakan bahwa aplikasi ini dapat membantu user mengetahui informasi surah yang berupa nama surah, ayat surah, jumlah ayat, terjemahan, isi kandungan dan latar belakang/asbabun nuzul dari ayat-ayat atau surah-surah yang terdapat pada juz ke-30.

5.2 Saran Saran yang diberikan untuk dapat digunakan pada penelitian-penelitian selanjutnya adalah sebagai berikut: 1. 2.

5. Kesimpulan dan Saran 3.

5.1 Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:

Mengambil studi kasus surah-surah kitab suci Al-Qur’an pada juz yang lainnya. Pembuatan aplikasi dengan atau sistem dengan menggunakan algoritma speech recognition yang lainnya. Pembuatan aplikasi speech recognition dapat dilakukan pada platform perangkat mobile lainnya, seperti iOS.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 352

Dhimas Sena Rahmantara, Kartina Diah Kesuma Wardhani, Maksum Ro’is Adin Saf Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 [7]

Daftar Rujukan [1]

[2]

[3]

[4]

[5]

[6]

P. Christensson, "Speech Recognition," 2014. [Online].Available: https://techterms.com/definition/speech_recognition. [Accessed 23 April 2017]. A. W. Dani, "Perancangan Aplikasi Voice Command Recognition Berbasis Android dan Arduino Uno," Jurnal Teknologi Elektro Universitas Mercu Buana, pp. Volume 1, No 1, Halaman 11-19, 2016. A. A. Zuhdi, "Upaya Pengingkatan Kemampuan M enghafal Juz ‘Amma M elalui M etode Jama’ Siswa Kelas IV SDIT Al-M a’ruf Tegalrejo M agelang," Sekolah Tinggi Agama Islam Negeri Salatiga, Salatiga, 2011. D. Natalia, "Perancangan dan Implementasi Speech Recognition Sistem sebagai Fungsi Unlock pada Handset Android," Universitas Telkom, Bandung, 2013. T. Porwasih, "Aplikasi Speech To Text Pada Animasi Robot Pintar Berbasis Android," Jurnal Aksara Komputer Terapan Politeknik Caltex Riau, pp. Volume 2, No 2, Halaman 209-215, 2013. F. P. Putra, "Aplikasi Kontrol Slide M icrosoft Office Powerpoint Dengan Suara M enggunakan Teknologi Windows Speech Recognition," Jurnal Aksara Komputer Terapan Politeknik Caltex Riau, pp. Volume 3, No 1, Halaman 96-103, 2014.

M . Hasbi, "Speech Recognition M enggunakan Algoritma M arkov M odel Untuk M engontrol Lampu," Jurnal Aksara Komputer Terapan Politeknik Caltex Riau, pp. Volume 5, No 1, Halaman 376-384, 2016. [8] Kemdikbud (Pusat Bahasa), "Alquran," 2017. [Online]. Available: http://kbbi.web.id/Alquran. [Accessed 24 April 2017]. [9] A. Noertjahyana and R. Adipranata, "Implementasi Sistem Pengenalan Suara M enggunakan SAPI 5.1 dan Delphi 5," Jurnal Informatika Universitas Petra, pp. Volume 4, No 2, Halaman 107-114, 2003. [10] Y. Supardi, Semua Bisa M enjadi Programmer Android, Jakarta: PT Elex M edia Komputindo, 2014. [11] M . I. M as’ud, "Pendekatan Rantai M arkov Dalam Pemilihan Universitas di Pasuruan," Journal Knowledge Industrial Engineering (JKIE) Universitas Yudharta, pp. Volume 4, No 1, Halaman 63-70, 2017. [12] E. Abdurachman, "Konsep Dasar M arkov Chain Serta Kemungkinan Penerapannya di Bidang Pertanian," Jurnal Informatika Pertanian, pp. Volume 8, Halaman 499-505, 1999. [13] Sekaran, Uma & Bougie, Roger, Research M ethods for Business, Chichester: John Wiley & Sons Ltd, 2009.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 345 – 353 353

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360

ISSN : 2580-0760 (media online)

Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam Investasi untuk Meminimalisasi Resiko a

Mohammad Guntura, Julius Santony b , Yuhandric

Magister Ilmu Komputer, Universitas Putra Indonesia Padang, [email protected] b Magister Ilmu Komputer, Universitas Putra Indonesia Padang, [email protected] c Magister Ilmu Komputer, Universitas Putra Indonesia Padang, [email protected]

Abstract Fluctuations in gold prices are influenced by many factors like economic conditions, inflation rate, supply and demand and much more. The Naïve Bayes algorithm is capable of generating a classification that is used to predict future opportunities. By using the Naïve Bayes Classifier algorithm obtained a prediction of gold prices that can help decision makers in determining whether to sell or buy gold. By using the Naïve Bayes Classifier algorithm obtained a prediction of gold prices that can help decision makers in determining whether to sell or buy gold. The processed gold data is sourced from observations on the website www.pegadaian.co.id from 1 December 2017 - 1 January 2018. Gold data is processed using Rapidminer software. Stages of processing are reading training data, calculating the mean and standard deviation, entering the test data and finding the density value of gauss and then looking for probability value. Based on the calculation that has been done, the Naïve Bayes Classifier method can be used to predict gold prices for the next 14 days, the data used for testing as much as 16 data and obtained accuracy rate of 75%, with these results are expected to help the investors to take decisions appropriately Keywords: Naïve Bayes Classifier, Gold, Prediction, Classification

Abstrak Fluktuasi harga emas dipengaruhi oleh banyak faktor seperti kondisi perekonomian, laju inflasi, penawaran dan permintaan serta masih banyak lagi. Algoritma Naïve Baiyes mampu menghasilkan sebuah klasifikasi yang digunakan untuk memprediksi peluang dimasa depan. Dengan menggunakan algoritma Naïve Bayes Classifier didapat sebuah prediksi harga emas yang bisa membantu pengambil keputusan dalam menentukan apakah harus menjual atau membeli emas. Data emas yang diolah bersumber dari hasil observasi di website www.pegadaian.co.id dari tanggal 1 Desember 2017 – 1 Januari 2018. Data emas diolah menggunakan software Rapidminer. Tahapan pengolahannya adalah membaca data training, menghitung nilai mean dan standar deviasi, memasukkan data uji dan mencari nilai densitas gauss lalu mencari nilai probabilitas. Berdasarkan hasil perhitungan yang telah dilakukan, metode Naïve Bayes Classifier mampu digunakan untuk memprediksi harga emas untuk 14 hari kedepan, data yang digunakan untuk pengujian sebanyak 16 data dan diperoleh tingkat akurasi sebesar 75%, dengan hasil ini diharapkan dapat membantu para investor untuk mengambil keputusan dengan baik. Kata kunci: Naïve Bayes Classifer, Emas, Prediksi, Klasifikasi © 2018 Jurnal RESTI

1. Pendahuluan

dibutuhkan peramalan harga emas yang cukup akurat agar para investor bisa mendapatkan keuntungan sesuai dengan perencanaan yang telah dibuat. Data mining adalah salah satu bentuk implementasi yang diterapkan untuk mencari sebuah model dan pola yang mampu melakukan prediksi pada suatu data berdasarkan data sebelumnya di periode waktu tertentu. Data mining adalah bentuk penggalian data yang digunakan untuk menggali pengetahuan dari jumlah data yang besar. Salah satu algoritma yang digunakan dalam teknik data mining yang memakai teori Bayes untuk klasifikasi adalah Naïve Bayes Classifier (NBC). Teorema Bayes merupakan teknik prediksi berdasarkan kemungkinan

Investasi adalah proses kegiatan jual beli barang dengan harga beli lebih rendah dengan harga jual. Sehingga proses invetasi mengandung resiko dan ketidak pastian [1]. Investasi yang dapat dilakukan oleh semua orang adalah investasi emas. Sehingga investasi ini menjadi primadona [2]. Resiko yang umum dalam envestasi emas adalah berfluktuasinya harga setiap hari. Resiko ini disebut dengan jenis investasi data time series. Untuk menghidari resiko, maka dibutuhkan teknik peramalan yang akurat. Harga emas bisa mengalami kenaikan, penurunan maupun tetap setiap hari, oleh karena itu, harga emas termasuk jenis data time series. Untuk itu Diterima Redaksi : 04-03-2018 | Selesai Revisi : 05-04-2018 | Diterbitkan Online : 17-04-2018 354

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 sederhana pada penerapan aturan Bayes dengan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ketidaktergantungan yang kuat. Naïve Bayes banyak ada hubungannya dengan ciri dari kelas lainnya. digunakan untuk proses klasifikasi karena Naïve Bayes 𝑃 𝐶 𝑃 𝐹1…𝐹𝑛 𝐶 lebih disukai disebabkan kecepatan dan 𝑃 𝐶 𝐹1 … 𝐹𝑛 = (1) 𝑃 𝐹1…𝐹𝑛 kesederhanaannya. Berdasarkan latar belakang yang telah diuraikan,didapat rumusan permasalahan yakni bagaimana menganalisa permasalahan yang mempengaruhi prediksi harga emas dimasa depan, bagaimana merancang perhitungan prediksi harga emas dimasa depan dengan menggunakan Algoritma Naïve Bayes Classifier dan bagaimana mengimplementasikan perhitungan Algoritma Naïve Bayes Classifier untuk prediksi harga emas dimasa depan pada aplikasi Rapidminer. Tujuan dari penelitian ini adalah untuk mengetahui permasalahan yang berkaitan dengan prediksi harga emas dimasa depan, untuk merancang perhitungan prediksi harga emas dimasa yang akan datang menggunakan teknik klasifikasi dengan Algoritma Naïve Bayes Classifier secara akurat dan untuk mengimplementasi aplikasi Rapidminer yang telah diuji agar dapat dijadikan sebagai solusi memprediksi harga emas di masa yang akan datang. 2. Tinjauan Pustaka Berdasarkan pengamatan penelitian terdahulu tentang prediksi harga emas menggunakan Support Vector Regression dan ANFIS Model. Langkah yang digunakan adalah menentukan data set dan kriteria, selanjutnya dilakukan eksperimen dengan menggunakan masing masing metode dan melakukan evaluasi masing-masing metode [3]. Sedangkan melakukan penelitian tentang penerapan data mining untuk mengetahui minat baca mahasiswa di perpustakaan STMIK AMIKOM Purwokerto dengan kriteria Program Studi, Kode Buku, Kategori Buku, Peminjam Buku dan Minat Baca. Untuk menentukan minat atau tidak seseorang digunakan algoritma Naïve Bayes Classifier dan algoritma PART [4]. Algoritma Naive Bayes digunakan karena algoritma ini merupakan teknik prediksi berbasis probalitistik sederhana yang berdasarkan pada penerapan teorema bayes (aturan bayes) dengan asumsi independensi (ketidak tergantungan) yang kuat (naif). Dengan kata lain, dalam naive bayes model yang digunakan adalah model fitur independent. Algoritma Naïve Bayes Classifier merupakan salah satu algoritma yang termasuk dalam teknik klasifikasi. Naïve Bayes direpresentasikan oleh Thomas Bayes seorang ilmuwan Inggris yakni merupakan pembagian dengan metode probabilitas dan statistik, dimana Naïve Bayes Classifier memperkirakan kans dimasa yang akan datang berlandaskan pengetahuan dimasa sebelumnya sehingga dikenal dengan Teorema Bayes. Teorema tersebut digabungkan dengan Naïve dimana kondisi antar atribut diasumsikan saling bebas. Klasifikasi Naïve Bayes diasumsikan

Di mana Variabel C menjabarkan kelas, sementara variabel F1 ... Fn menjabarkan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Rumus tersebut menjabarkan bahwa peluang masuknya sampel data karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C (sebelum masuknya sampel data tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik sampel data pada kelas C (disebut juga likelihood), dibagi dengan oportunitas kemunculan karakteristikkarakteristik sampel secara keseluruhan (disebut juga evidence). Alur dari metode Naïve Bayes dapat dilihat pada penjelasan berikut. 1. Baca data training 2. Hitung Jumlah dan probabilitas a. Jika terdapat data numerik, maka temukan nilai mean dan standar deviasi dari masing-masing parameter yang menggambarkan data angka.Rumus yang digunakan untuk menghitung nilai rata – rata hitung (mean) dapat dilihat sebagai berikut : Rumus menghitung mean 𝑛

𝜇=

𝑥𝑖

𝑖=1

𝑎𝑡𝑎𝑢 𝜇=

𝑥1 + 𝑥2+ 𝑥3 …+ 𝑥𝑛 𝑛

(2)

dimana : µ : rata – rata hitung (mean) xi : nilai sample ke -i n : jumlah sampel Dan persamaan untuk menghitung nilai simpangan baku (standar deviasi) dapat dilihat dibawah ini: Rumus simpangan baku

𝜎=

𝑛 2 𝑖=1 𝑥𝑖 − 𝜇

𝑛−1

(3)

Dimana : σ : standar deviasi xi : nilai x ke -i µ : rata-rata hitung n : jumlah sampel b. Jika tidak, hitung nilai probabilitas tiap kategori yang sama, dengan cara jumlah data yang sesuai dari kategori yang sama lalu dibagi dengan jumlah data pada kategori tersebut untuk menemukan nilai probabilistik.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 355

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 3. Metodologi Penelitian 3.1 Algoritma Naïve Bayes Classifier (NBC) Penelitian ini menggunakan algoritma Naïve Bayes Classifier sebagai alat bantu penulis dalam memecahkan permasalahan yang ada, Keuntungan penggunaan Naive Bayes Classifier adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian. Dalam metode Naive Bayes Classifier data string yang bersifat konstan dibedakan dengan data numerik yang bersifat kontinyu, perbedaan ini akan terlihat pada saat menentukan nilai probabilitas setiap kriteria baik itu kriteria dengan nilai data string maupun kriteria dengan nilai data numerik. Algoritma dari Naïve Bayes Classifier untuk memprediksi harga emas adalah sebagai berikut.

3. 4.

5.

6.

b. Jika tidak, hitung nilai probabilitas tiap kategori yang sama, dengan cara jumlah data yang sesuai dari kategori yang sama lalu dibagi dengan jumlah data pada kategori tersebut untuk menemukan nilai probabilistik. Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas. Menghitung data uji, jika terdapat data numerik cari nilai distribusi gaussian masing-masing fitur. Jika tidak langsung ke langkah selanjutnya. Probabilitas akhir tiap kelas, memasukkan dan menghitung semua data probabilitas ke dalam satu kelas yang sama Probabilitas akhir, mengalikan probabilitas tiap kelas dengan probabilitas akhir tiap kelas.

3.2 Data Emas Harga emas bersifat fluktuatif yaitu selalu berubah-ubah setiap hari, tentunya ini menjadi masalah bagi p ara investor ataupun masyarakat yang ingin membeli atau menjual emas. Dengan melakukan prediksi harga emas, diharapkan dapat membantu investor atau masyarakat dalam mengambil keputusan untuk membeli atau menjual emas mereka. Pada penelitian ini, data yang diambil dan diolah adalah data yang berhubungan atau yang mempengaruhi harga logam mulia emas. Beberapa data yang penulis kumpulkan adalah sebagai berikut. 1. Harga logam mulia emas Pegadaian Data harga logam mulia emas Pegadaian Syariah yang diambil dari website resmi Pegadaian [5], sebelum dilakukan pengambilan data, penulis meminta izin penelitian dan pengambilan data di Pegadaian Unit Pelayanan Syariah Taba Cemekeh Lubuklinggau disertai surat penelitan dari kampus. T abel 1. Data Harga Logam Mulia Emas Pegadaian 1 2 3 4 5

T anggal Desember 2017 Desember 2017 Desember 2017 Desember 2017 Desember 2017

Harga/Gram Rp. 634.000 Rp. 634.000 Rp. 634.000 Rp. 628.000 Rp. 629.000

Data Tabel 1 adalah sebagian dari data yang sudah diambil. Data yang diambil berlaku nasional sehingga tidak mempengaruhi lokasi pengambilan data. Data yang diambil adalah data harga logam mulia emas pada saat penutupan dari tanggal 1-31 Desember 2017. Gambar 1 Alur Naïve Bayes Classifier

2. Nilai tukar rupiah terhadap mata uang Dollar AS Langkah-langkah yang ada dalam metode Naïve Bayes Dollar AS merupakan mata uang milik negara Amerika Classifier berdasarkan gambar diatas adalah sebagai Serikat yang dijadikan sebagai salah satu mata uang internasional. Semakin tinggi nilai tukar dollar atau kurs berikut : dollar terhadap rupiah, maka semakin mahal pula dollar, 1. Baca data training begitu juga sebaliknya semakin rendah nilai tukar dollar 2. Hitung jumlah dan probabilitas a. Jika terdapat data numerik, maka temukan nilai terhadap rupiah, maka harga dollar pun juga rendah. mean dan standar deviasi dari masing-masing Data Tabel 2 diatas adalah sebagian dari data yang sudah parameter yang menggambarkan data angka. diambil. Data nilai tukar rupiah terhadap mata uang dollar AS diambil dari website resmi Bank Indonesia Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 356

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 [6], data nilai tukar rupiah yang diambil yakni kurs jual algoritma Naïve Bayes Classifier. Data tingkat inflasi dari tanggal 1 Desember 2017 – 1 Januari 2018 tidak menjadi kriteria karena tidak ada terdapat perubahan data selama waktu observasi. Sedangkan data T abel 2. Data Nilai T ukar Rupiah T erhadap Kurs Dollar AS harga menjadi patokan terhadap perubahan harga yang T anggal Nilai T ukar Dollar AS/Rupiah terjadi setiap hari, apakah harga mengalami kenaikan, 1 Desember 2017 Rp13.582 tetap atau turun. Ketiga (3) kriteria diatas menjadi 2 Desember 2017 Rp13.582 3 Desember 2017 Rp13.582 variabel yang akan menjadi data masukan algoritma 4 Desember 2017 Rp13.595 Naïve Bayes Classifier, sehingga setelah diproses hasil 5 Desember 2017 Rp13.583 keluaran bisa digunakan untuk memprediksi harga emas dimasa yang akan datang. 3. Nilai tukar rupiah terhadap mata uang Euro T abel 5. Data T ingkat Inflasi

Euro ialah mata uang yang dipakai oleh 19 negara anggota Uni Eropa, pengaruh Euro terhadap harga emas adalah jika Euro mengalam kenaikan, maka harga emas memiliki kecenderungan akan ikut naik, begitu juga sebaliknya. T abel 3. Data Nilai T ukar Rupiah T erhadap Kurs Euro 1 2 3 4 5

T anggal Desember 2017 Desember 2017 Desember 2017 Desember 2017 Desember 2017

Nilai T ukar Euro/Rupiah Rp16.120,48 Rp16.120,48 Rp16.120,48 Rp16.138,62 Rp16.131,17

Data Tabel 3 adalah sebagian dari data yang sudah diambil. Data nilai tukar rupiah terhadap mata uang Euro diambil dari website resmi Bank Indonesia [6], data nilai tukar rupiah yang diambil yakni kurs jual dari tanggal 1 Desember 2017 – 1 Januari 2018. 4.

Bulan Desember 2017 Januari 2018

T ingkat Inflasi 3,61% 3,25%

T abel 6. Data Variabel No 1 2 3

Data Atribut Kurs Dollar AS Kurs Euro Harga minyak mentah dunia

Variabel V1 V2 V3

4. Hasil dan Pembahasan 4.1 Data Training Data training adalah data latih yang digunakan dalam melatih algoritma Naïve Bayes Classifier dalam mengolah perhitungan dalam menghasilkan nilai keluaran yang diinginkan. T abel 7. Data T raining

Harga minyak mentah dunia T anggal

V1

V2

V3

Klasifikasi

Minyak mentah merupakan komoditas dan kebutuhan 1 Desember 2017 13582 16120,48 58,36 T etap T etap utama dunia saat ini. Minyak mentah mempengaruhi 2 Desember 2017 13582 16120,48 58,36 2017 13582 16120,48 58,36 T etap harga emas, biasanya jika harga minyak mentah dunia 34 Desember Desember 2017 13595 16138,62 57,47 T urun naik maka harga emas kecenderungan akan mengalami 5 Desember 2017 13583 16131,17 57,62 Naik kenaikan juga. Barel adalah satuan alat tukar minyak Data training yang digunakan adalah data yang sudah mentah ke kurs dollar AS [7]. dikumpulkan sebelumnya, yakni dari tanggal 1 T abel 4. Daftar Harga Minyak Mentah Dunia Desember 2017 - 1 Januari 2018 dari masing-masing T anggal Harga minyak ($/barel) variabel yang ada. 1 2 3 4 5

5.

Desember Desember Desember Desember Desember

2017 2017 2017 2017 2017

$58,36 $58,36 $58,36 $57,47 $57,62

Tingkat inflasi

Secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya Data tingkat inflasi diambil dari website resmi Bank Indonesia [6], data tingkat inflasi yang digunakan adalah data bulan Desember 2017 dan Januari 2018. Berdasarkan data yang sudah dikumpulkan diatas, tiga data menjadi kriteria untuk melakukan prediksi harga emas dimasa yang akan datang dengan menggunakan

4.2 Mencari Nilai Mean dan Standar Deviasi Data yang digunakan pada penelitian ini menggunakan angka/numerik, sehingga harus dicari terlebih dahulu nilai mean dan standar deviasi setiap variabel nya. Dan untuk pembagian nya terbagi 3 yakni Naik, Tetap dan Turun berdasarkan klasifikasi pada data training, sehingga nilai mean dicari berdasarkan pembagian nya. Untuk menghitung nilai mean dengan klasifikasi Naik, dihitung jumlah Naik yang terdapat pada tabel data training, dimana jumlah klasifikasi Naik ada 11 data. Nilai dari 11 data tadi dijumlahkan, lalu dibagi dengan jumlah data Naik. 𝜇 𝑛𝑎𝑖𝑘 = 13583 + 13657 + 13633 + 13641 + 13655 + 13613 + 13626 + 13630 + 13628 + 13616 + 13616 /11 𝜇 𝑛𝑎𝑖𝑘 = 149898/11 𝜇 𝑛𝑎𝑖𝑘 = 13627,09

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 357

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 Data diatas diambil dari data pada variabel V1 dengan hasil di kelas Naik, sehingga didapatkan nilai μ nya. Untuk perhitungan nilai μ dengan hasil Tetap dan Turun pada variabel V1 langkah-langkah nya sama. Sedangkan untuk menghitung nilai μ pada variabel V2 dan V3 langkah-langkah nya juga sama seperti menghitung nilai mean V1. Setelah mendapatkan nilai μ pada masingmasing variabel, maka selanjutnya kita mencari nilai standar deviasi, Untuk menghitung nilai standar deviasi klasifikasi Naik, jumlah data diambil dari tabel 4.7 dimana terdapat 11 data untuk klasifikasi Naik, lalu setiap nilai dari data tersebut dikurangi nilai mean lalu dipangkat 2, setelah itu dijumlahkan dan dibagi dengan jumlah data dikurangi 1, lalu diakarkan. 𝜎 𝑛𝑎𝑖𝑘 = √ 13583 − 13627,09 ^2 + 13657 − 13627,09 ^2 + 13633 − 13627 ,09 ^2 + 13641 − 13627,09 ^2 + 13655 − 13627 ,09 ^2 + 13613 − 13627,09 ^2 + 13626 − 13627 ,09 ^2 + 13630 − 13627,09 ^2 + 13628 − 13627 ,09 ^2 + 13616 − 13627,09 ^2 + 13616 − 13627 ,09 ^2/ 11 − 1 𝜎 𝑛𝑎𝑖𝑘 =

4300,91 10

𝜎 𝑛𝑎𝑖𝑘 = √ 430,09 𝜎 𝑛𝑎𝑖𝑘 = 20,74

T abel 8. Nilai Probabilitas Naik μ 13 62 n 7,0 ai 9 k σ 43 ^ 0,0 2 9

V1 T etap μ 13 61 te 6,5 ta 7 p σ 42 ^ 9,3 2 4

T urun μ 13 62 tu 0,2 ru 9 n σ 48 ^ 2,2 2 4

Naik μ 16 15 n 5,7 ai 2 k σ 47 ^ 67, 2 93

V2 T etap μ 16 12 te 9,7 ta 7 p σ 50 ^ 56, 2 60

T urun μ 16 06 tu 9,3 ru 5 n σ 14 ^ 35, 2 01

n

te

tu

n

te

tu

ai

ta

ru

ai

ta

ru

k

p

n

k

p

σ n

20, 72

σ te

20, 72

σ tu

σ

21, 96

69, 05

n

n

σ

71, 11

te

σ tu

ai

ta

ru

ai

ta

ru

k

p

n

k

p

n

Naik 58, 47 n

V3 T etap μ 58, 52 te

T urun μ 57, 01 tu

ai

ta

ru

k

p

μ

σ ^ 2

1,7 1

σ ^ 2

n

1,1 5

σ ^ 2

n

te

tu

ai

ta

ru

k

p

σ n

1,3 1

σ te

Naik Naik = 11 P(Naik) = 11/32 = 0,34375

0,2 8

Klasifikasi T etap T etap = 14 P(T etap ) = 14/32 = 0,4375

37, 89

T urun T urun = 7 P(T uru n) = 7/32 = 0,21875

n

1,0 7

σ tu

0,5 3

ta ru Data diatas diambil dari data pada variabel V1 dengan aik p n hasil dikelas Naik, sehingga didapatkan nilai σ nya. Untuk perhitungan nilai σ dengan hasil Tepat dan Turun 4.4 Nilai Distribusi Gaussian pada varibel V1 langkah-langkah nya sama. Sedangkan untuk menghitung nilai σ pada variabel V2 dan V3 Langkah selanjutnya adalah menghitung nilai langkah-langkah nya juga seprti menghitung nilai σ V1. probabilitas untuk fitur data uji yang mempunyai data numerik / angka. Dikarenakan semua kelas menggunakan tipe data numerik, maka nilai probabilitas 4.3 Nilai Probabilitas Fitur Setiap Kelas harus dihitung semuaTabel 9 adalah data uji yang Setelah menghitung nilai mean dan standar deviasi digunakan. untuk fitur dengan data angka, maka selanjutnya kita harus mengetahui nilai probabilitas setiap fitur pada Tabel 9. Data Uji setiap kelasnya. Untuk mengetahui nilai probabilitas T anggal V1 V2 V3 Klasifikasi setiap fitur pada kelas kita harus hitung jumlah data yang 1 Januari 2018 13616 1638,33 60,37 ? sesuai dari kategori yang sama lalu dibagi dengan jumlah data pada kategori tersebut. Jumlah data yang Variabel Hasil belum diketahui klasifikasinya karena digunakan adalah sebanyak 32 data. Data Naik ada 11, variabel tersebut merupakan hasil prediksi dari data data Tetap ada 14 dan data Turun ada 7. Sehingga untuk yang dihitung (V1, V2, V3). Untuk menghitung nilai menghitung nilai probabilitas nya adalah sebagai distribusi gaussian, menggunakan rumus sebagai berikut : berikut.

P(Naik)=11/32 P(Naik)=0,34375 P(Tetap)=14/32 P(Tetap)=0,4375 P(Turun)=7/32 P(Turun)=0,21875

𝑃 𝑋𝑖 = 𝑥 𝑖 𝑌 = 𝑦𝑗 =

1 √2𝜋 𝜎𝑖𝑗

𝑒



𝑥𝑖− 𝜇𝑖𝑗 2 2 𝜎 2𝑖𝑗

(6)

𝑃 𝑉1 = 13616 𝑁𝑎𝑖𝑘 = 1 √2𝜋 20,7386

2,7183



13616− 13627,09 2 2∗430,09

𝑃 𝑉1 = 13616 𝑁𝑎𝑖𝑘 =

1 51,98

2,7183



292,0681 860,18

𝑃 𝑉1 = 13616 𝑁𝑎𝑖𝑘 = 0,013697407511780

Setelah mencari nilia probabilitas tiap fitur, maka didapat tabel untuk nilai, mean, standar deviasi dan Nilai diatas adalah nilai distribusi gaussian untuk probabilitas, bisa dilihat pada tabel berikut. variabel V1 hasi Naik yang didapat dengan memasukkan nilai data uji V1, nilai μ dan nilai σ V1. Untuk Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 358

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 menghitung nilai distribusi gaussian dengan hasil Tetap dan Turun, langkah-langkah nya sam dan untuk menghitung nilai distribusi gaussian pada V2 dan V3, langkah-langkah nya juga sama. 4.5 Probabilitas Akhir Setiap Kelas Menghitung probabilitas akhir untuk setiap kelas artinya memasukkan semua data nilai distribusi gaussian yang ada ke dalam satu kelas yang sama, seperti dibawah ini. 𝑃 𝑋 𝑁𝑎𝑖𝑘 = 𝑃 𝑉1 = 13616 𝑁𝑎𝑖𝑘 𝑥 𝑃 𝑉2 = 16348,33 𝑁𝑎𝑖𝑘 𝑥 𝑃 𝑉3 = 60,37 𝑁𝑎𝑖𝑘 𝑃 𝑋 𝑁𝑎𝑖𝑘 = 0,013697407511780 𝑥 0,000118070598994

𝑥 0,112921920105395 𝑃 𝑋 𝑁𝑎𝑖𝑘 = 0,00000018262422980615 Nilai diatas adalah probabilitas akhir untuk kelas dengan hasil Naik. Untuk mencari probabilitas kelas dengan hasil Tetap dan Turun, langkah-langkah nya sama seperti menghitung probabilitas akhir kelas dengan hasil Naik.

Hasil diatas adalah hasil probabilitas akhir untuk kelas Naik, Tetap dan Turun. Jika dilihat dari nilai diatas, angka terbesar ada di kelas Naik, sehingga diprediksikan untuk data pada Tabel 9 hasil yang diperoleh adalah Naik. Untuk pengujian dengan menggunakan aplikasi RapidMiner menggunakan data uji sebanyak 16 data, berikut data uji yang akan diujikan. Tabel 10. Tabel Uji Keseluruhan No

T anggal

V1

V2

V3

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

2-1-2018 3-1-2018 4-1-2018 5-1-2018 6-1-2018 7-1-2018 8-1-2018 9-1-2018 10-1-2018 11-1-2018 12-1-2018 13-1-2018 14-1-2018 15-1-2018 16-1-2018 17-1-2018

13610 13565 13541 13472 13472 13472 13464 13495 13516 13425 13425 13429 13397 13397 13400 13390

16348,33 16339,04 16272,22 16262,05 16262,05 16262,05 16213,35 16154,86 16144,86 16110,76 16110,76 16180,6 16180,6 16180,6 16125,4 16442,92

60,37 61,63 61,63 61,44 61,44 61,44 61,73 62,96 63,57 61,42 61,42 64,3 61,06 61,06 58,15 63,97

Klasifi kasi ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

Data uji diatas menggunakan sumber data yang sama dengan data training, variabel klasifikasi belum 4.6 Probabilitas Akhir diketahui karena variabel tersebut yang akan diprediksi Probabilitas akhir didapat melalui perhitungan nilai menggunakan algoritma Naïve Bayes Classifier. Berikut probabilitas akhir kelas ke dalam rumus Naïve Bayes adalah hasil pengujian menggunakan RapidMiner Classifier. Perhitungan probabilitas akhir adalah sebagai berikut. P(Naik | X) = 0,34375 x 0,00000018262422980615 P(Naik | X) = 0,00000006277707899587 P(Tetap | X) = 0,4375 x 0,00000006844784383402 P(Tetap | X) = 0,00000002994593167738 P(Turun|X)=0,21875x0,0000000000000000000000004 P(Turun | X) =0,00000000000000000000 Setelah mendapatkan probabilitas akhir, langkah terakhir dilakukan normalisasi untuk memperoleh nilai sama dengan 1, dengan cara membagikan nilai probabilitas satu kategori dengan jumlah nilai semua kategori. P(Naik)=0,00000006277707899587/(0,0000000627770 7899587+0,00000002994593167738+0,000000000000 00000000 ) P(Naik)=0,677 P(Tetap)=0,00000002994593167738/(0,000000062777 07899587+0,00000002994593167738+0,00000000000 000000000 ) P(Tetap)=0,323 P(Turun)=(0,00000000000000000000 )/(0,00000006277707899587+0,000000029945931677 38+0,00000000000000000000 ) P(Tetap)=0,000

Gambar 2 Hasil Pengujian

Pada Gambar 2, selain ditampilkan hasil prediksi juga ditampilkan nilai confident (nilai probabilitas akhir yang sudah dinormalisasi) sehingga investor akan tahu nilai prediksi dari yang terbesar sampai terkecil. Setelah mengetahui hasil prediksi, langkah terakhir adalah mengukur tingkat akurasi. hal ini dikerjakan untuk mendeteksi seberapa besar tingkat keberhasilan dalam melakukan prediksi harga emas memakai algoritma Naïve Bayes Classifier (NBC). Tingkat akurasi diukur dengan cara, membagi jumlah prediksi benar dengan jumlah data yang diprediksi lalu dikalikan 100%.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 359

Mohammad Guntur, Julius Santony, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 - 360 5.2 Saran Tabel11. Tingkat Akurasi No T anggal 1 2-1-2018 2 3-1-2018 3 4-1-2018 4 5-1-2018 5 6-1-2018 6 7-1-2018 7 8-1-2018 8 9-1-2018 9 10-1-2018 10 11-1-2018 11 12-1-2018 12 13-1-2018 13 14-1-2018 14 15-1-2018 15 16-1-2018 16 17-1- 2018 T ingkat akurasi

Hasil Pengujian Naik Naik Naik T etap T etap T etap T etap Naik Naik T etap T etap Naik T etap T etap T urun Naik Jumlah data uji benar/jumlah data

Data Riil Naik Naik Naik Naik T etap T etap T urun Naik T urun T etap T etap Naik T etap T etap T urun T urun (12/16) x 100% = 75%

3 (tiga) variabel yang digunakan saat ini sudah cukup baik, tetapi jumlah variabel sebaiknya ditambah untuk meningkatkan akurasi hasil prediksi. Variabel yang ditambah tentu yang memiliki dampak atas harga emas. Hasil prediksi yang didapat saat ini berupa status harga emas, untuk kedepan diharapkan bisa menampilkan prediksi nominal harga emas dan metode yang dipakai tetap sama. Daftar Rujukan [1] [2]

[3]

Berdasarkan hasil perhitungan akurasi diatas, dari 16 data yang diuji, terdapat 12 data yang hasil uji nya sama dengan data riil dengan nilai akurasi mencapai 75%. [4] Dari hasil pengukuran akurasi, algoritma Naïve Bayes Classifier mampu melakukan prediksi harga emas [5] dengan baik. 5. Kesimpulan 5.1 Kesimpulan Dari penelitian yang telah dilakukan, maka didapat kesimpulan yakni harga emas dipengaruhi oleh beberapa hal yaitu kurs Dollar AS terhadap rupiah, kurs Euro terhadap rupiah dan harga minyak mentah dunia. Hasil prediksi menggunakan algoritma Naïve Bayes Classifier di implementasikan dengan aplikasi RapidMiner. Hasil prediksi dari 16 data yang diuji dengan RapidMiner mempunyai nilai ketepatan sebesar 75% dan bisa dikatakan algoritma Naïve Bayes Classifier bisa memprediksi harga emas dengan baik.

[6] [7] [8] [9] [10] [11] [12]

[13] [14]

Nugroho, D.S., 2015. Penerapan Algoritma Support Vector Machine untuk Prediksi Harga Emas, Jurnal InformasiUPGRIS, Vol. 1, hal 10. Mahena Y., Rusli M. dan Winarso E, 2015. Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan T eknik Data Mining, Kalbiscentia,Vol. 2, No. 1, hal 37 Dubey, A.D., 2016. Gold Price Prediction using Support Vector Regression and ANFIS models, ICCCI, Jan. 07 – 09, India. Imron, M., 2017. Penerapan Data Mining Algoritma Naives Bayes Dan Part Untuk Mengetahui Minat Baca Mahasiswa Di Perpustakaan Stmik Amikom Purwokerto, Telematika, Vol. 10, No. 02. http://www.pegadaian.co.id/widgetHargaEmasv2.php Diakses pada tanggal 1 Desember 2017 sampai 16 Januari 2018 http://www.bi.go.id/id/moneter/informasi-kurs/transaksibi/Default.aspx Diakses pada tanggal 16 Januari 2018 www.investing.com Diakses pada tanggal 16 Januari 2018 Goel A., Gautum J. dan Kumar S., 2016. Real Time Sentiment Analysis of T weets Using Naive Bayes, NGCT , 14-16 Oktober, Dehradun India. Bhargava N., Sharma G., Bhargava R. dan Mathuria M., 2013. Decision T ree Analysis on J48 Algorithm for Data Mining, IJARCSSE, June - 2013, pp. 1114-1119. Krishnaiah V., Narsimha G. dan Chandra N.S., 2013. Diagnosis of Lung Cancer Prediction System Using Data Mining Classification Techniques. IJCSIT , Vol. 4, No. 1. Prasetyo, E., 2012. Data Mining Konsep dan Aplikasi menggunakan Matlab. Penerbit Andi, Yogyakarta. Sartika D. dan Sensuse D.I., 2017. Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian, Jatisi, Vol. 1, No. 2. Desale K.S., Kumathekar C.N. dan Chavan A.P., 2015. Efficient Intrusion Detection System using Stream Data Mining Classification Technique, IEEE. Alhaj B.A. dan Maghari A.Y.A., 2017. Predicting user entries by using data mining algorithms. PICICT.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 354 – 360 360

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366

ISSN : 2580-0760 (media online)

Implementasi Data Mining Estimasi Ketersediaan Lahan Pembuangan Sampah menggunakan Algoritma Regresi Linear a

Robi Yanto

Program Studi Sistem Informasi, ST MIK Bina Nusantara Jaya Lubuklinggau, [email protected]

Abstract High society consumption activities are undertaken directly proportional to the increase in waste production. The main problem of garbage due to low public awareness of waste management, especially in big cities. The negative impact is the pollution of water, air and soil result in unhealthy environments. Waste management activities through awareness 3R program that is reusing, reducing and recycling of garbage, has given the most out of the people's awareness of the importance of a healthy environment. along with an increasing number of people have an impact on the increase in waste production. Thus requiring adequate garbage disposal area in the long term. In resolving these problems need to analyze the data to estimate the availability of land waste disposal in the long term by using data mining techniques. from the analysis of data mining using linear regression algorithm by taking into account population growth in 2018 up to 2025 amounted to 201 484 inhabitants, it is known that an increase in litter from 2018 up to 2025 is 36052.326 tons. So that the land area of 30000 M2 only availability of land landfills until 2025 amounted to 5965.1 M 2. Keywords: Data Mining, Trash, Linear Regression

Abstrak Tingginya aktivitas konsumsi yang dilakukan masyarakat berbanding lurus dengan meningkatnya produksi sampah. Permasalahan utama sampah disebabkan rendahnya kesadaran masyarakat terhadap pengelolaan sampah terutama di kota-kota besar. Dampak negatif yang ditimbulkan adalah terjadinya polusi air, udara dan tanah yang mengakibatkan lingkungan menjadi tidak sehat. Kegiatan pengelolaan sampah melalui sosialisasi program 3R yaitu menggunakan kembali, mengurangi dan mendaur ulang tentang sampah, telah memberikan hasil yang maksimal terhadap kesadaran masyarakat tentang pentingnya lingkungan yang sehat. seiring dengan peningkatan jumlah penduduk memberikan dampak pada peningkatan produksi sampah. Sehingga membutuhkan area penampungan sampah yang mencukupi dalam jangka panjang. Dalam menyelesaikan permasalahan tersebut perlu dilakukan analisa data terhadap estimasi ketersediaan lahan pembuangan sampah dalam jangka panjang dengan menggunakan teknik data mining. dari hasil analisa data mining menggunakan algoritma regresi linear dengan memperhatikan pertumbuhan penduduk tahun 2018 sampai dengan 2025 sebesar 201484 jiwa, maka diketahui bahwa peningkatan sampah dari tahun 2018 sampai dengan 2025 adalah 36.052,326 ton. Sehingga dari luas lahan 30000 M 2 hanya tersediaan lahan pembuangan sampah sampai tahun 2025 sebesar 5.965,1 M 2. Kata kunci: Data Mining, Sampah, Regresi Linear © 2018 Jurnal RESTI

1. Pendahuluan Seiring dengan perkembangan petumbuhan penduduk secara langsung akan memberikan dampak peningkatan terhadap produksi sampah. Saat ini, sampah merupakan permasalahan besar yang dialami di indonesia. Banyak kota–kota besar yang kurang mampu dalam menanggulangi permasalahan sampah, sehingga berdampak negatif terhadap perubahan keseimbangan lingkungan yaitu terjadinya polusi air, udara dan tanah. Permasalahan akan sampah tidak hanya diselesaikan oleh pemerintah namun perlu kesadaran masyarakat tentang pola konsumtif sehingga produksi sampah setiap tahunya dapat berkurang.

Sampah adalah suatu benda yang tidak dipakai atau sesuatu yang dibuang dari hasil kegiatan manusia yang tidak terjadi dengan sendirinya[1]. Sampah adalah sisa kegiatan sehari-hari manusia diakibatkan oleh proses alam dalam bentuk padat[2]. Pada umunya sampah mengandung prinsip Suatu benda baik secara langsung maupun tidak langsung berhubungan dengan kegiatan manusia yang mengakibatkan benda tersebut tidak berguna[3]. banyak sumber sampah yang dihasilkan dari kegiatan manusia diantaranya sampah dari sumber perternakan, perkebunan, perternakan, perumahan, perkantoran, industri, tempat umum dan rumah

Diterima Redaksi : 06-03-2018 | Selesai Revisi : 03-04-2018 | Diterbitkan Online : 17-04-2018 361

Robi Yanto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 tangga.[4] Sedangkan dilihat dari jenisnya ada sampah penduduk adalah warga negara Indonesia dan orang organik dan unorganik[5]. asing yang bertempat tinggal di Indonesia. Pasal 26 Ayat (1) pengertian warga negara adalah orang indonesia asli Kota Lubuklinggau dikenal dengan kota transit dimana dan orang bangsa lain yang disahkan undang undang kota ini memiliki tingkat kepadatan penduduk 190.025 sebagai warga negara[11]. Prediksi pertumbuhan jiwa dengan luas wilayah 401 km² meliputi 8 kecamatan. penduduk merupakan jumlah penduduk yang akan Beberapa permasalahan terhadap sampah akan muncul datang dengan mengacu pada penduduk pada tahun baik ketersedian lahan, kesehatan bahkan dampak pada sebelumnya. Adapun persamaan rumus menggunakan keadaan sosial ekonomi. Pemerintah Kota Lubuklinggau metode gemometrik sebagai berikut :[12] telah melakukan sosialisasi pengolahan sampah dengan kegiatan menggunakan kembali, mengurangi dan 𝑃𝑛 = 𝑃𝑎(1 + 𝑟) 𝑛 (1) mendaur ulang sampah yang telah memberikan perubahan signifikan terhadap kesadaran masyarakat Keterangan : Pn = Jumlah Penduduk Tahun n membuang sampah pada tempat pembuangan sampah, Pa = Jumlah Penduduk Tahun Awal sehingga mengakibatkan banyaknya jumlah sampah R = Rata-rata Pertumbuhan Pertahun (%) yang dibuang ke TPA setiap harinya. Mengakibatkan N = Interval Waktu Proyeksi (Tahun) kurangnya keteresediaan area pembuangan sampah . Oleh karna itu diperlukan metode untuk dapat memprediksi ketersediaan lahan pembuangan sampah Mengetahui pertumbuhan penduduk pertahun dengan menggunakan persamaan sebagai berikut : jangka panjang. 𝑗𝑚𝑙 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘 𝑡𝑎ℎ𝑢𝑛 𝑛−𝑗𝑚𝑙 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘 𝑡𝑎ℎ𝑢𝑛 𝑎𝑤𝑎𝑙 𝑥100% (2) Data Mining adalah sebuah proses menganalisa data x = 𝑗𝑚𝑙 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘 𝑡𝑎ℎ𝑢𝑛 𝑎𝑤𝑎𝑙 untuk mengetahui suatu pola dari kelompok data yang tersembunyi[6]. Dengan memanfaatkan data Untuk mengetahui rata-rata peningkatan penduduk kependudukan dan data volume sampah setiap tahunya pertahun menggunakan persamaan sebagai berikut : maka dapat dilakukan proses mining terhadap informasi peningkatan penduduk yang berkorelasi dengan 𝑋 +𝑋 +𝑋 +𝑋 +𝑋 peningkatan volume sampah. Dari proses mining dapat 𝑟 = 1 2 3 4 5 (3) n dilakukan transformasi data untuk proses estimasi ketersediaan lahan pembuangan sampah dalam jangka 2.4. Data Mining waktu tertentu. Data mining merupakan disiplin ilmu yang bertujuan 2. Tinjauan Pustaka untuk menemukan, menggali pengetahuan dari data atau informasi yang kita miliki[13]. Data mining berisi 2.1. Sampah pencarian pola yang diinginkan pada database untuk Sampah adalah sisa kegiatan manusia atau proses alam membantu pengambilan keputusan di waktu yang akan berupa zat organik atau anorganik bersifat dapat terurai datang. Text mining mengekstrak pola yang berguna dan tidak terurai yang tidak berguna lagi[7]. Sampah dari sumber data teks melalui eksplorasi pola Organik adalah sisa kegiatan yang berbentuk padat dan tertentu.[14] Pola-pola ini dapat diketahui oleh tidak padat dapat terurai maupun tidak dapat terurai yang perangkat tertentu yang memberikan suatu analisa data tidak berguna[8]. Sedangkan anorganik adalah yang berguna kemudian dapat dipelajari lebih teliti, yang dihasilkan dari bahan-bahan non hayati, berupa produk memungkinkan penggunaan perangkat pendukung sintetik hasil proses teknologi pengolahan bahan keputusan lainnya[15]. tambang. Sebagian besar anorganik tidak dapat diurai oleh mikroorganisme secara keseluruhan. Sebagian Tahap-tahap data mining sebagai berikut[16]: lainnya dapat diuraikan dalam waktu yang lama[9]. a. Pembersihan data Proses menghilang-kan noise dan data yang tidak Sistem Pengelolaan sampah yang telah dilakukan konsisten. berdasarkan undang-undang No 18 Tahun 2008 adalah : b. Integrasi data 1. Menggunakan kembali yaitu penggunaan kembali Penggabungan data dari berbagai basis data ke sampah secara langsung. dalam satu basis data baru. 2. Mengurangi yaitu mengurangi segala sesuatu yang c. Seleksi data menyebabkan timbulnya sampah. Data yang ada pada basis data yang sesuai dari 3. Mendaur ulang yaitu memanfaatkan kembali hasil analisis yang akan diambil dari basis data. sampah setelah mengalami proses pengolahan[10]. d. Transformasi data (Data Transformation) Data diubah atau digabung ke dalam format 2.3. Penduduk tertentu yang dapat diproses dalam Data Mining. Pengertian Penduduk dan warga negara Berdasarkan e. Proses Mining pasal 6 Ayat (2) Undang Undang Dasar 1945, pengertian Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 362

Robi Yanto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366

f.

g.

Proses utama saat metode diterapkan untuk digunakan adalah data yang telah di cleaning yaitu data menemukan pengetahuan berharga dan penduduk tahun 2012-2017 pada Tabel 1. [18] : tersembunyi dari data. Evaluasi pola Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang ditemukan. Presentasi pengetahuan Penyajian pengetahuan dari metode yang digunakan untuk memperoleh pengetahuan.

2.6. Regresi Linear. Algoritma regresi linear adalah jenis aturan classification and regression pada data mining selain Linear Regression yang termasuk pada golongan ini adalah Support Vector Machine, Logistic Regression dan lain-lain. Analisis regresi linear adalah teknik data mining untuk menentukan bahwa terdapat hubungan antara variable yang ingin diramalkan dengan variabel lain[17]. Model Persamaan Regresi Linear adalah seperti berikut ini : Y = a + bX (4) Dimana : Y = Variabel Response (Dependent) X = Variabel Predictor (Independent) a = Konstanta b = Koefisien regresi, besaran Response yang ditimbulkan oleh Predictor. Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

3.

a = (Σy) (Σx²) – (Σx) (Σxy) . n(Σx²) – (Σx)²

(5)

b = n(Σxy) – (Σx) (Σy) . n(Σx²) – (Σx)²

(6)

Metodologi Penelitian

Tahapan-tahapan penelitian yang dilakukan dapat digambarkan berdasarkan struktur flowchart pada Gambar 1. 4. Hasil dan Pembahasan

Gambar 1. T ahapan Penelitian. T abel 1. T abel Penduduk 2012-2017 No 1 2 3 4 5 6 Sumber

T ahun Jumlah Penduduk 2012 183203 2013 183640 2014 184782 2015 185934 2016 187366 2017 190025 : Disdukcapil Kota Lubuklinggau

4.2. Data Volume Sampah 2012-2017 Data volume sampah diperoleh dari hasil observasi yang dilakukan dimana data sampah yang digunakan pertahun dari tahun 2012 sampai dengan 2017 pada Tabel 2. T abel 2. T abel Sampah Pertahun No 1 2 3 4 5 6

Tahun Volume Sampah (ton) 2012 3.600 2013 3.625 2014 3.700 2015 3.750 2016 4.001 2017 4.020 Sumber : Dinas Lingkungan Hidup

Pada tahapan ini dibutuhkan data kependudukan, sampah dan data luas lahan pembuangan sampah untuk dapat diolah dengan analisis data mining menggunakan algoritma regresi linier sederhana. Adapun analisis yang 4.3. Data Lahan Pembuangan Sampah dilakukan sebagai berikut : Data lahan pembuangan sampah diperoleh dari hasil 4.1. Data Kependudukan observasi yang dilakukan dimana data lahan TPA terletak pada dua lokasi dan luas lahan yang berbeda Data kependudukan diperoleh berdasarkan hasil pada Tabel 3. observasi yang dilakukan. Data penduduk yang

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 363

Robi Yanto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 T abel 3. T abel Data Area T PA No Lokasi Luas Lahan 1 Kelurahan Binjai 1 Ha 2 Kelurahan Petanang 2 Ha T otal Luas Lahan 3 Ha Sumber : DLH Kota Lubuklinggau

T imbunan 1,5 ton/M 2 1,5 ton/M 2

4.4. Pertumbuhan Penduduk 2012-2017 Berdasarkan data penduduk tahun 2012-2017 pada Tabel 1 dapat diketahui rata- rata pertumbuhan penduduk yang terjadi pada kota lubuklinggau yaitu sebesar 0,735 % dimana rata-rata pertumbuhan penduduk dapat diperoleh dengan menggunakan persamaan rumus ke-3 dengan hasil pada Tabel 4. T abel 4. T abel Rata-rata Pertumbuhan Penduduk 2012-2017 T ahun

Jml Penduduk(x)

2012 2013 2014 2015 2016 2017

183203 183640 184782 185934 187366 190025 Jumlah Pertumbuhan Rata-rata

Pertumbuhan Orang % 437 1142 1152 1432 2659

0,239 0,622 0,623 0,770 1,419 3,673 0,735

X adalah Jumlah penduduk Y adalah jumlah sampah ∑X = 1.114.950 ∑Y = 22.696 ∑ X. Y = 207.218.347.270 ∑X 2 = 4.219.723.566 a = (Σy) (Σx²) – (Σx) (Σxy) . n(Σx²) – (Σx)² (22.696)(4.219.723.566)− (1.114.950)(207.218.347.270) = 6(4.219.723.566) − (1.114.950)2 𝑎 = −8918 b = n(Σxy) – (Σx) (Σy) . n(Σx²) – (Σx)² 6(207.218.347.270) − (1.114.950)(22.696) = 6 (4.219.723.566) − (1.114.950)2 𝑏 = 0,068 𝑌 = 𝑎 + 𝑏𝑥 = −8919 + 0,086𝑥

Maka dapat diprediksi volume sampah dari tahun 2018 sampai dengan jumlah sampah tahun 2025, sebagai berikut : Penduduk 2018=Y=a+b x = −8919 + (0,086)(191421) = 4.165, 148 Ton

4.5. Prediksi Penduduk Tahun 2018-2025

Hasil perhitungan prediksi sampah sampai tahun 2025 di Dari hasil perhitungan pertumbuhan penduduk tabel 4 kota lubuklinggau pada Tabel 6 sebagai berikut : diatas sebesar 0,735 %, maka dapat dijadikan acuan T abel 6. T abel Prediksi Sampah T ahun 2018 s/d 2025 dalam melakukan prediksi pertumbuhan penduduk No T ahun Sampah (ton) tahun 2018-2025 sebagai data training untuk 1 2018 4.165,148 mengetahui perkembangan volume sampah pada tahun 2 2019 4.261,264 3 2020 4.358,085 2018 sampai dengan 2025 dengan menggunakan 4 2021 4.455,618 persamaan rumus ke 1 dengan hasil seperti Tabel 5 5 2022 4.553,868 dimana pada tahun 2025 diperkirakan penduduk Kota 6 2023 4.652,839 Lubuklinggau sebesar 201484 Jiwa. 7 2024 4.752,537 T abel 5. T abel Prediksi Pertumbuhan Penduduk tahun 2018 -2025 No 1 2 3 4 5 6 7 8

T ahun 2018 2019 2020 2021 2022 2023 2024 2025

Jumlah Penduduk 191421 192827 194244 195671 197108 198556 200015 201484

4.6. Volume Sampah

8 2025 T otal

4.852,967 36.052,326

Dari proses perhitungan regresi linear diperoleh hasil prediksi sampah sampai dengan 2025 pada tabel 6 adalah 36.052,326 ton. Dilihat dari luas area pembuangan sampah yang ada sebesar 30000 M 2 dengan tinggi timbunan sampah sebesar 1,5 ton/M 2 , maka dapat diketahui estimasi ketersediaan lahan sampai tahun 2025 yaitu total volume sampah dibagi dengan tinggi timbunan sampah, maka diperoleh luas lahan yang terpakai adalah 20.434,9 M 2 . Sehingga estimasi ketersediaan lahan yang dimiliki oleh pemerintah kota lubuklinggau adalah luas lahan dikurang lahan yang terpakai sampai tahun 2025 yaitu 30000 M 2 - 20.434,9 M 2 = 5.965,1 M 2 .

Dari hasil prediksi pertumbuhan penduduk kota lubuklinggau sampai dengan tahun 2025 pada tabel 5 diatas yaitu sebesar 201484 Jiwa, maka dapat dilakukan estimasi pertumbuhan sampah sampai dengan tahun 2025 dengan persamaan ke 4, 5 dan 6 sebagai berikut : 4.7. Pengujian Hasil Prediksi T ahun 2012 2013 2014 2015 2016 2017

Jiwa(x) sampah(y) 183.203 3.600 183.640 3.625 184.782 3.700 185.934 3.750 187.366 4.001 190.025 4.020

x2 33.563.339.209 33.723.649.600 34.144.387.524 34.571.452.356 35.106.017.956 36.109.500.625

xy 659.530.800 665.695.000 683.693.400 697.252.500 749.651.366 763.900.500

Pengujian data dilakukan dengan menggunakan aplikasi pengujian rapidminer 5 terhadap hasil perhitungan prediksi sampah sampai dengan tahun 2025 menggunakan algoritma regresi linier seperti pada Gambar 2.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 364

Robi Yanto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366

Gambar 4. Grafik Hasil Prediksi Sampah 2018-2025

5. Kesimpulan dan Saran 5.1. Kesimpulan

Gambar 2. Proses Pengujian Data

Dari Gambar 2 diketahui data train yang digunakan adalah data penduduk dan sampah dari tahun 2012 sampai dengan 2017 yang akan diuji dengan model linear Regression sehingga dihasilkan prediksi sampah pada data set yaitu pada tahun 2018 sampai dengan 2025 pada Gambar 3.

Dari hasil analisa dan pembahasan dengan tekning data mining menggunakan algoritma regresi linier dan aplikasi pengujian rapidminer dapat disimpulkan bahwa 1. Adapun hasil pengujian menggunakan aplikasi dan perhitungan manual memperoleh hasil prediksi yang sama yaitu prediksi sampah pada tahun 2025 adalah 4.853,967 ton dengan jumlah penduduk tahun 2025 sebesar 201484 Jiwa. 2. Prediksi total produksi sampah di Kota Lubuklinggau tahun 2025 adalah 36.052,326 ton. Sehingga estimasi ketersediaan lahan pemerintah kota lubuklinggau sampai dengan 2025 memiliki ketersediaan lahan untuk tahun berikutnya yaitu 5.965,1 M 2 3. Ilmu Pengetahuan dari proses data mining adalah pihak pengambil keputusan dapat mengetahui kebutuhan lahan yang harus disediakan. 5.2. Saran

Adapun saran dari hasil penelitian ini adalah 1. Perlu dilakukan penelitian lebih lanjut menggunakan algoritma regresi linier berganda melibatkan variabel berdasarkan jenisnya sehingga hasil perhitungan produksi sampah lebih tepat. 2. Perlu dilakukan perubahan sistem pengelolaan sampai yaitu dari open dumping ke sistem Gambar 3. Meta Data Prediksi Sampah 2018-2025 Controlled Landfill sehingga dapat memaksimalkan lahan yang tersedia. Berdasarkan hasil prediksi sampah tahun 2018 sampai dengan tahun 2025 pada Gambar 3 dapat diGambarkan dalam bentuk grafik scatter multiple yang menunjukan 6. Daftar Rujukan bahwa terjadinya peningkatan volume sampah dari [1] Undang‐Undang Republik Indonesia Nomor 18 T ahun 2008 tentang Pengelolaan Sampah. Pemerintah Republik Indonesia, tahun 2018-2025 sesuai dengan pertumbuhan penduduk yang terjadi dari tahun 2018-2025 yaitu pada tahun 2025 [2] 2008. Harahap, A., Naria, E., dan Santi, D. N., 2013. Analisis Kualitas penduduk kota lubuklinggau sebesar 201484 jiwa Air Sungai Akibat Pencemaran T empat Pembuangan Akhir Sampah Batu Bola T ahun 2012. Jurnal Kesehatan Lingk ungan dengan volume sampah yang dihasilkan 4.852,967 Ton dan Keselamatan Kerja. Vol 2. No. 2. Hal. 1-9. seperti pada Gambar 4. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 365

Robi Yanto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 [3] [4] [5]

[6] [7] [8]

[9] [10] [11] [12]

[13] [14] [15]

[16]

[17] [18]

Ditjen Cipta Karya. 2015. Panduan Praktis Penataan Kelembagaan Sistem Pengelolaan Persampahan. Kementerian Pekerjaan Umum dan Perumahan Rakyat. Jakarta.[3] Damanhuri, E., dan Padmi, T . 2010. Diktat Kuliah T L - 3104 Pengelolaan Sampah. Institut Teknologi Bandung. Bandung[4] Anggraini, D., Pertiwi, B. M., Dahrin, D., 2012. Pengaruh Jenis Sampah, Komposisi Masukan dan Waktu T inggal T erhadap Komposisi Biogas dari Sampah Organik., Jurnal T eknik Kimia, Vol.18 No.1, Januari 2012, Hal 17-23. Yanto, R., Kesuma, H. D., 2017. Pemanfaatan Data Mining Penempatan Buku di Perpustakaan Menggunakan Assosiation Rule, Jurnal Jatisi, Vol.4 No.1, November 2017, Hal 1 -10. Fadhilah, A., Dkk., 2011. Kajian Pengelolaan Sampah Kampus Jurusan Arsitektur Fakultas T eknik Universitas Diponogoro, MODUL, Vol.11 No.2, Agustus 2011, Hal 62 -71. Arni., Labania, D. M. H., Nismayanti., 2014. Studi Uji Karakteristik Fisik Briket Biorang sebagai Sumber Energi Alternatif, Journal Of Natural Science, Vol.3 No.1, Maret 2014, Hal. 89-98. Artiningsih, A., 2008. Peran Serta Masyarakat dalam Pengelolaan Sampah Rumah T angga, T esis Pasca Sarjana, Universitas Diponogoro, Smarang. Suyoto, B., 2008. Fenomena Gerakan Mengelola Sampah. Jakarta: PT Prima Infosarana Media. Undang‐Undang Republik Indonesia Nomor 12 T ahun 2006 tentang Kewarganegaraan Republik Indonesia. Pemerintah Republik Indonesia, 2006. Astno, W., Purwaningrum, P., Wahyudyanti, R., 2015. Perencanaan T empat Pembuangan Akgir Sampah demgan menggunakan Metode Sanitary Landfill, Jurnla JT L,Vol.7 No.1, Juni 2015, Hal 7-16. Susanto, S., Suryadi, D., 2010. Pengantar Data Mining “ Menggali Pengetahuan dari Bongkahan Data, Penerbit Andi Offset, Yogyakarta. Jumeilah, F., S., 2017. Penerapan SVM untuk Pengkatogorian Penelitian, Jurnal Resti, Vol.1 No.1, April 2017, Hal. 19 -25. Mustafa, S. M., 2017. Implementasi Data Mining Evaluasi Kinerja Akademik Mahasiswa menggunakan Naive Bayes Classifier, Jurnal Citec, Vol. 4 No. 2, Februari-April 2017, Hal. 151-162. Saleh, A., 2015. Implementasi Metode Klasifikasi NaiveBayer dalam Memprediksi Besarnya Penggunakan Listrik Rumah T angga, Jurnal Citec, Vol.2 No.3, Mei–Juli 2015, Hal 207217.[15] Xin Yan, & Xiao Gang Su., 2009. Linear regression analysis. London: World Scientific Publishing Co. Pte. Ltd., Covent Garden. Disdukcapil Kota Lubuklinggau, 2017. Buku Profil Kependudukan Kota Lubuklinggau 2017. Lubuklinggau.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 361 – 366 366

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374

ISSN : 2580-0760 (media online)

Pengukuran Tinggi Sebenarnya Objek pada Foto Digital Menggunakan Euclidean Distance Rakhmad Kuswandhie a, Jufriadif Na’amb , Yuhandric

Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia “YPT K” Padang, [email protected] b Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia “YPT K” Padang, [email protected] c Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia “YPT K” Padang, [email protected] a

Abstract Digital photos are generated from the camera. In the photo there are some object that can be observed. The object in images is a representation of the fact that in the real world. The size of an object in a digital image can represent the true size of an image object with a certain size scale. The actual size of the object in the photo can not be known directly. Digital photos used in the research is the image generated from the camera phone with 8MB resolution and the distance of the camera to photo objects as far as 1, 3 and 5 meters with 3 different objects, ie gallons, chairs and legs. The size of objects in a digital image will be measured using an application created with the C # programming language. Measuring objects in photos using Euclidean Distance. Next is calculated the actual size of the object that is in the photo by using trigonometric function. The test result of 3 objects on digital photos with 3 different distances obtained the actual object size with an accuracy are 99,993%. Keywords: Digital photo, Euclidean Distance, Trigonometric

Abstrak Foto digital merupakan sebuah citra digital yang dihasilkan dari sebuah kamera. Objek dalam foto merupakan representasi dari fakta yang ada di dunia nyata. Ukuran objek dalam citra digital dapat mewakili ukuran sebenarnya dari objek foto tersebut dengan ukuran skala tertentu. Ukuran sebenarnya objek dalam foto tidak dapat diketahui secara langsung. Foto digital yang digunakan pada penelitian merupakan foto yang dihasilkan dari kamera handphone dengan resolusi 8M B dan jarak kamera ke objek foto sejauh 1, 3 dan 5 meter dengan 3 buah objek, yaitu galon, kursi dan kaki. Ukuran objek pada foto digital akan diukur menggunakan aplikasi yang dibuat dengan bahasa pemrograman C#. Pengukuran objek pada foto menggunakan Euclidean Distance. Berikutnya dihitung ukuran sebenarnya objek yang ada dalam foto dengan menggunakan fungsi trigonometri. Hasil dari pengujian terhadap 3 objek pada foto digital dengan 3 jarak objek dari kamera yang berbeda ini diperoleh ukuran objek sebenarnya dengan tingkat akurasi 99,993%. Kata kunci: foto digital, euclidean distance, trigonometri © 2018 Jurnal RESTI

1. Pendahuluan Foto adalah gambar diam yang juga disebut dengan citra [1]. Foto atau citra merupakan hasil dari proses rekam suatu objek atau kejadian secara visual [2]. Foto dapat dihasilkan dengan menggunakan kamera atau alat scan. Kamera merupakan kotak yang dibuat kedap terhadap cahaya yang didalamnya berisi permukaan peka cahaya atau sinar berlebih yang akan digunakan untuk menghasilkan gambar [3]. Foto yang direkam dengan menggunakan kamera analog maka akan menghasilkan foto biasa yang harus dilakukan pencetakan terlebih dahulu. Foto biasa dapat didigitalisasi dengan menggunakan mesin scan. Foto yang direkam dengan kamera digital akan menghasilkan foto digital.

Banyak informasi yang dapat diperoleh dari objek yang terdapat pada foto. Pengamatan objek foto telah banyak dipelajari selama bertahun-tahun dengan kombinasi fitur yang berbeda seperti bentuk, warna, atau bahkan saturasi warna, resolusi gambar, atau ukuran objek [4]. Bentuk dan warna objek pada foto akan sama dengan bentuk dan warna pada kondisi aslinya. Sedangkan ukuran objek pada foto tidak sama dengan kondisi aslinya. Ukuran objek pada foto lebih kecil jika dibandingkan dengan ukuran sebenarnya. Ukuran tersebut tidak dapat langsung diketahui dengan mengukur langsung pada foto. Pengukuran juga sulit dilakukan jika mengukur objek secara langsung karena objek pada foto dapat saja berpindah tempat, berubah bentuk atau sudah tidak ada lagi karena telah berlalunya waktu. Sehingga untuk mengetahui ukuran sebenarnya objek pada foto hanya

Diterima Redaksi : 28-03-2018 | Selesai Revisi : 10-04-2018 | Diterbitkan Online : 17-04-2018 367

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 dapat dilakukan dengan memanfaatkan foto yang ada tanpa harus ada objek yang sebenarnya. Berdasarkan hal tersebut maka masalah yang ada dapat dirumuskan, yaitu bagaimana membangun aplikasi untuk mengetahui ukuran sebenarnya objek pada foto digital dan bagaimana tingkat akurasi pengukurannya? Tujuan dari penelitian ini adalah pembuatan aplikasi untuk melakukan pengukuran terhadap objek pada foto dan mengukur tingkat pengukuran aplikasi. Pengukuran ini dilakukan untuk menghasilkan estimasi ukuran sebenarnya objek pada foto. Sistem ini akan menggunakan Euclidean Distance dan akan dibangun dengan bahasa C# menggunakan Visual Studio 2010. Foto yang akan digunakan dalam penelitian ini adalah file foto yang dihasilkan dari kamera smartphone/HP Xiomi Redmi 1s. Jarak pengambilan foto ditentukan dengan jarak 1, 3 dan 5 meter dari objek foto. Objek foto yang akan digunakan adalah objek kursi, galon dan orang. Dari penelitian ini diharapkan untuk memudahkan dalam mengetahui ukuran sebenarnya objek pada foto digital dari file foto. 2. Tinjauan Pustaka Banyak penelitian yang telah dilakukan untuk mendapatkan estimasi atau ukuran sebenarnya sebuah objek secara terkomputerisasi. Pada penelitian yang dilakukan untuk menghasilkan alat ukur garmen secara otomatis yang dapat menangkap gambar dan mengukur pakaian dengan berbagai warna atau tekstur dengan menggunakan Image Recognition, di mana pada penelitian ini akan dilakukan proses kalibrasi kamera, ekstraksi tepi, ekstrak tepi, esktrak titik sudut, pencocokan template dan esktraksi titik serta dimensi [5]. Pada penelitian lain dibidang kesehatan di mana akan diperoleh ukuran ketebalan dari tulang kortikal pada citra panorama gigi yang berbasis model. Untuk mendapatkan ukuran tulang kortikal ini terdapat beberapa tahapan yang harus dilalui, yaitu ekstrasi fitur, segmentasi, deteksi centerline, pemodelan profil dan selanjutnya diperoleh estimasi tebal tulang [6]. Pengukuran tinggi objek juga pernah dilakukan dengan basis perbandingan piksel di mana dari penelitian ini diperoleh tingkat akurasi pengukuran tinggi objek sebesar 92% yang dipengaruhi oleh resolusi kamera digital. Untuk mendapatkan ukuran tinggi ini data yang digunakan adalah objek foto, focal length, jarak pengambilan foto. Setelah diperoleh data tersebut dilakukan pengukuran terhadap tinggi objek sehingga diperoleh jumlah piksel untuk selanjutya akan dilakukan pembandingan [7]. 2.1 Aplikasi

komputer, instruksi-instruksi yang disusun agar komputer dapat melakukan proses input ke output [8]. 2.2 Foto Digital Foto adalah gambar diam yang disebut juga dengan citra yang merupakan hasil dari proses rekam suatu objek atau kejadian secara visual [1][2]. Citra digital dapat diidentifikasikan dengan menggunakan dua buah variabel yaitu variabel x dan y di mana kedua variabel tersebut merupakan koordinat spasial [9]. Citra digital merupakan sebuah matrik atau larik yang terdiri dari M kolom dan N baris yang pada perpotonganya disebut dengan piksel. Piksel sendiri merupakan bagian terkecil dari sebuah citra [10]. Titik pada piksel biasanya dituliskan dengan nilai (x,y). Titik ini adalah titik pada layar, sedangkan titik pada sensor harus dilakukan konversi dengan menggunakan rumus sebagai berikut: tinggi_sensor

xsensor = x ×

tinggi_gambar

y sensor = y ×

lebar_gambar

lebar_sensor

(1) (2)

Format foto digital yang digunakan dalam penelitian ini adalah JPEG. Format JPEG adalah format citra dengan tingkat kompres yang sangat besar, mengurangi kualitas citra dan sangat ideal untuk citra berukuran yang besar [11]. 2.3 Kamera Kamera merupakan alat untuk melakukan perekaman terhadap gambar bergerak atau pengambilan gambar pada objek tertentu [12]. Pada kamera analog perekaman akan tersimpan pada selembar film. Sedangkan pada kamera digital gambar dihasilkan dari hasil perekaman sensor CMOS [13]. Penelitian ini akan menggunakan kamera digital dari kamera belakang smartphone/HP Xiomi Redmi 1s yang dapat menghasilkan ukuran foto 1836 × 3264 piksel. Pada kamera terdapat lensa yang merupakan alat vital yang dimiliki kamera. Cahaya akan difokuskan untuk dibakar pada media tangkap merupakan fungsi dari lensa pada kamera [7]. Jarak antara lensa dengan sensor yang terdapat pada kamera disebut dengan focal length [14]. Kamera Xiomi Redmi 1s memiliki ukuran focal length sebesar 4 mm. Perubahan pada nilai focal length akan mengubah hasil dari citra, dimana seolah-oleh kamera dipindahkan menjauh dari objek foto sehingga menjadi lebih kecil namun mendapatkan luas wilayah yang lebih luas [15]. Nilai focal length ini akan menjadi referensi untuk memperoleh ukuran sebenarnya objek pada citra digital selain jarak objek dengan kamera. Gambar 1 adalah keterkaitan antara jarak objek.

Aplikasi atau Software adalah sebuah program pada komputer yang penulisannya dalam bahasa Berdasarkan Gambar 1 X1 adalah ukuran sebenarnya pemrograman yang penggunaanya sebagai alat untuk sebuah objek, X2 adalah ukuran pada sensor, Y1 penyelesaian suatu permasalahan tertentu dalam suatu merupakan jarak objek dengan lensa dan Y2 adalah focal length. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 368

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 T abel 1. Spesifikasi Kamera Spesifikasi Resolusi Maksimal Focal Length Ukuran Sensor Ukuran citra yang dihasilkan Resolusi citra

Nilai 8 Mega Pixel 4 mm 3.42 × 4.54 mm 1836 × 3264 piksel 72 dpi

Format Citra

JPG

Gambar 1. Keterkaitan Jarak Objek dan Focal Length

2.4 Trigonometri Berdasarkan Gambar 1 maka jika disederhanakan akan menghasilkan dua segitiga yang saling berhadapan seperti pada Gambar 2.

Gambar 2. Segitiga dari Hasil Penyederhanaan

Dari Gambar 2 di atas maka dapat digunakan rumus trigonometri sebagai berikut: tan α =

Sisi Depan α Sisi Bawah α

=

X2 Y2

(3)

Nilai X2 merupakan ukuran objek pada sensor dan Y2 adalah nilai dari focal length. Gambar 3. Data Input

2.5 Euclidean Distance Euclidean Distance merupakan dasar untuk menentukan suatu posisi dari informasi jarak pada 2 buah titik spasial dalam bentuk koordinat pada Euclidean Space [16][17]. Euclidean Distance dapat dirumuskan sebagai berikut: ED (x,y) = √∑ni=1( xi + y i )2

(4)

Pada gambar 3a, 3b dan 3c adalah foto objek galon. Gambar 3d, 3e dan 3f merupakan foto objek kursi. Sedangkan gambar 3g, 3h da 3i adalah foto objek orang. Pada kolom ke-1 gambar 3 direkam dengan jarak 5 meter. Kolom ke-2 dilakukan pemotretan dari jarak 3 meter dari objek. Perekaman dengan jarak 1 meter terlihat dari gambar 3 kolom ke-3.

Euclidean Distance diperoleh dari akar jumlah selisih 3.2 Analisis titik koordinat x dan y dipangkatkan dengan 2. Tahapan ini dilakukan untuk mendapatkan sistem yang diharapkan. Tahapan ini dibagi menjadi beberapa Metodologi penelitian ini dibagi menjadi 3 tahapan yang langkah yang tampak pada Gambar 4. dimulai dari citra input, analisa dan perancangan. 3. Metodologi Penelitian

Pendefinisian Variabel

3.1 Citra Input Citra input pada penelitian ini adalah citra yang berasal dari kamera dengan spesifikasi terlihat pada Tabel 1. Dari tabel 1 data yang akan digunakan adalah focal length, ukuran sensor dan ukuran citra yang dihasilkan Foto yang akan digunakan dari hasil kamera tersebut sebanyak 9 buah foto yang terdiri dari 3 buah objek dengan 3 jarak yang berbeda untuk masing-masing objek. Jarak tersebut adalah 1, 3 dan 5 meter. Foto yang dimaksud adalah seperti pada gambar 3.

Euclidean Distance

Fungsi Trigonometri

Estimasi Ukuran Objek Sebenarnya

Gambar 4. Blok Proses Analisis

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 369

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 a. Pendefinisian Variabel Langkah ini akan didefinikan variabel yang akan digunakan dalam pembuatan aplikasi. Berdasarkan gambar 2 maka dapat diketahui kebutuhan variabel yang dibutuhkan yaitu: X1, Y1, X2, Y2, α dan α’. Variabel X1 adalah representasi dari ukuran objek yang akan dicari. Y1 merupakan jarak objek dengan kamera yang pada penelitian ini terdiri dari 1, 3 dan 5 meter. X2 adalah nilai atau ukuran objek pada foto. Y2 merupakan jarak lensa dengan sensor atau focal length yang bernilai 4 mm. Variabel α dan α’ merupakan sudut pada segitiga yang terbentuk dari garis imajiner yang ditarik dari ujung paling atas objek sebenarnya dengan ujung paling bawah objek pada sensor yang melewati titik fokus lensa. Nilai dari variable α dan α’ ini nilainya belum diketahui sehingga harus dilakukan proses pencarian terlebih dahulu. b. Euclidean Distance

Mulai Citra Digital x awal, y awal x akhir, y akhir Konversi x awal, y awal, x akhir, y akhir sensor x awal cmos, y awal cmos x akhir cmos, y akhir cmos Euclidean Distance

Hasil

Selesai

Euclidean Distance ini digunakan untuk mengetahui Gambar 5. Flowchart Proses Euclidean Distance nilai dari X2 yang merupakan ukuran objek pada sensor. Nilai X2 dapat diketahui dengan melewati beberapa langkah atau tahapan. Algoritma yang digunakan pada Setelah diperoleh nilai variabel α dan α’, maka selanjutnya adalah mencari nilai dari X1 yang langkah ini adalah sebagai berikut: merupakan ukuran sebenarnya dari objek. Untuk 1) pengambilan citra digital, yaitu pemilihan foto yang mendapatkan nilai variabel ini maka akan digunakan didalamya terdapat objek yang akan diketahui ukuran turunan dari persamaan (3) sehingga diperoleh sebenarnya, persamaan baru yaitu: 2) menentukan nilai x, y awal dan nilai x, y akhir, yaitu Sisi Depan α = X2 = Sisi Bawah α × tan α (5) penentuan titik awal dan akhir dari objek pada foto. 3) mengkonversi koordinat ke koordinat pada sensor, yaitu merubah koordinat titik di layar menjadi Dari uraian pada langkah fungsi trigonometri di atas koordinat titik pada sensor menggunakan persamaan maka dapat dibuat dalam bentuk flowchart seperti pada Gambar 6. (1) dan (2). 4) proses perhitungan euclidean distance, yaitu proses perhitungan dengan menggunakan persamaan (4). Mulai Berdasarkan algoritma atau langkah-langkah tersebut maka dapat dibuat dalam bentuk diagram. Berikut ini adalah flowchart algoritma proses Euclidean Distance.

Nilai X2 Pencarian Nilai α, α’

c. Fungsi Trigonometri Nilai α, α’

Langkah fungsi trigonometri ini digunakan untuk mendapatkan nilai dari variabel yang belum diketahui Nilai Y1 nilainya. Langkah ini dimulai dengan pengambilan nilai X2 yang diperoleh dari langkah Euclidean Distance. Perhitungan X1 Proses berikutnya adalah pencarian nilai dari variabel α dan α’. Nilai dari kedua variabel tersebut adalah sama Nilai X1 karena sesuai dengan kesebangunan segitiga bahwa besaran sudut-sudut yang bersesuaian sama besar. Selesai Pencarian nilai variabel α dan α’ akan menggunakan persamaan (3). Setelah diperoleh nilai variabel α dan α’ Gambar 6. Flowchart Langkah Fungsi T rigonometri maka proses selanjutnya adalah mencari nilai dari variabel X1 yang merupakan ukuran sebenarnya dari 3.3 Perancangan objek. Berdasarkan persamaan (3) maka variabel yang akan digunakan adalah X2 dan Y2. Nilai Y2 merupakan Setelah dilakukan tahap analisis maka dibuatlah rancangan aplikasi. Rancangan ini harus dapat focal length yang telah diketahui nilainya. memenuhi kebutuhan dari variabel dan informasi yang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 370

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 diperoleh dari tahap analisis. Rancangan aplikasi seperti private int focal_length=4; terlihat pada Gambar 7. private double sensor_width= 3.42; private double sensor_height= 4.54;

Untuk variabel variabel yang perlu dilakukan penginputan adalah jarak objek dari kamera yang harus di-input-kan dalam satuan meter ke dalam textboxt Object Distance. b. Pengambilan Foto

Gambar 7. Rancangan Aplikasi

Pengambilan foto yang didalamnya terdapat objek yang akan diketahui ukurannya dilakukan melaui menu Open Image untuk selanjutnya akan ditampilkan pada PictureBox seperti berikut ini:

Pada Gambar 7 terlihat beberapa informasi yang terdiri . . . dari informasi nama file, ukuran gambar baik lebar dan lblFileName.Text = System.IO.Path.GetFileName(cdOpen.FileName); tinggi, posisi titik pada layar dan sensor berupa nilai x lblPicWidth.Text = dan y, serta ukuran objek. Gambar 7 juga meperlihatkan myImage.PhysicalDimension.Width.ToString(); adanya input-an berupa jarak objek dan menu Open lblPicHeight.Text = myImage.PhysicalDimension.Height.ToString(); Image untuk memilih foto yang terdapat objek yang . . . akan dicari ukuran sebenarnya. Selain itu terdapat images = new Bitmap(picInput.Width, picturebox yang akan digunakan untuk menampilkan picInput.Height); foto dan tempat memasukkan titik-titik pengukuran Graphics g = Graphics.FromImage(images); objek atau memilih objek yang akan diketahui g.DrawImage(myImage, new Rectangle(0, 0, picInput.Width, picInput.Height), ukurannya. new Rectangle(p_X, p_Y, (int)(picInput.Width 4. Hasil dan Pembahasan Bagian ini adalah bagian untuk mengimplementasikan hasil dari analisa dan perancangan dalam bentuk aplikasi yang akan dikembangkan menggunakan bahasa pemrograman C# dengan Visual Studio 2010 untuk alat pembuatannya.

*

Zoom), (int)(picInput.Height * Zoom)), GraphicsUnit.Pixel); picInput.Image = images;

Informasi lain yang akan ditampilkan setelah proses input adalah nama file, ukuran lebar dan tinggi foto dalam satuan piksel. Hasil dari proses Open Image seperti terlihat pada Gambar 9.

4.1 Implementasi Sistem Aplikasi yang akan dibuat ini terdiri dari satu buah form seperti pada Gambar 8 di bawah ini.

Gambar 9. T ampilan Open Image Gambar 8. T ampilan Awal Aplikasi

a. Pendefinisian Variabel Sesuai dengan analisa yang ada maka dibutuhkan beberapa variabel baik yang sudah ada nilainya dan yang belum ditemukan nilainya. Maka pada bagian ini akan dideklarasikan beberapa variabel yang sudah diketahui nilainya sebagai berikut:

c. Pengukuran Objek Pengukuran objek diawali dengan pemilihan bagian yang akan diukur pada PictureBox. Pemilihan dilakukan dengan cara melakukan klik dan drag pada mouse yang ditandai dengan sebuah garis. Pada waktu yang bersamaan akan ditampilkan informasi posisi koordinat

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 371

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 pada layar dan hasil konversi ke posisi pada sensor. trigonometri di C# Visual Studio 2010 seperti coding Proses konversi adalah sebagai berikut: berikut ini: lblXScreen.Text = ((int)(p_X + e.X * Zoom)).ToString(); lblYScreen.Text = ((int)(p_Y + e.Y * Zoom)).ToString(); lblXSensor.Text = Math.Round((Convert.ToSingle(lblXScreen.Text) * sensor_width / Convert.ToSingle(lblPicWidth.Text)), 4).ToString(); lblYSensor.Text = Math.Round((Convert.ToSingle(lblYScreen.Text) * sensor_height / Convert.ToSingle(lblPicHeight.Text)), 4).ToString();

double size = Math.Round(Math.Tan(alpa / 57.29578), 4) * Convert.ToInt32(txtDistance.Text) * 100;

Variabel size pada program ini merupakan estimasi ukuran sebenarnya dari objek yang dipilih yang akan ditampilkan pada aplikasi. 4.2 Pengujian

Pengujian ini dilakukan terhadap hasil yang didapat dibandingkan dengan ukuran sebenarnya dari objek pada foto. Untuk mendapatkan ukuran dari aplikasi Berikut ini pada Gambar 10 adalah tampilan klik dan maka dilakukan percobaan sebanyak 3 kali untuk drag mouse untuk memilih objek pengukuran yang masing-masing objek dengan 3 jarak yang berbeda. ditandai dengan garis pada PictureBox. Berdasarkan percobaan tersebut maka diperoleh data sebagai berikut ini. T abel 2. Hasil Percobaan Pengukuran Objek dengan Jarak 1 Meteri Nama Objek Galon Galon Galon Kursi Kursi Kursi Kaki Kaki Kaki

X1 910 900 906 855 910 915 930 885 915

T itik Y1 960 950 950 80 75 80 410 407 407

Ukur X2 910 900 925 855 910 920 940 885 915

Y2 2170 2200 2193 2505 2510 2505 2990 2964 2992

Hasil Ukur (cm) 42,35 43,75 43,51 84,87 85,23 84,88 90,3 88,92 90,47

Berdasarkan Tabel 2 maka untuk hasil pengukuran pada objek galon dari jarak 1 meter dari kamera didapat dinilai rata-rata pengukurannya adalah 42,02 cm. RataGambar 10. Pemilihan Objek Ukur rata pengukuran terhadap objek kursi diperoleh nilai rata-rata sebesar 84,99 cm. Objek kaki memiliki nilai Proses selanjutnya adalah melakukan perhitungan untuk rata-rata yaitu 89,90 cm. mendapatkan nilai Euclidean Distance dengan menggunakan posisi pada sensor yang sudah dipilih dari T abel 3. Hasil Percobaan Pengukuran Objek dengan Jarak 3 Meter garis yang terbentuk pada PictureBox. Garis ini akan Nama T itik Ukur Hasil Ukur menampilkan nilai x, y awal dan x, y akhir. Nilai-nilai Objek (cm) X1 Y1 X2 Y2 inilah yang akan dihitung untuk mendapatkan nilai Galon 913 1372 913 1763 41,04 Galon 896 1368 896 1764 41,58 Euclidean Distance yang merupakan ukuran objek pada Galon 907 1375 907 1771 41,58 foto yang terlihat seperti berikut ini: double ED = Math.Sqrt((Math.Pow(s_X1 - s_X2, 2) + Math.Pow(s_Y1 - s_Y2, 2)));

Kursi Kursi Kursi Kaki Kaki Kaki

916 912 911 930 966 875

1220 1220 1223 1655 1660 1655

916 924 911 930 973 875

2004 2004 2003 2520 2520 2510

82,32 82,35 81,9 90,84 90,3 89,76

Setelah diperoleh ukuran objek pada foto dengan rumus Euclidean Distance, selanjutnya adalah mencari nilai Berdasarkan Tabel 3 maka untuk hasil pengukuran pada sudut α dengan menggunakan teorema trigonometri objek galon dari jarak 3 meter dari kamera didapat seperti berikut: dinilai rata-rata pengukurannya adalah 41,40 cm. Ratarata pengukuran terhadap objek kursi diperoleh nilai double alpa = Math.Round(Math.Atan(ED / focal_length) * 57.29578, 4); rata-rata sebesar 82,19 cm. Objek kaki memiliki nilai rata-rata yaitu 90,30 cm. Angka 57.29578 merupakan satuan standar angka real Berdasarkan Tabel 4 maka untuk hasil pengukuran pada (radians) untuk sudut 1°. Nilai variabel alfa ini akan objek galon dari jarak 5 meter dari kamera didapat dipakai untuk mendapatkan ukuran sebenarnya objek dinilai rata-rata pengukurannya adalah 41,78 cm. Ratayang dipilih dengan kembali menggunakan rumus Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 372

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 rata pengukuran terhadap objek kursi diperoleh nilai 𝑒𝑟𝑟𝑜𝑟𝑔𝑎𝑙𝑜𝑛 = 0,006 rata-rata sebesar 82,20 cm. Objek kaki memiliki nilai |𝑟𝑒𝑟𝑎𝑡𝑎 𝑘𝑢𝑟𝑠𝑖 − 𝑢𝑘𝑢𝑟𝑎𝑛 𝑘𝑢 𝑟𝑠𝑖 | rata-rata yaitu 89,53 cm. 𝑒𝑟𝑟𝑜𝑟𝑘𝑢𝑟𝑠𝑖 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑘𝑢𝑟𝑠𝑖 T abel 4. Hasil Percobaan Pengukuran Objek dengan Jarak 5 Meter |83,13 − 83,4| T itik Ukur Nama 𝑒𝑟𝑟𝑜𝑟𝑘𝑢𝑟𝑠𝑖 = Hasil Ukur (cm) 83,4 Objek X1 Y1 X2 Y2 Galon Galon Galon Kursi Kursi Kursi Kaki Kaki Kaki

900 886 891 931 925 914 952 955 886

1507 1503 1508 1355 1353 1353 1585 1594 1595

896 889 895 931 925 917 952 955 886

1746 1741 1747 1824 1821 1825 2100 2105 2104

41,85 41,65 41,85 82,1 81,9 82,6 90,1 89,4 89,1

𝑒𝑟𝑟𝑜𝑟𝑘𝑢𝑟𝑠𝑖 =

0,27 83,4

𝑒𝑟𝑟𝑜𝑟𝑘𝑢𝑟𝑠𝑖 = 0,003 |𝑟𝑒𝑟𝑎𝑡𝑎 𝑘𝑎𝑘𝑖 − 𝑢𝑘𝑢𝑟𝑎𝑛 𝑘𝑎𝑘𝑖 | 𝑒𝑟𝑟𝑜𝑟𝑘𝑎𝑘𝑖 = 𝑢𝑘𝑢𝑟𝑎𝑛 𝑘𝑎𝑘𝑖 𝑒𝑟𝑟𝑜𝑟𝑘𝑎𝑘𝑖 =

|89,91 − 91,1|

Jika dibuat dalam sebuah bentuk tabulasi maka nilai 91,1 rata-rata pengukuran tiap objek tiap jarak adalah seperti 1,91 pada Tabel 5 di bawah ini. 𝑒𝑟𝑟𝑜𝑟𝑘𝑎𝑘𝑖 = 91,1 T abel 5. Rata-Rata Hasil Pengukuran Nama Objek Galon Galon Galon Kursi Kursi Kursi Kaki Kaki Kaki

Jarak Objek (M) 1 3 5 1 3 5 1 3 5

Hasil Ukur (cm) 43,20 41,40 41,78 84,99 82,19 82,20 89,90 90,30 89,53

Rata-Rata

𝑒𝑟𝑟𝑜𝑟𝑘𝑎𝑘𝑖 = 0,013

42,13

Berdasarkan perhitungan tingkat kesalahan dapat dihitung tingkat akurasi atau ketepatan pengukuran dengan cara 100 dikurangi tingkat kesalahan. Data tingkat akurasi dapat dlihat pada Tabel 7.

83,13

T abel 7. T ingkat Akurasi Pengukuran Aplikasi

89,91

Selanjutnya adalah mengukur tingkat kesalahan pengukuran masing-masing objek. Untuk mengetahui tingkat kesalahan maka terlebih dahulu dilakukan pengukuran secara manual dengan menggunakan alat ukur untuk memperoleh data ukuran sebenarnya dari masing-masing objek seperti pada Tabel 6 di bawah ini.

Nama Objek (1) Galon Kursi Kaki

T ingkat Kesalahan (2) 0,006 0,003 0,013

Akurasi (3)=100-(2) 99,994 99,997 99,987

Berdasarkan dari Tabel 7 tentang tingkat akurasi pengukuran aplikasi maka jika dihitung rata-rata dari nilai akurasi maka secara keseluruhan tingkat akurasi pengukuran dengan menggunakan aplikasi adalah 99,993%.

T abel 6. Ukuran Objek Sebenarnya Nama O bjek Galon Kursi Kaki

Ukuran (cm) 42,4 83,4 91,1

Untuk mengetahui tigkat kesalahan maka dilakukan perhitungan dengan cara mencari selisih absolut antara ukuran hasil aplikasi dengan ukuran sebenarnya kemudian dibagi dengan ukuran sebenarnya. Ukuran hasil aplikasi digunakan data rata-rata pada tabel 5, sedangkan ukuran sebenarnya diambil dari data pada Tabel 6. Perhitungan tingkat kesalahan masing-masing objek adalah sebagai berikut: 𝑒𝑟𝑟𝑜𝑟𝑔𝑎𝑙𝑜𝑛 = 𝑒𝑟𝑟𝑜𝑟𝑔𝑎𝑙𝑜𝑛 = 𝑒𝑟𝑟𝑜𝑟𝑔𝑎𝑙𝑜𝑛 =

|𝑟𝑒𝑟𝑎𝑡𝑎𝑔𝑎𝑙𝑜𝑛 − 𝑢𝑘𝑢𝑟𝑎𝑛𝑔𝑎𝑙𝑜𝑛 | 𝑢𝑘𝑢𝑟𝑎𝑛𝑔𝑎𝑙𝑜𝑛 |42,13 − 42,4| 42,4 0,27 42,4

5. Kesimpulan 5.1 Simpulan Berdasarkan uraian penelitian yang telah dikemukakan sebelumnya, maka dapat disimpulkan bahwa 1) Untuk aplikasi pengukuran ukuran sebenarnya objek pada foto digital dapat dibangun dengan bahasa pemrograman C# dan menggunakan Euclidean Distance, 2) Dari hasil percobaan sebanyak 3 kali untuk masing-masing objek dengan 3 jarak yang berbeda diperoleh rata-rata tingkat akurasi aplikasi ini adalah 99,993%. 5.2 Saran Saran yang dapat diberikan kepada peneliti selanjutnya adalah 1) pengukuran dapat dilakukan untuk mengukur lebar objek sehingga akan lebih bervariasi, 2) dari penelitian ini diharapkan dapat dikembangkan dengan jarak foto yang lebih fleksibel sehingga akan lebih tepat guna, 3) aplikasi ini masih bersifat aplikasi desktop maka diharapkan dapat dikembangkan lagi dengan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 373

Rakhmad Kuswandhie, Jufriadif Na’am, Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 – 374 berbasis web atau mobile sehingga akan lebih mudah [9] digunakan. Daftar Rujukan [1]

[2]

[3] [4]

[5]

[6]

[7] [8]

Arsy, L., Nurhayati, O.D. dan Martono, K.T ., 2016. Aplikasi Pengolahan Citra Digital Meat Detection Dengan Metode Segmentasi K-Mean Clustering Berbasis OpenCV dan Eclipse. Jurnal Teknologi dan Sistem Komputer, 4(2), pp. 322–332. Handayani, T . dan Kurniawan, A. T ., 2015. Digitalisasi Arsip Foto Universitas Diponegoro Sebagai Landasan Implementasi Kebijakan Keterbukaan Informasi Publik. HUMANIKA,22(2), pp. 78. T jin, E., 2012. Kamera DSLR Itu Mudah! v.2. 1st ed. Jakarta: Bukune. Mizera-Pietraszko, J., and Grabowski, S., 2016. PORE Algorithm for Object Recognition in Photo Layers Based on Parametric Characteristics of the Object Edges. In: INTECH, 2016 Sixth International Conference on InnovativeComputing Technology, pp. 314–319. C. Li, Y. Xu, Y. Xiao, H. Liu, M. Feng, and D. Zhang, 2017. Automatic Measurement of Garment Sizes Using Image Recognition. In: Proceedings of the International Conference on Graphics and Signal Processing - ICGSP ’17, pp. 30–34. Navastara, D.A., Anggraeni, I.D., dan Arifin, A. Z., 2017. Pengukuran Ketebalan T ulang Kortikal pada Citra Panorama Gigi Berbasis Model. Jurnal Ilmiah Teknologi Informasi,15(1), pp. 119. Irawan, J.D., Sumanto dan Praset io, S., 2015. Pengukur Tinggi Objek Berbasis Perbandingan Piksel. Jurnal Industri Inovatif. 5(1), pp. 40–44. Putrawansyah, F., 2017. Aplikasi Computer Assisted T est (CAT ) Pada Penerimaan Mahasiswa Baru Sekolah T inggi T eknologi Pagar Alam (ST T P). J. RESTI (Rekayasa Sist.dan

[10]

[11]

[12] [13]

[14] [15] [16]

[17]

Teknol. Informasi), 1(1), pp. 1–8. Rinanto, L., Sugiharto, A., and Indriyati, 2013. Aplikasi Pendeteksi Objek Lingkaran pada Citra Dengan T ransformasi Hough. Journal of Informatics and Technology, 2(4), pp. 1–9. Hidayat A.D. and Afrianto, I., 2017. Sistem KriptografiCitra Digital pada Jaringan Intranet Menggunakan Metode Kombinasi Chaos Map dan T eknik Selektif. ULTIMATIC,9(1), pp. 59–66. Patel, B.P. and Patel, R., 2014. An Analytical Study on Comparison of Different Image Compression Formats. International Journal for Innovative Research in Science & Technology (IJRST), 1(7), pp. 24–31. Suyatno dan Sasongko, D., 2016. Pembangunan Kamera Pemantau Ruang T eknisi Sekolah Menengah Kejuruan Negeri 1 Karanganyar. J. Speed, 8(3), pp. 11–20. Limeng Pu, Rui T ian, Hsiao-Chun Wu, and Kun Yan, 2016. Novel Object-size Measurement Using the Digital Damera.In: 2016 IEEE Advanced Information Management, Communicates, Electronic and Automation ControlConference (IMCEC), pp. 543–548, Publisher: IEEE. Herniaty, A.P., Ningrum, I.P. dan Dewi, A.P., 2015. Estimasi Kecepatan Kendaraan Menggunakan Citra Motion Blur. semanTIK2, 1(1), pp. 43–52. Banks, M.S., Cooper, E.A. and Piazza, E.A., 2014 Camera Focal Length and the Perception of Pictures. Ecological Psychology, 26(1–2), pp. 30–46. Purwanto, D., Mardiyanto, R. dan Gangsarestu, M.S., 2015. Sistem Pengukuran Badan Pria untuk Menentukan Ukuran Baju Berbasis Kamera Kinect. JAVA Journal of Electrical and Electronics Engineering, 13(1), pp. 63–66. Pardede, J., Utami, D.B. dan Rochman, A.C., 2017. Implementasi ‘Principal Component Analysis - ScaleInvariant Feature T ransform’ pada Content Based Image Retrieval. JuTISI, 3(3), pp. 565—574.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 367 –374 374

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383

ISSN : 2580-0760 (media online)

Penilaian Tingkat Kematangan Tata Kelola Teknologi Informasi menggunakan CobIT 4.1 pada PT XYZ Fransiska Prihatini Sihotang Program Studi Sistem Informasi, ST MIK GI MDP, [email protected]

Abstract PT XYZ is one of the companies in Indonesia that produces cement and has 3 factories spread across the region. This company has long utilized Information Technology (IT) in supporting its business process, but not yet know the level of maturity of the IT application because it has not been measured yet. Measuring the level of maturity of IT governance is important to do, so that management knows the extent to which IT governance helps management to achieve organizational goals. Measurement of IT governance can be done if it is known what processes should be measured. Measurement of the value of IT governance maturity in PT XYZ using COBIT 4.1 framework. Data collection was done by interview, literature study, observation, and questionnaire. The result of this research is known that IT governance at PT XYZ is at the third level (defined process). Keywords: Governance, IT Governance, CobIT 4.1

Abstrak PT XYZ merupakan salah satu perusahaan di Indonesia yang memproduksi semen dan memiliki 3 pabrik yang tersebar di daerah. Perusahaan ini telah lama memanfaatkan Teknologi Informasi (TI) dalam mendukung proses bisnisnya, tapi belum mengetahui tingkat kematangan dari penerapan TI tersebut dikarenakan belum dilakukan pengukuran terhadap tata kelola TI. Pengukuran tingkat kematangan tata kelola TI penting untuk dilakukan, agar manajemen mengetahui sejauh mana tata kelola TI membantu manajemen untuk mencapai tujuan organisasi. Pengukuran tata kelola TI dapat dilakukan jika sudah diketahui proses-proses apa saja yang harus diukur. Pengukuran nilai kematangan tata kelola TI pada PT XYZ menggunakan kerangka kerja COBIT 4.1. Pengumpulan data dilakukan dengan cara wawancara, studi literatur, obeservasi, dan kuisioner. Dari penelitian yang dilakukan, diketahui bahwa tata kelola TI pada PT XYZ berada pada tingkat ketiga (proses yang terdefinisi). Kata kunci: Tata Kelola, Tata Kelola TI, CobIT 4.1 © 2018 Jurnal RESTI

1. Pendahuluan Kesuksesan bisnis dengan memanfaatkan teknologi tidak terlepas dari tata kelola Teknologi Informasi (TI) yang baik. Beberapa perusahaan telah berusaha untuk menyelaraskan strategi TI dengan strategi bisnisnya, dan melakukan penilaian terhadap hal tersebut untuk mempermudah pengambilan keputusan terkait tata kelola TI [1], [2]. Tata kelola TI adalah tanggung jawab eksekutif dan dewan direksi perusahaan. Tata kelola TI terdiri dari kepemimpinan, struktur organisasi, dan proses yang memastikan bahwa TI pada perusahaan mendukung dan memperluas strategi dan sasaran organisasi [3]. Tata kelola TI melibatkan pengelolaan operasional TI dan proyek TI untuk memastikan keselarasan antara kegiatan tersebut bersama dengan kebutuhan organisasi telah didefinisikan dalam rencana strategis perusahaan [4].

PT XYZ merupakan salah satu perusahaan di Indonesia yang bergerak dalam bidang indus tri semen. Perusahaan ini memiliki 3 pabrik yang lokasinya cukup jauh, sehingga perusahaan ini memanfaatkan TI untuk menghubungkan ketiganya dan meningkatkan efisiensi dalam proses bisnis perusahaan. PT XYZ juga sudah memiliki tim khusus yaitu Biro ICT untuk mengontrol tata kelola TI pada perusahaan. Namun, PT XYZ belum pernah melakukan penilaian/ evaluasi dari penerapan tata kelola TI. Evaluasi terhadap tata kelola SI/ TI merupakan hal yang penting untuk memastikan investasi SI/ TI yang dilakukan telah memberikan manfaat sesuai yang diharapkan. Evaluasi terhadap tata kelola SI/ TI dapat dilakukan secara rutin dalam periode waktu tertentu [5].

Penelitian ini bertujuan untuk mengetahui tingkat kematangan tata kelola TI pada PT XYZ menggunakan kerangka kerja CobIT 4.1. Setelah diketahui tingkat kematangan tata kelola TI pada perusahaan, maka Diterima Redaksi : 16-03-2018 | Selesai Revisi : 10-04-2018 | Diterbitkan Online : 17-04-2018 375

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 manajemen dapat menggunakannya sebagai bahan mengetahui proses apa saja yang harus dinilai, pertimbangan untuk membuat kebijakan-kebijakan TI diperlukan pemetaan antara tujuan bisnis perusahaan ke depan. dengan tujuan bisnis pada CobIT 4.1, lalu pemetaan tujuan bisnis dengan tujuan TI, kemudian pemetaan 2. Tinjauan Pustaka tujuan TI dengan proses TI. 2.1 Cobit 4.1 Control Objective of Information Technology (CobIT) 4.1 adalah framework tata kelola TI yang dapat mempertemukan kebutuhan manajemen dengan cara menjembatani celah antara risiko bisnis, kebutuhan kontrol, dan masalah-masalah teknis TI. Prinsip kerangka kerja CobIT yaitu: untuk memberikan informasi yang dibutuhkan perusahaan agar mencapai tujuannya, perusahaan perlu berinvestasi, mengelola, dan mengendalikan sumber daya TI dengan menggunakan sekumpulan proses yang terstruktur untuk menyediakan layanan yang menyampaikan informasi Gambar 2. Empat Domain CobIT 4.1 yang dibutuhkan perusahaan [3] seperti yang terlihat 2.3 Tingkat Kematangan pada Gambar 1. Gambar 3 menunjukkan bahwa pada CobIT 4.1 terdapat beberapa level/ tingkatan yang menggambarkan tingkat kematangan penerapan TI pada suatu organisasi. Tingkatan tersebut dapat membantu manajemen dalam melakukan penelitian untuk mendukung perencanaan proses organisasi.

Gambar 1. Prinsip Dasar CobIT 4.1

2.2 Domain CobIT 4.1 Gambar 3. Model Kematangan Pada CobIT 4.1 Agar penerapan TI dapat dilakukan secara efektif, diperlukan pengelolaan terhadap kegiatan dan risiko TI. Untuk itu di dalam CobIT 4.1 terdapat 4 domain seperti Pada Level 0 (Not Existence), perusahaan tidak yang dapat dilihat pada Gambar 2. Domain tersebut menyadari pentingnya membuat perencanaan strategis masing-masing memiliki fungsi sebagai berikut [3]. di bidang TI. Pada Level 1 (Initial/Ad hoc), perusahaan telah menyadari akan pentingnya pembuatan 1. Plan and Organise (PO), memberikan arahan dalam perencanaan strategis di bidang TI, tetapi tidak ada memberikan solusi (AI) dan memberikan layanan proses yang distandarisasi; perencanaan, perancangan, (DS). dan manajemen masih belum terorganisir dengan baik. 2. Acquire and Implement (AI), memberikan solusi dan mengubahnya menjadi suatu layanan. Pada Level 2 (Repeatable but intuitive), perusahaan 3. Deliver and Support (DS), menerima solusi dan telah menetapkan prosedur untuk dipatuhi oleh menjadikannya tersedia bagi pengguna akhir. karyawan, prosedur yang sama sudah dapat diikuti oleh 4. Monitor and Evaluate (ME), memonitor seluruh personil yang berbeda dalam menyelesaikan tugas yang proses untuk memastikan arahan yang telah sam tapi belum ada pelatihan atau komunikasi formal disediakan telah diikuti dengan benar. bagi setiap karyawan mengenai standar prosedur, tanggung jawab diserahkan kepada personil, serta Total proses TI pada CobIT 4.1 adalah 34 proses dengan adanya ketergantungan yang tinggi terhadap rincian 10 proses Domain PO, 7 proses domain AI, 13 pengetahuan individu, sehingga menyebabkan proses domain DS, dan 4 proses domain ME [3]. Untuk mudahnya terjadikesalahan.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 376

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 Pada Level 3 (Defined process), seluruh proses pada perusahaan telah didokumentasikan dan telah dikomunikasikan melalui pelatihan, namun perusahaan belum melakukan evaluasi terhadap sistem yang berjalan tersebut, sehingga masih ada kemungkinan terjadinya penyimpangan.

Pengumpulan data

Pada Level 4 (Managed and measurable), manajemen sudah melakukan evaluasi terhadap kesesuaian prosedur sehingga jika dijumpai proses yang tidak efektif, dapat segera diambil solusi yang tepat. Perbaikan dilakukan secara terus menerus sampai memberikan hasil yang baik, tapi otomasi proses dan alat bantu masih digunakan secara terpisah.

Penilaian kematangan tata kelola T I

Sedangkan pada tingkat tertinggi yaitu Level 5 (Optimised), proses dalam organisasi dapat dikategorikan berada pada level yang sangat baik. TI sudah dapat digunakan secara terintegrasi untuk mengotomasi proses atau alur kerja organisasi. Dalam hal ini TI berperan sebagai alat bantu untuk meningkatkan kualitas dan efektivitas sehingga organisasi dapat beradaptasi dengan mudah [3]. 2.4 Penelitian Terdahulu

Pemetaan Menerjemahkan Kuisioner

Membuat kesimpulan dan saran

Gambar 4. T ahapan Penelitian

Berdasarkan Gambar 2 terlihat bahwa penelitian ini terdiri dari langkah-langkah sebagai berikut. 3.1 Pengumpulan Data Pengumpulan data pada penelitian ini menggunakan dengan teknik wawancara, analisis dokumen PT XYZ yang berhubungan dengan tata kelola TI, dan observasi. 3.2 Pemetaan Langkah pertama pada tahap ini yaitu melakukan pemetaan tujuan bisnis PT XYZ dengan tujuan bisnis yang ada pada kerangka kerja CobIT 4.1. Langkah kedua adalah memetakan kembali hasil yang telah didapatkan terhadap tujuan TI yang ada pada kerangka kerja CobIT 4.1.

Sebelumnya sudah terdapat penelitian sejenis yang menggunakan CobIT 4.1 sebagai kerangka kerja pengukuran tata kelola TI. Penelitian pada Biro Akademik Universitas Respati Yogyakarta mendapatkan hasil bahwa tingkat kematangan tata kelola TI pada instansi tersebut berada pada level 3 Langkah ketiga yang merupakan langkah terakhir dari pemetaan adalah memetakan kembali hasil yang sudah (defined process) [6]. didapatkan pada langkah kedua terhadap proses TI yang Penelitian yang dilakukan pada Sistem Informasi ada pada kerangka kerja CobIT 4.1. Pada tahap ini Absensi pada PT Bank Central Asia Tbk mendapatkan didapatkan proses TI yang harus diaudit untuk diketahui hasil bahwa sistem informasi absensi tersebut berada nilai kematangan dari masing-masing penerapan proses pada level 2 (repeatable but intuitive) dan level 3 tersebut. (defined process) [5], sedangkan penelitian pada STMIK AKBA Makassar menyimpulkan bahwa institusi 3.3 Menerjemahkan Kuisioner tersebut berada pada level 2 (repeatable but intuitive) Kuisioner diperoleh dari dokumen ISACA yang [7]. diterjemahkan ke dalam bahasa Indonesia kemudian Penelitian pada perpustakaan UIN Suska Riau diisi sesuai dengan keadaan yang ada pada PT XYZ. mendapatkan hasil bahwa tingkat kematangan TI Kuisioner ini dibagi menjadi empat skala dengan bobot perpustakaan tersebut berada pada level 2 (repeatable tertinggi adalah 5 sesuai dengan level tertinggi pada but intuitive) [8]. Penelitian berikutnya yaitu pada PT COBIT 4.1 yaitu Optimized. SMI mendapatkan hasil pada level 3 (defined process) T abel 1. Pembobotan Skala pada Kuisioner [9], sedangkan penelitian pada Universitas Jenderal Skala Pendapat Anda Skor Kesesuaian Achmad Yani mendapatkan hasil bahwa universiteas 1 T idak Setuju 0 tersebut berada pada level 3 (defined process) tingkat 2 Cukup 1,65 kematangan tata kelola TI[10]. 3 Setuju 3,30 3. Metodologi Penelitian

4

Sangat Setuju

5

Penelitian ini terdiri dari beberapa tahap yang sistematis. Pada Tabel 1 dapat dilihat bahwa terdapat 4 skala Gambar 4 merupakan tahapan penelitian yang pembobotan pada kuisioner yang digunakan. Responden digunakan dalam penelitian ini. yang menjawab 1 berarti tidak setuju, 2 berarti cukup setuju, 3 berarti setuju, dan 4 berarti sangat setuju dengan pernyataan pada kuisioner.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 377

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 T abel 2. Contoh T erjemahan Kuisioner level 0 PO1 No

Pernyataan

1

Perencanaan strategis T I belum dilaksanakan. 2 T idak ada kesadaran manajemen bahwa perencanaan strategis TI dibutuhkan untuk mendukung tujuan bisnis. T otal Bobot

5

Pendapat Anda 1 2 3 4 x

5

x

Bobot

4. Hasil dan Pembahasan

Skor

4.1 Hasil Pemetaan

1,65

Berdasarkan kuisioner yang telah diisi sesuai dengan hasil pemetaan, maka didapatkan hasil berupa proses TI yang dapat dilihat pada Tabel 4, yang selanjutnya harus dianalisis pada PT XYZ menggunakan CobIT 4.1.

5,00

T abel 4. Proses T I yang harus Dianalisis pada PT XYZ

10

T otal Skor

6,65

Tiap proses yang diaudit masing-masing memiliki kuisioner dan masing-masing kuisioner terdiri dari 6 level pernyataan yang harus diisi oleh responden. Tabel 2 merupakan contoh terjemahan kuisioner level o proses TI PO1. Setiap pernyataan diberikan bobot maksimal 5. Total bobot adalah total bobot maksimal yang dapat diperoleh dari tiap level kuisioner. Sedangkan total skor merupakan jumlah skor yang didapatkan berdasarkan jawaban responden.

Proses T I

Nama Proses T I

PO1 PO2 PO3

Define a strategic IT plan Define the information architecture Determine technological direction Define the IT processes, organisation and relationship Manage the IT investment Communicate management aims and direction Manage IT human resources Manage quality Assess and manage IT risk Manage projects Identify automated solutions Acquire and maintain application software Acquire and maintain technology infrastructure Enable operation and use Procure IT resources Manage change Install and accredit solutions and changes Define and manage service levels Manage third party services Manage performance and capacity Ensure continuous service Ensure system security Identify and allocate costs Educate and train users Manage service desk and incident Manage problem Manage data Manage the physical environment Manage operations Monitor and evaluate IT performance Provide IT governance

PO4 PO5 PO6 PO7 PO8 PO9 PO10 AI1 AI2 AI3

T abel 3. Contoh Perhitungan T ingkat Kematangan Level

Nilai Pemenuhan

Nilai Kontribusi

0

0,67

0,00

Nilai Kematangan T iap Level 0,00

1

0,80

1,00

0,80

2

0,67

1,00

0,67

3

0,86

1,00

0,86

4 5

0,67 1,00

1,00 1,00

0,67 1,00

Nilai T ingkat Kematangan

3,98

Pada Tabel 3 dapat dilihat contoh perhitungan tingkat kematangan dari proses TI yang diaudit. Nilai pemenuhan merupakan hasil bagi dari total skor dengan total bobot. Nilai kontribusi Level 0 adalah 0, sedangkan pada level 1 sampai dengan 5, nilai kontribusinya adalah 1. Nilai kematangan tiap level merupakan hasil kali dari nilai pemenuhan dengan nilai kontribusi.

AI4 AI5 AI6 AI7 DS1 DS2 DS3 DS4 DS5 DS6 DS7 DS8 DS10 DS11 DS12 DS13 ME1 ME4

4.2 Penilaian Domain Plan and Organized (PO)

Berdasarkan pemetaan yang telah dilakukan, sepuluh proses TI domain PO yang ada pada kerangka kerja CobIT 4.1 harus diterapkan pada PT XYZ. Hasil penilaian terhadap 10 proses domain PO pada PT XYZ 3.4 Penilaian Kematangan Tata Kelola TI berada pada nilai rata-rata 4,05, yang masing-masing Pada tahap ini dilakukan penilaian kematangan yaitu nilai tiap prosesnya dapat dilihat pada Gambar 5. dengan mencari nilai rata-rata dari tiap proses TI yang diaudit. Nilai rata-rata tersebut akan menentukan Hasil analisis terhadap domain PO dijelaskan sebagai tingkat/ level kematangan tata kelola TI pada PT XYZ. berikut. 4.2.1 PO1 (Define a Strategic IT plan) 3.5 Membuat Kesimpulan dan Saran PT XYZ melalui Biro ICT telah menyusun rencana Tahap ini merupakan tahap terakhir dari penelitian ini. strategis terkait TI dan didukung oleh direksi. Rencana Kesimpulan dibuat berdasarkan hasil penelitian yaitu strategis dievaluasi setiap tahun sebagai bahan berupa posisi tingkat kematangan tata kelola TI pada PT pembuatan laporan kinerja tahunan dan sebagai dasar XYZ. Saran diberikan kepada peneliti selanjutnya agar pembuatan rencana kerja tahun berikutnya. dapat menerapkannya pada studi kasus lain

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 378

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 4.2.5 PO5 (Manage the IT Investment) Berdasarkan analisis, PT XYZ sudah mengelola investasi terkait TI dengan baik. Investasi terkait TI sepenuhnya diketahui dan disetujui oleh manajemen. Hasil penilaian terhadap domain ini adalah 4,66 atau berada pada level empat (managed and measurable). 4.2.6 PO6 (Communicate Management Aims and Direction)

Gambar 5. Hasil Penilaian Domain Plan and Organized

Dalam penyusunan rencana strategis TI, Kepala Biro ICT melakukan koordinasi dengan departemen dan Biro lain di lingkungan perusahaan. Strategi ICT saat ini mencakup visi misi, tujuan, sasaran, arah kebijakan strategi, kondisi pengelolaan SI/ TI, rencana program kerja, risiko, dan cara penganggulangan risiko.

Setiap rapat kerja, pimpinan PT XYZ selalu mengingatkan tentang sasaran dan tujuan yang harus dicapai oleh perusahaan, termasuk program dan kebijakan yang akan dilaksanakan untuk mencapai tujuan perusahaan. Untuk mempertahankan kebijakankebijakan tersebut, dimanfaatkan teknologi yaitu otomasi dan komputerisasi kantor. Hasil penilaian terhadap domain ini mendapatkan nilai 4,27 atau sudah berada pada level empat (managed and measurable).

Hasil penilaian menunjukkan bahwa tingkat kematangan 4.2.7 PO7 (Manage IT Human Resources ) perusahaan terhadap domain ini adalah 3,98 atau berada pada level tiga (defined process). PT XYZ telah memiliki Biro ICT yang dibuat khusus untuk mengelola SI/ TI di dalam perusahaan. Biro ini 4.2.2 PO2 (Define the Information Architecture) terintegrasi dengan perencanaan teknologi dan telah Berdasarkan analisis yang dilakukan, pengembangan berkembang secara optimal. Pengelolaan terkait dengan dan penegakan arsitektur informasi pada PT XYZ manajemen SDM TI juga telah didokumentasikan didukung secara penuh oleh metode dan teknik yang dengan baik, meliputi perencanaan peningkatan kualitas telah dilegalkan dan diformalkan. Kinerja proses SDM dengan pelatihan berkelanjutan sesuai dengan pengembangan arsitektur informasi dapat diukur dan tugas dan fungsi pekerjaan. Hasil penilaian terhadap dipertanggunjawabkan oleh pihak terkait, sehingga hasil domain ini mendapatkan nilai 4,93 atau berada pada penilaian terhadap domain ini menunjukkan angka 4,66 level empat (managed and measurable). atau berada pada level empat (managed and measurable). 4.2.8 PO8 (Manage Quality) 4.2.3 PO3 (Determine Technological Direction)

PT XYZ membentuk tim manajemen mutu internal sebagai usaha mempertahankan kualitas dan kinerja. Sistem manajemen mutu yang dibentuk terintegrasi pada semua kegiatan TI. Perusahaan juga memakai pihak eksternal untuk mengatur manajemen mutu. Hasil penilaian mendapatkan nilai 4,75 atau berada pada level empat (managed and measurable).

PT XYZ memahami bahwa perancanaan infrastruktur TI merupakan hal yang penting untuk memenuhi kebutuhan organisasi, terutama dalam memberikan dukungan dalam proses bisnis sehari-hari di lingkungan perusahaan. Manajemen puncak menjamin pengembangan dan pemeliharaan rencana infrastruktu r teknologi. Hasil penilaian yang dilakukan terhadap domain ini yaitu 3,65 atau berada pada level tiga 4.2.9 PO9 (Assess and Manage IT Risk) (defined process). Dalam mengelola risiko terkait TI, PT XYZ telah memiliki standar khusus yang telah dibakukan dan 4.2.4 PO4 (Define the IT Processes, Organisation, and diimplementasikan pada setiap proyek. Hasil penilaian Relationship) terhadap domain ini mendapatkan nilai 4,17 atau berada Dalam domain ini PT XYZ mendapat nilai 2,85 atau pada level empat (managed and measurable). berada pada level dua (repeatable but intuitive). Sudah diatur peraturan yang belum terstandar tentang peran 4.2.10 PO10 (Manage Projects) dan tanggung jawab bagi Biro ICT dan pihak ketiga atau vendor yang bekerja sama dengan PT XYZ. Teknologi Pengelolaan proyek TI di lingkungan PT XYZ ditangani yang dimanfaatkan sudah sesuai untuk mendukung oleh Biro ICT. Proyek yang biasa dikerjakan berupa pengembangan aplikasi sistem informasi, kompleksitas dan distribusi geografis organisasi. pengembangan infrastruktur TI, pemeliharaan sistem informasi dan infrastruktur TI, dan proyek pembelian aplikasi sistem informasi dari pihak luar.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 379

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 Penilaian terhadap domain ini mendapatkan nilai yang dibagi berdasarkan lokasi pabrik. Berdasarkan penilaian kurang baik karena sifat dari pengelolaan proyek masih yang dilakukan, domain ini mendapat nilai 3,78 atau berulang dan bersifat intuitif yaitu 2,53 atau berada pada berada pada level tiga (defined process). level dua (repeatable but intuitive). 4.3.4 AI4 (Enable Operation and Use) 4.3 Penilaian Domain Acquire and Implementation (AI) Penilaian terhadap domain ini mendapat nilai 2,14 atau Pemetaan yang dilakukan mendapatkan hasil bahwa berada pada level dua (repeatable but intuitive). PT tujuh proses TI yang ada pada domain AI kerangka kerja XYZ melalui Biro ICT menyusun buku panduan CobIT 4.1 harus diterapkan pada PT XYZ. Hasil pengoperasian sistem atau aplikasi baru, tetapi tidak penilaian terhadap 7 proses domain AI pada PT XYZ semua aplikasi memiliki buku panduan pengoperasian. berada pada nilai rata-rata 2,90, yang masing-masing Perusahaan juga terkadang mengadakan pelatihan nilai tiap prosesnya dapat dilihat pada Gambar 6. pengoperasian aplikasi bagi para pengguna. 4.3.5 AI5 (Procure IT Resources) Kepemilikan aplikasi TI sudah diatur sedemikian rupa oleh manajemen. Proses pembuatan aplikasi TI disamakan dengan pengadaan jasa, sedangkan proses pembelian dari pihak ketiga disamakan dengan pengadaan barang. Yang termasuk ke dalam pengadaan di Biro ICT adalah pengadaan dan pembelian aplikasi TI, pengadaan dan pemeliharaan infrastruktur TI, dan pemeliharaan aplikasi. Hasil penilaian pada domain ini mendapatkan nilai 2,68 atau berada pada level dua Gambar 6. Hasil Penilaian Domain Acquire and Implementation (repeatable but intuitive). Hasil analisis terhadap domain AI dijelaskan sebagai 4.3.6 AI6 (Manage Change) berikut. Hasil penilaian terhadap domain ini mendapat nilai 2,35 4.3.1 AI1 (Identify Automated Solutions ) atau berada pada level dua (repeatable but intuitive). PT XYZ memiliki metodologi yang digunakan dalam Sudah terdapat kesadaran bahwa perubahan yang terjadi mengidentifikasi dan menilai solusi TI yang digunakan dapat mengganggu TI dan operasional bisnis. untuk sebagian besar proyek. Hasil penilaian terhadap Manajemen juga mengakui bahwa perubahan yang domain ini mendapatkan nilai 3,30 atau berada pada terjadi harus dikelola dan dikendalikan, tapi terkadang proses manajemen perubahan kurang dikembangkan level tiga (defined process). dengan baik dan konsisten. 4.3.2 AI2 (Acquire and Maintain Application Software) 4.3.7 AI7 (Install and Accredit Solutions and Changes ) PT XYZ melakukan pengadaan aplikasi sistem informasi dengan membuat sendiri dan outsourcing. Pada domain ini perusahaan mendapatkan nilai 2,74 atau Beberapa aplikasi sistem informasi yang berasal dari berada pada level dua (repeatable but intuitive). PT pihak ketiga telah diambil alih dan dapat dikelola dengan XYZ telah memiliki pendekatan uji coba dan akreditasi baik oleh Biro ICT. Proses peralihan tersebut sudah yang konsisten, tetapi seringkali tidak berdasarkan pada didokumentasikan secara formal di dalam perusahaan, metodologi tertentu. tetapi pendekatannya masih berbeda antara aplikasi satu dengan aplikasi yang lainnya, sehingga domain ini 4.4 Penilaian Domain Deliver and Support mendapatkan nilai 3,30 atau berada pada level tiga Berdasarkan pemetaan yang telah dilakukan, dua belas (defined process). dari tiga belas proses TI domain DS yang ada pada kerangka kerja CobIT 4.1 harus diterapkan pada PT Technology XYZ. Hasil penilaian terhadap 12 proses domain PO pada PT XYZ berada pada nilai rata-rata 3,06, yang Biro ICT telah bekerja dengan baik dalam hal membuat masing-masing nilai tiap prosesnya dapat dilihat pada dan memelihara infrastruktur teknologi pada PT XYZ. Gambar 7. Jika dianggap perlu, staf yang bertanggung jawab dalam pemeliharaan infrastruktur TI bekerja sama dengan Hasil analisis terhadap domain DS dijelaskan sebagai pihak ketiga. Mengingat perusahaan memiliki tiga berikut. pabrik yang berada pada jarak yang cukup jauh, maka bagian yang mengurusi infrastruktur teknologi pun 4.3.3 AI3 (Acquire Infrastructure)

and

Maintain

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 380

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 4.4.5 DS5 (Ensure system security) Biro ICT memiliki tanggung jawab terhadap keamanan sistem yang meliputi perangkat lunak, perangkat keras, jaringan, basis data, dan prosedur. Sudah terdapat standar kebijakan dan prosedur kerja terkait keamanan sistem tapi dalam prakteknya tidak selalu digunakan. Berdasarkan hasil penilaian yang dilakukan, domain ini mendapat nilai 2,69 atau berada pada level dua (repeatable but intuitive). 4.4.6 DS6 (Identify and Allocate Costs ) Gambar 7. Hasil Penilaian Domain Acquire and Implementation Penilaian terhadap domain ini mendapatkan nilai 3,44

atau berada pada level tiga (defined process). Hasil analisis menemukan bahwa bahwa sudah terdapat PT XYZ mendapatkan nilai 2,31 pada domain ini atau pemodelan terkait biaya SI/ TI di dalam PT XYZ. berada pada level dua (repeatable but intuitive). Biro ICT sebagai penanggung jawab dalam memberikan 4.4.7 DS7 (Educate and Train Users ) layanan TI pada seluruh bagian perusahaan masih sering Penilaian terhadap domain ini mendapatkan nilai 3,51 bekerja secara intuitif. Sudah terdapat prosedur kerja dan atau berada pada level tiga (defined process). Setiap tingkat pelayanan pengguna tetapi sering tidak dijadikan kegiatan pelatihan yang diberikan kepada karyawan standar dalam bekerja, sehingga masih sering terjadi sudah ditata cukup baik, dibakukan, dan terdokumentasi. kesalahan. Namun, analisis masalah terkait program pelatihan masih jarang dilakukan. 4.4.2 DS2 (Manage Third Party Services ) Pengadaan barang dan jasa pada PT XYZ dilakukan 4.4.8 DS8 (Manage Service Desk and Incident) 4.4.1 DS1 (Define and Manage Service Levels )

dengan membeli sendiri atau dilakukan secara outsourcing. Proses kerja sama dengan pihak ketiga yang seharusnya mendapat perhatian dari manajemen untuk memastikan hasil pekerjaan dan pelayanan sesuai dan memenuhi kebutuhan, masih dilakukan secara intuitif. PT XYZ mendapatkan nilai 2,28 pada domain ini atau berada pada level dua (repeatable but intuitive).

Hasil penilaian terhadap domain ini yaitu 3,3 atau berada pada level 3 (defined process). PT XYZ sudah mendokumentasikan prosedur dan proses kerja terkait manajemen insiden, tetapi pelaporannya secara formal belum diterapkan dengan baik.

4.4.3 DS3 (Manage Performance and capacity)

PT XYZ sudah melakukan manajemen permasalahan yang baik yang didukung oleh direksi. Proses berbagi informasi pada perusahaan terjadi secara proaktif dan formal. PT XYZ juga menyediakan anggaran untuk pelatihan mengelola permasalahan bagi para stafnya. Berdasarkan penilaian yang dilakukan, PT XYZ mendapat nilai 3,30 pada domain ini atau berada pada level tiga (defined process).

4.4.9 DS10 (Manage Problem)

Pengelolaan kinerja dan kapasitas TI penting bagi organisasi untuk mengetahui kondisi saat ini dan memperkirakan peningkatan kebutuhan sumber daya TI di masa yang akan datang. Perkiraan tersebut didasarkan pada beban kerja dan kebutuhan organisasi yang selalu berubah. Saat ini perusahaan telah menyadari pentingnya mengelola kinerja dan kapasitas, tetapi masih berada pada level dua (repeatable but intuitive) 4.4.10 DS11 (Manage Data) karena berdasarkan penilaian, PT XYZ mendapat nilai Kebutuhan manajemen data terkait TI dan seluruh 2,41. organisasi telah dipahami dan diterima dengan baik serta terdapat tanggung jawab dalam manajemen data. 4.4.4 DS4 (Ensure Continuous Service) Perusahaan juga telah memiliki metrik kinerja dasar Biro ICT pada PT XYZ memiliki tugas dan tanggung untuk mengelola data dan terdapat pula pelatihan untuk jawab untuk menjaga kesinambungan pelayanan terkait staf terkait. Hasil penilaian pada perusahaan terhadap TI untuk mendukung kegiatan perusahaan. Prosedur domain ini mendapatkan nilai 3,67 atau berada pada untuk mengatur pelayanan tersebut sudah jelas, level tiga (defined process). berkelanjutan, dilaporkan, dan terdapat pelatihan bagi staf terkait walaupun terkadang sifatnya masih 4.4.11 DS12 (Manage the Physical Environment) berdasarkan inisiatif staf sendiri. Hasil penilaian yang dilakukan terhadap domain ini menunjukkan angka 3,08 PT XYZ mengakui bahwa lingkungan fisik TI harus dijaga dan dikendalikan. PT XYZ telah melakukan atau berada pada level tiga (defined process). Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 381

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 pengamanan fisik dan pembatasan akses terhadap 4.6 Rata-rata Nilai Kematangan lingkungan fisik. Berdasarkan hasil penilaian, Berdasarkan 31 proses TI yang telah dianalisis dan perusahaan mendapat nilai 3,00 pada domain ini atau diukur nilai kematangannya, didapatkan nilai rata-rata berada pada level tiga (defined process). yang menjadi nilai tingkat kematangan tata kelola TI pada PT XYZ. PT XYZ memperoleh nilai rata-rata 3,36, 4.4.12 DS13 (Manage Operations) yang berarti tata kelola TI pada PT XYZ berada pada Hasil penilaian yang dilakukan pada domain ini tingkat/ level 3 (defined process). Rangkuman menunjukkan nilai 3,65 atau berada pada level tiga keseluruhan nilai 31 proses yang dinilai beserta nilai (defined process). Kebutuhan manajemen operasi rata-ratanya dapat dilihat pada Tabel 5. komputer pada perusahaan telah dipahami dan diterima T abel 5. Hasil Penilian terhadap 31 Proses T I dalam organisasi, terdapat pula dokumentasi yang dikomunikasikan terkait operasi. Proses 4.5 Penilaian Domain Monitor and Evaluate Berdasarkan pemetaan yang telah dilakukan, dua dari empat proses TI domain ME yang ada pada kerangka kerja CobIT 4.1 harus diterapkan pada PT XYZ. Hasil penilaian terhadap 12 proses domain ME pada PT XYZ berada pada nilai rata-rata 3,35, yang masing-masing nilai tiap prosesnya dapat dilihat pada Gambar 8.

TI PO1 PO2 PO3 PO4 PO5 PO6 PO7 PO8 PO9 PO10 AI1 AI2 AI3 AI4 AI5 AI6 AI7

Gambar 8. Hasil Penilaian Domain Acquire and Implementation

Hasil analisis terhadap domain ME dijelaskan sebagai berikut. 4.5.1 Penilaian Performance)

ME1 (Monitor and

Evaluate

IT

DS1 DS2 DS3 DS4 DS5 DS6 DS7 DS8 DS10 DS11 DS12 DS13 ME1 ME4

Nama Proses TI

Nilai

Define a strategic IT plan Define the information architecture Determine technological direction Define the IT processes, organisation and relationship Manage the IT investment Communicate management aims and direction Manage IT human resources Manage quality Assess and manage IT risk Manage projects Identify automated solutions Acquire and maintain application software Acquire and maintain technology infrastructure Enable operation and use Procure IT resources Manage change Install and accredit solutions and changes Define and manage service levels Manage third party services Manage performance and capacity Ensure continuous service Ensure system security Identify and allocate costs Educate and train users Manage service desk and incident Manage problem Manage data Manage the physical environment Manage operations Monitor and evaluate IT performance Provide IT governance Total nilai Rata-rata

3,98 4,66 3,65 2,85 4,66 4,27 4,93 4,75 4,17 2,53 3,30 3,30 3,78 2,14 2,68 2,35 2,74 2,31 2,28 2,41 3,08 2,69 3,44 3,51 3,33 3,30 3,67 3,00 3,65 3,98 2,72 104,11 3,36

PT XYZ sudah memiliki, menggunakan, dan melaporkan prosedur formal terkait pengawasan dan evaluasi kinerja TI. Berdasarkan hasil penilaian yang dilakukan, domain ini mendapat nilai 3,98 atau berada 5. Kesimpulan pada level tiga (defined process). 5.1 Simpulan 4.5.2 ME4 (Provide IT Governance) Analisis dan penilaian terhadap 31 proses TI pada PT PT XYZ mengakui bahwa tata kelola TI adalah hal yang XYZ yang telah dilakukan menggunakan kerangka kerja penting, sehingga PT XYZ membentuk tim khusus COBIT 4.1 menunjukkan bahwa tata kelola PT XYZ untuk menangani hal yang berhubungan dengan TI pada berada pada tingkat/ level 3 (defined process), dengan perusahaan, yaitu Biro ICT. Sampai saat ini proses tata nilai terendah 2,14 dan nilai tertinggi 4,93. Sebelas kelola perusahaan masih dalam tahap pengembangan proses TI berada pada level dua (repeatable but menuju ke arah yang lebih baik. Berdasarkan penilaian, intuitive), empat belas proses TI berada pada level tiga domain ini mendapatkan nilai 2,72 atau berada pada (defined process), dan enam proses TI berada pada level empat (managed and measurable). Hal tersebut level dua (repeatable but intuitive). menunjukkan bahwa PT XYZ cukup menyadari Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 382

Fransiska Prihatini Sihotang Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 pentingnya tata kelola TI yang baik dan evaluasi [5] Jelvino dan Andry, J.F., 2017. Audit Sistem Informasi Absensi pada PT . Bank Central Asia T bk menggunakan COBIT 4.1.Jurnal terhadap tata kelola TI untuk memastikan bahwa Teknik Informatika dan Sistem Informasi, Vol. 3 (No.2),pp 259pengadaan TI telah sesuai dan mendukung strategi 268. bisnis. [6] Surbakti, H., 2014. Cobit 4.1: A Maturity Level Framework For 5.2 Saran Peneliti selanjutnya dapat menerapkan hasil penelitian ini pada perusahaan lain dengan kerangka kerja CobIT 4.1 maupun yang lainnya untuk memperkaya khasanah penelitian. Daftar Rujukan [1] Sihotang, F.P., 2017. Penilaian Strategic Alignment Model(SAM) dan Pemetaan Kerangka Kerja COBIT 4.1 pada PT . XYZ.Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi),Vol.1 (No.3), pp 239-249. [2] Dicky, 2014. Pengukuran Keselarasan Strategi T eknologi Informasi dan Strategi Bisnis dengan Model Luftman (StudiKasus : AMIK XYZ). In: ST MIK Potensi Utama, Seminar Nasional Informatika 2014 Audit Sistem dan Teknologi Informasi.Medan, 13 September 2014, SNIF 2014: Medan. [3] IT Governance Institute., 2007. COBIT 4.1 Framework,Control Objective, Management Guidelines, Maturity Models. Rolling Meadows, IL 60008 USA: IT GI. [4] T he Institute of Internal Auditors, 2012. Global Technology Audit Guide (GT AG®) 17 Auditing IT Governance. AltamonteSprings, Fla., USA: IIA.

Measurement of Information System Performance (Case Study: Academic Bureau at Universitas Respati Yogyakart a). International Journal of Engineering Research and Technology (IJERT), Vol. 3 (Issue 8), pp 999-1004. [7] Wisda, 2016. Pengukuran T ingkat Kematangan IT Governance Pada Layanan Akademik ST MIK AKBA Dengan Framework Cobit 4.1(Studi Kasus : ST MIK AKBA Makassar). JournalSpeed – Sentra Penelitian Engineering dan Edukasi, Vol. 8 (No.1),pp 14-21. [8] Megawati dan Viddiany, S., 2015. Pengukuran T ingkat Kematangan Sistem Otomasi Menggunakan Maturity Modelpada Proses Mengelola Kinerja dan Kapasitas (DS3) Studi Kasus: Perpustakaan UIN Suska Riau. Jurnal Ilmiah TeknologiInformasi Terapan, Vol. 1 (No. 2), pp. 43-49. [9] Hermanto, D. dan Ricoida, D.I., 2014. Analisis Pengukuran T ingkat Kematangan Menggunakan Kerangka Cobit 4.1 (Studi Kasus: PT SMI). In: Institut T eknologi Sepuluh Nopember, Seminar Nasional Sistem Informasi Indonesia. Surabaya, 22 September 2014, 2014 SESINDO: Surabaya. [10] Winalia, Renaldi, F., dan Hadiana, A.I., 2017. Pengukuran T ingkat Kematangan T eknologi Informasi Menggunakan Cobit 4.1 Pada Universitas Jenderal Achmad Yani. In: Jurusan T eknik Informatika Fakultas T eknologi Industri UII, Seminar Nasional Aplikasi Teknologi Informasi (SNATi) 2017. Yogyakarta, 5 Agustus 2017, SNAT i 2017: Yogyakarta.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 375 – 383 383

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390

ISSN : 2580-0760 (media online)

Sistem Informasi Geografis Daerah Yang Layak Menerima Daging Qurban Di Wilayah Kota Padang Sotar a, Dani Mardianto b a

Sistem Informasi, ST MIK Indonesia Padang, Jln. Khatib Sulaiman Dalam No.1 Padang email: [email protected] b Sistem Informasi, ST MIK Indonesia Padang, Jln. Khatib Sulaiman Dalam No.1 Padang email: [email protected]

Abstract Qurban is one of the worship that is held every year in the month dzulhijjah, the goal is closer to the creator. One of the functions of Qurban worship is as a form of concern to the dhuafa 'or the needy means that people who can slauchetering qurban animals can share the people who can not afford. In the city of Padang there are still many suburbs worthy of receiving Qurban meat, while in urban areas there are many sacrifices of Qurban animals and many excess meat quotas, but they only distribute them in urban areas with relatively good economy and certain orphanages, this results in the meat of Qurban accumulate in certain locations only. One of the causes of the Committee is difficult to get clear information about the location or area that really deserves the meat Qurban. The geographic information system built can provide solutions and information to the Qurban Committee or M osque Board and other institution of Qurban meat distributor to the lack of information about the area, place, trip route, distance, number of people, the number of Qurban animals in each mosque in Padang city as well as areas categorized as worthy to receive the meat of Qurban. Thus the distribution of Qurban meat distributed evenly, the right target and the function of the Qurban worship achieved. Keywords: Information System, Geographic, Qurban

Abstrak Qurban merupakan salah satu ibadah yang dilaksanakan setiap tahun di bulan Dzulhijjah, tujuannya mendekatkan diri kepada sang khaliq. Salah satu fungsi dari ibadah Qurban adalah sebagai bentuk kepedulian kepada kaum dhuafa’ atau fakir miskin artinya bahwa orang yang mampu berqurban dapat berbagi pada orang yang tidak mampu. Di Kota Padang masih banyak daerah pinggiran yang layak menerima daging Qurban, sementara di daerah perkotaan banyak sembelihan hewan Qurban dan banyak kuota daging yang berlebih, akan tetapi mereka hany a mendistribusikannya di daerah perkotaan yang ekonominya relatif bagus dan Panti asuhan tertentu, hal ini mengakibatkan daging Qurban menumpuk di lokasi tertentu saja. Salah satu penyebabnya Panitia kesulitan mendapatkan informasi yang jelas tentang lokasi atau daerah yang benar-benar layak menerima daging Qurban. Sistem informasi geografis yang dibangun dapat memberikan solusi dan informasi pada Panitia Qurban atau Pengurus M asjid dan lembaga Penyalur daging Qurban lainnya terhadap kurangnya informasi tentang daerah, tempat, rute perjalan, jarak tempuh, jumlah warga, jumlah hewan Qurban di masing-masing M asjid di kota Padang serta daerah yang terkategori layak menerima daging Qurban. Dengan demikian pendistribusian daging Qurban tersalurkan secara merata, tepat sasaran serta fungsi dari ibadah Qurban tercapai. Kata Kunci: Sistem Informasi, Geografis, Qurban © 2018 Jurnal RESTI

1. Pendahuluan Perkembangan teknologi sekarang ini khususnya teknologi informasi berkembang dengan sangat pesat, yang memungkinkan setiap manusia selalu menginginkan kemudahan, kecepatan dan sistem informasi yang relevan untuk memudahkan aktifitas. Sistem Informasi Geografis (SIG) sebagai suatu perangkat yang digunakan dalam pemetaan dan analisa terhadap banyak aktifitas di atas permukaan bumi menjadi salah satu jawaban untuk mengatasi keinginan ini. Penggunaan sistem informasi geografis salah satunya dapat mempermudah Pengurus Masjid maupun

Panitia Qurban dalam melakukan distribusi daging Qurban di wilayah Kota Padang. Sistem informasi geografis adalah suatu sistem yang berbasiskan komputer dan digunakan dalam menyimpan serta memanipulasi informasi geografis . Sistem informasi geografis dibangun dalam mengumpulkan, menyimpan serta menganalisis obyekobyek dan fenomena-fenomena, pada lokasi geografis yang merupakan karakteristik yang penting atau kritis untuk dianalisis.[1]

Sedangkan konsepsi Qurban itu adalah udhhiyah atau dhahiyyah, yang secara bahasa maksudnya Diterima Redaksi : 24-01-2018 | Selesai Revisi : 17-04-2018 | Diterbitkan Online : 18-04-2018 384

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 penyembelihan hewan. Sementara ritual Qurban adalah salah satu pelaksapnaan ibadah orang muslimin, untuk rangka menjalankan perintah Allah SWT. menjalankan ibadah Qurban itu dilaksanakan pada bulan Dzulhijjah, dalam penanggalan Islam yaitu pada tanggal 10 yang disebut hari nahar dan tanggal 11,12 dan 13 yang disebut hari tasyrik bertepatan pada Hari Raya Idul Adha. Seorang mukmin yang benar, selalu menginginkan keridhaan serta kasih sayang Allah SWT selama hidupnya.[2]

adalah sistem yang menekankan pada unsur informasi geografis.[4] 2.2 Kemampuan SIG Beberapa kemampuan dari SIG 1.

Dalam hal permasalahan Qurban berdasarkan observasi yang dilakukan, belum ada yang menyediakan sistem informasi geografis mengenai daerah mana saja yang 2. belum tersentuh dalam pendistribusian daging Qurban di wilayah Kota Padang, sehingga Pengurus Masjid atau Panitia Qurban kesulitan dalam mencari lokasi yang layak menerima daging Qurban di wilayah Kota Padang. Daging Qurban hanya didistribusikan di lingkungan Masjid saja yang terkadang daerah tersebut sudah 3. mendapatkan daging Qurban dari Masjid lain, yang menyebabkan penyebaran daging Qurban di wilayah Kota Padang kurang merata. Penggunaan aplikasi GIS ini akan mempermudah Pengurus Masjid atau Panitia Qurban dalam mengetahui data penyembelihan hewan Qurban di wilayah Kota Padang. Sistem informasi geografis lokasi daerah yang layak menerima daging Qurban di wilayah Kota Padang yang akan dibangun dengan menggunakan WebGIS, Google Maps, Google Maps API dapat diakses secara online dengan menggunakan internet atau web berdasarkan panduan dari pemetaan google atau yang lebih dikenal sebagai google maps. Pembuatan aplikasi ini diharapkan dapat mempermudah Pengurus Masjid atau Panitia Qurban untuk mengetahui daerah-daerah mana saja yang yang layak mendapatkan daging Qurban, sehingga mempermudah mendistribusikan daging Qurban di wilayah Kota Padang.

4.

Memetakan letak Kemampuan ini dapat memungkinkan seseorang dalam mencari dimana letak suatu daerah, benda ataupun yang lainnya dipermukaan bumi ini. Adapaun fungsi ini bisa dimanfaatkan seperti dalam mencari tempat-tempat yang penting dan lainnya yang ada pada peta. Memetakan kuantitas Adapun dengan melihat penyebaran kuantitas yang dapat mencari tempat-tempat yang sesuai kriteria yang diinginkan dan dimanfaatkan pada pengambilan keputusan atau untuk mencari hubungan pada masing-masing tempat. Memetakan kerapatan Dalam hal memetakan kerapatan bisa membagi dengan mudah konsentrasi daerah yang lebih mudah untuk dipahami dengan seragam ke dalam unit-unit, contohnya dengan berbeda-beda warna diberikan kepada daerah-daerah yang mempunyai konsentrasi yang tertentu. Sementara pemetaan kerapatan ini yang biasanya dimanfaatkan pada data-data yang jumlahnya besar seperti halnya sensus penduduk. Memetakan apa saja yang ada pada luar dan di dalam suatu area tersebut. Sig dimanfaatkan dalam memonitor apa yang terjadi serta keputusan apa yang ada pada luar area.[5]

2.3 Qurban

Qurban adalah salah satu ibadah yang Allah SWT sukai, yang dilaksanakan pada hari raya Idul ‘Adha serta dilaksanakan dengan sungguh-sungguh sesuai aturan Islam. Orang Islam juga melakukan ibadah Qurban dan 2. Tinjauan Pustaka akan mendapatkan manfaat. Salah satu fadhilahnya 2.1 Sistem Informasi Geografis yaitu hewan kurban akan menemui orang yang mengurbankannya pada hari qiamat yang akan dijadikan Sistem Informasi Geografis (SIG) adalah sistem kendaraannya.[6] informasi yang dapat digunakan dalam memasukkan, menyimpan, memangggil kembali, mengolah, Adapun pengertian Qurban menurut terminologi syara‟ menganalisis serta menghasilkan data yang bereferensi tidaklah ada perbedaan bahwa Qurban adalah hewan geografis (data geospatial), dalam mendukung yang khusus disembelih pada waktu hari raya Qurban pengambilan keputusan untuk perencanaan serta yang diistilahkan dengan Idul al-Adha pada tanggal 10 pengelolaan penggunaan lahan, sumber daya alam, Dzul Hijjah dan pada hari-hari raya Tasyriq yaitu lingkungan transportasi, fasilitas kota, dan pelayanan tanggal 11,12, dan 13 Dzul Hijjah. umum lainnya.[3] Hari raya Idul Adha yang pada umumnya lebih dikenal Sistem informasi geografis (SIG) adalah gabungan 3 dengan hari raya Qurban, tentunya tidak hanya sekadar unsur pokok; sistem, informasi, serta geografis. Dengan penyembelihan, pembagian dan penyebaran daging demikian, pengertian pada ke-tiga unsur pokok ini Qurban saja, namun ada makna yang mengiringinya. sangat membantu untuk memahami SIG. Dengan Ibadah Qurban itu ada manfaat yang memiliki nilai guna melihat unsur-unsur pokoknya, maka jelas bahwa SIG apabila ditafakuri dengan hati yang jernih. Ibadah juga adalah tipe sistem informasi, akan tetapi dengan Qurban yang kita laksanakan sudah saatnya berfungsi adanya tambahan unsur geografis. Oleh karena itu, SIG bukan hanya sekedar menggugurkan kewajiban namun Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 385

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 lebih dari daripada itu dapat memberikan manfaat 3. sekaligus sebagai solusi dan jawaban atas suatu kondisi riil yang terjadi di dalam masyarakat.[7] 4. 2.4 Pendistribusian Daging Qurban Untuk mengatasi masalah pendistribusian daging Qurban di kota Padang yang ada pada saat ini, diperoleh perancangan untuk membangun suatu sistem yang baru agar kebutuhan pada sistem ini terpenuhi. Analisis kebutuhan sistem secara garis besar membahas tentang kebutuhan sistem aplikasi. Setelah itu Pengguna dapat menggunakan aplikasi GIS lokasi daerah yang layak menerima daging Qurban melalui Computer atau Handphone yang terhubung ke internet yang bertujuan untuk mengetahui informasi tentang lokasi-lokasi yang telah mendapatkan distribusi daging Qurban dari Masjid-Masjid di wilayah Kota Padang. Sistem yang dibangun ini mampu mengatasi permasalahan yang ada pada sistem lama, sehingga kebutuhan sistem yang lama dapat terpenuhi. Sistem informasi geografis lokasi yang layak menerima daging Qurban di wilayah Kota Padang ini memiliki beberapa elemen yang mendukung integrasi sistem. Elemenelemen sistem informasi geografis lokasi daerah yang layak menerima daging Qurban tersebut. Berikutnya kajian kepustakaan pada intinya dilakukan untuk mendapatkan gambaran tentang hubungan topik penelitian yang akan diajukan dengan penelitian sejenis yang pernah dilakukan oleh para peneliti sebelumnya, sehingga tidak terjadi pengulangan yang tidak perlu dan mubazir. Oleh karenanya sebelum menulis penelitian ini telah dilakukan penelusuran terhadap penelitianpenelitian sebelumnya apakah ada yang berhubungan dengan penelitian yang diteliti. Dari hasil penelusuran tersebut, tidak ditemukan adanya penelitian sebelumnya yang membahas secara khusus SIG tentang pendistribusian daging Qurban. Selain itu, hanya ditemukan sebatas yang berkaitan dengan sistem informasi geografis, akan tetapi yang berkaitan khusus dengan sistem informasi geografis daerah yang layak menerima daging Qurban di kota Padang belum ada yang membahas. Berikut hasil penelusuran yang dilakukan terhadap beberapa penelitian yang ada hubungannya dengan masalah sistem informasi geografis di antaranya: 1.

2.

Rancang bangun SIG sebaran yang berkaitan dengan tempat riset teknologi informasi yang penelitiaannya di Kota Garut. Sebagai penulisnya adalah Yosep Bustomi, M. Ali Ramdhani, dan Rinda Cahyana.[8] Membahas SIG lokasi perguruan tinggi yang penelitiannya di daerah istimewa yogyakarta yang berbasis mobile android. Yang diteliti Victor Motumona, Uning Lestari, dan Erfanti Fatkhiyah.[9]

Penelitian yang ditulis Dony Novaliendry dengan topik aplikasi game geografi berbasis multimedia interaktif untuk siswa kelas ix di SMPN 1 Rao.[10] Pemanfaatan SIG open source untuk pelayanan kesehatan masyarakat lokasi penelitiannya di Yogyakarta. Yang diteliti oleh Budi Santosa.[11]

Sementara penelitian yang dibuat berbeda dengan yang di atas bahkan belum ada yang membahas tentang sistem informasi geografis lokasi daerah yang layak menerima daging Qurban di wilayah Kota Padang Berdasarkan referensi di atas, dapat dilihat bahwa kajian yang akan ditelaah dalam penelitian ini belum diungkapkan yang berkaitan dengan topik pembahasan ini. Oleh karena itu, penting sekali untuk membuat sistem informasi geografis daerah yang layak menerima daging Qurban. 3. Metodologi Penelitian Adapun metodologi penelitian yang di buat adalah serangkaian kegiatan yang mendukung pada proses penelitian ini, serta aktifitas lainnya juga sangat mendukung proses penelitian yang dituju. Adapun tahapan yang mesti dilaksanakan pada penelitian ini adalah : 3.1. Tahap Persiapan Dalam tahap ini merupakan yang paling pertama dilakukan sebelum melakukan proses sebuah penelitian. Oleh karena itu tahapan ini, sangat penting pada pengorganisasian pengumpulan data lapangan serta data atribut. Sedangkan tujuan tahapan ini mempersiapkan rencana kerja yang akan digunakan dalam melakukan suatu proses penelitian diawali dengan studi literatur dalam berbagai sumber yang ada sampai pada perancangan SIG dan aplikasi programnya. 3.2. Dalam Tahapan Mengumpulkan Data Pada tahapan ini dilakukan pengumpulan data spasial serta data atribut. Maksud data spasial ialah data peta yang akan dijadikan dasar dalam membuat konsep perancangan SIG. Sedangkan data atribut adalah data pelengkap yang dipakai untuk informasi data spasial. Data atribut menyajikan informasi mengenai data–data daerah yang layak menerima daging Qurban di Kota Padang 3.3. Tahap Pengolahan Data Dalam tahap ini merupakan tahapan yang dilaksanakan setelah didapatkan data yang sudah terkumpul. Apabila data-data yang dimaksud sudah lengkap, maka selanjutnya menggabungkan data spasial tersebut dengan data atibutnya. Namun sebelum melaksanakan penggabungan ataupun merancang SIG, maka data-data atribut disusun menjadi suatu database untuk memudahkan dalam perancangan SIG. Sesudah data spasial dan data atribut tersebut digabungkan, maka tahap selanjutnya membangun SIG dengan memakai

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 386

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 software arc wiew. Dari hasil SIG itu, dalam proses yang lebih lanjut ialah melaksanakan analisa SIG. 4. Tahap Akhir Pada tahap ini merupakan tahap yang dibuat dengan mendokumentasikan secara tertulis pada hasil penelitian yang sudah dilaksanaka dari pertama sampai dengan selesainya penelitian laporan akhir. Adapun diagram alir penelitian terlihat pada Gambar 1.

Gambar.2 Use Case Diagram Sistem Informasi Geografis Lokasi Yang Layak Menerima Daging Qurban Di Wilayah Kota Padang

Gambar 1. Diagram Alir Metode Penelitian

Analisis sistem adalah penguraian dari suatu informasi yang utuh ke dalam bagian-bagian komponennya untuk mengidentifikasi permasalahan-permasalahan yang terjadi, sehingga dapat diusulkan perbaikannya. Tahap analisis merupakan prosedur yang penting, karena kesalahan atau kelemahan sistem pada tahap sebelumnya akan menyebabkan kesalahan ditahap selanjutnya. Adanya perencanaan suatu sistem yang baru diharapkan akan dapat mengfungsikan sistem yang lebih baik dari sistem sebelumnya.

4. Hasil dan Pembahasan 4.1 Analis dan Desain Untuk mengatasi masalah yang ada pada saat ini, diperoleh perancangan untuk membangun suatu sistem yang baru agar kebutuhan pada sistem ini terpenuhi. Analisis kebutuhan sistem secara garis besar membahas tentang kebutuhan sistem aplikasi. Setelah itu Pengguna dapat menggunakan aplikasi GIS lokasi daerah yang layak menerima daging Qurban melalui Computer yang terhubung ke internet yang bertujuan untuk mengetahui informasi tentang lokasi-lokasi yang telah mendapatkan distribusi daging Qurban dari Masjid-masjid di wilayah Kota Padang. Sistem baru ini mengatasi permasalahan yang ada pada sistem lama, sehingga kebutuhan sistem yang lama dapat terpenuhi. Sistem informasi geografis lokasi yang layak menerima daging Qurban di wilayah Kota Padang ini memiliki beberapa elemen yang mendukung integrasi sistem. Elemen-elemen sistem informasi geografis lokasi daerah yang layak menerima daging Qurban tersebut, adapun Use Case diagram sistem informasi lokasi yang layak menerima seperti pada Gambar 2.

Adapun analisis sistem yang sedang berjalan saat ini mempelajari pengolahan data distribusi daging Qurban yang berada di Masjid maupun Mushala yang berada di Kota Padang dan memetakan daerah mana saja yang layak menerima daging Qurban, kemudian dianalisis untuk mengetahui perincian sistem yang lebih detail. Setelah dilakukan penelitian, diperoleh gambaran singkat tentang keadaan sistem dan beberapa kelemahan yang ada. Ada beberapa kelemahan pada sistem yang sedang berjalan di antaranya adalah: 1. Belum adanya sistem informasi geografis atau Geography Information Sistem (GIS) yang mampu mengolah data lokasi daerah yang menerima daging Qurban di wilayah Kota Padang dengan cepat, akurat dan dapat diakses oleh pihak-pihak terkait, dimana saja dan kapan saja tanpa mengenal jarak dan waktu, sehingga akan lebih efisien baik dari segi waktu maupun biaya jika dibandingkan dengan melakukan survei lapangan secara lansung ke masing-masing lokasi. 2. Belum adanya ketersedian informasi lokasi daerah layak yang menerima daging Qurban di wilayah Kota Padang dalam memberikan informasi kepada instansi maupun pihak terkait secara spasial dengan begitu informasi yang di dapat akan lebih spesifik.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 387

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 3. Belum terintegrasinya penyimpanan data ke dalam basis data atau database yang mampu menampung data lokasi daerah yang layak menerima daging Quban di Wilayah Kota Padang. Selama ini penyimpanan data hanya berupa arsip-arsip yang mengakibatkan data tersebut mudah hilang, rusak dll. Pada umumnya, untuk memetakan suatu lokasi penyebaran daging Qurban dilakukan survei secara lansung ke masing-masing lokasi. Hal ini sangat tidak efisien baik dari segi waktu maupun dari segi biaya serta Gambar 3. T ampilan Form Entry Masjid informasi yang diperoleh terkadang tidak akurat dan hanya diperuntukan hanya pihak-pihak tertentu saja, 2. Form Entry Pembagian sehingga masyarakat tidak dapat memperoleh informasi tersebut. Pada menu ini digunakan untuk memanipulasi data Qurban pada database. Penjelasannya dapat dilihat pada Dari permasalahan yang ada tersebut, maka diperlukan Gambar 4. suatu aplikasi yang mampu mengelola data lokasi penyebaran daging Qurban di wilayah Kota Padang yang lebih efektive dan efisien, serta mampu memberikan suatu informasi baik kepada instansi terkait maupun kepada masyarakat. Perancangan sistem terinci bertujuan untuk memberi gambaran dan rancang bangun yang jelas kepada pemakai. Perancangan sistem terinci mencakup gambaran desain output desain input, desain database, dan desain file, serta desain relasi antar file. Tahap implementasi merupakan tahap terakhir dalam pengembangan sistem, yaitu meletakkan sistem supaya siap dioperasikan. Sistem Informasi yang telah dibangun dan telah dilakukan pengetesan dari modul yang dirangkai. Sistem ini telah dianalisis dan didesain secara rinci dan didukung dengan memakai aplikasi pemrograman PHP, implementasinya berguna untuk memudahkan penerapan sistem yang telah disiapkan, agar pengentrian data sampai penyajian informasi sesuai dengan prosedur yang telah direncanakan.

Gambar 4. T ampilan Form Entry Pembagian

3. Form Entry Galeri Halaman entry galeri berfungsi sebagai penyampaian informasi berdasarkan gambar yang di input oleh admin. Tampilan halaman entry galeri dapat dilihat pada Gambar 5.

Implementasi antar muka menggambarkan tampilan dari sistem yang dibangun. Berikut ini adalah implementasi antar muka dari sistem informasi geografis lokasi yang layak menerima daging Qurban di wilayah Kota Padang: 4.2 Menu Input Program yang dirancang merupakan suatu program yang saling berkaitan antara satu menu dengan menu lainnya, maka user harus melakukan tahap demi tahap atau langkah-langkah yang sudah dirancang. Maka tahap pertama yang harus dilakukan oleh user adalah menginputkan data, berikut ini akan dijelaskan bentuk dari input data tersebut secara lebih rinci.

Gambar 5. T ampilan Form Entry Galeri

4.3 Output 1. Form Entry Data Masjid 1. Lokasi terdekat Halaman entry data Masjid ini merupakan halaman yang digunakan admin induk untuk menginputkan data-data Pada halaman lokasi distribusi daging Qurban dirancang Masjid yang berada di Kota Padang. Tampilan halaman agar user dapat melihat seluruh sebaran daging Qurban dalam bentuk peta dan informasi mengenai data-data entry data Masjid dapat dilihat pada Gambar 3. yang berkaitan dengan distribusi daging Qurban Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 388

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 tampilan halaman lokasi terdekat dapat dilihat pada Gambar 6.

Gambar 9. T ampilan Laporan Pembagian Gambar 6. T ampilan T erdekat

5. Cetak Laporan 2. Rute Perjalanan

Halaman cetak laporan Qurban berfungsi sebagai Menampilkan informasi rute perjalanan distribusi laporan cetak yang akan di tanda tangani oleh pihak daging Qurban dengan menginputkan lokasi awal dan yang berwenang. Tampilannya dapat dilihat pada lokasi Masjid yang ditampilkan berbentuk garis Gambar 10. berwarna biru serta terdapat jarak tempuh dan durasi atau waktu tempuh. Tampilannya dapat dilihat pada Gambar 7.

Gambar 10. T ampilan Cetak Gambar 7. T ampilan Rute Perjalanan

5. Kesimpulan

3. Laporan Masjid

5.1 Simpulan Menu ini digunakan untuk mengetahui informasi Berdasarkan uraian yang dikemukakan pada bab-bab mengenai data yang berkaitan tentang Masjid. sebelumnya dapat disimpulkan dari penelitian yang Tampilannya dapat dilihat pada Gambar 8. dilakukan diharapkan bermanfaat bagi pembaca pada umumnya dan bagi pihak yang bersangkutan, adapun kesimpulannya yang dapat dikemukakan antara lain : 1. Sistem informasi geografis lokasi daerah yang layak menerima daging Qurban di wilayah Kota Padang memberikan kemudahan bagi Pengurus Masjid maupun Panitia Qurban dalam memberikan informasi lokasi mana saja yang jumlah Qurbannya masih minim. 2. Memberikan kemudahan bagi Panitia Qurban atau Pengurus Masjid dalam mencari lokasi yang layak menerima daging Qurban di wilayah Kota Padang, dikarenakan semua informasi mengenai daging Gambar 8. T ampilan Laporan Masjid Qurban telah tertera pada sistem. 4. Laporan Pembagian 3. Sistem informasi geografis lokasi daerah yang layak menerima daging Qurban di wilayah Kota Menu ini digunakan untuk mengetahui informasi data Padang dapat menjadi jawaban terhadap Qurban di wilayah Kota Padang. Tampilannya dapat permasalahan kurang meratanya pembagian dilihat pada Gambar 9. daging Qurban di wilayah Kota Padang. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 389

Sotar, Dani Mardianto Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No.1 (2018) 384 – 390 5.2 Saran Penelitian ini perlu ditingkatkan, seperti melakukan pengembangan sistem informasi geografis lokasi daerah yang layak menerima daging Qurban di wilayah Kota Padang dalam bentuk android yang bisa mengikuti perkembangan zaman pada saat ini. Penelitian ini juga dapat diperluas daerah penelitiannya bukan hanya di kota Padang akan tetapi daerahnya meliputi daerah Sumatera Barat. Begitu juga dengan informasi yang disajikan akan ditambah seperti penambahan informasi titik lokasi penjual hewan Qurban di daerah Sumatera Barat.

[9] V. M otumona, U. Lestari, E. Fatkhiyah, and P. T. Informatika, 2016,“Sistem Informasi Geografis Lokasi Perguruan Tinggi Di Daerah Istimewa Yogyakarta Berbasis Mobile Android,” Script, vol. 4, no. 1, pp. 72–78. [10] D. Novaliendry, 2013 “Aplikasi Game Geografi Berbasis Multimedia Interaktif (Studi Kasus Siswa Kelas IX SMPN Rao),” JTeknologi Dan Pendidik., vol. 6, no. 2, pp. 106– 118. [11] B. Santosa, 2011,“Pemanfaatan Sistem Informasi Geografis Open Source Untuk Pelayanan Kesehatan Masyarakat Di Yogyakarta,” Penelit. dan Pengemb. Pemerintah Provinsi DIY, vol. III, no. 4, pp. 1–8.

Ucapan Terima Kasih Ucapan terima kasih kepada Yayasan Amal Bakti Mukmin yang telah memberikan dana dalam penulisan penelitian ini hingga selesai, sesuai dengan nomor kontrak 895.020/A.12/STMIK-I/2016. Dan pada akhir kata kami mengucapkan terima kasih kepada Ketua STMIK Indonesia Padang dan Ketua LPPM STMIK Indonesia Padang, yang telah mendorong dan terus memberikan semangat serta motivasi kepada Dosendosen agar terus maju dan berinovasi dalam melakukan penelitian. Daftar Rujukan [1] R. E. Ida Bagus M ade Yogie Adnyana1, 2014, “Rancang Bangun Sistem Informasi Geografis Persebaran Lokasi Obyek Pariwisata Berbasis Web Dan Mobile Android (Studi Kasus Di Dinas Pariwisata Kabupaten Gianyar),” Teknol. Inf. dan Komun., vol. 5, pp. 16. [2] M . S. Safuwan, M .Psi & Subhani, S.Sos., 2013, “Pemberdayaan Kepribadian muslim Melalui Psikologi Qurban,” Suwa, vol. XI, no. 1, pp. 77–82. [3] S. Redjeki, M . Guntara, and P. Anggoro, 2014, “Perancangan Sistem Identifikasi Dan Pemetaan Potensi Kemiskinan Untuk Optimalisasi Program Kemiskinan Kemiskinan Merupakan Masalah Multidimensi dan Lintas Sektor Yang Dipengaruhi Oleh Berbagai Faktor Yang Saling Berkaitan , Antara Lain : Tingkat Pendapatan,” J. Sist. Inf., vol. 6, no. 2, pp. 731–743. [4] E. Prahasta, 2014, Sistem Informasi Geografis : KonsepKonsep Dasar (Perspektif Geodesi dan Geomatika), Bandung, Informatika Bandung. [5] T. S. dan J. Fahana, 2010, “Pengembangan Aplikasi Untuk Menentukan Daerah Pencemaran Limbah Home Industry Berbasis Sistem Informasi Geografis,” Informatika, vol. 4, no. 2, pp. 488–495. [6] R.Noviati, 2017, “Praktik Kurban Online Dalam Perspektif Islam Tebar Hewan Kurban THK Di Dompet Dhuafa,” Syarikah, vol. 3, no.1, pp.343-356. [7] H. Wathan, 2017, “Pandangan Ulama Kota M edan Tentang Pelaksanaan Iddikhar Daging Qurban Di Rumah Zakat M edan -Sumatera Utara,” Hum. Falah, vol. 4., no. 1, pp. 35–50. [8] Y. Bustomi, M . A. Ramdhani, and R. Cahyana, 2012,“Rancang Bangun Sistem Informasi Geografis Sebaran Tempat Riset Teknologi Informasi Di Kota Garut,” STT-Garut All Right Reserv., vol. 9, no. 20, pp. 1–7.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 384 – 390 390

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396

ISSN : 2580-0760 (media online)

Analisis Rekam Medis untuk Menentukan Pola Kelompok Penyakit Menggunaka n Algoritma C4.5 Rian Rafiskaa, Sarjon Defit b , Gunadi Widi Nurcahyo c a

Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia, [email protected] b Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia, [email protected] ahoo.co.uk c Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia, [email protected] ahoo.co.id

Abstract The Medical Record contains records and documents of patient identity, examination results,treatment,actionsand services provided to the patient. Medical records are very important for patient care because with complete data can provide information in determining diagnostic and clinical decisions. The completeness of the medical record determinesthequality of the services provided. Regarding the pattern of the tendency of disease suffered by a group of peoplestill not excavated to be used as a reference when doing panyuluhan or prevention of disease. Finding a common pattern of diseasegroupsin the community based on the International Classification of Diseases (ICD) -X. In this study used theclassification method with algorithm C4.5 with the amount of data as much as 709 sourced from theMedical Record of General Hospital General Hospital (RSUD) Major General H.A Thalib Kerinci. Determination of the next analysis is to applythegrouping into several attributes, namely group of regions, age groups, disease groups and groups of sex. Further data is processed and donebyusing Rapid Miner software. The results of the calculation is a pattern that can be used to analyze patternsof diseasetendencyexperienced by the community. Keywords: Medical Record, Data Mining, Algorithm C4.5

Abstrak Rekam Medis berisi catatan dan dokumen indentitas pasien, hasil pemeriksaan, pengobatan, tindakan serta pelayanan yang diberikan kepada pasien. Rekam medis sangat penting untuk pelayanan pasien karena dengan data yang lengkap dapat memberikan informasi dalam menentukan keputusan diagnosis dan klinis. Kelengkapan dari rekam medis menentukan mutu dari pelayanan yang diberikan. Mengenai pola dari kecendrungan penyakit yang di derita oleh seklompok masyarakat masih belum digali untuk dijadikan acuan apabila melakukan panyuluhan atau pencegahan penyakit. Menemukan polakelompok penyakit yang sering terjadi di masyarakat berdasarkan kode penyakit dalam International Classification ofDiseases(ICD)-10. P ada penelitian ini digunakan metode klasifikasi dengan algoritma C4.5 dengan jumlah data sebanyak 709 yang bersumber dari bagian Rekam Medis Rumah Sakit Umum Daerah (RSUD) Mayjen H.A Thalib Kerinci. P enentuan analisa selanjutnya adalah menglakukan pengelompokan menjadi beberapa attribute yaitu kelompok wilayah,kelompok umur,kelompok penyakit dan kelompok jenis kelamin. Selanjutnya data diolah dan dilakukan penggujian menggunakan software Rapid Miner.Hasil dari perhitungan adalah pola yang dapat digunakan untuk menganalisa pola kecendrungan penyakit yang dialami oleh masyarakat. Kata kunci: Rekam Medis, Data Mining, Algoritma C4.5 © 2018 Jurnal RESTI

1. Pendahuluan Kemajuan teknologi informasi telah menyebabkan banyak orang dapat memperoleh data dengan mudah bahkan cenderung berlebihan. Data tersebut semakin lama semakin banyak dan terakumulasi, akibatnya pemanfaatan data yang terakumulasi tersebut menjadi tidak optimal. Banyaknya data yang dimiliki oleh sebuah organisasi bisa menyebabkan kesulitan dalam pengklasifikasian data tersebut untuk kepentingan organisasi. Kegiatan pengklasifikasian yang dilakukan

oleh manusia masih memiliki keterbatasan, terutama pada kemampuan manusia dalam menampung jumlah data yang ingin diklasifikasikan. Selain itu bisa juga terjadi kesalahan dalam pengklasifikasian yang dilakukan. Salah satu cara mengatasi masalah ini adalah dengan menggunakan Data Mining dengan teknik klasifikasi. Data Mining dapat membantu sebuah organisasi yang memiliki data melimpah untuk memberikan informasi yang dapat mendukung pengambilan keputusan.

Diterima Redaksi : 04-03-2018 | Selesai Revisi : 04-04-2018 | Diterbitkan Online : 18-04-2018 391

Rian Rafiska, Sarjon Defit, Gunadi Widi Nurcahyo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 391 – 396 Salah satu penerapan ilmu Data Mining, yaitu pada permasalahan penumpukan data rekam medis di Rumah Sakit. Rekam medis merupakan berkas yang berisikan rangkaian catatan dan dokumen medis yang berisi tentang identitas pasien, pemeriksaan, pengobatan, tindakan serta pelayanan yang diberikan kepada pasien[1]. Rekam medis harus dibuat secara tertulis, lengkap, dan jelas atau secara elektronik. Penyelenggaraan rekam medis dengan menggunakan teknologi informasi elektronik diatur oleh peraturan tersendiri. Informasi dalam rekam medis dijaga kerahasiaannya oleh dokter, tenaga kesehatan dan petugas pengelola serta pimpinan sarana pelayanan kesehatan. Data rekam medis terus terakumulasi setiap hari seiring dengan aktivitas rumah sakit[2]. Tumpukan data yang ada baik di dinas kesehatan maupun di rumah sakit saat ini hanya sebatas memberikan grafik atau statistik jumlah pasien yang berobat dengan penyakit yang dideritanya beserta laporan kepulangan pasien tersebut. Laporan dari data inilah yang saat ini dijadikan oleh dinas kesehatan untuk melakukan kebijakan-kebijakan apabila akan memberikan penyuluhan kepada masyarakat. Mengenai pola dari kecenderungan penyakit yang diderita oleh sekelompok masyarakat masih belum digali untuk dijadikan acuan apabila melakukan penyuluhan atau pencegahan penyakit. Berdasarkan latar belakang di atas adapun yang menjadi pokok permasalahan dalam penelitian ini adalah bagaimana mengimplementasikan algoritma C4.5 untuk menemukan pola penyakit yang sering terjadi di masyarakat.

2.2 Klasifikasi Klasifikasi adalah teknik Data Mining yang memetakan data kedalam kelompok-kelompok yang telah ditetapkan atau kelas [7]. Menurut [8], klasifikasi adalah proses penemuan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep yang bertujuan agar bisa digunakan untuk memprediksi kelas dari objek yang label kelas nya tidak diketahui. 2.3 Algoritma C4.5 Algoritma ini merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Algoritma C4.5 adalah pengembangan dari algoritma iterative dichotomizer 3 (ID3). Algoritma C4.5 mempunyai prinsip dasar kerja yang sama dengan algoritma ID3, hanya saja algoritma C4.5 menggunakan pendekatan induksi dimana, algoritma C4.5 membagi-bagi data berdasarkan kriteria yang dipilih untuk membuat pohon keputusan[9]. Terdapat 4 langkah dalam menentukan pohon keputusan menggunakan algoritma C4.5 [10] adalah: 1. 2. 3. 4.

Memilih atribut sebagai akar (root). Membuat cabang untuk tiap-tiap nilai. Membagi kasus dalam cabang Mengulangi proses dalam setiap cabang, sampai semua kasus dalam cabang memiliki kelas yang sama.

Untuk memilih atribut akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti yang tertera dalam persamaan 1 berikut. 𝑛

2. Tinjauan Pustaka Knowledge discovery in database (KDD) merupakan proses untuk menemukan informasi yang berguna dalam database. Seluruh proses KDD biasanya terdiri dari langkah-langkah, yaitu memahami bidang aplikasi, membuat data target yang ditetapkan dari data mentah yang tersimpan dalam database, pembersihan data dan preprocessing data [3] 2.1 Data Mining Data Mining adalah proses menemukan atau penggalian pola-pola baru dari kumpulan data besar yang melibatkan metode dari statistik dan kecerdasan buatan [4]. Data Mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis yang menentukan keteraturan, pola, dan hubungan dalam set data berukuran besar [5]. Dalam Data Mining terdapat beberapa teknik yang bisa digunakan, antara lain : deskripsi, estimasi, prediksi, klasifikasi, clustering, dan asosiasi [6].

𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) − ∑ 𝑖 =1

|𝑆𝑖| ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆𝑖) |𝑆|

Commented [a1]: (1)

Di mana : S A N | Si| | S|

: : : : :

himpunan kasus atribut jumlah partisi atribut A jumlah kasus pada partisi ke-i jumlah kasus dalam S

Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan 2 berikut. 𝑛

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ −𝑝𝑖 ∗ log2 𝑝𝑖

Commented [a2]: (2)

𝑖=1

Di mana : S N pi

: himpunan kasus : jumlah partisi S : proporsi dari Si terhadap S.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396 392

Commented [a3]:

Rian Rafiska, Sarjon Defit, Gunadi Widi Nurcahyo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 391 – 396 3. Metodologi Penelitian

berdasarkan kode penyakit, yaitu : A00-B99, C00-D48, D50-D89, E00-E90, F00-F99, G00-G99, H00-H59, Pada penelitian ini, sebelum melakukan perhitungan H60-H95, I00-I99, J00-J99, K00-K93, L00-L99, M00menggungakan algoritma C4.5, ada beberapa tahapan M99, N00-N99, O00-O99, P00-P96, Q00-Q99, R00yang harus dilakukan terlebih dahulu, yaitu : R99, S00-T98, V01-Y98, Z00-Z99. 1. Data Selection Menyeleksi data rekam medis yang akan digunakan Setelah melakukan klasifikasi, selanjutnya terbentuk untuk perhitungan algoritma C4.5. Data yang telah format data akhir yang dapat di lihat pada Tabel 1. diseleksi di masukkan ke dalam excel dan di simpan Tabel 1. Format Data Transformasi Rekam Medis dalam format .xls. 2. Data Cleaning Proses cleaning mencakup membuang duplikasi data, memeriksa data yang tidak lengkap, dan memperbaiki kesalahan pada data seperti kesalahan cetak. 3. Data Transformation Merubah data tiap atribut menjadi beberapa kategori. Hal ini dilakukan untuk memudahkan dalam melakukan perhitungan dengan menggunakan algortima C4.5

No

Jekel

Umur

Alamat

Icd-x

1 2 3 4 5 6 7 8 9 10

LK LK PR PR LK LK LK LK PR LK

Muda & Dewasa Tua Muda & Dewasa Tua Tua Bay i & Anak Bay i & Anak Tua Muda & Dewasa Tua

Gunung Desa Desa Kota Desa Kota Desa Gunung Desa Kota

R00-R99 I00-I99 O00-O99 G00-G99 K00-K93 R00-R99 A00-B99 D50-D89 R00-R99 S00-T98

Setelah mendapatkan data transformation, proses selanjutnya yaitu pengolahan data menggunakan Langkah awal pengelohan data adalah mencari atribut algoritma C4.5 yang langkah-langkahnya dapat dilihat akar dengan melakukan perhitungan terhadap entropi pada Gambar 1. total dan menentukan gain tertinggi. Hasilnya dapat dilihat pada Tabel 2. MEMASUKKAN DATA Tabel 2. Tabel Perhitungan Gain Tertinggi MENGHITUNG ENTROPY

Node 1

709

A00B99 130

286 423

66 64

.. ..

0 11

0 3,1907

155

70

..

0

0

277

26

..

9

0

277

34

..

2

3,1543

427 89 193

84 9 37

.. .. ..

5 1 5

2,9947 0 3,1809

MENGHITUNG GAIN

MENENTUKAN GAIN TERTINGGI MEMBUAT NODE CABANG

Gambar 1. Proses pada Algoritma C4.5

Dari Gambar 1 tersebut dapat diketahui langkah-langkah dalam melakukan perhitungan algoritma C4.5, yang mana pada tahap awlanya memasukkan data rekam medis yang telah di transformasi, kemudian dari data transformasi tersebut dapat dilakukan perhitungan untuk menghitung entropy, setelah mendapatkan entropy selanjutnya melakukan perhitungan untuk menghitung gain dan menentukan gain yang tertinggi. Gain tertinggi inilah yang akan dijadikan sebagai node cabang dalam pohon keputusan. Selanjutnya lakukan lagi perhitungannya sampai semua cabang memiliki kelas yang sama.

Total Jekel L P Umur Bay i & Anak Muda & Dewasa Tua Alamat Desa Kota Gunung

..

Z00Z99 11

3,1144

..

Ent

Gain 1,2108

1,8821

0,4449

Dari Tabel 2 dapat dilihat nilai entropy dan nilai gain untuk setiap atribut. Untuk mendapatkan pohon keputusan node 1, dapat menggunakan nilai gain yang tertinggi. Pada pencarian pohon keputusan nilai gain yang terbesar berada pada atribut Umur yaitu sebesar 1,8821. Dengan demikian Umur dapat dijadikan sebagai 4. Hasil dan Pembahasan node 1. Ada 3 klasifikasi pada atribut Umur yaitu Bayi Data yang nantinya akan diolah mempunyai beberapa & Anak, Muda & Dewasa, dan Tua. Lihat Gambar 2. kriteria yang merupakan syarat dalam pengolahan Data Umur Mining dengan menggunakan teknik algoritma C4.5. terdapat 4 atribut dalam penelitian ini, yaitu : (1) jenis Bayi & Anak Muda & Dewasa Tua kelamin yang terdiri dari laki-laki (LK) dan perempuan (PR); (2) umur yang terdiri dari kategori bayi dan anak (<15 tahun), muda & dewasa (15-50 tahun), tua (>50 1.1 ? 1.2 ? 1.3 ? tahun); (3) alamat yang dikelompokkan menjadi pedesaan, pegunungan, perkotaan; (4) kode ICD-X Gambar 2. Pohon Keputusan Node 1 Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396 393

Commented [a4]: 1 space

Rian Rafiska, Sarjon Defit, Gunadi Widi Nurcahyo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 391 – 396 Setelah mendapatkan atribut yang menjadi cabang node, maka selanjutnya mencari atribut mana yang akan menjadi cabang level 1.1. Pada cabang level 1.1 terdapat 3 perhitungan klasifikasi yang berbeda yaitu atribut Umur klasifikasi Bayi & Anak, Muda & Dewasa dan Tua. Adapun perhitungan selanjutnya yang akan dilakukan adalah pencarian pohon keputusan cabang level 1.1. dengan cara yang sama seperti diatas.

Dengan demikian Jekel dapat dijadikan sebagai cabang level 1.2. Ada 2 klasifikasi dari atribut Jekel yaitu LK dan PR. Untuk klasifikasi PR perlu dilakukan perhitungan kembali untuk mencari cabang level 1.2.1. Lihat Gambar 4. Umur

Tabel 3. Tabel Perhitungan Cabang Level 1.1 Node 1.1 (Umur_Anak) A00B99 Total 155 70 Jekel L 75 36 P 80 34 Alamat Desa 90 45 Kota 20 4 Gunung 45 21

..

Z00Z99 0

1,8849

.. ..

0 0

0 0

.. .. ..

0 0 0

0 0 0

..

Ent

Bayi & Anak

Gain

Muda & Dewasa

Alamat

Tua

JEKEL

1.3 ?

1,8849 Pedesaan

Perkotaan Pegunungan

LK

PR

1,8849 A00-B99

R00-R99

A00-B99

R00-R99

1.2.1

Gambar 4. Pohon Keputusan Node 1.2

Dari Tabel 3 dapat dilihat bahwa nilai gain sama besar, Setelah pencarian cabang level 1.2, maka dilanjutkan yaitu 1,8849. Dikarenakan nilai gain yang sama, maka pencarian cabang level 1.2.1. Pada cabang level 1.2.1 dapat dipilih salah satu yang akan menjadi cabang level nilai entropy atribut yang digunakan adalah Jekel PR. 1.1. Pada perhitungan ini peneliti memilih atribut Alamat untuk dijadikan cabang level 1.1. Ada 3 Tabel 5. Tabel Perhitungan Cabang Level 1.1 klasifikasi pada atribut Alamat yaitu Pedesaan, Node 1.1 (Umur_Muda) (Jekel_PR) Perkotaan, dan Pegunungan. Lihat Gambar 3. A00Z00Umur Bayi & Anak Muda & Dewasa

Alamat

Pedesaan

A00-B99

Perkotaan

Tua

1.2 ?

1.3 ?

197

B99 13

112 29 56

8 1 4

..

Gain

Ent

..

Z99 9

3,0237

.. .. ..

0 1 4

0 0 0

3,0237

Dari hasil pada Tabel 5 dapat diketahui bahwa atribut Alamat memiiliki nilai gain sebesar 3,0237. Dengan demikian Alamat menjadi cabang level 1.2.1. Ada 3 klasifikasi atribut Alamat yaitu Pedesaan, Perkotaan, dan Pegunungan. Lihat Gambar 5.

Pegunungan

R00-R99

Total Alamat Desa Kota Gunung

A00-B99

Umur

Gambar 3. Pohon Keputusan Node 1.1

Setelah pencarian cabang level 1.1, maka dilanjutkan pencarian cabang level 1.2. Pada cabang level 1.2 nilai entropy atribut yang digunakan adalah Umur Muda & Dewasa.

Bayi & Anak

Muda & Dewasa

Alamat

Pedesaan

Perkotaan

Tua

JEKEL

Pegunungan

LK

1.3 ?

PR

Tabel 4. Tabel Perhitungan Cabang Level 1.1 Node 1.1 (Umur_Muda) A00B99 Total 277 26 Jekel L 80 13 P 197 13 Alamat Desa 159 18 Kota 40 3 Gunung 78 5

A00-B99

.. ..

Z00Z99 9

Ent

R00-R99

A00-B99

R00-R99

Alamat

Gain Pedesan

3,0433

Perkotaan Pegunungan

0,8928 .. ..

0 9

0 3,0237

.. .. ..

4 1 4

2,9790 3,4296 0

O00-O99

0,8380

K00-K99

O00-O99

Gambar 5. Pohon Keputusan Node 1.2.1

Setelah pencarian cabang level 1.2.1, maka dilanjutkan pencarian cabang level 1.3. Pada cabang level 1.3. nilai Dari hasil pada Tabel 4 dapat diketahui bahwa atribut entropy atribut yang digunakan adalah Umur Tua. dengan Gain tertinggi adalah Jekel sebesar 0,8928. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396 394

Rian Rafiska, Sarjon Defit, Gunadi Widi Nurcahyo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 391 – 396 Tabel 6. Tabel Perhitungan Cabang Level 1.3 Node 1.1 (Umur_Tua) A00B99 Total 277 34 Jekel L 131 17 P 146 17 Alamat Desa 178 21 Kota 29 2 Gunung 70 11

..

Z00Z99 2

3,1543

.. ..

0 2

0 3,1717

.. .. ..

1 0 1

0 0 3,3420

..

Umur

Gain

Ent

Bayi & Anak

1,4825

Muda & Dewasa

Alamat

2,3097

JEKEL

Pedesaan Perkotaan Pegunungan

A00-B99

R00-R99

Tua

LK

A00-B99

R00-R99

Alamat

PR

Pedesaan Perkotaan Pegunungan

Alamat

R00-R99

R00-R99

JEKEL

Dari hasil pada Tabel 6 dapat diketahui bahwa atribut Pedesan Perkotaan Pegunungan LK PR dengan Gain tertinggi adalah Alamat sebesar 2,3097. Dengan demikian Alamat dapat dijadikan sebagai cabang level 1.3. Ada 3 klasifikasi dari atribut Alamat O00-O99 K00-K99 O00-O99 J00-J99 R00-R99 yaitu Pedesaan, Perkotaan dan Prgunungan. Untuk klasifikasi Pegunungan perlu dilakukan perhitungan Gambar 7. Pohon Keputusan Node 1.3.1 kembali untuk mencari cabang level 1.3.1. Lihat Gambar Rule hasil dari prediksi berdasarkan pada pohon 6. keputusan terakhir yang terbentuk sesuai dengan Umur perhitungan Entropy dan Gain. Melalui pohon keputusan tersebut diperoleh 12 aturan (rule) dalam memprediksi jumlah mahasiswa yang mengulang mata Bayi & Anak Muda & Dewasa Tua kuliah. Adapun aturan atau rule yang terbentuk dari perhitungan Gain dan Entropy setiap variabel sampai Alamat JEKEL Alamat menghasilkan Node 1.5 adalah sebagai berikut : Pedesaan

A00-B99

Perkotaan Pegunungan

R00-R99

LK

A00-B99

R00-R99

PR

Pedesaan Perkotaan Pegunungan

Alamat

R00-R99

R00-R99

1.3.1 ?

Pedesan Perkotaan Pegunungan

O00-O99

K00-K99

O00-O99

Gambar 6. Pohon Keputusan Node 1.3.1

Setelah pencarian cabang level 1.3, maka dilanjutkan pencarian cabang level 1.3.1. Pada cabang level 1.3.1 nilai entropy atribut yang digunakan adalah Alamat Pegunungan. Tabel 7. Tabel Perhitungan Cabang Level 1.3.1 Node 1.1 (Umur_Tua) (Alamat_Pegunungan) A00Z00.. B99 Z99 Total 70 11 .. 1 Jekel L 29 5 .. 0 P 41 6 .. 1

Ent

Gain

3,3420 3,3420 0 0

Dari hasil pada Tabel 7 dapat diketahui bahwa atribut Jekel memiiliki nilai gain sebesar 3,3420. Dengan demikian Jekel menjadi cabang level 1.3.1. Ada 2 klasifikasi atribut Jekel yaitu LK, dan PR. Lihat Gambar 7.

1. IF Umur = Bayi & Anak, AND Alamat = Pedesaan, THEN Kode ICD-X = A00-B99.I 2. F Umur = Bayi & Anak, AND Alamat = Perkotaan, THEN Kode ICD-X = R00-R99. 3. IF Umur = Bayi & Anak, AND Alamat = Pegunungan, THEN Kode ICD-X = A00-B99. 4. IF Umur = Muda & Dewasa, AND Jenis Kelamin = Laki-Laki, THEN Kode ICD-X = R00-R99. 5. IF Umur = Muda & Dewasa, AND Jenis Kelamin = Perempuan, AND Alamat = Pedesaan, THEN Kode ICD-X = O00-O99. 6. IF Umur = Muda & Dewasa, AND Jenis Kelamin = Perempuan, AND Alamat = Perkotaan, THEN Kode ICD-X = K00-K99. 7. IF Umur = Muda & Dewasa, AND Jenis Kelamin = Perempuan, AND Alamat = Pegunungan, THEN Kode ICD-X = O00-O99. 8. IF Umur = Tua, AND Alamat = Pedesaan, THEN Kode ICD-X = R00-R99. 9. IF Umur = Tua, AND Alamat = Perkotaan, THEN Kode ICD-X = R00-R99. 10. IF Umur = Tua, AND Alamat = Pegunungan, AND Jenis Kelamin = Laki-Laki, THEN Kode ICD-X = J00-J99. 11. IF Umur = Tua, AND Alamat = Pegunungan, AND Jenis Kelamin = Perempuan, THEN Kode ICD-X = R00-R99.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396 395

Rian Rafiska, Sarjon Defit, Gunadi Widi Nurcahyo Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 391 – 396 5. Kesimpulan Bagian terdiri atas simpulan dan saran atas hasil penelitian. 5.1 Simpulan 1. Pemilihan variabel Umur, Jenis Kelamin dan Alamat, dapat menjadi kriteria penilaian terhadap pelanggan aktif dan tidak aktif dengan menggunakan Algoritma C4.5. 2. Algoritma C4.5 telah berhasil di terapkan dalam menganalisis data rekam medis di RSUD Mayjen H.A. Thalib Kerinci 3. Implementasi algoritma C4.5 dengan memanfaatkan software RapidMiner dalam menganalisis data rekam medis menghasilkan parameter-parameter keputusan berupa pohon keputusan yang baik dalam pengambilan keputusan di RSUD Mayjen H.A. Thalib Kerinci 5.2 Saran 1. Diharapkan kepada penelitian selanjutnya dapat menggunakan data yang lebih banyak, karena pada penelitian ini peneliti menggunakan data untuk 1 bulan saja 2. Pada penelitian ini, penulis mencoba salah satu teknik yang digunakan yaitu teori decision tree algoritma C4.5. Untuk mendapatkan hasil prediksi yang baik dapat digunakan beberapa atau penggabungan beberapa teknik klasifikasi. Oleh sebab itu, perlu dilakukan penelitian lebih lanjut untuk membandingkan hasil klasifikasi dan menentukan teori mana yang menghasilkan klasifikasi yang baik.

Classification Diseases (ICD-10). Jurnal Rekayasa Sistem dan Teknologi Informasi, 1 (2), pp. 82-89. [4] Patel B.R., Rana K.K., 2012. A Survey on Decision Tree Algorithm for Classification. International Journal of Engineering Development and Research, 2 (1), pp. 1-5. [5] Selvia L.B.G., Zarman W., Hamidah I., 2014. Analisis dan Penerapan Algoritma C.45 Dalam Data Mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik. Prosiding Seminar Nasional Aplikasi Sains dan Teknologi, pp. 263-272. [6] Ridwan M., Suy ono H., Sarosa M., 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bay es Classifier. Electrical Power, Electronics, Control, Communication, and Informatics Seminar, 7 (1), pp. 5964. [7] Adhatrao K., Gay kar A., Dhawan A., Jha R., Honrao V., 2013. Predicting Students’ Performance Using ID3 And C4.5 Classification Algorithms. International Journal of Data mining & Knowledge Management Process, 3 (5), pp. 39-52. [8] Elmande Y., Widodo P., 2012. Pemilihan Criteria Splitting dalam Algoritma Iterative Dichotomiser 3 (ID3) untuk Penentuan Kualitas Beras Perum Bulog Drive Lampung. Jurnal Telematika Mkom, 4 (1), pp. 73-82. [9] Guterress J.A.D., Mudjihartono P., Ernawati., 2012. Analisis Efektivitas Algoritma C4.5 dalam Menentukan Peserta Pemenang Tender Projek. Seminar Nasional Teknologi Informasi dan Komunikasi, 3, pp. 7-12. [10] Luvia S.Y., Hartama D., Windarto A.P., Solikhun., 2016. Penerapan Algoritma C4.5 Untuk Klasifikasi Predikat Keberhasilan Mahasiswa Di Amik Tunas Bangsa. Jurnal Riset Sistem Information dan Teknik Informatika, 1 (1), pp. 75-59.

Daftar Rujukan [1] Xiny u J., Yizheng L., Chunhui M., 2016. Medical Record Semantic Analy sis Based on Weighted LDA. International Symposium on Computational Intelligence and Design, 9, pp. 591-596 [2] WenefridaT.I., 2016. Klasifikasi Data Rekam Medis Berdasarkan Kode Peny akit Internasional Menggunakan Algoritma C4.5. Jurnal Media Elektro, 1 (3), pp. 105-110. [3] Yudha A.F., Sarjon D., Yuhandri, 2017. Penerapan Algoritma C4.5 untuk Klasifikasi Data Rekam Medis berdasarkan International

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 391 – 396 396

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402

ISSN : 2580-0760 (media online)

Autonomous Sales Robot untuk Pengenal Produk Berbasis Barcode dan Arduino ATMega328 a

Ikhsan a, Ade Afdhika Putra b

Manajemen Informatika, AMIK Jayanusa Padang, [email protected] b Sistem Komputer, ST MIK Jayanusa Padang, [email protected]

Abstract This paper discusses similar machines of people who are categorized as robots that function as product identifier sales. This research is used as a substitute for shop assistants who sometimes have an emotional attitude when the consumer asks many things. By utilizing this robot, is expected to provide more services to consumers, consumers only need to show the goods that will be desired to the robot by closing the barcode, and the robot will provide information to the product in detail. In the process of this research is made by waterfall method with the necessary changes. From the results of the study concluded that the robot system can provide information services to consumers. Keywords: Robot, Sales, Barcode, Arduino, Atmega328

Abstrak Paper ini membahas mesin serupa orang yang dikategorikan sebagai robot yang berfungsi sebagai sales pengenal produk. Penelitian ini dimanfaatkan sebagai pengganti pelayan toko yang kadang memiliki sikap emosional saat konsumen bertanya banyak hal. Dengan memanfaatkan robot ini, diharapkan dapat memberikan pelayanan lebih terhadap komsumen, konsumen hanya perlu memperlihatkan barang yang akan diinginkan kepada robot dengan mendekatkan bagian barcode, dan robot akan memberikan informasi kepada produk tersebut secara rinci. Dalam proses penelitian ini dibuat dengan menyadur metode waterfall dengan pengubahan seperlunya. Dari hasil penelitian di dapatkan kesimpulan bahwasanya sistem berupa robot dapat memberikan informasi pelayanan kepada konsumen. Kata kunci: Robot, sales, Barcode, Arduino, Atmega328 © 2018 Jurnal RESTI

1. Pendahuluan Perubahan teknologi berkembang begitu pesat, sehingga dibutuhkan pemikiran-pemikiran yang inovatif dengan menggunakan peralatan seminimal mungkin untuk sebuah aplikasi tertentu yang bermanfaat untuk kehidupan di masyarakat. Hal yang sama dengan perkembangan dibidang teknologi khususnya dibidang elektronika dan robotika, menuntut automatisasi dalam segala hal yang dapat meringankan pekerjaan manusia dan menjadikan segalanya mudah dipakai dan dapat mendatangkan keuntungan. Pembuatan robot-robot dengan keistimewaan khusus ini sangat berkaitan erat dengan adanya kebutuhan dalam dunia industri modern, maka dikembangkan pula suatu tekknologi yang mampu mengadopsi cara berfikir manusia yaitu teknologi Artificial Intelegence atau kecerdasan buatan, yang menuntut adanya suatu alat dengan kemampuan yang tinggi yang dapat membantu menyelesaikan pekerjaan manusia ataupun untuk

menyelesaikan pekerjaan diselesaikan oleh manusia.

yang

tidak

mampu

Khusus dalam memperkenalkan produk, perusahaan hanya mengunakan tenaga manusia yang disebut juga dengan sales, dimana sales yang disediakan oleh perusahaan saat ini masih terbatas, dan terkadang sales tidak memberikan informasi yang lengkap kepada konsumen, sehingga perbandingan sales dengan konsumen tidak sesuai dengan yang diharapkan dan mengakibatkan konsumen tidak mendapatkan informasi yang lengkap tentang produk yang diinginkan.

Untuk membantu kinerja sales dalam memperkenalkan dan mempromosikan suatu produk tersebut perlu adanya suatu mesin (robot) yang berbentuk humanoid yang bisa mengenal suatu produk dan memberikan informasi tentang produk tersebut ke konsumen, sehingga konsumen tidak perlu lagi mencari sales untuk mengetahui informasi produk tersebut, cukup mengambil suatu produk yang konsumen inginkan dan dekatkan produk tersebut ke robot maka robot akan Diterima Redaksi : 28-02-2018 | Selesai Revisi : 18-04-2018 | Diterbitkan Online : 19-04-2018 397

Ikhsan, Ade Afdhika Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 membaca barcode dari suatu produk itu dan menjelaskan Mikrokontroller Atmega328 memiliki fitur dengan spesifikasi dari produk tersebut ke konsumen. kinerja yang tinggi, mikrokontroller AVR-8 bit berdaya rendah, bekerja pada suhu -400 C sampai 850 C, Penelitian ini melihat aspek yang harus dipecahkan kecepatan berada pada kisaran 0-20 MHz, memiliki 6 masalahnya dalam latar belakang masalah di atas, saluran PWM dan memiliki counter real time dengan sehingga dapat menjadi rujukan apa saja yang harus osilator terpisah. Menggunakan arsitektur RISC dengan dilakukan sistem yang akan dibangun, semisal untuk operasi statis juga memiliki kunci kemanana menjawab pertanyaan-pertanyaan berikut : bisakah pemrograman. [6] robot dapat mendeteksi produk dengan mendekatkan produk tersebut ke robot? Mampukah robot berinteraksi 2.4 Sensor Barcode dengan konsumen dengan memanfaakan fitur suara dari Sensor merupakan pondasi bangunan yang penting si robot? Dan dapatkan Arduino atmega328 melakukan untuk revolusi industri yang maju saat sekarang [7], semua proses sehingga board mikrokontroller ini dapat sensor merubah cara pandang manusia dalam menjadi pengendali robot agar bekerja sebagaimana menangani masalah, karena sensor sama halnya alat mestinya? indra yang ada pada manusia. Dengan sensor inilah alatalat industri dan robotika dapat memahami kondisi 2. Tinjauan Pustaka lungkungan sekitar. 2.1 Autonomous Robot Secara umum barcode digunakan sebagai UPC Banyak penelitian yang mengambil tema robotik, (Universal Price Code) atau pembaca harga barang robotik sudah menjadi bagian manufaktur yang maju secara otomatis, namun juga dipakai pada kartu identitas lebih dari setangah abad. Robot dan peralatan peripheral dan surat pos untuk identifikasi jumlah produk tertentu sudah menjadi sangat canggih, handal, dan dalam bentuk [8]. Barcode secara umum memiliki 2 jenis simbol yakni miniatur. Sistem ini banyak dimanfaatkan dalam bidang barcode lenear (1D), dan barcode Matrix (2D) yang banyak digunakan, namun ada juga barcode 3D yang hiburan, militer, dan pengawasan. [1] sudah ada dan sedang dikembangkan. [9]. Gambar Menurut [2], Robotika adalah bidang ilmu yang campur barcode 1D dan 2D dapat dilihat pada Gambar 1. aduk, seperti : transformasi geometris, teori control, sistem operasi real time, Motor DC dan stepper, dan Pemrosesan digital. Paling utama dalam robotik adalah sistem kontrol, dimana sistem kontrol mencakupi proses umpan balik bekerja sama dengan mesin fisik [3]. Biasanya design sistem kontrol ini dimaksudkan pada kondisi loop terbuka dan loop tertutup.

Gambar 1. Barcode 1D dan 2D[10]

Robot Autonomous menangani satu fungsi khusus, dimana didalam penelitian ini bertugas untuk melayani Dengan menggunakan barcode inilah, robot akan mendeteksinya serupa jadi sensor, dimana sensor akan pelanggan. membaca kode barcodenya dan Arduino Atmega328 2.2 Catu Daya yang akan memproses. Sebagai Penyuplai tegangan dibutuhkan rangkaian catu 2.5 Pelayan Toko (Sales) daya yang stabil, rangkaian catu daya yang dibutuhkan adalah sebagai sumber tenaga robot agar robot dapat Peran sales pada pertokoan dimanfaatkan untuk beroperasi dengan baik. Catu daya merupakan rangkaian melayani konsumen dan bertanggung jawab pada filter penyearah, sehingga rangkaian tersebut akan penjualan. Banyak kondisi terjadi jika penjualan merubah tegangan AC menjadi DC. Menurut [4] menurun yang disalahkan adalah sales. Jadi disini akan rangkaian yang sederhana dapat menggunakan terlihat sekali peran sales sunguh sangat penting. Proses komponen dasar elektronika seperti transformator, niaga yang dilakukan perorangan maupun perusahaan tak lain adalah untuk memproleh laba yang optimal penyearah (dioda), resistor, kapasitor, dan induktor. untuk keberlangsungan hidup perusahaan. [11] 2.3 Arduino Atmega328 Hampir tujuh ratus ribu jenis Arduino beredar dipasaran, dari jumlah tersebut, mikrokontroller Arduino Atmega328 terdiri dari 14 input dan output pin analog dan digital (dari 6 pin yang dianggap sebagaipin PWM), 6 input analog dan digital yang tersisa. Kabel soket daya digunakan untuk menghubungkan papan arduno dengan komputer. [5]

3. Metodologi Penelitian Proses penyelesaian masalah dalam penelitian ini menyadur metode waterfall yang dirubah sedemikian rupa. Metode waterfall sendiri memiliki tahapantahapan seperti : planning, analysis, design, implementation, testing dan maintenance. [12]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 398

Ikhsan, Ade Afdhika Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 3.1 Planning Penelitian diawali dengan perncanaan pendahuluan dan pengumpulan data. Penelitian pendahuluan merupakan tahapan yang penting dalam penelitian, dengan penelitian pendahuluan inilah kita bisa menggali informasi-informasi awal yang akan menguatkan asumsi-asumsi[13]. Pengumpulan data dilakukan dengan model pengamatan langsung di beberapa toko dan mencari referensi-referensi yang menguatkan isi asumsi.

suplay (Catu Daya). Power button di manfaatkan untuk memutus dan menyambungkan sistem dengan sumber tegangan. Untuk pembacaan barcode di butuhkan sensor barcode yang berperan sebagai input. Proses akan dilakukan oleh Arduino Atmega328, serta ouput berupa suara yang di eksekusi oleh Modul Mp3 dan gerakan tangan yang dijalankan oleh motor servo.

Input

Proses

Output

Bisa Mendeteksi Jenis Barang dengan Pembacaan Barcode)

Bisa Menyampaikan proses pembacaan Barcode dan bisa menjabarkan produk lewat suara Robot

Robot dapat bersuara memberikan keterangan produk serta menggerakkan tangan saat memberikan keterangan

3.2 Analysis Berdasarkan masalah yang sudah di identifikasi, dibutuhkan proses analisis data. Hal ini bertujuan untuk menemukan solusi terbaik dari pemecahan masalah. 3.3 Design Perancangan yang dilakukan adalah dengan memanfaatkan blog diagram, contex diagram, dan data flow diagram. Sehingga dengan diagram-diagram tersebut akan mempermudah tahapan implementasi dan pengujian

Gambar 2. Garis Besar Analisis Sistem

3.4 Implementation Setelah dibantu dengan diagram-diagram sebelumnya, tahapan ini bisa dijalankan. Sehingga proses pemasangan perangkat antar blog dan memprogram sistem dapat berjalan dengan baik. 3.5 Testing Ini tahapan terakhir, semua akan di tes baik kinerja masing-masing komponen maupun sistem secara keseluruhan. Apakah sudah berjalan dengan baik atau masih ada bug. 3.6 Maintanance Jika sudah tidak ada kendala, tahapan ini bisa dijalankan dengan mencek apakah perlu ada pengembangan sistem dengan tingkat lanjut, pemeliharaan dan lain sebagainya yang sekiranya perlu dilakukan. 4. Hasil dan Pembahasan Dari hasil analisis diharapkan sistem ini dapat membantu atau bahkan bisa menggantikan pelayanan pada toko. Dalam sistem robot ini melibatkan unit masukkan (input) yang kemudian di proses sehingga menghasilkan dalam bentuk keluaran (output). Garis besar analisis sistem terlihat pada Gambar 2.

Gambar 3. Blog Diagram Sistem

Penjabaran setiap external entity secara keseluruhan dalam sistem ini dapat diGambarkan melalui context diagram. Context diagram merupakan pendefinisian terhadap sistem yang akan dirancang yang bersifat menyeluruh. Context diagram ini digunakan untuk memudahkan dalam proses penganalisisan sistem yang dirancang secara keseluruhan. Context diagram berfungsi sebagai media, yang terdiri dari suatu proses dan beberapa external entity. Contex diagram yang dimaksud dapat dilihat pada Gambar 4. Dari contex diagram diatas dapat didambarkan aliran data seperti tampak pada Gambar data flow diagram pada Gambar 5.

Dari perancangan di atas mempermudah dalam menyusun atar sub bagian dari rangkaian secara fisik Dari analisis di atas dapat dirincikan dalam bentuk blog rangkaian keseluruhan dari masing-masing sub bagian diagram, lihat Gambar 3. seperti pada Gambar 6. Dari hasil analisis, perancangan blog diagram dapat Rangkaian tersebut disusun dan diatur sedemikian rupa mewakili masing-masing subblog. Sebagai pensupport dalam kerangka robot. Serta merta masing-masingnya tegangan dalam sistem maka dibutuhan rangkaian power seperti design robot pada Gambar 7. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 399

Ikhsan, Ade Afdhika Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402

Gambar 7. Kerangka Robot dan tata letak komponen Gambar 4. Contex Diagram Sistem

Modul program dirancang memiliki struktur dengan kualitas yang baik dan mudah dimengerti, maka sebelum pembuatan listing program perlu diawali dengan penentuan logika program. Logika dasar gambaran pada penulisan ini adalah dengan menggunakan flowchart seperti Gambar 8.

Gambar 5. Data Flow Diagram Sistem

Gambar 8. Flowchart Robot

Pengujian dilakukan untuk melihat hasil seperti Gambar 9. Dari Gambar 9 dapat terlihat saat tombol robot diaktifkan, robot akan aktif dan mengeluarkan suara yang sudah terekam. “Hello apa kabar, saya adalah alat pengenal produk menggunakan barcode, silahkan dekatkan barcode produk yang ingin anda ketahui spesifikasinya.”

Gambar 6. Rangkaian Keseluruhan Sistem

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 400

Ikhsan, Ade Afdhika Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 T abel 1.Human Sales VS Robot Sales Pengujian

Human Sales T idak mengetahui semua (lupa) dan tidak rinci

Robot Sales

Pengaruh Mood

Ada yang terpengaruh pada mood, ada yang tidak

T idak berpengaruh pada mood sama sekali

Bahasa T ubuh

Dinamis pada semua anggota tubuh

Statis, hanya pada lengan saja

Ketersediaan waktu

T erbatas

Alwas

Bahasa

Fleksibel

Kaku

Pengetahuan tentang Produk

Gambar 9. Robot Aktif

Mengetahui semua dengan sangat Rinci

5. Kesimpulan Dari penelitian yang sudah dilakukan,dapat ditarik kesimpulan dan saran sebagai berikut. 5.1 Simpulan 1.

2.

Gambar 10. Robot membaca Product

Robot dapat berperan sebagai sales dalam memperkenalkan dan mempromosikan produk dengan cara mendekatkan produk tersebut ke robot Robot dapat menggantkan peran human sales, namun ada beberapa hal yang tidak bisa tergantikan, misal dalam hal Bahasa yang jauh lebih fleksibel atau gerak tubuh yang lebih dinamis

5.2 Saran 1.

Saat didekatkan sebuah produk seperti pada Gambar di atas, robot akan menjelaskan spesifikasi lengkap dari produk tersebut.

Keterbatasan media penyimpanan memori pada mikrokontroller berimbas pada ruang penyimpanan pengenalan produk, alangkah lebih bagus jika disediakan database yang bisa terkoneksi dengan cloud. Lebih mendinamiskan lagi perilaku robot seperti gerak tubuh yang tidak kaku, atau penambahan kosa kata Bahasa sehingga bahasanya lebih fleksibel.

“Xiaomi Redmi Note 3 yang memiliki Bodi 150 x 76 x 2. 8,7 mm, dengan berat164 gram, yang memiliki Prosesor MediaTek Helio X10 octa-core 2.0 GHz, RAM 3 GB dengan penyimpanan internal 32 GB, ukuran layar 5,5 inchi, memiliki kamera depan 5 MP dan kamera belakang 13 MP, dengan kapasitas baterai 4.000 mAh, dan sudah dilengkapi dengan Sensor Fingerprint, Daftar Rujukan accelerometer, gyro, proximity, compass. Jika anda [1] W. Budiharto, “Intelligent Surveillance Robot with Obstacle Avoidance Capabilities Using Neural Network,” Comput.Intell. berminat silahkan menuju ke kasir yang telah Neurosci., vol. 2015, 2015. disediakan. TERIMA KASIH” [2]

Setelah dilakukan pengujian, berikut didapat hasil perbandingan antara Human Sales dengan Robot Sales. [3] Hasil perbandingan dapat dilihat dalam Tabel 1. [4] [5]

P. . Ramaiah, M. Venkateswara Rao, and G. V Satyanarayana, “A Microcontroller Based Four Fingered Robotic Hand,” Int.J. Artif. Intell. Appl., vol. 2, no. 2, pp. 90–102, 2011. S. C. Jacobsen et al., “Research robots for applications in artificial intelligence, teleoperation and entertainment,” Int.J. Rob. Res., vol. 23, no. 4–5, pp. 319–330, 2004. S. Kaputama and J. V. No, “Perancangan Robot PembacaGaris Hitam Berbasis Mikrokontroler,” vol. 7, no. 2,pp.28–37,2014. R. H. Sudhan, M. G. Kumar, A. U. Prakash, S. A. R. Devi, and S. P., “Arduino Atmega-328 Microcontroller,” Ijireeice,vol.3,

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 401

Ikhsan, Ade Afdhika Putra Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 [6]

[7] [8]

[9]

no. 4, pp. 27–29, 2015. R. H. M. Ganesh, K. A. Udhaya, and P. P. Sathya, “Stepper Motor Control using ARDUINO AT MEGA - 328 MicroController saranathan College of Engineering,” Int. J. Sci.Res. Dev., vol. 2, no. 12, pp. 778–780, 2015. M. Hammoudeh and M. Arioua, “Sensors and Actuators in Smart Cities,” J. Sens. Actuator Networks, vol. 7, no. 1, p. 8, 2018. F. Wahyutama, F. Samopa, and H. Suryotrisongko, “ Penggunaan T eknologi Augmented Reality Berbasis Barcode sebagai Sarana Penyampaian Informasi Spesifikasi dan Harga Barang yang Interaktif Berbasis Android, Studi Kasus pada T oko Elektronik ABC Surabaya,” J. Tek. ITS, vol. 2, no.3,pp. A481–A486, 2013. J. Phaniteja and P. D. J. T om, “Evolution of barcode,” Int. J. Develompment Comput. Sci. Technol., vol. 7884, 2010.

[10] R. Article and B. Sciences, “Classification of Dna Barcodes Based on Image Processing T echniques : a Study,” Int. J. Pharma Bio Sci., vol. 7, no. 3, pp. 773–780, 2016. [11]W. A. L. Didik Darmadi, Suharyono, “PENGARUH PROMOSI PENJUALAN T ERHADAP PENJUALAN (Studi Kasus PT . Astra Internasional T bk-T SO Cabang Soetoyo Malang),” J.Adm. Bisnis, vol. 2, no. 1, pp. 21–28, 2013. [12]Y. Suherman, “Sistem Informasi Kearsipan T ata Kelola Surat Pada Kantor Inspeksi Kota Padang,” J. Resti, vol. 1, no.1,pp.9– 18, 2017. [13]R. A. Mahessya, L. Mardianti, and R. Sovia, “Pelanggan Menggunakan Metode Monte Carlo Pada Pt Pos Indonesia ( Persero ) Padang,” J. Ilmu Komput., vol. 6, no.1,pp.15–24,2017.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 397 – 402 402

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 403 – 409

ISSN : 2580-0760 (media online)

Implementasi Augmanted Reality sebagai Media Pengenalan Sains Sederhana Pada Anak Usia Dini Erna T K Aisiyah Batusangkar, [email protected]

Abstract This study aims to determine the increasing knowledge of simple science in Early Childhood in Kindergarten-right Aisyiyah Batusangkar after using Augmanted Reality technology as learning media. The type of research conducted is classroom action research. The research methodology that used in this reasearch was mixed methodology with qualitative and quantitative approach with research subject is 20 children of group B I kindegarten. The technique used in data collection and data analysis in the form of observation and subsequent interview is processed by quantitative descriptive analysis in SPSS. This classroom action research is conducted in two cycles, namely first cycle and second cycle . The introduction of children's Science in first cycle was generally still low with the average value reaches 65 %%, then second cycle plan is revised again and The increasing reaches 99% average value, positive with an increase of 34%. Keywords: Augmented Reality, science, playing early age

Abstrak Penelitian ini bertujuan untuk mengetahui peningkatan pengetahuan sains sederhana pada Anak Usia Dini di Taman Kanakkanan Aisyiyah Batusangkar setelah penggunaan teknologi Augmanted Reality sebagai media pembelajaran. Jenis penelitian yang dilaksanakan adalah penelitian tindakan kelas, metodologi penelitian yang dipakai adalah metodologi campuran (Mixing Method) dengan pendekatan kualitatif dan kuantitatif dengan subjek penelitian Taman Kanak-kanak Aisyiyah Batusangkar pada kelompok B I yang berjumlah 20 orang anak. Teknik yang digunakan dalam pengumpulan data dan analisis data berupa observasi dan wawancara selanjutnya diolah dengan analisis deskriptif kuantitatif pada SPSS. Penelitian tindakan kelas ini dilakukan dalam dua siklus yaitu siklus I dan siklus II. Pengenalan Sains anak pada siklus I pada umumnya masih rendah dengan nilai rata-rata mencapai 65%%, selanjutnya rencana siklus II direvisi kembali dan pada siklus II peningkatan pengenalan sains anak jadi lebih meningkat yaitu mencapai nilai rata-rata 99%, serta menunjukkan hasil yang positif dengan peningkatan sebesar 34%. Kata kunci: Augmanted Reality, sains, bermain usia dini © 2018 Jurnal RESTI

1. Pendahuluan Pendidikan Anak Usia Dini adalah suatu upaya pembinaan yang ditujukan kepada anak sejak lahir sampai usia enam tahun yang dilakukan melalui pemberian rangsangan pendidikan untuk membantu pertumbuhan dan perkembangan jasmani dan rohani, agar anak memiliki kesiapan dalam memasuki pendidikan lebih lanjut[1]. Selain itu, Peraturan Menteri Pendidikan Nasional Nomor 137 Tahun 2014 tentang Standar Nasional Pendidikan Anak Usia Dini dan tingkat pencapaian perkembangan menggambarkan pertumbuhan dan perkembangan yang diharapkan dicapai anak pada rentang usia tertentu.

pembiasaan prilaku dan bidang kemampuan dasar. Selanjutnya dijelaskan bahwa bidang pengemban gan pembiasaan perilaku merupakan kegiatan yang dilakukan secara terus menerus dalam kehidupan seharihari, sedangkan bidang pengembangan kemampuan dasar merupakan kegiatan yang dipersiapkan oleh guru untuk meningkatkan kemampuan kognitif, bahasa, fisik /motorik.

Pengembangan pembelajaran sains pada anak usia taman kanak-kanak mempunyai peran yang sangat penting dalam menstimulasi kognitif, membantu meletakkan dasar kemampuan dalam pembentukan sumber daya manusia yang diharapkan. Pengembangan sains di Taman Kanak-kanak Ruang lingkup pengembangan pembelajaran di Taman pembelajaran dikembangkan melalui kegiatan bermain, karena masa Kanak-kanak di bagi ke dalam bidang pengembangan Diterima Redaksi : 02-04-2018 | Selesai Revisi : 18-04-2018 | Diterbitkan Online : 26-04-2018 403

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 kanak-kanak adalah masa bermain sebagaimana prinsip belajar di Taman kanak-kanak yaitu: ”Bermain sambil belajar dan belajar seraya bermain”.Kognitif merupakan suatu proses berfikir, yaitu kemampuan individu untuk menghubungkan, menilai dan mempertiambangkan suatu kejadian atau peristiwa. Proses kognitif berhubungan dengan tingkat kecerdasan (Inteligensi) yang mencirikan sesorang dengan berbagai minat terutama sekali ditujukan kepada ide-ide dalam belajar[2]. Pembelajaran sains bagi anak-anak adalah segala sesuatu yang menakjubkan, sesuatu yang ditemukan dan dianggap menarik serta memberikan pengetahuan atau merangsang untuk mengetahui dan menyelidikinya. Secara konseptual terdapat sejumlah pengertian dan batasan sains yang dikemukakan para ahli terkait pengertian sains. Sains didefinisikan sebagai bidang ilmu alamiah dengan ruang lingkup zat dan energi, baik yang terdapat pada makluk hidup maupun makluk tak hidup, sedangkan James Conant menyebut sains sebagai satu deretan konsep serta skema konseptual yang berhubungan satu sama lain yang tumbuh sebagai hasil serangkaian percobaan dan pengamatan serta dapat diamati dan diuji coba lebih lanjut[3].

sehingga anak tertarik dalam pembelajaran sains yang menyenangkan dan potensi anak pun tergali secara maksimal, tentunya tidak cukup dengan media yang menarik saja tetapi diiringi dengan metode dan teknik yang tepat. Berdasarkan hasil pengamatan peneliti di Taman Kanak-kanak Aisyiyah Batusangkar pada Tahun Ajaran 2017/2018 pada semester I di kelompok B I kemampuan kognitif anak terhadap pemahaman konsep sains kurang berkembang. Sebagian besar anak belum mampu mengklasifikasikan benda berdasarkan fungsi, bers ikap eksploratif terhadap benda, ataupun memprediksi urutan berikutnya.

Permasalahan utama yang menyebabkan hal tersebut adalah kurangnya media pembelajaran yang menarik serta strategi yang digunakan oleh guru kurang maksimal sehingga berdampak pada kurangnya minat anak dalam proses pembelajaran sains yang disediakan. Pembelajaran sains selalu terkait dengan media untuk bereksplorasi sehingga keterbatasan media pembelajaran secara langsung memiliki pengaruh terhadap pengembangan pengetahuan sains anak. Anak menjadi tidak berminat dan cepat bosan saat pembelajaran sains, anak cenderung melakukan Pembelajaran sains dapat merangsang aspek kegiatan hanya yang berkaitan dengan menulis dan perkembangan anak seperti perkembangan kognitif, berhitung. afektif, psikomotorik, dan kreatifitas anak pengembangan kognitif merupakan hasil belajar yang Salah satu metode yang dapat diterapkan untuk bersifat intelektual atau pengetahuan, adapun afektif mengatasi permasalahan ini adalah melalui permainan berkenan dengan sikap, selanjutnya psikomotorik atau metode bermain. Metode bermain adalah suatu cara berkenaan dengan keterampilan dan kemampuan mengajar melalui bermacam-macam bentuk kegiatan bertindak. Oleh karena itu, peran media pembelajaran yang memberikan kesenangan atau kepuasan pada diri berupa alat permainan edukatif yang digunakan sebagai anak yang bersifat nonserius dan bahan mainan sarana belajar di Taman Kanak-kanak sangat penting, terkandung dalam kegiatan yang secara imajinatif karena alat permainan yang memenuhi syarat-syarat ditransformasi oleh orang dewasa sesuai dengan akan menentukan terjadinya proses pembelajaran yang kebutuhannya. Metode bermain dapat memuaskan bermutu. tuntutan dan kebutuhan perkembangan dimensi motorik, kognitif, kreatifitas, emosi, sosial, nilai, bahasa dan Pembelajaran sains di Taman Kanak-kanak yang sikap hidup. terpenting bukannya menyerap pengetahuan sebanyakbanyaknya, melainkan bagaimana anak dapat mengingat Semua aspek perkembangan anak dapat ditingkatkan dan mengendapkan pengalaman yang diperoleh, serta melalui bermain. Anak dapat berekspresi dan bagaimana anak menggunakan konsep dan prinsip yang bereksplorasi untuk memperkut hal-hal yang sudah dipelajarinya itu dalam lingkup kehidupannya atau diketahui dan menemukan hal-hal baru serta belajarnya Jika anak diharapkan menguasai konsep- mengembangkan potensi secara optimal, baik potensi konsep terkait dengan sains, maka guru harus fisik maupun mental intelektual dan spiritual, bermain memfasilitasi mereka dalam menguasainya melalui merupakan jembatan bagi perkembangan semua aspek observasi, demonstrasi, diskusi, percobaan atau anak[4]. eksperimen dengan media yang relevan. Ketika guru Perkembangan teknologi informasi telah menginisiasi membimbing pembelajaran sains, perasaan anak lahir dan berkembangnya Augmanted Reality sehingga berkembang tentang apa yang dipelajarinya dan dapat ditemukan disemua tempat di sekolah di rumah dan pemanfaatannya pun merambah pada berbagai bidang, salah satunya adalah pendidikan. Augmanted Reality sebagainya. adalah cara baru dan menyenangkan dimana manusia Dari uraian di atas dapat kita lihat bahwa peran guru berinteraksi dengan komputer, karena dapat membawa untuk memfasilitasi terjadinya perkembangan objek virtual ke lingkungan pengguna, memberikan kemampuan berfikir anak sangat penting. Untuk itu pengalaman visualisasi yang nyata[5]. guru dituntut mempunyai kreatifitas yang tinggi dalam menciptakan media pembelajaran yang inovatif, Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 404

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 Berdasarkan latar belakang yang telah diuraikan di atas, maka tertarik untuk melakukan penelitian yang berjudul “Pengenalan Sains Sederhana Pada Anak Usia Dini Melalui Media Augmanted Reality di Taman Kanakkanak Aisyiyah Batusangkar.”

keterampilan menghitung, mengenal bentuk dan warna untuk merangsang anak berfikir secara logis agar anak aktif, kreatif dan menyenangkan dalam penbelajaran sains. Melalui permainan dengan media Augmanted Reality ini dapat berkontribusi bagi pembelajaran sains anak berupa pengalaman langsung yang lebih membekas, menyenangkan, berkesan, membangun sikap positif, kerja sama, dan mengundang rasa ingin tahu yang besar sehingga aspek perkembangan anak dapat berkembang secara optimal mungkin

Adapun rumusan masalah dalam penelitian ini adalah “Bagaimana peningkatan pengetahuan sains sederhana Anak Usia Dini di Taman Kanak-kanak Aisyiyah Batusangkar melalui media Augmanted Reality?”. Tujuan penelitian ini antara lain yaitu untuk mengetahui peningkatan pengetahuan sains sederhana pada Anak 3 Metodologi Penelitian Usia Dini di Taman Kanak-kanan Aisyiyah Batusangkar setelah penerapan permainan melalui media Augmanted Penelitian ini merupakan penelitian berbentuk penelitian Reality. tindakan kelas. Penelitian tindakan kelas adalah penelitian yang berupaya meningkatkan kualitas proses 2. Tinjauan Pustaka dan hasil belajar melalui suatu tindakan berbentuk siklus berdasarkan pencermatan guru yang mendalam terhadap 2.1 Anak Usia Dini permasalahan yang terjadi dan berkeyakinan akan Anak usia dini adalah anak usia lahir hingga 6 tahun mendapatkan solusi terbaik bagi siswa di lingkungan yang berada dalam proses pertumbuhan dan kelasnya sendiri[9]. Penelitian dilakukan pada perkembangan yang bersifat unik, artinya memiliki pola kelompok B I Taman Kanak-kanak Aisyiyah pertumbuhan dan perkembangan fisik (koordinasi Batusangkar Tahun Ajaran 2017/2018 yang motorik halus dan kasar), kecerdasan (daya pikir daya dilaksanakan pada semester I (ganjil) dengan jumlah cipta, kecerdasan emosi, kecerdasan emosi kecerdasan anak 20 orang yang terdiri dari 9 orang laki-laki dan 11 spiritual) sosial-emosional (sikap dan perilaku serta orang perempuan. Metodologi penelitian yang agama), bahasa dan perkembangan yang sedang dilalui digunakan adalah metodologi Mixing Method oleh anak tersebut[6]. Perkembangan fisik anak ditandai (metodologi campuran) dengan pendekatan kualitatif dengan keaktifan anak untuk melakukan kegiatan yang dan kuantitatif. Adapun variabel dalam penelitian terdiri bermanfaat untuk pengembangan otot kecil maupan otot dari dua variabel yaitu variabel bebas dan variabel besar[7]. terikat. Variabe bebas dalam penelitian ini adalah Usia 0-6 tahun merupakan The Golden Age (Masa emas) metode bermain menggunakan Augmanted Reality yang hanya datang sekali dan tidak dapat diulang, sedangkan variabel terikatnya adalah kemampuan perkembangan yang terjadi dimasa awal cenderung kognitif dalam pengetahuan sains sederhana. permanen dan mempengaruhi sikap dan perilaku anak Penelitian tindakan kelas diarahkan kepada usaha guru sepanjang hidupnya. anak usia dini merupakan masa dalam memperbaiki dan meningkatkan pembelajaran pertumbuhan dan perkembangan yang sangat penting, yang dilaksanakan dalam proses belajar mengajar di oleh sebab itu perlu memberikan stimulasi, rangsang dan dalam kelasnya sendiri dengan melibatkan anak didik motivasi sehingga pada saat yang tepat aspek-aspek melalui tindakan yang direncanakan, dilaksanakan dan perkembangan anak dapat berkembang secara optimal dievaluasi, serta memperbaiki kinerja sebagai guru dimana hasil ini akan berpengaruh besar terhadap dalam melaksanakan kegiatan belajar mengajar. kualitas anak dimasa dewasanya[8]. Hal ini menunjukkan bahwa melakukan pendidikan berupa Penelitian tindakan kelas ini dilaksanakan dalam dua pengenalan sains sederhana dengan cara-cara yang siklus, yaitu siklus I dan siklus II yang dimulai pada sesuai dengan pola perkembangan anak sangat baik bagi siklus pertama dengan tiga kali pertemuan dan siklus kedua tiga kali pertemuan untuk siklus kedua sangat perkembangan kemampuan kognitif anak. ditentukan hasil refleksi pertama. Penelitian dilakukan 2.2 Augmanted Reality melalui proses yang dinamis dan komplementari yang Augmanted Reality (AR) adalah kombinasi antara dunia terdiri dari empat momentum esensial yaitu pertama, maya (virtual) dan dunia nyata (real) yang dibuat oleh perencanaan. komputer. Objek virtual dapat berupa teks, animasi, Tahap perencanaan adalah merupakan awal pelaksanaan model 3D atau video yang dihubungkan dengan penelitian dengan tujuan agar tindakan yang dilakukan lingkungan sebenarnya sehingga pengguna merasakan dapat terlaksana secara terarah dengan tujuan yang jelas; objek virtual di lingkungannya. Pemanfaatan teknologi Tahap kedua, pelaksanaan. Tindakan utama dalam Augmanted Reality ini dapat dilakukan dengan tujuan pelaksanaan pembelajaran adalah yang telah dituangkan untuk pengenalan sains serderhana kepada anak usia dini dalam rencana kegiatan hariaan mulai dari kegiatan awal berupa pengelompokkan benda, melakukan percobaan sampai kegiatan akhir ; ketiga : Observasi dan Evaluasi. mengembangkan dan melatih motorik halus, Observasi dilakukan secara bersamaan saat pelaksanaan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 405

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 proses belajar berlangsung. pengamatan merupakan serangkaian kegiatan mengenali, merekam, mendokumentasikan dan mengamati perubahanperubahan yang terjadi dan hasil yang dicapai sebagai dampak dari tindakan yang dilakukan. Observasi ini bertujuan untuk mengumpulkan data selama penelitian berlangsung yang tertera dalam format observasi ; dan tahap keempat : Refleksi. Merefleksi berarti mencoba melihat dan merenungkan kembali apa yang telah dilakukan dan apa hasilnya terhadap proses belajar, untuk mengetahui kelemahan dan kekuatan dari tindakan yang telah kita lakukan. Merumuskan tindakan yang perlu dilakukan selanjutnya dan menjelaskan bagai mana melakukannya. Perhatikan Gambar 1.

T abel 1 Kategori Peningkatan Pengetahuan Kognitif Anak [10] Persentase

Kriteria

Nilai

90%-100%

Baik Sekali (BS)

4

80%-89%

Baik (B)

3

70%-79%

Cukup (C)

2

<70%

Kurang (K)

1

Untuk melakukan analisis terhadap peningkatan pengetahuan sains anak antara sebelum tindakan kelas dengan sesudah tindakan penggunaan media Augmanted Reality dapat dilakukan uji T Paired dengan penggunaan SPSS. Uji T Paired merupakan uji komparatif data yang yang biasa disebut dengan istilah Pairing T Test. T Paired menguji beda parametris dua data yang berpasangan. Melalui analisis ini dapat diketahui seberapa besar korelasi pemanfaatan Augmanted Reality dapat mempengaruhi tingkat pengetahuan sains sederhana pada anak. 4. Hasil Pembahasan

Gambar 1. Siklus PT K

Pengumpulan data pada penelitian ini dilakukan melalui 3 (tiga) cara berikut, yaitu Teknik Observasi, Teknik Wawancara dan Teknik Dokumentasi. Data yang telah dikumpulkan diolah dengan menggunakan dua metode analisis data yaitu lembaran observasi hasil pengamatan anak dan analisis statistik deskriptif kuantitatif. Pengolahan data dari lembaran observasi dilakukakan dengan mengolah data yang diperoleh selama penelitian berlangsung dianalisis untuk memperoleh hasil yang maksimal terhadap penelitian tindakan kelas yang telah dilakukan. Hasil analisis ini dimasukkan kedalam lembaran observasi data yang diperoleh selama proses pembelajaran diolah dengan teknik persentase[10] yaitu : A = F N

x

100 %

(1)

Keterangan A= Aktivitas anak F = Jumlah anak yang terlibat dalam setiap aspek N= Jumlah anak dalam satu kelas Analisis deskriptif kuantitatif adalah cara pengolahan data yang dilakukan dengan menganalisa data angka agar dapat memberikan gambaran secara ringkas dan jelas sehingga dapat ditarik pengertian dan makna tertentu. Peningkatan aktivitas anak ditentukan berdasarkan kreteria yang telah disesuaikan dengan karakteristik pada TK Aisyiyah Batusangkar. Lihat Tabel 1.

Hasil penelitian menunjukkan ada perubahan cukup signifikan yang diperoleh melalui penerapan permainan Augmanted Reality terhadap pengetahuan sains sederhana anak. Penilaian pengetahuan tersebut didasarkan pada tujuh indikator yaitu terkait dengan ketertarikan anak dengan permainan Augmanted Reality, anak dapat menyebutkan kegunaan gambar, anak dapat mengelompokan gambar, anak dapat mengemukakan pendapatnya tentang percobaan yang dilakukan, anak dapat memprediksi urutan berikutnya, anak dapat bermain bersama dan percaya diri dalam melakukan kegiatan permainan Augmanted Reality, dan anak senang bermain Augmanted Reality. Penilaian terhadap ketujuh indikator tersebut dilakukan penghitungan sehingga dapat diperoleh nilai rata-rata untuk setiap pertemuan tindakan. Dalam penelitian tindakan kelas ini, tindakan utama dalam pelaksanaan penelitian dimulai dengan penyusunan rencana kegiatan harian mulai dari kegiatan awal hingga kegiatan akhir. Pada awalnya, peneliti melakukan analisis kurikulum untuk menentukan indikator yang akan dikembangkan dalam permainan Augmanted Reality yang dipersiapkan dalam bentuk Rencana Kerja Mingguan (RKM) serta dijabarkan dalam bentuk Rencana Kerja Harian (RKH) yang berisikan tentang peningkatan pengenalanan sains sederhana pada anak. Pada kondisi awal sebelum penelitian dan tindakan dilakukan ditemukan bahwa sebagian besar anak kurang tertarik dalam pembelajaran sains. Penilaian terhadap 20 orang anak berdasarkan ketujuh indikator tersebut mendapat nilai baik sebanyak 11%, yang memperoleh nilai cukup 13%, sedangkan 76% mendapat nilai kurang. Hal ini menunjukkan bahwa pada umumnya

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 406

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 kemampuan pembelajaran sains melalui permainan 3. Berdasarkan hasil rata-rata yang dicapai, Augmanted Reality belum mencapai kreteria ketuntasan pembelajaran yang dilaksanakan relatif baik minimum (KKM) yang ditetapkan yaitu 75%. Lihat terhadap rata-rata anak. Namun berupa dorogan serta Gambar 2. motivasi harus tetap diberikan supaya anak tidak bosan Ba i k , 10% Cukup, 14%

Kura ng, 76%

Hasil penelitian juga menunjukkan bahwa ada beberapa hal yang perlu disempurnakan pada Siklus II, yaitu sebagai berikut: a. Ukuran alat peraga yang dipakai terlalu kecil sehingga anak mengalami kesulitan dalam melaksanakan kegiatan pembelajaran . b. Kondisi kurang kondusif karena dalam permainan anak ingin semuanya melakukan terlebih dahulu anak kurang sabar sehingga terjadi kegaduhan c. Jika guru kurang memperhatikan anak maka anak tidak akan percaya diri melakukan permainan

Gambar 2. Kondisi Pemahaman Anak T erhadap Sains Sederhana Hal ini kemudian menjadi dasar bagi pelaksanaan siklus Sebelum Penelitian

Adapun pada kondisi awal ini tidak terdapat satu indikatorpun yang menunjukkan pemahaman anak dalam kondisi baik sekali (>90%). Pada masa ini, hanya 5% anak yang memiliki nilai ketertarikan dengan alat permainan. 10% anak diketahui dapat menyebutkan kegunaan suatu benda, mengelompokkan benda dan senang bermain. 15% anak dapat memprediksi urutan berikutnya dan anak dapat bermain bersama dengan percaya diri. Sedangkan sisanya nilai anak cenderung cukup dan didominasi kurang.

II dengan mempertimbangkan cara menyampaikan pembelajaran dengan permainan yang disenangi anak, memakai media yang sesuai dengan perkembangan anak, serta dekat dengan anak, dan dilakukan dalam suasana yang menyenangkan, bimbingan yang lebih kepada anak agar anak lebih mudah mengerti serta dorogan serta motivasi agar anak tidak bosan. Pembelajaran anak usia dini haruslah berpusat kepada anak sesuai dengan kebutuhan anak serta lingkungan yang kondusif dan menyediakan berbagai media sumber belajar agar potensi yang dimilikinya dapat dikembangkan melalui pembelajaran aktif.

Berdasarkan capaian hasil belajar yang diperoleh anak pada siklus II ditemukan tiga hal berikut, yaitu anak senang dengan alat permainan Augmanted Reality dapat menyebutkan kegunaan gambar yang ditampilkan dalam Augmanted Reality, dan mau melakukan percobaan. Peningkatan ini dapat terlihat pada siklus II yang telah mencapai kreteria ketuntasan menimum yang telah ditetapkan, ini dapat dilihat pada persentase nilai ratarata pada pertemuan siklus II sebagai berikut: a. Pertemuan I anak yang mendapatkan nilai baik sekali 19% yang mendapat nilai baik 56%, mendapat nilai cukup 19% dan nilai kurang 6%. b. Pertemuan II anak yang mendapat nilai amat baik 23% yang mendapat nilai baik 61%, yang mendapat nilai cukup14% dan nilai kurang 2% c. Pertemuan III anak yang mendapatkan nilai amat 1. Cara menyampaikan pembelajaran kepada anak baik 27% yang mendapatkan nilai baik 63%, yang masih perlu disempurnakan yaitu permainan yang mendapat nilai cukup 9% dan yang mendapat nilai disenangi anak, memakai media yang sesuai dengan kurang 1% perkembangan anak, serta dekat dengan anak, dan Adapun hasil perbandingan pengetahuan sains anak dilakukan dalam suasana yang menyenangkan. 2. Masih ada anak yang belum menyenangi permainan mengalami peningkatan dari setiap pertemuannya, Augmanted Reality dan menemui kesulitan dalam sebagaimana pada Gambar 3. melakukan percobaan, oleh karena itu pada siklus II guru perlu memberikan bimbingan yang lebih kepada anak agar anak lebih mudah mengerti. Sebelum melakukan tindakan Siklus I, dilakukan perencanaan dengan komponen-komponen indikator yang dikembangkan, kegiatan pembelajaran, alat dan sumber serta penilaian, selanjutnya menentukan metode pembelajaran yaitu bercakap-cakap, percobaan dan pratek langsung dengan mempersiapkan media Augmanted Reality. Meski menunjukan peningkatan pada akhir siklus I, namun masih ditemukan anak yang belum tertarik dengan permainan Augmanted Reality, belum dapat mengemukakan pendapatnya tentang percobaan yang telah dilakukannya, serta anak belum percaya diri dalam melakukan permainan. Berdasarkan hal tersebut, peneliti menyusun perencanaan untuk pelaksanaan tindakan kelas siklus II dengan memperhatikan hal sebagai berikut :

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 407

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 tindakan kelas berupa dua siklus tersebut. Peningkatan indikator tertinggi dapat dilihat adalah anak dapat menyebutkan kegunaan gambar dan mengelompokkan gambar. Sedangkan indikator lain, rata-rata meningkat 80%-85%. Lihat Tabel 2. T abel 2. Peningkatan Indikator Pemahaman Pengetahuan Anak T erhadap Sains Sederhana

Indikator Pemahaman Pengetahuan Anak terhadap Sains Sederhana Gambar 3. Grafik Peningkatan Pemahaman Sain Sederhana Anak Selama Siklus Penelitian

Gambar 3 menunjukan grafik perkembangan kemampuan kognitif anak dari sebelum tindakan hingga Siklus Kedua Pertemuan Ketiga. Berdasarkan grafik diatas terlihat bahwa ada peningkatan persentase yang sangat signifikan pada kategori Baik dan Baik Sekali serta penurunan pada kategori cukup dan kurang. Pada kondisi sebelum tindakan hasil observasi terhadap pengenalan sains anak didominasi oleh kriteria kurang (76%) dan cukup (14%), hal ini berbanding terbalik dengan kondisi pada siklus kedua pertemuan ketiga. Secara konstan, tiap pertemuan berhasil meningkatkan persentase kategori baik dan baik sekali dari 0% kategori baik sekali dan 10% kategori baik, menjadi 27% kategori baik sekali dan 63% kategori baik diakhir pertemuan.

Anak tertarik dengan alat permainan Augmanted Reality Anak dapat menyebutkan gambar Anak dapat mengelompokan gambar Anak dapat mengemukakan pendapatnya tentang percobaan yang dilakukan Anak dapat memprediksi urutan berikut Anak dapat bermain bersama dan percaya diri dalam melakukan permainan Anak senang bermain Augmanted Reality

Persentase Pengetahuan Anak terhadap Sains Sederhana Sebelum Sesudah T indakan T indakan 5% 90% 10% 10% 5%

95% 95% 85%

15% 15%

80% 90%

10%

95%

Permainan dengan Augmanted Reality terbukti dapat meningkatkan kemampuan pengenalan anak terhadap sains sederhana. Namun kemampuan guru merupakan aspek yang juga penting daam mengembangkan kemampuan anak. Strategi pembelajaran yang menyenangkan akan memberi kontribusi terhadap hasil belajar anak dalam upaya mengembangkan sains anak sehingga kecerdasan anak meningkat.

Uraian diatas menunjukkan bahwa permainan Augmanted Reality untuk meningkatkan pengenalan sains anak dilihat dari rata-rata pencapaian kemampuan secara keseluruhan sudah tercapai kreteria ketuntasan menimum (KKM). Peningkatan pengenalan sains sederhana di Taman Kanak-kanak Aisyiyah Batusangkar terjadi mulai dari kondisi awal, Siklus I dan Siklus II yaitu 90%. Berarti permainan Augmanted Reality dapat meningkatkan pengenalan sains sederhana pada Anak Usia Dini di Taman Kanak-kanak Aisyiyah Batusangkar melebihi Kreteria Ketuntasan Menimum (KKM) 75%.

Suasana lingkungan juga merupakan hal yang mempengaruhi peningkatan kemampuan anak. Situasi yang kondusif dan dilakukan dengan pola bermain sambil belajar akan dapat mengembangkan perkembangan bahasa, kognitif dan motorik halus anak sehingga informasi yang diterima anak dapat diaplikasikan secara langsung. Selain itu alat peraga/media pembelajaran yang menarik dan bervariasi yang dekat dengan anak membuat anak senang serta percaya diri dalam melakukan kegiatan.

Dengan merujuk pada konversi nilai dimana sangat baik dilambangkan dengan angka 4 dan pemahaman yang kurang dilambangkan dengan skor 1, maka terlihat bahwa rata-rata nilai pemahaman sains sederhana anak sebelum dilakukan penelitian adalah 1.5080. Angka ini secara signifikan meningkat pada akhir pertemuan dengan rata-rata atas 20 anak sebesar 3.1155.

5.1 Simpulan

Hasil analisis T Paired menunjukkan bahwa nilai Sig. (2tailed) yaitu 0.00 < 0.05, maka dapat disimpulkan bahwa terdapat perbedaan signifikan antara sebelum dan sesudah permainan dengan menggunakan Augmanted Reality. Ditinjau berdasarkan tujuh indikator yang telah disebutkan tadi, ketujuh indikator tersebut mengalami peningkatan yang cukup signifikan setelah melewati

5. Kesimpulan

Berdasarkan hasil penelitian yang telah dilaksanakan tentang pengenalan sains melalui Augmanted Reality dapat disimpulkan bahwa penerapan strategi pembelajaran dalam upaya peningkatan perkembangan sains anak melalui permainan dengan media Augmanted Reality, telah berhasil meningkatkan pengenalan sains anak dalam belajar. Pada awalnya rata-rata pemahaman anak terhadap sains pada ketujuh indikator adalah 10%, angka ini meningkat pesat setelah penelitian menjadi 90%. Peningkatan pengenalan sains anak dapat dilihat dari peningkatan nilai anak, serta peningkatan persentase jumlah anak yang mendapat nilai yang lebih baik sebelum dilakukan tindakan.Hasil penelitian ini juga mengungkapkan bahwa strategi pembelajaran yang menyenangkan dengan memakai sarana belajar

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 408

Erna Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 permainan Augmanted Reality juga membantu meningkatkan hasil belajar anak. Alat permainan Augmanted Reality selain meningkatkan sains anak juga dapat meningkatkan kemampuan kognitif, bahasa motorik halus, serta dapat mengembangan sosialemosional anak dalam bermain

berhubungan dengan percobaan-percobaan dalam pembelajaran untuk meningkatkan pengenalan sains anak. Ketiga disarankan kepada guru-guru di masa yang akan datang untuk dapat mengeksploitasi lebih mendalam tentang alat permaian dengan Augmanted Reality sehingga pengenalan sains anak akan lebih meningkat.

Perkembangan sains anak Taman Kanak-kanak Aisyiyah Batusangkar setelah dilaksanakan penelitian DAFTAR PUSTAKA tindakan kelas menunjukkan hasil yang lebih baik sehingga anak tertarik dengan permainan Augmanted [1] Undang-undang Nomor 20 T ahun 2003 T entang Sistem Pendidikan Nasional Reality dapat menyebutkan kegunaan Augmanted [2] Sujiono,Yuliani, Nuriani. Dkk. 2006. Metode Reality, mengelompokkan benda, dapat memprediksi Pengembangan kognitif. Jakarta: Universitas T erbuka urutan berikutnya serta anak percaya diri dan senang [3] Nugraha, Ali. 2005. Pengembangan Pembelajaran Sains Pada Anak Usia Dini. Jakarta: Depdiknas melakukan kegiatan percobaan [4]

Berdasarkan uraian di atas, dapat diambil kesimpulan akhir dari penelitian ini bahwa penelitian tindakan kelas yang dilaksanakan melalui permainan Augmanted Reality dapat membantu pengenalan sains sederhana anak Taman Kanak-kanak Aisyiyah Batusangkar. 5.2 Saran Berdasarkan pembahasan kesimpulan yang telah diperoleh dalam penelitian ini dapat diberikan saran saran sebagai berikut, pertama, disarankan kepada para guru untuk dapat mencoba cara-cara yang diterapkan dalam penelitian ini, dengan berbagai cara dan variasinya dalam pembelajaran di sekolah. Kedua disarankan kepada pihat sekolah supaya menyediakan alat permainan dan alat peraga khususnya yang

Musbikin, Imam. 2010. Buku Pintar PAUD. Yogjakarta: Laksana. [5] Nazrudin, S. 2012, Android Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. Bandung: Informatika Bandung [6] Depdiknas, 2004. Sosialisasi Pendidikan Anak Usia Dini. Jakarta: Depdiknas. [7] Aisyah, Siti, Dkk. 2007. Perkembangan dan Konsep Dasar Pengembangan Anak Usia Dini. Jakarta: Universitas T erbuka. [8] Dwijana,Widarmi.2008.Kurikulum Anak Usia Dini. Jakarta: Universitas T erbuka. [9] Arikunto, Suharsimi, 1995. Manajemen Penelitian. Jakarta: Rineka Cipta [10] Arikunto, Suharsimi, 1995. Manajemen Penelitian. Jakarta: Rineka Cipta

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 403 – 409 409

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 410 – 415

ISSN : 2580-0760 (media online)

Identifikaasi Tingkat Kerusakan Peralatan Laboratorium Komputer Menggunakan Metode Rough Set a

Hengki Juliansa a, Sarjon Defit b , Sumijan c

Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia YPT K Padang, [email protected] b Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia YPT K Padang, [email protected] c Pasca Sarjana, Magister Komputer, Universitas Putra Indonesia YPT K Padang, [email protected]

Abstract Computer laboratory is a means to support college pratikum. This equipment should always be in a ready-made state or suiTabel for use, whether computer or other means. In case of damage, it should be promptly resolved. To further accelerate the handling of damage, it is necessary a method to identify it. The Rought set method is a solution for this identification by means of several stages: Infomation System; Decision System; Equivalence Class; Descernibilty matrix and Descernibilty matrix of module D; Reduction; Generate Rules. The results of this study from 5 equipment in the computer laboratory STMIK Bina Nusantara Jaya Lubuklinggau after performing the steps of settlement by rough set method found 8 rules to get a new decision is whether the equipment is still worthy of use, repaired or replaced, then this method is very suiTabel applied in identifying the extent of damage. Keywords: Data Mining; Rough Set; Decision System;Rules; Laboratorium Komputer

Abstrak Laboratorium komputer merupakan sarana untuk penunjang pratikum kuliah. Sarana ini harus selalu dalam keadaan siap pakai atau layak pakai, baik komputer maupun saranan lainnya. Jika terjadi kerusakan, maka harus secepatnya di tanggulangi. Untuk lebih mempercepat dalam penanganan kerusakan, maka diperlukan sebuah metode untuk mengidentifikasinya. M etode Rought set merupakan solusi untuk identifikasi ini dengan cara beberapa tahap yaitu : Infomation System; Decision System; Equivalence Class; Descernibilty matrik dan Descernibilty matrik modul D; Reduction; Generate Rules. Hasil penelitian ini dari 5 peralatan yang ada di laboratorium komputer STM IK Bina Nusantara Jaya Lubuklinggau setelah melakukan langkah-langkah penyelesaian dengan metode rough set didapatkanlah 8 rules untuk mendapatkan keputusan baru yaitu apakah peralatan tersebut masih layak pakai, diperbaiki atau diganti, maka metode ini sangat cocok diterapkkan dalam mengidentifikasi tingkat kerusakan. Kata kunci: Data M ining; Rough Set; SPK; Rules; Laboratorium Komputer © 2018 Jurnal RESTI

1. Pendahuluan

walaupun data tersebut tidak lengkap. Ada dua langkah, pertama data tidak lengkap dibiarkan sehingga pada Tabel keputusan rule yang terisi yang mempengaruhi keputusan akhir sedangkan langkah kedua ialah data kosong dicari nilai terendah atau tertingginya yang ditentukan dari Tabel keputusan.

Knowledge Discovery in Database (KDD) adalah proses secara keseluruhan dalam menentukan pengetahuan yang berguna dari suatu kumpulan data. Adapun tahapan-tahapan dalam KDD antara lain selection (Menyeleksi data yang relevan), perpocessing (Menghilangkan noise dan inkosisten data; Rough Set merupakan Sebuah alat matematika untuk menggabungkan data yang bersumber dari banyak menangani ketidak jelasan dan ketidak pastian yang sumber), transformation (mentransformasi data kedalam diperkenalkan untuk memproses ketidak pastian dan bentuk yang sesuai untuk proses data mining), data informasi yang tidak tepat. [2] mining (memilih algoritma data mining yang sesuai Skema penyelesaian menggunakan metode Rough Set dengan pattern data; ekstraksi pola dari data), ada tujuh tahap: Infomation System; Decision System; interpretation/evaluation (menginterprestasi pola Equivalence Class; Descernibilty matrik dan menjadi pengetahuan dengan menghilangkan pola yang Descernibilty matrik modul D; Reduction; Generate redundant dan tidak relevan [1]. Data mining Rough Set Rules. dapat menggali pengetahuan di dalam sebuah database Diterima Redaksi : 04-03-2018 | Selesai Revisi : 18-04-2018 | Diterbitkan Online : 26-04-2018 410

Hengki Juliansa, Sarjon Defit, Sumijan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 Algoritma rough set dapat digunakan untuk menentukan mereprentasikan atribut atau variabel dari data. tingkat kerusakan peralatan laboratorium komputer. Information system pada data mining dikenal dengan Mengingat begitu pesatnya perkembangan teknologi nama data set. Information system dapat informasi saat ini sehingga di dalam pengambilan dipresentasikan sebagai fungsi : keputusan dapat dilakukan secara cepat dan mengingat S={U,A} (1) banyaknya komputer di laboratorium komputer Keterangan: mengalami kerusakan ataupun peralatan yang sudah U = {x1, x2, ..., xm} yang merupakan sekumpulan cukup lama maka pihak manajemen sulit dalam example mengambil keputusan. Staf laboratorium komputer A = {a1, a2, ..., an} yang merupakan sekumpulan STMIK Bina Nusantara Jaya Lubuklinggau yang attribut kondisi secara berurutan. mengelolah data peralatan dan dilaporkan ke pihak manajemen untuk mengambil keputusan apakah Definisi di atas memperhatikan sekumpulan example peralatan tersebut akan diperbaiki, diganti atau layak system terdiri dari sekumpulan example, seperti {x1, pakai. Berdasarkan penjabaran dari latar belakang diatas x2, ..., xm} dan attribute kondisi, seperti {a1, a2, ..., dapat dirumuskan Bagaimana penerapan Data Mining an}. Dalam information system , tiap-tiap baris dengan metode Rough Set dalam menentukan tingkat merepresentasikan objek sedangkan column kerusakan peralatan laboratorium komputer sehingga merepresentasikan attribute. dapat membantu pihak manajemen kampus STMIK Bina Nusantara Jaya Lubuklinggau dalam mengambil b. Decision System keputusan. Decision System adalah information system dengan atribut tambahan yang dinamakan dengan decision Tujuan dari penelitian ini adalah Menerapkan Data atribut, dalam data mining dikenal dengan nama Mining dengan metode rough set untuk menentukan kelas atau target. Atribut ini merepresentasikan hasil tingkat kerusakan peralatan laboratorium komputer dari klasifikasi yang diketahui. Decision System merupakan fungsi yang mendeskripsikan 2. Tinjauan Pustaka information system, maka information system (IS) Data mining adalah proses yang menggunakan teknik menjadi statistik, matematika, kecerdasan buatan, dan machine S= {U,A} (2) learning untuk mengektrasi dan mengidentifikasi Keterangan: informasi yang bermanfaat dan pengetahuan yang U = {x1, x2, ..., xm} yang merupakan sekumpulan terkait dari berbagai database besar [3]. Sedangkan example Rough Set merupakan salah satu teknik yang dirasa A = {a1, a2, ..., an} yang merupakan sekumpulan cukup efisien untuk Knowledge Discovery in Database attribut kondisi secara berurutan. (KDD) proses dan Data Mining. C = decision attributes (Keputusan) Gambar 1 merupakan algoritma penyelesaian metode Rough Set yang merupakan salah satu teknik yang dirasa Banyak nilai dari decision attribute tidak dibatasi, tetapi biasanya nilainya dalam biner (contoh :true cukup efisien untuk knowledge discovery in database (KDD) proses dan data mining. [4] atau false). c. Equivalence Class Equivalence Class adalah mengelompokan objekobjek yang sama untuk attribute A (U, A). Class EC5 adalah sebuah indeterminacy yang memberikan 2 keputusan yang berbeda. Situasi ini dapat ditangani dengan teknik data cleaning. Kolom yang paling kanan mengindikasikan jumlah objek yang ada adalah Decision System untuk class yang sama.

Gambar 1. Algoritma Penyelesaian Dengan Metode Rough Set

d. Discernibility Matrix Definisi Discernibility Matrix: diberikan sebuah IS A=(U, A) and B gabung A, Discernibility Matrix dari A adalah MB, dimana tiap-tiap entri MB(I,j) terdiri dari sekumpulan attribute yang berbeda antara objek Xi dan Xj.

Berikut ini adalah penjelasannya: e. Discernibility Matrix Modulo D a. Information System Discernibility Matrix Modulo D didefinisikan seperti Information system adalah Tabel yang terdiri dari berikut dimana Modulo (i,j) adalah sekumpulan baris yang merepresentasikan data dan kolom yang attribute yang berbeda antara objek Xi dan Xj dan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 411

Hengki Juliansa, Sarjon Defit, Sumijan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 juga berbeda attribute keputusan. Diberikan sebuah DS A=(U, A{d}) dan subset dari attribut B gabung A, discernibility matrix modulo D dari A, Md, didefinisikan seperti berikut dimana MB(I,j) adalah sekumpulan attribute yang berbeda antara objek Xi dan Xj dan juga berbeda attribute keputusan. f. Reduction Untuk data yang jumlah variabel yang sangat tidak besar sangat tidak mungkin mencari seluruh kombinasi variabel yang ada, karena jumlah indiscernibility yang dicari=(2n-1-1). Oleh karena itu dibuat satu teknik pencarian kombinasi atribut yang mungkin dikenal

E2......Em} dan A = A1, A2....An} dan C = { C1, C2.....Cp}, yang merupakan sekumpulan sekumpulan example dan atribute kondisi secara berurutan. Diamna U objek dan A Attribute kondis i sementara C decision attribute.[7] 3. Metodologi Penelitian

Penelitian menggunakan tahapan-tahapan Knowledge Discovery in database . Adapun tahapannya: Data selection (Menyesaikan data yang relevan), Preprocessing (Menghilangkan noise dan inkonsisten data; mengabungkan data yang bersumber dari banyak sumber), Transformasion (menginterprestasikan pola menjadi pengetahuan dengan menghilangkan pola yang 1. Nilai indiscernibility yang pertama dicari redudant dan tidak relevan . [8] adalah indiscernibility untuk kombinasi atribut Penelitian ini fokus pada proses menganalisa data yang terkecil yaitu 1. 2. Kemudian dilakukan proses pencarian peralatan laboratorium komputer dengan motede Rough dependency attributes. Jika nilai dependency Set menggunakan Software tools Rosetta untuk attributes yang didapat= 1 maka memperoleh hasil. Ada beberapa atribute yang indiscernibility untuk himpunan minimal digunakan dalam penelitian ini, yaitu nama peralatan, tingkat kerusakan, kelayakan, lama pakai dan keputusan variabel adalah variabel tersebut. 3. Jika pada proses pencarian kombinasi atribut yang dikelompokkan menjadi layak pakai, perbaiki dan tidak ditemukan dependency attributes =1, ganti. maka lakukan pencarian kombinasi yang lebih Metode rough set dimulai dengan memilih atribut yang besar, dimana kombinasi variabel yang dicari ada, kemudian mentranspormasikan data, adalah kombinasi dari variabel ditahap mengelompokkan data dan menghilangkan data yang sebelumnya yang nilai dependency attributes sama sampai dengan menemukan reduct dan hasil paling besar. Lakukan proses (3), sampai apakah peralatan tersebut masih layak pakai, perbaiki didapat nilai dependency attributes= 1. dan diganti. g. Generate Rules Untuk mempermudahkan proses penerapan metodologi Proses utama menemukan pengetahuan dalam dan perancangan sistem maka dibuat bagan alir analisa database adalah ekstraksi aturan dari sistem dan perancangan seperti Gambar 2 berikut. pengambilan keputusan. Metode set kasar dalam menghasilkan aturan-aturan keputusan dari Tabel keputusan didasarkan pada perhitungan set mengecil. Suatu metode rough set untuk menghasilkan rule/knowledge berdasarkan equpalence class dan reduct disebut juga generate rules.[5] yang mana dari proses tersebut akan menghasilkan sebuah pengetahuan baru yang dapat membantu dalam sebuah pengambilan keputusan.

Gambar 2. Bagan Alir Analisa

Rough set dikembangkan oleh Zdizslaw pawlak yang dapat digunkan sebagai alat matematikal untuk menangani ketidak jelasan dan ketidak pastian dan telah berhasil diterapkan dalam berbagai tugas dan klasifikasi, penemuan pengetahuan dan lain-lain.[6]

4. Hasil dan Pembahasan

Rough set dapat menawarkan dua bentuk representasi data yaitu information sistem (IS) dan Decision sistem (DS). Information sistem merupakan sebuah sistem (IS) adalah pasangan IS = {U,A}, dimana U={E1,E2......Em} dan A = {A1,A2.....An} yang merupakan example dan atribute kondisi secara berurutan. Sedangkan decision sitem merupakan sebuah decisi sistem (DS) adalah pasangan DS = { U { A, C }, dimana U = {E1,

Setelah informasi atau data didapat peneliti dari interview dan mengambil sampel data dari laporan satu semester sebelumnya, informasi data tersebut akan dianalisa menggunakan metode Rough Set, Peneliti akan membuat Tabel informasi peralatan laboratorium komputer sebagai data pendukung dalam menganalisa tingkat kerusakan menggunkan metode rough set.

Dari hasil analisa menggunakan metode rough set peneliti harus melakukan beberapa langkah 4.1 Informasi

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 412

Hengki Juliansa, Sarjon Defit, Sumijan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 Informasi peralatan yang ada di laboratorium STMIK 4.3 Equvalence Class Bina Nusantara jaya Lubuklinggau dapat dilihat pada Equivalence Class merupakan pengelompokan objekTabel 1. objek yang sama di satu atribut tertentu. Dari Tabel 2 dan Tabel 3 maka didapatkanlah Equivalence Class 1 T abel 1. Infomasi Peralatan T idak Lengkap sampai dengan Equvalenca Class 5 yang kondisi atribut T ingkat Lama Nama Kelayakan Keputusan sampai dengan keputusan juga terdapat kesamaan Kerusakan Pakai Peralatan (%) (B) (D) seperti yang ada pada Tabel 4. (%) (A) (C) Laptop Acer Emachine Laptop T hosiba Mouse Castello

70

70

?

70

35

?

2 Th

Perbaiki

1 Th

Layak Pakai

2 Th

Layak Pakai

Mouse Acer

35

95

2 Th

Layak Pakai

Mouse Pad

90

35

1 Th

Ganti

T abel 4.T abel Equvalence Class EC EC1

A 2

B 2

C 2

D 2

EC2

2

2

1

1

EC3

1

2

2

1

EC4

1

1

2

1

EC5

3

3

1

3

4.4 Discernibility Matrix T abel 2. Infomasi Peralatan Lengkap Nama Peralatan

T ingkat Kerusakan (%) (A)

Kelayakan (%) (B)

Lama Pakai (C)

Laptop Acer Emachine

70

70

2 Th

Laptop T hosiba

58

70

1 Th

Mouse Castello

35

68

2 Th

Mouse Acer

35

95

2 Th

Mouse Pad

90

35

1 Th

Setelah melakukan klasifikasi menggunakan Equivalence class langkah selanjutnya dalam Keputusan menganalisa data atau peralatan laboratorium komputer (D) yang ada di STMIK Bina Nusantara Jaya Lubuklinggau salah satunya dengan proses Discernibility Matrix. Perbaiki Untuk menghitung Discernibility Matrix penulis mengacu pada Tabel 4. Untuk menghasilkan Layak Pakai Discernibility Matrix-nya dapat dilakukan dengan cara mengklasifikasikan atribut yang berbeda, jadi Layak Pakai berdasarkan Tabel 4 akan menghasilkan Discernibility Matrix-nya seperti Tabel 5. Layak Pakai T abel 5.T abel Discernibility Matrix

Ganti

4.2 Transpormasi Data

EC EC1

EC1 -

EC2 C

EC3 A

EC4 AB

EC5 ABC

EC2

C

-

AC

ABC

AB

Dari Tabel 2 diatas ada atribut yang perlu EC3 A AC B ditranspormasikan yaitu Tingkat Kerusakan, Kelayakan EC4 AB ABC B dan keputusan. Sedangkan untuk lama pakai EC5 ABC AB ABC ABC ditranspomasikan bisa juga tidak, untuk pada penelitian ini lama pakai tidak ditranspormasi. Hasil dari transpormasi terdapat pada Tabel 3 berikut ini. 4.5 Discernibility Matrix Modulo D T abel 3. Nilai T ranpormasi Nilai

T ingkat Kerusakan (%)

Kelayakan (%)

Keputusan

1

35 S/d 53

77 S/d 97

Layak Pakai

2

54 S/d 72

56 S/d 76

Perbaiki

3

73 S/d 91

35 S/d 55

Ganti

Tabel 1 dan Tabel 2 proses transpormasi data dilakukan dengan dua langkah, pertama data tidak lengkap dibiarkan sehingga pada Tabel keputusan rule yang terisi yang mempengaruhi keputusan akhir sedangkan langkah kedua ialah data kosong dicari nilai terendah atau tertingginya yang ditentukan dari Tabel keputusan. Sehingga nanti dapat menentukan interval kondisi atribute.

ABC ABC -

Discernibility Matrix Modulo D dapat didefinisikan sebagai sekumpulan atribut yang berbeda termasuk juga atribut keputusan (D). Mengacu pada Tabel 4 atribut keputusan dan Tabel 5 maka Discernibility Matrix Modulo D yang dihasilkan dapat dilihat pada Tabel 6. T abel 6.T abel Discernibility Matrix Modulo D EC EC1

EC1 -

EC2 C

EC3 A

EC4 AB

EC5 ABC

EC2

C

-

-

-

AB

EC3

A

-

-

-

ABC

EC4

AB

-

-

-

ABC

EC5

ABC

AB

ABC

ABC

-

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 413

Hengki Juliansa, Sarjon Defit, Sumijan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 4.6 Reduct

b.

Setelah proses Discernibility Matrix Modulo D melihat keputusan yang sama pada setiap Equivalence Class pada kolom D, inilah sebagai acuan peneliti untuk melakukan reduction maka reduct yang dihasilkan dapat dilihat pada Tabel 7 berikut dan proses penyelesaian reduction-nya: EC1

= C^A^(AvB)^(AvBvC) = C^A^(AvB)^(1^C) = C^A^(AvB) = C^A^(1vB) = C^A=[A,C] = C^(AvB) = (C^A)v(C^B) = (C,A),(C,B) = [A,C],[B,C] = A^(AvBvC) = (A^A)v(A^B)V(A^C) = Av(A^B)v(A^C) = Av(1^B)v(A^C) = Av(A^C) = Av(1^C) = [A] = (AvB)^(AvBvC) = (AvB)^(1vC) = [A],[B] = (AvBvC)^(AvB)^ (AvBvC)^ (AvBvC) = (AvBvC)^(AvB)^ (1vC)^ (AvBvC) = (AvBvC)^(AvB)^ (AvBvC) = (AvBvC)^(AvB)^ (1vC) = (AvBvC)^(AvB) = (AvB)^(1vC) = [A],[B]

EC2

EC3

EC4

EC5

T abel 7.T abel Reduct Class

CNF Of Boolean C^A^(AvB)^( AvBvC)

Prime Implican Reduct (C^A)

[A,C]

EC2

C^(AvB)

(C^A)v(C^B)

[A,C],[B,C]

EC3

A^(AvBvC)

(A)

[A]

EC4

(AvB)^(AvB vC)

(AvB)

[A],[B]

Ec5

(AvBvC)^(A vB)^ (AvBvC)^ (AvBvC)

(AvB)

[A],[B]

EC1

4.7 Generating Rule Setelah mendapakan hasil dari reduct maka langkah selanjutnya menentukan Generating Rule. Adapun Generating Rule yang didapat sebagai berikut: a.

c.

d.

e.

1.A=2, C=1, D=1 If A=2 And C=1 Then D=1 If Tingkat Kerusakan = 54% S/d 72% And Lama Pakai=1 Then Keputusan=Layak Pakai 2.B=2, C=1, D=1 If B=2 And C=1 Then D=1 If Kelayakan = 56% S/d 76% And Lama Pakai=1 Then Keputusan=Layak Pakai A=1, D=1 If A=1 Then D=1 If Tingkat Kerusakan =35% S/d 53% Then Keputusan=Layak Pakai 1.A=1, D=1 If A=1 Then D=1 If Tingkat Kerusakan =35% S/d 53% Then Keputusan=Layak Pakai 2.B=1, D=1 If A=1 Then D=1 If Kelayakan=77% S/d 97% Then Keputusan=Layak Pakai 1.A=3, D=3 If A=3 Then D=3 If Tingkat Kerusakan =73% S/d 91% Then Keputusan=Ganti 2.B=3, D=3 If A=3 Then D=3 If Kelayakan =35% S/d 55% Then Keputusan=Ganti

Berikut ini Tabel keputusan atau knowledge baru yang didapat dari Tabel 1 informasi peralatan, ini juga dapat dijadikan acuan atau pedoman pihak manajeman dalam mengambil keputusan. Keputusan yang baru dapat dilihat pada Tabel 8. T abel 8.T abel Keputusan Knowledge Baru No 1

Nilai Atribut A

Nama Atribut dan Keputusan Kondisi T ingkat Kerusakan= Hasil= Layak Pakai 35% S/d 53%

2

A

T ingkat Kerusakan= 54% S/d 72%

Hasil= Perbaiki atau Ganti

3

A

T ingkat Kerusakan= 73% S/d 91%

Hasil= Ganti

4

B

Kelayakann= 35% S/d 55%

Hasil= Ganti

5

B

Kelayakann= 56% S/d 76%

Hasil= Layak Pakai Atau Perbaiki

6

B

Kelayakann= 77% S/d 97%

Hasil= Layak Pakai

7

C

Lama Pakai= 2

Hasil= Layak Pakai Atau Perbaiki

8

C

Lama Pakai= 1

Hasil= Layak Pakai Atau Ganti

A=2, B=2, D=2 If A=2 And B=2 Then D=2 If Tingkat Kerusakan = 54% S/d 22% And Lama Pakai=2 Tahun Then Keputusan=Perbaiki

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 414

Hengki Juliansa, Sarjon Defit, Sumijan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 5. Kesimpulan

Daftar Rujukan

Hasil pengujian Rough Set yang dilakukan, terdapat [1] Fiandra. Y.A DKK, 2017. Penerapan Algoritma C4.5 Untuk Klasifikasi Data Rekam Medis Berdasarkan International beberapa kesimpulan dan saran Classification Diseases (ICD-10), Jurnal Resti Vol.1 N0.2 hal825.1 Simpulan 1. Data Mining dengan metode rough set mampu mendeteksi tingkat kerusakan peralatan laboratorium komputer dengan rule-rule yang didapat. 2. Data mining rough set menggunakan Variabelvariabel yang berhubungan peralatan laboratorium komputer seperti tingkat kerusakan, kelayakan dan lama pakai. Maka dari ke tiga variabel tersebut akan menghasilkan reduct dan rule yang membantu dalam mengambil keputusan apakah peralatan akan diganti, perbaiki atau masih layak pakai. 5.2 Saran Dari penelitian ini penulis menyampaikan saran-saran 1. Untuk mengambil keputusan nantinya dapat membandingkan metode pengambilan keputusan dengan metode yang lain 2. Dapat mengelolah data yang cukup banyak dengan menggunakan software Rough set. 3. Untuk peneliti yang ingin mengembangkan penelitian ini, untuk menambahkan atribut yang lebih banyak lagi supaya dalam menentukan tingkat kerusakan peralatan laboratorium akan lebih akurat.

89. [2] Jamaris. M., 2017. Implementasi Metode Rough Set Untuk Menentukan Kelayakan Bantuan Dana Hibah Fasilitas Rumah Ibadah, Vol.2 N0.2 hal 161-170. [3] Utami. T DT DKK, 2016. Analisa T ingkat Kepuasan Pelanggan T erhadap Penjualan Air Minum Isi Ulang Dengan Menggunakan Metode Rough Set , Jurnal Resti Vol.1 N0.1 hal 69-74 ISSN:25275771. [4] Nasution, 2014. Implementasi Data Mining Rough Set Dalam Menentukan T ingkat Kerusakan Alat dan Bahan Kimia, Jurnal Informatika Vol.2 N0.2 hal 1-9. [5] Ilmawati, 2014. Penerapan T eknik Artifical Intelligent Rough Set Untuk Mendukung Keputusan Pada Proses Pemeriksaan Kondisi Penjualan Barang Pada T oko Silungkang ART Center Padang, Vol.1 No 1 ISSN:2356-0010. [6] Nurhayati., 2014. Metode Rough Set Untuk Melihat Perilaku Suami Yang Menjadi Akseptor KB Vasektomi, ISSN:2339-210X. [7] Hakim, L.M, Rusli, M., 2013. Data Mining Menggunakan Metode Rough Set Untuk Menentukan Bakat Minat Mahasiswa.Prosesor, Vol.4 Edisi 07 ISSN:2089-628X. [8] Hartama. D., dan Hartono., 2017. Analisa Kinerja Dosen STMIK IBBI Dengan Menggunakan Rough Set, Jurnal Nasional T eknologi Informasi dan Multimedia. ISSN:2527-9866. [9] Yusman, Y., 2015. Metode Rough Set Untuk Memilih T ipe Rumah Idaman Sesuai Selera Konsumen Pada PT . Rizki Pratiwi Mulya, Vol.8 N0.2. [10] Sari, P, 2014. Data Mining Metode Rough Set Dalam Menentukan Pilihan Alat Kontrasepsi Pada Wanita, Vol.4 No 2 ISSN:2301-4474.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No.1 (2018) 410 – 415 415

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi I nformasi) Vol. 2 No. 1 (2018) 416 – 421

ISSN : 2580-0760 (media online)

Implementasi Sistem Informasi Penggajian Untuk Membantu Manajemen Keuangan Dalam Pengolahan Usaha a

Mira Susantia, Rasman Hidayatullah b

Manajemen Informatika, Amik Bukittinggi, [email protected] b Manajemen Informatika, Amik Bukittinggi, [email protected]

Abstract The era of globalization also affects the business environment in data processing in the form of transactions such as payroll. If the process of payroll calculation is slow and prone to error can lead to discontinuity between employees and management and the use of conventional systems also lead to data security is not guaranteed then the required system that supports management needs in the form of payroll information system to minimize errors that can be used in decision making and influence to smooth business. The method used is the System Development Life Cycle (SDLC) which is a guide in designing and developing information systems. Implemented payroll information systems are able to generate accurate payroll reports in the form of loan evidence, employee salary recaps making it easier to control profits-related businesses to create sound financial management. Keywords: Payroll, Information Systems, Financial Management

Abstrak Era globalisasi juga berpengaruh pada lingkungan bisnis dalam pengolahan data berupa transaksi seperti penggajian. Jika proses perhitungan penggajian lambat dan rentan terhadap kesalahan dapat menimbulkan ketidakpuasan antara karyawan dengan manajemen serta penggunaan sistem yang masih konvensional juga menyebabkan keamanan data tidak terjamin maka diperlukan sistem yang mendukung kebutuhan manajemen berupa sistem informasi penggajian untuk meminimalkan kesalahan yang dapat digunakan dalam pengambilan keputusan dan berpengaruh terhadap kelancaran usaha. M etode yang digunakan adalah System Development Life Cycle (SDLC) yang menjadi pedoman dalam merancang dan mengembangkan sistem informasi. Sistem informasi penggajian yang sudah diimplementasikan mampu menghasilkan laporan penggajian yang akurat berupa bukti pinjaman, rekap gaji karyawan sehingga memudahkan dalam mengontrol usaha yang berkaitan dengan keuntungan untuk menciptakan manajemen keuangan yang bagus. Kata kunci: Penggajian, Sistem Informasi, M anajemen Keuangan © 2018 Jurnal RESTI

1. Pendahuluan

dijahit, menghitung total pinjaman karyawan dan menghitung total barang yang sudah dijahit dimana hasilnya nanti akan menentukan berapa gaji karyawan hal ini memiliki kelemahan dalam memproses data baik mencatatnya maupun dalam proses menghitung[2] sehingga membutuhkan waktu yang lebih lama. Masalah lain yang sering terjadi adalah tidak akurat upah dan gaji yang diterima karyawan karena kesalahan pencatatan dan tidak adanya bukti slip penerimaan gaji. Manajemen keuangan yang dterapkan dalam suatu usaha juga bisa memberikan gambaran pemasukan dan pengeluaran untuk keperluan usaha untuk itu sistem informasi juga menggambarkan profit dari suatu usaha.

Dengan melihat perkembangan teknologi bukanlah suatu hal yang berlebihan jika komputer dikatakan sebagai alat sosial karena pada kenyataanya teknologi ini dipergunakan secara intensif pada berbagai komunitas masyarakat seperti institusi, organisasi, dunia usaha. Pemanfaatan teknologi komputer[1] dapat berpengaruh terhadap pola kehidupan masyarakat yang memakainya. Saat ini masih ada perusahaan dalam mengolah data-data penting masih menggunakan konsep manual terlebih lagi data tersebut sangat berpengaruh sekali terhadap pengambilan keputusan contohnya pada usaha konveksi Nofi gorden sampai saat ini masih belum mengoptimalkan komputer dalam pengolahan data-data Sebagaimana diketahui sistem yang penerapannya penting seperti pengolahan data barang yang akan belum mengoptimalkan komputerisasi atau sistem Diterima Redaksi : 07-09-2017 | Selesai Revisi : 22-12-2017 | Diterbitkan Online : 29-04-2018 416

Mira Susanti, Rasman Hidayatullah Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 informasi memberikan efek kurang teliti dan cermat a. Kebutuhan perusahaan, yaitu dengan memahami dalam mengolah dan memproses data, tentu hal ini dapat bidang bisnis yang dikembangkan, sasaran yang menyebabkan terjadinya kesalahan saat mencatatnya akan dijadikan pangsa pasar yang dibidik serta (input) dan laporan-laporan (output)[3] yang dihasilkan media yang digunakan.Kebutuhan operator yaitu dari proses tersebut tentu kurang informatif dengan kemudahan dalam penggunaan sistem, demikian kinerja usaha rumahan akan kurang maksimal dioperasikan dan interface yang interaktif. dan kurang efektif dalam pengambilan keputusannya b. Kebutuhan pemakai yaitu kebutuhan konsumen terlebih lagi ketika proses penghitungan total jahitan, terhadap sistem Informasi, dalam hal ini pinjaman karyawan dan penghitungan gaji karyawan konsumen yang melakukan transaksi dengan anggota karyawan jahit yang banyak tentu membutuhkan waktu untuk menghitungnya sehingga 2.2 Penggajian gaji karyawan pun tidak akan keluar pada saat Gaji yang diterima karyawan merupakan bentuk dibutuhkan. penghargaan atas pekerjaan[5] dan prestasi yang telah Adapun tujuan penelitian sebagai berikut : dilakukan berdasarkan jenjang jabatan seperti manajer, 1. Membangun sistem informasi yang diharapkan dapat pegawai administrasi, supervisor dan lain-lain yang pada memudahkan pemilik usaha konveksi Nofi gorden umumnya gaji dibayarkan tetap tiap bulan.. Namun gaji dalam pengolahan data jahitan, proses pengolahan dan upah[6] mempunyai perbedaan yang terletak pada data jahit pesanan dan proses pengolahan data kekuatan kontrak kerja dan jangka waktu penerimaan. pinjaman karyawan, data penggajian karyawan. Berdasarkan jangka waktu penerimaan, seseorang yang 2. Menghasilkan informasi terstruktur dan sistematis menerima gaji akan diberikan setiap akhir bulan dalam menentukan upah jahit dan penggajian sedangkan seseorang yang menerima upah akan karyawan usaha konveksi Nofi gorden. diberikan setiap hari atau minggu. 3. Mempercepat dan mempermudah pemilik Usaha konveksi Nofi gorden dalam proses pengambilan Fungsi yang berkaitan dengan sistem penggajian 1. Fungsi Kepegawaian suatu keputusan berdasarkan laporan yang diterima Bertanggung jawab merekrut karyawan baru, menentukan penempatan kerja karyawan 2. Tinjauan Pustaka 2. Fungsi pencatat waktu 2.1 Perancangan Sistem Menyelenggarakan catatan waktu hadir bagi semua karyawan perusahaan. Pentingnya informasi digunakan dalam manajemen 3. Fungsi pembuat daftar gaji sebagai alat dalam pengambilan keputusan dan bisa Membuat daftar gaji yang berisi penghasilan digunakan untuk mengetahui perkembangan organisasi yang dikurangi dengan berbagai potongan yang dan lingkungan serta untuk perencanaan strategis untuk menjadi beban setiap karyawan selama jangka masa yang akan datang. Proses perancangan sistem waktu pembayaran gaji. juga menentukan hasil rancangan sistem yang tepat 4. Fungsi akuntansi dan sistem lebih stabil serta memudahkan untuk Mencatat kewajiban yang timbul dalam dikembangkan dimasa mendatang[4]. Perancangan hubungannya dengan pembayaran gaji karyawan sistem memiliki tujuan untuk memenuhi kebutuhan misalnya utang gaji, utang pajak, utang dana pengguna sistem dan memberikan gambaran yang jelas pensiun. dan rancang bangun yang lengkap pada pemrograman 5. Fungsi keuangan komputer dan melibatkan ahli-ahli tekniknya. Sebuah Bertugas melakukan pembayaran gaji kepada sistem dapat saja berbentuk abstrak maupun fisik. karyawan baik secara tunai maupun non tunai. Sistem abstrak adalah suatu susunan teratur, gagasan atau konsep yang saling ketergantungan. Sistem fisik 2.3 Crystal Report adalah sebuah sistem terdiri dari bagian-bagian yang saling berkaitan dan berarti, dan terdiri dari unsur-unsur Dalam merancang sistem diperlukan program khusus yang dapat dikenal sebagai saling melengkapi karena yang digunakan untuk membuat laporan dan satunya maksud dan tujuan. Jadi, sebuah sistem memudahkan program aplikasi yang digunakan. informasi merupakan hal yang sangat penting bagi Crystal report [7]merupakan software output yang manajemen didalam pengambilan keputusan. dibutuhkan untuk merancang sistem agar dapat digunakan oleh user, crystal report juga dapat Dengan memahami sistem sebelumnya dan kriteriakriteria sistem yang dibangun maka peneliti dapat mendesain laporan yang dihasilkan menjadi lebih menarik sesuai keinginan, dan laporan-laporan penting membuat rancangan sistem seperti yang diinginkan. yang dihasilkan. Crystal report dalam merancang Dengan memperhatikan studi kelayakan terhadap sistem yang dirancang maka harus menganalisis sistem informasi membutuhkan sebuah software seperti Borland Delphi 7.0 [8] sebagai interface tetapi beberapa hal yaitu : keduanya dapat dihubungkan.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 417

Mira Susanti, Rasman Hidayatullah Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 Kemudahan penggunaan crystal report seperti: a. Membuat laporan tanpa melibatkan kode pemrograman yang terlalu rumit b. Bisa mengekspor laporan untuk dijadikan format umum seperti pdf, doc. c. Rancangan laporan bisa dengan menambahkan grafik, penggunaan model bisnis dan bisa berinteraksi pemrograman berorientasi objek. 3. Metodologi Penelitian

c. Pembangunan dan Testing Sistem membangun perangkat lunak yang diperlukan untuk mendukung sistem dan melakukan testing secara akurat. Melakukan instalasi dan testing terhadap perangkat keras dan mengoperasikan perangkat lunak. d. Implementasi Sistem beralih dari sistem lama ke sistem baru, melakukan pelatihan dan panduan seperlunya. e. Operasi dan Perawatan mendukung operasi sistem informasi dan melakukan perubahan atau tambahan fasilitas. f. Evaluasi Sistem mengevaluasi sejauh mana sistem telah dibangun dan seberapa bagus sistem telah dioperasikan.

Metodologi yang umum dibidang komputer yaitu Sistem Development Life Cycle (SDLC). Langkah-langkah atau pedoman pada SDLC [9] seperti pada Gambar 1 tentang siklus pengembangan sistem informasi dimulai dari perencanaan berupa survei dan analisis untuk memudahkan dalam desain, coding, implementasi dan 4. Pembahasan dan Hasil pemeliharaan. Ada beberapa skenario yang diterapkan pada sistem Siklus Hidup Sistem Informasi yang sedang berjalan seperti bahan gorden yang sudah dijahit kemudian dicatat kedalam buku catatan jahitan Siklus Hidup Pengembangan Sistem harian oleh karyawan sebagai bukti dari hasil jahitan setiap harinya kemudian pengelola usaha menghitung total bahan yang dijahit dimana proses penghitungan Desain total bahan yang dijahit berdasarkan jenis bahan dan Analisa Pembuatan keterangan jahitan selanjutnya disalin kedalam buku Perencanaan Evaluasi besar untuk diberikan kepada pimpinan. Bagi karyawan Implementasi Survei melakukan peminjaman keuangan untuk keperluan Pemeliharaan sehari-hari sebelum gaji dikeluarkan oleh pengelola usaha maka akan dicatat oleh pengelola usaha kedalam buku pinjaman karyawan dan diberikan kepada pimpinan sehingga setiap bulan akan terjadi Manajemen Konsultan/EDP Manajemen pemotongan gaji berdasarkan jumlah pinjaman Gambar 1. Siklus Pengembangan Sistem karyawan setelah dievaluasi oleh pengelola usaha dan Langkah pengembangan sistem informasi antara lain: pimpinan sehingga menimbulkan kelemahan 1. Analisis, bertujuan untuk memahami sistem yang diantaranya update pengolahan data berupa informasi ada, mengidentifikasi masalah dan mencari jahitan tidak maksimal, tidak akurat penghitungan total solusinya. jahitan, total upah jahit, total pinjaman serta pemberian 2. Desain, bertujuan untuk mendesain sistem baru gaji tidak tepat waktu. Penggunaan sistem informasi bisa yang dapat menyelesaikan masalah-masalah yang membawa perubahan kearah yang positif baik dari dihadapi. pengolahan data, pemprosesan dan laporan yang 3. Pembuatan, membuat sistem baru (hardware, dihasilkan bisa sesuai dengan kebutuhan. Penggunaan software). sistem informasi penggajian berkaitan erat dengan 4. Implementasi, bertujuan untuk manajemen keuangan karena menentukan mengimplementasikan sistem yang baru. keberlangsungan suatu usaha dimasa yang akan datang, jika manajemen keuangan bagus dan penyususanannya Secara konseptual siklus pengembangan sebuah sistem juga terstruktur maka jumlah pemasukan dan informasi adalah sebagai berikut[10] : pengeluaran juga lebih jelas. Untuk mengatasi a. Analisis Sistem permasalahan tersebut sehingga dirancang sistem Menganalisis dan mendefinisikan masalah dan informasi secara berupa : kemungkinan solusinya untuk sistem informasi dan proses organisasi. a. Pengolahan data jahitan dilakukan dengan b. Perancangan Sistem menggunakan sistem informasi yang terdiri dari Merancang output, input, struktur file, program, proses entry data dan manipulasi data serta prosedur,perangkat keras dan perangkat lunak yang pengaturan tentang data-data yang berhubungan diperlukan untuk mendukung sistem informasi. pada dengan proses pengolahan data upah jahit dan Gambar 2 tentang aliran sistem informasi penggajian penggajian karyawan. untuk menentukan alur sistem agar menghasilkan sistem yang tepat Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 418

Mira Susanti, Rasman Hidayatullah Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 b. Data disimpan kedalam database kemudian data dalam database tersebut diolah sehingga dapat menghasilkan informasi yang lebih cepat dan akurat. c. Proses penghitungan dilakukan sepenuhnya secara terkomputerisasi sehingga proses penghitungan tidak menghabiskan waktu yang begitu lama dan informasi yang dihasilkan pun lebih cepat diperoleh serta kerahasiaan data pun akan lebih terjamin. Pada aliran sistem informasi penggajian memiliki tiga entity diantaranya karyawan, pengelola usaha konveksi dan pimpinan yang terdapat pada gambar 2 untuk menentukan alur sistem agar menghasilkan sistem informasi yang tepat dimana bukti catatan jahitan yang KARYAWAN

PENGELOLA USAHA KONVEKSI

Buku Catatan Jahitan Valid

Cek Rincian Bahan Yang Di Jahit

Buku Catatan Jahitan Valid

Buku Catatan Jahitan Sudah Di Cek

Buku Catatan Jahitan Sudah Di Cek

A

PIMPINAN Tarif Upah Jahit

Nota Barang Masuk

Entri Data Tarif

Tentukan Tarif Upah Jahit Tarif Upah Jahit

Entri Data Jahitan & Data Jahit Pesanan Nominal Pinjaman

Melakukan Peminjaman

Formulir Bukti Peminjaman

Ttd.Bukti Pinjaman

Entry Data Pinjaman

Cetak Bukti Pinjaman

File Database A

Update Data Jahitan & Data Jahit Pesanan Hitung Upah Jahit Dan Simpan

Update Data & Buat Laporan

LAPORAN

LAPORAN LAPORAN

Tarif Upah Jahit

Update Data Upah Jahit, Pinjaman,Hitung Gaji Bersih Dan Cetak

A

A

Lap.Total Upah SlipKaryawan gaji Jahit

Ttd.Total Gaji Bersih Karyawan Lap.Total Upah Total Gaji Bersih Jahit Karyawan Karyawan Valid Total Gaji Bersih Valid

Total Gaji Bersih Valid

Lap.Total Upah Total Gaji Bersih Jahit Karyawan Karyawan Valid

Cek Dan Keluarkan Gaji Karyawan Lap.Total Upah Total Gaji Bersih Jahit Karyawan Karyawan Valid

Database yang dirancang terdiri dari tabel karyawan, barang, tarif, jahitan, jahit pesanan, pinjaman, upah jahit, gaji karyawan dan pengelola, salah satu tabel yang digunakan dalam database adalah tabel data jahit pesanan yang ada pada Tabel 1. Setiap tabel mempunyai field masing-masing salah satunya berfungsi sebagai primary key atau sebagai foreign key dan tabel tersebut akan digunakan sebagai pemprosesan data masukan dimana data yang akan diproses harus dimasukkan terlebih dahulu tentunya melalui interface (perangkat penghubung) antara pengguna dengan hardware dan software. Adanya field pada setiap tabel memudahkan untuk merelasikan dengan tabel yang lainnya sehingga terbentuk database yang membantu untuk menyimpan data yang di entrykan dengan perantara interface program upah jahit dan penggajian. T abel 1.Desain file tabel data jahit pesanan Nama Field

T ype (Width)

Description

NoEntrian

Varchar (25)

No entrian data

T anggal

Date

T anggal entrian data

Bulan IDKaryawan NmBarang Warna KeteranganHit ungan Ukuran Banyak Ket_jahitan

varchar(19) varchar(20) varchar(35) varchar(20) varchar(16)

Bulan ID karyawan Nama barang Warna barang Keterangan hitungan jahitan Ukuran pesanan Banyak jahitan Keterangan jahitan

varchar(5) int(20) varchar(20)

Penggunaan flowchart membantu untuk merepresentasikan aktivitas tertentu pada perancangan system informasi seperti pada Gambar 3 merupakan flowchart yang diterapkan pada proses penghitungan upah jahit pesanan memberikan gambaran tentang logika penghitungan upah jahit yang dihubungan denga data pesanan, data karyawan, data tarif, data keterangan jahitan. Jika akan menginput data yang baru akan dimulai dengan input data id karyawan disini diterapkan proses penghitungan yang lebih cepat dari manual karena bisa menghitung upah jahit pesanan dan gaji bersih secara otomatis sehingga informasi yang diterima oleh pimpinan dan karyawan lebih valid kecuali kesalahan human error.

A

Gambar 2. Aliran Sistem Informasi

valid diberikan oleh karyawan kepada pengelola usaha konveksi untuk di cek dan dientrykan datanya kedalam aplikasi penggajian. Karyawan juga diizinkan untuk mengajukan pinjaman yang kemudian diproses oleh sistem untuk mencetak bukti pinjaman, pengelola konveksi bertugas membuat laporan yang akan diserahkan kepada pimpinan.

Dalam setiap pemprosesan perlu ada data masukan, dimana data yang akan diproses harus dimasukkan terlebih dahulu, tentunya melalui interface (perangkat penghubung) antara user dengan sistem informasi yang dirancang. Untuk itu agar memudahkan dan meminimalkan kesalahan dan memudahkan entry data maka dirancang bentuk menu tampilan yang mudah digunakan untuk memasukkan data seperti form login yang berfungsi untuk menentukan hak akses dari user yang telah ditentukan, form utama menggambarkan

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 419

Mira Susanti, Rasman Hidayatullah Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 logika dan urutan dari penggunaan sistem informasi mulai dari entry data sampai cetak laporan. Pada menu utama terdiri dari desain input yang berfungsi input data, desain proses dirancang untuk memudahkan mengupdate dan menghitung data dan desain outp ut berupa laporan yang ditampilkan sesuai dengan kebutuhan user maka dirancang bentuk menu tampilan yang mudah digunakan untuk memasukkan data. Penghitungan Upah Jahit Pesanan Buka Data Jahit Pesanan, Data Karyawan, Data Barang,Data Keterangan Jahitan & Data Tarif T

Input Pilihan

Gambar 4. Menu Utama

Pil. = Seleksi Data

Pil. = Tutup Penghitungan

T

Y

Kembali Ke Menu Sebelumnya

.

Y Input ID Karyawan,Bulan,Nama Barang & Keterangan Jahitan

T

T

Cari ID Karyawan,Bulan,Nama Barang & Keterangan Jahitan

Ketemu= Yes

Y

Tampilkan Data Jahit Pesanan PadaTabel Informasi Hitung Upah Jahit Pesanan Tampilkan Upah Jahit

T

Simpan Data..? = Yes

Y

Simpan Data Ke Tabel Upah Jahit

Aktifkan Tombol Hitung Gaji Bersihh

Tampilkan Data Upah Jahit PadaTabel Informasi Input Pilihan

T

Gambar 5. Upah jahit

Hitung Gaji Bersih = Yes

c.

Penggajian

Y Lanjut.. Hitung Gaji Bersih

Gambar 3. Flowchart Perhitungan Upah

a.

Menu Utama

Adanya menu utama pada sistem informasi menjadi panduan untuk ke proses yang berikutnya seperti pada Gambar 4 dibawah ini merupakan menu utama dari aplikasi yang terdiri dari home, proses, file, pengaturan, laporan, hak akses, tampilan. b.

Seluruh proses data akan menghasilkan penggajian yang merupakan form transaksi perhitungan gaji karyawan per bulan pada Gambar 6 berdasarkan total upah jahit karyawan yang dikurangi dengan total pinjaman karyawan sehingga menghasilkan gaji bersih karyawan sesuai dengan data yang sebenarnya.

Upah jahit

Merupakan form hitung upah jahit untuk karyawan berdasarkan jahitan yang dikerjakan yang ada pada Gambar 5 dengan keterangan hitungan berdasarkan perhelai, permeter sehingga menghasilkan total dari sub total pesanan jahitan. Tarif upah jahit berdasarkan kode barang jadi setiap barang memiliki tarif yang berbeda berdasarkan ukuran masing-masing seperti ukuran 1m, 2m, atau 2,5m sehingga memudahkan untuk memberikan informasi baik kepada pelanggan, karyawan atau pemilik

Gambar 6. Penggajian

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 420

Mira Susanti, Rasman Hidayatullah Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 d.

Bukti pinjaman

2. Diharapkan sistem yang dirancang ini bisa dikembangkan lagi berbasis e-commerce sehingga Laporan pinjaman dirancang karena tidak terlepas dari lebih dikenal masyarakat tentang usaha konveksi kebutuhan karyawan yang kadang kala melakukan Nofi gorden Bukittinggi dan meningkatkan peminjaman uang yang jumlah peminjaman akan keuntungan pemilik serta penghasilan karyawan. dikurangi dengan total gaji yang didapat setiap bulannya. Dilaporan ini dimudahkan dengan no Daftar Rujukan pinjaman dan terbilang sehingga membantu untuk data lebih akurat lagi sedangkan laporan rekap gaji karyawan [1] Jogiyanto.H,Sistem Teknologi Informasi, Yogyakarta : Andi Offset , 2008 juga bisa diproses pertahun yang ada pada Gambar 7 [2] T itin,P., 2013, Journal Speed – Sentra Penelitian Engineering berdasarkan ID karyawan, nama karyawan dan jumlah dan Edukasi, Pembangunan Sistem Informasi Pengolahan Data gaji tiap bulannya. Pegawai Dan Penggajian Pada Unit Pelaksana T eknis Taman

Gambar 7. Bukti Pinjaman

Kanak-Kanak Dan Sekolah Dasar Kecamatan Pringkuku,Vol 5 No 2,pp. 1-6. [3] Kani, Firmansyah, dan Sufandi, U. U. (2010). Pemrograman Database menggunakan Delphi (Delphi Win32 dan MySQL5.0 Database Microsoft SQL Server. Jakarta: Elek Media Komputindo. [4] Sutabri, T ata. Sistem Informasi Manajemen. Yogyakarta.Andi Offset. 2005 [5] Leon, A. A., 2006, Jurnal Ilmiah MAT RIK, Perancangan Basisdata Sistem Informasi Penggajian, Vol.8 No.2,pp.135 152. [6] Dwi, J., dan Siska, I , 2014 , Journal Speed Sentra Penelitian Engineering dan Edukasi ,Sistem Informasi Penggajian Pada CV. Blumbang Sejati Pacitan, Vol 6 No 3.pp.36-43 [7] Madcom.(2004).Aplikasi Database Visual Basic 6.0 dengan Crystal Report.Yogyakarta: Andi Offset [8] Yanuar, Y., dan Hakim, L. (2004). Pemrograman Delphidengan Optimalisasi Komponen ZeosDBO). Graha Ilmu: Jakarta. [9] Scroggins,richard.2014, Journal Of Computer Science and T echnology, SDLC and Development Methodologies.14,7. [10] Supri Andoko, 2013, Speed Journal Indonesian Jurnal on Computer Science Pembuatan Sistem Komputerisasi Manajemen Penggajian Pada Comanditer Venoschaf (CV) Mobile Cell Pacitan, Vol 10 No.3.pp. 50-58.

5. Kesimpulan Sehubungan dengan analisis yang dilakukan pada usaha konveksi Nofi gorden dengan metode penelitian yang telah diuraikan maka kesimpulannya sebagai berikut : 5.1 Simpulan 1. Dengan adanya sistem komputerisasi dan database yang baik maka pengolahan data jahitan dan penggajian karyawan lebih cepat karena telah tersedia program aplikasi untuk melakukan pengentrian data jahitan dan laporan gaji lebih akurat 2. Untuk meningkatkan efisiensi dan pelayanan maka diperlukan suatu pengolahan data yang terstruktur agar menghasilkan informasi yang tepat bagi pengguna sistem dan memudahkan pengambilan keputusan oleh pimpinan yang sesuai dengan diharapkan dan manajemen keuangan dalam usaha juga lebih bagus dan mudah di kontrol. 5.2 Saran 1. Dengan penerapan sistem yang baru ini maka terlebih dahulu harus dilakukan penyesuaian dengan sistem yang ada sehingga sistem yang baru ini akan terasa keunggulanya dan kelebihannya dibanding dengan sistem yang sedang berjalan saat ini. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 416 – 421 421

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 422 – 429

ISSN : 2580-0760 (media online)

Diagnosa Penyakit Osteoporosis Menggunakan Metode Certainty Factor a

Yuhandria Sistem Informasi, Fakultas Ilmu Komputer, Universitas Putra Indonesia YPT K Padang, email : [email protected]

Abstract The purpose of this research is to build an Expert System application for the diagnosis of Osteoporosis disease. This study uses Certainty Factor method because in this method there is a value of the value of trust (Measure Of Belief) and the value of distrust (Measure Of Disableief) on a symptom, where later the value can produce the value of CF (Certainty Factor) as a benchmark, the greater the value of CF (Certainty Factor) obtained the greater the chance that the disease will attack us , where the results are displayed in terms of user conditions associated with Osteoporosis. The results of this study also comes with disease and treatment solutions are displayed in the form of websites using PHP programming and is also useful to perform early diagnosis of a disease that is perceived by the userthus helping the user in recognizing the symptoms of Osteoporosis disease they feel, as well as with the existence of this expert system can be used as an alternative solution for the community to make early diagnosis of the symptoms of Osteoporosis disease they feel before doing direct consultation with experts in this case specialist bone. This system is able to store expert knowledge representation based on certainty factor with accuracy of 80%. Keywords: Expert Ssystem, Osteoporosis, Certainty Factor, PHP

Abstrak Tujuan dari penelitian ini adalah untuk membangun aplikasi Sistem Pakar untuk diagnosis penyakit Osteoporosis. Penelitian ini menggunakan metode Certainty Factor karena dalam metode ini terdapat suatu nilai berupa nilai kepercayaan (Measure Of Belief) dan nilai ketidakpercayaan (Measure Of Disabelief) pada suatu gejala, dimana nantinya nilai tersebut dapat menghasilkan nilai CF (Certainty Factor) sebagai tolak ukur, semakin besar nilai CF (Certainty Factor) yang diperoleh maka semakin besar peluang penyakit itu akan menyerang kita, dimana hasilnya ditampilkan dalam bentuk kondisi pengguna yang terkait dengan penyakit Osteoporosis. Hasil penelitian ini juga dilengkapi dengan solusi penyakit dan perawatan yang ditampilkan dalam bentuk website dengan menggunakan pemrograman PHP dan juga berguna untuk melakukan diagnosa awal terhadap suatu penyakit yang dirasakan oleh user, sehingga membantu user dalam mengenali gejala-gejala penyakit Osteoporosis yang mereka rasakan, serta dengan adanya sistem pakar ini dapat dijadikan solusi alternatif bagi masyarakat untuk melakukan diagnosa dini terhadap gejala-gejala penyakit Osteoporosis yang mereka rasakan sebelum melakukan konsultasi langsung dengan pakar dalam hal ini dokter spesialis tulang. Sistem ini mampu menyimpan representasi pengetahuan pakar berdasarkan nilai kepercayaan (certainty factor) dengan keakuratan sebesar 80% . Kata Kunci: Sistem Pakar, Osteoporosis, Certainty Factor, PHP

© 2018 Jurnal RESTI

1. Pendahuluan Manusia lahir, tumbuh dan berkembang merupakan serangkaian proses perubahan yang panjang dimulai sejak pembuahan ovum oleh sperma dan berlanjut sampai berakhirnya kehidupan. Secara garis besar, perkembangan manusia terdiri dari beberapa tahap, yaitu kehidupan sebelum lahir (prenatal period), masa bayi baru lahir (new born), masa balita (babyhood) masa anak sekolah (early chilhood), pra remaja (later childhood), masa puber (puberty), masa dewasa, dan masa usia lanjut [1]. Masa usia lanjut merupakan kelompok orang

yang sedang mengalami suatu proses perubahan secara bertahap dalam jangka waktu tertentu. Lanjut usia merupakan proses alamiah dan berkesinambungan yang mengalami perubahan dari segi anatomi, fisiologis, dan biokimia pada jaringan atau organ yang pada akhirnya mempengaruhi keadaan fungsi dan kemampuan badan secara keseluruhan. Semakin bertambah umur seseorang maka semakin rentan pula orang itu dihinggapi suatu penyakit, akan tetapi bukan orang lanjut usia saja yang perlu khawatir terhadap penyakit tapi mulai dari anakanak juga harus waspada terhadap suatu penyakit,

Diterima Redaksi : 17-04-2018 | Selesai Revisi : 26-04-2018 | Diterbitkan Online : 30-04-2018 422

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 apalagi ditambah dengan pola hidup yang tidak sehat. Salah satu penyakit yang harus diwaspadai adalah penyakit Osteoporosis. Penyakit Osteoporosis adalah penyakit yang terjadi ataupun mengiringi proses penuaan pada seseorang yang berakibat pula pada menurunnya masa tulang. Menurut penelitian yang mencatat data statistik penderita gangguan tulang dan sendi yaitu Ministry of Health dan Arthritis Research UK, menyatakan jumlah penderita Osteoporosis pada tahun 2013 tercatat 809 juta jiwa di seluruh dunia menderita penyakit ini [2][3].

yang berarti bagi penerimanya dan bermanfaat bagi pengambilan keputusan saat ini atau mendatang [5]. Sistem informasi merupakan suatu sistem yang tujuannya menghasilkan informasi. Informasi yang dihasilkan adalah data mentah yang sudah diolah menjadi sesuatu yang memiliki arti dan nilai guna bagi si pemakainya [4]. 2.2 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan berasal dari bahasa inggris “Artificial Intelligence” atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas [6].

Teknologi yang berkembang dengan pesat dapat membuat orang tertarik untuk menciptakan hal-hal yang baru agar dapat lebih berguna dimasa yang akan datang, berbagai macam cara dan upaya yang dilakukan untuk mencapai hal tersebut. Ketidakseimbangan antara jumlah tenaga medis (dokter) dengan pasien saat ini adalah sebuah masalah yang harus dipecahkan karena Tujuan dari kecerdasan buatan menurut Winston dan dapat berdampak kepada masyarakat, oleh sebab itu Prendergast [7]: perlu diciptakan sebuah sistem dengan memanfaatkan kemajuan bidang teknologi komputer untuk menjawab 1. Membuat mesin menjadi lebih pintar (tujuan permasalahan tersebut. utama) 2. Memahami apa itu kecerdasan (tujuan ilmiah) Salah satu cara pemanfaatan kemajuan teknologi 3. Membuat mesin lebih bermanfaat (tujuan komputer tersebut adalah dengan bentuk implementasi entrepreneurial). sistem pakar. Sistem ini dirancang memiliki keahlian dan dapat berpikir seperti pola pikir para pakar tetapi Kecerdasan buatan (Artificial Intelligence) adalah nama mudah digunakan. Sistem pakar ini dibuat sebagai akar dari studi area, dapat kita lihat pada Gambar 1. sarana untuk membantu mendiagnosa dan penatalaksanaan terhadap pasien. Dibuatnya sistem ini bukan berarti menghilangkan ataupun menggantikan peran dari seorang pakar atau ahli, dokter spesialis tulang dirumah sakit, tetapi dapat lebih memasyarakatkan pengetahuan para pakar/ ahli/dokter spesialis tulang melalui sistem ini. Sistem ini dibuat menggunakan faktor kepastian atau disebut juga dengan Certainty Factor karena dalam metode ini terdapat suatu nilai yang berupa nilai kepercayaan (Measure Of Belief) dan nilai ketidakpercayaan (Measure Of Disabelief) pada suatu gejala, yang dimana nantinya nilai tersebut dapat menghasilkan nilai CF (Certainty Factor) sebagai tolak ukur seberapa besarkah nilai yang ada pada hasil diagnosanya nanti, semakin besar nilai CF (Certainty Factor) yang diperoleh maka semakin besar peluang penyakit itu akan menyerang kita [3]. 2. Tinjauan Pustaka 2.1 Konsep Dasar Sistem Informasi

Gambar 1. Task Domain of Artificial Intelligence

Sistem dapat didefenisikan dengan pendekatan prosedur Domain penelitian dalam kecerdasan buatan meliputi : dan dengan pendekatan komponen. Pendekatan prosedur, sistem dapat didefenisikan sebagai kumpulan 1. Formal tasks (mathematics, games) dari prosedur-prosedur yang mempunyai tujuan tertentu. 2. Mundane task (perception, robotics, natural Pendekatan komponen, sistem dapat didefenisikan language,common sense, reasoning) sebagai kumpulan dari komponen yang saling 3. Expert tasks (financial analysis, medical berhubungan satu dengan yang lainnya membentuk satu diagnostics, engineering, scientific analysis) kesatuan untuk mencapai tujuan tertentu [4]. Informasi adalah data yang telah diolah menjadi sebuah bentuk Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 423

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 2.3 Sistem Pakar

kali menganalisis informasi yang ada dengan ungkapan seperti “mungkin”, “kemungkinan besar”, “hampir pasti”. Untuk mengakomodasi tingkat keyakinan pakar terhadap masalah yang sedang dihadapi [8]. Metode Certainty Factor digunakan ketika menghadapi suatu masalah yang jawabannya tidak pasti, ketidakpastian ini bisa merupakan probabilitas [9].

Sistem pakar adalah suatu sistem yang dirancang untuk dapat menirukan keahlian seorang pakar dalam menjawab pertanyaan dan memecahkan suatu masalah. Sistem pakar akan memberikan pemecahan suatu masalah yang didapat dari dialog dengan pengguna, dengan bantuan sistem pakar seseorang yang bukan pakar atau ahli dapat menjawab pertanyaan, Data-data kualitatif direpresentasikan sebagai derajat menyelesaikan masalah serta mengambil keputusan keyakinan (degree of belief). Certainty Factor (CF) yang biasanya dilakukan oleh seorang pakar [8]. menunjukkan ukuran kepastian terhadap suatu fakta atau aturan [10]. Adapun beberapa manfaat dari sistem pakar yaitu, dapat meningkatkan produktivitas karena sistem pakar dapat Notasi Faktor Kepastian adalah sebagai berikut [10]: bekerja lebih cepat daripada manusia, dapat membuat CF[h,e] = MB[h,e] - MD[h,e] (1) seorang yang awam bekerja seperti layaknya seorang pakar, meningkatkan kualitas dengan memberi nasehat dengan: yang konsisten dan mengurangi kesalahan, mampu CF[h,e] = faktor kepastian. menangkap pengetahuan dan kepakaran seseorang serta MB[h,e] = ukuran kepercayaan terhadap hipotesis h, memudahkan akses pengetahuan seorang pakar. jika diberikan evidence e (antara 0 dan 1). MD[h,e] = ukuran ketidakpercayaan terhadap evidence Ada dua bagian penting dari sistem pakar, yaitu h, jika diberikan evidence e (antara 0 dan 1). lingkungan pengembangan dan lingkungan konsultasi. Lingkungan pengembangan digunakan oleh pembuat 2.5 Sekilas Tentang Penyakit Osteoprosis sistem pakar untuk membangun komponen-komponen dan memperkenalkan pengetahuan ke dalam knowledge Struktur tulang mirip beton untuk bangunan atau base (basis pengetahuan). Lingkungan konsultasi jembatan. Komponen kalsium dan fosfor membuat digunakan oleh pengguna untuk berkonsultasi sehingga tulang keras dan kaku mirip semen, sedang serat-serat pengguna mendapatkan pengetahuan dan nasihat dari kolagen membuat tulang mirip kawat baja pada tembok. sistem pakar layaknya berkonsultasi dengan seorang Tulang adalah kerangka peyangga tubuh dari benturan pakar [8]. Komponen-komponen yang terdapat dalam dan terkaitnya otot sehingga memungkinkan otot sistem pakar adalah seperti yang terdapat pada Gambar melakukan pergerakan antara sambungan tulang yang 2, yaitu user interface (antarmuka pengguna), basis satu dengan yang lainnya. Dengan kata lain, tulang pengetahuan, akuisisi pengetahuan, mesin inferensi, merupakan penunjang utama aktivitas fisik [11]. workplace, fasilitas penjelasan dan perbaikan Osteoporosis adalah penyakit yang disebabkan karena pengetahuan. massa pada tulang yang sudah berkurang atau rendah, serta gangguan pada mikro arsitektur tulang dan penurunan jaringan tulang, yang menimbulkan kerapuhan tulang. Kekuatan tulang merefleksikan gabungan dari dua faktor, yaitu densitas tulang dan kualitas tulang [12]. Selain faktor berkurangnya massa tulang, penyebab lain dari Osteoporosis adalah mengonsumsi beberapa macam obat-obatan dalam jangka panjang yang dapat merusak tulang seperti obat anti kejang dan hormon tiroid yang diresepkan dalam dosis tinggi, dan terganggunya proses penyerapan kalsium, serta cushing yaitu produksi kortisol tubuh yang berlebihan [12].

Gambar 2. Struktur Sistem Pakar

2.4. Faktor Kepastian (Certainty Factor) Teori ini diusulkan oleh Shortliffe dan Buchanan pada (a) (b) 1975 untuk mengakomodasi ketidakpastian pemikiran Gambar 3. (a) T ulang Sehat (b) Tulang yang T erkena Osteoporosis seorang pakar. Seorang pakar (misalnya dokter) sering Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 424

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 Pada Gambar 3(a) adalah bentuk gambar dari tulang tersebut dan yang sehat (normal), sementara pada Gambar 3(b) pendahuluan. merupakan bentuk tulang yang telah terkena penyakit Osteoporosis. Sumber : http://droz-indonesia.blogspot.co.id/

menentukan

solusi-solusi

alternatif

Inisialisasi data penyakit

3. Metodologi Penelitian 3.1 Subjek Penelitian

Inisialisasi data gejala penyakit

Subjek yang akan dibahas pada penelitian ini adalah implementasi sistem pakar dalam mendiagnosa jenis penyakit Osteoporosis dengan menghitung kemungkinan persentase menggunakan Certainty Factor yang diimplementasikan dengan bahasa pemrograman PHP. Sistem yang dibuat ini diharapkan dapat membantu masyarakat yang menderita penyakit Osteoporosis guna mengetahui secara dini penyakit yang dialaminya disaat tidak ada dokter atau pakar yang berkaitan.

Analisis dan proses

Iterasi

Hasil Gambar 4. Diagram Proses Sistem Pakar

3.2 Metode Pengumpulan Data Pada penelitian ini menggunakan beberapa metode : 1. Penelitian Kepustakaan (library research) Melakukan suatu studi perpustakaan untuk memperoleh literatur-literatur tentang penyakit Osteoporosis serta memperoleh informasi tentang penelitian-penelitan yang telah dilakukan sebelumnya. 2. Penelitian Lapangan (field research) Mengunjungi langsung rumah sakit tempat objek penelitian, lalu melakukan komunikasi langsung (wawancara) dengan para pakar yaitu dalam hal ini dokter sepesialis penyakit tulang. 3. Penelitian Laboratorium (laboratory research) Melakukan pengolahan data guna memperoleh hasil yang diharapkan dengan melibatkan beberapa perangkat komputer baik berupa hardware maupun software yang dapat membantu dalam pengolahan data. 3.3 Diagram Proses Sistem Pakar

Analisis dan perancangan bertujuan untuk membentuk optimasi dari aplikasi yang akan kita bangun dengan mempertimbangkan faktor-faktor permasalahan kebutuhan yang ada dalam sistem. Upaya yang dapat dilakukan adalah dengan mencari kombinasi perangkat lunak dan teknologi yang tepat sehingga dapat menghasilkan hasil yang tepat dan mudah diimplementasikan. 4.2 Data Penyakit Masalah yang dibahas dalam penelitian ini adalah mengenai penyakit Osteoporosis. Setelah melakukan wawancara dengan pakar, sehingga mendapatkan kejelasan tentang penyakit tersebut. Beberapa kategori penyakit pada Osteoporosis yang dibahas dalam penelitian ini terlihat pada Tabel 1. T abel 1. T abel Data Penyakit Kode Penyakit P001

Nama Penyakit Osteoporosis Primer

P002

Osteoporosis Sekunder

Pada penelitian ini terdapat beberapa langkah yang dikerjakan mulai dari analisis data sampai dengan mendapatkan hasil, diagram proses pada penelitian ini dapat dilihat pada Gambar 4. 4. Hasil dan Pembahasan 4.1 Analisis Data Pada dasarnya kegiatan yang dilakukan pada tahap analisis ini ada dua bagian, yaitu tahap survei pengumpulan data dan analisis terstruktur yang secara garis besar untuk memperoleh pengertian dari permasalahan-permasalahan, efisiensi dan pertimbangan-pertimbangan yang mengarah ke pengembangan sistem. Memperkirakan kendala-kendala yang akan dihadapi dalam pengembangan sistem

Keterangan Osteoporosis primer merupakan jenis yang paling umum dari Osteoporosis, dan lebih sering dialami oleh kaum wanita ketimbang pria. Pada wanita, hilangnya kepadatan tulang biasanya dimulai setelah periode menstruasi bulanan berhenti yakni antara usia45 dan 55). Pada pria, penipisan tulang umumnya dimulai sekitar usia 45 sampai 50 tahun ? ketika produksi testosteron mereka melambat. Osteoporosis sekunder memiliki gejala yang sama seperti Osteoporosis primer. Namun, Osteoporosis sekunder disebabkan oleh kondisi medis tertentu seperti hiperparatiroidisme, hipertiroidisme, atau leukemia. Hal ini juga bisa terjadi karena konsumsi obat yang dapat menyebabkan kerusakan tulang, seperti kortikosteroid, hormon tiroid, dan inhibitor aromatase.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 425

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 Kode Penyakit P003

Nama Penyakit Osteoporosis imperfekta

Setelah diperoleh jenis-jenis penyakit Osteoporosis, maka selanjutnya adalah mengelompokan dari gejalaOsteogenesis imperfekta merupakan gangguan jaringan ikat yang bersifat gejala penyakit tersebut, terdapat 15 gejala penyakit genetik dan cukup jarang dijumpai. Osteoporosis seperti yang tertera pada Tabel 2. Keterangan

Ditandai dengan tulang yang rapuh dan mudahnya terjadi patah tulang. Penyembuhan osteogenesis imperfekta sampai saat ini belum ditemukan. Penanganannya difokuskan untuk mencegah komplikasi serta menjaga massa tulang serta kekuatan otot. Osteoporosis juvenile idiopathic merupakan jenis Osteoporosis yang penyebabnya belum diketahui. Halini terjadi pada anak-anak dan dewasa muda yang memiliki kadar dan fungsi hormon yang normal, kadar vitamin yang normal, serta tidak memiliki penyebab yang jelas dari rapuhnya tulang.

4.4 Analisis dan Proses

Dalam mengembangkan sistem pakar ini pengetahuan dan informasi diperoleh dari beberapa sumber, yaitu dari dokter serta dari buku tentang penyakit Osteoporosis. Pengetahuan ini akan direpresentasikan dalam bentuk P004 Osteoporosis rule yang berguna untuk menemukan kesimpulan juvenile terhadap penyakit Osteoporosis dan solusinya. Pada idiopathic dasarnya rule terdiri dari dua bagian pokok , yaitu bagian premise atau kondisi dan bagian conclution atau kesimpulan. Struktur rule secara logika menghubungkan satu atau lebih kondisi (premise)pada bagian IF (yang akan menguji kebenaran dari serangkaian data) dengan satu atau lebih kesimpulan (conclution) yang terdapat Diperoleh data berupa Nama Penyakit Osteoporosis pada bagian THEN. sebanyak 4 jenis yaitu, Osteoporosis Primer, Selain rule, pada sistem pakar juga dibutuhkan database Osteoporosis Sekunder, Osteoporosis Imperfecta, yang berisi fakta tentang penyakit Osteoporosis. Dengan Osteoporosis Juvenile Idiopathic, dari nama penyakit adanya Rule dan database ini belum cukup untuk tersebut dibuat pengkodean dengan kode P001, P002, menyelesaikan masalah penyakit Osteoporosis, untuk P003, P004 seperti pada Tabel 1. menelesuri masalah dibutuhkan sebuah metode inferensi. Metode inferensi yang digunakan dalam penelusuran masalah pada sistem pakar mendiagnosa Tabel 2 menjelaskan data-data gejala dari setiap penyakit Osteoporosis adalah Certainty Factor (faktor penyakit yang di dapat dari hasil wawancara langsung kepastian. Untuk mengakomodasi hal ini kita dengan pakar yang memiliki kompotensi di bidangnya. menggunakan Certainty Factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap T abel 2. T abel Data Gejala Penyakit masalah yang sedang dihadapi. Kode 4.3 Data Gejala Penyakit

No 1

Gejala G001

2 3 4

G002 G003 G004

5

G005 G006

8

G007 G008

9

G009

10 11

G010 G011

12 13

G012 G013

14

G014

15

G015

Gejala

Adanya riwayat penyakit anggota keluarga yang mengidap Osteoporosis. Sering mengonsumsi minuman keras. Sering merokok. Penyakit yang menyerang kelenjar penghasil hormon, seperti kelenjar tiroid yang terlalu aktif. Malabsorpsi (ketidakmampuan usus untuk menyerap nutrisi dari makanan). Pemakaian obat -obatan dalam jangka panjang yang memengaruhi kekuatan tulang atau kadar hormon, seperti konsumsi prednisolon berkepanjangan. Mengidap penyakit paru. Merasakan sakit punggung yang berkelanjutan dalam jangka panjang. Postur punggung bungkuk yang sering terlihat pada orang lanjut usia. Keretakan pada tulang punggung. T idak mengalami siklus menstruasi dalam waktu lama (lebih dari enam bulan). Mengalami menopause dini (sebelum usia 45). Menjalani histerektomi (operasi pengangkatan rahim) sebelum usia 45, terutama jika kedua ovarium juga diangkat. Konsumsi obat-obatan seperti glukokortikoid atau obat-obatan steroid selama lebih dari tiga bulan. Kondisi yang menyebabkan kadar testosteron lebih rendah dari kadar normal (hipogonadisme).

Adapun cara dalam mendapatkan tingkat keyakinan (CF) dari sebuah rule yang peneliti gunakan, yaitu dengan cara mewancarai seorang pakar. Nilai CF (Rule) didapat dari interpretasi “term” dari pakar, yang diubah menjadi nilai CF tertentu sesuai Tabel 3. T abel 3. T abel Nilai Certainty Factor Uncertain Term Definitely not (tidak pasti) Almost certainly not (hampir tidak pasti) Probably not (kemungkinan besar tidak) Maybe not (mungkin tidak) Kemungkinan kecil Maybe (mungkin) Probably (kemungkinan besar) Almost certainty (hampir pasti) Definitely (pasti)

CF 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 1

Nilai CF ini digunakan untuk mengukur derjad keyakinan seorang pakar terhadap data. 4.5 Iterasi Rule sebuah teknik respentasi pengetahuan sintax rule IF E Then H. Evidence (fakta yang ada) dan hipotesa atau kesimpulan yang dihasilkan. Lihat Tabel 4.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 426

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 T abel 4: T abel Nilai CF Rule Rule

Nilai CF

R1 = IF G002 AND G003 AND G004 AND G010 AND G012 T HEN P001 R2 = IF G002 AND G005 AND G006 AND G007 AND G013 T HEN P002 R3 = IF G004 AND G005 AND G007 AND G013 AND G014 T HEN P003 R4 = IF G001 AND G008 AND G009 AND G010 AND G012 AND G015 T HEN P004

0,8 0,8 0,8 0,8

= (0,8*(M in[0,8 ; 0,8 ; 0,4; 0,4 ; 0,4] ) = 0,32

Fakta Baru : P001 Osteoporosis Primer R2 = Tidak dieksekusi karena R3 = Tidak dieksekusi karena R4 = Tidak dieksekusi karena R5 = Tidak dieksekusi karena

CF = 0,32 Tidak Lengkap Tidak Lengkap Tidak Lengkap Tidak Lengkap

T abel 6: T abel Fakta Baru Penyakit Fakta Baru

Hasil dari iterasi maka diperoleh sebuah rule yang akan digunakan dalam penelitian ini. Lihat Tabel 5.

Fakta Fakta Fakta Fakta

P001

Nama Penyakit Osteoporosis Primer

Nilai CF CF1 = 0,32

T abel 5. T abel Fakta Gejala Pasien Kode G001 G002 G003 G004 G005

G006

G007 G008 G009 G010 G011 G012 G013

G014

G015

Pertanyaan Apakah adanya riwayat penyakit anggota keluarga yang mengidap Osteoporosis ? Apakah Anda sering mengonsumsi minuman keras ? Apakah Anda sering merokok ? Apakah Anda mengidap penyakit hipertiroidisme ? Apakah Anda mengidap Malabsorpsi (ketidakmampuan usus untuk menyerap nutrisi dari makanan) ? Apakah Anda sering menggunakan obat -obatan dalam jangka panjang yang memengaruhi kekuatan tulang atau kadar hormon, seperti konsumsi prednisolon berkepanjangan ? Apakah Anda mengidap penyakit paru ? Apakah Anda merasakan sakit punggung yang berkelanjutan dalam jangka panjang ? Apakah postur punggung anda membungkuk ? Apakah terdapat keretakan pada tulang punggung ?

Jawaban User T idak

Apakah Anda tidak mengalami siklus menstruasi dalam waktu lama (lebih dari enam bulan) ? Apakah Anda Mengalami menopause dini (sebelum usia 45) ? Apakah Anda pernah menjalani histerektomi (operasi pengangkatan rahim) sebelum usia 45 ? Apakah Anda sering konsumsi obat-obatan seperti glukokortikoid atau obat-obatan steroid selama lebih dari tiga bulan ? Apakah Anda mengidap hipogonadisme ?

T idak

Kesimpulan: Penyakit yang diderita oleh user Adalah : Osteoporosis Primer dengan Tingkat Kepastian = 0,32 atau 32 %. Sepert terlihat pada Tabel 6.

Ya (Nilai CF : 0,8) 4.6 Hasil Ya (Nilai CF : 0,8) Hasil dari perancangan sistem pakar ini dapat dilihat Ya (Nilai CF : 0,4) apabila aplikasi ini dijalankan pada sebuah komputer T idak

T idak

dengan web browser (mozila, google chrome dan internet explorer). Pengguna website sistem pakar ini dapat mencari informasi dan melakukan konsultasi pada suatu jenis penyakit Osteoporosis. Pengguna dapat memilih beberapa menu form yang tersedia dan ditampilkan pada form utama yang terdapat dalam website. Untuk lebih jelasnya dapat dilihat pada Gambar 5.

T idak T idak T idak Ya (Nilai CF : 0,4)

Ya (Nilai CF : 0,4) T idak

T idak

T idak

Keterangan setiap rule dari fakta baru : R1= IF G002 (CF = 0,8) AND G003 (CF = 0,8) AND G004 (CF = 0,4) AND G010 (CF = 0,4) AND G012 (CF = 0,4) THEN P001 (CF = 0,8) CF1 (P001*(M in [G006 ᴒ G007 ᴒ G008 ᴒ G009 ᴒ G010])

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 427

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429

12 13

14 15

Gejala yang dipilih : Mengalami menopause dini (sebelum usia 45) Menjalani histerektomi (operasi pengangkatan rahim) sebelum usia45, terutama jika kedua ovarium juga diangkat Konsumsi obat-obatan seperti glukokortikoid atau obat -obatan steroid selama lebih dari tiga bulan Kondisi yang menyebabkan kadar testosteron lebih rendah dari kadar normal (hipogonadisme)

Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.2

Kesimpulan hasil konsultasi : Sistem Pakar Mendiagnosa Anda terdiagnosa Osteoporosis Primer dengan tingkat kepastian 8%

Gambar 5. T ampilan Pertanyaan Sistem Pakar

Pada web sistem pakar yang dihasilkan terdapat beberapa menu yaitu: Home, Info Penyakit, Konsultasi, Petunjuk dan Kontak. Guna melakukan konsultasi setiap user harus melakukan registrasi terlebih dahulu baru bisa melanjutkan untuk konsultasi. Hasil konsultasi mengunakan sistem pakar dapat dilihat pada Tabel 7.

Keterangan : Osteoporosis primer merupakan jenis yang paling umum dari osteoporosis, dan lebih sering dialami oleh kaum wanita ketimbang pria. Pada wanita, hilangnya kepadatan tulang biasanya dimulai setelah periode menstruasi bulanan berhenti yakni antara usia 45 dan 55). Pada pria, penipisan tulang umumnya dimulai sekitar usia 45 sampai 50 tahun,ketika produksi testosteron mereka melambat. Pengobatan : Segera Periksa Ke Dokter Pada Penelitian ini ujicoba dilakukan kepada 20 orang user, dimana dari hasil uji coba tersebut dan dibandingkan dengan pendapat dokter maka diperoleh keakuratan dari sistem ini sebesar 80%.

T abel 7: Hasil Konsultasi

2

Gejala yang dipilih : Adanya riwayat penyakit anggota keluarga yang mengidap osteoporosis Sering mengonsumsi minuman keras

3

Sering merokok

4

Penyakit yang menyerang kelenjar penghasil hormon, seperti kelenjar tiroid yang terlalu aktif (hipertiroidisme) Malabsorpsi (ketidakmampuan usus untuk menyerap nutrisi dari makanan) Pemakaian obat-obatan dalam jangka panjang yang memengaruhi kekuatan tulang atau kadar hormon, seperti konsumsi prednisolon berkepanjangan. Mengidap penyakit paru

1

5 6

7 8 9 10 11

Merasakan sakit punggung yang berkelanjutan dalam jangka panjang Postur punggung bungkuk yang sering terlihat pada orang lanjut usia Keretakan pada tulang punggung T idak mengalami siklus menstruasi dalam waktu lama (lebih dari enam bulan)

5. Kesimpulan Nilai Kepastian Gejala : 0.7 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.7 Nilai Kepastian Gejala : 0.8

Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.5 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1 Nilai Kepastian Gejala : 0.1

5.1 Simpulan Sudah dibangun sebuah sistem pakar untuk diagnosa penyakit Osteoporosis yang dapat melakukan diagnosa awal terhadap suatu penyakit yang dirasakan oleh user, sehingga membantu user dalam mengenali gejala-gejala penyakit Osteoporosis yang mereka rasakan, serta dengan adanya sistem pakar ini dapat dijadikan solusi alternatif bagi masyarakat untuk melakukan diagnosa dini terhadap gejala-gejala penyakit Osteoporosis yang mereka rasakan sebelum melakukan konsultasi langsung dengan pakar dalam hal ini dokter spesialis tulang. Sistem ini mampu menyimpan representasi pengetahuan pakar berdasarkan nilai kepercayaan (certainty factor) dengan keakuratan sebesar 80%. 5.2 Saran Sistem pakar ini hanyalah sebagai diagnosa dini terhadap penyakit Osteoporosis, jadi tetap disarankan untuk berkonsultasi dengan dokter / ahlinya. Daftar Rujukan [1]

Hasan, Aliah B. Purwakania,”Psikologi Perkembangan Islami,” RajaGrafindo Persada: Jakarta, 2008.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 428

Yuhandri Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 Ministry of Health, ”World Osteoporosis Day 2013,”[online], tersedia dalam: http://www.moh.gov.sa/en/HealthAwareness/healthDay/2013/ Pages/HealthDay-025.aspx. [3] Halim, S. dan Hansun, S.” Penerapan Metode Certainty Factor dalam Sistem Pakar Pendeteksi Resiko Osteoporosis dan Osteoarthritis,” ULTIMA Computing, Vol. VII, No. 2, 2015. [4] Jogiyanto, H.M., ” Sistem T eknologi Informasi,” Yogyakarta: Andi, 2003. [5] Gordon B. Davis, “Kerangka Dasar Sistem Informasi Manajemen Bagian 1,” PT Pustaka Binamas Pressindo,Jakarta: 1991. [6] Simon, H.A., “Artificial intelligence.” In R.J. Corsini (Ed.), Concise encyclopedia of psychology, Second edition. New York, NY: Wiley, 1987. [7] Winston dan Prendergast, “T he AI Business: T he Commercial Uses Of Artificial Intelligence,” MIT Press,2004. [8] Sutojo T ., Mulyanto E. dan Suhartono V., “ Kecerdasan Buatan,” Yogyakarta: Andi, 2011. [9] Daniel dan Virginia, G., “Implementasi Sistem Pakar Untuk Mendiagnosis Penyakit Dengan Gejala Demam Menggunakan Metode Certainty Factor,” Jurnal Informatika.Vol.6,No.1,hal. 26-36, 2010. [10] Kusumadewi, S., “Artificial Intelligence (T eknik & Aplikasi),” Yogyakarta : Graha Ilmu, 2003. [11] Infodatin, “Data dan Kondisi Penyakit Osteoprosis di Indonesia,” Pusat Data dan Informasi Kementerian Kesehatan RI, Jakarta, ISSN 2442-7659, 2015 [12] T andra, H., “Segala Sesuatu Yang Harus Anda KetahuiTentang Osteoporosis Mengenal, Mengatasi, dan Mencegah,” Jakarta: Gramedia Pustaka Utama, 2009. [2]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 422 – 429 429

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436

ISSN : 2580-0760 (media online)

Aplikasi Sistem Pencarian Halte BRT Terdekat Kota Semarang Menggunakan Metode A* Berbasis Android Abimanyu Cahya Pramudhitaa, Muljonob Program Studi Tehnik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, a [email protected], [email protected]

Abstract BRT (Bus Rapid Transit) is one of public transportation that can be used in Semarang City. This bus is operated to break down the congestion in Semarang city which is increasing. This paper aims to make the application of the bus stop search system closest and is expected to facilitate the people of Semarang city in the use of BRT (Bus Rapid Transit). A* Algorithm, This algorithm is a Best First Search algorithm that combines Uniform Cost Search and Greedy Best-First Search. Where the Price considered f(n) is derived from the actual price g(n) plus the approximate price h(n). The created application provides the nearest stop information by using the A* method. From the calculations performed using the A* method and conducted 20 experiments at different locations, the A* method has 100% accuracy in determining the nearest up and down stops, if in an accurate Global Positioning System. Keywords: Information System, A*, BRT System, Bus Rapid Transit, Android.

Abstrak BRT (Bus Rapid Transit) adalah salah satu transportasi umum yang dapat digunakan di Kota Semarang. Bus ini dioperasikan guna mengurai kemacetan di Kota Semarang yang semakin meningkat.Makalah ini memiliki tujuan untuk membuat aplikasi sistem pencarian halte bus terdekat dan diharapkan dapat mempermudah masyarakat kota Semarang dalam penggunaan BRT (Bus Rapid Transit). Algoritma A*, Algoritma ini merupakan algoritma Best First Search yang menggabungkan Uniform Cost Search dan Greedy Best-First Search. Dimana Harga yang dipertimbangkan f(n) didapat dari harga sesungguhnya g(n) ditambah dengan harga perkiraan h(n). Aplikasi yang dibuat memberikan informasi halte terdekat dengan menggunakan metode A*. Dari perhitungan yang dilakukan menggunakan metode A* dan dilakukan 20 percobaan pada lokasi yang berbeda, metode A* memiliki akurasi 100% dalam menentukan halte naik dan turun terdekat, apabila dalam keadaan Global Positioning System yang akurat. Kata Kunci: Sistem Informasi, A*, Sistem BRT, Bus Rapid Transit, Android. © 2018 Jurnal RESTI

1. Pendahuluan

Sehingga penumpang hanya dapat naik di halte khusus yang telah disediakan. Terdapat banyak sekali halte dan rute untuk BRT (Bus Rapid Transit) di Kota Semarang. Bus ini ditujukan agar perjalanan penumpang lebih efisien dan memiliki halte pemberhentian yang tertata. Namun

Pencarian (searching) adalah salah satu topik utama dalam kecerdasan buatan (artificial intelligence). Terdapat banyak algortima pencarian dapat diimplementasikan untuk memecahkan masalah di kehidupan sehari-hari. Salah satunya penerapan algortima pencarian adalah untuk pencarian halte BRT tidak banyak sistem yang menunjukkan halte terdekat (Bus Rapid Transit) terdekat. untuk naik dan turun penumpang dengan perhitungan yang tepat atau efisien. Beberapa sistem biasanya BRT (Bus Rapid Transit) adalah salah satu angkutan hanya menyediakan halte terdekat dengan umum atau transportasi umum yang dapat digunakan di menggunakan perhitungan yang dilakukan Kota Semarang. Bus ini dioperasikan guna mengurai menggunakan API dari Google Maps tanpa mengerti kemacetan di Kota Semarang yang semakin meningkat. algoritma apa yang ada di dalamnya [1]. Hal yang membedakan BRT (Bus Rapid Transit) dengan bus kota lainnya adalah pintu otomatis yang Dari aplikasi BRT yang telah dibuat sebelumnya, ada terletak lebih tinggi, tidak boleh mengangkut atau banyak fitur kelebihannya, beberapa fitur tersebut yaitu menurunkan penumpang selain melalui halte BRT. dapat mengetahui posisi bus terdekat. Dapat Diterima Redaksi : 26-11-2017 | Selesai Revisi : 04-02-2018 | Diterbitkan Online : 30-04-2018 430

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 memberikan informasi CCTV di beberapa tempat di semarang, dan informasi mengenai beberapa titik shelter yang ada. Namun juga terdapat beberapa kekurangan dari aplikasi BRT, aplikasi ini hanya menunjukkan rute naik dan turun untuk shelter atau halte BRT tetapi tidak dapat menunjukkan halte tempat naik dan turun terdekat dari keinginan pengguna. Algoritma A*, Algoritma ini merupakan algoritma Best First Search yang menggabungkan Uniform Cost Search dan Greedy Best-First Search. Dimana Harga yang dipertimbangkan f(n) didapat dari harga sesungguhnya g(n) ditambah dengan harga perkiraan h(n) [2].

2. Tinjauan Pustaka Dalam penelitian hal yang termasuk penting adalah penelitian terkait atau penelitian yang sudah dilakukan sebelumnya untuk dijadikan acuan dalam penelitian terkini.Dan berikut adalah beberapa penelitian terkait yang serupa dengan penelitian ini. Penelitian dengan judul “Penerapan Algoritma A* Pada Permasalahan Optimalisasi Pencarian Solusi Dynamic Water Jug” untuk mencari solusi permasalahan optimalisasi pencarian solusi dynamic water jug. Optimalisasi adalah sebuah proses memodifikasi sistem untuk membuat beberapa aspek agar bekerja lebih efisien atau menggunakan resource (sumber) lebih sedikit. Sebuah program komputer di optimalisasi sehingga bisa menjalankan tugasnya lebih dengan cepat, atau mampu untuk beroperasai dalam pengurangan sejumlah memory storage [2].

Dari paparan di atas tentang Bus Rapid Transit dan algoritma A * dapat dilakukan penelitian tentang pembuatan sistem informasi halte BRT untuk mencari halte bus terdekat saat pengguna ingin naik bus dan halte bus terdekat untuk penurunan dengan menggunakan metode A*. Agar dapat diperoleh halte Algoritma A* pada penelitian [3] digunakan untuk terdekat sebagai informasi yang dihasilkan khususnya mencari lokasi gedung dan ruangan di Universitas bagi masyarakat awam atau yang berasal dari luar kota. Islam Negeri Sultan Syarif Kasim Riau. Sistem yang dibangun menggunakan platform Android. Peta digital Berdasarkanapada latar belakang masalah diaatas, UIN Suska Riau dibangun dengan bahasa maka perumusan masalah yang akan diselesaikan pemrograman Action Scritp 3 dan menampilkan dalam penelitian ini yaitu sebagai berikut : informasi rute sehingga memberikan kemudahan bagi 1. Calon penumpang kesulitan menentukan posisi pengguna menemukan lokasi gedung dan ruangan UIN halte bus naik dan turun terdekat pada tujuan Suska Riau. tertentu. 2. Bagaimana menginformasikan kepada calon penumpang untuk lokasi halte terdekat menggunakan metode A* ( A – star ). 3. Apakah A * akurat digunakan untuk mencari lokasi terdekat. Darisperumusanmasalah, maka perlu adanya suatu batasan masalah. Beberapa batasan masalah tersebut diantaranya, yaitu : 1. 2. 3.

Pembuatan sistem dengan bahasa pemrograman PHP, Java Android dan database MySql. Data rute dan halte yang digunakan hanya di ruang lingkup BRT kota Semarang. Penelitian dilakukan di dinas perhubungan Kota Semarang untuk pengambilan data.

Tujuan dari penelitian ini, yaitu sebagai berikut: 1.

2. 3.

Dengan membuat aplikasi sistem pencarian halte bus tersebut, diharapkan dapat mempermudah masyarakat kota Semarang dalam penggunaan BRT. Mengimplementasikan metode A * dalam pencarian halte BRT terdekat pada tujuan tertentu. Membuktikan apakah algoritma A * akurat digunakan untuk sistem pencarian halte naik dan turun terdekat.

Penelitian [4] juga menggunakan algoritma A* untuk pencarian mesin ATM terdekat di Palembang. ATM mulai banyak ditemui di berbagai tempat umum dan strategis seperti pusat perbelanjaan, minimarket dan tempat khusus yang telah di sediakan oleh pihak bank. Sistem ini dapat digunakan masyarakat umum untuk mencari lokasi ATM di daerah sekitarnya maupun di daerah yang baru di datangi sehingga pengguna tidak perlu bertanya pada warga sekitar dimana lokasi ATM terdekat. Sedangkan penelitian [5] menerapan algoritme A* dalam optimasi penentuan halte dan rute transmusi untuk setiap kasus sehingga dapat berjalan sesuai dengan yang diharapkan dan keadaan nyatanya, dalam arti hasilnya sesuai dengan perhitungan manual berdasarkan parameter jarak dan jumlah armada sehingga menghasilkan halte dan rute trasmusi yang optimal bagi pengguna sesuai dengan koordinat awal pengguna dan koordinat tujuan. Pada beberapa penelitian lainnya, algortima A* diimplementasik untuk aplikasi game, pada [6] dijelaskan bahwa penggunaan algoritma A* berhasil diterapkan sebagai pembangkit perilaku pencarian pada NPC pada game 3D pembelajaran kosakata Bahasa Arab. Pada [7] algoritma A* diterapkan pada Game Edukasi The Maze Island berbasis Android dan didapatkan bahwa algoritma A* lebih baik daripada algoritma lainnya karena algoritma ini memiliki nilai heuristik sebagai nilai pembanding sehingga dapat mencari solusi yang terbaik dari permasalahan yang

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 431

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 ada jika solusi itu memang ada. Sedangkan penelitian [8] menerapkan algoritma A* sebagai pembangkit perilaku pencarian pada NPC untuk game 3D Wayang Adventure Penelitian ini difokuskan pada platform desktop [8].

3.2 Design System

Pada tahap ini merupakan tahap implementasi design yang meliputi interface maupun design model yang akan di implementasikan. Beberapa desain sistem yang dibuat, meliputi desain login, desain halaman halte Penelitian “Penerapan Algoritma A* (Star) Untuk admin, desain rute admin, desain database Mencari Rute Tercepat Dengan Hambatan” mempelajari cara kerja algoritma A* dalam mencari jarak tercepat, yang disimulasikan dengan kondisi seorang mencari rute dalam keadaan jalanan macet dan memiliki menyimpulkan bahwa algoritma A* dapat diterapkan sebagai algoritma untuk menentukan rute (jalur) terbaik yang akan dilalui [9]. Karena banyaknya gedung dan ruangan yang ada pada Universitas Universitas Haluoleo, mengakibatkan pengunjung kesulitan menemukan gedung dan ruangan yang dicari. Oleh karena itu dibutuhkan sistem yang dapat menunjukkan lokasi gedung dan ruangan beserta jalur terpendeknya, agar waktu pencarian lebih efisien. Penelitian [10] menggunakan algoritma Dijkstra pencarian rute gedung dan ruangan pada fakultas di Universitas Haluoleo. Penelitian dengan judul "Perbandingan Algoritma Branch And Bound Dan Algoritma Genetika Untuk Mengatasi Travelling Salesman Problem (Tsp) (Studi Kasus Pt. Jne Semarang)" [11] mengkaji sebuah permasalahan pencarian solusi optimum untuk masalah Travelling Salesman Problem (TSP). Sedangkan [12] menerapan algoritma Branch And Bound dalam menentukan jalur terpendek untuk melakukan pencarian penginapan dan hotel di Kota Kendari.

Gambar 1. desain database

3.3 Development System

Dalam tahap ini merupakan tahap development atau merubah perilaku atau perhitungan A* menjadi sebuah kode pemrograman yang nantinya akan menjadi sebuah sistem. Di tahap ini kode pemrograman dibuat dengan android dan juga PHP. karena user admin akan melakukan input data halte dan rute melalui laptop / pc. Dari beberapa penelitian sebelumnya yang telah Sedangkan user pengguna akan mengakses melalui dilakukan metode A* dapat digunakan sebagai android atau smartphone. algoritma pencarian dalam penelitian ini untuk mencari Tahap ini pembuatan kode pemrograman PHP dibuat lokasi halte bus, karena dari beberapa penelitian menggunakan Framework CAKEPHP. Dan berikut menunjukkan akurasi yang hasil yang bagus untuk adalah kode perhitungan A* untuk hasil development pencarian jarak terpendek, adapun metode yang telah yang telah dibuat. dibandingkan dari beberapa jurnal yang dibaca oleh penulis yaitu metode Depth First Search dan Best First function garis_lurus($lat1, $lon1, $lat2, $lon2, $unit) Search. Menunjukkan A* memiliki akurasi yang tinggi { untuk pencarian jarak terpendek. $lat = $lat1 - $lat2; 3. Metode Penelitian Beberapa langkah yang pengembangan sistem :

harus dilakukan dalam

3.1 Analysis System Analisa sistem merupakan hal yang terpenting dalam pembuatan sistem, tanpa adanya data yang benar maka sistem juga tidak akan menghasilkan solusi yang baik untuk permasalahan yang ada. Analisis sistem dilakukan dengan studi literatur, observasi dan wawancara.

$lon = $lon1 - $lon2; $la = pow($lat, 2); $lo = pow($lon, 2); $to = $la + $lo; $total = sqrt($to); $ha = round($total,3); // var_dump($ha); // if ($ha >= 1) { $hasil = round(($ha * 111.32),2); return $hasil; } } function jarak_sebenarnya($lat1, $lon1, $lat2, $lon2) {

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 432

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 $p1 = "origins=".$lat1.",".$lon1; $p2= "&destinations=".$lat2.",".$lon2; $parameter = $p1.$p2; $url="https://maps.googleapis.com/maps/api/distance matrix/json?units=imperial&".$parameter; $ch = curl_init(); curl_setopt($ch,CURLOPT_SSL_VERIFYPEER,false); curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); curl_setopt($ch, CURLOPT_URL, $url); $result = curl_exec($ch); curl_close($ch); $result_array = json_decode($result); $hasil = $result_array->rows[0]->elements[0]->distance>value / 1000; //print_r(); // return $hasil; return $hasil; // echo $result; } function A_star($lat1, $lon1, $lat2, $lon2, $unit) { $x = garis_lurus($lat1, $lon1, $lat2, $lon2, $unit); $y = jarak_sebenarnya($lat1, $lon1, $lat2, $lon2); return $x + $y; # code... }

Gambar 3.Upload file ke server

Gambar 2. Perhitungan A* pencarian titik terdekat

3.4 Implementation System Tahap ini adalah tahap dimana aplikasi sudah jadi dan telah siap untuk dilakukan deployment.Juga merupakan tahap dimana penulis melakukan setting dan pemasangan aplikasi yang telah jadi. Lihat Gambar 3 – 8.

Gambar 4. Halaman Transit

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 433

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436

Gambar 5.Halaman Utama Aplikasi

Gambar 7. Pencarian Rute Turun

Gambar 6. Halaman Info Gambar 8. Hasil Pencarian Titik Naik dan Turun Terdekat

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 434

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 3.5 Evaluation System Pada tahap ini adalah tahap dilakukan evaluasi terhadap hasil penelitian yang telah dilakukan dan sistem yang telah dibuat. Lihat Tabel 1. Tabel 1. Tabel pengujian A – Star No

1

2

Kasus dan Hasil Pengujian Target Hasil Pengamatan Input MenamMenamdata gps pilkan pilkan halte penghalte naik naik guna terdekat terdekat Mencari MenamMenamlokasi pilkan pilkan halte turun halte turun turun pengterdekat terdekat guna Data Input

Kesimpu-lan

Berhasil

Berhasil

4. Hasil dan Pembahasan Implementasi pencarian halte naik dan turun terdekat menggunakan metode A*. Metode perhitungan A* dapat diperoleh dengan rumus : ( )

( )

( )

(1)

Dimana g adalah jarak garis lurus antara satu titik dengan titik lain. Dan h adalah jarak heuristic satu titik dengan titik lainnya. Dari hasil yang didapat maka dicari titik terendah dari titik awal yang nantinya akan menjadi titik terdekat.

Gambar 9. Hasil pencarian metode A*

1. Implementasi Pencarian titik terdekat menggunakan A* Dalam percobaan ini mencari data halte melalui tabel yang ada dari database.Diambil 2 sampel data yaitu halte 1 dan halte 2. Lalu metode A* akan memilih satu halte sebagai titik terdekat. Lihat Gambar 9. Pada Gambar 9 titik hijau menjelaskan titik pengguna atau user dengan GPS yang menyala. Lalu data untuk halte satu nilai g(n) = 0.25KM dan nilai h(n) = 1 KM. Sedangkan untuk halte dua memiliki nilai g(n) = 0.47KM dan nilai h(n) = 2KM. Jika dihitung dengan menggunakan metode A*. Maka titik halte terdekat yang akan dipilih adalah halte satu. 2. Hasil Pencarian Pada hasil pencarian di Gambar 10 di dapatkan hasil titik halte terdekat di halte satu dengan menggunakan metode A*. Dalam penelitian ini hasil nilai g(n) diperoleh dari rumus 2.

Gambar 10.Hasil Pencarian

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 435

Abimanyu Cahya Pramudhita, Muljono Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436

(2) 5.2 Saran Sedangkan hasil nilai h(n) diperoleh dari rumus: √

( (

) )

(3)

Berikut adalah paparan evaluasi setelah hasil implementasi dilakukan oleh penulis. 1. Program yang dibuat telah berhasil lulus pengujian blackbox dan sudah sesuai dengan target yang diharapkan 2. Program yang dibuat telah sesuai mencari titik terdekat menggunakan pencarian A*. 3. Metode A* dapat digunakan untuk mencari jarak terdekat naik dan turun halte bus rapid transit. 4. Apabila terdapat titik koordinat yang tidak sesuai maka hasil perhitungan jarak garis lurus dan jarak asli akan berbeda, maka berubah juga hasil yang akan di dapat. 5. Kesimpulan 5.1 Simpulan Simpulan yang dapat diambil dari aplikasi sistem pencarian halte BRT terdekat kota Semarang menggunakan metode A* berbasis andorid adalah : 1. Dalam penelitian ini dapat menentukan titik terdekat naik dan turun pada tujuan tertentu untuk membantu penumpang atau pengguna Bus Rapid Transit. 2. Aplikasi yang dibuat memberikan informasi hate terdekat dengan menggunakan metode A*. 3. Dari perhitungan yang dilakukan menggunakan metode A* dan dilakukan 20 percobaan pada lokasi yang berbeda, metode A* memiliki akurasi 100% dalam menentukan halte naik dan turun terdekat, apabila dalam keadaan Global Positioning System yang akurat. 4. Penggunaan Smartphone sangat menentukan titik halte terdekat, apabila Global Positioning System memberikan titik akurat maka halte terdekat yang dihasilkan akan akurat juga begitupun sebaliknya.

1. Dalam penelitian selanjutnya dapat dilakukan perbandingan metode lain selain A* jika memungkinkan di dapat akurasi yang lebih baik. 2. Metode A* dapat digunakan dalam penentuan rute terpendek untuk kasus yang lain. 6. Daftar Rujukan [1] K. Panji Wisnu Wirawan, Djalal Er Riyanto, 2016. “Pemodelan Graph Database Untuk Moda Transportasi Bus Rapid Transit”, Jurnal Informatika, vol. 10, no. 2, pp. 1233–1243. [2] Firman Harianja, 2013. “Penerapan Algoritma a * Pada Permasalahan Optimalisasi Pencarian Solusi Dynamic Water Jug”,Jurnal Pelita Informatika Budi Darma, Vol IV, Nomor 3, Agustus 2013, pp. 48–53. [3] M. Irsyad and E. Rasila, 2015. “Aplikasi Pencarian Lokasi Gedung dan Ruangan Universitas Islam Negeri Sultan Syarif Kasim Riau pada Platform Android Menggunakan Algoritma AStar ( A *)”, Jurnal CorelIT, vol. 1, no. 2, Desember 2015, pp. 90–95. [4] A. Ayu, Y. Saputra, and A. Rahman, 2016. “Penerapan Algoritma A Star Dalam Pencarian Mesin ATM Terdekat di Palembang Berbasis Android”, Jurnal STMIK GI MDP. [5] W. Mutia Purwati, Okti Firnawati, 2015. “Penerapan algoritma a* ( a star ) dalam optimasi penentuan halte transmusi di palembang berbasis android, Jurnal STMIK GI MDP. [6] Badzrotul Mufida, 2016. “Implementasi Metode A* (A-Star) Untuk Npc Musuh Pada Game 3d Pembelajaran Kosakata Bahasa Arab”, Skripsi, Jurusan Teknik Informatika, Universitas Islam Negeri Maulana Malik Ibrahim, Malang. [7] A. Pamungkas, E. P. Widiyanto, and R. Angreni, 2014. “Penerapan Algoritma A* ( A Star ) Pada Game Edukasi The Maze Island Berbasis Android”, Jurnal STMIK GI MDP. [8] Ifa Alif, 2015. “3d Wayang Adventure Game Untuk Pengenalan Budaya Wayang Nusantara Menggunakan A* Pathfinding Algorithm Sebagai Pembangkit Perilaku Pencarian Pada Npc”, Skripsi, Jurusan Teknik Informatika, Universitas Islam Negeri Maulana Malik Ibrahim, Malang. [9] Y. Syukriah, Falahah, and H. Solihin, 2016. “Penerapan algoritma a* (star) untuk mencari rute tercepat dengan hambatan”, Seminar. Nasional. Telekomunikasi dan Informasi., no. Selisik, pp. 219–224. [10] M. Y. Amden Junianto Jalu Marseno, 2015. “Panduan Pencarian Rute Gedung Dan Ruangan Pada Fakultas Di Universitas Halu Oleo Menggunakan Algoritma Dijkstra Berbasis Macromedia Flash", Seminar Nasional semanTIK, vol. 1, no. 2, pp. 45–56. [11] R. A. Ari Yulianto Nugroho, Amin Suyitno, 2016. “Perbandingan Algoritma Branch And Bound Dan Algoritma Genetika Untuk Mengatasi Travelling Salesman Problem (Tsp) (Studi Kasus Pt. Jne Semarang),” Jurnal Math UNNES., vol. 3, no. 1, pp. 3–8. [12] L. B. A. Restu Hadi Saputra, Jumadil Nangi, 2017. “Penerapan Algoritma Branch And Bound Dalam Menentukan Jalur Terpendek Untuk Melakukan Pencarian Penginapan Dan Hotel Di Kota Kendari”, Seminar Nasional semanTIK, vol. 3, no. 1, pp. 2–5.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 430 – 436 436

Terbit online pada laman web jurnal : http://jurnal.iaii.or.id

JURNAL RESTI

(Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443

ISSN : 2580-0760 (media online)

Penentuan Beasiswa Pada SMPN 6 Pangkalpinang Menggunakan Metode SAW dan Fuzzy Multi Attribute Decision Making Fitriyania, Yurandab , Peti Pajarinic, Rosmawatid Program Studi Sistem Informasi, ST MIK Atma Luhur Pangkalpinang, [email protected]

Abstract The scholarship is one of the important tools in advancing education for the students both scholarship achievement and underprivileged scholarship. But often the school confused to determine which students are eligible to receive the scholarship because there may be students who have similar criteria with other students, so the possibility of the wrong school in choosing which students are really entitled to receive scholarships. This is because there is no method or tool used to determine the scholarship recipient. For that purpose, a system is designed to determine the students who are entitled to receive scholarship using Simple Additive Weighting (SAW) method and Fuzzy Multi Attribute Decision Making (FMADM). SAW method is used to rank from existing alternatives ie A1 (student 1), A2 (student 2), A3 (student 3) and A4 (student 4). The FMADM method is used to find alternatives from a number of alternatives with predetermined criteria. The results of this study can be used as a tool in making decisions to recommend students who are eligible to receive scholarships. Keywords: Scholarship, FMADM, SAW, Alternative, Criteria

Abstrak Beasiswa merupakan salah satu alat penting dalam memajukan pendidikan untuk siswa/siswi baik beasiswa berprestasi maupun beasiswa kurang mampu. Namun sering kali pihak sekolah bingung untuk menentukan siswa mana yang berhak menerima beasiswa tersebut karena mungkin ada siswa yang mempunyai kriteria yang hampir sama dengan siswa yang lain, sehingga kemungkinan pihak sekolah salah dalam memilih siswa mana yang benar-benar berhak menerima beasiswa. Hal ini disebabkan karena belum adanya metode atau alat bantu yang digunakan untuk menentukan penerima beasiswa tersebut. Untuk itu dirancang suatu sistem untuk menentukan siswa yang berhak menerima beasiswa dengan menggunakan metode Simple Additive Weighting (SAW) dan Fuzzy Multi Attribute Decision Making (FM ADM ). M etode SAW digunakan untuk merangking dari alternatif yang ada yaitu A1(siswa 1), A2(siswa 2), A3(siswa 3) dan A4(siswa 4). M etode FM ADM digunakan untuk mencari alternatif dari sejumlah alternatif dengan kriteria-kriteria yang telah ditentukan. Hasil penelitian ini dapat digunakan sebagai alat bantu dalam mengambil keputusan untuk merekomendasikan siswa yang berhak menerima beasiswa. Kata Kunci : Beasiswa, FM ADM , SAW, Alternatif, Kriteria © 2018 Jurnal RESTI

1. Pendahuluan SMP Negeri 6 Pangkalpinang adalah salah satu sekolah menengah pertama yang ada di kota pangkalpinang, yang beralamat di jalan kalamaya kelurahan bacang kecamatan bukit intan. SMP Negeri 6 Pangkalpinang setiap tahun menerima siswa yang cukup banyak sehingga pihak sekolah sulit menentukan siswa yang berhak mendapatkan beasiswa. Adapun jenis beasiswa di SMP Negeri 6 Pangkalpinang yaitu beasiswa Berprestasi, PIP, BSM atau BKM. Beasiswa prestasi terdiri dari dua jenis yaitu beas iswa prestasi akademik dan non-akademik, beasiswa prestasi akademik adalah beasiswa yang didapatkan oleh siswa yang memiliki nilai prestasi rangking umum di sekolah, sedangkan beasiswa prestasi non-akademik adalah beasiswa yang

di dapatkan oleh siswa yang memiliki prestasi dianataranya prestasi dibidang atlet dan seni. Untuk beasiswa PIP (Program Indonesia Pintar) adalah bantuan yang berupa uang tunai dari pemerintah yang diberikan kepada siswa yang memiliki kartu KIP (Kartu Indonesia Pintar), dan yang terakhir adalah beasiswa BSM (Bantuan Siswa Miskin) dan BKM (Bantuan Kurang Mampu) yaitu jenis beasiswa bantuan secara tunai yang diberikan kepada siswa yang kurang mampu. Adapun kendala yang dihadapi dalam penentuan beasiswa di SMP Negeri 6 Pangkalpinang yaitu sulitnya menentukan penilaian dan tingkat ekonomi siswa yang akan menerima beasiswa sesuai dengan ketentuan yang berlaku, sulitnya menentukan dan menetapkan siswa yang layak menerima beasiswa

Diterima Redaksi : 23-03-2018 | Selesai Revisi : 30-04-2018 | Diterbitkan Online : 30-04-2018 437

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 dengan tepat dan akurat untuk menghindari terjadinya kesalahan pengolahan data, serta membutuhkan waktu yang lama dalam memproses pengolahan data. Dalam menghadapi masalah tersebut berdasarkan sumber-sumber yang di dapat yang tidak jauh berbeda dengan permasalahan di atas maka diperlukan sebuah metode dan sistem untuk membantu pengambilan keputusan dalam menentukan beasiswa. Dalam hal ini metode yang akan digunakan untuk memproses perhitungan berdasarkan syarat-syarat yang ada yaitu, dengan metode SAW (Simple Additive Weighting)[6], Metode ini akan menghitung bobot dari syarat-syarat yang telah ditentukan, dan hasil perhitungan ini akan digunakan sebagai acuan dalam menentukan siswa yang berhak mendapatkan beasiswa dengan cara urutan nilai dari yang teratas sampai paling bawah, dengan metode FMADM (Fuzzy Multi Attribute Decision Making)[1]. Metode ini akan meranking bobot nilai siswa dari alternatif. 2.

1. 2. 3. 4.

5. 6.

Menentukan alternatif Menentukan kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Cj Memberikan nilai rating kecocokan setiap alternatif pada setiap kriteria. Menentukan bobot preferensi atau tingkat kepentingan (W) setiap kriteria. W = [W1, W2, W3,…,WJ] Membuat Tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Membuat matrik keputusan (X) yang dibentuk dari Tabel rating kecocokan dari setiap alternatif pada setiap kriteria. Nilai X setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, dimana, i=1,2,…m dan j=1,2,…n.

Tinjauan Pustaka

Sistem Penunjang Keputusan

7.

Turban, Rainer, Potter (20015: 321) bukunya yang berjudul Introduction to Information technology, menyebutkan bahwa Sistem Pendukung Keputusan adalah suatu sistem informasi berbasis computer mengkombinasikan model dan data untuk menyediakan dukungan kepada pengambil keputusan dalam memecahkan masalah semiterstruktur atau masalah ketergantungan yang melibatkan user secara mendalam [3]. Sistem Penunjang Keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. SPK juga dapat merupakan sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semiterstruktur yang spesifik. SPK dapat menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. [7]

8.

Simple Additive Weighting (SAW)

9.

Merupakan metode penjumlahan terbobot. Konsep dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua kriteria . [1] Metode SAW membutuhkan proses normalisasi matrik keputusan (X) ke suatu skala yang dapat diperbandingkan dengan semua rating alternatif yang ada. Metode SAW mengenal adanya 2 (dua) atribut yaitu kriteria keuntungan (benefit) dan kriteria biaya (cost). Perbedaan mendasar dari kedua kriteria ini adalah dalam pemilihan kriteria ketika mengambil keputusan[2]. Adapun langkah penyelesaian dalam menggunakannya adalah:

Melakukan normalisasi matrik keputusan dengan cara menghitung nilai rating kinerja ternomalisasi (rij) dari alternatif Ai pada kriteria Cj.

Keterangan : a. Kriteria keuntungan apabila nilai memberikan keuntungan bagi pengambil keputusan, sebaliknya kriteria biaya apabila menimbulkan biaya bagi pengambil keputusan. b. Apabila berupa kriteria keuntungan maka nilai dibagi dengan nilai dari setiap kolom, sedangkan untuk kriteria biaya, nilai dari setiap kolom dibagi dengan nilai Hasil dari nilai rating kinerja ternomalisasi (rij) membentuk matrik ternormalisasi (R)

Hasil akhir nilai preferensi (Vi) diperoleh dari penjumlahan dari perkalian elemen baris matrik ternormalisasi (R) dengan bobot preferensi (W) yang bersesuaian elemen kolom matrik (W).

Hasil perhitungan nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai merupakanalternatif terbaik.[6]

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 438

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 Fuzzy Multiple Attribute Decision Making Fuzzy Multiple Attribute Decision Making. FMADM adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah 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. Masing- masing pendekatan memiliki kelebihan dan kelemahan. 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.[9]

dari proses wawancara kepada Kepala Sekolah SMP Negeri 6 Pangkalpinang.[8] Dalam proses pengolahan data beasiswa Prestasi Akademik untuk menentukan pengurutan nilai tertinggi dari jumlah siswa yang mengajukan beasiswa maka di perlukan kriteria yaitu (1) C1 : Nilai Rata-Rata Raport dan (2) C2 : Juara 1, 2, 3 kelas. Kriteria ini didapat dari hasil wawancara kepada Kepala Sekolah SMP Negeri 6 Pangkalpinang. Dalam proses pengolahan data beasiswa Prestasi NonAkademik untuk menentukan pengurutan nilai tertinggi dari jumlah siswa yang mengajukan beasiswa maka di perlukan beberapa kriteria yaitu (1) C1: Jumlah Sertifikat Juara 1, 2, dan 3 Tingkat Provinsi, (2) C2 : Jumlah Sertifikat Juara 1, 2, dan 3 Tingkat Nasional, (3) C3 : Jumlah Sertifikat Juara 1, 2, dan 3 Tingkat Kabupaten/Kota. Kriteria ini didapatkan berdasarkan hasil wawancara ke Kepala Sekolah SMP Negeri 6 Pangkalpinang.

3. Metodologi Penelitian

Bobot (W)

Metode penelitian yang dilakukan untuk merancang sistem pendukung keputusan ini adalah:

Setelah menentukan kriteria, maka dilakukan analisis bobot nilai, yaitu bobot nilai dari setiap kriteria hasil dari pengolahan data.[10]

1. Pengamatan (Observasi) Dilakukan dengan cara mengamati sistem dan proses kerja yang sedang dilakukan objek penelitian dalam hal ini SMP Negeri 6 Pangkalpinang yang mengelola data mahasiswa calon penerima beasiswa.

Perhitungan Pembobotan BSM / BKM a.

Pada pembobotan BSM/BKM terdapat 3 kriteria yaitu C1 (memiliki kartu KIP) dengan bobot nilai 0,30, C2 (surat keterangan tidak mampu) dengan bobot 0,45, C3 (surat keterangan penghasilan orang tua) dengan bobot nilai 0,25. Bisa dilihat di Tabel 1.

2. Wawancara Dilakukan dengan melakukan interview ke Kepala Sekolah SMP Negeri 6 Pangkalpinang untuk mengetahui kriteria-kriteria yang diperlukan untuk digunakan dalam pengolahan data penentuan beasiswa. 2. Kepustakaan (Library Research) Menggunakan buku-buku, penelitian sebelumnya dan jurnal yang berhubungan dengan topik dan masalah dalam penelitian ini. 3. Analisis Dilakukan penerapan metode SAW dengan penentuan kriteria dari mahasiswa calon penerima beasiswa, penentuan bilangan fuzzy dan nilainya serta dilakukan perhitungan matriks yang menghasilkan nilai yang akan diranking untuk menentukan prioritas penerima beasiswa . 4. Hasil dan Pembahasan Kriteria Dalam proses pengolahan data beasiswa BSM / BKM untuk menentukan pengurutan nilai tertinggi dari jumlah siswa yang mengajukan beasiswa maka di perlukan kriteria, yaitu (1) C1: Memiliki kartu KIP, (2) C2 : Surat Keterangan Tidak Mampu, dan (3) C3 : Surat Keterangan Penghasilan Orang Tua. Kriteria ini didapat

Pembobotan BSM / BKM

T abel 1 T abel Kriteria dan Bobot BSM / BKM No 1. 2. 3.

b.

Kreteria C1 : Memiliki kartu KIP C2 : Surat Keterangan T idak Mampu C3 : Surat Keterangan Penghasilan OrangTua T otal

Bobot(W) 0, 30 0, 45 0, 25 1

Matrik awal

Matrik nilai setiap alternatif dari kriteria yaitu A1(siswa 1), C1 dengan bobot nilai 0,25, C2 dengan bobot 0,20, C3 dengan bobot 0,25. A2 (siswa 2),C1 dengan bobot nilai 0,40, C2 dengan bobot 0,30 dan C3 dengan bobot 0,20. A3 (siswa 3), C1 dengan bobot nilai 0,35, C2 dengan bobot nilai 0,40 dan C3 dengan bobot nilai 0,30. A4 (siswa 4), C1 dengan bobot nilai 0,35, C2 dengan bobot nilai 0,38 dan C3 dengan bobot nilai 0,50. Dapat dilihat di Tabel 2 T abel 2 Matrik Awal setiap alternatif dari kriteria Calon penerima A1 A2 A3 A4

C1 0,25 0,40 0,35 0,35

Kriteria C2 0,20 0, 30 0,40 0,38

C3 0,25 0,20 0,30 0,50

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 439

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 c.

T abel 7 Normalisasi dari matrik nilai alternatif dari setiap kriteria

Normalisasi

Nilai dari setiap atribut yang merupakan hasil proses penginputan data dari pemohon beasiswa yang sudah dikonfersikan berdasarkan bobot kriteria yang sudah ditentukan melalui proses perhitungan., dapat dilihat di Tabel 3 T abel 3 Normalisasi dari matrik nilai alternatif dari setiap kriteria Calon penerima A1 A2 A3 A4 A1 A2 A3 A4

= (0,25 = (0,40 = (0,35 = (0,35

* * * *

0,30) 0,30) 0,30) 0,30)

+ (0,20 + (0,30 + (0,40 + (0,38

C1 0,25 0,40 0,35 0,35 * * * *

0,45) 0,45) 0,45) 0,45)

C2 0,20 0, 30 0,40 0,38 + (0,25 + (0,20 + (0,30 + (0,50

C3 0,25 0, 20 0,30 0,50 * 0,25) = 0.2 275 * 0,25) = 0,305 * 0,25) = 0.36 * 0,25) = 0.401

Dari perhitungan tersebut maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A3(siswa 3) dengan nilai 0.36 dan alternatif A4(siswa 4) dengan nilai 0.401 karena hanya dipilih 2 alternatif dari 4 alternatif yang ada atau yang mengajukan beasiswa. Perhitungan Pembobotan Akademik a.

Pembobotan Akademik

Pada pembobotan akademik terdapat 2 kriteria yaitu C1 (nilai rata-rata raport) dengan bobot nilai 0,40, C2 (juara 1,2,3 kelas) dengan bobot 0,60. Bisa dilihat di Tabel 5. T abel 5 T abel Kriteria dan Bobot Akademik No 1. 2.

Kreteria C1 : Nilai Rata-Rata Raport C2 : Juara 1, 2, 3 kelas T otal

Bobot(W) 0.40 0.60 1

Calon penerima A1 A2 A3 A4 A1(siswa 1) A2(siswa 2) A3(siswa 3) A4(siswa 4)

A1 A2 A3 A4

c.

C2 0,26 0,46 0,40 0,38

Normalisasi

Nilai dari setiap atribut yang merupakan hasil proses penginputan data dari pemohon beasiswa yang sudah dikonfersikan berdasarkan bobot kriteria yang sudah ditentukan melalui proses perhitungan, dapat dilihat di Tabel 7

* 0,60) = 0.2 76 * 0,60) = 0,38 * 0,60) = 0.38 * 0,60) = 0.436

Pada pembobotan non akademik terdapat 3 kriteria yaitu C1 (Jumlah sertifikat juara 1,2 dan 3) tingkat nasional, C2 (jumlah sertifikat juara 1,2,3 tingkat provinsi), C3 (jumlah sertifikat juara 1,2,3 tingkat kabupaten/kota). Kriteria ini didapat dari hasil wawancara dengan kepala sekolah SMP Negeri 6 Pangkalpinang. Untuk nilai bobot masing-masing kriteria dapat dilihat pada Tabel 9. T abel 9 T abel Kriteria dan Bobot Non Akademik No 1. 2.

b.

Kriteria C1 : Jumlah Sertifikat Juara 1, 2, dan 3 T ingkat Nasional C2 : Jumlah Sertifikat Juara 1, 2, dan 3 T ingkat Provinsi C3:Jumlah Sertifikat Juara 1, 2, dan 3 T ingkat Kabupaten/Kota T otal

Bobot (W) 0.44 0.33 0.22 1

Matrik awal

Matrik nilai masing-masing alternatif dari setiap kriteria dari hasil perhitungan data dapat dilihat pada Tabel 10. T abel 10 Matrik Awal Calon penerima A1 A2 A3

Kriteria C1 0,30 0,26 0,35 0,45

+ (0,26 + (0,46 + (0,40 + (0,48

a. Pembobotan Non Akademik

T abel 6 Matrik Awal Setiap alternative dari setiap kriteria Calon penerima

0,40) 0,40) 0,40) 0,40)

Perhitungan Pembobotan Non Akademik

Matrik awal

Matrik nilai setiap alternatif dari kriteria yaitu A1(siswa 1), C1 dengan bobot nilai 0,30, C2 dengan bobot 0,26. A2 (siswa 2),C1 dengan bobot nilai 0,26, C2 dengan bobot 0,46. A3 (siswa 3), C1 dengan bobot nilai 0,35, C2 dengan bobot nilai 0,40. A4 (siswa 4), C1 dengan bobot nilai 0,45, C2 dengan bobot nilai 0,38. Dapat dilihat di Tabel 6.

* * * *

C2 0,26 0,46 0,40 0,38

Dari perhitungan tersebut maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A2(siswa 2) dan A3(siswa 3) dengan nilai 0,38 dan alternatif A4 dengan nilai 0.436. Dipilih siswa 2 dan siswa 3 karena hanya dipilih 2 siswa yang mempunyai nilai tertinggi.

3.

b.

= (0,30 = (0,26 = (0,35 = (0,37

C1 0,30 0,26 0,35 0,45

c.

C1 0,18 0,17 0,18

Kriteria C2 C3 0,23 0,35 0,27 0,34 0,21 0,25

Normalisasi

Nilai dari setiap atribut yang merupakan hasil proses penginputan data dari pemohon beasiswa non akademik yang sudah dikonfersikan berdasarkan bobot kriteria yang sudah ditentukan melalui proses perhitungan., dapat dilihat di Tabel 11

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 440

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 T abel 11 Normalisasi dari matrik nilai alternatif dari setiap kriteria Calon penerima A1 A2 A3

C1 0,18 0,17 0,18

C2 0,23 0,27 0,21

C3 0,35 0,34 0,25

A1(siswa 1) = (0,18 * 0,44) + (0,23 * 0,33) + (0,35 * 0,22 ) = 0,2321 A2(siswa 2) = (0,17 * 0,44) + (0,27 * 0,33) + (0,34 * 0,22 ) = 0,2387 A3(siswa 3) = (0,18* 0,44) + (0,21 * 0,33) + (0,25 * 0,22 ) = 0.2035

Dari perhitungan tersebut maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A2 dengan nilai 0,2387 dan alternatif A1 dengan nilai 0.2321. dari hasil perhitungan data maka dipilih siswa 2 dan siswa 1 yang berhak menerima beasiswa non akademik karena memiliki nilai tertinggi. Dari masing-masing bobot tersebut, maka dibuat suatu variabel-variabelnya. Dimana dari suatu variabel tersebut akan dirubah kedalam bilangan fuzzy. Dibawah ini adalah fuzzy dari Pembobotan : 1. 2. 3. 4. 5.

Sangat Rendah (SR) Rendah(R) Cukup Tinggi(CT) Tinggi(T) Sangat Tinggi (ST)

=0 = 0,25 = 0,50 = 0,75 =1

Untuk mendapatkan variabel tersebut dibuat dalam sebuah grafik supaya lebih jelas, seperti Gambar 1

T abel 13 T abel Nilai Memiliki kartu KIP Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

Interval 0 0,25 0,50 0,75 1

2) Kriteria Nilai Memiliki Surat Keterangan Tidak Mampu Kriteria Nilai Memiliki Surat Keterangan Tidak Mampu merupakan persyaratan di ambil dari persyaratan BSM / BKM. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 14 T abel 14 T abel Nilai Memiliki Surat Keterangan T idak Mampu Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

3) Kriteria Nilai Memiliki Penghasilan Orang Tua

Interval 0 0,25 0,50 0,75 1

Surat

Keterangan

Kriteria Nilai Memiliki Surat Keterangan Penghasilan Orang Tua merupakan persyaratan di ambil dari persyaratan BSM / BKM. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 15 T abel 15 T abel Nilai Memiliki Surat Keterangan Penghasilan Orang T ua

Gambar 1 Grafik Bobot

Dibawah ini adalah fuzzy dari bobot C5, untuk lebih jelas bisa dilihat seperti Gambar 2. 1) Kriteria Nilai Memiliki kartu KIP Kriteria Nilai Memiliki kartu KIP merupakan persyaratan di ambil dari persyaratan BSM / BKM. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy, seperti terlihat pada Tabel 13

Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

Interval 0 0,25 0,50 0,75 1

4) Kriteria Surat Keterangan Yatim Piatu Kriteria Siswa Yatim Piatu merupakan persyaratan di ambil dari persyaratan BSM / BKM. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 16 T abel 16 T abel Nilai Memiliki Kriteria Siswa Yatim Piatu Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

Interval 0 0,25 0,50 0,75 1

5) Nilai Rata-Rata Raport Gambar 2 Grafik Bobot C5

Kriteria Nilai Rata-Rata Raport merupakan persyaratan di ambil dari persyaratan beasiswa Prestasi Akademik. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 17

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 441

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 T abel 17 T abel Nilai Memiliki Kriteria Nilai Rata-Rata Raport Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

Interval 0 0,25 0,50 0,75 1

6) Juara 1, 2, 3 kelas Kriteria Juara 1, 2, 3 umum kelas merupakan persyaratan di ambil dari persyaratan beasiswa Prestasi Akademik. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 18

9) Kriteria Sertifikat Juara 1, 2, dan 3 Tingkat Nasional Kriteria sertifikat Juara 1, 2, dan 3 Tingkat Nasional merupakan persyaratan yang ditentukan dari Non Akademik untuk pengambilan keputusan, berdasarkan sertifikat yang didapat oleh calon peserta didik baru yang mendapat juara 1, 2, dan 3 tingkat Nasional. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada table 21 T abel 21 T abel Kriteria Jumlah Sertifikat Nasional Banyak T idak Ada 1 2 3 4

T abel 18 T abel Nilai Memiliki Kriteria Juara kelas Nilai Nilai >= 0 - < 20 Nilai >= 20 - < 40 Nilai >= 40 - < 60 Nilai >= 60 - < 80 Nilai >= 80 - < 100

Interval 0 0,25 0,50 0,75 1

7) Kriteria Sertifikat Juara 1, 2, dan 3 Tingkat Kabupaten/Kota Kriteria sertifikat Juara 1, 2, dan 3 Tingkat Kabupaten/Kota merupakan persyaratan yang ditentukan dari Non Akademik untuk pengambilan keputusan, berdasarkan sertifikat yang didapat oleh calon peserta didik baru yang mendapat juara 1, 2, dan 3 tingkat Kabupaten/Kota. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 19

Interval 0 0,25 0,50 0,75 1

5. Kesimpulan 5.1 Simpulan a. Dengan adanya aplikasi penentuan beasiswa, bagian kesiswaan dapat mengontrol satu orang siswa yang hanya boleh melakukan pengajuan satu jenis beasiswa, sehingga dengan rancangan ini mencegah terjadinya kerangkapan data. b. Penyimpanan data siswa yang melakukan pengajuan beasiswa di simpan dalam database sehingga mempermudah dalam penyimpanan, pencarian dan pemeliharaan data, sehingga bagian kesis waan tidak perlu menyimpan data didalam media kertas yang mudah hilang dan rusak pada saat sistem yang manual.

T abel 19 T abel Kriteria Jumlah Sertifikat Kabupaten / Kota Banyak T idak Ada 1 2 3 4

Interval 0 0,25 0,50 0,75 1

8) Kriteria Sertifikat Juara 1, 2, dan 3 Tingkat Provinsi Kriteria sertifikat Provinsi merupakan persyaratan yang ditentukan dari Non Akademik untuk pengambilan keputusan, berdasarkan sertifikat yang didapat oleh calon peserta didik baru yang mendapat juara 1, 2, dan 3 tingkat Provinsi. Berikut interval nilai yang telah dikonversikan dengan bilangan fuzzy , seperti terlihat pada Tabel 20 T abel 20 T abel Kriteria Jumlah Sertifikat Provinsi Banyak T idak Ada 1 2 3 4

Interval 0 0,25 0,50 0,75 1

5.2 Saran a. Ketelitian dalam penginputan data perlu ditingkatkan agar tingkat kesalahan semakin rendah sehingga dapat dihasilkan suatu keluaran sesuai kebutuhan. b. Perlu adanya pelatihan kepada admin / bagian kesiswaan yang menggunakan aplikasi ini, supaya mereka mengetahui bagaimana cara menggunakan aplikasi baru yang diterapkan. Daftar Rujukan [1] Putra, A.,dkk, 2011, Penentuan Penerima Beasiswa Dengan Menggunakan Fuzzy Multiple Atribute Decision Making, Jurnal Sistem Informasi, Volume 03, No.1, April 2011 : 286-293, ISSN : 2085-1588 [2] Aswati, Safrian.,dkk, 2015, Sistem Pendukung Keputusan Penerima Beasiswa Pendidikan Yayasan, Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 [3] Turban, E., Aronson, J. E., Liang, T., 2005, Decision Support System and Intelegent System (Sistem Pendukung Keputusan dan sistem Cerdas), Penerbit Andi, Yogyakarta.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 442

Fitriyani, Yuranda , Peti Pajarini, Rosmawati Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol . 2 No. 1 (2018) 437 – 443 [4] Huda, M iftakhul, 2010, Membuat Aplikasi Database dengan Java, MySQL, dan NetBeans, Jakarta : Elex M edia Komputindo. [5] Rosa A.S M Shalahudin 2013. “Rekayasa Perangkat Lunak”, Informatika, Bandung. [6] Eniyati, S., 2011, Perancangan Sistem Pengambilan Keputusan Untuk Penerimaan Beasiswa Dengan Metode SAW (Simple Additive Weighting), Jurnal Teknologi Informasi Dinamik, Volume 16, No.2, Juli 2011 : 171176, ISSN : 0854-9524 [7] Kusrini. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: C.V Andi Offset. 2007.

[8] Irawan. Yan, 2017, Rancang Bangun Aplikasi Pendaftaran Perserta Didik Baru SMP NEGERI 6 PANGKALPINANG Dengan Metode Simple Additive Weighting (SAW) Berbasis Android .Pangkalpinang [9] Kusumadewi, Sri., dkk. 2006. Fuzzy Multi Attribute Decision Making (Fuzzy MADM). Yogyakarta. Graha Ilmu [10] Kusumadewi, Sri. 2005. ”Pencarian Bobot Atribute pada M ultiple Attribute Decision M aking (M ADM ) Dengan Pendekatan Obyektif M enggunakan Algoritma Genetika”. Gematika Jurnal Manajemen Informatika. 7(1).48-56.

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 2 No. 1 (2018) 437 – 443 443

Life Enjoy

" Life is not a problem to be solved but a reality to be experienced! "

Get in touch

Social

© Copyright 2013 - 2019 TIXPDF.COM - All rights reserved.