Anda di halaman 1dari 86

DEWAN REDAKSI JURNAL TEKNIK REKAYASA

Penanggung Jawab
Prof. Dr. E.S. Margianti, S.E., M.M.
Prof. Suryadi Harmanto, SSi., M.M.S.I.
Drs. Agus Sumin, M.M.S.I.

Dewan Editor
Dr. Desti Riminarsih, S.Si, M.Si, Universitas Gunadarma
Dr. Dina Indarti, S.Si, M.Si, Universitas Gunadarma
Dr. Ir. Asep Mohamad Noor, M.T., Universitas Gunadarma
Ajib Setyo Arifin, S.T., M.T., Ph.D., Universitas Indonesia
Dr. Sunny Arief Sudiro, STMIK Jakarta STI&K

Mitra Bebestari
Prof. Dr. Sarifuddin Madenda, Universitas Gunadarma
Prof. Dr.-Ing. Adang Suhendra, S.Si,Skom,Msc, Universitas Gunadarma
Prof. Ir. Busono Soerowirdjo, Msc, Phd, Universitas Gunadarma
Prof. Dr. Rer.Nat. A. Benny Mutiara, Universitas Gunadarma
Prof. Dr. Ir. Bambang Suryawan, MT, Universitas Gunadarma
Prof. Dr. B.E.F. da Silva, Universitas Indonesia
Prihandoko, S.Kom, MIT, Phd, Universitas Gunadarma
Dr. Tubagus Maulana Kusuma, Skom.,Mengsc., Universitas Gunadarma
Dr. Ir. Rakhma Oktavina, MT., Universitas Gunadarma
Dr. RR Sri Poernomo Sari, M.T., Universitas Gunadarma
Dr. Lussiana ETP, Ssi., M.T., STMIK Jakarta STI&K

Sekretariat Redaksi
Universitas Gunadarma
Jalan Margonda Raya No. 100 Depok 16424
Phone : (021) 78881112 ext 516.
JURNAL ILMIAH
TEKNOLOGI DAN REKAYASA
NOMOR 1, VOLUME 24, APRIL 2019

DAFTAR ISI

ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-NN UNTUK PREDIKSI


SAHAM BERDASARKAN PESAING
Risma Rahmalia Fitriani, Ernastuti, Ericks Rachmat Swedia 1

ANALISIS FUZZY MADM MENGGUNAKAN METODE SAW DALAM SELEKSI CALON


KARYAWAN PT TEKNORIA CIPTA KARYA
Rismayuni, Rodiah 11

ANALISIS KEBUTUHAN SISTEM ADMINISTRASI BAGIAN SIDANG UJIAN UNIVERSITAS


GUNADARMA DENGAN METODE PIECES
Abdul Hafidh Sidiq, Ana Kurniawati 23

SISTEM PENUNJANG KEPUTUSAN DALAM PENERIMAAN BEASISWA PPA


MENGGUNAKAN METODE ANALYTIC HIERARCHY PROCESS (AHP) (STUDI KASUS:
UNIVERSITAS GUNADARMA) 37
Tiya Noviyanti

PENGENALAN PEMICU PEMANASAN GLOBAL MENGGUNAKAN TEKNOLOGI AUGMENTED 49


REALITY BERBASIS DESKTOP
Arini Partiwi

ANALISA PERFORMA PENGENALAN TULISAN TANGAN ANGKA BERDASARKAN JUMLAH 62


ITERASI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK
Siwi Prihatiningsih, Nadhiranisa Shafiy M, Feni Andriani, Nurma Nugraha
72
KARAKTERISTIK BEBAN TERMAL MESIN PENGKONDISIAN UDARA PADA RUANGAN
PEMROSESAN BATERAI LITHIUM
Agus Budihadi, Chandrasa Soekardi
ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-
NN UNTUK PREDIKSI SAHAM BERDASARKAN PESAING

1
Risma Rahmalia Fitriani, 2Ernastuti, 3Ericks Rachmat Swedia
1
Fakultas Teknologi Industri Universitas Gunadarma, 2,3Fakultas Ilmu Komputer Universitas
Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat
1
risma@staff.gunadarma.ac.id, 2ernas@staff.gunadarma.ac.id, 3ericks_rs@staff.gunadarma.ac.id

Abstrak

Prediksi saham adalah hal yang sangat berpengaruh bagi seorang investor. Investor akan
mampu menemukan saham yang tepat dan waktu yang tepat untuk membeli atau menjual dengan
melakukan prediksi saham. Prediksi yang akurat dapat membantu investor untuk mendapatkan
keuntungan yang besar. Keuntungan yang besar sebanding dengan resiko besar yang terkait
dengan hal tersebut dan ada kesempatan yang sama dalam kehilangan uang. Keuntungan yang
besar serta resiko kehilangan yang besar, menyebabkan para investor dituntut untuk bisa
melakukan berbagai analisa untuk mengukur nilai saham. Pada penelitian ini dilakukan prediksi
fluktuasi harga saham berdasarkan fluktuasi harga saham perusahaan pesaing dengan
menggunakan algoritma Learning Vector Quantization (LVQ) dan Fuzzy K-Nearest Neighbours.
Data saham yang diprediksi adalah saham perusahaan Apple, berdasarkan fluktuasi harga saham
perusahaan IBM, Cisco, Fujitsu, Hewlett-Package, dan Ericsson dengan waktu dari tanggal 4
Januari 2000 sampai dengan tanggal 31 Agustus 2015. Pengujian dilakukan dari tanggal 1
September sampai 30 September 2015. Data yang diperoleh dari situs resmi
http://finance.yahoo.com yang memuat data harga saham dari waktu ke waktu . Hasil prediksi
fluktuasi harga saham perusahaan Apple terhadap empat saham perusahaan pesaing lainnya
memiliki persentase prediksi benar dengan nilai terendah yaitu 47.62% untuk algoritma Learning
Vector Quantization (LVQ) dan nilai tertinggi yaitu 61.90% untuk algoritma Fuzzy KNN.

Kata Kunci: Fuzzy KNN, Learning Vector Quantization, Prediksi Saham

Abstract

Stock prediction is a very influential thing for an investor. Investors will be able to find the
right stock and the right time to buy or sell by making stock predictions. Accurate predictions can
help investors to get big profits. Big profits are comparable to the big risks and there is an equal
opportunity to lose money. Large profits and a large risk of loss cause investors to be able to carry
out various analyzes to measure the value of stock. In this study, predictions of stock price
fluctuations based on fluctuations in stock prices of competing companies using Learning Vector
Quantization (LVQ) and Fuzzy K-Nearest Neighbors algorithms. The predicted stock data is the
Apple company's shares based on fluctuations in the stock prices of IBM, Cisco, Fujitsu, Hewlett-
Package, and Ericsson with the time from January 4, 2000 to August 31, 2015. Tests are conducted

Fitriani, Ernastuti, Swedia. Algoritma Learning Vector Quantization Dan… 1


https://doi.org/10.35760/tr.2019.v24i1.1929
from September 1 to September 30 2015. Data obtained from the official website
http://finance.yahoo.com which contains stock price data from time to time. The prediction of Apple
company stock price fluctuations against four other competing companies' stocks has the correct
percentage prediction with the lowest value of 47.62% for the Learning Vector Quantization (LVQ)
algorithm and the highest value of 61.90% for the Fuzzy KNN algorithm.

Keywords: Fuzzy KNN, Learning Vector Quantization, Stock Prediction

PENDAHULUAN salah satunya yaitu analisa teknikal. Hal ini


merupakan salah satu masalah yang
Investasi pada hakikatnya merupakan menantang untuk memprediksi tren pasar
penempatan sejumlah dana pada saat ini saham dengan tepat. Masalah ini telah
dengan harapan untuk memperoleh menarik perhatian banyak peneliti dalam
keuntungan dimasa mendatang [1]. Salah satu bidang matematika, teknik, dan keuangan.
alokasi dana oleh masyarakat adalah Data saham perusahaan menjadi lebih mudah
pembelian saham yang dijual di pasar modal. tersedia untuk orang lain karena akses
Saham adalah tanda bukti penyertaan informasi yang lebih mudah di internet.
kepemilikan modal atau dana pada suatu Analisis teknikal merupakan analisis
perusahaan. Saham juga dapat diartikan pasar atau sekuritas yang memusatkan
sebagai kertas yang tercantum dengan jelas perhatian pada indeks harga, harga saham
nilai nominal, nama perusahaan dan diikuti atau statistik pasar lainnya dalam menemukan
dengan hak dan kewajiban yang dijelaskan pola yang mungkin dapat memprediksikan
kepada setiap pemegangnya [2]. Saham harga dari model gambaran yang dibuat [3].
mengandung resiko. Fluktuasi harga saham Tujuannya adalah untuk mengidentifikasikan
dapat naik, tetap, bisa juga turun, dan bahkan suatu tren atau pola yang berulang dari
bisa barang yang tidak ada harganya sama pergerakan harga saham dan kemudian
sekali apabila perusahaan emiten ternyata dieksploitasi untuk mendapatkan kentungan.
bangkrut. Para analis teknikal juga percaya bahwa
Pasar saham telah membuat orang proses perubahan harga saham yang
memperoleh keuntungan yang besar, namun disebabkan oleh adanya suatu informasi yang
ada resiko besar yang terkait dengan hal baru di pasar akan cenderung mengikuti suatu
tersebut dan ada kesempatan yang sama tren tertentu.
dalam kehilangan uang. Akibatnya para Penelitian untuk masalah prediksi
investor dituntut untuk bisa melakukan saham telah banyak dilakukan oleh beberapa
berbagai analisa untuk mengukur nilai saham, peneliti terdahulu. Penelitian yang dilakukan

2
Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019
oleh Ahmad menjelaskan algoritma machine digunakan pada penelitian ini yaitu data
learning dan data mining untuk prediksi saham 5 perusahaan dari 10 perusahaan
saham [4]. Analisa prediksi saham perangkat keras dengan pendapatan terbesar
menggunakan ANFIS telah dilakukan oleh sesuai dengan hasil survei Yahoo Finance,
Agrawal, Jindal, dan Pillai [5]. Penelitian Canada. Perusahaan yang dijadikan sampel
yang dilakukan oleh Liu dan Ma menganalisa yaitu IBM, Apple, Cisco, Fujitsu, Hewlett-
prediksi saham menggunakan BP-NN [6]. Package, dan Ericsson dengan periode 4
Alkhatib, Najadat, Hmeidi, dan Shatnawi Januari 2000 sampai dengan 31 Agustus
membahas mengenai analisa prediksi saham 2015. Data yang diperoleh dari situs resmi
perusahaan menggunakan algoritma KNN http://finance.yahoo.com yang memuat data
dan non linier regression [7]. harga saham dari waktu ke waktu.
Data sangat diperlukan untuk
melakukan prediksi saham. Data saham yang METODE PENELITIAN
diperlukan adalah data yang sesuai dengan
metode yang digunakan. Data yang umumnya Secara umum, penelitian ini terdiri dari
digunakan untuk implementasi penelitian 2 tahapan prediksi algoritma. Tahap pertama
diatas hanya menggunakan data saham yaitu tahap prediksi saham menggunakan
perusahaan yang akan diuji. Penggunaan data algoritma Learning Vector Quantization.
saham pesaing sebagai acuan untuk prediksi Tahap kedua yaitu prediksi saham
saham perusahaan, untuk saat ini belum menggunakan algoritma Fuzzy K-Nearest
pernah dilakukan. Neighbours. Pada tahap terakhir ini perlu
Penelitian ini akan adanya bobot(K) yang dimasukkan untuk
mengimplementasikan algoritma Learning menentukan prediksi saham. Diagram alur
Vector Quantization (LVQ) dan Fuzzy K- pada Gambar 1 menjelaskan tentang alur
Nearest Neighbours untuk memprediksi kerja dari program yang dibuat untuk
fluktuasi saham berdasarkan harga fluktuasi pengujian dari penelitian ini.
saham perusahaan pesaing. Data yang

Fitriani, Ernastuti, Swedia. Algoritma Learning Vector Quantization Dan… 3


https://doi.org/10.35760/tr.2019.v24i1.1929
Gambar 1. Diagram Alur

Penelitian diawali dengan menginput algoritma Fuzzy KNN, program akan


data saham ke dalam program, kemudian menghitung fungsi keanggotaan tiap kelas
program akan menampilkan data saham yang sehingga didapatkan hasil nilai untuk masing-
telah diklasifikasikan menjadi dua kelas yaitu masing kelas. Selanjutnya dari hasil nilai
naik dan turun. Setelah itu user harus kelas tersebut, program akan memilih nilai
memasukkan K yang berfungsi untuk kelas terbesar yang kemudian dijadikan
menentukan banyaknya tetangga terdekat sebagai hasil prediksi untuk algoritma Fuzzy
yang digunakan dan memasukkan price open KNN. Algoritma Learning Vector
untuk masing-masing perusahaan dan Quantization digunakan pada supervised
memasukkan waktu dari saham yang akan di learning untuk mengklasifikasikan vektor-
prediksi. Kemudian user dapat memilih vektor input. Kelas yang dihasilkan
perusahaan mana yang akan diprediksi berdasarkan jarak vektor tersebut. Hasil
berdasarkan perusahaan lain. Di dalam prediksi yang ditampilkan dalam program
program untuk memprediksi harga saham dari kedua algoritma tersebut berupa fluktuasi
terdapat dua algoritma sebagai pembanding saham yaitu naik atau turun. Kemudian jika
yaitu Learning Vector Quantization dan user ingin kembali menguji prediksi saham
Fuzzy KNN. User dapat memilih kedua perusahaan lain dengan data yang sama,
algoritma tersebut mana yang terlebih dahulu maka user dapat memasukkan K dan price
untuk diuji. Pada prediksi menggunakan open.

4
Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019
perusahaan pesaing. Untuk kolom K
Algoritma Fuzzy KNN dan Learning (tetangga terdekat) dimasukkan untuk proses
Vector Quantization perhitungan prediksi saham menggunakan
Prediksi saham pada penelitian ini algoritma Fuzzy K-Nearest Neighbours.
menggunakan algoritma Learning Vector Selanjutnya program akan mengambil data
Quantization dan Fuzzy K-Nearest Neighbors saham sebuah perusahaan dari komputer.
(Fuzzy KNN). Langkah-langkah yang
dilakukan yaitu input data saham, nilai bobot Learning Vector Quantization
pangkat (m), nilai K, dan price open. Setelah Learning Vector Quantization (LVQ)
itu program akan menghitung dan digunakan pada supervised learning untuk
mendapatkan hasil prediksi untuk kedua mengklasifikasikan vektor-vektor input.
algoritma tersebut. Kelas yang dihasilkan berdasarkan jarak
Proses memasukkan data pada vektor tersebut. Jika ada dua vektor memiliki
penelitian ini adalah untuk memasukkan data jarak yang cukup dekat atau mendekati sama
open price untuk setiap perusahaan sesuai maka kedua vektor tersebut dikelompokkan
dengan waktu yang ditentukan dalam proses ke dalam kelas yang sama [8].
prediksi saham. Data yang dimasukkan Algoritma Learning Vector
berupa data angka. Pada aplikasi, setelah Quantization sebagai berikut:
dimasukkan data harga, kemudian akan Untuk setiap vektor input x masukan
ditampilkan data fluktuasi saham berdasarkan dilakukan tahap-tahap berikut:
last price dari masing-masing perusahaan. • Kompetisi
Kemudian data yang muncul akan Nilai D( w j , xn ) dikalkulasi dari skor
diklasifikasikan dengan klasifikasi naik atau
fungsi untuk setiap node output j.
turun berdasarkan harga open. Jika data
Sebagai contoh, untuk jarak Euclidean,
saham menyatakan harga open lebih besar
dari harga close, maka data diklasifikasikan
D ( w j , xn ) =  (w , x
i ij ni )2 . Lalu

ke dalam kelas naik. Jika data saham menentukan node j yang meminimalkan
menyatakan harga open lebih kecil dari harga D( w j , xn ) atas semua node output.
close, maka data diklasifikasikan ke dalam
• Kooperasi
kelas turun.
Identifikasi semua node output j dalam
Pada penelitian ini terdapat pilihan
lingkungan J didefinisikan oleh
untuk memasukkan perusahaan yang akan
lingkungan dengan ukuran R. Untuk
diprediksi berdasarkan harga saham

Fitriani, Ernastuti, Swedia. Algoritma Learning Vector Quantization Dan… 5


https://doi.org/10.35760/tr.2019.v24i1.1929
node ini dilakukan hal berikut untuk Proses prediksi pada Fuzzy KNN yaitu
semua bidang record input: menghitung fungsi keanggotaan pada tiap
- Adaptasi. Penyesuaian bobot kelas. Setiap data diklasifikasikan ke dalam
dengan menggunakan Persamaan tiga kelas yaitu tetap, naik dan turun.
(1). Persamaan (3) merupakan rumus yang

wij ,new = wij ,current +  ( xni − wij ,current ) digunakan pada Fuzzy KNN [9].
−2
(1) k
U ( X k , Ci )  d ( X , X k ) m =1
U ( X , Ci ) =  −2
• Tingkat pembelajaran dan ukuran k =1 m −1
d(X , Xk )
lingkungan disesuaikan sesuai (3)
kebutuhan. Perhitungan Fuzzy KNN yaitu
• Berhenti ketika kriteria terminasi menghitung nilai fungsi keanggotaan kelas
terpenuhi. yang dimulai dengan menjumlahkan seluruh
Proses pelatihan jaringan Learning hasil (subtotal) perkalian antara derajat
Vector Quantization diawali dengan keanggotaan kelas 𝑈(𝑋𝑘 , 𝐶𝑖 ) dengan bobot
penetapan awal nilai-nilai acak yang sangat jarak. Nilai hasil tersebut dibagi dengan
kecil pada vektor-vektor bobot w yang seluruh hasil (subtotal) bobot jarak.
terdapat pada unit-unit lapis kompetitif. Banyaknya data yang dihitung tergantung
Vektor bobot yang menyatakan hubungan dengan input K (jumlah tetangga terdekat).
dari unit input ke sebuah unit I di lapis Nilai derajat keanggotaan akan
kompetitif dinotasikan seperti pada dihitung setiap kelasnya berdasarkan
Persamaan (2). klasifikasi data saham yaitu naik dan turun.
𝑤 = 𝑤𝑖1 , 𝑤𝑖2 , … , 𝑤𝑖𝑝 , 𝑖 = 1,2, … , 𝑛 Jika data termasuk dalam anggota kelas,
(2) maka fungsi keanggotaan bernilai 1 dan jika
Setiap pola input pada Learning Vector data bukan termasuk anggota kelas, maka

Quantization dinyatakan sebagai suatu vektor fungsi keanggotaan bernilai 0.

input x. Langkah selanjutnya adalah


menghitung matching value untuk setiap unit HASIL DAN PEMBAHASAN
pada lapisan kompetitif terhadap nilai pola
input menggunakan Euclidean norm. Pengujian prediksi harga penutupan
saham pada program dilakukan terhadap data
Fuzzy K-Nearest Neighbour saham Apple terhadap empat data perusahaan
lainnya. Data saham diuji menggunakan

6
Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019
algoritma Learning Vector Quantization dan Tujuan analisa ini adalah melihat
Fuzzy KNN. Nilai K yang digunakan adalah seberapa banyak jumlah prediksi yang benar
100. Data yang diuji dimulai dari tanggal 1 dalam memprediksi kenaikan dan penurunan
September 2015 sampai dengan tanggal 30 saham dengan melihat pengaruhnya terhadap
September 2015. Data saham yang diuji saham perusahaan lain menggunakan
diperoleh dari sumber website algoritma Learning Vector Quantization dan
http://finance.yahoo.com. Fuzzy KNN.

Tabel 1. Uji Coba Algoritma LVQ


FLUKTUASI Fluktuasi
Tanggal LVQ Keterangan
CISCO FUJITSU HP ERICSSON Aktual
01-09-2015 Turun Turun Turun Turun Turun Turun Sesuai
02-09-2015 Naik Naik Naik Naik Naik Naik Sesuai
03-09-2015 Naik Naik Naik Naik Naik Turun Tidak Sesuai
04-09-2015 Turun Turun Turun Turun Turun Naik Tidak Sesuai
08-09-2015 Naik Naik Naik Naik Naik Naik Sesuai
09-09-2015 Naik Turun Naik Naik Naik Turun Tidak Sesuai
10-09-2015 Turun Naik Turun Naik Turun Naik Tidak Sesuai
11-09-2015 Turun Turun Turun Naik Turun Naik Tidak Sesuai
14-09-2015 Naik Naik Naik Turun Naik Turun Tidak Sesuai
15-09-2015 Turun Naik Turun Turun Turun Naik Tidak Sesuai
16-09-2015 Naik Naik Naik Naik Naik Naik Sesuai
17-09-2015 Turun Naik Turun Naik Turun Turun Tidak Sesuai
18-09-2015 Turun Turun Turun Turun Turun Naik Tidak Sesuai
21-09-2015 Turun Naik Turun Turun Turun Naik Tidak Sesuai
22-09-2015 Turun Turun Turun Turun Turun Naik Tidak Sesuai
23-09-2015 Naik Turun Naik Turun Naik Naik Sesuai
24-09-2015 Turun Turun Turun Naik Turun Naik Tidak Sesuai
25-09-2015 Naik Naik Naik Naik Naik Naik Sesuai
28-09-2015 Turun Turun Turun Turun Turun Turun Sesuai
29-09-2015 Turun Turun Turun Naik Turun Turun Sesuai
30-09-2015 Naik Turun Naik Naik Naik Naik Sesuai

Pada Tabel 1, terdapat empat kolom kolom “LVQ” merupakan hasil perhitungan
fluktuasi saham perusahaan pesaing yang prediksi dari algoritma Learning Vector
merupakan input pada algoritma Learning Quantization. Jika data pada kolom Fluktuasi
Vector Quantization. Kolom “Fluktuasi (Aktual) dengan kolom LVQ menyatakan
(Aktual)” merupakan perbandingan harga fluktusi yang sama, maka prediksi tersebut
pembukaan dengan harga penutupan saham dianggap sesuai.
yang sebenarnya terjadi, sedangkan pada

Fitriani, Ernastuti, Swedia. Algoritma Learning Vector Quantization Dan… 7


https://doi.org/10.35760/tr.2019.v24i1.1929
Tabel 2. Uji Coba Algoritma Fuzzy KNN

OPEN PRICE Fuzzy Fluktuasi


Tanggal Keterangan
CISCO FUJITSU HP ERICSSON KNN Aktual
01-09-2015 25.22 23.60 27.39 9.57 Naik Turun Tidak Sesuai
02-09-2015 25.59 23.82 28.15 9.6 Naik Naik Sesuai
03-09-2015 25.88 24.2 28.1 9.81 Naik Turun Tidak Sesuai
04-09-2015 25.42 23.46 27.42 9.61 Turun Naik Tidak Sesuai
08-09-2015 25.98 23.82 27.43 9.79 Naik Naik Sesuai
09-09-2015 26.5 23.84 27.89 10.01 Naik Turun Tidak Sesuai
10-09-2015 25.9 23.94 27.2 9.76 Naik Naik Sesuai
11-09-2015 26 23.55 27.18 9.87 Naik Naik Sesuai
14-09-2015 26.15 24.25 27.19 9.79 Naik Turun Tidak Sesuai
15-09-2015 25.56 24.28 26.96 9.66 Naik Naik Sesuai
16-09-2015 26.07 24.57 27.75 9.74 Naik Naik Sesuai
17-09-2015 25.96 24.96 27.78 9.77 Naik Turun Tidak Sesuai
18-09-2015 25.57 24.20 27.5 9.64 Naik Naik Sesuai
21-09-2015 25.45 24.35 26.18 9.45 Naik Naik Sesuai
22-09-2015 25.06 23.84 25.89 9.37 Naik Naik Sesuai
23-09-2015 25.22 23.9 25.65 9.35 Naik Naik Sesuai
24-09-2015 25.09 23.25 25.18 9.36 Naik Naik Sesuai
25-09-2015 25.81 24.15 25.41 9.63 Naik Naik Sesuai
28-09-2015 25.83 22.75 24.49 9.36 Naik Turun Tidak Sesuai
29-09-2015 25.64 21.78 24.48 9.34 Turun Turun Tidak Sesuai
30-09-2015 26 21.69 25.07 9.75 Turun Naik Tidak Sesuai
Pada Tabel 2, terdapat empat kolom perhitungan prediksi dari algoritma Fuzzy K-
open price saham perusahaan pesaing yang Nearest Neighbours. Jika data pada kolom
merupakan input pada algoritma Fuzzy K- fluktuasi (Aktual) dengan kolom Fuzzy KNN
Nearest Neighbours. Kolom “Fluktuasi menyatakan fluktusi yang sama, maka
(Aktual)” merupakan perbandingan harga prediksi tersebut dianggap sesuai.
pembukaan dengan harga penutupan saham Persamaan (4) merupakan perhitungan
yang sebenarnya terjadi, sedangkan pada persentase hasil prediksi yang benar untuk
kolom “Fuzzy KNN” merupakan hasil masing-masing algoritma.

Jumlah data benar


Persentase Benar(%) = 100% (4)
Jumlah data keseluruha n

Tabel 3. Persentase Prediksi Benar

8
Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019
Saham yang
Algoritma % Prediksi Benar
diprediksi
10
Apple Learning Vector Quantization × 100% = 47.62
21
13
Apple Fuzzy KNN × 100% = 61.90
21

Pada Tabel 3 dapat dilihat bahwa untuk http://finance.yahoo.com. Prediksi yang


prediksi perusahaan Apple terhadap empat dihasilkan berupa fluktuasi saham yaitu naik
saham perusahaan lainnya memiliki atau turun.
persentase prediksi benar yaitu 47.62% untuk Hasil prediksi fluktuasi harga saham
algoritma Learning Vector Quantization, dan perusahaan Apple terhadap empat saham
61.90% untuk algoritma Fuzzy KNN. perusahaan lainnya memiliki persentase
Berdasarkan jumlah perbandingan persentase prediksi benar yaitu 47.62% untuk algoritma
prediksi benar pada setiap algoritma yang Learning Vector Quantization dan 61.90%
digunakan, maka algoritma yang terbaik untuk algoritma Fuzzy KNN. Berdasarkan
digunakan dalam pengujian ini adalah jumlah perbandingan persentase prediksi
algotima Fuzzy KNN. benar pada setiap algoritma yang digunakan,
maka algoritma yang terbaik digunakan
KESIMPULAN DAN SARAN dalam pengujian ini adalah algotima Fuzzy
KNN.
Hasil uji coba yang dilakukan, Pada penelitian ini diperoleh hasil
algoritma Learning Vector Quantization dan bahwa fluktuasi saham perusahaan pesaing
Fuzzy KNN dapat digunakan untuk mungkin memiliki pengaruh terhadap suatu
memprediksi harga saham suatu perusahaan saham perusahaan, tapi fluktuasi saham
berdasarkan saham pesaing. Uji coba yang perusahaan pesaing terhadap suatu
dilakukan yaitu memprediksi saham perusahaan berpengaruh bagi investor untuk
perusahaan Apple berdasarkan saham mengambil langkah-langkah strategis
perusahaan Cisco, Fujitsu, HP, dan Ericsson. mengenai penanaman modal pada suatu
Data yang digunakaan adalah harga perusahaan.
pembukaan (open price) dari masing-masing Pengembangan di masa mendatang,
perusahaan dengan periode 1 September 2015 saran-saran yang dapat diberikan adalah
sampai dengan 30 September 2015. Data penggunaan metode-metode prediksi yang
diperoleh dari situs website lain seperti neural network dan decision tree

Fitriani, Ernastuti, Swedia. Algoritma Learning Vector Quantization Dan… 9


https://doi.org/10.35760/tr.2019.v24i1.1929
untuk mendapatkan hasil prediksi yang lebih [6] X. Liu dan X. Ma. “Based on BP Neural
baik dari algoritma yang digunakan dalam Network Stock Prediction”, Journal of
penelitian ini. Pada penelitian lebih lanjut Curriculum and Teaching, vol. 1, no.1,
dapat menggunakan data saham selain lima 2012.
data saham yang digunakan dalam penelitian [7] K. Alkhatib, H. Najadat, I. Hmeidi,
ini. M.K.A.. Shatnawi, “Stock Price
Prediction Using K-Nearest
DAFTAR PUSTAKA Neighbor(kNN) Algorithm”,
[1] A. N. Wahyuni, S. Wahyudi, dan H. International Journal of Business,
Muharam, “Analisis Perbandingan Humanity and Technology, vol. 3, no.3,
Kinerja Investasi Emas Dan Investasi 2013.
Saham Selama Masa Inflasi 1994– [8] S.W. Eko dan Ernastuti, “Identifikasi
2013”, Disertasi, Universitas Nomor Polisi Mobil Menggunakan
Diponegoro, Semarang, 2014. Metode Jaringan Saraf Buatan Learning
[2] I. Fahmi, Manajemen Keuangan Vector Quantization”, Skripsi,
Perusahaan dan Pasar Modal. Jakarta: Universitas Gunadarma, Depok, 2004.
Mitra Wacana Media, 2014. [9] E. Prasetyo, “Fuzzy K-Nearest Neighbor
[3] A. Kamarudin, Dasar-dasar manajemen in Every Class Untuk Klasifikasi Data”,
Investasi Dan Portofolio. Jakarta: dipresentasikan dalam Seminar Nasional
Rineka Cipta, 2004. Teknik Informatika (SANTIKA), hal.
[4] W. Ahmad, “Analyzing Different 57-60, 2012.
Machine Learning Techniques for Stock
Market Prediction”, International Journal
of Computer Science and Information
Security, vol.12, no.12, 2014.
[5] S. Agrawal, M. Jindal, dan G.N. Pillai,
“Momentum Nalysis based Stock
Market Prediction using Adaptive
Neuro-Fuzzy Inference System
(ANFIS)”, In. Proc. of the International
MultiConference of Engineers and
Computer Scientists 2010, vol I, 2010.

10
Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019
ANALISIS FUZZY MADM MENGGUNAKAN METODE SAW
DALAM SELEKSI CALON KARYAWAN PT TEKNORIA CIPTA
KARYA
1
Rismayuni, 2Rodiah
1
Sistem Informasi Bisnis Universitas Gunadarma, 2Pengembangan Sistem Akademik
Pascasarjana Universitas Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat
1
rismayuni20@gmail.com, 2rodiah@staff.gunadarma.ac.id

Abstrak

Seleksi karyawan pada PT Teknoria Cipta Karya selama ini menggunakan pemilihan
secara manual yang memungkinkan adanya kesubjektifan dalam seleksi karyawan. Seleksi
karyawan baru perlu adanya proses seleksi. Proses seleksi dilakukan dengan melihat kriteria
yang dibutuhkan oleh perusahaan, dalam hal ini yaitu keahlian, pengalaman, kesehatan fisik,
pendidikan, umur, kerja sama, kejujuran, inisiatif dan kreatif serta kedisiplinan. Pada
penelitian ini dilakukan analisis terhadap penggunaan beberapa variabel sebagai kriteria
dalam proses penyeleksian karyawan di PT Teknoria Cipta Karya. Kriteria yang digunakan
antara lain berupa kemampuan program, kepribadian serta wawancara. Hasil analisis dengan
metode fuzzy logic ini diharapkan dapat membantu PT Teknoria dalam melakukan seleksi
terhadap calon karyawan baru dengan solusi lebih dari satu, dimana karyawan tidak hanya
berupa diterima atau ditolak, namun adanya pilihan lain jika ada karyawan yang dapat
memenuhi keinginan dari karyawan PT Teknoria Cipta Karya. Algoritma fuzzy dinilai tepat
dalam masalah tersebut karena algoritma fuzzy menyediakan lebih dari dua macam keluaran
yang dapat membantu PT Teknoria dalam mengambil keputusan dalam menyeleksi calon
karyawan yang akan ditetapkan menjadi karyawan baru.
.
Kata kunci: DSS, Fuzzy MADM, SAW, SPK

Abstract

PT Teknoria Cipta Karya has been using a manual method to recruit new employee
which allows subjectivity in the selection process. The selection of new employees needs a
process. The selection process is carried out by looking at the criteria needed by the company,
in this case namely expertise, experience, physical health, education, age, cooperation, honesty,
initiative, creative as well as discipline. In this study, several variables used are analyzed as
criteria in the process of selecting employees at PT Teknoria Cipta Karya. The criteria used
includes the ability of the program, personality and interviews. The results of the analysis with
the fuzzy logic method are expected to help PT Teknoria in selecting new employees with more
than one solutions, where employees are not only accepted or rejected, but there are other
options if there are employees who can fulfill the wishes of PT Teknoria Cipta Karya. Fuzzy
algorithms are considered appropriate in this problem because fuzzy algorithms provide more
than two types of outputs that can help PT Teknoria in making decisions in selecting prospective
employees who will be determined to be new employees.

Keywords: DSS, Fuzzy MADM, SAW, SPK

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 11

https://doi.org/10.35760/tr.2019.v24i1.1930
PENDAHULUAN yaitu keahlian, pengalaman, kesehatan fisik,
Karyawan merupakan elemen penting pendidikan, umur, kerja sama, kejujuran,
pada perusahaan dalam menentukan inisiatif dan kreatif serta kedisiplinan [1].

kelancaran jalannya perusahaan dengan Salah satu teknik yang dapat digunakan
dalam membantu proses seleksi karyawan
baik. Setiap perusahaan memginginkan
adalah dengan sistem penunjang keputusan.
karyawan yang berkualitas untuk dapat
Sistem Sistem Pendukung Keputusan
mengembangkan perusahaan tersebut.
(SPK) atau Decision Support System (DSS)
Seleksi karyawan merupakan salah satu
adalah sebuah sistem yang mampu
langkah penting dalam menentukan
memberikan kemampuan pemecahan
apakah perusahaan dapat berkembang masalah maupun kemampuan
mengingat karyawan merupakan pengkomunikasian untuk masalah dengan
penyelenggara kegiatan operasional. PT kondisi semi terstruktur dan tak terstruktur.
Teknoria Cipta Karya merupakan salah Sistem ini digunakan untuk membantu
satu perusahaan yang bergerak dibidang pengambilan keputusan dalam situasi semi

IT Solution. terstruktur dan situasi yang tidak

Metode pimpinan PT Teknoria Cipta terstruktur, dimana tak seorangpun tahu

Karya dalam seleksi calon karyawan secara pasti bagaimana keputusan

baruselama ini berdasarkan seharusnya dibuat [2].

rekomendasikan dari karyawan lain.Tentu Beberapa metode untuk penyeleksian

saja hal ini tidaklah efektif, terutama dari karyawan dengan sistem penunjang

segi objektifitas. PT Teknoria Cipta Karya keputusan dilakukan oleh beberapa peneliti

menginginkan perekrutan karyawan dengan terdahulu. Penelitian dengan menggunakan

kualitas baik sesuai dengan kriteria fuzzy logic digunakan pada sebuah

perusahaan tersebut. Pada prosesnya nanti, perusahaan dalam menerima karyawan baru

PT Teknoria Cipta Karya tidak hanya ataupun merestruktur karyawan yang telah

mengambil hasil diterima atau tidak bergabung dengan kriteria pengertahuan

diterima, tetapi mengharapkan ada nya dan keahlian, kompetensi profil [3].

alternatif lain yang dapat menjadi Pengimplementasian metode SAW, WPM,

pertimbangan dari beberapa calon kandidat AHP dan TOPSIS dilakukan untuk

karyawan baru yang ingin bekerja di PT mengidentifikasi staf pengajar yang tepat

Teknoria Cipta Karya. dengan evaluasi terbaik berdasarkan

Proses seleksi karyawan baru pengukuran kinerja yang baik di institusi

dilakukan dengan melihat kriteria yang akademik dengan menggunakan kriteria

dibutuhkan oleh perusahaan, dalam hal ini kualifikasi, pengalaman, pendapatan,

12 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


kemampuan mengerjakan beberapa proyek, formal, pengalaman kerja, pengetahuan dan
penelitian, serta kemampuan teknik dan keterampilan teknis, semangat kerja yang
berkomunikasi [4]. Pengaplikasian metode tinggi serta kemampuan beradaptasi dan
fuzzy diterapkan pada industri perangkat bekerja sama [7].
lunak skala kecil yang memiliki enam ahli Pada penelitian ini, dilakukan
di berbagai perangkat lunak yang akan analisis terhadap penggunaan beberapa
dipilih satu dari enam orang tersebut variabel sebagai kriteria dalam proses
menjadi ahli yang didasarkan pada kriteria penyeleksian karyawan di PT Teknoria
ketersediaan ahli pada perusahaan tersebut Cipta Karya. Kriteria yang digunakan antar
dan kriteria yang digunakan adalah lain berupa kemampuan program,
kemampuan, keterampilan serta kepribadian serta wawancara. Hasil analisis
pengetahuan dengan hasil seleksi terbaik dengan metode fuzzy logic ini diharapkan
calon karyawan baru [5]. Penggunaan dapat membantu PT Teknoria dalam
metode AHP untuk pendukung sistem melakukan seleksi terhadap calon karyawan
keputusan juga diterapkan pada pada baru. Tujuan dalam penelitian ini adalah
perusahaan Kopkar Citra Bekisar dalam membantu melakukan penyeleksian calon
menyeleksi karyawan baru melalui karyawan PT Teknoria Cipta Karya dengan
pendidikan, estimasi gaji dan wawancara kualitas yang baik serta sesuai dengan
seperti motivasi diri, toleransi stres, kriteria perusahaan dan menyeleksi calon
komunikatif dan inisiatif dengan karyawan dengan objektif.
penggunaan bobot dari yang sangat penting
sampai kurang penting [6]. Penelitian METODE PENELITIAN
dengan sistem penunjang keputusan
menggunakan metode MADM dilakukan Garis besar penelitian dibagi menjadi
untuk membantu bagian HRD pada beberapa tahap yang dapat dilihat pada
perusahaan KSP Intidana dalam Gambar 1.
memberikan rekomendasi penyeleksian
karyawan melalui tingkat pendidikan

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 13

https://doi.org/10.35760/tr.2019.v24i1.1930
Analisis Alternatif dan
kriteria

Analisis Himpunan
Fuzzy

Derajat Kecocokan dan


Alternatif Kriteria

Penentuan Hasil
Perangkingan
Gambar 1. Bagan Garis Besar Penelitian

Garis besar penelitian yang terdapat menjadi dasar penilaian. Kriteria yang
pada Gambar 1 menunjukkan penelitian digunakan dalam penelitian ini yaitu
pertama kali dimulai dengan penentuam kemampuan program, kemampuan
alternatif dan kriteria. Alternatif dan kriteria mengerjakan beberapa proyek, pengalaman,
merupakan elemen utama dalam penelitian etika, kemampuan bekerja sama,
ini, dimana alternatif adalah pelamar yang pendapatan dan tingkat pendidikan formal.
memasukkan lamaran pada PT Teknoria Nilai seluruh alternatif terhadap
Cipta Karya pada tanggal 27 Juni sampai 03 keseluruhan kriteria dapat dilihat pada
Juli 2015 dengan total 13 pelamar, Tabel 1.
sedangkan kriteria adalah ukuran yang
Tabel 1. Nilai Calon Karyawan
Kemampuan
Mampu Tingkat
No. Kemampuan mengerjakan
Pengalaman Etika Bekerja Pendapatan Pendidikan
Pelamar Progam beberapa
Sama formal
proyek
WD-15-01 80 83 78 50 55 92 60
WD-15-02 63 55 53 70 73 73 70
WD-15-03 45 40 50 53 60 65 70
WD-15-04 75 75 80 92 85 53 60
WD-15-05 83 50 50 83 85 65 60
WD-15-06 60 60 65 70 73 85 80
WD-15-07 85 80 83 75 80 70 80
WD-15-08 50 53 40 60 60 80 50
WD-15-09 65 58 50 75 70 80 70
WD-15-10 55 58 65 70 75 80 70
WD-15-11 85 80 80 75 60 60 70
WD-15-12 75 75 60 50 65 75 80

14 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


WD-15-13 80 83 60 75 73 60 70

Tabel 1 menunjukkan nilai seluruh Seleksi calon karyawan pada PT Tenoria


pelamar terhadap kriteria yang telah Cipta Karya menggunakan metode Fuzzy
ditetapkan. Nomor pelamar menggunakan Multi Attribute Decision Making
kode WD-15-01 sampai WD-15-13 yang (FMADM) dengan Simple Addtiive
menunjukkan kode untuk pelamar 1 sampai Weighting (SAW). Perhitungan fuzzy dalam
dengan 13. Penentuan hasil dari alternatif metode SAW dilakukan menggunakan
dilihat dari nilai kesemua pelamar yang pembobotan nilai kriteria berdasarkan
berasal dari ketiga orang penilai. Data grafik bobot dan menghasilkan nilai crisp
alternatif yang diambil adalah data pelamar yang selanjutnya akan dihitung dengan
disertai dengan nilai pelamar saat bobot pada masing-masing alternatif.
melakukan tes yang dapat dilihat pada Pembobotan kriteria merupakan hasil
Tabel 1. Sebagai contoh, pelamar dengan kebijakan dengan manajemen PT Teknoria
menggunakan nomor WD-15-01 Cipta Karya dimana kriteria-kriteria yang
mendapatkan nilai 80 untuk kemampuan telah dipaparkan akan diberikan bobot
program, 83 untuk kemampuan sesuai dengan kapasitasnya. Pemberian
mengerjakan proyek, 78 untuk pengalaman, bobot digambarkan pada grafik bobot untuk
50 untuk etika, 55 untuk mampu bekerja menentukan nilai fuzzy pada masing-masing
sama, 92 untuk pendapatan dan 60 untuk kriteria. Bagan grafik bobot dapat dilihat
tingkat pendidikan formal. pada Gambar 2.
Langkah selanjutnya dalam
penelitian adalah analisis himpunan fuzzy.

Gambar 2. Grafik Bobot

Nilai μ(w) menunjukkan nilai fuzzy Pemberian bobot dimulai dari nilai Sangat
penentuan bobot. Pada metode fuzzy Simple Penting (SP) dengan nilai crisp 1, Penting
Additive Weighting (SAW), nilai μ(w) (P) dengan nilai crisp 0,75, Cukup (C)
mempunyai nilai crisp yaitu nilai 0 dan 1. dengan nilai crisp 0,5, Kurang (K) dengan

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 15

https://doi.org/10.35760/tr.2019.v24i1.1930
nilai crisp 0,25 dan Sangat Kurang (SK) berdasarkan kebijakan manajemen dan
dengan nilai crisp 0. Penentuan dari kelima menggunakan grafik pembobotan.
bobot tersebut diambil saat nilai μ(w)=1. Pembobotan untuk masing masing kriteria
Berdasarkan Gambar 2, maka didapat nilai dapat dilihat pada Tabel 2.
crisp untuk masing-masing kriteria

Tabel 2. Bobot Kriteria


Kriteria Bobot Nilai Crisp
Sangat
Kemampuan program Penting 1
Kemampuan mengerjakan beberapa proyek Penting 0,75
Pengalaman Cukup 0,5
Etika Penting 0,75
Mampu bekerja sama Cukup 0,5
Pendapatan Cukup 0,5
Tingkat pendidikan formal Cukup 0,5

Tabel 2 menunjukkan bobot dan nilai mendapatkan bobot Cukup (C) dengan nilai
crisp pada masing-masing kriteria. Bobot crisp 0,5.
pada kriteria ditentukan oleh manajemen Data hasil pelamar dan kriteria yang
PT Teknoria Cipta Karya, sedangkan nilai telah dikonversi menjadi nilai crisp,
crisp didapat dari grafik bobot yang kemudian dilakukan penilaian derajat
terdapat pada Gambar 2. Kriteria kecocokan alternatif dan kriteria. Penilaian
kemampuan program mendapatkan bobot kecocokan alternatif dimulai dengan
Sangat Penting (SP) dengan nilai crisp 1, pembobotan nilai alternatif atau pelamar.
kemampuan mengerjakan beberapa proyek Pembobotan nilai yang dimaksud adalah
mendapatkan bobot Penting (P) dengan dengan menempatkan nilai pelamar
nilai crisp 0,75, pengalaman mendapatkan menjadi lima kriteria menurut kebijakan
bobot Cukup (C) dengan nilai crisp 0,5, manajemen perusahaan yaitu Sangat Bagus
etika mendapatkan bobot Penting (P) (SB), Bagus (B), Cukup (C), Kurang (K),
dengan nilai crisp 0,75, mampu bekerja dan Sangat Kurang (SK). Pembagian nilai
sama mendapatkan bobot Cukup (C) pembobotan masing-masing kriteria
dengan nilai crisp 0,5, pendapatan menjadi 5 bagian telah diatur oleh pihak PT
mendapatkan bobot Cukup (C) dengan nilai Teknoria Cipta Karya. Pembagian bobot
crisp 0,5 dan tingkat pendidikan formal nilai alternatif dapat dilihat pada Tabel 3.

Tabel 3. Pembobotan Alternatif terhadap Kriteria


Nilai Fuzzy Bilangan Crisp
90 – 100 SB 1
75 – 89,99 B 0,75

16 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


60 – 74,99 C 0,5
40 – 59,99 K 0,25
0 – 39,99 SK 0

Tabel 3 menunjukkan pembobotan bernilai fuzzy Cukup (C) dengan bilanganan


nilai pelamar berdasarkan bilangan fuzzy crisp 0,5, pelamar yang mendapatkan nilai
untuk masing- masing kriteria. Penentuan 40 – 59,99 bernilai fuzzy Kurang (K)
nilai terhadap bilangan fuzzy ditentukan dengan bilanganan crisp 0,25 dan pelamar
oleh pimpinan PT Teknoria Cipta Karya, yang mendapatkan nilai 0 – 39,99 bernilai
dimana pelamar yang mendapatkan nilai fuzzy Sangat Kurang (SK) dengan
90-100 bernilai fuzzy Sangat Baik (SB) bilanganan crisp 0. Nilai dalam bentuk
dengan bilangan crisp 1, pelamar yang fuzzy kemudian diubah menjadi bilangan
mendapatkan nilai 75 – 89,99 bernilai fuzzy crisp berdasarkan pembobotan nilai pada
Baik (B) dengan bilanganan crisp 0,75, Tabel 3 yang hasilnya dapat dilihat pada
pelamar yang mendapatkan nilai 60 – 74,99 Tabel 4.

Tabel 4. Nilai Pelamar Dalam Bentuk Crisp


No. Pelamar C1 C2 C3 C4 C5 C6 C7
WD-15-01 0,75 0,75 0,75 0,25 0,25 1 0,5
WD-15-02 0,5 0,25 0,25 0,5 0,5 0,5 0,5
WD-15-03 0,25 0,25 0,25 0,25 0,5 0,5 0,5
WD-15-04 0,75 0,75 0,75 1 0,75 0,25 0,5
WD-15-05 0,75 0,25 0,25 0,75 0,75 0,5 0,5
WD-15-06 0,5 0,5 0,5 0,5 0,5 0,75 0,75
WD-15-07 0,75 0,75 0,75 0,75 0,75 0,5 0,75
WD-15-08 0,25 0,25 0,25 0,5 0,5 0,75 0,25
WD-15-09 0,5 0,25 0,25 0,75 0,5 0,75 0,5
WD-15-10 0,25 0,25 0,5 0,5 0,75 0,75 0,5
WD-15-11 0,75 0,75 0,75 0,5 0,5 0,5 0,5
WD-15-12 0,75 0,75 0,5 0,25 0,5 0,75 0,75
WD-15-13 0,75 0,75 0,5 0,75 0,5 0,5 0,5

Tabel 4 menunjukkan nilai crisp untuk mampu bekerja sama, 1 untuk


masing-masing pelamar terhadap semua pendapatan dan 0,5 untuk tingkat
kriteria. Simbol C1 – C7 menunjukkan pendidikan formal. Penentuan nilai crisp
kriteria-kriteria yang dipakai pada PT yang telah didapat masing-masing alternatif
Teknoria Cipta Karya. Sebagai contoh, terhadap kriteria selanjutnya akan
pelamar dengan nomor WD-15-01 dianalisis. Analisis solusi alternatif yang
mendapatkan nilai crisp 0,75 untuk optimal terhadap penentuan matriks
kemampuan program, 0,75 untuk ternormalisasi didapat menggunakan rumus
kemampuan mengerjakan proyek, 0,75 pada Persamaan (1) [8].
untuk pengalaman, 0,25 untuk etika, 0,25

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 17

https://doi.org/10.35760/tr.2019.v24i1.1930
𝑋𝑖𝑗
jika 𝑗 atribut keuntungan (benefit)
𝑀𝑎𝑥𝑖𝑗
𝑟𝑖𝑗 = { 𝑀𝑖𝑛𝑖𝑗 (1)
jika 𝑗 atribut biaya (cost)
𝑋𝑖𝑗
Persamaan (1) menunjukkan nilai crisp masing-masing kriteria disajikan
perhitungan untuk analisis solusi alternatif. menjadi matriks berukuran 1 × 7, yang
rij menunjukkan bobot kerja ternormalisasi, selanjutnya dikalikan dalam nilai prefensi.
dimana hasil optimal yang telah didapat Persamaan (3) merupakan rumus untuk
dari persamaan tersebut. Penentuan solusi menghitung prefensi.
alternatif dibagi menjadi dua bagian. Jika 𝑉𝑖 = ∑ 𝑤𝑗 𝑟𝑖𝑗
menyangkut keuntungan atau benefit maka Persamaan (3) menandakan perkalian
𝑋𝑖𝑗
digunakan persamaan 𝑀𝑎𝑥 dimana 𝑋𝑖𝑗 antara kolom-kolom dari matriks
𝑖𝑗
ternormalisasi dengan kolom-kolom pada
merupakan nilai salah satu pelamar bobot dimana Vi menunjukkan rangking
terhadap satu kriteria dan 𝑀𝑎𝑥𝑖𝑗 merupakan untuk setiap alternatif, wj merupakan nilai
nilai terbesar dari seluruh pelamar pada satu bobot dari setiap kriteria dan rij merupakan
kriteria tersebut. Jika menyangkut biaya nilai kinerja ternormalisasi dari alternatif
𝑀𝑖𝑛𝑖𝑗
atau cost, maka digunakan persamaan dimana j adalah alternatif 1 sampai 13 dan i
𝑋𝑖𝑗
adalah kriteria 1 sampai 7. Sebagai contoh,
dimana 𝑀𝑖𝑛𝑖𝑗 adalah nilai terendah dari pada matriks ternormalisasi baris pertama,
seluruh alternatif terhadap satu kriteria. kolom pertama pada matriks ternormalisasi
Penentuan calon karyawan menggunakan dikali dengan kolom pertama pada bobot
bobot kerja ternormalisasi maksimum, yaitu kriteria, kolom kedua pada matriks
nilai salah satu pelamar pada satu kriteria ternormalisasi dikali dengan kolom kedua
dibagi dengan nilai maksimum seluruh pada bobot kriteria.
pelamar pada kriteria tersebut. Penentuan
maksimum sebagai pembagi dalam rumus HASIL DAN PEMBAHASAN
dikarenakan perusahaan ingin mengambil
calon karyawan yang mempunyai nilai Hasil dan pembahasan dibagi
paling besar. menjadi beberapa bagian yang dimulai dari
Langkah terakhir dalam penelitian ini penentuan hasil dari alternatif. Penentuan
adalah penentuan hasil pembobotan. hasil dari alternatif adalah melihat hasil dari
Pembobotan terhadap seluruh karyawan nilai semua pelamar yang berasal dari
didapat dari nilai prefensi. Nilai prefensi ketiga orang penilai. Kriteria yang
merupakan nilai hasil perkalian antara ditentukan oleh PT Teknoria Cipta Karya
matriks ternormalisasi pada masing- masing adalah kemampuan program, kemampuan
alternatif terhadap bobot kriteria. Bobot mengerjakan beberapa proyek,
yang digunakan dalam perhitungan prefensi pengalaman, etika, kemampuan bekerja
sesuai Tabel 2 yaitu nilai crisp untuk sama, pendapatan, dan tingkat pendidikan
masing-masing kriteria yang disajikan formal. Data alternatif yang diambil adalah
menjadi matriks W. data pelamar disertai dengan nilai pelamar
W = [ 1 0,75 saat melakukan tes. Adapun nilai pelamar
0,5 0,75 0,5 saat melakukan tes dapat dilihat pada Tabel
0,5 0,5] 1. Nilai ini merupakan data input dari hasil (2)
Matriks W pada Persamaan (2) tes kesemua pelamar yang akan
menunjukkan nilai crisp untuk masing- dimasukkan kedalam analisis fuzzy.
masing kriteria. Kriteria kemampuan Hasil analisis fuzzy diawali dengan
program mendapatkan nilai crisp 1, penentuan bobot nilai fuzzy dari kriteria dan
kemampuan mengerjakan proyek 0,75, alternatif. Penentuan bobot nilai fuzzy
pengalaman adalah 0,5, etika adalah 0,75, kriteria dan alternatif dibuat dengan
mampu bekerja sama adalah 0,5, menggunakan grafik penentuan bobot.
pendidikan adalah 0,5 dan tingkat Penentuan untuk bobot dilakukan
pendidikan formal adalah 0,5. Penentuan

18 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


berdasarkan kebijakan PT Teknoria Cipta optimal. Analisis solusi optimal didapat
Karya. Setelah diperoleh hasil dari nilai berdasarkan penentuan matriks
bobot antara kriteria dan alternatif, maka ternormalisasi dikalikan dengan nilai bobot
selanjutnya adalah dengan bobot kecocokan kriteria yang dinamakan dengan nilai
seluruh alternatif terhadap kriteria. Bobot prefensi sesuai dengan Persamaan (1).
kecocokan adalah pemasukan nilai Matriks ternormalisasi didapat dari bobot
alternatif terhadap tiap kriteria. Bobot kerja ternormalisasi setiap kriteria terhadap
kecocokan pada bobot kriteria tersebut seluruh alternatif. Perhitungan hasil nilai
selanjutnya dijadikan ke dalam tabel nilai bobot kerja ternormalisasi pelamar dengan
crisp bobot kriteria yang berasal dari nilai nomor pendaftaran WD-15-01 pada kriteria
fuzzy. Data nilai crisp pelamar terhadap pertama (C1) dengan menggunakan
kriteria dapat dilihat pada Tabel 4. Persamaan (1) dapat dilihat pada
Data nilai crisp pelamar selanjutnya perhitungan r1 yang dapat dilihat pada
akan dianalisis menggunakan solusi Persamaan (4).
0,75 0,75
𝑟1 = = =1 (4)
𝑚𝑎𝑘𝑠 (0,75;0,5;0,25;0,75;0,75;0,5;0,75;0,25;0,5;0,25;0,75;0,75;0,75) 0,75
Perhitungan r1 adalah hasil nilai nilai bobot yang ada pada kriteria bersifat
pelamar dengan nomor WD-15-01 dibagi benefit, artinya semakin besar nilai pelamar
dengan nilai terbesar keseluruhan pelamar maka semakin besar peluang masuk dan
pada kriteria pertama (C1). Perhitungan diterima menjadi karyawan PT Teknoria
menggunakan Persamaan (1) juga Cipta Karya. Nilai hasil bobot kinerja
dilakukan untuk kriteria dan pelamar lain. ternormalisasi seluruh pelamar terhadap
Nilai maksimum pada pembagi seluruh kriteria selanjutnya dijadikan
menunjukkan bahwa kriteria kemampuan matriks. Matriks X merupakan matriks
program termasuk kedalam benefit yang ternormalisasi hasil perhitungan bobot
berarti bahwa PT Teknoria Cipta Karya kinerja ternormalisasi. Matriks
menginginkan karyawan dengan nilai ternormalisasi berukuran 13 × 7 pada
terbesar. Semua kriteria mengambil nilai Persamaan (5) menunjukkan nilai bobot
pembagi maksimum dikarenakan semua kerja setiap pelamar pada tiap kriteria.

1 1 1 0,25 0,33 1 0,67


0,67 0,33 0,33 0,5 0,67 0,5 0,67
0,33 0,33 0,33 0,25 0,33 1 0,67
1 1 1 1 1 0,25 0,67
1 0,33 0,33 0,75 1 0,5 0,67
0,67 0,67 0,67 0,5 0,67 0,75 1
𝑋= 1 1 1 0,75 1 0,5 1 (5)
0,33 0,33 0,33 0,5 0,67 0,75 0,33
0,67 0,33 0,33 0,75 0,67 0,75 0,67
0,33 0,33 0,67 0,5 1 0,75 0,67
1 1 1 0,75 0,67 0,5 0,67
1 1 0,67 0,25 0,67 0,75 1
[ 1 1 0,67 0,75 0,67 0,5 0,67]
Persamaan (5) merupakan matriks setiap pelamar pada masing-masing kriteria.
kinerja ternormalisasi hasil perhitungan dari Sebagai contoh, pada baris pertama

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 19

https://doi.org/10.35760/tr.2019.v24i1.1930
menunjukkan nilai dari alternatif atau dasar pebobotan. Hasil perhitungan bobot
pelamar pertama dengan nomor WD-15-01 kerja ternormalisasi kemudian akan dikali
terhadap ketujuh kriteria. Hasil matriks dengan nilai bobot yang disebut nilai
ternormalisasi tersebut kemudian dikalikan prefensi menggunakan Persamaan (3).
dengan nilai bobot yang akan dijadikan
𝑉1 = (1 × 1) + (1 × 0,75) + (1 × 0,5) + (0,25 × 0,75) + (0,33 × 0,5) + (1 × 0,5) +
(0,67 × 0,5) = 3,6025 (6)
Nilai perhitungan V1 pada Persamaan 0,33 1 0,67] dikali dengan bobot kriteria W
(6) menunjukkan nilai bobot kinerja [1 0,75 0,5 0,75 0,5 0,5] yang hasilnya
ternormalisasi pelamar satu dikalikan adalah 3,6025. Persamaan (3) digunakan
dengan nilai crisp masing-masing kriteria, juga untuk perhitungan V2 sampai V13 yang
dimana nilai crisp pelamar dengan nomor hasilnya dapat dilihat pada Tabel 5.
WD-15-01 dengan nilai crisp [1 1 1 0,25

Tabel 5. Hasil Nilai Prefensi Pelamar


No. Pelamar Nilai Prefensi
WD-15-01 3,6025
WD-15-02 2,3775
WD-15-03 1,85
WD-15-04 3,96
WD-15-05 3,06
WD-15-06 3,0925
WD-15-07 4,0625
WD-15-08 1,9925
WD-15-09 2,69
WD-15-10 2,4975
WD-15-11 3,7325
WD-15-12 3,4825
WD-15-13 3,5675

Tabel 5 menunjukkan nilai prefensi 2,3755, WD-15-03 mendapatkan nilai 1,85


masing-masing pelamar. Pelamar dengan dan seterusnya. Nilai prefensi pelamar
nomor WD-15-01 mendapatkan nilai selanjutnya disajikan dalam bentuk grafik
3,6025, WD-15-02 mendapatkan nilai yang dapat dilihat pada Gambar 3.

20 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 3. Grafik Nilai Prefensi

Gambar 3 menunjukkan grafik nilai dengan Simple Additive Weighting (SAW)


prefensi pelamar. Berdasarkan Gambar 3, telah membantu manajemen PT Teknoria
nilai pelamar dengan prefensi terbesar Cipta Karya dalam melakukan penyeleksian
adalah pelamar dengan nomor WD15-07 calon karyawan lebih efektif karena setiap
dan pelamar dengan prefensi terkecil adalah kriteria memiliki bobot yang berbeda untuk
pelamar dengan nomor WD-15-03. PT dan nilai yang terbesar adalah nilai
Tekknoria Cipta Karya hanya mengambil kemampuan program. Perhitungan nilai
tiga orang pelamar dengan nilai tertinggi bobot dikalikan dengan nilai crisp masing-
berdasarkan nilai prefensi Gambar 3, maka masing pelamar, sehingga perekrutan
pelamar yang diterima menjadi karyawan karyawan menjadi lebih objektif dan tidak
baru adalah pelamar dengan nomor pelamar lagi mempertimbangkan rekomendasi dari
WD-15-07, WD-15-04, dan WD-15-11. karyawan.
Hasil penelitian ini dapat dijadikan
KESIMPULAN DAN SARAN bukti pendukung untuk mengkaji faktor-
faktor yang lain dan diharapkan dapat
Penggunaan metode Fuzzy Multi melakukan pengembangan terhadap
Attribute Decicion Making (FMADM) kualitas karyawan dengan menggunakan
dengan Simple Additive Weighting (SAW) metode Fuzzy Multi Attrbute Decision
dalam perekrutan calon karyawan telah Making (FMADM) lainnya. Pada penelitian
berhasil diterapkan pada PT Teknoria Cipta lebih lanjut dapat dibuat aplikasi dari
Karya yang menghasilkan tiga orang penelitian ini untuk mengantisipasi calon
karyawan berdasarkan nilai prefensi pelamar yang banyak dan adanya fitur
tertinggi. Penerapan metode Fuzzy Multi otomatisasi nilai ke dalam sistem sehingga
Attribute Decision Making (FMADM) tidak dilakukan lagi pemberian nilai secara

Rismayuni, Rodiah. Analisis Fuzzy MADM Menggunakan Metode SAW… 21

https://doi.org/10.35760/tr.2019.v24i1.1930
manual. Penerapan metode Fuzzy Multi u- and e- Service, Science and
Attribute Decision Making dengan Simple Technology, vol. 6, no. 5, hal. 133 –
Additive Weighting untuk merekrut calon 144, 2013.
karyawan diharapkan memiliki standar [5] P. C. Dhote dan P. K. Butey, “An
tertentu pada kualitas terhadap kepribadian Applications of Fuzzy Logic for
dari seorang pelamar agar mendapat nilai Expert Solution”, International
yang lebih objektif. Journal of Advanced Computer
Research, vol. 3, no. 3, hal. 211 – 215,
DAFTAR PUSTAKA 2013.
[1] M. Hasibuan, Manajemen Sumber [6] R. K. Ablhamid, B. Santoso, dan M.
Daya Manusia: Pengertian Dasar, A. Muslim, “Decision Making and
Pengertian, dan Masalah. Jakarta: PT. Evaluation System for Employee
Toko Gunung Agung, 2001. Recruitment using Fuzzy Analytical
[2] E. Turban dan J. E. Aronson, Decision Hierarchy Prosess”, International
Support Systems and Intelligent Refered Journal of Engineering and
Systems. 6th edition. Prentice Hall: Science (IRJES), vol. 2, hal. 24 – 31,
Upper Saddle River, NJ, 2001. 2013.
[3] R. Fuller, L. Canos-Daros, dan MJ. [7] D. A. Ramadhani dan S. Astuti,
Canos-Daros, “Transparrent Fuzzy “Sistem Pendukung Keputusan
Logic based Method for Some Human Penerimaan Pegawai dengan Metode
Resources Problems”, Revista Fuzzy MADM”, Techno.COM, vol.
Electronica de Comunicasiones y 13, no. 2, hal. 99 – 107, 2014.
Trabajos de ASEPUMA, vo. 13, no. 1, [8] S. Kusumadewi, S. Hartati, A.
hal. 27 – 41, 2012. Harjoko, dan R. Wardoyo, Fuzzy
[4] D. S. Kumar, S. Radhika, dan K.N.S Multi-Attribute Decision Making
Suman, “MADM Methods for Finding (Fuzzy MADM). Yogyakarta: Graha
The Right Personel in Academic Ilmu, 2006.
Institutions”, International Journal of

22 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


ANALISIS KEBUTUHAN SISTEM ADMINISTRASI BAGIAN
SIDANG UJIAN UNIVERSITAS GUNADARMA DENGAN
METODE PIECES
1
Abdul Hafidh Sidiq, 2Ana Kurniawati
1
Fakultas Teknologi Industri Universitas Gunadarma, 2Fakultas Ilmu Komputer dan Teknologi
Informasi Universitas Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat
1
a1bdulhafidhsidiq@gmail.com, 2an2a@staff.gunadarma.ac.id

Abstrak

Sistem administrasi berbasis komputer kini menjadi suatu hal utama untuk pemenuhan
kebutuhan informasi termasuk pada sebuah perguruan tinggi. Internet merupakan teknologi
yang dapat memudahkan seseorang untuk melakukan kegiatan apapun. Di era teknologi
informasi seperti saat ini, Universitas Gunadarma pun memanfaatkan teknologi-teknologi
tersebut termasuk pada Bagian Sidang Ujian. Bagian Sidang Ujian sudah menerapkan sistem
administrasi dengan teknologi tersebut, akan tetapi dalam penerapannya masih kurang optimal.
Analisis perlu dilakukan untuk mengetahui permasalahan pada sistem tersebut. Terdapat
beberapa metode yang dapat digunakan dalam melakukan analisis, diantaranya adalah SWOT
dan PIECES. Dalam penelitian ini, sistem administrasi tersebut dianalisis dengan metode
PIECES. Analisis yang dilakukan meliputi beberapa variabel yaitu kinerja, informasi, ekonomi,
kontrol, efisiensi dan pelayanan sistem. Hasil analisis yang didapat yaitu kinerja sistem sudah
bagus namun belum optimal, informasi yang disajikan kurang lengkap, kontrol pada sistem
masih kurang, dan banyaknya penggunaan kertas mengurangi peran dari sistem administrasi
tersebut dalam mengoptimalkan administasi di Bagian Sidang Ujian. Setelah melakukan
analisis dengan metode PIECES, dapat disimpulkan bahwa Sistem administrasi yang sekarang
digunakan oleh Bagian Sidang Ujian, Universitas Gunadarma perlu dibenahi dan diperbaiki
agar proses administrasinya dapat terselenggara dengan efisien dan efektif. Pembenahan dan
perbaikan yang sebaiknya dilakukan adalah dengan mengembangkan sistem administrasi
berbasis web.
Kata Kunci: Analisis Kebutuhan, PIECES, Sistem Administrasi

Abstract

Computer-based administration system is now the main thing to fulfill information needs
including at a college. Internet is a technology that can facilitate a person to perform any
activity. In the era of information technology, Gunadarma University also utilizes these
technologies including the Department of Examination. The Department of Examination has
implemented an administrative system with the technology, but in its implementation it is still
considered to be less than optimal. Analysis needs to be done to find out the problems in the
system. There are several methods that can be used in conducting analysis, such as SWOT and
PIECES. In this research the administration system will be analyzed by PIECES method. The
analysis includes several variables: performance, information, economy, control, efficiency and
service. The results of the analysis obtained that the system performance is good but not
optimal, the information presented is not complete, the control system is still lacking, and a lot
of paper used. After analyzing using PIECES method, it can be concluded that the current
system needs to be improved so that the administrative process can be managed efficiently and
effectively. Improvements that should be done is to develop a web-based administration system.
Keywords: Administrative System, Needs Analysis, PIECES

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


23
https://doi.org/10.35760/tr.2019.v24i1.1931
PENDAHULUAN tinggi. Keperluan administrasi tersebut akan
mudah diakses dan digunakan oleh siapa
Sistem administrasi berbasis saja, di mana saja dan kapan saja. Hal itu
komputer kini menjadi suatu hal yang dapat direalisasikan apabila internet juga
primer bagi kebutuhan pemenuhan diterapkan pada sistem yang berbasis web,
kebutuhan informasi. Swasta dan instansi yaitu sistem yang dapat diakses dengan
pemerintahan memanfaatkan komputer browser dimana saja. Setiap perangkat
sebagai alat bantu untuk mempermudah komputer maupun smartphone saat ini
pekerjaan [1]. Dengan penerapan sistem terdapat browser di dalamnya.
administrasi berbasis komputer, pekerjaan Universitas Gunadarma, sama halnya
yang sebelumnya dikerjakan secara manual dengan universitas lain, merupakan
dapat diselesaikan dengan lebih cepat, universitas swasta yang memiliki beberapa
terotomatisasi dan minim kesalahan fakultas dan jurusan yang beragam.
sehingga hasilnya lebih efisien dan lebih Sebagian besar sistem yang digunakan
efektif. untuk mengelola baik dari civitas
Sistem administrasi yang mahasiswa, dosen, atau staf bersifat sentral
terkomputerisasi merupakan bagian penting (terpusat) sehingga dalam penanganannya
di suatu lembaga pendidikan. Dengan diperlukan sistem berbasis komputer untuk
adanya sistem informasi yang membantu menyelesaikannya. Bagian
terkomputerisasi akan memudahkan Sidang Ujian merupakan salah satu
petugas dalam menjalankan pekerjaannya subsistem dari Univesitas Gunadarma yang
[2]. Di dalam sebuah perguruan tinggi mengelola dan menangani persiapan sidang,
negeri, sistem administrasi berbasis pelaksanaan sidang dan hasil sidang bagi
komputer juga dimanfaatkan untuk mahasiswa sarjana dan diploma, baik dari
mengefisiensikan dan mengefektifkan fakultas dan jurusan manapun. Kegiatan
berbagai keperluan di dalamnya. yang dilakukan dalam persiapan sidang
Perkembangan internet juga diantaranya mahasiswa mendaftarkan
mendukung penggunaan komputer dalam dirinya ke Bagian Sidang Ujian untuk
bidang pendidikan. Internet bisa diakses mengikuti sidang, kemudian data
dan dimanfaatkan untuk berbagai mahasiswa yang ikut sidang diolah untuk
keperluan, oleh siapa saja, dimana saja, dijadikan Surat Keputusan (SK) sidang
kapan saja akan penggunaannya [3]. yang berisi data peserta sidang dan
Dengan demikian, internet dapat pengujinya beserta panitia yang akan
dimanfaatkan juga sebagai sarana dalam membantu dalam pelaksanaan sidang.
administrasi di dalam sebuah perguruan

24 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Sebuah sistem administrasi telah skripsi. Pembuatan kelompok penguji
digunakan untuk mengelola keperluan dipersulit juga dengan data pembimbing
sidang tersebut agar dapat mempermudah yang belum standar dan berasal dari data
pekerjaannya. Akan tetapi, sistem yang jurusan, sehingga perlu dihitung dan dicek
sudah ada masih belum efektif dan efisien. secara manual. Setelah terbentuk kelompok
Hal ini dapat terlihat ketika Bagian Sidang penguji, Bagian Sidang Ujian harus
Ujian memasuki bulan sibuk, yaitu periode melakukan input data penguji bagi setiap
ketika banyak mahasiswa dari berbagai mahasiswa satu demi satu, dimana jumlah
jurusan yang akan melakukan sidang secara data mencapai 300. Proses input penguji
bersama-sama dalam kurun waktu satu atau tersebut sudah dipermudah dengan adanya
dua bulan secara berturut-turut, yaitu antara program yang dapat memasukkan data
akhir bulan Agustus sampai awal bulan penguji bagi peserta sidang non-skripsi
Oktober. Sidang diselenggarakan oleh secara otomatis. Namun masih perlu juga
Bagian Sidang Ujian sebanyak tiga kali dilakukan pengubahan data penguji peserta
dalam satu minggu, yaitu hari Selasa, sidang non-skripsi apabila komposisi dosen
Kamis dan Sabtu. Hal ini berkaitan dengan penguji belum sesuai dengan komposisi
target yang diberikan kepada Bagian Sidang yang ideal. Setelah data penguji selesai
Ujian agar dapat meluluskan sekitar 2500 dimasukkan ke dalam sistem, proses
mahasiswa dalam dua bulan. Waktu selanjutnya adalah pembuatan Surat
pelaksanaan sidang tersebut dapat berubah Keputusan (SK). Pembuatan SK ini bisa
sesuai kondisi yang ada. Dalam waktu dikatakan semi manual, karena setelah
sibuk tersebut Bagian Sidang Ujian harus dibuat oleh sistem, SK masih perlu
melakukan kerja lembur agar dapat diperbaiki secara manual karena formatnya
menyelesaikan tugasnya, walaupun sudah belum sesuai. Pekerjaan-perkerjaan yang
dibantu dengan sistem yang ada. Hal ini dilakukan secara manual tersebut memakan
terjadi karena pekerjaan yang dilakukan waktu cukup lama, sehingga untuk
untuk mempersiapkan sidang masih ada menyelesaikannya perlu dilakukan kerja
yang dikerjakan secara manual. Salah satu lembur. Selain harus melakukan kerja
pekerjaan yang masih dilakukan secara lembur, kesalahan data juga masih terjadi
manual adalah pembuatan kelompok pada data mahasiswa yang mengikuti
penguji. Kelompok penguji dibuat sidang karena sistem yang ada belum begitu
berdasarkan data pembimbing yang optimal dalam penanganan data.
mahasiswa bimbingannya menjadi peserta Pada penelitian ini dilakukan analisis
sidang dan data statistik keseluruhan terhadap sistem yang sudah ada agar dapat
peserta sidang termasuk peserta sidang non- mengetahui permasalahan yang ada dan

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


25
https://doi.org/10.35760/tr.2019.v24i1.1931
menjabarkan pemecahan masalahnya. masih banyak terdapat masalah di
Dalam melakukan analisis tersebut, terdapat dalamnya. Metode yang digunakan pada
beberapa metode analisis sistem yang dapat penelitian ini yaitu problem solving
digunakan, diantaranya adalah metode framework dan dikombinasikan dengan
SWOT dan metode PIECES. Dalam metode PIECES. Hasil dari analisis sistem
analisis sistem informasi administrasi, informasi pelayanan desa yaitu sistem
metode yang lebih tepat digunakan adalah informasi yang berbasis client-server
metode PIECES, karena dalam metode ini diperlukan untuk menggantikan sistem
dapat menggambarkan bagaimana peran manual [4].
sistem dalam membantu menyelesaikan Penelitian lain yang menggunakan
pekerjaan yang ada. Oleh karena itu, pada metode PIECES juga pernah dilakukan oleh
penelitian ini digunakan metode PIECES Hardi dan Hardianto. Penelitian ini
(Performance, Information, Economics, mengembangkan sebuah sistem
Control, Efficiency, and Services) dalam perpustakaan, dimana sistem perpustakaan
melakukan analisis sistem. Setelah yang lama dinilai masih belum dapat
melakukan analisis terhadap sistem yang menangani permasalahan yang cukup
sudah berjalan di Bagian Sidang Ujian, banyak dan rumit. Metode analisis yang
penelitian ini juga memberikan digunakan pada penelitian ini adalah
rekomendasi tentang sistem yang sebaiknya metode PIECES. Perancagan sistem
diterapkan di Bagian Sidang Ujian. Dengan menggunakan Diagram Aliran Data (DAD).
adanya penelitian ini, sistem administrasi Hasil dari penelitian yang dilakukan yaitu
pada Bagian Sidang Ujian dapat bekerja sistem perpustakaan berbasis web
lebih optimal sehingga persiapan sidang mempermudah baik untuk mahasiswa
yang selama ini memerlukan lebih banyak maupun petugas perpustakaan pada
tenaga, dapat dilakukan lebih efektif dan perpustakaan STITEK Bontang [5].
efisien. Penelitian yang dilakukan oleh Dewi,
Beberapa penelitian terdahulu yang Marchada, dan Rifai menganalisa
berkaitan dengan analisis sistem kelayakan penerapan digital monitoring
menggunakan metode PIECES diantaranya informasi penyewaan ruko pasar 8. Hasil
penelitian yang dilakukan oleh Nugraha. dari penelitian menunjukkan bahwa
Objek penelitian pada penelitian ini adalah penerapan digital monitoring terhadap
sistem informasi pelayanan data penduduk sistem informasi penyewaan perlu
di tingkat desa. Penelitian dilakukan diterapkan karena berdampak pada berbagai
terhadap sistem tersebut karena masih pihak dan berbagai kepentingan, mulai dari
menggunakan sistem yang manual dan kinerja sampai dengan pelayanan terhadap

26 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


pelanggan yang menggunakan fasilitas ruko memberikan saran kepada Politeknik LP3I
[6]. Jakarta dalam mengelola sistem informasi
Penelitian dengan menggunakan [8].
metode PIECES juga telah dilakukan oleh
Susena, Utami, dan Sunyoto. Tujuan METODE PENELITIAN
penelitian ini adalah menghasilkan
perencanaan strategis sistem informasi Metode penelitian yang dilakukan
smart campus dan menyusun peta jalan yaitu penelitian kualitatif. Data yang
pengembangan sistem informasi smart digunakan pada penelitian ini diperoleh dari
campus di Politeknik Indonusa Surakarta pengamatan (observasi) dan wawancara.
[7]. Penelitian dengan metode PIECES juga Tahapan-tahapan yang akan dilakukan pada
pernah dilakukan oleh Tullah dan Hanafri. penelitian ini dapat dilihat pada Gambar 1.
Tujuan penelitian tersebut adalah untuk

Identifikasi Sistem Lama

Analisis Sistem Lama dengan Metode


PIECES

Hasil Analisis

Rekomendasi Sistem Baru

Gambar 1. Tahapan Penelitian

Berdasarkan Gambar 1, tahap penjabaran pada setiap variabel.


pertama yang dilakukan pada penelitian ini Permasalahan pada setiap variabel akan
adalah melakukan identifikasi terhadap diusulkan pemecahannya dan dirangkum
sistem yang akan dianalisis sehingga dapat dalam hasil analisis. Rekomendasi sistem
diketahui gambaran sistem dan baru akan diberikan berdasarkan usulan-
permasalahan-permasalahan yang ada. usulan pemecahan masalah pada hasil
Hasil dari identifikasi selanjutnya dianalisis analisis tersebut.
menggunakan metode PIECES dengan

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


27
https://doi.org/10.35760/tr.2019.v24i1.1931
HASIL DAN PEMBAHASAN sidang oleh bagian jurusan yang selanjutnya
data pendaftaran akan dikirimkan ke Bagian
Identifikasi Sistem Lama Sidang Ujian. Setelah data dikirimkan dari
Bagian Sidang Ujian, Universitas jurusan, Bagian Sidang Ujian mengetahui
Gunadarma merupakan bagian yang bahwa mahasiswa tersebut apakah sudah
bertanggung jawab dalam penyelenggaraan diperbolehkan ikut sidang atau belum. Data
sidang sarjana dan diploma. Dalam yang dikirimkan oleh jurusan berisi NPM,
penyelenggaraannya tersebut, terdapat nama, judul skripsi dan pembimbingnya
beberapa sistem yang digunakan untuk (bagi mahasiswa skripsi) atau tiga mata
mempermudah pekerjaannya. Berikut akan kuliah ujian komprehensif (bagi mahasiswa
dijelaskan bagaimana proses non-skripsi). Di Universitas Gunadarma,
penyelenggaraan sidang beserta sistem terdapat dua jalur agar mahasiswanya dapat
administrasi yang digunakan oleh Bagian lulus. Jalur pertama adalah skripsi, seperti
Sidang Ujian untuk mempermudah pada umumnya, mahasiswa harus
pekerjaannya. melakukan penelitian dan penulisan tugas
Sebelum sidang dapat dilaksanakan, akhir agar bisa lulus. Jalur kedua adalah
calon peserta sidang harus melakukan non-skripsi, yaitu mahasiswa harus lulus
pendaftaran sidang ke loket Bagian Sidang tiga mata kuliah ujian pokok yang ada pada
Ujian. Akan tetapi, sebelum mendaftarkan setiap jurusan.
diri ke Bagian Sidang Ujian terdapat Setelah data dari jurusan sampai ke
beberapa persyaratan yang harus dipenuhi Bagian Sidang Ujian, maka mahasiswa
oleh mahasiswa. Beberapa persyaratan yang harus melakukan pendaftaran ke Bagian
harus dipenuhi antara lain, melakukan Sidang Ujian setelah melengkapi
bebas keuangan, melakukan bebas persyaratan. Bagian Sidang Ujian akan
perpustakaan, mengisi form biodata dan menentukan tanggal sidang bagi mahasiswa
foto di studentsite, dan lapor ke bagian yang mendaftar tersebut. Adapun
jurusan masing-masing untuk didaftarkan persyaratan tambahan yang harus dibawa
sidang. Pada saat pelaporan ke bagian mahasiswa ke loket Bagian Sidang Ujian
jurusan, sebelum mahasiswa diperbolehkan yaitu fotokopi bebas keuangan yang
mendaftar sidang, diperiksa terlebih dahulu dibagian belakang fotokopi ditulis biodata
persyaratan agar dapat mengikuti sidang peserta sidang dan dilampirkan foto dengan
seperti jumlah sks yang sudah diambil, nilai ukuran 2x3 sebanyak 2 lembar, fotokopi
mata kuliah yang kurang, kewajiban ikut KTP, fotokopi ijazah terakhir (SMA atau
kursus dan workshop. Setelah persyaratan D3) dan form foto yang berisi biodata dan
terpenuhi, mahasiswa akan didaftarkan beberapa foto hitam putih peserta sidang.

28 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Setelah semua syarat terpenuhi, mahasiswa berkas-berkas tersebut digunakan sistem
akan diberikan surat jadwal sidang yang berbasis Dekstop. Untuk mencetak berkas-
berisikan informasi waktu pelaksanaan berkas tersebut harus menggunakan printer
sidang, jalur yang dipilih oleh mahasiswa, dot matrik, karena sistem tersebut hanya
dan keterangan lainnya yang berkaitan dibuat untuk printer dot matrik.
dengan sidang. Pada saat data mahasiswa Persiapan sidang yang harus
yang masuk ke Bagian Sidang Ujian sudah dilakukan selanjutnya yaitu membuat
memenuhi kuota untuk penyelenggaraan kelompok penguji. Kelompok penguji
sidang, maka pendaftaran sidang untuk dibuat berdasarkan jumlah peserta sidang
tanggal yang sudah terpenuhi kuotanya yang mendaftar. Jumlah tersebut dibagi
tersebut akan ditutup. Kuota untuk sekali menjadi dua, yaitu jumlah mahasiswa
pelaksanaan sidang dapat berbeda-beda skripsi dan jumlah mahasiswa non skripsi.
tergantung kondisi yang ada. Secara umum Kemudian jumlah dijabarkan lagi
kuota yang disediakan oleh Bagian Sidang berdasarkan masing-masing jurusan, yang
Ujian berkisar antara 300 sampai 350 selanjutnya disebut statistik peserta sidang.
mahasiswa setiap sidang. Kuota tersebut Selain dibutuhkan data statistik
disesuaikan dengan kondisi ruang ujian dan peserta sidang secara keseluruhan, untuk
dosen penguji yang ada. membuat kelompok penguji juga
Setelah pendaftaran sidang ditutup dibutuhkan data statistik pembimbing dari
untuk tanggal sidang tertentu, maka data peserta sidang skripsi. Statistik pembimbing
peserta sidang untuk tanggal sidang tersebut berisi data nama pembimbing dan jumlah
dapat diolah oleh Bagian Sidang Ujian bimbingannya yang akan mengikuti sidang.
untuk digunakan dalam mempersiapkan Berdasarkan dua data statistik tersebut
pelaksanaan sidang. Persiapan pelaksanaan dibuat kelompok penguji. Pembuatan
sidang dimulai dari mengunduh data sidang kelompok penguji dilakukan secara manual
yang kemudian disimpan ke dalam file oleh Bagian Sidang Ujian. Setelah
dbase (database). Persiapan yang dapat kelompok penguji ditentukan, yang
dilakukan langsung setelah data diunduh selanjutnya dilakukan adalah memasukkan
yaitu mencetak kartu sidang bagi peserta data penguji ke setiap peserta sidang. Setiap
sidang, mencetak berkas revisi untuk peserta sidang akan diuji oleh tiga dosen
peserta sidang skripsi, dan mencetak form penguji. Khusus untuk peserta sidang
nilai skripsinya. Berkas revisi dan form skripsi, satu dosen penguji merupakan
nilai untuk peserta sidang skripsi masing- dosen pembimbing. Dalam memasukkan
masing sebanyak tiga lembar, untuk setiap data penguji, Bagian Sidang Ujian
penguji pada saat sidang. Dalam mencetak menggunakan sistem yang sudah ada.

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


29
https://doi.org/10.35760/tr.2019.v24i1.1931
Namun proses pemasukkan data penguji Kemudian untuk surat keputusan peserta
masih dilakukan semi manual. Untuk sidang sudah bisa dibuat oleh sistem. Akan
peserta sidang non-skripsi sudah ada sistem tetapi setelah dibuat oleh sistem surat
yang digunakan untuk memasukkan data keputusan tersebut harus diperbaiki secara
penguji secara cepat, tetapi hasil dari manual lagi dengan MsWord oleh Bagian
pengolahan sistem tersebut masih harus Sidang Ujian karena format dokumen masih
diubah lagi datanya. Data penguji skripsi tidak rapi.
masih dimasukkan secara manual, satu-satu Selain pembuatan surat keputusan,
per peserta sidang skripsi. Pengubahan data persiapan yang dapat dilakukan setelah
penguji untuk peserta non-skripsi masih memasukan data penguji selesai yaitu
perlu dilakukan karena komposisi jumlah mencetak surat keterangan bagi peserta
peserta sidang yang diuji oleh masing- sidang dan mencetak form nilai non-skripsi
masing dosen penguji harus dibagi secara beserta daftar penguji non-skripsi dan
adil. Hal tersebut dilakukan agar mahasiswa yang diuji. Pada proses ini
memperlancar jalannya pelaksanaan sidang. terdapat sebuah program untuk membantu
Apabila terdapat dosen penguji yang proses pencetakan. Program ini masih
menguji sangat banyak (misalkan 13 kurang user friendly karena masih perlu
peserta sidang), sementara ada dosen memasukkan perintah yang kurang familiar
penguji yang hanya menguji sedikit bagi beberapa staf Bagian Sidang Ujian.
(misalkan 5 peserta sidang), maka Program ini harus selalu diubah baris
penggunaan sumber daya penguji akan kodenya sesuai dengan tanggal sidang yang
tidak optimal, dan pelaksanaan sidang akan akan dilaksanakan dan dijalankan dengan
menjadi lebih lama dikarenakan Fox Pro.
mengunggu proses sidang yang dilakukan Setelah semua berkas sudah selesai
oleh dosen penguji yang menguji banyak disiapkan, berkas akan dibawa ke kampus
peserta sidang. A (Kenari) dari kampus D (Depok). Pada
Setelah proses memasukan data saat pelaksanaan sidang berlangsung,
penguji selesai, persiapan sidang Bagian Sidang menunggu nilai dari setiap
selanjutnya adalah pembuatan surat peserta sidang untuk dikumpulkan. Ketika
keputusan sidang. Surat keputusan sidang beberapa nilai sudah dikumpulkan lebih
terdiri dari tiga bagian yaitu panitia sidang, awal, maka nilai akan langsung dimasukkan
penguji sidang, dan peserta sidang. Surat ke dalam sistem yang ada. Pada setiap
keputusan untuk panitia sidang dan penguji memasukan data nilai setiap peserta sidang,
sidang dibuat manual oleh Bagian Sidang akan dicetak form hasil sidang bagi setiap
Ujian dengan menggunakan MsWord. peserta sidang. Pada form tersebut terdapat

30 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


informasi mengenai NPM, nama, penguji yang diperoleh peserta sidang, yaitu lulus,
sidang, nilai sidang dan hasil sidang. Form tidak lulus dan lulus bersyarat. Hasil lulus
tersebut digunakan sebagai bukti hasil bersyarat hanya terdapat pada peserta
sidang bagi peserta sidang. sidang non-skripsi. Bagi mahasiswa yang
Sebelum data hasil sidang hasil sidangnya tidak lulus harus melakukan
dikirimkan ke bagian lain yang pendaftaran di loket Bagian Sidang Ujian,
memerlukan, data tersebut akan diperiksa sedangkan bagi yang hasilnya lulus
ulang apakah ada perbaikan atau tidak. bersyarat harus mengambil amplop form
Setelah data sudah tidak ada yang perlu nilai di loket Bagian Sidang Ujian untuk
diperbaiki, maka data hasil sidang akan diserahkan kepada dosen yang menguji
dikirimkan ke bagian lain yang mata kuliah perbaikan. Pembuatan amplop
membutuhkan, seperti bagian keuangan, form nilai dapat dilakukan dengan
bagian ijazah dan transkrip, dan bagian menggunakan sistem yang sudah ada.
wisuda. Terdapat tiga macam hasil sidang
Analisis dengan PIECES terdapat beberapa aplikasi yang masih semi
Analisis sistem lama akan dilakukan manual, sehingga membutuhkan waktu dan
menggunakan metode PIECES. Terdapat pikiran lebih dalam mengerjakannya;
empat variabel yang dianalisis yaitu aplikasi report data statistik yang kurang
Performance, Information, Economics, praktis, sehingga masih perlu diolah lagi
Control, Efficiency, dan Service. Pada data dalam report tersebut; terdapat dua
variabel Performace, sistem diuji dari sisi berkas yang harus dijadikan satu (kartu
throughput dan response time. sidang dan surat keterangan peserta),
Throughput merupakan jumlah sementara jumlah berkasnya dapat
pekerjaan yang dapat dilakukan oleh sistem mencapai sekitar 350 berkas.
dalam kurun waktu tertentu. Adapun Response Time merupakan waktu
beberapa permasalahan throughput tanggapan yang diberikan sistem dalam
diantaranya: koneksi di jaringan Universitas melakukan satu pekerjaan. Adapun
Gunadarma yang terkadang terputus beberapa permasalahan respon time
sehingga pekerjaan jadi terhambat; terdapat diantaranya: dalam keadaan normal, sistem
satu perangkat komputer yang perlu diganti administrasi pada Bagian Sidang Ujian
dengan yang lebih baik, karena kinerjanya memiliki response time yang baik, tetapi
yang kurang baik dapat menghambat pada sistem yang menggunakan jaringan
pekerjaan yang ada; aplikasi pendaftaran lain, maka response time nya tergantung
sidang yang masih kurang optimal, pada jaringan yang digunakan; secara
sehingga kinerja menjadi kurang optimal; keseluruhan response time pada sistem

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


31
https://doi.org/10.35760/tr.2019.v24i1.1931
yang berjalan sudah bagus, tetapi fitur yang masih bisa terjadi data rangkap (redundan)
diberikan oleh sistem yang ada kurang pada database yang digunakan sehingga
lengkap sehingga walaupun response time dalam penggunaannya perlu ketelitian dan
sistem bagus, namun response time untuk kehati-hatian.
data yang diperlukan masih ada yang Pada variabel Economics akan
kurang bagus seperti cetak statistik peserta. dianalisis mengenai biaya (cost) yang
Pada variabel Information sistem digunakan dan keuntungan (profits).
diuji dari sisi data masukan (input), data Analisis ekonomi dilakukan guna
keluaran (output) dan cara penyimpanan mengukur efektifitas suatu sistem
data (stored data). Beberapa permasalahan berdasarkan nilai ekonominya [5]. Pada
pada output yaitu: format data statistik faktor biaya, penggunaan berkas dari kertas
peserta kurang rapi, sehingga untuk yang masih terlalu banyak mengakibatkan
menyajikan data statistik harus dirapikan kinerja dari staf Bagian Sidang Ujian
dahulu menggunakan MsWord; data menjadi lambat dan dapat menimbulkan
statistik peserta yang disajikan belum dampak lain yang tidak diinginkan seperti
lengkap, data Fakultas Ilmu Komunikasi kondisi kesehatan staf yang menuru.
masih perlu ditambahkan dalam fitur ini; Masalah biaya bukan hanya karena jumlah
format surat keputusan peserta yang kertas saja yang membuat biaya menjadi
dihasilkan oleh sistem masih perlu besar, tetapi juga kondisi kesehatan
diperbaiki lagi, karena belum sesuai format pegawai yang lembur hampir setiap hari
yang digunakan, Bagian Sidang Ujian juga dapat menimbulkan biaya tambahan.
masih harus memperbaiki format tersebut Oleh karena itu, pada faktor keuntungan
menggunakan MsWord, sedangkan untuk mengurangi jumlah penggunaan berkas dari
memperbaikinya dibutuhkan waktu yang kertas (paper less) dapat meningkatkan
lama. kinerja staf Bagian Sidang Ujian,
Permasalahan pada sisi input yaitu mengurangi biaya kertas yang dikeluarkan
format penulisan data pembimbing masih dan mengurangi penggunaan waktu dalam
belum terdapat standar yang digunakan, mengolah berkas dari kertas.
sehingga data pembimbing yang sama dapat Analisis pada variabel Control
dituliskan dalam format yang berbeda-beda. terdapat tiga hal yang perlu diperhatikan.
Permasalahan pada sisi stored data yaiu: Pertama, pengendalian pada sistem
terdapat beberapa data penting yang belum administrasi pendaftaran masih perlu
disimpan ke dalam database, seperti data ditingkatkan. Hal ini dapat dilihat dalam
bebas keuangan, data perpustakaan, dan manipulasi data peserta sidang, belum ada
data petugas yang melakukan input data; konfirmasi terhadap perubahan yang

32 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


dilakukan. Jika terjadi ketidaksengajaan penyajian informasi yang perlu diperbaiki
dalam mengubah data, data akan langsung lagi, seperti informasi data statistik peserta.
berubah tanpa adanya konfirmasi. Kedua, Pada faktor use, penggunaan Fox Pro
pengendalian pada sistem administrasi dinilai masih sedikit menyulitkan beberapa
pengelolaan data sidang masih perlu staffdalam pengoperasian sistem
ditingkatkan. Hal ini dapat dilihat pada administrasi di Bagian Sidang Ujian. Pada
aplikasi yang digunakan belum terdapat faktor flexible, sistem administrasi Bagian
fungsi login, sehingga siapapun dapat Sidang Ujian sudah fleksibel dalam
menggunakan sistem ini. Ketiga, masih menangani beberapa hal yang baru dan di
dapat terjadi data rangkap (redudan). luar dugaan. Sistem Bagian Sidang Ujian
Pada variabel Efficiency dianalisis hanya bisa diakses dari kantor, apabila tiba-
mengenai sumber daya yang digunakan tiba dibutuhkan data yang diakses dari
oleh sistem sudah sesuai dengan apa yang tempat lain maka sistem tersebut belum
didapat atau belum. Sebuah sistem dapat menanganinya. Dalam masalah
dikatakan baik apabila sumber daya yang Compatible, sistem yang digunakan hanya
telah digunakan dalam implementasi sistem dapat digunakan di komputer yang
sudah menjalankan prosesnya secara menggunakan sistem operasi Windows.
optimal. Faktor pertama yang diperhatikan
dalam variabel ini adalah resource waste Hasil Analisis
time. Banyak waktu yang digunakan dalam Berdasarkan analisis yang telah
menyelesaikan berkas-berkas dari kertas dilakukan, beberapa solusi yang disarankan
yang jumlahnya tidak sedikit. Hal ini agar sistem dapat bekerja dengan lebih
seharusnya dapat digantikan dengan adanya baik. Pada masalah performance, masalah
peran dari sistem informasi. Faktor kedua dalam koneksi yang terkadang terputus
yaitu resource waste materials and tidak dapat diatasi sendiri oleh Bagian
suppliers. Berkas dari kertas yang masih Sidang Ujian, tetapi harus mengajukan
terlalu banya digunakan, sedangkan permohonan agar jaringan tetap bagus
penggunaan kertas tersebut dapat diganti ketika bulan sibuk sidang. Komputer yang
dengan menggunakan sistem informasi kurang baik kondisinya, perlu dilakukan
yang berbasis komputer. pengajuan kepada Universitas Gunadarma
Variabel yang terakhir yaitu Service. untuk pengadaan komputer baru yang lebih
Analisis yang dilakukan yaitu mengenai baik. Pada sistem yang telah ada, perlu
pelayanan yang diberikan sistem dilakukan perbaikan-perbaikan pada sistem
administrasi yang sedang berjalan saat ini. agar kinerja dapat menjadi optimal.
Pada faktor result, masih terdapat beberapa Terdapat pekerjaan yang masih dilakukan

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


33
https://doi.org/10.35760/tr.2019.v24i1.1931
semi manual, maka perlu dibuatkan sistem dioptimalkan dengan mengurangi jumlah
baru agar dapat menggantikan pekerjaan penggunaan kertas yang terlalu banyak.
yang masih semi manual. Penyajian report Pada masalah control, perlu adanya
yang masih kurang tepat, perlu dilakukan perbaikan sistem dalam hal konfirmasi
perbaikan pada aplikasi laporan data dalam manipulasi data, menu login dalam
statistik agar mempercepat kinerja pada sistem juga perlu dibuat, dan perbaikan
Bagian Sidang Ujian. Pengurangan berkas basis data agar tidak terjadi data redundan
dari kertas harus dilakukan dengan juga perlu dilakukan. Pada masalah
menggantikannya dengan sistem informasi. efficiency, baik faktor waktu maupun materi
Pada masalah information, penyajian yang digunakan, keduanya dipengaruhi oleh
data statistik dari sistem yang masih kurang penggunaan kertas yang masih terlalu
rapi dan lengkap harus segera diperbaiki. banyak. Penggunaan kertas yang masih
Menu dalam pembuatan surat keputusan banyak tersebut memang selayaknya
juga perlu diperbaiki agar tidak perlu digantikan dengan sebuah sistem yang baru.
perbaikan dua kali. Standarisasi data nama Pada masalah service, perlu adanya
pembimbing juga perlu dilakukan agar perbaikan pada tampilan sistem yang masih
tidak terdapat kerancuan dalam pengolahan kurang informatif. Penggunaan software
data. Data-data penting yang seharusnya Fox Pro juga menyulitkan beberapa staf
disimpan sebaiknya dibuatkan menu untuk yang tidak bisa mengoperasikan, maka
penyimpanan data tersebut, seperti data harus digantikan dengan sistem yang lebih
bebas keuangan. Struktur basis data yang user friendly. Jika sistem yang digunakan
digunakan perlu diperbaiki karena masalah dapat diakses dari berbagai platform maka
kerangkapan data masih bisa terjadi dengan perlu dikembangkan sistem berbasis web
struktur basis data yang sekarang sehingga dapat diakses dari berbagai
digunakan. platform.
Pada masalah economics, baik pada
faktor biaya maupun keuntungan dapat
Rekomendasi Sistem Baru lama terlalu sulit dilakukan akan lebih baik
Berdasarkan permasalahan yang ada jika melakukan pengembangan sistem baru
pada sistem administrasi Bagian Sidang dengan melakukan perancangan dari awal.
Ujian, penanganan yang perlu dilakukan Sistem yang dikembangkan sebaiknya
adalah perbaikan-perbaikan pada sistem berbasis web agar dapat diakses dari mana
tersebut dan penambahan beberapa fungsi saja dan kapan saja.
untuk kontrol dan keamanan pada sistem. Dalam pembuatan sistem baru
Apabila dalam proses pembenahan sistem tersebut, penambahan fitur-fitur yang

34 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


diusulkan oleh penelitian ini sebagai digunakan oleh Bagian Sidang Ujian,
berikut: Universitas Gunadarma perlu dibenahi dan
1. Sistem menggunakan data master diperbaiki agar proses administrasi pada
pembimbing yang sudah distandarisasi, Bagian Sidang Ujian, Universitas
2. Sistem dapat mengelompokkan penguji Gunadarma menjadi lebih efektif dan
dilakukan secara otomatis oleh sistem efisien. Pembenahan dan perbaikan yang
dengan menggunakan algoritma sebaiknya dilakukan adalah dengan
clustering, mengembangakan sistem administrasi
3. Sistem dapat menggantikan peran surat berbasis web.
keterangan peserta, sehingga Penambahan fitur-fitur yang
penggunaan kertas dapat dikurangi, diusulkan oleh penelitian ini yaitu sistem
4. Sistem dapat menampilkan informasi menggunakan data master pembimbing
ruangan dan kelompok penguji, yang sudah distandarisasi; sistem dapat
sehingga dosen penguji dapat melihat mengelompokkan penguji dilakukan secara
secara langsung, otomatis oleh sistem dengan menggunakan
5. Sistem menyediakan fitur untuk algoritma clustering; sistem dapat
mencetak surat jadwal sidang secara menggantikan peran surat keterangan
mandiri bagi mahasiswa, peserta, sehingga penggunaan kertas dapat
6. Sistem dapat diakses dari smartphone dikurangi; sistem dapat menampilkan
dengan tampilan yang sesuai informasi ruangan dan kelompok penguji,
(compatible), sehingga dosen penguji dapat melihat
7. Sistem dapat membatasi kuota peserta secara langsung; sistem menyediakan fitur
sidang dari setiap jurusan, sehingga untuk mencetak surat jadwal sidang secara
perhitungan manual dapat tergantikan, mandiri bagi mahasiswa; sistem dapat
8. Sistem dapat memberikan informasi diakses dari smartphone dengan tampilan
terbaru mengenai pelaksanaan sidang yang sesuai (compatible); sistem dapat
bagi mahasiswa yang bersangkutan. membatasi kuota peserta sidang dari setiap
jurusan, sehingga perhitungan manual dapat
KESIMPULAN DAN SARAN tergantikan; sistem dapat memberikan
informasi terbaru mengenai pelaksanaan
Analisis kebutuhan sistem sidang bagi mahasiswa yang bersangkutan.
administrasi Bagian Sidang Ujian, Hasil penelitian tentang analisis
Universitas Gunadarma dengan metode kebutuhan sistem administrasi Bagian
PIECES telah berhasil dikembangkan. Sidang Ujian Universitas Gunadarma
Sistem administrasi yang sekarang dengan metode PIECES masih dapat

Sidiq, Kurniawati. Analisis Kebutuhan Sistem Administrasi…


35
https://doi.org/10.35760/tr.2019.v24i1.1931
dikembangkan. Pengembangan yang dapat [5] R. Hardi, dan Hardianto,
dilakukan diantaranya yaitu dalam “Pengembangan Sistem Informasi
melakukan analisis sistem tidak cukup Perpustakaan Menggunakan Kerangka
dengan satu metode, beberapa metode dapat PIECES (Studi Kasus perpustakaan
digunakan sehingga dapat membandingkan STITEK Bontang)”, Jurnal Ilmiah
hasil analisis yang ada. Perancangan sistem Teknologi Informasi Terapan, vol. 1,
dapat dibuat berdasarkan hasil analisis no. 3, hal. 15 – 21, 2015.
sistem, sehingga mempermudah dalam [6] R. S. Dewi, R. R. Marchada, dan A.
mengetahui gambaran sistem baru yang Rifai, “Analisa PIECES Penerapan
diusulkan. Faktor keamanan sistem juga Digital Monitoring Informasi
harus dianalisis secara mendalam sehingga Penyewaan Ruko Pasar 8 pada PT.
sistem yang dihasilkan dapat terpercaya. Alam Sutera Realty, Tbk.”, SENTIKA,
hal. 644 – 648, 2016.
DAFTAR PUSTAKA [7] E. Susena, E. Utami, dan A. Sunyoto,
[1] L. N. Zulita dan I. Kanedi, “Sistem “Perencanaan Strategis Sistem
Administrasi Pelayanan pada Dinas Informasi Smart Campus untuk
Kependudukan dan Pencatatan Sipil Meningkatkan Pelayanan di Politeknik
Kota Bengkulu”, Jurnal Media Indonusa Surakarta”, Jurnal Sainstech
Infotama, vol. 7, no. 2, 2011. Politeknik Indonusa Surakarta, vol. 1,
[2] H. Antonio dan N. Safriadi, “Rancang no. 3, hal. 1 – 17, 2015.
Bangun Sistem Informasi Administrasi [8] R. Tullah dan M.I. Hanafri, “Evaluasi
Informatika (SI-ADIF)”, Jurnal Penerapan Sistem Informasi Pada
ELKHA, vol. 4, no.2, hal. 12 – 15, Politeknik LP3I Jakarta Dengan
2012. Metode Pieces”, Jurnal SISFOTEK
[3] Y. Utama, “Sistem Informasi Berbasis Global, vol. 4, no. 1, hal. 22 – 28,
Web Jurusan Sistem Informasi 2014.
Fakultas Ilmu Komputer Universitas
Sriwijaya”, Jurnal Sistem Informasi
(JSI), vol. 3, no. 2, 2011.
[4] U. Nugraha, “Analisis Sistem
Informasi Pelayanan Desa XYZ
Menggunakan Kerangka Kerja
PIECES”, Jurnal Nasional JMII, vol.
2, no. 1, hal. 40 – 48, 2017.

36 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


SISTEM PENUNJANG KEPUTUSAN DALAM PENERIMAAN
BEASISWA PPA MENGGUNAKAN METODE ANALYTIC
HIERARCHY PROCESS (AHP)
(STUDI KASUS: UNIVERSITAS GUNADARMA)
Tiya Noviyanti
Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat

tiya_noviyanti@staff.gunadarma.ac.id

Abstrak

Universitas Gunadarma merupakan lembaga perguruan tinggi yang memiliki


mahasiswa dalam jumlah besar yang tersebar di berbagai fakultas. Beberapa mahasiswa
berhak mendapatkan beasiswa PPA. Semakin banyaknya minat mahasiswa untuk
mendaftar beasiswa, maka tim seleksi sulit untuk melakukan seleksi terhadap calon
penerima beasiswa. Saat ini seleksi dilakukan secara manual. Oleh karena itu, sistem
pendukung keputusan dibutuhkan untuk memberikan pertimbangan kepada pihak pengelola
dalam menyeleksi calon penerima beasiswa PPA. Analisis data menerapkan metode
Analytical Hierarchical Process (AHP). Penelitian ini menerapkan lima kriteria untuk
mendapatkan beasiswa PPA diantaranya yaitu Indeks Prestasi Kumulatif (IPK),
penghasilan orang tua, tanggungan orang tua, semester dan prestasi ko/ekstra kurikuler.
Berdasarkan skala prioritas, rangking dari 5 lima kriteria yang digunakan pada penelitian
ini secara berurutan yaitu IPK, penghasilan orang tua, tanggungan orang tua, semester,
dan prestasi ekstra/ko kurikuler. Penentuan pengambilan keputusan dengan menggunakan
metode AHP dalam penerimaan beasiswa PPA pada Universitas Gunadarma ini tepat
untuk digunakan dalam proses penyeleksian calom penerima beasiswa.

Kata Kunci: Analytic Hierarchy Process (AHP), Beasiswa PPA, Sistem Pendukung Keputusan

Abstract

Gunadarma University is a tertiary institution that has a large number of students


spread across various faculties. Some students are entitled to get PPA scholarships. The
more students' interest in applying for a scholarship, the more difficult for selection team to
make a selection of prospective scholarship recipients. Currently the selection is done
manually. Therefore, a decision support system is needed to give consideration to the
manager in selecting PPA scholarship recipients. Data analysis applies the Analytical
Hierarchical Process (AHP) method. This study applies five criteria for obtaining PPA
scholarships including the Cumulative Achievement Index (GPA), parents’ income, parents’
dependents, semester level and extra curricular achievements. Based on priority scale, the
ranking of the 5 five criteria used in this study in sequence are GPA, parents’ income,
parents dependents, semester level, and extra/co-curricular achievements. Determination
of decision making using the AHP method in receiving PPA scholarships at Gunadarma
University is appropriate to use in the selection process for scholarship recipients.

Keywords: Analytic Hierarchy Process (AHP), Decision Support Systems, PPA Scholarship

Noviyanti. Sistem Penunjang Keputusan… 37


https://doi.org/10.35760/tr.2019.v24i1.1932
PENDAHULUAN berdasarkan pertimbangan utama prestasi
atau sering disebut juga dengan beasiswa
Setiap warga negara berhak Peningkatan Prestasi Akademik (PPA).
mendapatkan pengajaran. Hak setiap warga Ada beasiswa yang berasal dari lembaga
negara telah dicantumkan dalam Pasal 31 (1) milik nasional maupun swasta. Untuk
Undang-Undang Dasar 1945. Berdasarkan mendapatkan beasiswa maka harus sesuai
pasal tersebut, maka pemerintah dan dengan aturan-aturan yang telah ditetapkan.
pemerintah daerah wajib memberikan Oleh sebab itu tidak semua yang
layanan dan kemudahan, serta menjamin mendaftarkan diri sebagai calon penerima
terselenggaranya pendidikan yang bermutu beasiswa akan diterima, hanya yang
bagi setiap warga negara tanpa diskriminasi. memenuhi kriteria-kriteria yang akan
Masyarakat berkewajiban memberikan memperoleh beasiswa [1].
dukungan sumber daya dalam Beasiswa PPA adalah dukungan
penyelenggaraan pendidikan. biaya pendidikan yang diberikan kepada
Dalam rangka meningkatkan akses mahasiswa untuk mengikuti dan
dan pemerataan kesempatan belajar di menyelesaikan pendidikan tinggi
perguruan tinggi, mengurangi jumlah berdasarkan pertimbangan utama prestasi
mahasiswa yang putus kuliah dikarenakan atau potensi. Banyaknya minat mahasiswa
kurang mampu dalam membiayai Universitas Gunadarma untuk mendaftar
pendidikan, serta meningkatkan prestasi beasiswa, maka semakin menyulitkan tim
serta motivasi mahasiswa, maka seleksi penerima beasiswa untuk
pemerintah melalui Direktorat Jenderal melakukan seleksi calon penerima
Pendidikan Tinggi Kementerian beasiswa terbaik. Saat ini seleksi dilakukan
Pendidikan dan Kebudayaan menyediakan secara konvensional, artinya peserta
beasiswa dan bantuan biaya Pendidikan. diseleksi berdasarkan berkas yang masuk
Bantuan biaya pendidikan dan beasiswa dan dihitung poin kriteria. Berbagai segi
dilaksanakan sesuai dengan prinsip 3T, harus diperhitungkan untuk melakukan
yaitu tepat sasaran, tepat jumlah, dan tepat seleksi peserta dan meminimalisir tingkat
waktu. Perguruan Tinggi Swasta (PTS) kesalahan tim seleksi dalam menentukan
yang memperoleh beasiswa adalah PTS peserta yang dianggap layak untuk
aktif, taat asas dan akreditasi. menerima beasiswa. Oleh karena itu
Beasiswa adalah dukungan biaya diperlukan sistem yang dapat memberi
pendidikan yang diberikan kepada rekomendasi dengan menggunakan metode
mahasiswa untuk mengikuti atau yang tepat. Sistem pendukung keputusan
menyelesaikan pendidikan tinggi

38 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


digunakan untuk membantu dalam yang digunakan yaitu IPK, prestasi
penyelesaian masalah tersebut. mahasiswa, penghasilan orang tua dan
Sistem Pendukung Keputusan (SPK) semester seperti yang telah ditentukan oleh
merupakan sistem yang dapat memberikan Direktorat Jenderal Pendidikan Tinggi
pemecahan masalah, melakukan Kementerian Pendidikan Nasional.
komunikasi untuk pemecahan masalah Arninputranto menerapkan Sistem
tertentu dengan terstruktur maupun tidak Pendukung Keputusan pemilihan calon
terstruktur. SPK didesain untuk dapat penerima beasiswa dengan algoritma fuzzy
digunakan dan dioperasikan dengan mudah menggunakan metode SAW (Simple
oleh orang yang hanya memiliki Additive Weighted) [5]. Penelitian lain
kemampuan dasar pengoperasian komputer. terkait SPK yaitu SPK pembelian rumah Di
SPK dibuat dengan menerapkan adaptasi kota Tangerang, dengan urutan prioritas
kompetensi yang tinggi sehingga dapat adalah lokasi, harga, spesifikasi bangunan,
dijadikan sebagai alternatif dalam kredibilitas developer dan cara pembayaran.
pengambilan sebuah keputusan [2]. Data pada penelitian tersebut diperoleh dari
Dalam membangun sistem hasil kuisioner [6]. Umar, Fadlil, dan
pendukung keputusan dapat menggunakan Yuminah melakukan penelitian mengenai
berbagai metode. Berbagai metode telah SPK dengan metode AHP untuk penilaian
diterapkan pada sistem pendukung kompetensi soft skill karyawan [7].
keputusan untuk menghasilkan alternatif Penelitian yang dilakukan oleh Saputra
yang sesuai dengan kriteria-kriteria yang yaitu SPK penerimaan beasiswa PPA dan
telah ditetapkan oleh suatu organisasi atau BBM pada PTS provinsi Sumbar, Riau,
perusahaan. Pada penelitian yang dilakukan Jambi dan Kepri di Kopertis Wilayah X
oleh Ibrahim menggunakan algoritma fuzzy Padang menggunakan metode AHP [8].
dengan metode TOPSIS untuk SPK Destari dan Simpony membahas mengenai
pengajuan dan penerimaan mahasiswa di SPK untuk menentukan wedding organizer
Universitas PGRI Madiun (UNIPMA) [3]. menggunakan metode AHP [9]. Prasetyo,
Kriteria yang digunakan pada penelitian Indriati, dan Sucipto melakukan penelitian
tersebut yaitu IPK, pekerjaan orang tua gaji mengenai SPK pemilihan bibit padi unggul
atau penghasilan orang tua, kegiatan yang menggunakan metode Simple Additive
diikuti (orgamawa), tanggungan orang tua, Weight (SAW) [10].
serta kepengurusan. Penelitian serupa yang Pada penelitian ini, metode AHP
dilakukan oleh Budisaputro menggunakan sangat cocok digunakan untuk proses
metode AHP dalam proses pengambilan pengambilan keputusan penerimaan
keputusan penerima beasiswa [4]. Kriteria beasiswa dengan studi kasus di Universitas

Noviyanti. Sistem Penunjang Keputusan… 39


https://doi.org/10.35760/tr.2019.v24i1.1932
Gunadarma. Hal tersebut dikarenakan Tahapan pada penelitian ini adalah
metode AHP memperlihatkan hasil menentukan masalah, pemilihan kriteria,
perbandingan pembobotan antar kriteria komputasi AHP, dan perancangan tampilan
dan alternatif. aplikasi (user interface) agar dapat
diterapkan untuk pembuatan sistem
METODE PENELITIAN pendukung keputusan penerimaan beasiswa
PPA seperti terlihat pada Gambar 1.

Gambar 1. Tahapan Penelitian

Identifikasi Masalah dan Pemilihan penerimaan beasiswa PPA yaitu Indeks


Kriteria Prestasi Kumulatif (IPK), penghasilan
Tujuan penelitian ini yaitu seleksi orang tua, tanggungan orang tua, semester
penerima beasiswa PPA seperti terlihat dan prestasi ko/ekstra kurikuler. Alternatif
pada struktur hirarki yang ditunjukkan oleh merupakan para calon penerima yang
Gambar 2. Unsur-unsur yang mendaftar beasiswa PPA terdiri dari Calon
dipertimbangkan dalam penentuan kriteria Penerima 1, Calon Penerima 2, Calon
penerimaan beasiswa PPA berdasarkan Penerima 3, Calon Penerima 4, Calon
bagian dari prasyarat umum yang telah Penerima 5.
ditentukan oleh pemerintah. Kriteria

40 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 2. Struktur Hirarki

Metode AHP kriteria.


Beberapa langkah dengan metode 3. Membuat matriks perbandingan
AHP sebagai berikut: berpasangan, yaitu matriks berukuran
1. Tahap Identifikasi yaitu menentukan n × m dengan elemen aij merupakan
tujuan (goal), menentukan kriteria dan relatif tujuan ke-i terhadap tujuan ke-j.
menentukan alternatif. 4. Menggunakan skala perbandingan 1 –
2. Menentukan prioritas yang utama pada 9 yang dapat dilihat pada Tabel 1.

Tabel 1. Skala Perbandingan 1 – 9


Bobot /
Pengertian Penjelasan
Tingkat signifikan
Dua faktor memiliki pengaruh yang
1 Sama penting
sama terhadap sasaran
Salah satu faktor sedikit lebih
3 Sedikit lebih penting berpengaruh dibanding faktor
lainnya.
Salah satu faktor lebih berpengaruh
5 Lebih penting
dibanding faktor lainnya
Salah satu faktor sangat lebih
7 Sangat lebih penting berpengaruh dibanding faktor
lainnya
Salah satu faktor jauh lebih
9 Jauh lebih penting berpengaruh dibanding faktor
lainnya
2, 4, 6, 8 Antara nilai yang di atas Di antara kondisi di atas
Nilai kebalikan dari kondisi di atas
Kebalikan untuk pasangan dua faktor yang
sama

5. Melakukan proses perankingan perbandingan berpasangan maka


prioritas setiap kriteria berdasarkan vektor bobot (A)(W ) = (n)(WT)
T

matriks perbandingan. diperoleh dengan cara sebagai berikut:


6. Apabila matriks A merupakan a) Menormalkan setiap kolom j dalam

Noviyanti. Sistem Penunjang Keputusan… 41


https://doi.org/10.35760/tr.2019.v24i1.1932
matriks dengan menggunakan rumus pada Persamaan (1).
𝐴′ = ∑𝑖 𝑎𝑖𝑗 = 1 (1)
b) Untuk setiap baris i pada matriks A’ menggunakan rumus pada
dihitung nilai rata-rata Persamaan (2)
1
𝑤 = ∑𝑖 𝑎′𝑖𝑗 (2)
𝑛

wi adalah bobot tujuan ke-i dari vektor bobot.


7. Uji konsistensi dengan menghitung nilai eigen seperi pada Persamaan (3).
1 elemen ke−𝑖 pada (𝐴)(𝑊 𝑇 )
𝜆𝑚𝑎𝑥 = ∑𝑛𝑖=1 [ ] (3)
𝑛 elemen ke−𝑖 pada 𝑊 𝑇

8. Indeks Konsistensi (CI) dihitung menggunakan rumus pada Persamaan (4).


𝜆𝑚𝑎𝑥 −𝑛
𝐶𝐼 = 𝑛−1
(4)

𝜆𝑚𝑎𝑥 merupakan nilai eigen maksimum dan n adalah ukuran matriks.

Perbandingan antara CI dan RI untuk konsistensi seperti pada Persamaan (5).


suatu matriks didefinisikan sebagai rasio
CI
𝐶𝑅 = (5)
𝑅𝐼

Tabel 2. Nilai Indeks Random (RI)


n 1 2 3 4 5 6 7 8 9 10
RI 0 0 5,8 0,9 1,12 1,24 1,32 1,41 1,45 1,49

Nilai indeks random (RI) dapat 1. Mengalikan nilai prioritas intensitas


dilihat pada Tabel 2. Setelah nilai dan prioritas kriteria yang
konsistensi rasio diperoleh, maka diperiksa bersesuaian untuk mendapatkan
apakah masih memenuhi rasio konsistensi prioritas global.
yang diperbolehkan yaitu sama dengan atau 2. Hasil perkalian tersebut dibagi
kurang dari 0,1. Jika melebihi batas maka dengan prioritas terbesar yang
perbandingan antar elemen tidak konsisten bersesuaian.
dan perbandingan antar elemen dapat
diulang. Intensitas-intensitas tiap kriteria
dilakukan langkah-langkah yang sama HASIL DAN PEMBAHASAN
untuk menghitung prioritas dan konsistensi
rasio. Setelah diperoleh nilai prioritas dan Pembobotan Kriteria
konsistensi rasio yang diperbolehkan maka Pada Tabel 3 adalah matriks
dilakukan langkah-langkah sebagai berikut: perbandingan berpasangan berukuran n × n
menggunakan skala perbandingan Saaty.

42 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Tabel 3. Matriks Perbandingan Berpasangan Antar Kriteria
Penghasilan Tanggungan Prestasi Ko/Ekstra
IPK Semester Jumlah
Orang Tua Orang Tua Kurikuler
IPK 1.00 3.00 2.00 4.00 6.00 16.00
Penghasilan
0.33 1.00 2.00 3.00 5.00 11.33
Orang Tua
Tanggungan
0.50 0.50 1.00 3.00 4.00 27.33
Orang Tua
Semester 0.25 0.33 0.33 1.00 7.00 8.92
Prestasi
Ko/Ekstra 0.17 0.20 0.25 0.14 1.00 1.76
Kurikuler
Jumlah 2.25 5.03 5.58 11.14 23.00 65.34

Selanjutnya dilakukan normalisasi jumlah masing-masing kolom kriteria. Hasil


matriks antar kriteria pada Tabel 3. perhitungan normalisasi dapat dilihat pada
Normalisasi dilakukan dengan cara Tabel 4.
membagi setiap entry pada Tabel 3 dengan

Tabel 4. Hasil Normalisasi Matriks Antar Kriteria


Penghasilan Tanggungan Prestasi Ko/Ekstra Vektor
IPK Semester
Orang Tua Orang Tua Kurikuler Bobot
IPK 0.44 0.60 0.36 0.36 0.26 0.404
Penghasilan
0.15 0.20 0.36 0.27 0.22 0.238
Orang Tua
Tanggungan
0.22 0.10 0.18 0.27 0.17 0.189
Orang Tua
Semester 0.11 0.07 0.06 0.09 0.30 0.126
Prestasi
Ko/Ekstra 0.07 0.04 0.04 0.01 0.04 0.043
Kurikuler
Jumlah 1.00 1.00 1.00 1.00 1.00 1.00

Vektor bobot (VB) untuk masing- Perhitungan rasio konsistensi


masing kriteria dapat dilihat pada Tabel 4. membutuhkan nilai eigen maksimum (λmax)
Berdasarkan Tabel 4, vektor bobot untuk dan Indeks Konsistensi (CI). Perhitungan
IPK yaitu 0,404, vektor bobot untuk nilai eigen maksimum (λmax), Indeks
penghasilan orang tua yaitu 0,238, vektor Konsistensi (CI), dan rasio konsistensi
bobot untuk tanggungan orang tua yaitu sebagai berikut:
0,189, vektor bobot untuk semester yaitu 1. Setelah melakukan normalisasi maka
0,126, dan vektor bobot untuk prestasi tahap selanjutnya adalah menentukan
ekstra/ko kurikuler yaitu 0,043. bobot prioritas pada setiap kriteria ke-i.
Hasil perhitungan nilai eigen dapat
Uji Konsistensi dilihat pada Tabel 5.

Noviyanti. Sistem Penunjang Keputusan… 43


https://doi.org/10.35760/tr.2019.v24i1.1932
Tabel 5. Nilai Eigen
Kriteria Nilai Eigen
IPK 2.259
Penghasilan Orang Tua 1.344
Tanggungan Orang Tua 1.060
Semester 0.046
Prestasi Ko/Ekstra Kurikuler 0.223

Nilai eigen maksimum dihitung dapat dilanjutkan ke perhitungan


menggunakan Persamaan (3) sehingga selanjutnya.
diperoleh λmax = 4,428.
2. Indeks Konsistensi (CI) dihitung Skor pada Kriteria
menggunakan Persamaan (4) sehingga Setiap alternatif (calon penerima
diperoleh CI = -0.130. beasiswa) memiliki nilai dan kondisi yang
3. Rasio Konsistensi (CR) dihitung berbeda untuk setiap kriteria. Parameter
menggunakan Persamaan (5). Nilai RI konversi nilai kriteria pendaftar beasiswa
untuk n = 5 adalah 1,12 sehingga nilai diperlukan untuk mendapatkan
CR = -0,11. Nilai CR ≤ 0,1 maka perbandingan skor penilaian antar pilihan
penilaian konsisten dan pengolahan data dalam kriteria tertentu, seperti terlihat pada
Tabel 6.

Tabel 6. Parameter Kriteria


Sangat Cukup Kurang Baik
Kriteria Baik (3)
Baik (4) (2) (1)
Indeks Prestasi Kumulatif >3,5 3,4 – 3,5 3,2 – 3,3 3,1 – 3,0
Penghasilan Orang Tua < 1jt 1jt – 1,5jt 1,6jt – 2jt > 2jt
Tanggungan Orang Tua > 5 org 4 org 3 org 1 – 2 org
Semester 2 3–4 4–6 7–8
Prestasi Ko/Ekstra Kurikuler > =3 2 1 0

User Interface interface form isian bobot kriteria


User interface form login SPK dapat dilihat pada Gambar 4. Gambar 5
dalam penerimaan beasiswa PPA dapat menunjukkan user interface form isian
dilihat pada Gambar 2. Gambar 3 parameter. User interface hasil
menunjukkan user interface halaman perangkingan dapat dilihat pada
data calon penerima beasiswa. User Gambar 6.

44 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 2. Form Login

Gambar 3. Halaman Data Calon Penerima Beasiswa

Gambar 4. Form Isian Bobot Kriteria

Noviyanti. Sistem Penunjang Keputusan… 45


https://doi.org/10.35760/tr.2019.v24i1.1932
Gambar 5. Form Isian Parameter

Gambar 6. Hasil Perangkingan

KESIMPULAN DAN SARAN skala prioritas yang diperoleh untuk


masing-masing kriteria, IPK berada
Dalam proses pengambilan pada ranking pertama dengan nilai
keputusan penerimaan beasiswa PPA 0.404, kedua adalah penghasilan orang
mengacu pada pedoman umum tua dengan nilai 0.238, pada ranking
beasiswa peningkatan prestasi ketiga adalah tanggungan orang tua
akademik tahun 2018 yang dengan nilai 0.189, semester berada
menggunakan 5 kriteria yaitu Indeks pada ranking keempat 0.126 dan urutan
Prestasi Kumulatif (IPK), penghasilan terakhir kriteria prestasi ekstra/ko
orang tua, tanggungan orang tua, kurikuler dengan nilai 0.043.
semester dan prestasi ko/ekstra Penentuan pengambilan
kurikuler. Sasaran dalam penelitian ini keputusan dengan menggunakan
adalah membantu dalam melakukan metode AHP dalam penerimaan
seleksi penerima beasiswa PPA di beasiswa PPA pada Universitas
Universitas Gunadarma. Berdasarkan Gunadarma ini tepat untuk digunakan

46 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


dalam proses penyeleksian calom [5] W. Arninputranto, “Sistem Pendukung
penerima beasiswa. SPK penerimaan Keputusan Pemilihan Calon Penerima
beasiswa PPA pada Universitas Beasiswa Dengan Fuzzy Metode
Gunadarma ini diharapkan dapat Simple Additive Weighted,” Jurnal
memberikan pilihan-pilihan keputusan ELTEK, vol. 13, no. 01, hal. 37 – 48,
yang diambil dalam seleksi calon 2015.
penerima beasiswa. [6] P. K. Putri dan I. Mahendra,
“Implementasi Metode Analytical
DAFTAR PUSTAKA Hierarchy Process (AHP) Dalam
[1] A. Putra dan D. Hardiyanti, Sistem Pendukung Keputusan
“Penentuan Penerima Beasiswa Pembelian Rumah di Kota Tangerang,”
Dengan Menggunakan Fuzzy Multiple Jurnal TEKNOINFO, vol. 13, no. 1,
Atribute Decission Making,” Jurnal 2019.
Sistem Informasi (JSI), vol. 3, no. 1, [7] R. Umar, A. Fadlil, dan Yuminah,
2011. “Sistem Pendukung Keputusan dengan
[2] A. A. Chamid dan B. Surarso, Metode AHP untuk Penilaian
“Implementasi Metode AHP dan Kompetensi Soft Skill Karyawan,”
Promethee untuk Pemilihan Supplier,” Jurnal Ilmu Komputer dan Informatika,
Jurnal Sistem Informasi Bisnis, vol. 2, vol. 4, no. 1, 2018.
2015. [8] H. Saputra, “Sistem Pendukung
[3] M. Ibrahim, “Sistem Pendukung Keputusan Penerimaan Beasiswa PPA
Keputusan Pengajuan dan Penilaian dan BBM Pada Perguruan Tinggi
Beasiswa Berbasis Website Swasta Provinsi Sumbar, Riau, Jambi
Menggunakan Metode TOPSIS,” dan Kepri Di Kopertis Wilayah X
Journal of Computer and Information Padang Menggunakan Metode AHP
Technology, vol. 2, no. 1, hal. 22 – 28, (Analytical Hierarchy Process),”
2018. TEKNOSI, vol. 02, no. 03, 2016.
[4] C. Budisaputro, “Analisa Perancangan [9] S. Destari dan B. K. Simpony, “Sistem
Sistem Pendukung Keputusan Pendukung Keputusan Untuk
Penentuan Penerima Beasiswa Dengan Menentukan Wedding Organizer
Metode Analytical Hierarchy Process Menggunakan Metode AHP,” IJCIT
(Studi Kasus: STIKES Bhakti Husada (Indonesian Journal on Computer and
Mulia),” Journal of Computer and Information Technology), vol. 3, no. 2,
Information Technology, vol. 1, no. 2, 2018.
hal. 52 – 56, 2018.

Noviyanti. Sistem Penunjang Keputusan… 47


https://doi.org/10.35760/tr.2019.v24i1.1932
[10] Y. A. Prasetyo, R. Indriati, dan Sucipto,
“Sistem Pendukung Keputusan
Pemilihan Bibit Padi Unggul
Menggunakan Metode Simple Additive
Weight (SAW),” Simki-Techsain, vol.
02, no. 06, 2018.

48 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


PENGENALAN PEMICU PEMANASAN GLOBAL MENGGUNAKAN
TEKNOLOGI AUGMENTED REALITY BERBASIS DESKTOP

Arini Partiwi
Fakultas Teknologi Industi Universitas Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat

arinip@staff.gunadarma.ac.id

Abstrak

Kemajuan teknologi semakin meningkat seiring dengan perkembangan zaman. Bermacam


teknologi telah diciptakan untuk berbagai keperluan dan pada berbagai bidang ilmu, terutama di dalam
bidang informasi, edukasi dan komunikasi. Kemajuan teknologi dapat digunakan sebagai sarana
edukasi serta adanya perkembangan informasi dan komunikasi dapat membantu manusia dalam
melakukan pekerjaannya. Salah satu teknologi yang berkembang saat ini adalah Augmented Reality
(AR) yaitu suatu teknologi yang menggabungkan benda maya dua dimensi ataupun tiga dimensi ke
dalam sebuah lingkungan nyata, lalu memproyeksikan benda-benda maya tersebut secara real time.
Salah satu implementasi dari AR ini dibangun dengan memasukan teknologi Augmented Reality ke
dalam kartu sebagai media interaktif pengenalan pemicu pemanasan global. Pengenalan pemicu
pemanasan global yang dibangun dengan teknologi AR diharapkan dapat membantu dalam
menampilkan serta menyampaikan informasi yang dapat menarik minat masyarakat untuk lebih
mengetahui tentang pemicu terjadinya pemanasan global. Pembuatan aplikasi AR menggunakan metode
SDLC (System Development Life Cycle), model rancangan pengembangan yang digunakan adalah
Unified Modelling Languange (UML) dan pembuatan AR menggunakan software library ARToolkit.
Faktor pemicu pemanasan gobal yang terdiri dari AC, asap mobil, asap pabrik dan penebangan pohon
masing-masing telah berhasil disajikan dalam objek 3D.

Kata Kunci: ARToolkit, Augmented Reality, Pemicu Pemanasan Global, SDLC, UML

Abstract

Technological advancements are increasing along with the times. Various technologies have
been created for various purposes and in various fields of science especially in the fields of Information,
Education and Communication. Technological advancements can be used as a means of education and
the development of information and communication to help people in their work. One of the technology
developments today is Augmented Reality (AR), a technology that combines two-dimensional or three-
dimensional virtual objects into a real environment, then projects these virtual objects in real time. One
of the implementations of this AR was built by incorporating Augmented Reality technology into the card
as an interactive medium to introduce triggers for global warming. It is hoped that the introduction of
global warming triggers built with AR technology can help displaying and conveying information that
can attract the public's interest to know more about the triggers of global warming. SDLC (System
Development Life Cycle) method is used for the making of AR apllications, while the development design
model used is an Unified Modeling Language (UML) and ARToolkit software library is used to built AR.
The triggering factors of global warming consist of air conditioners, car fumes, factory fumes and tree
felling have all been successfully presented in 3D objects.

Keywords: Augmented Reality, ARToolkit, SDLC, Triggers of Global Warming, UML

Partiwi. Pengenalan Pemicu Pemanasan Global… 49

https://doi.org/10.35760/tr.2019.v24i1.1933
PENDAHULUAN knalpot mobil dan motor, AC, kulkas, dan lain-
lain. Namun, pemicu atau penyumbang gas
Pertumbuhan penduduk dunia terus efek rumah kaca yang dominan adalah kegiatan
meningkat dari 6,1 miliar pada tahun 2000 industri [3].
menjadi 6,7 miliar pada tahun 2008 dan tahun Rifa’i dalam penelitiannya membahas
2011 menjadi tujuh miliar. Hal tersebut tentang media promosi atau media
menyadari bahwa kondisi ekologi bumi akan penyampaian informasi menggunakan gambar
semakin rawan dari kerusakan sumber daya atau objek 2D dicetak dalam brosur-brosur [4].
alam (SDA) dan lingkunganya [1]. Kerusakan Salah satu media penyampaian informasi selain
SDA dan lingkungan tersebut dapat memicu brosur yaitu poster. Poster merupakan salah
terjadinya pemanasan global (global warming) satu pendekatan yang dapat dilakukan untuk
yang menyebabkan meningkatnya temperatur memberitahu masyarakat mengenai pemanasan
rata-rata bumi sebagai akibat dari akumulasi global. Poster berupa gambar selembar kertas
panas di atmosfer disebabkan oleh efek rumah berukuran besar dan digantung atau
kaca. ditempelkan pada suatu dinding. Pendekatan
Global warming merupakan fenomena melalui media poster kurang efektif karena
peningkatan temperatur global karena informasi yang disajikan berupa suatu gambar
terjadinya efek rumah kaca (greenhouse effect) dan tulisan sehingga kurang menarik
yang disebabkan oleh meningkatnya emisi gas- masyarakat untuk membaca dan melihat.
gas seperti karbondioksida (CO2), metana Salah satu metode pembelajaran
(CH4), dinitrooksida (N2O) dan CFC sehingga interaktif yaitu Augmented Reality (AR). AR
energi matahari terperangkap dalam atmosfer dapat digunakan sebagai alternatif pendekatan
bumi. Temperatur rata-rata global pada dalam memberitahu masalah pemicu
permukaan bumi telah meningkat 0,74 ± 0,18 C pemanasan global. Mustakim mendefinisikan
selama 100 tahun terakhir [2]. Intergovernal AR adalah suatu teknologi yang
Panel on Climate Change (IPCC) dalam Muhi menggabungkan benda maya dua dimensi (2D)
menyimpulkan bahwa ketidaknaturalan efek ataupun tiga dimensi (3D) ke dalam sebuah
rumah kaca yang disebabkan oleh gas-gas lingkungan nyata dan memproyeksikan benda-
karbon dioksida,metana,nitrogen benda maya ke dalam lingkungan nyata [5]. AR
dioksida,sulfur dioksida,dan khloro fuoro mampu membantu dalam menampilkan serta
karbon yang dilepaskan secara berlebihan ini menyampaikan informasi secara real time dan
berasal dari cerobong pabrik-pabrik interaktif.
industri,sisa pembakaran yang berasal dari

50 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Pada penelitian yang telah dilakukan sebagai penguatan dan penunjang
oleh Fathoni, Hasim, Fadholani, Hakkun, dan pembelajaran secara interaktif [8]. Oleh karena
Asmara mengembangkan suatu aplikasi yang itu, pada penelitian ini dibuat suatu aplikasi
dapat memvisualisasikan berbagai penyebab augmented reality pengenalan pemicu
pemanasan global menggunakan teknologi pemanasan global berbasis Desktop. Aplikasi
virtual reality. Aplikasi tersebut memberikan diharapkan menjadi sarana pengenalan
informasi yang berhubungan dengan interaktif kepada masyarakat mengenai pemicu
pemanasan global baik melalui gambar, video terjadinya pemanasan global.
maupun suara sehingga masyarakat dapat
mengetahui bahaya dari pemanasan global [6]. METODE PENELITIAN
Penelitian yang dilakukan oleh Fikri Tham,
Liliana, dan Purba mengembangkan media Metode yang digunakan dalam
pembelajaran global warming menggunakan pembuatan aplikasi AR ini adalah metode
Adobe Flash [7]. Mantasia dan Jaya melakukan SDLC (System Development Life Cycle) yang
pengembangan teknologi augmented reality dapat dilihat pada Gambar 1.

Gambar 1. Bagan Tahapan Pembuatan Aplikasi


Berdasarkan Gambar 1, tahapan pertama kebutuhan yang akan digunakan dan
yaitu perencanaan. Tahap perencanaan diperlukan untuk membuat aplikasi AR pemicu
merupakan tahap untuk mempersiapkan pemanasan global. Tahapan kedua yaitu

Partiwi. Pengenalan Pemicu Pemanasan Global… 51

https://doi.org/10.35760/tr.2019.v24i1.1933
analisis meliputi analisis kebutuhan spesifikasi yaitu uji coba dari aplikasi AR yang telah
perangkat lunak dan keras serta kebutuhan dibuat, dengan memasukan objek 3D dalam
aplikasi yang dirancang. Tahapan ketiga yaitu software ARToolkit kemudian marker
perancangan, meliputi perancangan kartu dan diarahkan ke webcam laptop.
perancangan AR dengan menggunakan
pemodelan Unified Modelling Languange HASIL DAN PEMBAHASAN
(UML). Model UML dibuat dalam 3 bentuk
antara lain model use case diagram, activity Perancangan UML
diagram, dan sequece diagram. Tahapan Perancangan aplikasi augmented reality
keempat yaitu implementasi, meliputi faktor pemicu pemanasan global menggunakan
pembuatan objek 3 dimensi (3D) menggunakan UML yaitu: use case diagram, activity diagram
software Blender, pembuatan animasi dan sequence diagram. Use Case
menggunakan Autodesk 3ds Max, untuk menggambarkan fungsionalitas yang
membangun Augmented Reality (AR) diharapkan dari sebuah sistem dan use case
menggunakan software library berupa diagram dapat merepresentasikan sebuah
ARToolkit [9]. Pembuatan marker dan kartu interaksi antara aktor dengan sistem aplikasi
menggunakan Adobe Photoshop lalu dilakukan [10]. Rancangan use case diagram dapat dilihat
pembuatan kode program. Tahapan kelima pada Gambar 2.

Gambar 2. Rancangan Use Case Diagram

52 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Pada Gambar 2 dijelaskan deskripsi dari pertama, activity diagram memulai proses
use case diagram yang dilakukan oleh aktor. pembuatan model 3D sebanyak 5 buah objek
Proses pembuatan objek dimulai dengan dan pembuatan animasi. Pada tahap ketiga dan
menggunakan software blender dan Autodesk keempat dilakukan pembuatan marker dan
3ds Max untuk animasi, pembuatan marker dan kartu maker selanjutnya adalah tahap deteksi
kartu marker dengan aplikasi pengolahan citra marker agar marker dikenali oleh ARToolkit.
seperti Adobe Photoshop, deteksi marker Pada tahap pembuatan kode program dilakukan
menggunakan mk_patt.exe yang terdapat pada proses pengaturan model objek dan pengaturan
folder artolkit\bin dan render objek marker. Tahap terakhir yaitu uji coba render
menggunakan simplevrml.exe yang terdapat aplikasi. Pada tahap terdapat kondisi apakah
pada folder ARToolkit\bin. dapat dijalan atau tidak. Jika dapat dijalankan
Gambar 3 merupakan rancangan activity maka objek akan muncul di Desktop dan
diagram yang menggambarkan alur aktivitas aktivitas telah selesai, tetapi jika tidak dapat
dalam rancangan AR faktor pemicu pemanasan dijalankan maka objek tidak muncul di Desktop
global pada ARToolkit. Pada activity diagram, dan kembali lagi ke tahap pembuatan marker.
aktivitas diawali dari initial state. Pada tahap

Partiwi. Pengenalan Pemicu Pemanasan Global… 53

https://doi.org/10.35760/tr.2019.v24i1.1933
Gambar 3. Activity Diagram aplikasi AR

Sequence diagram digunakan untuk pada Gambar 4. Objek 3D dibuat menggunakan


memperlihatkan interaksi yang terurut. software Blender 2.63.
Sequence diagram input object dapat dilihat

Gambar 4. Sequence Diagram Input Objek 3D

54 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Sequence diagram deteksi marker berikutnya adalah kartu marker diarahkan
dapat dilihat pada Gambar 5 yang diawali ke kamera hingga mengeluarkan garis hijau
dengan membuka aplikasi AR. Pengguna dan merah disekeliling bingkai marker yang
dapat mengatur ukuran output dan ruang dilanjutkan dengan meng-capture gambar
warna yang diinginkan setelah muncul pada kartu marker dan menyimpannya.
“kamera” dari aplikasi. Langkah

Gambar 5. Sequence Diagram Deteksi Marker

Scenario sequence diagram untuk setelah proses rendering selesai. Kartu


menampilkan objek 3D dapat dilihat pada marker diarahkan ke kamera webcam. Jika
Gambar 6. Pengguna menjalankan file seluruh bagian kartu terdeteksi oleh
untuk deteksi marker dan memilih property webcam maka objek 3D akan berhasil
sheet properties. Layar kamera akan tampil ditampilkan di desktop.

Gambar 6. Sequence Diagram Output Objek 3D

Partiwi. Pengenalan Pemicu Pemanasan Global… 55

https://doi.org/10.35760/tr.2019.v24i1.1933
Pada Gambar 7 ditunjukkan kartu-kartu marker masing faktor pemicu pemanasan global
yang digunakan dalam aplikasi. Masing- memiliki kartu marker.

a. b. c.

d. e.

Gambar 7. Marker Faktor Faktor Pemicu Pemanasan Global

Gambar 7a merupakan marker untuk marker untuk objek penebangan pohon adalah
objek Air Conditioner (AC). Pada Gambar 7b Gambar 7e.
ditunjukkan marker untuk objek pabrik,
sedangkan Gambar 7c merupakan marker
untuk objek mobil. Marker untuk objek Uji coba AR Pemicu Pemanasan Global
tumpukan sampah diberikan pada Gambar 7d Pada tahap uji coba aplikasi AR, ada
sedangkan beberapa langkah yang dilakukan seperti
terlihat pada Gambar 15.

56 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 8. Alur Uji Coba Aplikasi AR dengan ARToolkit

Uji coba AR dengan menggunakan ARToolkit disebut berhasil jika kartu marker yang
dilakukan dengan cara membuka file untuk diarahkan pada kamera aplikasi AR
menampilkan output berupa objek 3D. Aplikasi memberikan output berupa 3D.

Gambar 9. Tampilan SimpleVRML.exe

Partiwi. Pengenalan Pemicu Pemanasan Global… 57

https://doi.org/10.35760/tr.2019.v24i1.1933
Gambar 10 merupakan hasil dari deteksi muncul objek 3D faktor pemicu pemanasan
marker untuk objek 3D Air Conditioner (AC) global berupa Air Conditioner (AC). Pada
yang terdapat pada kartu. Kartu tersebut aplikasi telihat bahwa AC menghasilkan gas
diarahkan ke webcam laptop setelah chlorofluorocarbon (CFC) yang dapat memicu
menjalankan simpleVRML.exe maka akan pemanasan global.

Gambar 10. Tampilan Objek 3D Air Conditioner (AC)

Gambar 11 merupakan hasil dari deteksi dioksida (NO2), karbon dioksida (CO2) dan
marker untuk objek 3D pabrik beserta asapnya monoksida (CO) yang dapat memicu terjadinya
yang terdapat pada kartu. Pada aplikasi terlihat pemanasan global.
asap pabrik akan menghasilkan gas nitrogen

Gambar 11. Objek 3D Pabrik dengan ilustrasi asap

58 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 12 merupakan hasil dari deteksi dioksida (NO2), karbon dioksida (CO2) dan
marker untuk objek 3D mobil beserta asapnya monoksida (CO) yang dapat memicu terjadinya
yang terdapat pada kartu. Pada aplikasi terlihat pemanasan global.
mobil akan menghasilkan gas nitrogen

Gambar 12. Tampilan Objek 3D Mobil dengan Asap


Gambar 13 merupakan hasil dari menghasilkan gas metana (CH4) yang dapat
deteksi marker untuk objek 3D tumpukan memicu terjadinya pemanasan global.
sampah yang terdapat pada kartu. Pada
aplikasi terlihat tumpukan sampah akan

Gambar 13. Tampilan Objek 3D Tumpukan Sampah yang Menghasilkan Gas Metana

Partiwi. Pengenalan Pemicu Pemanasan Global… 59

https://doi.org/10.35760/tr.2019.v24i1.1933
Gambar 14 merupakan hasil dari deteksi karbon dioksida (CO2) karena pohon tidak
marker untuk objek 3D penebangan pohon dapat menyerap dan mengubah karbon dioksida
yang terdapat pada kartu. Pada aplikasi terlihat (CO2) yang dapat memicu terjadinya
penebangan pohon akan meningkatkan gas pemanasan global.

Gambar 74. Tampilan Objek 3D Penebangan Pohon


KESIMPULAN DAN SARAN
dikembangkan menjadi aplikasi yang
Teknologi Augmented Reality berbasis mobile tanpa marker.
sebagai media interaktif dalam membantu
menampilkan objek 3D serta DAFTAR PUSTAKA
menyampaikan informasi mengenai [1] H.S. Alikodra, Konservasi
faktor-faktor pemicu terjadinya Sumberdaya Alam dan Lingkungan:
pemanasan global. Teknologi ini dapat Pendekatan Ecosophy bagi
menarik minat masyarakat untuk lebih Penyelamatan Bumi. Yogyakarta:
mengetahui tentang faktor-faktor pemicu Gadjah Mada University Press, 2012.
terjadinya pemanasan global [2] D. P. Damayanti, “Global Warming In
dibandingkan dengan media lain seperti The Perspective Of Environmental
poster, sehingga informasi pemanasan Management Accounting (EMA)”,
global dapat tersampaikan dengan baik. Jurnal Ilmiah ESAI, vol. 7, no. 1,
Pengembangan selanjutnya dapat 2013.
dilakukan perbaikan terhadap pembuatan [3] A. H. Muhi, Pemanasan Global
model agar lebih realistis, animasi dapat (Global Warming). Jatinagor: Institut
dibuat lebih kompleks dan dibuat sound Pemerintahan dalam Negeri, 2011.
untuk menambah daya tarik dari objek [4] M. Rifa’i, T. Listyorini, dan A.
yang ditampilkan serta menambahkan Latubessy, “Penerapan teknologi
lebih banyak objek-objek agar lebih augmented reality pada aplikasi
bervariasi. Aplikasi ini dapat katalog rumah berbasis android,”

60 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Pros. SNATIF, vol. 1, 2014, pp. Pembelajaran di SMK untuk
267–274. Implementasi Kurikulum 2013”,
[5] I. Mustaqim, “Pemanfaatan Jurnal Pendidikan Vokasi, vol. 6, no.
Augmented Reality sebagai media 3, hal. 281 – 291, 2016.
pembelajaran”, Jurnal Pendidikan [9] A. Andriyadi, Augmented Reality
Teknologi dan Kejuruan, vol. 13, no. With ARToolkit, Bandar Lampung:
2, hal. 174 – 183, 2016. Augmented Reality Team, 2011.
[6] K. Fathoni, J. A. N. Hasim,C. [10] P. P. Widodo dan Herlawati,
Fadholani, R. Y. Hakkun, dan R. Menggunakan UML. Bandung: PT
Asmara, “Visualisasi 3D Informatika Bandung, 2011.
Pembelajaran Penyebab Pemanasan [11] L. Kamelia, “Perkembangan
Global Menggunakan Virtual Teknologi Augmented Reality
Reality”, Jurnal Link, vol. 25, no. 2, Sebagai Media Pembelajaran
hal. 4 – 20, 2016. Interaktif Pada Mata Kuliah Kimia
[7] F. J. Tham, L. Liliana, dan K. R. Dasar”, Jurnal ISTEK, vol. 9, no.1,
Purba. “Media Pembelajaran Global hal. 238 – 253, 2015.
Warming”, Jurnal Infra, vol. 4, no. [12] R. Gonydjaja, “Aplikasi Penjualan
2, 2016. Rumah pada Perumahan Prima
[8] M. Mantasia dan H. Jaya, Harapan Regency Bekasi Berbasis
“Pengembangan Teknologi Augmented Reality menggunakan
Augmented Reality sebagai ARToolkit”, UG Jurnal, vol. 9, no.
Penguatan dan Penunjang Metode 05, 2015.

Partiwi. Pengenalan Pemicu Pemanasan Global… 61

https://doi.org/10.35760/tr.2019.v24i1.1933
ANALISA PERFORMA PENGENALAN TULISAN TANGAN
ANGKA BERDASARKAN JUMLAH ITERASI MENGGUNAKAN
METODE CONVOLUTIONAL NEURAL NETWORK
1
Siwi Prihatiningsih, 2Nadhiranisa Shafiy M, 3Feni Andriani, 4Nurma Nugraha,
1
Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma
2
Fakultas Teknologi Industri, Universitas Gunadarma
3,4
Pusat Studi Komputasi Matematika (PSKM), Universitas Gunadarma
1,2,3,4
Jl. Margonda Raya No 100 Depok 16424, Jawa Barat
1
siwi@staff.gunadarma.ac.id
, akiranadhira1812@gmail.com,3feni.andriani@staff.gunadarma.ac.id
2

,4nurma@staff.gunadarma.ac.id

Abstrak

Pada zaman modern ini teknologi informasi khususnya bidang Artificial Intelligence
berkembang pesat dari waktu ke waktu. Hal ini mendorong manusia berkreasi untuk menciptakan
teknologi baru untuk mempermudah orang dalam mengakses informasi yang diinginkan dengan
cepat. Salah satu metode Artificial Intelligence yang cukup dikenal adalah Convolutional Neural
Network. Namun, masih terdapat permasalahan terkait cara yang tepat yang dapat membuat
performa lebih baik. Pada penelitian ini dilakukan analisa performa pengenalan tulisan tangan
angka berdasarkan perubahan jumlah iterasi menggunakan metode convolutional neural
network (CNN). Penelitian ini membuat suatu sistem analisa akurasi performa pengenalan
tulisan tangan angka menggunakan metode Convolutional Neural Network atau yang dikenal
dengan sebutan CNN. Program ini dibuat menggunakan Spyder sebagai Integrated Development
Environment (IDE) dengan Python sebagai Bahasa pemrogramannya. Adapun tahapan
penelitian yang dilakukan adalah tahapan pengumpulan data, tahap preprocessing, pembentukan
model CNN dan tahap terakhir dilakukan analisis performa. Performa meningkat signifikan pada
iterasi antara 0 – 20, sedangkan pada iterasi 100-1000 tidak. Hasil menunjukkan bahwa semakin
banyak besar jumlah iterasi yang dilakukan semakin baik performa yang dihasilkan.

Kata kunci: Artificial Intelligence, Convolutional Neural Network, iterasi, Python

Abstract

In this modern era, Information Technology especially in the field of Artificial Intelligent
is developing rapidly from time to time. Therefore, that makes human become creative to create
new technologies to facilitate people in accessing the desired information quickly. One well-
known Artificial Intelligence method is Convolutional Neural Network. However, there are still
problems regarding the right method that can make better performance. In this study, an analysis
of the performance of handwriting recognition numbers based on changes in the number of
iterations uses the convolutional neural network (CNN) method. This research makes an accuracy
analysis system of the number handwriting recognition performance using the Convolutional
Neural Network method, also known as CNN. This program was created using Spyder as
Integrated Development Environment (IDE) with Python as its programming language. The
stages of the research carried out are the stages of data collection, the preprocessing stage, the
formation of the CNN model and the last stage is the performance analysis. The results show that
the greater the number of iterations performed the better the resulting performance.

Keywords: Artificial Intelligence, Convolutional Neural Network, iteration, Python

62 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


PENDAHULUAN latensi, kinerja, toleransi kesalahan, volume,
Artificial Intelligence (AI) skalabilitas, dan konvergensi [2, 3].
merupakan topik yang sedang berkembang Metode neural network merupakan
akhir-akhir ini. Hal ini disebabkan karena salah satu pendekatan supervised learning
kemampuan AI untuk meniru sifat manusia. yang cukup berkembang pesat. Hal ini
Berbagai terobosan AI telah terjadi karena performa neural network yang
diimplementasikan di dunia nyata. sangat luar biasa. Faktor performa menjadi
Perkembangan algoritma yang menjadi hal yang diutamakan dalam neural network.
dasar teknologi dimulai dari beragam Berbagai cara telah dilakukan untuk
diskusi tentang dampak AI pada peradaban mendapatkan performa yang terbaik.
manusia. Berbagai teori mengenai Adapun salah satu faktor yang paling
pendekatan AI berkembang pesat. Salah satu sederhana yang dapat mempengaruhi
metode pendekatan AI adalah machine performa atau nilai akurasi yang dihasilkan
learning yang terdiri dari supervised adalah jumlah iterasi.
learning dan unsupervised learning [1]. Metode Convolutional Neural
Saat ini, AI yang meliputi Network (CNN) dikenalkan sejak 1969 oleh
machine learning, neural network , deep Hubel (Neocognitron), lalu dilanjutkan oleh
learning, rabotik, keamanan informasi, big Yann LeCun. Metode CNN merupakan hasil
data, cloud computing, internet, dan ilmu dari pengembangan dari metode Neural
forensik adalah semua hotspot dan topik Network. CNN dapat digunakan untuk
menarik dari teknologi informasi dan mendeteksi dan mengenali objek pada
komunikasi (TIK). Aplikasi lengkap sebuah citra. CNN terdiri dari neuron yang
artificial neural network dapat dievaluasi memiliki bobot, bias dan fungsi aktivasi.
sehubungan dengan faktor analisis data Secara garis besar CNN tidak jauh berbeda
seperti akurasi, kecepatan pemrosesan, dengan neural network lainnya [1].

Gambar 1. Arsitektur CNN


[sumber: [2]]

Prihatiningsih, Shafiy, Andriani, Nugraha. Analisa Performa Pengenalan… 63

https://doi.org/10.35760/tr.2019.v24i1.1934
Pada Gambar 1 diberikan ilustrasi Penelitian pengenalan tulisan
arsitektur layer pada CNN. Arsitektur CNN tangan yang pernah dilakukan lainnya yaitu
terbagi menjadi 2 bagian besar, layer Aplikasi Pengenalan Pola pada Huruf
ekstraksi fitur dan layer Fully-Connected. Tulisan Tangan Menggunakan Jaringan
Selain itu pada CNN terdapat layer Saraf Tiruan dengan Metode Ekstraksi Fitur
konvolusi dan layer pooling. Layer Geometri yang dilakukan oleh Masrani dkk.
konvolusi dinyatakan sebagai detector fitur Pengenalan dalam penelitian tersebut
yang secara otomatis dapat mempelajari dan memelalui beberapa tahapan, yaitu
menyaring informasi yang tidak diperlukan praproses, segmentasi, dan proses
dari input dengan menggunakan kernel pengenalan. Praproses meliputi
konvolusi. Sedangkan layer pooling bekerja mengkonversi citra ke grayyscale, threshold
untuk menghitung nilai maksimal atau rata2 dan binerisasi. Hasil dari praproses harus di
dari fitur atas daerah tertentu dari input dan segmentasi melalui tahap deteksi tepi,
dapat membantu mendeteksi objek pada penebalan citra , dan pengisian citra (filling)
beberapa tempat yang tidak biasa dan agar citra dapat diekstraksi bentuk
mengurangi ukuran memori [6]. geometrinya. Jaringan syaraf tiruan
Implementasi metode CNN banyak perceptron akan menyesuaikan nilai bobot
digunakan untuk pengenalan objek, salah data yang telah dilatih dengan nilai bobot
satunya adalah tulisan tangan. Tulisan citra masukan. Nilai keluaran dari
tangan merupakan hasil atau cara menulis pengklasifikasian jaringan syaraf tiruan
dengan tangan seorang individu. Banyak disesuaikan dengan nilai ekstraksi fitur
pemanfaatan pengenalan tulisan tangan yang sehingga menghasilkan keluaran yang
diterapkan dalam kehidupan antara lain diharapkan [8].
rekapitulasi perhitungan suara pada Pada penelitian ini dibuat sistem
pemilihan umum, konversi tulisan tangan ke analisa akurasi performa pengenalan tulisan
bentuk dokumen, dan sebagainya. Penelitian tangan angka menggunakan metode
yang telah dikembangkan pada pengenalan Convolutional Neural Network atau yang
tulisan tangan diantaranya penggunaan dikenal dengan sebutan CNN. CNN
deteksi tepi (canny) berbasis jaringan syaraf merupakan salah satu cabang dari ilmu
tiruan yang dikembangkan oleh Hara, E dkk. Artificial Intelligence. CNN memiliki
Penelitian tersebut mengembangkan sistem kemampuan untuk dapat mempelajari fitur
pengenalan tulisan tangan dengan teknik yang terdapat pada data. Convolutional
pengolahan citra dan jaringan syaraf tiruan Neural Network, memiliki konsep utama
backpropagation [7]. akan mempelajari fitur yang terdapat pada
data baru ketika menemukan kemiripan fitur

64 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


pada data yang lama, yaitu data yang telah pada bagaimana mencapai performa yang
dipelajarinya. baik berdasarkan perubahan jumlah iterasi.
Dalam penelitian ini dapat digambarkan
METODE PENELITIAN tahapannya secara sederhana sebagai
berikut:
Pada pembuatan program
menggunakan metode CNN ini difokuskan

Gambar 2. Tahap-tahap Penelitian

Tahap penelitian ini dimulai dengan Pada tahap preprocessing melibatkan


pengumpulan data yang dilakukan untuk transformasi data awal menjadi format yang
menentukan dataset mana yang cocok untuk mudah dipahami. Data asli faktanya sering
digunakan pada program ini. Tahap tidak lengkap, tidak konsisten, dan/atau
selanjutnya yaitu Preprocessing Data yang kurang dalam perilaku atau tren tertentu, dan
merupakan langkah awal yang dilakukan cenderung mengandung banyak kesalahan.
untuk mentransformasi program ke format Preprocessing data adalah metode yang
yang lebih mudah dipahami computer. terbukti untuk menyelesaikan masalah
Selanjutnya merupakan model CNN yang tersebut. Preprocessing data memiliki
merupakan tahap konvolusi pada Neural langkah-langkah dalam pengerjaannya
Network. Kemudian Tahap terakhir yaitu sebagai berikut:
Analisa Performa berdasarkan perubahan
jumlah iterasi.

Gambar 3. Langkah-langkah Preprocessing Data

Berdasarkan Gambar 3, database data juga banyak digunakan untuk pelatihan


MNIST (Modified National Institute of dan pengujian di bidang Artificial
Standards and Technology database) adalah Intelligence. Data tersebut dibuat dengan
basis data besar dari digit tulisan tangan "pencampuran ulang" sampel dari dataset
yang biasa digunakan untuk melatih asli NIST [5]. Selanjutnya, gambar hitam
berbagai sistem pemrosesan gambar. Basis dan putih dari NIST dinormalisasi untuk

Prihatiningsih, Shafiy, Andriani, Nugraha. Analisa Performa Pengenalan… 65

https://doi.org/10.35760/tr.2019.v24i1.1934
masuk ke dalam kotak pembatas 28x28 Nilai piksel ini adalah bilangan bulat antara
piksel. Database MNIST diwakili dengan 0 dan 255, inklusif.
format .npz. Format .npz merupakan salah Tahap normalisasi dilakukan dengan
satu library python yang bisa diakses dengan tujuan penskalaan data dari rentang asli
menginstall Numpy. sehingga semua nilai berada dalam rentang
Tahap selanjutnya adalah proses one 0 dan 1. Normalisasi dapat sangat berguna
hot encoding yaitu proses pelabelan dengan dalam beberapa algoritme machine learning
mengelompokan satu-satu. Kemudian pada saat data memiliki nilai masukan
dataset MNIST ini mengalami reshape dari dengan skala yang berbeda. Tahapan yang
28x28 pixel menjadi 784 total. Setiap piksel dilakukan pada pembentukan model
memiliki satu nilai piksel yang satu sama Convolutional Neural Network dapat dilihat
lain, yang menunjukkan terang atau pada Gambar 4 berikut ini.
gelapnya piksel itu, yang apabila angka
semakin tinggi yang berarti semakin gelap.

Gambar 4. Langkah-langkah CNN

Pada Gambar 4 diberikan skema masukannya berupa fungsi aktivasi yang


langkah-langah pengenalan tulisan tangan dihasilkan dari layer pertama. Jadi setiap
menggunakan metode CNN. Langkah layer masukan pada dasarnya
pertama yaitu meng-input MNIST yang menggambarkan lokasi dalam gambar asli
telah di preprocessing data. Langkah ke dua, untuk tempat fitur tingkat rendah tertentu
yaitu layer convolusional. Layer ini terdapat muncul. Pada saat menerapkan satu set filter
filter yang ada di layer konv pertama yang (berhasil melalui layer konvolusi ke-2),
dirancang untuk dideteksi. Layer ini output menjadi aktivasi yang mewakili fitur
mendeteksi fitur tingkat rendah seperti tepi tingkat yang lebih tinggi. Jenis fitur ini bisa
dan kurva. Output pada layer ini akan berbentuk setengah lingkaran (kombinasi
menjadi 28 x 28 x 3 volume (dengan asumsi kurva dan tepi lurus) atau kotak (kombinasi
menggunakan tiga 5 x 5 x 3 filter). Ketika beberapa sisi lurus) [6].
melewati layer konvolusi lain, output dari Layer ketiga merupakan layer
layer konvolusi pertama menjadi input dari subsampling/ pooling sering digunakan
layer konvolusi ke-2. Data citra asli dalam convolutional neural network dengan
digunakan sebagai input pada layer pertama. tujuan untuk secara progresif mengurangi
Namun, ketika memasuki layer ke-2, ukuran spasial dari representasi untuk

66 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


mengurangi jumlah fitur dan kompleksitas fitur panjang tunggal untuk digunakan oleh
komputasional dari jaringan. Layer dense layer untuk klasifikasi akhir [6].
subsampling yang lebih umum digunakan
adalah layer MAXPOOL, dengan HASIL DAN PEMBAHASAN
disediakan oleh semua library deep
learning. Pada dasarnya maxpool 2 x 2 Tahap pertama pembuatan program
menyebabkan filter untuk melintasi seluruh adalah dengan mendefinisikan dataset yang
matriks dan memilih elemen terbesar dari digunakan. Dataset yang digunakan adalah
jendela untuk dimasukkan dalam peta dataset MNIST. Dataset MNIST
representasi berikutnya. alasan utama untuk kepanjangan dari Modified National
subsampling layer adalah untuk mencegah Institute of Standards and Technology
model dari overfitting. Tahap terakhir dari database merupakan basis data besar dari
convolutional neural network (CNN) adalah digit tulisan tangan yang biasa digunakan
classifier. Ini disebut dense layer, yang untuk melatih berbagai sistem pemrosesan
hanya merupakan classifier dari artificial gambar. Basis data ini juga banyak
neural network. Dan classifier ANN digunakan untuk pelatihan dan pengujian di
membutuhkan vektor fitur. Oleh karena itu, bidang pembelajaran mesin. Selanjutnya,
dilakukan konversi output dari bagian gambar hitam dan putih dari NIST
konvolusional dari CNN menjadi vektor dinormalisasi dan dilakukan resize 28x28
fitur 1D, untuk digunakan oleh bagian ANN. piksel, dengan tingkat grayscale. Database
Operasi ini disebut Flatten. Ia mendapat MNIST diwakili dengan format .npz.
output dari layer convolusional, meratakan Format .npz merupakan salah satu library
semua strukturnya untuk membuat vektor python yang bisa diakses dengan
menginstall Numpy.

Prihatiningsih, Shafiy, Andriani, Nugraha. Analisa Performa Pengenalan… 67

https://doi.org/10.35760/tr.2019.v24i1.1934
Pada listing diatas menunjukkan intensitas setiap piksel dibagi dengan 255,
layer input memiliki neuron yang terkait nilai intensitas maksimum). Output yang
dengan setiap piksel dalam gambar untuk diperoleh adalah 10 kelas. Layer terakhir
total 28 x 28 = 784 neuron. Nilai-nilai yang adalah neuron tunggal dengan fungsi
terkait dengan setiap piksel dinormalisasi aktivasi softmax, yang merupakan
dalam rentang [0, 1] (yang berarti bahwa generalisasi fungsi sigmoid.

Gambar 5. Potongan Output Program JumlahIterasi pada Epoch 100

Pertama, sesuai output yang diberikan pada dan setiap kali, akurasi meningkat. Ketika
Gambar 5 dapat dilihat berbagai jenis layer pelatihan berakhir, dilakukan pengujian
yang digunakan, bentuk output, dan berapa pada testing set dan mencapai akurasi sekitar
banyak parameter yang perlu dioptimalkan. 99,98% pada training, 98,76% pada validasi,
Kemudian, jaringan ditraining pada 48.000 dan 99,05% pada testing. Sedangkan pada
sampel, dan 12.000 dicadangkan untuk 1000 epoch, akurasi yang didapat sekitar
validasi. Setelah model saraf dibangun, itu 100,0% pada training, 98,67% pada validasi,
kemudian ditesting pada 10.000 sampel. dan 98,99% pada testing. Ini berarti bahwa
Kemudian Keras secara internal kuranng dari satu per 10 karakter tulisan
menggunakan TensorFlow sebagai sistem tangan tidak dikenali dengan benar. Pada
backend untuk komputasi, jadi dapat dilihat Gambar 6 ditunjukkan akurasi pada program
bahwa program berjalan selama 100 iterasi, untuk iterasi 100.

68 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 6. Hasil Akurasi pada Program JumlahIterasi epoch 100

Selanjutnya pada Gambar 7 terdapat


grafik model akurasi berdasarkan Epoch dari
0 sampai dengan 100.

Gambar 7. Grafik Model Akurasi berdasarkan Epoch 100

Gambar 7 menunjukkan bahwa sekitar 100,0% pada training, 98,67% pada


peningkatan akurasi terjadi secara signifikan validasi, dan 98,99% pada testing. Ini berarti
pada iterasi 0 sampai dengan iterasi 20. bahwa kurang dari satu per 10 karakter
Selanjutnya untuk mengetahui pengaruh tulisan tangan tidak dikenali dengan benar.
iterasi pada performa CNN dilakukan iterasi Pada Gambar 8 berikut ini, ditunjukkan
sebanyak 1000. Akurasi yang diperoleh akurasi pada program untuk iterasi 1000.

Gambar 8. Hasil Akurasi pada Program JumlahIterasi epoch 1000

Prihatiningsih, Shafiy, Andriani, Nugraha. Analisa Performa Pengenalan… 69

https://doi.org/10.35760/tr.2019.v24i1.1934
Selanjutnya pada Gambar 9 berdasarkan Epoch dari 0 sampai dengan
dibawah ini terdapat grafik model akurasi 1000.

Gambar 9. Grafik Model Akurasi dengan epoch 1000


tidak berpengaruh secara signifikan. Adapun
Gambar 9 menunjukkan bahwa saran untuk program ini diantaranya
peningkatan akurasi terjadi secara signifikan membuat Tampilan GUI yang menarik, agar
pada iterasi 0 sampai dengan iterasi 20 dan lebih mudah dipakai dan diujicobakan pada
pada iterasi lebih dari 20 tidak terjadi dataset lain. Dengan diujicobakan
perubahan yang signifikan terhadap menggunakan dataset lain maka dapat
perubahan tingkat akurasi. Akurasi yang dicapai hasil yang beragam dan dapat
diperoleh pada iterasi ke 1000 adalah menambah ilmu penelitian Artificial
100,0% pada training, 98,67% pada validasi, Intelligence.
dan 98,99% pada testing.
DAFTAR PUSTAKA
KESIMPULAN DAN SARAN
[1]. Han, J. & Kamber, M., Data Mining:
Penelitian ini telah berhasil Concepts and Techniques. 3rd penyunt,
membuat program dan melakukan analisis San Fransisco: Morgan Kaufmann
performa terhadap pengenalan tulisan Publisher, 2013.
tangan angka berdasarkan perubahan jumlah [2]. H. He, E.A. Garcia, “Learning from
iterasi dengan menggunakan model imbalanced data,” IEEE Trans.
Convolutional Neural Network. Knowl.Data Eng., Vol.21, no.9, hal.
Berdasarkan uji coba yang telah dilakukan, 1263-1284, 2009.
diperoleh kesimpulan bahwa performa
[3]. A. Mozaffari, M. Emami, A. Fathi, “A
neural network dipengaruhi oleh jumlah
comprehensive investigation into the
iterasi. Akurasi meningkat untuk iterasi 0-
performance, robustness, scalability
20, akan tetapi untuk iterasi dari 100-1000

70 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


and convergence of chaos-enhanced convolutional-neural-network. [Diakses
evolutionary algorithms with boundary 25 April 2018].
constraints,”Artif. Intell. Rev. hal. 1-62,
2018.
[4]. Samuel Sena, “Pengenalan Deep
Learning Part 7 Convolutional Neural
Network CNN,” Dapat diakses di:
https://medium.com/@samuelsena/pen
genalan-deep-learning-part-7-
convolutional-neural-network-cnn-
b003b477dc94 [Diakses pada 24 Juli
2018].
[5]. Hara, E., Fitriawan, H., Mulyani, Y.,
“Penggunaan Deteksi Tepi (Canny)
pada Sistem Pengenalan Tulisan,”
Jurnal Rekayasa dan Teknologi
Elektro, Vol.10, Hal 156 - 163. 2016.
[6]. Masrani, H.Ilhamsyah., Ruslianto, I., “
Aplikasi Pengenalan Pola pada Huruf
Tulisan Tangan Menggunakan Jaringan
Saraf Tiruan dengan Metode Ekstraksi
Fitur Geometri,” Jurnal Coding, Sistem
Komputer Untan, Vol.06, No.02, hal
69-78, 2018.
[7] Qiao, Y., “The MNIST Database of
Handwritten Digits,” Dapat diakses di:
http://www.gavo.t.u-
tokyo.ac.jp/~qiao/database.html, 2007.
[Diakses 13 April 2018].
[8] Dalmis, M. U., 2017. What is the
meaning of flattening step in a
convolutional neural network?.:
https://www.quora.com/What-is-the-
meaning-of-flattening-step-in-a-

Prihatiningsih, Shafiy, Andriani, Nugraha. Analisa Performa Pengenalan… 71

https://doi.org/10.35760/tr.2019.v24i1.1934
KARAKTERISTIK BEBAN TERMAL MESIN PENGKONDISIAN
UDARA PADA RUANGAN PEMROSESAN BATERAI LITHIUM

1
Agus Budihadi, 2 Chandrasa Soekardi
1)
Program Studi Teknik Mesin, Fakultas Teknologi Industri, Universitas Gunadarma
2)
Program studi Teknik Mesin, Universitas Mercu Buana
1
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat,
2
Jl. Meruya Selatan No.1, Kota Jakarta Barat 11650, DKI Jakarta
1
agusbdhd@yahoo.co.id, 2csoekardi@gmail.com

Abstrak

Karakteristik termal sirkulasi aliran udara dingin di dalam ruang pemrosesan baterai lithium
pada sebuah industri yang berlokasi di Jakarta telah diteliti secara eksperimental. Mesin pengkondisian
udara yang dipergunakan pada ruang tersebut sering beroperasi pada kondisi yang berbeda-beda,
tanpa diketahui kondisi operasi mana yang paling optimal dalam hal konsumsi energinya. Serangkaian
pengujian telah dilakukan dengan mengukur temperatur, kelembaban, dan laju aliran udara di dalam
ruang pemrosesan baterai untuk memperoleh gambaran kondisi operasi yang terbaik. Hasil pengukuran
dipergunakan untuk mengevaluasi beban termal pada mesin pengkondisian udara. Pengujian dilakukan
pada tiga hari yang berbeda, masing-masing dengan kondisi operasi tertentu yang serupa dengan
yangseperti yang biasa diterapkan sehari-hari pada mesin tersebut. Hasil rangkaian pengujian,
dibandingkan dengan dua kondisi operasi lainnya yang menunjukkan bahwa mesin pengkondisian
udara bekerja paling efisien sepanjang hari apabila dioperasikan pada kondisi di mana aliran udara
suplai dari evaporator berada pada temperature 19 oC dan kelembaban 66 %, dengan kecepatan rata-
rata 2 m/s. Konsumsi energinya paling tinggi terjadi apabila mesin dioperasikan pada kondisi di mana
udara suplai temperaturnya 15 0 C dan kelembaban 53 %.

Kata Kunci: baterai lithium, beban termal, kelembaban, laju aliran, temperatur.

Abstract

The thermal characteristics of cold air flow circulation in the lithium battery processing room in an
industry located in Jakarta have been studied experimentally. The air conditioning machines used in
these spaces often operate under different conditions, without knowing which operating conditions are
the most optimal in terms of energy consumption. A series of tests have been carried out by measuring
temperature, humidity, and air flow rate in the battery processing room to get the best picture of
operating conditions. The measurement results are used to evaluate the thermal load on the air
conditioning machine. The test is carried out on three different days, each with certain operating
conditions that are similar to those that are normally applied daily on the machine. The test circuit

72 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


results, compared with two other operating conditions, show that air conditioning machines work most
efficiently throughout the day when operated under conditions where the supply air flow from the
evaporator is at 19 oC and 66% humidity, with an average speed of 2 m/s. The highest energy
consumption occurs when the engine is operated in conditions where the supply air temperature is 15 0
C and humidity is 53%.

Keywords: flow rate, humidity, lithium battery, temperature, thermal load.

PENDAHULUAN terhadap 50% dari total pengeluaran energi atau


lebih dari 70% konsumsi energi listrik [2].
Efisiensi energi pada mesin-mesin Bersamaan dengan upaya
pendingin dan pengkondisian udara menjadi pengembangan jenis energi baru dan
hal yang semakin penting saat ini untuk terbarukan, beragam upaya perekayasaan
dilakukan. Efisiensi energi menjadi tuntutan dalam rangka penghematan dan konservasi
seiring dengan meningkatnya jumlah populasi energi terhadap sistem dan instalasi industri
mesin dan konsumsi energi akibat penggunaan yang menggunakan energi dari sumber bahan
yang semakin luas. Sebuah lembaga energi bakar fosil masih perlu terus dilakukan karena
internasional memprediksi dalam kurun waktu populasinya yang sangat banyak.
tahun 2016 sampai tahun 2050 di dunia akan Berbagai penelitian untuk memperbaiki
terjadi peningkatan lebih dari 5 juta unit mesin performance mesin-mesin pengkondisian udara
pengkondisian udara untuk penggunaan di masih perlu terus dilakukan. Sejalan dengan
sektor industri dan bangunan komersial [1]. Hal upaya penghematan energi di Indonesia
tersebut menunjukkan lebih dari dua kali lipat khususnya penurunan konsumsi energi
jumlah unit mesin pengkondisian udara yang untuk keperluan mesin pengkondisian udara,
telah dioperasikan pada saat ini. penelitian ini dilakukan dalam rangka
Di Indonesia, konsumsi energi baik di berkontribusi pada upaya-upaya tersebut.
sektor industri dan transportasi ataupun di EECCHI menyatakan di negara-negara
sektor bangunan komersial, terus meningkat Eropa, sektor bangunan juga menyerap
seiring dengan meningkatnya pertumbuhan sejumlah sekitar 40% dari konsumsi energi
ekonomi dan pertumbuhan penduduk. total dan bertanggung jawab terhadap tingginya
Ketergantungan terhadap sumber energi fosil emisi gas buang [2,3,4]. Serangkaian simulasi
untuk memenuhi kebutuhan energi nasional numerik telah dilakukan dengan menggunakan
juga masih sangat tinggi. Sektor bangunan beberapa software untuk mengevaluasi kondisi
komersial menyerap kurang lebih 40% sumber optimal dari parameter-parameter performance
energi dunia, dan sektor ini bertanggungjawab termal sebuah ruang perkantoran dengan

Budihadi, Soekardi. Karateristik Beban Termal… 73


https://doi.org/10.35760/tr.2019.v24i1.1935
beberapa konfigurasi bukaan, orientasi dan
posisi jendela yang berbeda-beda [5]. METODE PENELITIAN
Pengembangan sebuah sistem kontrol
berbasis algoritmik untuk meningkatkan Pada penelitian ini, serangkaian
efektivitas manejemen energi dalam rangka pengukuran parameter-parameter termal aliran
mencapai kenyamanan dan efisiensi energi udara yang bersirkulasi di dalam sebuah ruang
Juga telah dilakukan. Implementasi pada pemrosesan (pre-charge) industri batterai
sebuah studi kasus memperlihatkan bahwa lithium telah dilakukan dengan tujuan untuk
sistem kontrol berbasis algoritmik tersebut memperoleh gambaran karakteristik termalnya.
dapat memperbaiki pengelolaan konsumsi Parameter-parameter termal aliran udara yang
energi untuk mencapai keseimbangan antara diukur meliputi temperatur, kelembaban relatif,
kenyamanan termal dan efisiensi energi [6]. dan laju aliran udara yang bersirkulasi di dalam
Passive daylight techniques juga telah ruangan pemrosesan batterai lithium.
digunakan untuk memperbaiki kenyamanan Selanjutnya, analisis komprehensif terhadap
visual dan efisiensi energi pada sebuah ruang data hasil pengukuran dipergunakan untuk
kelas di Universitas Jordania. Penerapan memperoleh gambaran karakteristik beban
metode tersebut dapat menurunkan tingkat pendinginan di dalam ruang pengujian, yang
konsumsi energi yang diperlukan bagi dapat dipergunakan untuk mengidentifikasi
keperluan pencahayaan, pemanasan & potensi efisiensi energi yang dapat dilakukan,
pendinginan sampai dengan 16,3% [7]. Kajian serta untuk memperoleh gambaran kondisi
tentang korelasi antara efisiensi energi dengan pengoperasian sistem pengkondisian udara
kenyamanan pencahayaan telah dilakukan yang optimal sehingga sistem dapat bekerja
menggunakan sebuah sistem kontrol lebih efisien.
pencahayaan dengan hasil yang telah Ruangan yang dijadikan obyek studi
dikonfirmasi berdasarkan hasil survey dari para merupakan tempat pemrosesan batterai lithium
pengguna ruangan. Hasil survey dari pengguna mulai dari pre discharge (pengosongan isi)
menyarankan perlu dilakukannya rangkaian batterai lithium, pengisian ulang hingga tahap
pengujian terkait dengan kenyamanan termal pengepakan. Ruangan tersebut memiliki
[8]. Tujuan penelitian ini adalah mengetahui dimensi panjang 30,7 m, lebar 9,2 m dan tinggi
karakteristik termal mesin pengkondisian udara 3,2 m. Skema untuk ruang pemrosesan batterai
sebagai upaya untuk menentukan kondisi lithium diberikan pada Gambar 1.
dengan konsumsi energi yang paling efisien.

74 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Gambar 1. Skema ruang pre-discharge batterai lithium dan dimensinya

Pada Gambar 1 diberikan skema ruang thermometer, hygrometer dan lux meter.
pre-discharge batterai lithium dan dimensinya. Anemometer digunakan untuk mengukur
Pada ruangan uji terdapat mesin pre-discharge kecepatan aliran udara dingin yang keluar dari
sebanyak 20 unit yang terdiri dari 17 unit mesin evaporator. Infra red thermometer digunakan
manual, yang manual sebanyak 17 unit dan untuk mengukur temperatur udara ruangan dan
yang automatis sebanyak 3 unit. Sementara itu temperatur udara dingin yang keluar dari
mesin pendingin yang dipergunakan untuk evaporator. Hygrometer, dipergunakan untuk
pengkodisian ruangan adalah unit AC mengukur kelembaban udara di ruangan dan
berkapasitas 100.000 Btu/h, merk Panasonic evaporator. Lux meter digunakan untuk
model U- 100 PVY 1HB sebanyak 2 buah yang mengukur lumen lampu yang ada didalam
dioperasikan secara bergantian. Beban termal rungan.
yang ada di dalam ruangan berasal, selain dari Pengambilan data temperature dan
mesin-mesin pre-discharge, juga juga berasal kelembaban sirkulasi udara di dalam ruangan
dari lampu di mana daya totalnya 2100 W. dilakukan pada lokasi sirkulasi aliran udara
Sementara itu jumlah pekerja yang ada di yang terjauh dari mulut evaporator (T.1.1) dan
dalam ruangan adalah sebanyak 12 orang. pada lokasi yang terdekat dengan sumber
Peralatan ukur yang dipergunakan buangan panas mesin pemrosesan batterai
untuk memperoleh data parameter termal (T.1.2), seperti skema yang diperlihatkan pada
sirkulasi aliran udara di dalam ruangan terdiri Gambar 2.
dari 3 macam yaitu anemometer, infra red

Budihadi, Soekardi. Karateristik Beban Termal… 75


https://doi.org/10.35760/tr.2019.v24i1.1935
T 1.2 T 1.1

Ruangan
AC

Gambar 2. Lokasi pengukuran temperatur dan kelembaban udara di dalam ruangan

Temperatur dan kelembaban aliran udara kedua ujung kiri dan kanan penampang. Ketiga
suplai yang keluar dari mulut evaporator titik posisi pengukuran temperature dan
diukur pada tiga titik yang berbeda. Titik kelembaban aliran udara ditunjukkan pada
pertama berada pada tengah penampang mulut Gambar 3.
evaporator. Titik kedua dan ketiga berada pada
T 2.1

T 2.2

AREA EVAPORATOR T 2.3

Gambar 3. Lokasi pengukuran temperature, kelembaban dan kecepatan aliran udara suplai dari evaporator

Pengukuran dilakukan selama 3 hari enthalpi rata-rata udara yang ada di masing-
yang berbeda di bulan Desember tahun 2018, masing lokasi.
dengan kondisi temperatur dan kelembaban Data massa jenis udara diperoleh dari
udara suplai yang berbeda. Pengambilan data hasil pengukuran Tool Psychrometric
pada ketiga hari yang berbeda tersebut Calculations (The Sugar Engineers). Data
dilakukan pada pukul 09.10, 11.00, 12.00 kecepatan rata-rata aliran udara diukur
sampai dengan pukul 14.00. Masing-masing menggunakan Anemometer. Pada penampang
pengukuran dilakukan sebanyak tiga kali aliran di mulut evaporator besarnya laju aliran
berturut-turut. Pada masing-masing titik massa udara rata-rata yang meninggalkan
pengukuran dengan menggunakan data evaporator dapat diperkirakan besarnya
temperatur dan kelembaban udara dan dengan berdasarkan pada data massa jenis udara, data
bantuan tool Psychrometric Calculations (The luas penampang aliran pada mulut evaporator
Sugar Engineers) dapat diperoleh data harga dan data kecepatan rata-rata aliran udara.
Beban termal atau beban pendinginan pada

76 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


ruangan dapat dihitung menggunakan data HASIL DAN PEMBAHASAN
beda enthalpy antara udara yang beersirkulasi Hasil pengukuran temperatur rata-rata
di dalam ruangan dengan udara suplai yang sirkulasi udara dari mulai pukul 09.10 sampai
berasal dari evaporator, serta menggunakan dengan pukul 14.00 pada ketiga kondisi operasi
data laju aliran massa udara. yang berbeda diberikan pada Gambar 4.

Temperatur Ruangan ( ⁰ C )
28

27

26

25

24
Kondisi Operasi 1
23
Kondisi Operasi 2
22
Kondisi Operasi 3
21
09.10 09.20 11.00 11.10 11.20 14.00 14.10 14.20 15.00
Waktu Pengukuran

Gambar 4. Karakteristik temperatur sirkulasi udara pada tiga kondisi operasi berbeda

Pada kondisi operasi 1 pengujian udara suplai masing-masing pada harga rata-rata
0
dilakukan dengan mempertahankan konstan 19 C dan 66 % dengan kecepatan rata-rata
tingkat keadaan temperatur dan kelembaban aliran udara suplai yang sama yaitu 2 m/s. Hasil
udara suplai yang berasal dari evaporator pengukuran memperlihatkan bahwa secara rata-
0
masing-masing pada harga rata-rata 12,5 C rata temperatur udara di dalam ruangan pada
dan 67 % dengan kecepatan rata-rata aliran saat mesin pengkondisian udara dioperasikan
udara suplai 2 m/s. Pada kondisi operasi 2 dengan kondisi operasi yang ketiga lebih tinggi
pengujian dilakukan dengan mempertahankan dibandingkan dengan kondisi operasi yang
konstan tingkat keadaan temperatur dan lainnya.
kelembaban udara suplai masing-masing pada Adanya fluktuasi temperatur dan
0
harga rata-rata 15 C dan 53 % dengan kelembaban aliran udara yang bersirkulasi di
kecepatan rata-rata aliran udara suplai yang dalam ruangan selama pengujian berlangsung
sama 2 m/s. Pengujian pada kondisi operasi 3 disebabkan oleh pengaruh beban termal yang
dilakukan dengan mempertahankan konstan berubah-ubah. Beban termal berubah-ubah
tingkat keadaan temperatur dan kelembaban seiring dengan meningkatnya temperatur udara

Budihadi, Soekardi. Karateristik Beban Termal… 77


https://doi.org/10.35760/tr.2019.v24i1.1935
luar bangunan, berubahnya energi panas yang mesin pengkondisian udara dioperasikan pada
masuk ke dalam ruangan melalui ventilasi, kondisi operasi 1, maka temperatur rata-rata
maupun energi panas yang berasal dari sumber udara di dalam ruangan 25 oC. Apabila mesin
panas internal ruangan, seperti dari mesin- dioperasikan pada kondisi operasi 2 temperatur
mesin, produk baterai yang diproses, lampu, rata-rata udaranya 25,4 oC dan apabila mesin
peralatan listrik, serta orang-orang yang dioperasikan pada kondisi operasi 3 maka
bekerja yang ada di dalam ruangan. Apabila temperatur rata-rata udara 26 oC.
48
Kelembaban Ruangan ( % )
46

44

42

40

38

36 Kondisi Operasi 1
Kondisi Operasi 2
34
Kondisi Operasi 3
32
09.10 09.20 11.00 11.10 11.20 14.00 14.10 14.20 15.00
Waktu Pengukuran

Gambar 5. Karakteristik kelembaban udara ruangan selama pengujian berlangsung


Pengujian dilakukan mulai pukul dioperasikan pada kondisi operasi 3. Apabila
09.10 sampai dengan pukul 14.00 pada ketiga mesin dioperasikan pada kondisi operasi 1,
kondisi operasi yang berbeda. Pada saat kelembaban relatif rata-ratanya berkisar 40%.
pengujian dilakukan pengukuran temperatur Pada saat mesin dioperasikan pada kondisi
udara, kelembaban relatif dan hasil operasi 2, kelembaban relatif rata-ratanya
pengukurannya pada lokasi yang telah berkisar 37,3%. Sirkulasi aliran udara yang
ditentukan. Hasil pengujian ketiga kondisi dipergunakan untuk pemroses baterai lithium di
operasi yang berbeda telah dirangkum seperti dalam ruangan yang menjadi objek studi,
diberikan pada Gambar 5. sebelum menyerap energi panas dari sumber
panas dari dalam maupun sumber panas dari
Hasil pengukuran menunjukkan
luar ruangan, masuk ke dalam ruangan dari
bahwa secara umum kelembaban udara di
penampang saluran keluar udara dingin
dalam ruangan paling tinggi rata-rata 42%
evaporator.
pada saat mesin pengkondisian udara

78 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Pada waktu yang bersamaan dengan memperkirakan besarnya enthalpi udara di
pengukuran temperatur dan kelembaban udara lokasi tersebut, yang kemudian memungkinkan
ruangan dilakukan juga pengukuran diperkirakan nya harga beban termal ruangan.
temperatur dan kelembaban udara suplai yang Karakteristik temperatur dan kelembaban aliran
mengalir keluar dari evaporator. Seperti udara suplai yang mengalir keluar dari
halnya pada pengukuran temperatur dan evaporator selama pengujian berlangsung, pada
kelembaban udara ruangan, hasil pengukuran tiga kondisi operasi berbeda masing-masing
kedua parameter tersebut diperlukan untuk diberikan pada Gambar 6 dan Gambar 7.

Temperatur Evaporator ( ⁰ C )
25

20

15

10 Kondisi Operasi 1

5 Kondisi Operasi 2

Kondisi Operasi 3
0
09.10 09.20 11.00 11.10 11.20 14.00 14.10 14.20 15.00
Waktu Pengukuran

Gambar 6. Karakteristik temperatur udara suplai dari evaporator


Pada Gambar 6 ditunjukkan temperatur rata-rata udara suplai dari
o
hasil pengukuran temperatur evaporator 12,5 C. Pada kondisi
evaporator pada tiga kondisi operasi operasi kedua diperoleh hasil
yang berbeda. Temperatur pada pengukuran temperatur rata-rata udara
o
kondisi operasi 1 lebih kecil suplai dari evaporator 15 C. Pada
dibandingakan dua kondisi operasi Kondisi operasi 3 diperoleh hasil
yang lainnya. Hasil pengukuran pengukuran untuk temperatur rata-rata
menunjukkan pada kondisi operasi 1 udara suplai dari evaporator yaitu 19 oC.

Budihadi, Soekardi. Karateristik Beban Termal… 79


https://doi.org/10.35760/tr.2019.v24i1.1935
Kelembaban Evaporator ( % )
70
69
68
67
66
65
64
63
62
61
60
10 20 120 130 140 240 250 260 270

Gambar 7. Karakteristik kelembaban udara suplai dari evaporator


Pada Gambar 7 diberikan hasil operasi 2 dan kelembaban rata-ratanya 53%.
pengukuran kelembaban pada masing-masing Sementara itu kelembaban rata-ratanya 66%
kondisi operasi. Pada kondisi operasi 1 pada saat mesin dioperasikan dengan kondisi
diperoleh kelembaban rata-ratanya 67%. operasi 3.
Apabila mesin dioperasikan pada kondisi

Kecepatan Aliran Udara Pendingin ( m/s)


2,45

2,35

2,25

2,15

2,05

1,95 Kondisi Operasi 1


1,85 Kondisi Operasi 2
KOndisi Operasi 3
1,75
09.10 09.20 11.00 11.10 11.20 14.00 14.10 14.20 15.00
Waktu Pengukuran

Gambar 8. Karakteristik kecepatan rata-rata aliran udara selam pengujian berlangsung

Pada Gambar 8 diberikan karakteristik mengalir keluar dari evaporator. Hasil


kecepaatan rata-rata aliran udara suplai yang pengukuran menunjukkan kecepatan rata-rata

80 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


aliran udara suplai dari evaporator berfluktuasi kelembaban aliran udara suplai yang berasal
pada harga yang relative sama berkisar pada dari evaporator, serta laju aliran massanya maka
harga 2,15 m/s sesuai dengan yang ditetapkan. harga beban termal ruangan dapat diperkirakan.
Pada Gambar 9 diberikan karakteristik beban
Berdasarkan data hasil pengukuran
termal selama pengujian berlangsung pada tiga
temperatur dan kelembaban udara ruangan,
kondisi operasi yang berbeda.
dan hasil pengukuran temperatur dan

Beban Thermal ( kW )
18
16
14
12
10
8
6
4
2
0
09.10 09.20 11.00 11.10 11.20 14.00 14.10 14.20 15.00
WAKTU PENGUKURAN

Kondisi Operasi 1 Kondisi Operasi 2 Kondisi Operasi 3

Gambar 9. Karakteristik beban termal sirkulasi udara di dalam ruangan


Pada Gambar 9 terlihat bahwa selama kondisi operasi 2, yaitu ruangan disuplai oleh
0
pengujian berlangsung setiap hari dari mulai aliran udara dengan temperature 15 C dan
pukul 09.10 sampai pukul 15.00, mesin kelembaban 53 %, serta dengan kecepatan rata-
pengkondisian udara menerima beban termal rata aliran 2 m/s maka konsumsi energinya yang
yang paling rendah, yang berarti bekerja paling tinggi.
dengan konsumsi energi yang paling rendah,
pada saat dioperasikan pada kondisi operasi 3, KESIMPULAN DAN SARAN
di mana ruangan disuplai oleh aliran udara
dengan temperatur 19 oC dan kelembaban Penelitian yang telah dilakukan
relatif 66 %, serta dengan kecepatan rata-rata memberikan peningkatan pemahaman tentang
aliran 2 m/s. Sementara itu apabila mesin kondisi operasi mesin pengkondisian udara
pengkondisian udara dioperasikan pada yang memberikan performance optimal, yaitu

Budihadi, Soekardi. Karateristik Beban Termal… 81


https://doi.org/10.35760/tr.2019.v24i1.1935
performance sistem dengan konsumsi energi future-of-cooling. ( Diakses pada 24
yang paling minimal. Mesin pengkondisian Desember 2018)
udara yang ada di dalam ruangan pemrosesan [2]. Republik Indonesia, “Peraturan Menteri
baterai lithium yang menjadi objek studi akan ESDM No.13 tahun 2012 tentang
bekerja dengan konsumsi energi yang paling Penghematan Pemakaian Tenaga Listrik.”
rendah, apabila dioperasikan pada kondisi di Jakarta: Menteri Energi dan Sumber Daya
mana udara suplai dari evaporator Mineral Republik Indonesia, 2012.
dioperasikan pada temperature 19 oC dan [3]. Tabrizi TB, Hill G, Aitchison M, “The
kelembaban 66 %, serta dengan kecepatan impact of different insulation options on the
rata-rata 2 m/s. Sedangkan apabila life cycle energy demands of a hypothetical
dioperasikan pada kondisi di mana udara residential building,” Procedia
suplai dari evaporator dioperasikan pada Engineering, Vol.180, hal.128-135, 2017.
0
temperature 15 C dan kelembaban 53 % serta [4]. Kass K, dkk., “Pre-assesment method for
dengan kecepatan rata-rata 2 m/s konsumsi historic building stock renovation
energinya adalah yang paling tinggi di antara evaluation,” Energy Procedia, Vol.113,
ketiga kondisi operasi yang telah diterapkan. hal.346-353, 2017.
Untuk memperoleh hasil analisis yang lebih [5]. Lavinia Chiara Tagliabuea, Michela
lengkap maka sebaiknya dilakukan pengujian Buzzetti, Barbara Arosio, “Energy saving
lanjutan, dengan menerapkan 3 variabel secara through the sun: Analysis of visual comfort
bersamaan, yaitu temperatur, kelembaban dan and energy consumption in office space,”
kecepatan aliran udara suplai, untuk Energy Procedia Vol.30, 2012, hal.693 –
mempelajari juga pengaruh kecepatan aliran 703.
udara suplai yang berbeda-beda terhadap [6]. Pervez Hameed Shaikh, Nursyafrizal bin
karakteristik teermal sistem sirkuasi aliran di Moh.Nor, Perumal Nallagowden, Irraivan
dalam ruangan beserta beban termalnya. Elamua Zuthi,”Intelligent multiobjective
optimization building energy and comfort
DAFTAR PUSTAKA management,” Journal of King Saud
University-Engineering science, 2016.
[1]. International Energy Agency, “the future [7]. Baraa J. Al-Khatatbeha, Shouib Nouh
of cooling – opportunities for energy Ma’bdeha, “Improving visual comfort and
efficient air conditioning,” 2018. Dapat energy efficiency in existing classrooms
diakses di: https://webstore.iea.org/the- using passive daylighting techniques,” 4th
International Conference on Energy and

82 Jurnal Ilmiah Teknologi dan Rekayasa Volume 24 No. 1 April 2019


Environment Research, ICEER 2017,
Porto, Portugal, Energy Procedia,
Vol.136, 2017, hal.102–108.
[8]. Michaela Reim, Werner Körner, Bharat.
Chhugani, Stephan Weismann,
”Correlation between energy efficiency in
buildings and comfort of the users,”
CISBAT 2017 International Conference –
Future Buildings & Districts – Energy
Efficiency from Nano to Urban Scale,
CISBAT 2017, Lausanne, Switzerland,
Energy Procedia, Vol.122, 2017, p.457–
462.
[9]. ASHRAE.. Handbook: Fundamentals,
American Society of Heating
Refrigerating and Air Conditioning.
Atlanta: Engineers. Inc. 2009.

Budihadi, Soekardi. Karateristik Beban Termal… 83


https://doi.org/10.35760/tr.2019.v24i1.1935