142 20 PB PDF
142 20 PB PDF
SUSUNAN REDAKSI
Pelindung
Dr. Ninok Leksono
Penanggungjawab
Dr. Ir. P.M. Winarno, M.Kom.
Pemimpin Umum
Maria Irmina Prasetiyowati, S.Kom., M.T.
Mitra Bestari
(UMN) Dr. Rangga Winantyo, Ph.D.
(Universitas Indonesia) Filbert Hilman Juwono, S.T., M.T.
(Tanri Abeng University) Nur Afny Catur Andryani, M.Sc.
(UMN) Ir. Andrey Andoko, M.Sc.
(UMN) Adhi Kusnadi, S.T., M.Si.
(UMN) Alethea Suryadibrata, S.Kom, M.Eng.
(UMN) Arya Wicaksana, S.Kom., M.Eng.Sc., OCA, CEH
(UMN) Dennis Gunawan S.Kom., M.Sc., CEH, CEI, CND
(UMN) Farica Perdana Putri, S.Kom., M.Sc.
(UMN) Gamaliel Cahya Kristanto, S.Kom., M.M.S.I.
(UMN) Marcel Bonar Kristanda, S.Kom., M.Sc.
(UMN) Nunik Afriliana, S.Kom., M.M.S.I.
(UMN) Ranny, S.Kom., M.Kom.
(UMN) Seng Hansun, S.Si., M.Cs.
(UMN) Yustinus Widya Wiratama, S.Kom., M.Sc., OCA
(UMN) Felix Lokananta, S.Kom., M.Eng.Sc.
(UMN) Wella, S.Kom., M.MSI., COBIT5
(UMN) Andre Rusli, S.Kom., M.Sc.
(UMN) Julio Christian Young, S.Kom.
DAFTAR ISI
Sistem Pendukung Keputusan Penerima Beasiswa UMN dengan Profile
Matching
Marvin Apriyadi, Seng Hansun 1-6
Perbandingan Regresi Linear dengan Heaviside Activation Function dengan
Logistic Regression untuk Klasifikasi Diabetes
Felix Indra Kurniadi, Vinnia Kemala Putri 7-10
Klasifikasi Diabetes Menggunakan Model Pembelajaran Ensemble Blending
Vinnia Kemala Putri, Felix Indra Kurniadi 11-15
Analisis Kesiapan Kebutuhan Infrastruktur Replikasi Basis Data pada
Sekolah Musik Indonesia Solo
Willy Sudiarto Raharjo, Gani Indriyanta, Amsal Maestro 16-25
Sistem Penunjang Keputusan Penilaian Kinerja Karyawan Berprestasi
Menggunakan Acuan MBO dan Metode AHP Menggunakan Aplikasi Expert
Choice (Studi Kasus Universitas Tanri Abeng)
Rudi Sutomo, Johny Hizkia Siringo Ringo 26-33
Ekstraksi Kebutuhan Aplikasi Berdasarkan Feedback Pengguna
Menggunakan Naïve Bayes dan Gamifikasi
Andre Rusli 34-40
Situsparu: Sistem Pakar Untuk Deteksi Penyakit Tuberkulosis Paru
Ricky Surya, Dennis Gunawan 41-47
Aplikasi Survei Ubinan Berbasis Android
Betti Noviyani, Eko Budi Setiawan 48-56
Pencarian Question-Answer Menggunakan Convolutional Neural Network
Pada Topik Agama Berbahasa Indonesia
Rizqa Raaiqa Bintana, Chastine Fatichah, Diana Purwitasari 57-64
KATA PENGANTAR
Salam ULTIMA!
ULTIMATICS – Jurnal Teknik Informatika UMN kembali menjumpai para pembaca dalam
terbitan saat ini Edisi Juni 2018, Volume X, No. 1. Jurnal ini menyajikan artikel-artikel ilmiah
hasil penelitian mengenai analisis dan desain system, pemrograman, analisis algoritma,
rekayasa perangkat lunak, serta isu-isu teoritis dan praktis terkini.
Pada ULTIMATICS Edisi Juni 2018 ini, terdapat sepuluh artikel ilmiah yang berasal dari para
peneliti, akademisi, dan praktisi di bidang Teknik Informatika, yang mengangkat beragam
topik, antara lain: Sistem Pendukung Keputusan Penerima Beasiswa UMN dengan Profile
Matching; Perbandingan Regresi Linear dengan Heaviside Activation Function dengan
Logistic Regression untuk Klasifikasi Diabetes; Klasifikasi Diabetes Menggunakan Model
Pembelajaran Ensemble Blending; Analisis Kesiapan Kebutuhan Infrastruktur Replikasi Basis
Data pada Sekolah Musik Indonesia Solo; Sistem Penunjang Keputusan Penilaian Kinerja
Karyawan Berprestasi Menggunakan Acuan MBO dan Metode AHP Menggunakan Aplikasi
Expert Choice (Studi Kasus Universitas Tanri Abeng); Ekstraksi Kebutuhan Aplikasi
Berdasarkan Feedback Pengguna Menggunakan Naïve Bayes dan Gamifikasi; Situsparu:
Sistem Pakar Untuk Deteksi Penyakit Tuberkulosis Paru; Aplikasi Survei Ubinan Berbasis
Android; Pencarian Question-Answer Menggunakan Convolutional Neural Network Pada
Topik Agama Berbahasa Indonesia.
Pada kesempatan kali ini juga kami ingin mengundang partisipasi para pembaca yang
budiman, para peneliti, akademisi, maupun praktisi, di bidang Teknik dan Informatika, untuk
mengirimkan karya ilmiah yang berkualitas pada: International Journal of New Media
Technology (IJNMT), ULTIMATICS, ULTIMA InfoSys, ULTIMA Computing. Informasi
mengenai pedoman dan template penulisan, serta informasi terkait lainnya dapat diperoleh
melalui alamat surel ultimatics@umn.ac.id.
Akhir kata, kami mengucapkan terima kasih kepada seluruh kontributor dalam ULTIMATICS
Edisi Juni 2018ini. Kami berharap artikel-artikel ilmiah hasil penelitian dalam jurnal ini dapat
bermanfaat dan memberikan sumbangsih terhadap perkembangan penelitian dan keilmuan di
Indonesia.
Juni 2018,
Abstract—This paper describes about the design and yang mendapatkan beasiswa masih disimpan dalam
development of UMN scholarship decision support bentuk kertas. Hal ini menyebabkan kekurangan-
system using Profile Matching method. At Universitas kekurangan seperti keterbatasan dalam mengakses
Multimedia Nusantara (UMN), there are scholarships data, dan juga sulit untuk mencari data salah satu
for students in order to ease the burden of education
mahasiswa jika data yang tersimpan sudah sangat
costs. There are achievement scholarships, scholarships
for students whose parents died, and non-academic banyak.
scholarships. Decision support systems play an Pada pemilihan secara terkomputerisasi, dapat
important role in the termination of the final decision, menggunakan metode Profile Matching untuk
and therefore this application is built by implementing
the method of Profile Matching to aid in the selection of
membantu pemilihan keputusan beasiswa di UMN.
the scholarship decisions for students whose parent were Walaupun pemilihan tetap ditentukan sepenuhnya
died and non-academic scholarship. Profile Matching is oleh pihak UMN, namun sistem pendukung
a method that aims at taking decisions by assuming that keputusan ini akan menampilkan prioritas-prioritas
there is an ideal level of predictor variables that must be tertinggi hingga terendah, sehingga akan
met by the subjects studied, instead of the minimum rate memudahkan dan membantu pihak UMN dalam
that must be met or passed. From the results, it can be mengambil keputusan.
concluded that this method successfully implemented
into applications that can help in decision making Setelah mewawancarai Ibu Lindi sebagai Student
process. Result of user satisfaction level for this Support officer yang bertanggung jawab dalam
application is 72%, the result of manual calculation with mendapatkan data mahasiswa untuk kepentingan
the application calculation results is not much different beasiswa orang tua meninggal, diketahui bahwa saat
so that this application can assist in supporting the UMN ini data masih dalam bentuk form yang diisi saat
scholarship decision.
konsultasi dengan mahasiswa tersebut. Maka dari itu,
Index Terms— decision support system, non-academic dibutuhkan suatu sistem yang memudahkan dalam
scholarship, Profile Matching, scholarships for student merekap data mahasiswa. Selain itu, peneliti
whose parents died, UMN mewawancarai Ibu Devi sebagai Student
Development officer yang bertanggung jawab dalam
I. INTRODUCTION mendapatkan data untuk kepentingan beasiswa non-
Universitas Multimedia Nusantara (UMN) adalah akademik, dan diketahui bahwa di tahun 2016 semua
sebuah perguruan tinggi swasta yang berdiri pada data baru disimpan dalam bentuk digital.
tahun 2006 dan berada di daerah Summarecon Pada penelitian sebelumnya dengan judul
Serpong, Tangerang. Pada perguruan tinggi swasta "Penerapan Profile Matching Untuk Pencarian Siswa
ini, terdapat beasiswa untuk mahasiswa agar dapat SMP Penerima Beasiswa Miskin dan Berprestasi"
meringankan beban biaya pendidikan. Di UMN oleh Irawan dan Kriestanto [1], diperoleh kesimpulan
terdapat beasiswa prestasi, beasiswa untuk orang tua bahwa tidak ada perbedaan signifikan antara hasil
yang meninggal, dan beasiswa non-akademik. perhitungan secara manual maupun dengan
Perguruan tinggi akan memberikan beasiswa menggunakan aplikasi yang sudah dibuat pada
kepada mahasiswa yang kurang mampu ataupun penelitian tersebut. Metode tersebut berhasil
berprestasi. Kriteria yang dipakai untuk mendapatkan diterapkan pada beasiswa di sekolah SMP Negeri 1
beasiswa adalah sebagai berikut: indeks prestasi Toili. Pada penelitian lainnya dengan judul
kumulatif (IPK), penghasilan orang tua, tanggungan "Penerapan Metode Profile Matching dalam Sistem
orang tua, dan semester. Pemilihan beasiswa bisa Pendukung Keputusan Penilaian Kinerja Karyawan
dilakukan secara terkomputerisasi maupun tidak. Pada (Studi Kasus: PT. Perkebunan Nusantara III Medan)"
beasiswa prestasi di UMN, sudah dilakukan secara oleh Puspitasari [2], ditarik kesimpulan bahwa proses
terkomputerisasi. Pada sistem saat ini, data penilaian kinerja karyawan pada perusahaan tersebut
mahasiswa yang mengajukan dan data mahasiswa belum dilakukan secara efektif dan efisien, sehingga
ULTIMATICS, Vol. X, No. 1 | Juni 2018 1
ISSN 2085-4552
perlu adanya sistem yang baru untuk mempermudah Berdasarkan penjelasan yang dibuat oleh
dalam pengambilan keputusan. Metode tersebut juga Setiyaningsih [5], terdapat beberapa langkah
berhasil diterapkan pada penilaian kinerja karyawan perhitungan untuk mendapatkan hasil keputusan,
di suatu perusahaan. yaitu:
Berdasarkan latar belakang permasalahan akan 1. Menetapkan aspek-aspek yang akan digunakan.
kebutuhan atas suatu sistem pendukung keputusan Aspek-aspek akan didapatkan dari perusahaan
dalam menentukan mahasiswa penerima beasiswa atau atasan yang bertanggung jawab dalam
UMN, khususnya beasiswa bagi mahasiswa yang memilih keputusan (contoh: Aspek Kecerdasan,
orang tuanya meninggal dan beasiswa non-akademik, Aspek Perilaku, dan Aspek Sikap Kerja).
yang dapat mempermudah pihak kemahasiswaan
2. Menetapkan penilaian skala ordinal. Skala
UMN, maka penelitian tentang rancang bangun
ordinal adalah skala yang membedakan kategori
sistem pendukung keputusan beasiswa UMN dengan
berdasarkan tingkat atau urutan (contoh: tinggi,
metode Profile Matching ini dilakukan.
sedang, dan pendek).
II. SISTEM PENDUKUNG KEPUTUSAN 3. Menetapkan nilai target pada setiap sub-aspek
Menurut Alter dalam Kusrini [3], sistem yang sudah ditentukan (contoh dalam Aspek
pendukung keputusan merupakan sistem informasi Kecerdasan, 1. Common Sense 3, 2. Sistematika
interaktif yang menyediakan informasi, pemodelan Berpikir 4, 3. Konsentrasi 3).
dan manipulasi data. Sistem itu digunakan untuk
4. Melakukan pemetaan Gap (perbedaan)
membantu pengambilan keputusan dalam situasi yang
kompetensi setelah memiliki data kandidat-
semi terstruktur dan situasi tidak terstruktur, dimana
kandidat. Dalam proses ini akan menentukan
tak seorang pun tahu secara pasti bagaimana
kandidat mana yang paling cocok menduduki
keputusan seharusnya dibuat. Menurut Moore dan
tempat sebagai orang yang memiliki kinerja baik
Chang [4], sistem pendukung keputusan dapat
untuk mendapatkan beasiswa. Perhitungan
digambarkan sebagai sistem yang berkemampuan
pemetaan gap kompetensi ditunjukkan pada
mendukung analisis data, dan pemodelan keputusan,
rumus di bawah ini:
berorientasi keputusan, orientasi perencanaan masa
depan, dan digunakan saat-saat yang tidak biasa.
𝐺𝑎𝑝 = 𝑉𝑎𝑙𝑢𝑒 𝐴𝑡𝑟𝑖𝑏𝑢𝑡 − 𝑉𝑎𝑙𝑢𝑒 𝑇𝑎𝑟𝑔𝑒𝑡 (1)
Dengan pengertian Moore dan Chang [4], diambil
suatu kesimpulan bahwa sistem pendukung keputusan 5. Setelah mendapatkan nilai gap masing-masing
bukan merupakan alat pengambilan keputusan, kandidat, setiap kandidat akan diberi bobot nilai
melainkan sistem yang membantu pengambilan sesuai ketentuan pada tabel bobot nilai gap.
keputusan untuk melengkapi informasi dari data yang 6. Menghitung hasil dari tabel bobot pada setiap
telah diolah secara relevan dan diperlukan untuk kandidat.
membuat keputusan tentang suatu masalah dengan
lebih cepat dan akurat. Fungsi sistem pendukung 7. Mengelompokkan Core dan Secondary Factor.
keputusan adalah untuk meningkatkan kemampuan Setelah menentukan bobot nilai semua aspek dari
para pengambil keputusan dengan memberikan setiap kandidat, nilai aspek kemudian dibagi
alternatif-alternatif keputusan yang lebih banyak atau menjadi dua ke kelompok Core Factor dan
lebih baik, sehingga dapat membantu untuk Secondary Factor. Untuk perhitungan Core
merumuskan masalah dan keadaan yang dihadapi. Factor dapat ditunjukkan pada rumus di bawah
Sistem pendukung keputusan dapat dikatakan secara ini:
singkat bertujuan untuk meningkatkan efektivitas dan
∑ 𝑁𝐶(𝐼,𝑠,𝑝)
efisiensi dalam pengambilan keputusan. 𝑁𝐶𝐹 = ∑ 𝐼𝐶
(2)
Keterangan:
III. PROFILE MATCHING 𝑁𝐶𝐹 – Nilai rata-rata core factor
Profile Matching adalah sebuah metode yang 𝑁𝐶(𝐼, 𝑠, 𝑝) – Jumlah total nilai core factor
bertujuan mengambil keputusan dengan
mengasumsikan bahwa terdapat tingkat variabel 𝐼𝐶 – Jumlah item core factor
prediktor yang ideal yang harus dipenuhi oleh subyek Sedangkan untuk perhitungan Secondary
yang diteliti, bukannya tingkat minimal yang harus Factor dapat ditunjukkan pada rumus di bawah
dipenuhi atau dilewati [5]. Contoh yang dapat ini:
diimplementasikan seperti evaluasi kinerja karyawan
untuk promosi jabatan, manajemen pemain bola, dan ∑ 𝑁𝑆(𝐼,𝑠,𝑝)
penerimaan beasiswa yang layak. 𝑁𝑆𝐹 = ∑ 𝐼𝑆
(3)
(5)
Keterangan:
𝑁𝑖 – Nilai kecerdasan Gambar 1. Diagram Alur Aplikasi
Pada tahap desain sistem ini dilakukan Gambar 2. Halaman Input Data Beasiswa Orang Tua
perancangan user interface, desain modul-modul Meninggal
aplikasi, dan desain konten.
4. Pemrograman Sistem
Pada tahap ini, dilakukan pemrograman sistem
yang dibutuhkan sesuai rancangan, dan berjalan
sesuai rancangan yang telah dibuat.
5. Testing
Pada tahap ini, dilakukan testing atau percobaan
terhadap aplikasi yang telah dirancang untuk
memeriksa apakah ada error, kekurangan, atau ada
yang tidak sesuai dengan rancangan.
6. Implementasi
Pada tahap ini, dilakukan implementasi sistem
yang sudah dibuat peneliti kepada pengguna.
7. Evaluasi
Pada tahap ini, dilakukan evaluasi terhadap
pengguna sistem. Berdasarkan hasil evaluasi
dilakukan analisa untuk ditarik kesimpulan dari
penelitian.
8. Penulisan Laporan dan Dokumentasi
Pada tahap ini, dilakukan penulisan laporan untuk Gambar 3. Halaman Input Data Beasiswa Non-
Akademik
menjabarkan penelitian yang dilakukan dan sebagai
dokumentasi hasil penelitian.
Gambar 4 adalah gambar halaman untuk
V. HASIL DAN PEMBAHASAN menampilkan data yang sudah diproses menggunakan
Setelah tahap desain dilakukan, maka metode Profile Matching. Terdapat tiga tombol, yaitu
pemrograman aplikasi dilaksanakan. Gambar 2 dan 3 tombol Beasiswa Non-Akademik untuk menampilkan
memperlihatkan halaman input data untuk beasiswa semua data mahasiswa beserta ranking (hasil dari
orang tua meninggal dan beasiswa non-akademik. metode Profile Matching) yang mengikuti beasiswa
Proses ubah dan hapus data juga dapat dilakukan pada non-akademik di listview, tombol Beasiswa Orang tua
submenu lainnya. Meninggal untuk menampilkan semua data
mahasiswa beserta ranking yang mengikuti beasiswa
orang tua meninggal di listview, dan tombol Print
untuk mencetak data yang terdapat di listview saat itu.
Terdapat juga fitur search atau pencarian dengan satu
field dan dua radio button. Field tersebut digunakan
untuk mencocokkan dan mencari nama atau NIM
(berdasarkan pilihan radio button) yang terdapat di
listview.
Abstract —Diabetes is one of the diseases that rapidly Penggunaan sistem cerdas dapat membantu tenaga
increase in the world. One of the most used dataset for medis untuk melakukan klasifikasi terhadap penyakit
diabetes is Pima indian dataset. Pima indian have 8 diabetes berdasarkan data kesehatan pasien. Proses
features such as pregnancies, glucose, blood pressure, pengklasifikasian diharapkan dapat memberikan pilihan
insulin, BMI, diabetes pedigree function and age. In this
terhadap tenaga medis sehingga tidak terjadi kesalahan
research we are comparing between Linear Regression
using Heaviside Activation Function and Logistic dalam pengobatan yang dapat mengakibatkan kematian.
Regression. Logistic regression gives better result compare Hal inilah yang menyebabkan perkembangan penelitian
linear regression using Heaviside Activation Function. untuk meningkatkan kemampuan komputer untuk
melakukan klasifikasi dengan data pasien[5].
Index Terms—Diabetes, Regresi, Heaviside Activation
Function, Logistic Regression Tujuan dari penelitian ini adalah untuk melakukan
proses klasifikasi diabetes menggunakan metode linear
I. PENDAHULUAN regression dengan activation function menggunakan
Diabetes adalah salah satu penyakit yang disebabkan Heaviside methods kemudian metode akan dibandingkan
dikarenakan ketidak mampuan pankreas untuk dengan metode Logistic Regression.
menghasilkan insulin yang mengontrol gula dalam Jurnal ini terdiri atas 5 bagian. Pada Bagian I akan
darah. Hal ini jika dibiarkan akan berbahaya dikarenakan menjelaskan mengenai pendahuluan, pada Bagian II
dapat terjadi komplikasi seperti jantung, stroke, akan menjelaskan mengenai penelitian sebelumnya,
glaukoma ataupun kanker[1]. Bagian III akan menjelaskan mengenai eksperimen yang
Berdasarkan data yang didapatkan oleh WHO akan dilakukan, Bagian IV akan memberikan hasil dan
(World Health Organization) bahwa[2]: diskusi dari penelitian dan Bagian V akan menjelaskan
mengenai kesimpulan yang didapatkan dari penelitian
Terdapat 346 juta penduduk yang menderita ini.
penyakit diabetes mellitus
II. PENELITIAN SEBELUMNYA
Pada tahun 2004, estimasi 3.4 juta penduduk
meninggal dikarenakan konsekuensi dari Beberapa penelitian yang mencoba menyelesaikan
tingginya gula darah. permasalahan mengenai klasifikasi diabetes. Heydari
mencoba membandingkan diabetes type 2 di Iran dengan
Lebih dari 80% penderita diabetes mellitus menggunakan Support Vector Machine, Artificial
yang meninggal merupakan warga dengan Neural Network, Decision Tree, Bayesian Network dan
pendapatan menengah kebawah. Nearest Neighbour. Data yang digunakan untuk
penelitian ini adalah dataset dari Iranian Ministy Health,
Di Indonesia, berdasarkan data yang dikeluarkan
Food and Drug Administration untuk diabetes type 2,
oleh WHO pada tahun 2016, kematian yang disebabkan
hasil terbaik didapatkan dengan menggunakan Artificial
oleh diabetes sebanyak 99.400 jiwa, dimana 48.300
Neural Network dengan tingkat akurasi 0.9744[5] .
kasus kematian terjadi pada usia produktif [3].
Sedangkan berdasarkan data yang diambil oleh Riset Jaafar mencoba menangani permasalahan diabetes
Kesehatan Dasar (Riskesdas) pada tahun 2013 terdapat melitus dengan menggunakan Back-propagation Neural
2.650.340 jiwa yang diketahui menderita penyakit Network. Data yang digunakan adalah data Pima Indian
diabetes [4]. Dari angka yang diberikan oleh WHO dan dimana fitur diambil adalah sebanyak delapan fitur.
Riskesdas dapat disimpulkan bahwa diabetes merupakan Penelitian ini menyatakan bahwa penggunaan neural
salah satu penyakit yang mematikan. network sangat bergantung pada data apabila data yang
digunakan lebih banyak dapat memberikan hasil yang 7. Diabetes Pedigree Function: Silsilah
lebih baik dibandingkan dengan saat percobaan diabetes
dilakukan[6]. 8. Umur
Nai-arun mencoba melakukan klasifikasi diabetes 9. Hasil: diabetes atau tidak diabetes (0 atau 1)
dengan menggunakan Decision Tree, Artificial Neural
Network, Random Forest dan Naïve Bayes dan setiap Data pima indian sendiri memiliki permasalahan
metode akan dilakukan proses ensemble dengan utama dimana terdapat missing value pada beberapa fitur
menggunakan metode Bagging dan Boosting. Data data. Pada penelitian ini nilai missing value hanya diubah
didapatkan dari Sawanpracharak Regional Hospital menjadi 0.
antara tahun 2012-2013, kemudian diambil sebanyak 11 B. Pengaturan Eksperimen
fitur yang digunakan. Hasil akurasi terbaik didapatkan Data yang ada dibagi menjadi dua bagian yaitu untuk
metode Random Forest dengan akurasi sebesar proses pelatihan dan proses pengujian. Metode yang
85.558%. Hasil penelitian ini kemudian diaplikasikan ke digunakan adalah pembagian acak terhadap data utama.
web yang telah dibuat[7]. Pembagian dilakukan dengan aturan 75% untuk data
Penelitian lainnya dilakukan oleh Chandgude, pelatihan dan 25% untuk data pengujian.
metode yang digunakan adalah Fuzzy Inference System. C. Proses Eksperimen
Hasil yang didapatkan bahwa hasil menggunakan FIS
didapatkan precision sebesar 0.98 dengan 900 training Pada tahapan penelitian data yang sudah dibagi akan
dataset. Data yang digunakan adalah dataset Pima dilakukan pencarian model untuk mendapatkan model
Indian. regresi yang diinginkan. Dari data tersebut dipisah fitur
yang digunakan dengan target yang ingin dicapai. Pada
Kumari menggunakan Back Propagation Neural penelitian ini fitur yang digunakan adalah pregnancies,
Network untuk mencoba mengatasi klasifikasi terhadap glucose, skin thickness, insulin, BMI, diabetes pedigree
orang penderita diabetes mellitus. Data yang digunakan function dan umur. Sedangkan atribut hasil adalah target
adalah data yang diambil dengan melakukan proses yang diinginkan.
survei. Fitur yang digunakan adalah jenis kelamin,
umur, berat, tinggi badan, kekurangan berat badan, Pada penelitian mencoba membandingkan metode
keinginan untuk minum, keinginan untuk makan, nafsu regresi linear dengan Heaviside Activation function
makan, pusing, muntah, infeksi dan pandangan dengan metode Logistic Regression. Regresi linear
berkabur. Hasil yang didapatkan menggunakan Back merupakan salah satu metode yang digunakan untuk
Propagation Neural Network adalah 92.8%[2]. melakukan prediksi nilai sehingga untuk melakukan
suatu proses klasifikasi dibutuhkan sebuah activation
III. EKSPERIMEN function untuk memberikan klasifikasi terhadap hasil
prediksi nilai yang dibuat oleh regresi linear. Fungsi
A. Data
Regresi linear dapat dilihat pada persamaan (1)[9]:
Data yang digunakan berasal dari data Pima Indians
Diabetes dataset yang berasal dari University of ŷ = 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 (1)
California Irvine Machine Learning Respository
(https://archive.ics.uci.edu/ml/datasets/pima+indians+di Dimana ŷ adalah hasil prediksi, 𝑏0 , 𝑏1 , 𝑏2 , … , 𝑏𝑛
abetes). Data pima indian sendiri berasal dari National adalah koefisien regresi dan 𝑋1 , 𝑋2 , … , 𝑋𝑛 adalah Fitur
Institute of Diabetes and Digestive and Kidney Disease yang digunakan untuk melakukan klasifikasi.
dengan mengambil sampel terhadap 768 orang Proses mencari koefisien regresi yang digunakan
perempuan keturunan pima indian antara umur 21 tahun
dalam penelitian ini dapat dilihat dari persamaan (2):
ke atas[8].
Data pima indian memiliki 9 attribute yang 𝑏 = (𝑋𝑖𝑇 . 𝑋𝑖 )−1 𝑋𝑖𝑇 𝑌 (2)
digunakan: Dimana Y adalah target yang diinginkan 𝑋𝑖 adalah
1. Pregnancies: berapa kali sampel fitur yang digunakan. Hasil yang telah didapatkan dari
mengandung mencari koefisien regresi akan dimasukkan ke dalam
persamaan (1) menjadi sebuah persamaan untuk proses
2. Glucose: Konsentrasi plasma glucose, 2 jam
setelah melakukan oral glucose tolerance klasifikasi menggunakan metode Heaviside activation
test function. Heaviside activation function merupakan
metode sederhana dengan menggunakan threshold
3. Blood Pressure: tekanan darah diastolik untuk membagi antara nilai 0 dan 1 atau -1 dan 1.
(mm Hg) Persamaan Heaviside activation function adalah[10]:
4. Skin Thickness: ketebalan kulit trisep 0 𝑖𝑓 𝑥 < 𝜃 (3)
𝑓(𝑥) = {
5. Insulin: 2 jam serum insulin 1 𝑖𝑓 𝑥 ≥ 𝜃
6. BMI: body mass index Dimana 𝜃 adalah threshold, dan 𝑓(𝑥) adalah nilai
hipotesis target yang akan didapatkan.
Selain itu hasil dari proses klasifikasi akan Tabel 2. Hasil Akurasi, Precision, Recall dan F1-score
dibandingkan dengan Logistic Regression. Logistic dari Metode Logistic Regression
Regression merupakan salah satu metode untuk
melakukan klasifikasi yang baik. Logistic Regression itu Result(%)
sendiri adalah sebuah metode untuk pembuatan model Accuracy 75.97
yang outputnya berbentuk crisp Persamaan untuk Precision 76.92
Logistic Regression[7]: Recall 51.72
F1-Score 61.86
𝑒 (𝑏0 +𝑏1 𝑋1+𝑏2 𝑋2 +⋯+𝑏𝑛𝑋𝑛) (4)
ŷ=
1 + 𝑒 (𝑏0 +𝑏1𝑋1+𝑏2 𝑋2+⋯+𝑏𝑛𝑋𝑛) Tabel 3. Confusion Matrix dari Metode Linear
Dimana e adalah Euler’s equations Regression menggunakan Heaviside activation
Function
[3] World Health Organization, “Diabetes country profile [9] I. Naseem, R. Togneri, S. Member, and M. Bennamoun,
2016,” 2016. “Linear Regression for Face Recognition,” IEEE Trans.
[4] Pusat Data dan Informasi Kementrian Kesehatan Republik Pattern Anal. Mach. Intell., vol. 32, no. 11, pp. 2106–2112,
Indonesia, “Situasi dan Analisis Diabetes,” Jakarta, 2014. 2010.
[5] M. Heydari, M. Teimouri, and Z. Heshmati, “Comparison of [10] J. Wang, “Analysis and Design of a k -Winners-Take-All
various classification algorithms in the diagnosis of type 2 Model With a Single State Variable and the Heaviside Step
diabetes in Iran,” Int. J. Diabetes Dev. Ctries., vol. 36, no. Activation Function,” IEEE Trans. Neural Networks, vol.
2, pp. 167–173, 2015. 21, no. 9, pp. 1496–1506, 2010.
[6] S. F. B. Jaafar and D. M. Ali, “Diabetes Mellitus Forecast [11] C. Goutte and E. Gaussier, “A Probabilistic Interpretation of
Using Artificial Neural Network ( ANN ),” in 2005 Asian Precision , Recall and F -Score , with Implication for
Conference on Sensor and The International Conference on Evaluation,” in European Conference on Infromation
New Techniques in Pharmaceutical and Biomedical Retrieval, 2005, pp. 345–359.
Research Proceedings, 2005, pp. 135–139. [12] J. Brownlee, “Classification Accuracy is not Enough
[7] N. Nai-arun and R. Moungmai, “Comparison of Classifiers Measures You Can See,” 2014. [Online]. Available:
for the Risk of Diabetes Prediction,” in 7th International https://machinelearningmastery.com/classification-
Conference on Advances in Information Technology, 2015, accuracy-is-not-enough-more-performance-measures-you-
pp. 132–142. can-use/. [Accessed: 06-Apr-2018].
[8] R. S. Johannes, “Using the ADAP learning algorithm to
forecast the onset of diabetes mellitus,” Johns Hopkins APL
Tech. Dig., vol. 10, pp. 262–266, 1988.
Abstract—Diabetes mellitus is one of the deadliest dan membutuhkan waktu dan tenaga yang sangat
disease and it is increasing in occurrence through the banyak. Oleh karena itu tindak medis tersebut harus
world. This can be prevented by conducting early dilakukan secara tepat dan efisien.
diagnosis and treatment. However, in developing
countries, less than half of people with diabetes are Sayangnya, di beberapa negara berkembang
diagnosed correctly which lead to lose of human lives. In ketersediaan dokter ahli dalam diabetes sangatlah
this Big Data era, medical databases have enormous terbatas dan dapat mengakibatkan kesalahan diagnosis.
quantities of data about their patients. But this medical Hal ini dapat membuang-buang waktu, tenaga, dan
data may contain noise and a lot of useless information bahkan nyawa pasien. Maka dibutuhkanlah suatu
which may mislead the expert in making a decision for
medical diagnosis. Data mining is a technique to that is
metode yang dapat membantu para ahli kesehatan agar
very effective for medical applications for identifying dapat memberikan diagnosis yang lebih tepat dan
patterns and extracting useful information for meningkatkan kesejahteraan masyarakat.
databases. This paper proposed a data mining approach Untuk meningkatkan keakuratan dan ketepatan
using an ensemble blending method to tackle a diabetes
prediction problem in Pima Indian Diabetes Dataset.
dalam memberikan diagnosis, penting untuk
We proposed a blending ensemble classifier approach menganalisis pola data medis pasien. Dengan
using a combination of Decision Tree and Logistic munculnya era Big Data dan adanya algortima yang
Regression as base classifiers, and Support Vector cepat dan efisien untuk menganilis data, memahami
Machine as a top blender classifier. Our approach suatu pola data medis adalah suatu hal yang mungkin
reached accuracy of 81% and F1-score of 0.81 proves to untuk dilakukan. Namun, dengan ketersediaan data
be higher when compared with basic classifier without yang sangat besar seringkali data yang didapat dari
combination. basis data rumah sakit memiliki banyak derau dan
informasi yang tidak dibutuhkan. Hal ini dapat
Index Terms—diabetes, ensemble, data mining
menyesatkan para ahli dalam menganalisis data dan
memberikan keputusan.
I. PENDAHULUAN
Penambangan data merupakan suatu teknik
Diabetes merupakan suatu penyakit yang terjadi
pengolahan dan penarikan informasi penting dari
akibat kurangnya insulin atau ketidakmampuan
sejumlah data yang besar. Teknik ini sering digunakan
pancreas dalam tubuh untuk memproduksi hormon
untuk membantu penelitian terkait masalah kesehatan,
insulin. Insulin berguna untuk mengubah glukosa
yang mana digunakan untuk memprediksi,
dalam tubuh menjadi glikogen dan trigliserida. Kedua
mendiagnosis dan memberikan solusi perawatan
zat ini merupakan sumber energi yang disimpan dalam
terhadap suatu penyakit [2]. Penambangan data juga
tubuh. Kekurangan insulin dapat mengakibatkan
telah banyak digunakan untuk mengatasi masalah
menumpuknya kadar glukosa dalam darah.
klasifikasi pada diabetes seperti yang dilakukan oleh
Penumpukkan tersebut dapat menyebabkan
M. Panwar et al. menggunakan pendekatan
komplikasi pada ginjal dan beberapa masalah lainnya
penambangan data dan K-Nearest Neighbor (KNN)
[1].
untuk melakukan klasifikasi binary pada Pima Indian
Diagnosis medis merupakan hal yang penting dan diabetes [3]. T. Jayalakshmi and A. Santhakumaran
krusial. Kesalahan diagnosis yang dilakukan oleh melalukan praproses pada missing value dan
dokter dapat mengakibatkan malpraktek dan berujung klasifikasi diabetes menggunakan Neural Network
pada kematian pasien. Hasil analisis data yang diambil (NN) [4]. L. Chang-Shing dan W. Mei-Hui
dari pasien dan kemampuan dokter untuk mengambil mengusulkan semantic decision support untuk
keputusan sangatlah mempengaruhi hasil diagnosis membantu pengambilan keputusan diagnosis diabetes
medis. Tahap-tahap yang dilakukan sangatlah panjang dengan menggunakan Fuzzy Diabetes Ontology (FDO)
[5]. R. Vaishali, et al. mengusulkan algoritma genetika dari penelitian ini adalah untuk memprediksi apakah
(GA) untuk fitur seleksi dan Multi Objective seorang pasien terkena diabetes atau tidak.
Evolutionary (MOE) Fuzzy untuk klasifikasi diabetes
[6]. M. Aakanksha, et al. menggunakan Principal A. Ringkasan Dataset
Component Analysis (PCA) untuk mereduksi dimensi Dataset terdiri dari 9 kolom sebagai atribut yaitu:
dan GA untuk meningkatkan kemampuan NN [7].
E.K. Hashi mengusulkan penggunaan Decision Tree Pregnancies: Jumlah berapa kali pasien pernah
C4.5 dan KNN sebagai supervised klasifier [8]. mengandung.
Salah satu metode pembelajaran mesin yang kuat Glucose: Konsentrasi plasma glukosa selama 2
adalah model ensemble. Ensemble mengkombinasikan jam pada tes oral konsentrasi glukosa.
beberapa model pembelajaran mesin yang sederhana
BloodPressure: Tekanan darah diastole (mm
seperti Naïve Bayes, Decision Tree, Logistic
Hg).
Regression dan lainnya, menjadi satu kesatuan model
yang memiliki performa setingkat model pembelajaran SkinThickness: Tebal lapisan kulit pada
mesin yang kuat. Beberapa teknik ensemble yang bagian triceps (mm).
popular adalah bagging [9] dan boosting [10].
Insulin: Kadar 2 jam serum insulin (mu U/ml).
Ensemble sering digunakan dalam penambangan
data dan pembelajaran mesin dikarenakan model BMI: Indeks massa tubuh (kg/m2)
tersebut sederhana, mudah diaplikasikan dan tahan DiabetesPedigreeFunction: Hubungan genetik
terhadap bias dan variansi. D.A. Davis et al. [11] pasien dengan keluarga yang menderita
menggunakan collaborative filtering untuk melakukan diabetes.
prediksi jenis penyakit. Ensemble sering sekali
digunakan dalam pemodelan sistem rekomendasi. M. Age: Umur dari pasien (tahun).
Jahrer et al. [12] menggabungkan beberapa algoritma
Outcome: Terdiri dari 2 kelas, 0 (negatif
collaborative filtering seperti SVD, Neighborhood
diabetes) dan 1 (positif diabetes). Atribut yang
based approaches, Restricted Boltzmann Machine
akan diprediksi.
(RBM), Asymmetric Factor Model dan Global Effect
untuk membuat sistem rekomendasi pada dataset
Netflix. R. M. Bell et al. [13] menggunakan teknik III. METODOLOGI
ensemble blending untuk menggabungkan KNN, Bagian ini memamparkan tentang langkah-langkah
factorization, RBM, dan Asymmetric Factor Model. J. penelitian yang dilakukan. Metode yang dilakukan
Sill et al. [14] mengusulkan teknik stacking dengan adalah prapengolahan data, pelatihan model dan
pembobotan. Stacking adalah salah satu teknik evaluasi model.
ensemble yang mana hasil prediksi pada kumpulan
model tingkatl pertama, diberikan ke model tingkat A. Prapengolahan Data
kedua sebagai input. Namun, penelitian diabetes Dikarenakan banyaknya derau pada dataset,
menggunakan model ensemble masih sangatlah jarang. prapengolahan data perlu dilakukan untuk
Penelitian ini mengusulkan metode ensemble meningkatkan akurasi dari penambangan data sebelum
blending dengan mengkombinasikan Decision Tree mengimplementasikan algoritma pembelajaran mesin
(DT), Logistic Regression (LogReg), dan Support pada dataset yang digunakan. Beberapa langkah yang
Vector Machine (SVM) untuk melakukan klasifikasi dilakukan yaitu:
binari pada data diabetes mellitus. Penelitian ini hanya
Mengolah missing values. Pada dataset ini,
fokus pada pemodelan menggunakan metode ensemble
selain pada atribut Outcome, banyak terdapat
blending untuk meningkatkan akurasi pada proses
angka 0 yang menandakan data tidak
pengklasifikasian, tidak pada prapengolahan data
tertangkap dengan baik. Angka-angka 0
seperti penghilangan derau atau data tidak
tersebut terdapat pada atribut Glucose,
berhubungan.
BloodPressure, SkinThickness, Insulin dan
BMI. Angka-angka 0 tersebut diganti menjadi
II. EKSPLORASI DATASET NA dan kemudian diisi dengan menggunakan
Dataset yang dipakai pada penelitian ini adalah KNN.
dataset yang berasal dari National Institute of Diabetes
Melakukan oversampling untuk mengatasi
and Digestive and Kidney Diseases dan dapat diakses
ketidakseimbangan jumlah data pada tiap
secara publik di UCI Machine Learning Repository:
kelas.
Pima Indians Diabetes Dataset [15]. Dataset ini
memiliki infornasi tentang 768 pasien wanita dengan 8 Melakukan normalisasi center dan scale pada
diagnosis kondisi medis yang berbeda-beda. Tujuan data untuk memperkecil bias dan variansi pada
Tabel 1. Perbandingan hasil evaluasi Tabel 3. Confusion Matrix Model I Blender SVM
Abstract— Sekolah Musik Indonesia (SMI) Solo is the sebuah teknik yang disebut dengan replikasi basis
center of SMI which has internal data using web-based data yang melakukan penyalinan dan pendistribusian
application at appssmi.com site with SQL Server database data seperti objek-objek basis data dari satu basis data
and has not been backed up regularly. Database ke basis data lain atau dari media penyimpanan satu
replication is a technique for copying and distributing ke media penyimpanan yang lain dan melaksanakan
data and database objects from one database to another sinkronisasi antara basis data sehingga ketersediaan
and implementing synchronization so data consistency data dapat terjamin.
can be guaranteed. Replication can be implemented to the
cloud by requiring Internet access. The main concern in Dalam melakukan replikasi basis data, tidak
SMI Solo was the quality access of the Internet connection mungkin tanpa biaya. Replikasi basis data
and also infrastructure used in SMI Solo. The purpose of memerlukan penyimpanan tambahan dan
this research is to analyze the readiness of data replication memperbaharui data memerlukan waktu tersendiri
infrastructure needs at SMI Solo. The results of the [1]. Penyimpanan tambahan yang dimaksud di sisi
analysis are then used as the basis for making server. Oleh karena itu, server memerlukan kesiapan
recommendations and design of information technology kebutuhannya seperti jaringan Internet yang
architecture in the implementation of SMI database digunakan untuk mentransfer data. Performa jaringan
replication. We concluded that the infrastructure owned
Internet yang memiliki bandwidth up to dapat
by SMI Solo is sufficient to be used for database
mempengaruhi keberlangsungan proses replikasi
replication. This is demonstrated by the very satisfactory
performance of the SMI Solo server network with 3.85
karena throughput (bandwidth aktual) selalu berubah-
Mbps download throughput, 3.49 Mbps upload ubah setiap saat.
throughput, 0% packet loss, 25.88 ms delay, and 0.09 ms Sekolah Musik Indonesia (SMI) adalah bidang
jitter. On database replication performance thorough test usaha PT. Sarana Menjangkau Indonesia yang
scenarios, average performance on snapshot replication is bergerak di dunia pendidikan musik. SMI mempunyai
using for CPU 4.78%, DTU 5.94%, I/O 0.06% and log banyak cabang dan karyawan di Indonesia. Sejauh ini,
data I/O 5.25%. The average performance on
untuk mendapatkan data/informasi mengenai data
transactional replication is CPU 0.09%, DTU 0.09%, data
penting (informasi terkait keuangan, pembelajaran,
I/O 0%, and log I/O 0.04%. Some of the challenges in
developing database replication infrastructure to be unit dan investor) yang ada di suatu cabang
implemented in all SMI’s can run efficiently if each SMI menggunakan aplikasi berbasis web di situs
has a local server and Internet network albeit with appssmi.com. Situs appssmi.com menggunakan
unstable throughput. database SQL Server yang di-hosting menggunakan
Windows Azure dan belum ada backup secara berkala
Index Terms—Network Performance, Replication, di server milik SMI sendiri. SMI Solo sebagai pusat
Snapshot, Transactional SMI di Indonesia memiliki Windows Server 2008 R2
Standard yang memiliki 1 IP publik statis dan
bandwidth up to 4 Mbps.
I. PENDAHULUAN
Data merupakan aset yang paling berharga dalam II. TINJAUAN PUSTAKA
dunia digital seperti saat ini. Ketersediaan data
menjadi salah satu faktor penting dalam proses bisnis Penelitian tentang replikasi basis data bukanlah
sebuah institusi atau perusahaan karena tanpa adanya hal yang baru, namun pada setiap kasus yang
data, maka tidak akan ada informasi yang bisa dijumpai, permasalahan yang dicoba untuk
didapatkan untuk pengambilan keputusan atau analisa diselesaikan memiliki kekhasan sendiri-sendiri.
performa kinerja sebuah perusahaan. Dalam Silitonga melakukan implementasi replikasi basis
mendukung ketersediaan data di server, terdapat
16 ULTIMATICS, Vol. X, No. 1 | Juni 2018
ISSN 2085-4552
B. Cloud Computing
Cloud computing adalah sebuah model yang
memungkinkan untuk ubiquitous (dimanapun dan
kapanpun), nyaman, on-demand akses jaringan ke
sumber daya komputasi yang dapat dengan cepat
dirilis atau ditambahkan. Cloud computing dapat
digunakan dengan berbasis jaringan/Internet [8].
ULTIMATICS, Vol. X, No. 1 | Juni 2018 17
ISSN 2085-4552
Setelah replikasi sudah diuji coba dan berhasil, Bad > 450 ms
tahap berikutnya adalah menganalisis beberapa
tantangan yang ada sesuai dengan kesiapan
infrastruktur SMI Solo kedepannya. Terakhir, Tabel 4. Standarisasi jitter TIPHON
menarik kesimpulan dari segala proses yang telah
dikerjakan. Category Delay
Very Good 0 ms
V. HASIL DAN PEMBAHASAN Good 0 – 75 ms
Category Throughput
Very Good 100%
3) Analisis Delay
Tabel 7 menjelaskan delay server SMI Solo. Gambar 3. Tampilan situs aplikasismi.com
Delay tertinggi terdapat pada hari Selasa dengan nilai 2) Server lokal SMI Solo sebagai tempat
29,19 ms. Sedangkan delay terendah berada di hari hosting
Sabtu dengan nilai 22,45 ms. Secara keseluruhan nilai
rata-rata delay untuk Internet server SMI Solo Basis data dan data website aplikasismi.com
memiliki nilai 25,88 ms dimana dalam standarisasi ditempatkan pada server lokal SMI Solo. Server lokal
TIPHON termasuk kategori sangat bagus. dipilih untuk menjadi tempat utama website
dikarenakan spesifikasi server dan performa jaringan
Tabel 7. Rekapitulasi hasil pengukuran delay server yang sangat memuaskan.
SMI Solo
Standarisasi Dengan perancangan seperti ini, peneliti akan
Hari Delay (ms) melakukan replikasi ke Azure SQL Database. Azure
TIPHON
Senin 23,31 Sangat Bagus dipilih karena teknologi cloud yang aman, selalu
Selasa 29,19 Sangat Bagus online 24 jam, rekomendasi developer website SMI,
dan memiliki interface yang sederhana sehingga
Rabu 26,59 Sangat Bagus
mudah dimengerti.
Kamis 28,65 Sangat Bagus
Jumat 25,42 Sangat Bagus 3) Membuat instance Server dan Azure SQL
Sabtu 22,45 Sangat Bagus Database di Microsoft Azure
Rata-rata 25,88 Sangat Bagus
4) Analisis Jitter
Tabel 8 menjelaskan performa jitter di server SMI
Solo. Jitter tertinggi terdapat di hari Rabu dengan
nilai 0,19 ms dan terendah di hari Kamis dan Jumat
dengan nilai 0,05 ms. Secara keseluruhan nilai rata-
rata jitter sebesar 0,09 dan termasuk ke dalam
kategori bagus berdasarkan penilaian TIPHON.
Tabel 8. Rekapitulasi hasil pengukuran jiter server
SMI Solo
Gambar 4. Membuat 1 instance server dan 2 Azure
Jitter Standarisasi
Hari SQL Databases di Microsoft Azure
(ms) TIPHON
Senin 0,07 Bagus Gambar 4 menjelaskan ketika peneliti ingin
Selasa 0,1 Bagus membuat 1 atau lebih Azure SQL Database,
Rabu 0,19 Bagus memerlukan setidaknya 1 server untuk menampung
Kamis 0,05 Bagus database tersebut. Peneliti menentukan lokasi di
Jumat 0,05 Bagus Southeast Asia dengan pertimbangan dekat, murah,
Sabtu 0,06 Bagus dan memiliki latency yang paling rendah dari
Rata-rata 0,09 Bagus Indonesia.
Setiap Azure SQL Database memiliki sebanyak 37,39% dan database size terisi 1,82% dari
performance yang berbeda-beda disesuaikan dengan total 5GB.
kebutuhan pengguna. Peneliti memilih performance
dengan tipe standard dengan minimal 10 DTU dan Gambar 9 menjelaskan ketika konfigurasi
storage sebesar 5GB dijelaskan pada Gambar 5. replikasi sudah berhasil dilakukan, maka akan ada
Peneliti menggunakan 10 DTU dikarenakan sudah keterangan tambahan yang muncul pada saat selesai
pernah mencoba menggunakan tipe basic dan konfigurasi Publisher dan Subscriber.
hasilnya ada beberapa proses DTU akan overload
hingga 100% sehingga akan mengurangi proses
kecepatan replikasi basis data. Untuk ukuran database
bisa memilih antara 1 – 250 GB tanpa dikenakan
biaya, peneliti hanya memilih muatan database
sebesar 5GB.
F. Analisis Replikasi Basis Data Tabel 10. Traffic basis data appssmi.com selama 12
hari
1) Snapshot Replication
Pengujian snapshot replication dapat dilihat Jumlah Data Jumlah
secara detail hanya beberapa saat ada proses-proses Tanggal
Masuk (KB) Transaksi
ringan yang terjadi tetapi tidak mengubah isi database 9 Oktober 2017 380,69 404
jika belum saatnya sinkronisasi otomatis yang sudah 10 Oktober 2017 498,63 531
dikonfigurasikan. Pengujian selama proses itu 11 Oktober 2017 355,58 378
berlangsung, data tidak akan langsung ter-update 12 Oktober 2017 387,18 413
13 Oktober 2017 258,09 277
sehingga harus menunggu sinkronisasi berikutnya. 14 Oktober 2017 220,09 237
Pada replikasi jenis snapshot, rata-rata dari 10 16 Oktober 2017 362,25 388
DTU yang dialokasikan, dipakai sebanyak 40%-an 17 Oktober 2017 283,36 295
18 Oktober 2017 391,6 418
selama pengujian. Proses ini terbilang memakan 19 Oktober 2017 222,41 247
banyak resources dan tidak efisien karena database 20 Oktober 2017 300,34 321
akan selalu di-overwrite datanya selama waktu yang 21 Oktober 2017 258,75 278
ditentukan. Rata-rata per hari 326,58 348,92
DAFTAR PUSTAKA
[1] M. Christian Mazilu, “Database Replication”, Database
Systems Journal Vol 1, No 2, hal 33-38, 2010.
[2] P. Silitonga, “Replikasi Basis Data Pada Sistem Pengolahan
Data Akademik Universitas Katolik Santo Thomas”. Jurnal
TIME Vol III No 1. hal. 32-36, 2014.
[3] F. Zaini, L. Atika, & U. Ependi, “Implementasi Metode
Asynchronous pada Replikasi Database Inventaris
Universitas Bina Darma”, Jurnal Informatika Universitas
Bina Darma Palembang, Oktober 2015.
[4] M. Holmgren, “Multi-Master Database Replication and e-
Learning – Theoretical and Practical Evaluation” (Disertasi),
2015.
[5] C-O. Truica, A. Boicea, & F. Radulescu, “Asynchronous
Replication in Microsoft SQL Server, PostgreSQL, and
MySQL”. International Conference on Cyber Science and
Engineering Hal. 50-55, 2013.
[6] N.H. Shahapure & P. Jayarekha, “Replication: A Technique
for Scalability in Cloud Computing”, International Journal of
Computer Applications Vol 122, No 5, hal 13-18, July 2015.
[7] G. Coulouris, J. Dollimore, T. Kindberg, & G. Blair,
“Disributed Systems: Concepts and Design, 5th Ed”,
Pearson, 2011.
[8] P. Mell & T. Grance, “The NIST Definition of Cloud
Computing”, NIST Special Publication 800-145, September
2011.
[9] A. Syaikhu, “Komputasi Awan (Cloud Computing)
Perpustakaan Pertanian”, Jurnal Pustakawan Indonesia Vol
10, No 1, hal 1-12, 2010.
[10] C. Rabeler, “Migrating SQL Server Databases to Azure, 1st
Ed”, 2016.
[11] The European Telecommunications Standards Institute,
“Telecommunications and Internet Protocol Harmonization
Over Networks (TIPHON): General aspects of Quality os
Service (QoS)”, ETSI TR 101 329, France, Vol 2.1.1, June
1999.
[12] M. Flannagan, R. Froom, & K. Turek, “Cisco Catalyst QoS:
Quality of Service in Campus Networks 1st Ed”, 2003.
[13] MC. Lee, FY. Leu, YP. Chen, “PFRF: An adaptive data
replication algorithm based on star-topology data grids”,
Future Generations Computer Systems, Vol 28 Issue 7, July
2012.
[14] JW. Lin, CH. Chen, J.M. Chang, “QoS-Aware Data
Replication for Data-Intensive Applications in Cloud
Computing Systems”, IEEE Transactions on Cloud
Computing, Vol 1 Issue 1, June 2013.
Abstract—In the determination of employees who have Pelaksanaan kerja oleh karyawan berbeda-beda
the achievement required assessment of the assessment. disesuaikan dengan divisi dalam organisasi dan
There are several policy setting criteria to be able to menjadi ukuran kinerja di dalam ukuran standar kerja.
prevent subjective decision-makers such as the influence
of "likes and dislikes", so it is often wrong to judge Penulis mencoba mengunakan metode MBO
employees. This paper is intended to provide a solution secara intinya dan dimplementasi ke dalam sistem
to the problem of choosing qualified and qualified pendukung keputusan metode AHP sebagai
employees using the AHP method and using decision pengukuran kinerja karyawan di perguruan tinggi yang
support systems application Expert Choice to assist diharapkan nantinya dapat membantu para pembuat
decision making in determining outstanding employees keputusan di suatu perguruan tinggi dalam
based on MBO method references. From the result of
memutuskan alternatif-alternatif terbaik dalam
comparison of criteria weight that has been inputted
and has been adjusted with comparison matrix Sub pengukuran kinerja karyawan dan akhirnya penentuan
Criteria of Achievement then got that occupy the highest karyawan berprestasi. Dengan tujuan membangun
priority data that is consumer satisfaction with point sebuah sistem penunjang keputusan untuk melakukan
0,434, discipline with point 0,285, operational analisa pemilihan karyawan berprestasi menggunakan
performance with point 0,071 and achievement with metode Analytic Hierarchy Process (AHP), tentunya
point 0,058 with inconsistency 0, 03 with 0 missing menggunakan beberapa kriteria atau faktor- faktor
judgments. The results of AHP calculations will be penilaian. Dalam hal ini karyawan akan dibandingkan
applied to produce the highest intensity of employee satu dengan yang lainnya sehingga memberikan output
priority outputs so that employees with the highest score
nilai prioritas yang memiliki point nilai karyawan
are eligible for rewards or rewards.
terhadap setiap kinerja karyawan berprestasi. Hal
Index Terms—AHP, Aplikasi Expert Choice, MBO, yang penting dalam penelitian ini yaitu Sistem
SPK. penunjang keputusan ini membantu melakukan
penilaian karyawan dengan melakukan penilaian
I. PENDAHULUAN angka kriteria, dan angka nilai bobot.[4] Hasil dari
penilaian ini memberikan data untuk pengambil
Institusi memiliki jumlah karyawan cukup banyak keputusan yang terkait dengan masalah pemilihan
dalam perencanaan jenjang karir tiap karyawan dan karyawan berprestasi, sehingga karyawan yang
pergantian jabatan dalam perusahaan sering terjadi dan
berprestasi layak diberi penghargaan atau peningkatan
juga menghabiskan banyak waktu untuk memberikan
karir. Maka perlu dikaji lebih lanjut proses
penilaian yang akurat karena divisi Human Resource
Departement (HRD) mungkin tidak terlalu memiliki pelaksanaan sistem penunjang keputusan penilaian
data prestasi atau karakter setiap karyawan yang karyawan berprestasi menggunakan acuan MBO dan
berada dalam lingkungan Institusi Perguruan Tinggi. metode AHP dengan menggunakan aplikasi Expert
Hal ini menjadi kendala yang cukup signifikan dalam Choice di kampus Universitas Tanri Abeng.
rangka menyusun jenjang karir dari tiap karyawan dan
kaderisasi atau pergantian jabatan dalam struktur
organisasi dengan menggunakan data yang ada.
B. Bahan Penelitian
Dari faktor-faktor yang menentukan pemilihan
karyawan berprestasi yaitu menggunakan metode
Management by Objective (MBO) sebagai acuan dasar
perhitungan kinerja karyawan dengan menggunakan
metode Analytical Hierarchy Process (AHP) dan
digunakan pada divisi Staff pada Divisi BAAK, Staff
pada Divisi UPT.
Pada bagian penggunaan aplikasi dan
implementasi dengan menggunakan Aplikasi Expert
Choice sebagai Sistem Penunjang Keputusan Penilaian
Kinerja Karyawan di Universitas Tanri Abeng.
Tabel 1. Definisi Level Kriteria Gambar 4. Struktur Hierarki Keputusan AHP pada
SPK Penilaian Kinerja Karyawan
[3] Kusrini, Awaluddin M, 2007, Sistem pendukung keputusan [6] Saaty, T.L., 1993, ”Decision Making for Leader”. The
evaluasi kinerja karyawan untuk promosi jabatan. Analytical Hierarchy Process for Decision in Complex World,
[4] Jogiyanto, HM, 2008, “Metodologi Penelitian Sistem Prentice Hall Coy: Ltd, Pittsburgh.
Informasi: Pedoman dan Contoh Melakukan Penelitian di [7] Suryadi, K. dan Ramdhani, MA.1998. Sistem Pendukung
Bidang Sistem Teknologi Informasi”, Yogyakarta:Andi. Keputusan. PT Remaja Rosdakarya, Bandung.
[5] Rakhmat Nugroho, 2006, Analisis faktor-faktor yang
mempengaruhi kinerja karyawan (Studi Empiris pada PT.
Bank tabungan negara (Persero), cabang Bandung)
menggunakan suatu aplikasi atau software. Hal ini beserta beberapa literatur terkait. Bab III menjelaskan
terutama terjadi pada proyek yang melibatkan banyak mengenai klasifikasi feedback pengguna menggunakan
pengguna/stakeholder yang bervariasi, seperti proyek- Naïve Bayes, bab IV menjabarkan model yang diajukan
proyek yang biasa dilakukan oleh software producing pada penelitian ini, dan bab V menyajikan kesimpulan
organization (SPO) dengan multiple clients, dari penelitian yang sedang dijalankan serta tahapan-
mencocokkan kebutuhan para pengguna dengan visi tahapan berikutnya yang dapat dilakukan untuk
dan road map suatu produk semakin menambah mengembangkan penelitian ini.
kesulitan yang ada [9].
II. GAMIFIKASI
Konsep gamifikasi tumbuh dan berkembang
Gamifikasi merupakan metode yang belakangan
sebagai suatu tren yang menjanjikan dalam berbagai
ini mendapatkan banyak sorotan di dunia teknologi.
area. Penelitian yang dilakukan M2 Research pada
Gambar 1 di bawah menunjukkan hasil pencarian
tahun 2011 memprediksi bahwa pada pasar gamifikasi
terhadap penelitian akademis seputar gamifikasi
akan mencapai 2.8 miliar dolar Amerika pada tahun
beserta perkembangannya dari tahun 2011 sampai
2016 [10]. Penggunaan elemen-elemen game design
2014. Dapat dilihat bahwa jumlah penelitian akademis
pada aplikasi-aplikasi maupun proses dalam cakupan
mengenai “gamifikasi” beserta “design” dan
non-game dianggap dapat meningkatkan partisipasi
“framework” terkait gamifikasi meningkat dengan
pengguna dan juga pada akhirnya meningkatkan
cukup pesat dari tahun ke tahun.
kualitas suatu produk [11]. Kontribusi pertama dari
penelitian ini yaitu adalah untuk mengajukan ide bahwa
implementasi konsep gamifikasi dapat meningkatkan
partisipasi pengguna dalam memberikan feedback
terhadap suatu aplikasi yang dapat menjadi sumber
informasi terkait munculnya requirements baru atau
kesalahan-kesalahan yang terjadi pada analisis
kebutuhan yang telah dilakukan sebelumnya.
Namun sekedar mendapatkan feedback pengguna
saja tidak langsung dapat menyelesaikan semua
masalah, karena walaupun motivasinya masih harus
ditingkatkan, tapi jumlah feedback dari pengguna ini
Gambar 1. Hasil Pencarian Tentang Gamifikasi pada
bisa datang dalam jumlah yang cukup besar dan untuk
Penelitian Akademis [13]
mengklasifikasi lalu mengekstrak requirements dari
sana secara manual dapat memakan waktu. Selain itu, Gamifikasi didefinisikan sebagai penggunaan
tidak semua feedback dari pengguna dapat dinilai elemen-elemen pada game design pada konteks non-
berguna dan berkualitas bagi pengembangan proyek game [14]. Walau begitu, tujuan penggunaan elemen-
seperti spam atau informasi yang sama sekali tidak ada elemen design dalam gamifikasi agak berbeda dengan
kaitannya dengan aplikasi. Salah satu algoritma game pada umumnya. Pada gamifikasi, penggunaan
machine learning yang dapat digunakan untuk elemen-elemen game design lebih ditujukan untuk
membantu proses klasifikasi user feedback adalah meningkatkan user engagement pada konteks sistem
Naïve Bayes. yang sudah ada. Sedangkan, pada game, penggunaan
elemen-elemen umumnya ditujukan murni untuk
Dalam penelitian sebelumnya [12], telah dilakukan entertainment. Oleh karena itu, perancangan sistem
klasifikasi review aplikasi yang terdapat di Google Play yang digamifikasi tidak bisa disamakan dengan proyek
dan Apple Stores, namun belum ada kajian terkait pembuatan game.
penggunaan gamifikasi untuk meningkatkan motivasi
Dalam merancang dan membangun suatu sistem
pengguna untuk memberikan feedback yang yang tergamifikasi, terdapat beberapa framework yang
berkualitas. Berdasarkan hasil dari penelitian tersebut dapat digunakan sebagai acuan dalam membuat suatu
pula, Naïve Bayes merupakan algoritma klasifikasi sistem yang digamifikasi. Pada penelitian yang
yang tepat karena dapat mencapai tingkat akurasi yang dilakukan Mora dkk. [13], setelah mengkaji 18
tinggi dengan training set yang relatif kecil serta framework yang ada, ditemukan bahwa ada 10 game
memiliki kecepatan yang tinggi dibandingkan design items pada gamifikasi yang dianggap “the ten
algoritma lain yang dikaji pada penelitiannya yaitu most meaningful (in terms of results and
Maximum Entropy dan Decision Tree Learning [12]. heterogeneity)”. Adapun sepuluh hal tersebut adalah
Adapun kontribusi berikutnya dari penelitian ini adalah sebagai berikut.
untuk mengintegrasikan automatic app reviews
1. Viability: studi pendahulu, evaluasi dan
classifier menggunakan Naïve Bayes ke dalam model
analisis potensi untuk mengaplikasikan
yang diajukan. gamifikasi pada suatu sistem.
Selanjutnya, karya ilmiah ini terstruktur sebagai 2. Stakeholders: teknik yang digunakan untuk
berikut. Bab II akan menjelaskan tentang gamifikasi mengidentifikasi dan berfokus pada pihak-
pihak yang berinteraksi pada proses karyawan. Pemain ini yang menggunakan
perancangan. sistem yang dibuat secara sukarela, dan perlu
merasakan kesenangan dan hasrat untuk
3. Loop: mekanika game yang digabung dengan berkembang dalam sistem yang dibuat. Ada
reinforcement dan feedback yang digunakan banyak tipe pemain yang dapat dimotivasi oleh
untuk menarik pengguna ke dalam key system berbagai hal, seperti kompetisi atau tantangan,
actions. dan ada juga yang termotivasi karena
4. Endgame: akhir permainan yang sudah sosialisasi yang dapat dilakukan pada sistem.
ditentukan di awal, biasanya menarik Penting untuk mengetahui tipe pemain untuk
pengguna untuk menggunakan seluruh merancang sistem dan menggunakan elemen-
kemampuannya. elemen yang tepat untuk meningkatkan
partisipasi dan motivasi pemain pada sistem
5. On-boarding: cara memulai pemakaian sistem yang digamifikasi.
bagi partisipan baru.
4. DEVISE activity cycles. Merancang
6. Rules: aturan main yang ditentukan oleh bagaimana sistem yang digamifikasi bekerja.
system designer. Dibagi menjadi dua level yaitu mikro dan
7. Metrics: standar pengukuran efisiensi, makro. Pada level mikro, harus dipikirkan
performa, progres, proses, ataupun kualitas. bagaimana hal-hal sederhana seperti feedback
dapat memotivasi pengguna untuk terus
8. Ethics: cabang filosofi yang melibatkan bermain. Sedangkan pada level makro, lebih
mensistematisasi, mempertahankan, dan difokuskan pada yang disebut dengan “Player
merekomendasikan konsep benar dan salah. Journey”, yang adalah perjalanan pemain dari
9. UI/UX: segala hal yang dirancang ke dalam awal sebagai pemula yang lalu terus
sistem yang digamifikasi, termasuk interaksi, berkembang dan tetap termotivasi untuk
perilaku, sikap, dan emosi pemain. bermain sampai ke tahap dimana pemain dapat
dianggap sukses.
10. Technology: komponen software yang
diperlukan dan digunakan dalam 5. DON’T forget the fun! Langkah selanjutnya
pembangunan sistem. adalah dimana developer harus berhenti
memikirkan hal teknis sejenak, agar tidak
Dari 18 framework gamifikasi yang dikaji, terdapat melupakan fun dalam permainan. System
dua framework yang di dalamnya membahas designer harus memikirkan pertanyaan-
kesepuluh item yang disebutkan diatas, baik secara pertanyaan seperti “All right, would people
implisit maupun eksplisit, sedangkan pada 16 actually find this fun and engaging? If not,
framework lainnya tidak semua item tersebut dibahas. what can I do to make it feel more fun”. Namun
Salah satunya adalah framework yang diajukan oleh tetap harus dilakukan tanpa melupakan
Werbach dan Hunter, yang dinamakan Six Steps to struktur, hal teknis, dan tujuan awal sistem
Gamification [15]. Adapun keenam langkah tersebut digamifikasikan.
adalah sebagai berikut.
6. DEPLOY the appropriate tools. Pada tahap
1. DEFINE business objectives. Salah satu tujuan ini, cari dan tentukan tools yang dibutuhkan
dari gamifikasi adalah untuk menciptakan untuk merancang dan membangun sistem yang
sesuatu yang disukai orang namun itu bukanlah digamifikasi. Baik itu software tools maupun
tujuan satu-satunya dari gamifikasi. Business mekanisme-mekanisme sederhana dalam
objective yang ingin dikaji harus didefinisikan game. Tentukan elemen-elemen game
dengan jelas. Bila pengguna menyukai sistem (dynamics, mechanics, dan components) yang
yang dikembangkan namun tidak ingin digunakan, lalu bangun sistemnya.
meningkatkan produktivitas, efisiensi, maupun
kesejahteraan di lingkungan kerja, maka hasil Dalam membangun sistem yang digamifikasi,
implementasi gamifikasi dapat melenceng dari keenam langkah tersebut tidak hanya cukup dilakukan
tujuan awalnya. dalam satu iterasi dan sistem selesai dibangun.
Developer harus memperhatikan feedback yang
2. DELINEATE target behavior. Langkah didapat dari pengguna dan memperbaiki sistem ayng
berikutnya adalah jabarkan secara konkrit ada sesuai kebutuhan pengguna atau menambahkan
perilaku atau behavior apa yang diinginkan fitur-fitur yang dirasa perlu.
dari target pengguna sistem untuk mencapai
tujuan awal atau business objective yang III. KLASIFIKASI FEEDBACK PENGGUNA DENGAN
dikaji. NAÏVE BAYES
3. DESCRIBE your players. Werbach pada Pada penelitiannya, Maalej dan Nabil [12]
interview dengan pihak dari Engaging Leader mengimplementasikan tiga algoritma klasifikasi
[16], menyebutkan bahwa penting untuk machine learning yaitu Naïve Bayes, Maximum
menganggap pengguna sebagai Entropy, dan Decision Tree untuk mengklasifikasi user
players/pemain, bukan sekedar pengguna atau review dari suatu aplikasi yang dapat ditemukan di
Google Play Store atau Apple App Store. User reviews Hal pertama yang harus dilakukan untuk
yang didapat kemudian diklasifikasikan ke dalam mengklasifikasikan suatu dokumen dengan Naïve
empat kategori yaitu bug reports, feature request, user Bayes Classifier adalah membuat suatu training set
experiences, dan ratings [12]. yang akan dijadikan acuan dalam menentukan
probabilitas dokumen baru yang masuk nantinya.
Bug reports menjelaskan masalah dengan aplikasi Setelah training set tersedia, maka dapat dilakukan
terkait yang harus diperbaiki, seperti crash, perilaku perhitungan probability dengan multinomial text
sistem yang tidak diinginkan, atau isu-isu terkait classification model sebagai berikut [18].
performa aplikasi. Pada kategori feature request,
pengguna menanyakan fungsionalitas atau konten yang a. Tentukan dan kumpulkan daftar seluruh kata
yang ada dan dipertimbangkan (V)
dianggap kurang atau belum ada atau yang dianggap
baik dan patut ditambahkan pada update berikutnya. b. Hitung hal-hal dibawah ini:
User experiences menggambarkan pengalaman yang
N : jumlah total seluruh dokumen
dirasakan pengguna ketika menggunakan aplikasi dan
(feedback dari pengguna) yang ada
fitur-fiturnya pada kondisi-kondisi tertentu. Dan yang
terakhir adalah ratings, yang merupakan representasi Nk : jumlah dokumen yang
dari jumlah bintang yang diterima aplikasi. diklasifikasikan ke dalam suatu kategori k,
untuk setiap kategori yang ada
Dari hasil penelitian yang dilakukan, disimpulkan
untuk mengklasifikasi user review ke dalam empat xit : frekuensi kemunculan suatu kata wt
kategori di atas, dapat dikatakan bahwa Naïve Bayes dalam suatu dokumen Di, untuk setiap
merupakan algoritma yang lebih tepat dibanding kata yang ada dalam V – dengan kata lain,
algoritma classifier lainnya karena dapat mencapai hitung nk(wt) : frekuensi kemunculan kata
tingkat akurasi yang tinggi dengan ukuran training set wt dalam dokumen dengan kategori k
yang kecil, dengan waktu dua kali lebih cepat dibanding c. Hitung probabilitas kemunculan suatu kata (wt)
algoritma lainnya [12]. Adapun klasifikasi dengan dalam semua dokumen yang termasuk dalam
Naïve Bayes dilakukan setelah data user review suatu kategori (Ck) dengan juga menerapkan
diperoleh, dikategorikan berdasarkan beberapa Laplace’s law of succession untuk
keyword yang sudah dipilih sebelumnya, dan kalimat- menghindari zero probability problem [18],
kalimatnya diproses dengan menggunakan teknik menggunakan rumus (1) atau (2) di bawah ini,
natural language processing (NLP) seperti stopword dimana zik merupakan variabel indicator yang
removal, stemming, lemmatization, tense detection, dan bernilai 1 ketika suatu dokumen termasuk
bigrams, yang berada di luar cakupan penelitian ini. dalam satu kategori, dan bernilai 0 ketika tidak.
Setelah kalimat diproses menjadi bag of words,
dengan algoritma Naïve Bayes Classifier, setiap fitur 1 + ∑𝑁
𝑖=1 𝑥𝑖𝑡 𝑧𝑖𝑘
dipertimbangkan dalam menentukan kelas/label apa 𝑃(𝑤𝑡 |𝐶𝑘 ) = (1)
|𝑉| + ∑|𝑉| ∑𝑁
𝑠=1 𝑖=1 𝑥𝑖𝑠 𝑧𝑖𝑘
saja yang dapat diberikan terhadap suatu input. Untuk
menentukan label yang diberikan, Naïve Bayes
menghitung probabilitas awal dari setiap label, yang
bisa didapat dari pengecekan frekuensi kemunculan 1 + 𝑛𝑘 (𝑤𝑡 ) (2)
𝑃(𝑤𝑡 |𝐶𝑘 ) =
label tersebut pada training set [17]. |𝑉| + ∑|𝑉|
𝑠=1 𝑛𝑘 (𝑤𝑠 )
Naïve Bayes merupakan algoritma yang sangat
populer sebagai binary classifier [17], yang dapat d. Hitung probabilitas terklasifikasinya suatu
menentukan apakah suatu input termasuk ke dalam dokumen ke dalam suatu kategori P(Ck)
satu kategori atau tidak. Dalam klasifikasi ke dalam dengan menggunakan rumus (3) di bawah ini.
lima kategori sebagai contoh, suatu user feedback
dapat tergolong ke dalam lebih dari satu kategori, dan 𝑁𝑘
pada penelitian ini, suatu input yang berupa feedback 𝑃(𝐶𝑘 ) = (3)
dapat diklasifikasi secara biner (termasuk dalam satu 𝑁
kategori atau tidak) sebanyak lima kali. Model yang Langkah berikutnya adalah untuk menerima
digunakan pada penelitian ini adalah multinomial dokumen baru yang belum diklasifikasikan (D), lalu
document model, dimana tidak seperti Bernoulli akan diklasifikasikan ke masing-masing kategori yang
document model, frekuensi kemunculan suatu kata telah ditentukan berikutnya. Berikut rumus (4) yang
dalam suatu dokumen dianggap penting [18]. Selain menampilkan formula untuk menghitung probabilitas
itu, pada dokumen dengan ukuran vocabulary yang suatu dokumen/feedback untuk diklasifikasikan ke
besar tingkat kesalahan dapat dikurangi hingga 27% dalam suatu kategori. Dimana x adalah frekuensi
dengan menggunakan multinomial model jika kemunculan suatu kata dalam dokumen D.
dibandingkan dengan multi-variate Bernoulli model
[19].
𝑃(𝐶𝑘 |𝐷) = 𝑃(𝐶𝑘 |𝑥)
𝛼 𝑃(𝑥|𝐶𝑘 )𝑃(𝐶𝑘 ) (4)
ULTIMATICS, Vol. X, No. 1 | Juni 2018 37
ISSN 2085-4552
|𝑉|
hadiah. Mereka secara sukarela turut berpartisipasi Sedangkan pada level makro, sistem harus
dalam permainan karena tertarik dengan reward yang dirancang dan dibangun dengan memikirkan progres
bisa didapatkan dari suatu aktivitas. yang dapat dirasakan pengguna ketika sistem
digunakan. Salah satu contoh elemen yang dapat
Achiever dapat termotivasi dengan keahlian dari digunakan untuk menunjukkan progres pengguna
suatu aktivitas. Tipe ini sangat tertarik dengan hal baru adalah level dan difficulty. Semakin lama pengguna
dan aktivitas yang dapat dilakukan untuk berpartisipasi, maka levelnya semakin tinggi dan
mengembangkan diri mereka dan bahkan menjadi ahli semakin sulit dan menantang pula hal yang harus
di suatu bidang. Free Spirit suka mencoba sesuatu dilakukan.
yang baru dan bereksplorasi, tipe ini dapat dimotivasi
dengan adanya otonomi dan kebebasan 5. Don’t Forget the Fun
mengekspresikan diri sendiri. Yang terakhir ada lah
Disruptor, tipe ini dapat dimotivasi dengan perubahan Hal yang tidak boleh dilupakan ketika merancang
dan kemampuan mereka untuk menjatuhkan sistem suatu sistem dengan gamifikasi adalah untuk berhenti
yang ada baik secara positif maupun negatif [20]. sejenak dan berpikir, apakah sistem yang dirancang itu
menyenangkan? Banyak pertanyaan-pertanyaan yang
Setiap tipe memiliki karakteristiknya masing- dapat ditanyakan oleh developer saat ada di tahap ini.
masing yang bisa disesuaikan dengan kebutuhan Salah satu pertanyaan yang dapat dipikirkan adalah,
sistem dan elemen-elemen gamifikasi yang digunakan bila tidak ada rewards secara ekstrinsik yang
untuk meningkatkan motivasi pengguna untuk didapatkan pengguna, bila pengguna tidak diminta
menggunakan sistem. Seperti contohnya bagi pemain untuk menggunakan sistem, apakah pengguna akan
dengan tipe Player, elemen gamifikasi seperti points ingin menggunakan sistem hanya karena sistem
dan leaderboard dapat digunakan untuk menarik tersebut menarik dan dirasa menyenangkan? Bila
pemain untuk berpartisipasi dalam sistem karena sifat tidak, maka ada hal-hal yang harus diperbaiki untuk
Player yang menginginkan reward atas usaha yang meningkatkan rasa fun tersebut.
telah dilakukannya. Berbeda dengan Socialiser,
contohnya, yang mungkin dapat tertarik dengan fitur 6. Deploy the Appropriate Tools
yang memungkinkan mereka untuk dapat Tahap terakhir dari bagian pertama model yang
bersosialisasi dalam sistem dan berkolaborasi dengan diajukan pada penelitian ini adalah untuk menentukan
pengguna lainnya. mekanika dan komponen yang akan digunakan pada
Marczewski menyajikan hasil dari user type test sistem yang digamifikasi, dan implementasi sesuai
yang telah dilakukan terhadap lebih dari 10.000 orang dengan perancangan yang telah dibuat sebelumnya.
menunjukkan bahwa Philanthropist dan Free Spirit Setelah keenam langkah di atas dilakukan, sistem
merupakan 2 tipe yang paling populer dengan 20% dan yang telah digamifikasi selesai dirancang dan
19% dari total pengguna yang telah melakukan test dibangun, dan elemen-elemen yang digunakan pun
tersebut [21]. Namun, hasil yang disajikan tersebut telah terimplementasi ke dalam sistem. Setelah sistem
tidak dapat digunakan langsung pada proyek yang yang telah digamifikasi ini dirilis ke publik dan
ingin dilakukan karena pada akhirnya, setiap proyek pengguna secara aktif berpartisipasi untuk
bisa memiliki tipe-tipe pengguna yang berbeda dan memberikan feedback terkait produk yang dikaji untuk
developer harus mengetahui tipe-tipe calon pengguna mengetahui kebutuhan-kebutuhan yang berevolusi
dari sistem yang dibangun. atau yang masih kurang pada produk yang dibuat
4. Devise Activity Cycles sebelumnya, saatnya beranjak ke bagian kedua dari
model yang diajukan, yaitu mengklasifikasikan
Pada suatu permainan, biasanya selalu memiliki feedback tersebut.
awal dan kemungkinan juga memiliki akhir. Namun, di
antara kedua hal tersebut, terdapat banyak kondisi yang 7. Get Feedback from Users
berulang dan bercabang. Ada dua jenis cycles atau Feedback yang didapat dari pengguna lalu
loops yang harus dipertimbangkan dalam gamifikasi, disimpan dan diproses – bisa menggunakan NLP –
yaitu engagement loops (micro level) dan progression untuk mengekstrak kata-kata yang memang relevan
stairs (macro level) [15]. dan dapat digunakan. Output dari tahap ini adalah bag
Pada level mikro, aksi yang dilakukan pengguna of words, atau kumpulan kata-kata dari setiap feedback
berangkat dari motivasi awal untuk berpartisipasi dari pengguna yang nantinya akan digunakan untuk
dalam sistem, lalu harus dilanjutkan dengan feedback membuat training set dan masukan yang akan
yang berupa respon dari sistem. Feedback (dari sistem) diklasifikasi.
merupakan cara efektif untuk memotivasi pengguna 8. Define Review Categories
untuk terus menggunakan sistem, yang dalam hal ini
adalah untuk memberikan masukan terkait kebutuhan- Untuk mengklasifikasikan feedback ke dalam
kebutuhan yang berubah atau bertambah. Feedback beberapa kategori, developer harus menentukan
sistem dapat bermacam-macam bentuknya, bahkan terlebih dahulu kategori tersebut. Pada penelitian yang
rewards seperti poin dan achievements pun merupakan dilakukan sebelumnya, review pengguna yang
feedback dari sistem atas aksi yang dilakukan didapatkan dari pasar aplikasi diklasifikasikan ke
pengguna. dalam empat kategori yaitu bug reports, feature
request, user experiences, dan ratings [12]. Namun
ULTIMATICS, Vol. X, No. 1 | Juni 2018 39
ISSN 2085-4552
A. Certainty Factor
Untuk mendapatkan tingkat keyakinan dari sebuah
rule, digunakan Rumus (1) [4].
CF (h,e) = MB(h,e) – MD(h,e) (1)
Keterangan:
CF (h,e) : faktor kepastian
MB(h,e) : tingkat keyakinan terhadap hipotesis (h),
jika diberikan evidence (e) antara 0 dan 1
MD(h,e) : tingkat ketidak yakinan terhadap Gambar 1. Model DeLone dan McLean [12]
hipotesis (h), jika diberikan evidence (e)
Model DeLone dan McLean mendefinisikan enam
antara 0 dan 1
variabel berikut untuk menentukan kesuksesan sistem
Menurut Grosan dan Abraham, terdapat kombinasi [12].
CF ketika lebih dari satu evidence menghasilkan CF 1. System Quality. System Quality
untuk fakta yang sama, yaitu sebagai berikut [6]. mendefinisikan karakteristik yang diinginkan
1. Jika CF(e1) dan CF(e2) > 0 dari sistem, seperti kemudahan menggunakan
sistem, kehandalan sistem, kemudahan
CF(H, e1 ^ e2) = CF(e1) + CF(e2)*(1- pembelajaran, dan waktu respons.
CF(e1)) (2)
2. Information Quality. Information Quality
2. Jika CF(e1) dan CF(e2) < 0 mendefinisikan kualitas keluaran dari sistem,
CF(H, e1 ^ e2) = CF(e1) + seperti kelengkapan, mudah dimengerti,
CF(e2)*(1+CF(e1)) (3) akurasi, dan konsistensi.
E. Sitemap
Gambar 4 merupakan sitemap dari pengguna
Situsparu. Dari halaman Home, yang berguna untuk
menampilkan form deteksi tuberkulosis paru, terdapat
satu halaman yaitu halaman Hasil Deteksi yang
berguna untuk menampilkan rangkuman jawaban
pengguna serta hasil perhitungan dari jawaban gejala
yang telah dijawab oleh pengguna. Pada halaman
About, terdapat penjelasan mengenai sistem pakar
deteksi tuberkulosis paru.
Dari halaman Artikel, yang berguna untuk
menampilkan daftar artikel tuberkulosis paru, terdapat
satu halaman yaitu halaman Detail Artikel yang
berguna untuk menampilkan data detail suatu artikel
yang dipilih. Pada halaman Contact, terdapat form
yang berguna untuk menyampaikan keluhan atau
pertanyaan.
F. Flowchart
Gambar 5 merupakan alur proses Menghitung
Bobot Gejala Menggunakan Metode Certainty Factor.
Sebelum melakukan proses perhitungan, dilakukan
pengambilan jumlah data gejala di database untuk
dilakukan looping sebanyak jumlah gejala. Ketika Gambar 5. Flowchart Menghitung Bobot Gejala
looping pertama, value dari bobot gejala yang dipilih
oleh user ditampung di variabel total. Lalu pada IV. IMPLEMENTASI DAN UJI COBA
looping berikutnya, value dari bobot gejala yang
dipilih oleh user ditampung di variabel total2. A. Implementasi
Kemudian di lakukan pengecekan terhadap variabel Gambar 6 merupakan tampilan halaman Home
total dan total2 untuk menentukan rumus yang akan bagi user. Di halaman ini, terdapat form untuk
digunakan. melakukan deteksi tuberkulosis paru. Ketika user telah
selesai menjawab pertanyaan pertama, maka user
harus menekan tombol Next sehingga akan berganti
menjadi pertanyaan selanjutnya dan sampai
pertanyaan terakhir untuk menekan tombol Finish.
Dengan persentase skor akhir sebesar 83.49%, 1. Sistem pakar ini dapat dibangun dengan
dapat disimpulkan bahwa para responden sangat setuju berbasis mobile baik android maupun iOS.
bahwa Situsparu merupakan sistem pakar untuk 2. Dapat ditambahkan daftar rumah sakit atau
deteksi Tuberkulosis Paru yang sukses berdasarkan dokter spesialis paru yang dekat dengan lokasi
enam variabel yang telah ditentukan. pengguna.
Abstract— Central Bureau of Statistics is one of the pembatas sawah. Sehingga penentuan lokasi
institutions that collect data in all fields and one of them pengukuran harus dilakukan kembali terus menerus
is data of food crops. The Central Bureau of Statistics sampai tidak melewati pembatas sawah.
conducted the ubinan survey to obtain food crop data.
Found some obstacles in the field in conducting ubinan Dikarenakan banyaknya sampel survei ubinan,
survey. This can reduce the quality of food crop data if tidak jarang pelaku survei ubinan harus melakukan
not quickly addressed. Given food crop data is very survei di lebih dari 1 kecamatan. Hal ini menyebabkan
important for the life of the community, it takes a tool pelaku survei ubinan kesulitan dalam menentukan arah
that can help the surveyor so that the data produced can mata angin yang diperlukan dalam penggambaran
be more quickly and accurately. In this research will be bentuk bidang yang harus sesuai arah mata anginnya.
made an application with a given feature that is to store
the coordinate point of survey implementation, to Berdasarkan wawancara pada bulan Agustus 2017
provide location information on harvest measurement in dengan Ibu Ima Primasari selaku Kepala Seksi
the field, to detect harvest income writing errors, display Statistik Produksi, beliau mengungkapkan bahwa
compass as a tool for determining the direction of the diperlukan suatu teknologi untuk mencatatkan posisi
wind. So that the work of ubinan survey can be further KSK (Koordinator Statistik Kecamatan) dan staff pada
improved the quality of food crop data in the Central saat melakukan survei ubinan. Hal ini dirasa perlu agar
Bureau of Statistics. posisi survei ubinan dapat ditelusuri kembali pada saat
ada pemeriksaan dari BPS Provinsi atau Dinas
Index Terms— Android, Survei, Ubinan, Tanaman Pertanian. Dikarenakan banyaknya plot sampel ubinan
Pangan. di Kabupaten Sumedang, tidak jarang pelaksana survei
ubinan kesulitan untuk menelusuri kembali lokasi
I. PENDAHULUAN pelaksanaan survei ubinan.
Sektor pertanian merupakan salah satu sektor yang Selain kendala di lapangan, human error dirasa
mempunyai peranan cukup penting dalam turut menjadi kendala dalam mengolah data hasil
perekonomian Indonesia. Salah satu subsektor survei ubinan. Berdasarkan wawancara dengan Ibu
pertanian yang mempunyai peranan yang sangat Ima Primasari, tidak jarang pelaku survei ubinan salah
strategis adalah subsektor tanaman pangan, yang menuliskan hasil survei ubinan pada lembar kuesioner.
meliputi tanaman padi dan palawija. Peranan penting Terutama jika kesalahan terjadi pada penulisan
subsektor tanaman pangan adalah dalam hal penggunaan bibit dan pupuk serta pada penulisan hasil
pemenuhan kebutuhan pangan masyarakat Indonesia. pengukuran berat hasil ubinan. Hal tersebut akan
sangat mempengaruhi penghitungan produktivitas
Badan Pusat Statistik (disingkat BPS) bekerja
tanaman padi dan palawija di Kabupaten Sumedang
sama dengan Direktorat Jenderal Tanaman Pangan,
khususnya. Maka diperlukan range acuan kewajaran
Kementerian Pertanian melakukan pengumpulan data
dalam isian yang ditanyakan untuk menghindari salah
produksi tanaman pangan setiap tahun. Sebagai
pengisian.
pengumpul data ubinan, BPS juga menemukan
beberapa kendala dalam pelaksanaannya. Salah Teknologi saat ini telah berkembang dengan cepat
satunya yaitu pelaksana ubinan di lapangan yang dan memberikan kemudahan dan manfaat dalam
merasa kesulitan pada saat menentukan lokasi aktivitas kehidupan manusia [1]. Menurut pengamatan
pengukuran hasil panen pada bidang terpilih. Karena langsung oleh peneliti di BPS Kabupaten Sumedang
prosesnya yang dianggap rumit oleh beberapa pada bulan Agustus 2017, 96% pelaksana surver
pelaksana di lapangan, tidak jarang pelaksana di ubinan yang sudah menggunakan smartphone berbasis
lapangan perlu meminta bantuan staff atau pun rekan Android. Android adalah sebuah sistem operasi
lainnya yang sudah menguasai betul tata cara
perangkat mobile berbasis Linux yang mencangkup
penentuan lokasi ubinan dengan menggunakan cara
sistem operasi, middleware dan aplikasi. Android
manual yaitu menggunakan tabel angka random.
Selain mudah dan cepat, alat bantu ubinan juga harus menyediakan platform terbuka bagi para pengembang
dapat mendeteksi pada saat lokasi ubinan melebihi untuk menciptakan aplikasi mereka [2]. Android
pembatas sawah. Karena setelah lokasi didapatkan, memiliki OS yang sangat baik, cepat dan kuat serta
seringkali lokasi pengukuran ubinan melewati memiliki antarmuka pengguna intuitif yang dikemas
dengan pilihan dan fleksibilitas [3]. Hampir setiap pada tabel angka random (kolom 1 sampai
ponsel sekarang ini sudah dilengkapi dengan fitur kolom 25).
Global Positioning System atau yang biasa disingkat 7. Dari halaman, baris dan kolom yang telah
dengan GPS. Salah satu fungsi GPS yaitu untuk didapat, mulailah dicari empat angka untuk
menentukan letak atau lokasi dimana seseorang berada menentukan posisi panen yang akan diukur
[4]. Dalam hal ini fitur yang digunakan yaitu A-GPS. hasilnya. Angka pertama dan kedua untuk
Dalam penentuan arah mata angin, peneliti menentukan jarak dari barat ke timur nya.
menggunakan fitur kompas digital yang ada pada Angka ketiga dan keempat untuk menentukan
ponsel android, kompas digital yang jarak dari utara ke selatan nya. Ilustrasinya
merepresentasikan kemana arah pengguna alat dapat dilihat pada gambar 1.
menghadap [5].
A. Survei Ubinan
Pengumpulan data produktivitas tanaman pangan
dilakukan secara sampel melalui Survei Ubinan
dengan pendekatan rumah tangga. Tanaman padi
meliputi padi sawah dan padi ladang, sedangkan
tanaman palawija meliputi jagung, kedelai, kacang
tanah, kacang hijau, ubi kayu dan ubi jalar.
Pengumpulan data produktivitas tanaman pangan
menerapkan metode pengukuran langsung pada plot
ubinan terpilih dan metode wawancara dengan petani
sampel untuk mengumpulkan data beberapa
karakteristik yang berkaitan dengan produktivitas
seperti penggunaan pupuk, benih, pengairan, pestisida,
cara penanaman, dan sebagainya [6]. Gambar 1 Menentukan posisi pengukuran hasil panen
Berikut ini garis besar proses pendataan Survei pada survei ubinan
Ubinan di lapangan:
8. Dari titik yang sudah didapat maka KSK
1. Gambarkan bentuk lokasi survei ubinan pada melakukan pengukuran hasil panen pada titik
Blok III dengan menyesuaikan arah mata tersebut dengan ukuran bidang yang dipanen
anginnya yaitu utara berada di bagian atas. yaitu panjang 2,5 meter dan lebar 2,5 meter.
2. Menghitung jumlah petak yang dikuasai oleh 9. Setelah plot selesai dipanen, lalu hasil gabah
petani dan ditanami tanaman pangan terpilih. kering panen (GKP) yang didapat ditimbang
Kemudian memberikan nomor urut pada dan dihitung jumlah rumpun nya. Tuliskan
jumlah petak di seluruh bidang yang dikuasai berat dan banyaknya rumpun pada kuesioner.
dan ditanami tanaman pangan terpilih.
10. Lakukan wawancara kepada pengelola lahan
3. Jumlah petak dikalikan dengan angka random untuk beberapa pertanyaan yang ada di
yang telah ditentukan oleh BPS Pusat, dan kuesioner (luas bidang, teknik penanaman,
didapatkan nomor urut petak terpilih yang penggunaan pupuk, bibit, alat perontokan padi
akan dilakukan pengukuran langsung. dan perbandingan hasil panen dengan tahun
sebelumnya).
4. Menggambarkan petak di seluruh bidang yang
dikuasai dan ditanami tanaman pangan terpilih
B. A-GPS
pada tempat yang sudah disediakan untuk
mengetahui arah mata anginnya. Assisted GPS (A-GPS) adalah salah satu
kontributor utama meluasnya penggunaan GPS,
5. Menghitung panjang sisi petak dengan terutama untuk ponsel dan unit genggam lainnya. A-
menggunakan langkah kaki biasa dari arah GPS menggabungkan GPS dan komunikasi, terutama
barat ke timur dan dari utara ke selatan.
wirelless dan memanfaatkan chip GPS dengan
6. Melakukan picingan mata pada tabel angka menambahkan daya pemrosesan murah dan ribuan
random untuk mendapatkan lima angka. correlator. Satelit GPS terbatas dalam jumlah daya
Angka pertama untuk menentukan halaman yang dapat mereka berikan kepada pengguna di tanah
tabel angka random yang akan digunakan ribuan mil jauhnya. A-GPS menyediakan informasi
(halaman 1 atau halaman 2), angka kedua dan penting, melalui saluran komunikasi nirkabel terpisah,
ketiga untuk menentukan baris pada tabel untuk secara substansial memperbaiki kekuatan
angka random (baris 1 sampai baris 35), angka pemrosesan receiver GPS, sehingga dapat beroperasi
keempat dan kelima untuk menentukan kolom dengan sukses di lokasi dan situasi yang kurang
beruntung dimana bangunan, pohon, bukit sebagian Survei ubinan adalah survei yang dilakukan oleh
dapat menurunkan sinyal GPS [7]. BPS setiap tahun dalam 3 periode. Kuesioner survei
ubinan terdiri dari 4 halaman 9 blok. Dalam setiap
C. Kompas blok, terdapat rincian-rincian pertanyaan yang
penomorannya terdiri dari 3 angka. Angka pertama
Penentuan arah pada perangkat android
yaitu keterangan blok dan angka kedua dan ketiga
memanfaatkan Sensor.Type_Accelerometer Dan
adalah nomor urut rincian pertanyaan, misalnya
Sensor.Type_Magnetic_Field untuk menentukan arah
rincian 402 berarti rincian kedua di blok 4. Dan
utara kompas, sehingga apabila device android
berikut ini penjelasan mengenai setiap blok:
tersebut diputar - putar kekiri ataupun kekanan, maka
arah utara kompas pada device android tersebut tetap 1. Blok I Keterangan Tempat. Blok I berisi
pada posisi utara yang benar [8]. keterangan tentang tempat, responden terpilih
dan angka random yang telah ditentukan oleh
Sensor yang digunakan adalah accelerometer,
pusat.
kompas dan giroskop, yang sebenarnya adalah tiga
sensor dalam satu kesatuan. Selain accelerometer, 2. Blok II Keterangan Pengambilan Sampel
kompas juga dikenal sebagai magnetometer, yang Petak. Blok II berisi tentang jumlah bidang,
merasakan medan magnet yang paling kuat. Jika tidak jumlah petak yang terdapat tanaman terpilih
ada magnet lain di dekat situ, medan magnet terkuat serta penentuan petak terpilih dengan cara
berasal dari kutub utara kutub. mengalikan jumlah seluruh petak pada seluruh
bidang dengan nomor angka random yang
Sensor ketiga adalah giroskop, yang merupakan
terdapat pada blok I.
alat yang bisa merasakan laju orientasi pada sumbu
spin melalui torsi luar. Ini pada dasarnya berarti bahwa 3. Blok III Sketsa Bidang Terpilih. Pada Blok III
giroskop bisa merasakan ke arah mana kita berputar, ini, pelaksana survei ubinan diminta
dibandingkan dengan accelerometer yang merasakan menggambarkan bentuk bidang dimana
arah mana kita memiringkan sensor [9]. Cara kerja terdapat petak terpilih dengan memperhatikan
kompas pada smartphone android dapat dilihat pada arah mata anginnya yaitu utara berada di
gambar 2. bagian atas. Contoh penggambaran sketsa
bidang terpilih dapat dilihat pada gambar 3.
6. Melalui internet, smartphone menerima data 4. Menara BTS yang mengeluarkan sinyal
yang diambil dari database server. memiliki fitur GPS juga yang dapat
menentukan lokasi dengan tepat. Dan
7. Smartphone akan kembali me-request sebuah dikarenakan ruang lingkup suatu BTS tidak
perintah melewati internet untuk mendapatkan terlalu jauh sehingga operator telekomunikasi
lokasi user. memiliki sinyal yang baik di semua tempat,
8. Request diteruskan ke BTS terdekat. maka operator telekomunikasi tersebut harus
memiliki banyak menara BTS.
9. Setelah lokasi user didapatkan, BTS akan
mengembalikan request berupa respond ke 5. BTS yaitu menara tinggi yang dapat
user melalui internet. menghasilkan sinyal radio yang kemudian
ditangkap oleh ponsel.
10. User menerima informasi berupa titik
koordinat user dari BTS melalui internet. A.3. Use Case Aplikasi Mobile Android
11. User yang mengakses aplikasi pada PC Sebuah use case merepresentasikan interaksi antara
sebagai aplikasi backend me-request sebuah aktor dengan sistem. Use case sangat menentukan
perintah yang harus melewati internet terlebih karakteristik sistem yang sedang dibuat.
dahulu. Seorang/sebuah aktor adalah sebuah entitas manusia
atau mesin yang berinteraksi dengan sistem untuk
12. Melalui internet, PC menerima data yang melakukan pekerjaan-pekerjaan tertentu [10]. Usecase
diambil dari database server. diagram dari aplikasi yang dibangun dapat dilihat
A.3. Analisis cara kerja A-GPS pada gambar 8.
Cara kerja A-GPS pada smartphone android dapat
dilihat pada gambar 7.
A.5. Diagram Konteks Aplikasi Backend Implementasi sistem meliputi implementasi perangkat
keras, implementasi perangkat lunak, implementasi
Diagram konteks menjelaskan bagaimana data data dan implementasi antar muka.
digunakan untuk proses dalam bentuk aliran data yang
masuk dan keluar dari sistem alat bantu ubinan. B.1. Implementasi Perangkat Keras
Berikut merupakan diagram konteks pada backend
sistem alat bantu ubinan. Diagram konteks dalam Perangkat keras yang digunakan untuk
aplikasi ini dapat dilhat pada gambar 10. membangun sistem frontend dan backend dapat dilihat
pada tabel 1.
Tabel 1 Implementasi perangkat keras yang
direkomendasikan
Implementasi Hasil
Detail Pengujian
B.3. Implementasi Antarmuka Antarmuka Pengamatan
Menampilkan menu
Implementasi antarmuka dilakukan terhadap setiap Blok 2 sampai dengan [ √ ] Sukses
tampilan program yang dibangun dan pengkodeannya Blok 9
dalam bentuk file aplikasi. Adapun tampilan dari Menampilkan Sesuai dengan
implementasi antarmuka halaman backend dapat halaman entry Blok 2 output yang
dilihat pada gambar 11. diharapkan
Entry Blok II Verifikasi data blok II
Memilih kuesioner
yang telah terisi blok I
nya [ √ ] Sukses
Memilih menu blok 3
Sesuai dengan
Mengisi isian
output yang
kuesioner blok III
diharapkan
Menekan tombol
Entry Blok III simpan data
Memilih kuesioner
yang telah terisi blok I
nya [ √ ] Sukses
Memilih menu blok 4
Sesuai dengan
Mengisi isian
output yang
kuesioner blok IV
diharapkan
Menekan tombol
Gambar 11 Implementasi antarmuka backend Entry Blok IV simpan data
Backend digunakan untuk mengelola setiap data Memilih kuesioner
pada database. Terdiri dari 15 menu untuk mengelola yang telah terisi blok I
nya [ √ ] Sukses
15 tabel pada database yaitu Kecamatan, Desa, Jenis
Ubinan, Tanaman, Produktivitas, Selisih, Blok 1 Memilih menu blok 5
Sesuai dengan
sampai dengan Blok 9. Mengisi isian
output yang
kuesioner blok V
diharapkan
Menekan tombol
C. Pengujian Sistem Entry Blok V simpan data
Pengujian sistem dimaksudkan untuk mengetahui Memilih kuesioner
apakah sistem yang dibuat sudah memenuhi kriteria, yang telah terisi blok I
[ √ ] Sukses
sesuai dengan tujuan yang akan dicapai. Pengujian nya
dilakukan dengan dua tahapan yaitu tahap pengujian Memilih menu blok 6
Sesuai dengan
alpha dan pengujian beta. Mengisi isian
output yang
kuesioner blok VI
C.1. Rencana Pengujian diharapkan
Menekan tombol
Pengujian sistem yang akan dilakukan terbagi Entry Blok VI simpan data
menjadi dua tahapan. Tahap pertama yaitu pengujian Memilih kuesioner
alpha dan Tahap kedua dilakukan penelitian terhadap yang telah terisi blok I
nya [ √ ] Sukses
responden atau pengguna sistem dengan melakukan
pengumpulan data menggunakan angket. Metode yang Memilih menu blok 7
Sesuai dengan
digunakan dalam penelitian ini adalah metode skala Mengisi isian
output yang
kuesioner blok VII
likert. diharapkan
Menekan tombol
C.2. Pengujian Alpha Entry Blok VII simpan data
Memilih kuesioner
Tahap pertama pengujian alpha yaitu pengujian yang telah terisi blok I
program berdasarkan fungsional dari program dengan nya [ √ ] Sukses
menggunakan metode pengujian blackbox. Detail Memilih menu blok 8
pengujian fungsional dapat dilihat pada tabel 3. Sesuai dengan
Mengisi isian
output yang
Tabel 3 Detail Pengujian Fungsional kuesioner blok VIII
diharapkan
Menekan tombol
Implementasi Hasil Entry Blok VIII simpan data
Detail Pengujian
Antarmuka Pengamatan Memilih kuesioner
Menampilkan yang telah terisi blok I [ √ ] Sukses
halaman entry Blok I [ √ ] Sukses Memilih menu blok 9
Membuat sebuah data Mengisi isian Sesuai dengan
baru pada sistem Sesuai dengan kuesioner blok IX output yang
output yang diharapkan
Menekan tombol
Verifikasi data Blok I diharapkan
Entry Blok I Entry Blok IX simpan data
adalah mentransformasi semua kata tunggal (token) yang selanjutnya akan disebut query, akan
dalam kalimat pertanyaan menjadi vektor melalui dibandingkan dengan pertanyaan yang ada di arsip
lookup layer dan menggunakan word embedding (koleksi dokumen) komunitas tanya-jawab dengan
dalam kalimat secara berurutan. CNN merangkum tujuan untuk menemukan pertanyaan dari arsip
makna sebuah kalimat melalui convolutional layer dan komunitas tanya-jawab yang sama secara semantik
pooling layer, hingga mencapai sebuah representasi dengan query.
fixed-length vector pada lapisan (layer) akhir.
B. Pemrosesan Teks
CNN mempunyai kelebihan, yaitu dapat
mempertahankan informasi susunan kata dimana hal Seperti yang dapat dilihat pada Gambar 2,
tersebut menjadi sangat penting untuk kalimat pendek. beberapa proses yang akan dilakukan dalam penelitian
Convolutional layer menerapkan matriks filter satu ini setelah pengumpulan data yaitu, melakukan
dimensi yang melewati tiap baris fitur dalam matriks preproses terhadap arsip dokumen tanya-jawab dan
kalimat. Pembelitan (convolving) filter yang sama query, melakukan proses word embeddings terhadap
dengan n-gram di setiap posisi dalam kalimat keseluruhan kata dalam dokumen tanya-jawab yang
memungkinkan fitur-fitur untuk diekstrak secara bebas telah dipreproses, proses pemodelan kalimat untuk
dari posisi mereka dalam kalimat. Convolutional layer dokumen pertanyaan dan jawaban di sisi training dan
diikuti oleh dynamic pooling layer dan non-linearitas query di sisi testing yang dimodelkan menggunakan
dari pemetaan fitur [8]. convolutional neural network, dan mengukur
Arsitektur convolutional untuk kalimat pemodelan, kecocokan antara pertanyaan dan jawaban yang ada di
seperti digambarkan pada Gambar 1, dibutuhkan arsip dokumen untuk proses training serta antara
sebagai inputannya berupa word embedding (yang query dan dokumen jawaban pada proses testing
dilatih terlebih dahulu dengan metode unsupervised) menggunakan model neural tensor network.
dalam kalimat yang selaras secara berurutan, dan
meringkas makna kalimat melalui lapisan
convolutional dan pooling, sampai mencapai
representasi kata dalam fixed length vector pada
lapisan terakhir.
Embeddings untuk seluruh kata dalam kalimat s
membangun matriks inputan s ϵ 𝑅𝑛𝑤𝑋𝑙𝑠 , dimana ls
menyatakan panjang s. Sebuah convolutional layer
diperoleh melalui convolving sebuah matriks dari
bobot (filter) m ϵ Rnxm dengan matriks aktivasi pada Gambar 1. Arsitektur convolutional secara
layer berikutnya, dimana m adalah lebar filter. Lapisan keseluruhan dalam memodelkan kalimat [9]
(layer) pertama diperoleh dengan menggunakan
convolutional filter untuk matriks kalimat s dalam
layer inputan. Dimensi nw dan lebar filter m adalah
hyper-parameters pada network.
Jaringan menangani rentetan inputan dari berbagai
variasi panjang kata. Lapisan dalam jaringan
interleave convolutional layers dan dynamic k-
maxpooling layers satu dimensi. Dynamic k-max
pooling adalah generalisasi dari operator max pooling.
Operator max pooling merupakan fungsi subsampling
non-linear yang mengembalikan nilai-nilai maksimum
[8].
III. METODE PENELITIAN
Untuk mencapai tujuan penelitian, maka detail
rancangan keseluruhan proses yang dilakukan dalam
penelitian ini seperti yang terlihat pada Gambar 2.
Berdasarkan rancangan tersebut akan dibangun sistem
yang mencakup keseluruhan proses untuk membantu
proses training dan testing dalam penelitian ini.
A. Dataset
Tahapan penelitian dimulai dari pengumpulan data
penelitian. Dalam penelitian ini, dataset yang
digunakan adalah dokumen pertanyaan-jawaban yang
diambil dari komunitas tanya-jawab online www.piss-
ktb.com. Pertanyaan baru yang diinputkan penanya,
ULTIMATICS, Vol. X, No. 1 | Juni 2018 59
ISSN 2085-4552
bukan untuk proses klasifikasi seperti pada umumnya. digunakan untuk pemodelan interaksi relasional data
Hyperparameters yang dibutuhkan dalam menerapkan secara eksplisit [10]. Sebuah pertanyaan q dan
model CNN, yaitu inputan kata representasi (word jawabannya a, akan digunakan dua CNN untuk
embeddings), jumlah convolution filters, pooling memodelkan keduanya menjadi fixed vectors q dan
strategies (max-pooling), dan fungsi aktivasi. Dalam fixed vectors a. Berikutnya Neural Tensor Network,
proses pemodelan semantik dengan CNN, terkait sebuah tensor layer yang diterapkan pada akhir dari
natural language processing, maka inputan yang CNN untuk memodelkan relasi antara pertanyaan dan
digunakan berupa koefisien (nilai) dari masing-masing jawabannya. Proses tersebut digambarkan seperti pada
word embeddings terhadap kosa kata yang ada dalam Gambar 4. Tensor layer menghitung kecocokan
kalimat pertanyaan serta jawaban dimana pasangan pertanyaan-jawaban melalui score function
direpresentasikan sebagai matriks dua dimensi. Word seperti pada (1).
embeddings diperoleh melalui cara seperti yang telah
dijelaskan pada bab II. Data inputan untuk proses Tabel 2. Beberapa kosa kata dan word embeddings-
dalam memperoleh word embeddings adalah berupa nya
dokumen teks yang telah dipreproses dan output dari Kosa Kata Word Embeddings
proses ini berupa beberapa word embeddings yang puasa mati; capai; tinggal; bawa; bani; ijtihad; kalang;
warga; bulan; alami; salah; saleh; pimpin;
merepresentasikan suatu kata beserta koefisien word anggap; uang
embeddings-nya (yang menunjukkan nilai kemiripan mengqadha harun; saleh; ahli; dosa; majlis; hasan; ijma; bani;
atau kedekatan makna antara kata dan word puasa; sedekah; nyata; cari; takwil; anak; makkah
embeddings-nya yang diperoleh dari proses word ibadah uang; nadzar; jasa; capai; witir; santri; negara;
embeddings), sehingga satu kata memungkinkan akan qadha; mudah; izin; pesantren; nikah; akibat;
memiliki beberapa kata lain yang mungkin memiliki ajak; kencing
ramadhan qobliyah; amal; hadir; qunut; jumat; subuh;
kedekatan makna. Dalam penelitian ini, dari hasil tahiyat; maghrib; tidal; majlis; harap; shalatnya;
akhir proses word embeddings untuk setiap kosa kata, neraka; pahala; fardhu
diambil sebanyak 15 kata yang merepresentasikan niat arah; mutlak; jatuh; taukid; tarik; qobul; batin;
sebuah kosa kata. Contoh output dari proses word talak; hajar; panitia; jil; ijtihad; zain; syar; yakin
embeddings seperti terlihat pada Tabel 2. bayar lunas; negara; pajak; berat; kena; angsur; riba;
ganti; pecah; izin; qadha; palsu; makkah; akibat;
Hal selanjutnya yang dilakukan dalam tahap model wajib
CNN adalah mentransformasi semua kata tunggal wajib rugi; qadha; santri; nadzar; jasa; zakat; negara;
(token) dalam kalimat (dalam hal ini direpresentasikan fidyah; nishab; akibat; masyhur; daerah; pindah;
pajak; berat
dalam bentuk koefisien dari masing-masing word
embeddings yang dimiliki setiap kata tunggal dalam
kalimat) menjadi vektor oleh lookup layer, kemudian
mengubahnya (encode) menjadi fixed-length vector
melalui convolutional layer dan pooling layer dengan
kedalaman layer 3. Dalam penelitian ini, filters slide
melewati full rows sebuah matriks sehingga lebar
filters slide akan sama dengan lebar matriks inputan
(jumlah word embeddings yang akan digunakan untuk
per kata). Sedangkan untuk tinggi (region size) filters
slide atau sliding windows melewati 3 kata. Gambar 3. Deskripsi pemodelan kalimat
Convolutional layer menerapkan matriks filter satu menggunakan CNN
dimensi yang melewati tiap baris fitur dalam matriks
kalimat. Pembelitan (convolving) filter yang sama
dengan n-gram di setiap posisi dalam kalimat
memungkinkan fitur-fitur untuk diekstrak secara bebas
dari posisi mereka dalam kalimat. Gambar 3
menunjukkan gambaran dari proses pemodelan
kalimat menggunakan CNN dengan inputan berupa
koefisien dari masing-masing word embeddings (d)
terhadap kata tunggal (t) dalam kalimat yang akan
dimodelkan hingga diperoleh output dari proses ini
dalam bentuk fixed-length vector.
D. Pencocokan Semantik Antara Kalimat Pertanyaan-
Jawaban Menggunakan Neural Tensor Network
Fixed-length vector dari masing-masing kalimat
dokumen pertanyaan dan jawaban yang diperoleh dari
proses pemodelan kalimat dengan menggunakan CNN
akan diukur kecocokannya. Dalam penelitian ini, Gambar 4. Pencocokan kalimat antara pertanyaan dan
pencocokan tersebut dimodelkan dengan non-linear jawaban [4]
tensor layer, dimana sebelumnya sudah pernah
(3)
Query Kalimat Query AveP AveP Gambar 10. Grafik perbandingan nilai average
Inputan (CNN) (VSM) precision antara hasil temu kembali menggunakan
Ke-
jenazah sebelum dikubur? metode CNN dan VSM
2 perintah membaca ta’awudz 0,33 0,21
dalam al-quran. V. SIMPULAN
assalamualaikum... Kemampuan metode convolutional neural network
saya pernah dengar seorang
khatib ketika akan dalam menemukan pertanyaan yang sama secara
mengucapkan ayat al-quran semantik dengan query dari dalam arsip dokumen
begini “qoolallaahhu ta’ala fil tanya-jawab bernilai 0,422 berdasarkan hasil hitungan
qur anil adzim.. a mean average precision-nya (MAP). Sedangkan
u’dzubillahhi
minasysyaithonirrojim” pencarian dengan menggunakan vector space model,
setelah itu baru membaca ayat MAP-nya bernilai 0,282. Untuk memperoleh nilai
al-quran. pertanyaan saya : MAP yang lebih besar lagi (mendekati 1), dapat
1. apa khatib itu termasuk dilakukan penelitian lebih lanjut dengan kemungkinan
berbohong? karena di dalam
al-quran tidak ada bacaan menggabungkan penggunaan metode
ta’awudz. pengelompokkan dokumen untuk proses pencarian
2. solusinya yang tepat yang lebih efisien atau penggunaan metode pencarian
gimana? yang lainnya.
3 assalamu’alaikum. 0,33 0
kepada para kyai dan member. DAFTAR PUSTAKA
mohon ditakwilkan mengenai
mimpi meninggal dunia. [1] K. Wang, Z. Ming, and Tat-Seng Chua, "A Syntactic Tree
sekian dan terimakasih Matching Approach to Finding Similar Question in
sebelumnya Community-based QA Services," in Proceedings of SIGIR,
4 assalamualaikum... 1 0,2 2009, pp. 187-194.
bagaimana hukum [2] J. Turian, L. Ratinov, and Y. Bengio, "Word Representations:
muamalahnya bensin oplosan / A Simple and General Method for Semi-supervised Learning,"
campuran ? apakah termasuk in Proceedings of the 48th Annual Meeting of the Association
tindak kriminal ? for Computational Linguistics, Sweden, 2010, pp. 384-394.
5 assalaamu'alaikum. 0,2 0
afwan, mohon [3] R. Collobert et al., "Natural Language Processing (Almost)
pencerahannya... hal-hal apa from Scratch," The Journal of Machine Learning Research,
sajakah yang di senangi oleh vol. 12, pp. 2493-2537, 2011.
allah swt ? [4] Xipeng Qiu and Xuanjing Huang, "Convolutional Neural
sehingga allah swt memberi Tensor Network Architecture for Community-based Question
ridho dan rahmat-nya kepada Answering," in Proceedings of the Twenty-Fourth
orang tersebut ? syukron katsir International Joint Conference on Artificial Intelligence
(IJCAI), 2015, pp. 1305-1311.
Nilai MAP untuk sekumpulan uji coba adalah [5] T. Mikolov and G. Zweig, "Context Dependent Recurrent
rata-rata dari nilai average precision untuk setiap Neural Network Language Model," in Spoken Language
query. MAP dipengaruhi oleh bobot dari setiap query Technology (SLT), 2012, pp. 234-239.
yang dilaporkan dalam bentuk penilaian average [6] N. Kalchbrenner and P. Blunsom, "Recurrent Continuous
precision tiap query, baik itu diperoleh banyak Translation Models," in Proceedings of the 2013 Conference
on Empirical Methods in Natural Language Processing,
dokumen pertanyaan yang relevan dengan query Seattle, 2013, pp. 1700-1709.
maupun yang sangat sedikit yang relevan dengan
[7] J. Gao, X. He, and Jian-Yun Nie, "Clickthrough-Based
query. Nilai MAP untuk keseluruhan uji coba Translation Models for Web Search: from Word Models to
terhadap lima query yang berbeda tersebut dengan Phrase Models," in Proceedings of the 19th ACM
metode CNN dihitung menggunakan (3), sehingga International Conference on Information and Knowledge
diperoleh nilai MAP-nya yaitu 0,422. Sedangkan nilai Management, Canada, 2010, pp. 1139-1148.
MAP untuk keseluruhan uji coba dengan metode [8] N. Kalchbrenner, E. Grefenstette, and P. Blunsom, "A
Convolutional Neural Network for Modelling Sentences," in
VSM yaitu 0,282. Proceedings of ACL, 2014.
[9] Baotian Hu, Zhengdong Lu, Hang Li, and Qingcai Chen,
"Convolutional Neural Network Architectures for Matching
Natural Language Sentences," in Proceedings of the 27th
International Conference on Neural Information Processing
Systems, Canada, 2014, pp. 2042-2050.
[10] Richard Socher, Danqi Chen, Christopher D. Manning, and
Andrew Y. Ng, "Reasoning With Neural Tensor Networks for
Knowledge Base Completion," in Proceedings of the 26th
International Conference on Neural Information Processing
Systems, Nevada, 2013, pp. 926-934.
[11] C. D. Manning, P. Raghavan, and H. Schutze, An Introduction
to Information Retrieval. England: Cambridge University
Press, 2009.
I. PENDAHULUAN A. Singkatan
Dokumen ini, dimodifikasi dalam MS Word 2007 Definisikan singkatan pada saat pertama kali
dan disimpan sebagai dokumen Word 97-2003, digunakan di dalam isi tulisan, walaupun singkatan
memberikan panduan yang diperlukan oleh penulis tersebut telah didefinisikan di dalam abstrak.
untuk mempersiapkan dokumen elektroniknya. Singkatan seperti IEEE, SI, MKS, CGS, sc, dc, dan
Margin, lebar kolom, jarak antar baris, dan jenis-jenis rms tidak harus didefinisikan. Singkatan yang
format lainnya telah disisipkan di sini. Penulis menggunakan tanda titik tidak boleh diberi spasi,
berkewajiban untuk memastikan dokumen yang seperti “C.N.R.S.”, bukan “C. N. R. S.” Jangan
dipersiapkannya telah memenuhi format yang gunakan singkatan di dalam Judul Artikel atau Judul
disediakan. Bab, kecuali tidak dapat dihindari.
Isi Pendahuluan mengandung latar belakang, B. Unit
tujuan, idenfikasi masalah dan metode penelitian yang
dipaparkan secara tersirat (implisit). Kecuali bab Gunakan baik SI (MKS) atau CGS sebagai unit
Pendahuluan dan Simpulan, penulisan judul bab primer.
sebaiknya eksplisit sesuai dengan isi yang dijelaskan, Jangan menggabungkan kepanjangan dan
tidak harus implisit dinyatakan sebagai Dasar Teori, singkatan dari unit, yang tepat seperti “Wb/m2”
Perancangan, dan sebagainya. atau “webers per meter persegi,” bukan
“webers/m2.”
II. PENGGUNAAN YANG TEPAT
Gunakan angka nol di depan suatu bilangan
A. Memilih Template desimal, seperti “0,25” bukan “,25.”
Pertama, pastikan Anda memiliki template yang
C. Persamaan
tepat untuk artikel Anda. Template ini ditujukan untuk
Jurnal ULTIMATICS, ULTIMA InfoSys, dan Format persamaan merupakan suatu pengecualian
ULTIMA Computing. Template ini menggunakan di dalam spesifikasi template ini. Anda harus
ukuran kertas A4. menentukan apakah akan menggunakan jenis tulisan
Times New Roman atau Symbol (jangan jenis tulisan
B. Mempertahankan Keutuhan Format yang lain). Bila Anda membuat beberapa persamaan
berbeda, akan lebih baik bila Anda mempersiapkan
Template ini digunakan untuk mem-format artikel
persamaan tersebut sebagai gambar dan
dan style isi artikel Anda. Seluruh margin, lebar
menyisipkannya ke dalam artikel Anda setelah diberi
kolom, jarak antar baris, dan jenis tulisan telah
style.
diberikan, jangan diubah.
Beri penomoran untuk persamaan Anda secara Anda. Terdapat dua jenis bab: bab utama (bab) dan
berurutan. Nomor persamaan berada dalam tanda subbab.
kurung seperti (1), dan diletakkan pada bagian kanan
Bab utama mengidentifikasikan komponen-
dengan menggunakan suatu right tab stop.
komponen yang berbeda dalam artikel Anda dan tidak
memiliki hubungan isi yang erat satu sama lainnya.
r2
F (r , ) dr d [ r2 / (20 )] (1)
0 Sebagai contoh PENDAHULUAN, DAFTAR
Perhatikan bahwa persamaan di atas diposisikan di PUSTAKA, dan UCAPAN TERIMA KASIH.
bagian tengah dengan menggunakan suatu center tab Penulisan judul bab utama menggunakan huruf kapital
stop. Pastikan bahwa simbol-simbol yang digunakan dan penomoran angka Romawi.
dalam persamaan Anda didefinisikan sebelum atau
Subbab merupakan isi yang dijabarkan lebih
sesudah persamaan. Gunakan “(1),” bukan
terstruktur dan memiliki relasi yang kuat. Penamaan
“Persamaan (1),” kecuali pada awal sebuah kalimat,
subbab ditulis dengan menggunakan cara penulisan
seperti “Persamaan (1) merupakan ….”
judul kalimat utama (Capitalize Each Word) dan
penomorannya menggunakan huruf alfabet kapital
D. Beberapa Kesalahan Umum
secara berurutan. Untuk subsubbab, penamaan dan
Perhatikan tata cara penulisan Bahasa penomoran mengikuti cara penamaan dan penomoran
Indonesia yang benar, perhatikan penggunaan subbab diikuti angka Arab, seperti “A.1 Penulis”,
kata depan dan kata sambung yang tepat, “A.1.1 Afiliasi Penulis”.
seperti “di depan” dan “disampaikan”.
Kata-kata asing yang belum diserap ke dalam C. Gambar dan Tabel
Bahasa Indonesia dapat dicetak miring, atau Letakkan gambar dan tabel di atas atau di bawah
diberi garis bawah, atau dicetak tebal (pilih kolom. Hindari posisi di tengah kolom. Gambar dan
salah satu), seperti “italic”, “underlined”, tabel yang besar dapat mengambil area dua kolom
“bold”. menjadi satu kolom. Judul gambar harus diletakkan di
bawah gambar, sedangkan judul tabel harus diletakkan
Prefiks seperti “non”, “sub”, “micro”, “multi”, di atas tabel. Masukkan gambar dan tabel setelah
dan “ultra” bukan kata yang berdiri sendiri, mereka dirujuk di dalam isi artikel.
oleh karenanya harus digabung dengan kata
yang mengikutinya, biasanya tanpa tanda Tabel 1. Contoh tabel
hubung, seperti “subsistem”. Table Column Head
Table
Head Table column subhead Subhead Subhead
IV. MENGGUNAKAN TEMPLATE
copy More table copy
Setelah naskah artikel Anda selesai di-edit, artikel
Anda dapat dipersiapkan untuk template. Gandakan
Penamaan judul gambar dan tabel menggunakan
template ini dengan menggunakan perintah Save As
cara penulisan kalimat biasa (Sentence case). Berikan
dan simpan dengan penamaan berikut:
jarak baris sebelum dan sesudah gambar atau tabel
ULTIMATICS_namaPenulis1_judulArtikel. dengan kalimat penyertanya.
ULTIMAInfoSys_namaPenulis1_judulArtikel.
ULTIMAComputing_namaPenulis1_judulAr-
tikel.
Selanjutnya Anda dapat meng-import artikel Anda
dan mempersiapkannya sesuai template yang
diberikan. Perhatikan beberapa hal berikut pada saat
melakukan pengecekan.