Seminar Nasional Teknologi Infornasi 2014

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

TIM EDITORIAL
PENANGGUNG JAWAB
Rika Rosnelly, SH, M.Kom (STMIK Potensi Utama)
KETUA PENYUNTING
Ratih Puspasari. M.Kom (STMIK Potensi Utama)
WAKIL KETUA PENYUNTING
Mas Ayoe Elhias Nasution, M.Kom (STMIK Potensi Utama)
PENYUNTING PELAKSANA
Budi Triandi, M.Kom (STMIK Potensi Utama)
Edy Victor Haryanto Sianturi. M.Kom (STMIK Potensi Utama)
Evri Ekadiansyah, M.Kom (STMIK Potensi Utama)
Fina Nasari, M.Kom (STMIK Potensi Utama)
Fitriana Harahap, M.Kom (STMIK Potensi Utama)
Helmi Kurniawan, ST, M.Kom (STMIK Potensi Utama)
Iwan Fitrianto Rahmad (STMIK Potensi Utama)
Khairani Puspita, M.Kom (STMIK Potensi Utama)
Khairul Ummi, M.Kom (STMIK Potensi Utama)
Lili Tanti, M.Kom (STMIK Potensi Utama)
Linda Wahyuni, M.Kom (STMIK Potensi Utama)
Muhammad Rusdi Tanjung, S.Kom, M.Ds (STMIK Potensi Utama)
Rahmadani Pane, M.Kom (STMIK Potensi Utama
Ria Eka Sari, M.Kom (STMIK Potensi Utama)
Rofiqoh Dewi, M.Kom (STMIK Potensi Utama)
Wiwi Verina, M.Kom (STMIK Potensi Utama)
Yudhi Andrian, S.Si, M.Kom (STMIK Potensi Utama)

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

PENERBIT
Program Studi Teknik Informatika
STMIK Potensi Utama
Seminar Nasional Informatika 2014

DAFTAR ISI

Halaman

EVALUASI TINGKAT KEMATANGAN DOMAIN DELIVER AND SUPPORT DENGAN

1 1
FRAMEWORK COBIT 4.1
Sandy Kosasi

SISTEM INFORMASI GEOGRAFIS LETAK LOKASI RENANG UMUM DI KOTA

2 8
MEDAN BERBASIS ANDROID
Andi Sanjaya
ANALISIS KESUKSESAN SISTEM BIMBINGAN ONLINE STMIK AMIKOM
3 YOGYAKARTA 12
Ike Verawati, Wing Wahyu Winarno, Andi Sunyoto

METODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW) DALAM MENENTUKAN

4 KUALITAS KULIT ULAR UNTUK KERAJINAN TANGAN (STUDI KASUS : CV. ASIA 18
EXOTICA MEDAN)
Alfa Saleh, Ria Eka Sari, Harris Kurniawan

PERANCANGAN LAYANAN UNTUK KOSTUMISASI ANTAR MUKA SISTEM

5 24
OPERASI ANDROID BERBASIS WEBSITE
Anggit Dwi Hartanto

PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN

6 30
PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
Fina Nasari

PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN

7 35
IPK MENGGUNAKAN METODE K-MEANS
Hartatik

ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSA PENYAKIT

8 TANAMAN RAMBUTAN DENGAN MENGGUNAKAN 41
METODE FORWARD CHAINING
Khairul Ummi

SIMULASI PERENCANAAN BIAYA IBADAH HAJI DENGAN METODE

9 47
MONTECARLO DAN PERSPEKTIF TIME VALUE OF MONEY
Yudhi Kurniawan, Yuswanto

ANALISIS MATURITY LEVEL IMPLEMENTASI ORANGEHRM MENGGUNAKAN

10 51
FRAMEWORK COBIT 5.0
Fhery Agustin

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI

11 CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION 57
NEURAL NETWORK
Yudhi Andrian, M. Rhifky Wayahdi

ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER UNTUK

12 64
PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
T.Henny, Hanifah Amrul, Darmeli Nasution

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI

13 69
PENYALAHGUNAAN NARKOTIKA
Dahriani Hakim Tanjung

iv
 Seminar Nasional Informatika 2014

PENGGUNAAN ALGORITMA FLOYD WARSHALL DALAM MASALAH JALUR

14 TERPENDEK PADA PENENTUAN TATA LETAK PARKIR 75
Ni Ketut Dewi Ari Jayanti, M.Kom

SISTEM INFORMASI MANAJEMEN BANTUAN LOGISTIK BERBASIS COULD

15 82
COMPUTING (STUDI KASUS : GUNUNG MERAPI)
Rita Novita Sari

PENERAPAN FORWARD CHAINING DALAM SISTEM PAKAR DIAGNOSA HAMA

16 90
DAN PENYAKIT TANAMAN JAGUNG
David

PERANCANGAN APLIKASI KEAMANAN DATA EMAIL MENGGUNAKAN

17 96
ALGORITMA ENKRIPSI RC6 BERBASIS ANDROID
Muhammad Zulham, Helmi Kurniawan, Iwan Fitrianto Rahmad

PENGUKURAN KESELARASAN STRATEGI TEKNOLOGI INFORMASI DAN

18 102
STRATEGI BISNIS DENGAN MODEL LUFTMAN (STUDI KASUS : AMIK XYZ)
Dicky Pratama

PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE AHP STUDI

19 108
KASUS STMIK POTENSI UTAMA
Ria Eka Sari, Alfa Saleh

SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMAAN PEMASANGAN

20 115
LISTRIK SECARA GRATIS MENGGUNAKAN METODE AHP
Shinta Siti Sundari, Dani Rohpandi, Neng Fitri

SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN

21 122
METODE CERTAINTY FACTOR
Linda Wahyuni, Surya Darma

PENGEMBANGAN APLIKASI MULTIMEDIA PENGENALAN DAN PEMBELAJARAN

22 128
ORIGAMI DENGAN PENDEKATAN ADDIE
Muhammad Rusdi Tanjung, Tri Fitrianingsih Parsika

MOBILE MAPPING WISATA DAN KULINER YOGYAKARTA UNTUK WISATAWAN

23 134
BERSEPEDA DENGAN FORMULA HAVERSINE
Bernadhed, Ema Utami, Andi Sunyoto

PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT

24 140
UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI
Evri Ekadiansyah

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN PEMBIMBING DENGAN

25 146
METODE LOGIKA FUZZY
Ainul Yaqin, EmaUtami, Emha Taufiq Luthfi

RANCANGANINDIKATOR TEMPERATUR PADA PROSES FERMENTASI KACANG

26 160
TANAH (TEMPE)
Iwan Fitrianto Rahmad,Dwi Afrianto

ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN

27 KOTA MEDAN MENGGUNAKAN METODE BACK PROPAGATION NEURAL 165
NETWOTK
Yudhi Andrian, Purwa Hasan Putra

PERANCANGAN ALAT STEMPEL OTOMATIS LEMBAR JAWABAN STMIK POTENSI

28 173
UTAMA
Edy Victor Haryanto, Anggit Nataperdana, Harris Kurniawan

v
Seminar Nasional Informatika 2014

ANALISIS PENGUKURAN KUALITAS LAYANAN WEB PERGURUAN TINGGI XYZ

29 MENGGUNAKAN SERVQUAL 178
Dorie Pandora Kesuma

PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACK

30 184
PROPAGATION NEURAL NETWOTK
Yudhi Andrian, Erlinda Ningsih

MONITORING LOG SERVICE PADA SERVER BERBASIS WEB MENGGUNAKAN

31 190
PHPSHELL
Ni Kadek Ariasih, Dandy Pramana Hostiadi

ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN

32 195
METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI
Harris Kurniwan, Fujiati, Alfa Saleh

APLIKASI KALKULATOR AIR SOLUSI UNTUK MENGETAHUI KEBUTUHAN

33 202
CAIRAN DALAM TUBUH BERBASIS ANDROID
I Komang Setia Buana, I Ketut Dedy Suryawan

ANALISIS PERBANDINGAN TINGKAT MATURITY LEVEL SISTEM OTOMASI

PERPUSTAKAAN BERBASIS OPENSOURCE DAN PROPRIETARY MENGGUNAKAN
34 209
FRAMEWORK COBIT 5.0 (STUDY KASUS : PERPUSTAKAAN STMIK POTENSI
UTAMA)
Fhery Agustin

SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI UNSUR HARA PADA

35 216
TANAMAN KELAPA SAWIT
Linda Wahyuni1, Surya Darma, M. Rhifky Wayahdi

TEKNIK PEMBELAJARAN DASAR PENGENALAN ALPHABET PADA ANAK PAUD

36 223
DENGAN MENGGUNAKAN GAME ANDROID
Rahadi Deli Saputra, Asep Parid Soleh Hambali, Royyan Fuad Mulyana

APLIKSASI TES BILANGAN PRIMA MENGUNAKAN RABIN-MILLER, GCD, FAST

37 EXPONENSIAL DAN FAKTORISASI PRIMA UNTUK DASAR MATEMATIS 227
KRIPTOGRAFI
Budi Triandi

PERANCANGAN SISTEM E-CAREERUNTUK MEMPERMUDAH DALAM

38 233
MENDAPATKAN LOWONGAN PEKERJAAN
Gat

SISTEM PENUNJANG KEPUTUSAN PEMBERIAN BEASISWA BIDIKMISI (STUDI

39 240
KASUS : STMIK POTENSI UTAMA)
Edy Victor Haryanto Sianturi

40 ANALISA PERFORMANSI VIDEO STREAMING PADA JARINGAN WIRELESS 802.11n 246

I Gede Putu Krisna Juliharta, Gede Wisnu TeguhSaputra, I Wayan Ardiyasa

PEMANFAATAN METODE AHP SEBAGAI MODEL PEMILIHAN MASKAPAI

41 SEBAGAI TEMPAT KERJA BERDASARKAN MINAT BAGI LULUSAN LPP 253
PENERBANGAN
Lili Tanti

APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND

42 260
PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING
Evi Dewi Sri Mulyani,Egi Badar Sambani, Rian Cahyana

vi
 Seminar Nasional Informatika 2014

43 PERANCANGAN APLIKASI STATISTIK PENDETEKSI PLAGIARISME DOKUMEN 267

TEKS DENGAN ALGORITMA SMITH-WATERMAN
Rofiqoh Dewi

SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMA BANTUAN DANA

44 276
RUTILAHU DENGAN METODE AHP
Ikbal Jamaludin, Nono Sudarsono, Ai Ika Mustika

45 DECISION SUPPORT UNTUK PROMOSI KENAIKAN JABATAN DI PT. XYZ 284

Edy Victor Haryanto Sianturi

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN BIDANG PEKERJAAN BAGI

46 291
LULUSAN LPP PENERBANGAN MENGGUNAKAN METODE ANP
Syafrizal

IDENTIFIKASI HAMBATAN ORGANISASI DENGAN SISTEM

47 296
PENDUKUNG KEPUTUSAN MENGGUNAKAN METODE TOPSIS
Adnan Buyung Nasution

PENGEMBANGAN SISTEM INFORMASI SUMBER DAYA MANUSIA STUDI KASUS:

48 302
PERUSAHAAN DISTRIBUTOR SEPEDA MOTOR
Fandi Halim, Gunawan, Linda

PERANCANGAN WEB PORTAL PADA JARINGAN INTRANET (STUDY KASUS :

49 309
STMIK POTENSI UTAMA)
Fhery Agustin

ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN

50 POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA 314
SENANG
Helmi Kurniawan

51 PERANCANGAN NAVIGASI ROBOT BERBASIS SUARA MENGGUNAKAN ANDROID 320

Iwan fitrianato, Vidi Agung Fragastia

PENERAPAN KNOWLEDGE SHARING AND TRANSFER PADA PT.DUNIA KIMIA

52 325
UTAMA
Fransiska Prihatini Sihotang S.Si, M.T.I

PERANCANG DAN PEMBUATAN BAHAN AJAR PEMETAAN KEKAYAAN BUDAYA

53 332
INDONESIA MENGGUNAKAN PROGRAM JAVA NEATBEANS 6.9
Evri Ekadiansyah

SISTEM INFORMASI INVENTORI BARANG LABORATORIUM KOMPUTER

54 339
BERBASIS ANDROID DI STMIK TASIKMALAYA
Fitri Nuraeni, Teuku Mufizar, Novan Ganda Holis Suparman

IMPLEMENTASI METODE ROUGH SET UNTUK PROMOSI RUMAH BERSALIN

55 344
(STUDI KASUS : BIDAN SRI WAHYUNI KECAMATAN MEDAN MARELAN)
Adil Setiawan

APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA JARINGAN SARAF TIRUAN

56 351
BACKPROPAGATION Arwin Halim, Humuntal Rumapea, Deny Saputra G, Sutan
Chairul Hasbi L

57 SISTEM INFORMASI PENGADAAN LOGISTIK BENCANA BERBASIS WEB 356

Sri Ayu Lestari

vii
Seminar Nasional Informatika 2014

58 PERBANDINGAN KINERJA WIRESHARK DAN CAIN DALAM ANALISIS JARINGAN 362

INTERNET
Edy Victor Haryanto Sianturi, Anderian

PENERAPAN CERTAINTY FACTOR DALAM SISTEM PAKAR MENDIAGNOSA

59 367
HAMA DAN PENYAKIT TANAMAN PAPAYA
Khairul Ummi, Edi Kurniawan

60 SISTEM PENDUKUNG KEPUTUSAN PENENTUAN MAHASISWA TUGAS BELAJAR 372

Cucut Susanto, Abdul Ibrahim

RANCANG BANGUN SISTEM INFORMASI PENDISTRIBUSIAN LOGISTIK BENCANA

61 377
ALAM
Fujiati, Harris Kurniawan, Ria Eka Sari

ANALISIS KINERJA ALGORITMA REDUKSI SIKLIS UNTUK PENYELESAIAN

62 383
SISTEM TRIDIAGONAL PADA SISTEM MULTIPROSESOR BERBASIS PVM
Tri Prabawa

SISTEM PAKAR DIAGNOSA KEKURANGAN VITAMIN PADA MANUSIA

63 389
MENGGUNAKAN METODE DEMPSTER SHAFER
Yudi

SISTEM PAKAR UNTUK MENDETEKSI PENYAKIT AKIBAT BAKTERI

64 SALMONELLA DALAM TUBUH MANUSIA MENGGUNAKAN METODE CERTAINTY 394
FACTOR
Nita Sari Br Sembiring

SISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN METODE CERTAINTY

65 FACTOR (STUDI KASUS RUMAH SAKIT JIWA DAERAH PROVINSI SUMATERA 400
UTARA)
Charles Jhony Mantho Sianturi

SISTEM PENGGERAK KURSOR MELALUI PENGOLAHAN CITRA JARI TANGAN

66 406
MENGGUNAKAN EMGUCV
Muchammad Naseer , I Gede Suardika, I Gede Putu Teguh Pramudya Ananta

RANCANGAN APLIKASI UNTUK MENGANALISA BUS PT.PUTRA PELANGI MEDAN

DALAM MENENTUKAN KONDISI MESIN YANG LAYAK UNTUK
67 413
DIBERANGKATKAN DENGAN MENGGUNAKAN METODE SAW (SIMPLE ADDITIVE
WEIGHTING)
M.Hari Ramadhan

PENGUKURAN TINGKAT KEPUASAN PENGGUNASISTEM INFORMASI AKADEMIK

68 419
ONLINE STUDI KASUS STMIK STIKOM BALI
Ni Kadek Sumiari, I Nyoman Yudi Anggara Wijaya

METODE DAMPSTER SHAFER UNTUK DIAGNOSA DAN KLASIFIKASI

69 PENYALAHANGUNAAN JENIS NAPZA (NARKOTIKA PSIKOTROFIKA DAN ZAT 426
ADITIF LAINNYA)
Heri Gunawan

70 PENGAMANAN SQLITE DATABASE MENGGUNAKAN KRIPTOGRAFI ELGAMAL 432

Deni Adhar

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN MUTU BIJI KAKAO

71 438
LAYAK JUAL DENGAN METODE SIMPLE ADDITIVE WEIGHTED
Abdul Meizar

viii
 Seminar Nasional Informatika 2014

KATA PENGANTAR

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

Medan, September 2014

Ketua Panitia

Ratih Puspasari, M.Kom

iii
 Seminar Nasional Informatika 2014

EVALUASI TINGKAT KEMATANGAN DOMAIN DELIVER AND

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

Abstrak

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

Kata Kunci: tata kelola teknologi informasi, deliver and support (DS), tingkat kematangan, COBIT 4.1

1. Pendahuluan informasi dengan prioritas bisnis. Optimalisasi

Perkembangan teknologi informasi
senantiasa mempengaruhi struktur dan kinerja
perusahaan dalam memberikan tingkat layanan
yang dapat memuaskan kebutuhan dan keinginan
konsumen. Melalui ketersediaan tingkat layanan
teknologi informasi dalam menyediakan
informasi yang tepat, relevan dan memiliki
akurasi yang tinggi merupakan kebutuhan yang
sangat penting untuk mempertahankan daya saing
perusahaan dari waktu ke waktu. Kenyataan ini
memperlihatkan bahwa untuk mencapai tingkat
layanan teknologi informasi harus memiliki tata
kelola teknologi informasi yang tepat sehingga
dapat menjamin kinerja setiap proses bisnis
perusahaan menjadi lebih efektif dan efisien
dalam mencapai tujuannya [2]. Ketersediaan
layanan teknologi informasi juga menjadi
perhatian penting bagi sebagian besar perusahaan
ritel yang ada di Kota Pontianak.
Sebagai perusahaan yang bergerak dibidang
ritel selalu akan berhubungan dengan konsumen
sehingga membutuhkan layanan teknologi
informasi yang prima. Ketersediaan layanan ini
merupakan kebutuhan penting, dimana mereka
harus mampu memenuhi sasaran indikator kinerja
perusahaan. Harus memiliki standarisasi sistem
layanan teknologi informasi antara pihak
perusahaan dengan para mitra atau vendor
penyedia jasa. Keselarasan layanan teknologi
pengelolaan biaya teknologi informasi. Sistem
teknologi informasi berperan produktif dan aman.
Memadai dari sisi kerahasiaan, integritas dan
ketersediaan informasi. Berkaitan dengan layanan
dan dukungan teknologi informasi yang ada saat
ini terhadap proses bisnis organisasi, maka perlu
untuk melakukan penilaian terhadap tingkat
kematangan ketersediaan layanan teknologi
informasi saat ini dan peningkatannya di masa
mendatang [8.9].
Penelitian sejenis yang hanya membahas
dari sisi domain DS untuk beberapa kasus di
perguruan tinggi memperlihatkan bahwa rata-rata
tingkat kematangan untuk ketersediaan layanan
teknologi informasi berada di skala 3 (define).
Kepatutan prosedur sisi layanan teknologi
informasi masih sebatas ketersediaan prosedur,
belum sampai pada tahap penerapan dengan unsur
pengawasan dari setiap prosedur tersebut
sebagaimana mestinya [7,10-12]. Penelitian ini
hanya membahas dari domain DS untuk
perusahaan ritel. Relevansi penelitian sebelumnya
dengan penelitian ini adalah ketersediaan
informasi dalam jumlah banyak untuk pengguna
yang bervariasi.
Tujuan penelitian untuk mengetahui nilai
kesenjangan antara tingkat kematangan yang ada
dengan tingkat kematangan yang diharapkan
dalam tata kelola teknologi informasi untuk

1
Seminar Nasional Informatika 2014
perusahaan ritel dari sisi domain DS. Selanjutnya
dari hasil evaluasi dilanjutkan dengan membuat
rekomendasi tata kelola teknologi informasi DS5
sesuai indikator kinerja perusahaan dalam suatu
hubungan antara keterkaitan proses DS5 dengan
proses teknologi informasi lainnya.
Penelitian ini berbentuk survei dengan
metode research and development (R&D).
Penilaian tingkat kematangannya menggunakan
metode eksplanasi. Responden penelitian
sebanyak 30 perusahaan ritel dengan teknik
purposive sampling. Instrumen menggunakan
kuesioner dan dikelompokkan berdasarkan
proses, setiap proses dibagi menurut
tingkatannya, dan setiap tingkat di sajikan butir-
butir pertanyaan menggunakan skala Guttman.
Evaluasi tingkat kematangan menggunakan
framework COBIT 4.1. Pengolahan data diawali
dengan menghitung tingkat kematangan.
Kemudian mengolah tingkat kematangan masing-
masing proses. Selanjutnya menghitung agregasi
tingkat kematangan melalui rata-rata aritmatik.
Terakhir hasil agregasi disajikan dalam bentuk
tabel dan grafik radar menggunakan perangkat
lunak Microsoft Excel.
2. Tata Kelola Teknologi Informasi
Tata kelola teknologi informasi
didefinisikan sebagai suatu bagian integral dari
tata kelola organisasi yang terdiri atas
kepemimpinan, struktur dan proses organisasional
yang memastikan bahwa teknologi informasi
organisasi berlanjut serta meningkatkan tujuan
dan strategi organisasi [5]. Tata kelola teknologi
informasi melakukan penspesifikasian hak
keputusan dan rerangka akuntabilitas untuk
mengarahkan perilaku yang diinginkan dalam
penggunaan teknologi informasi. Tata kelola
teknologi informasi tidak sekedar pembuatan
keputusan spesifik tetapi lebih kepada penentuan
siapa yang secara sistematis membuat dan
berkontribusi pada keputusan tersebut [3].
Performansi tata kelola teknologi informasi
untuk memenuhi adanya keselarasan teknologi
informasi dengan tujuan organisasi, pemanfaatan
teknologi informasi memungkinkan organisasi
mendapatkan peluang-peluang bisnis baru serta
memberikan manfaat maksimal, sistem
pengelolaan bertanggungjawab dalam
pemberdayaan teknologi informasi, pengelolaan
terhadap resiko-resiko teknologi informasi yang
mungkin terjadi [2]. Untuk dapat berhasil,
teknologi informasi tidak cukup hanya diatur oleh
departemen teknologi informasi saja, tetapi harus
dikelola ditingkat korporasi dengan
mengintegrasikan semua unit proses bisnis agar
memiliki kesamaan pandangan dalam
menghasilkan tujuan jangka pendek dan jangka
panjang [3, 5-6].
2
2.1. Framework COBIT 4.1
Framework COBIT 4.1 merupakan kerangka
tata kelola teknologi informasi yang ditujukan
kepada manajemen, staf pelayanan teknologi
informasi, departemen kontrol, fungsi audit dan
pemilik proses bisnis, memastikan
confidenciality, integrity, availability data serta
informasi sensitif dan kritikal [1].
Framework COBIT 4.1 memiliki empat
domain, yaitu PO (Plan and Organize), AI
(Acquire and Implement), DS (Deliver and
Support), dan ME (Monitor and Evaluate) [1].
Sehubungan dengan ketersediaan layanan
teknologi informasi, maka difokuskan domain
DS. Evaluasi tingkat kematangan domain DS
mencerminkan kesiapan teknologi informasi
mencapai keselarasan strategi, tujuan dan sasaran
perusahaan [3].
Penerapan teknologi informasi memiliki dua
model kendali. Model kendali bisnis dan model
kendali teknologi informasi. Framework COBIT
4.1 dapat menjembatani kesenjangan dari kedua
jenis kendali tersebut melalui tingkat objektif
kontrol , yaitu activities dan tasks, process,
domains (gambar 1) [5,6]. Pedoman COBIT 4.1
terdiri atas Control Objectives, Audit Guidelines
dan Management Guidelines. Karakteristik
utamanya fokus pada bisnis, orientasi pada proses
bisnis, berbasis kontrol dan dikendalikan melalui
sebuah pengukuran agar hasilnya menjadi lebih
akurat [4].
Gambar 1. Model COBIT Cube
2.2. Domain Deliver and Support (DS)
Domain ini mencakup penyampaian hasil
aktual, termasuk pengelolaan kelancaran dan
keamanan, dukungan layanan terhadap pengguna,
pengelolaan data dan operasional fasilitas. Faktor
kritis sukses DS meliputi keselarasan layanan
teknologi informasi dengan prioritas bisnis,
optimalisasi biaya teknologi informasi,
kemampuan pengguna menggunakan sistem
teknologi informasi secara produktif dan aman,
kerahasiaan, integritas dan ketersediaan [1, 5-6].
Proses teknologi informasi domain DS,
terdiri dari: DS1 (Mendefinisikan dan mengelola
tingkat layanan), DS2 (Mengelola layanan pihak
ketiga), DS3 (Mengelola kinerja dan kapasitas),
 Seminar Nasional Informatika 2014

DS4 (Memastikan layanan berkelanjutan), DS5

(Me mastikan keamanan sistem), DS6
(Mengidentifikasi dan mengalokasikan biaya),
DS7 (Mendidik dan melatih pengguna), DS8
(Mengelola service desk dan insiden), DS9
(Mengelola konfigurasi), DS10 (Mengelola
permasalahan), DS11 (Mengelola data), DS12
(Mengelola lingkungan fisik), DS13 (Mengelola
operasi) [1, 5-6].

2.3. Model Tingkat Kematangan

Tingkat kematangan memberikan
identifikasi sejauhmana perusahaan telah Gambar 2. Grafik Model Kematangan
memenuhi standar pengelolaan proses teknologi
informasi. Model kematangan memiliki tingkatan 3. Hasil Penelitian
pengelompokkan kapabilitas pengelolaan proses 3.1. Evaluasi Tata Kelola Teknologi Informasi
teknologi informasi dari tingkat 0 (nol/non- Melalui hasil pengukuran tingkat
existent) hingga tingkat 5 (optimised) dalam kematangan tata kelola teknologi informasi ini
bentuk grafis (gambar 2) dengan tujuan selain akan diketahui penilaian tentang kondisi
kemudahan dalam pemahaman secara ringkas saat ini juga dapat mengetahui kondisi tata kelola
bagi pihak manajemen melalui deskripsi masing- teknologi informasi yang diharapkan. Hasil
masing tingkat kedewasaan secara umum (tabel 1) pengukuran tingkat kematangan tata kelola
[2, 5-6]. teknologi informasi domain DS dalam perusahaan
ritel (tabel 2).
Tabel 1. Model Kematangan
Level Kriteria Kedewasaan Tabel 2. Rekapitulasi Perhitungan Domain DS
0 Kekurangan yang menyeluruh terhadap proses Domain Proses Current
Non existent apapun yang dapat dikenali. Perusahaan bahkan Maturity
tidak mengetahui bahwa terdapat permasalahan- Level
permasalahan yang harus diatasi. DS1 Mendefinisikan dan mengelola tingkat 2,804
1 Terdapat bukti bahwa perusahaan mengetahui layanan
Initial/Ad adanya permasalahan yang harus diatasi. DS2 Mengelola layanan pihak ketiga 2,791
Hoc Bagaimanapun juga tidak terdapat proses standar,
namun menggunakan pendekatan ad hoc yang DS3 Mengelola kinerja dan kapasitas 2,675
cenderung diberlakukan secara individu atau DS4 Memastikan layanan yang 2,674
berbasis per kasus. Secara umum pendekatan berkelanjutan
kepada pengelolaan proses tidak terorganisasi. DS5 Memastikan keamanan sistem 2,563
2 Proses dikembangkan ke dalam tahapan yang DS6 Mengidentifikasi dan mengalokasikan 2,575
Repeatable prosedur serupa diikuti oleh pihak-pihak yang biaya
but intuitive berbeda untuk pekerjaan yang sama. Tidak
terdapat pelatihan formal atau pengomunikasian DS7 Mendidik dan melatih pengguna 2,864
prosedur standar dan tanggung jawab diserahkan DS8 Mengelola service desk dan insiden 2,688
kepada individu masing-masing. Terdapat tingkat DS9 Mengelola konfigurasi 2,825
kepercayaan yang tinggi terhadap pengetahuan
DS10 Mengelola permasalahan 2,763
individu sehingga kemungkinan kesalahan besar
dapat terjadi. DS11 Mengelola data 2,886
3 Prosedur distandarisasi dan didokumentasikan DS12 Mengelola lingkungan fisik 2,867
Defined kemudian dikomunikasikan melalui pelatihan. DS13 Mengelola operasi 2,772
Kemudian diamanatkan bahwa proses-proses
Rata – Rata Domain 2,750
tersebut harus diikuti. Namun penyimpangan tidak
mungkin dapat terdeteksi. Prosedur sendiri tidak
lengkap namun sudah memformalkan praktek yang
berjalan.
Secara rata-rata domain DS ini memiliki
4 Manajemen mengawasi dan mengukur kepatutan nilai 2,750, dan berada dalam skala tingkat
Managed and terhadap prosedur dan mengambil tindakan jika kematangan dari 2,51 – 3,50. Kriteria
Measurable proses tidak dapat dikerjakan secara efektif. Proses
berada di bawah peningkatan yang konstan dan kedewasaannya dimana prosedur distandarisasi
penyediaan praktek yang baik. Otomatisasi dan dan didokumentasikan melalui pelatihan.
perangkat digunakan dalam batasan tertentu.
5 Proses telah dipilih ke dalam tingkat praktek yang
Kemudian diamanatkan bahwa proses-proses
Optimised baik, berdasarkan hasil dari perbaikan tersebut harus diikuti. Namun penyimpangan
berkelanjutan dan pemodelan kedewasaan dengan tidak mungkin dapat terdeteksi. Prosedur sendiri
perusahaan lain. Teknologi informasi digunakan
sebagai cara terintegrasi untuk mengotomatisasi tidak lengkap namun sudah memformalkan
alur kerja, penyediaan alat untuk peningkatan praktek yang berjalan. Berdasarkan hasil evaluasi
kualitas dan efektivitas serta membuat perusahaan
cepat beradaptasi.
tingkat kematangannya saat ini dan yang
diharapkan dapat dibuat representasinya dalam
bentuk grafik radar (gambar 3).
Tingkat kematangan saat ini (current
maturity level) yang tertinggi dalam domain DS
berada pada proses DS11 dalam hal ini yaitu

3
Seminar Nasional Informatika 2014

mengelola data dengan nilai tingkat yaitu 2,563. Hal ini terjadi karena kebanyakan
kematangannya adalah 2,886. Hal ini dikarenakan perusahaan ritel belum memiliki suatu integritas
organisasi menyadari bahwa kebutuhan untuk informasi dan proses manajemen keamanan untuk
mengelola data yang efektif membutuhkan melindungi aset teknologi informasi. Peran
identifikasi kebutuhan data. Proses manajemen keamanan teknologi informasi masih menjadi
data juga mencakup pembentukan prosedur yang wacana, kebijakan, standar dan prosedur masih
efektif untuk mengelola media backup dan berjalan sendiri-sendiri dengan pola tersebar dan
pemulihan data, termasuk prosedur pengeluaran belum menyatu satu dengan lainnya. Pelaksanaan
data dari media yang digunakan. Melalui dan pengawasan manajemen keamanan belum
manajemen data yang efektif dapat membantu dilakukan secara periodik dari waktu ke waktu
memastikan kualitas, ketepatan waktu dan dan masih bergantung kepada masing-masing unit
ketersediaan data untuk keperluan pihak kerja. Tindakan korektif masih bersifat reaktif dan
manajemen dalam proses pengambilan penanganannya belum memiliki integrasi secara
kepsutusan. Nilai kematangan ini masih perlu menyeluruh dan masih rentan terhadap insiden
ditingkatkan melalui pembenahan prosedur dalam yang mungkin terjadi.
pengaturan data teknologi informasi dan
pengawasannya harus dilaksanakan secara Tabel 3. Kesenjangan Tingkat Kematangan
konsisten. Domai PROSES Hasil Matu
n Pengujian rity
Level
DS1 Mendefinisikan dan 2,804 3
mengelola tingkat layanan
DS2 Mengelola layanan pihak 2,791 3
ketiga
DS3 Mengelola kinerja dan 2,675 3
kapasitas
DS4 Memastikan layanan yang 2,674 3
berkelanjutan
DS5 Memastikan keamanan 2,563 3
sistem
DS6 Mengidentifikasi dan 2,575 3
mengalokasikan biaya
DS7 Mendidik dan melatih 2,864 3
pengguna
DS8 Mengelola service desk dan 2,688 3
insiden
DS9 Mengelola konfigurasi 2,825 3
Gambar 3. Model Tingkat Kematangan DS10 Mengelola permasalahan 2,763 3
DS11 Mengelola data 2,886 3
3.2. Analisis Kesenjangan Kematangan DS12 Mengelola lingkungan fisik 2,867 3
DS13 Mengelola operasi 2,772 3
Tingkat kematangan yang ditetapkan
sebagai acuan dalam model pengelolaan teknologi
informasi adalah nilai kematangan pada posisi ke 3.3. Implikasi Pada Aspek Manajerial
3 (ditetapkan/define). Kriteria kematangan Penerapan tata kelola teknologi informasi di
dimana prosedur distandarisasi dan lingkungan perusahaan ritel diharapkan dapat
didokumentasikan kemudian dikomunikasikan mencapai tingkat kematangan pada posisi ke 3
melalui pelatihan. Kemudian diamanatkan bahwa (ditetapkan/define) dengan spesifikasi yang
proses-proses tersebut harus diikuti. Namun memenuhi standarisasi COBIT 4.1. Sementara
penyimpangan tidak mungkin dapat terdeteksi. dari sisi berdasarkan hasil perhitungan tingkat
Prosedur sendiri tidak lengkap namun sudah kematangan dapat dilihat bahwa tingkat
memformalkan praktek yang berjalan. kematangan tata kelola teknologi informasi masih
Berdasarkan hasil perhitungan tingkat berkisar dalam skala interval 2,51 – 3,50 yaitu
kematangan yang telah dilakukan ternyata belum pada tingkat kematangan pada posisi ke 3
sepenuhnya berada pada kriteria kedewasaan (ditetapkan/define) dan belum melebihi dari nilai
dengan tingkat kematangan pada posisi ke 3 batas maksimal 3,50. Hal ini menandakan bahwa
(ditetapkan/define) sehingga perlu dilakukan terdapat sejumlah kesenjangan yang harus
analisa untuk menutupi kesenjangan antara dihilangkan agar tingkat kematangan yang
tingkat kematangan saat ini dengan tingkat diinginkan dapat dicapai dengan baik. Untuk itu
kematangan yang diharapkan. Kesenjangan antara harus dilakukan perbaikan-perbaikan keseluruhan
kedua tingkat kematangan tersebut untuk setiap proses teknologi informasi pada domain Deliver
proses dengan domain DS yang akan dilakukan and Support (DS) dengan merujuk kepada detail
dalam penerapan teknologi informasi di sejumlah objektif kontrol masing-masing proses. Rincian
perusahaan ritel (tabel 3). kriteria implikasi hasil penelitian dibawah ini
Tingkat kematangan saat ini yang terendah (tabel 4).
dalam domain DS pada proses DS5 yang
mewakili proses memastikan keamanan sistem

4
 Seminar Nasional Informatika 2014

Tabel 4. Implikasi Pada Aspek Manajerial standar pengelolaan teknologi informasi yang
Domain PROSES Current Expected Selisih Priority baik.
Maturity Maturity Type
Selain peningkatan proses, pihak manajemen
DS1 Mendefinisikan perlu melakukan tindakan perbaikan terhadap
dan mengelola 2,804 3 0,196 Priority
tingkat layanan ketidaksesuaian proses yang telah ada terhadap
DS2 Mengelola standar sehingga tidak akan terjadi hal serupa di
layanan pihak 2,791 3 0,209 Priority
ketiga masa mendatang. Oleh karena pentingnya
DS3 Mengelola peningkatan pengelolaan proses, kemampuan
kinerja dan 2,675 3 0,325 Priority
kapasitas penentuan indikator pengukuran kinerja dan
DS4 Memastikan pemahaman kondisi eksisting perusahaan-
layanan yang 2,674 3 0,326 Priority
berkelanjutan perusahaan ritel melalui penentuan tingkat
DS5 Memastikan kematangan, menjadi hal kritis penentu langkah
keamanan 2,563 3 0,437 Priority
sistem yang harus dilakukan pihak manajemen dalam
DS6 Mengidentifikasi perbaikan berkelanjutan. Lebih jauh lagi
dan
mengalokasikan
2,575 3 0,425 Priority dibutuhkan keterlibatan yang berkesinambungan
biaya antara pihak manajemen dengan pengguna yang
DS7 Mendidik dan
melatih 2,864 3 0,136 Priority terlibat dalam proses teknologi informasi untuk
pengguna memastikan bahwa langkah yang diambil sesuai
DS8 Mengelola
service desk dan 2,688 3 0,312 Priority dengan kejadian aktual.
insiden
DS9 Mengelola 2,825 3 0,175 Priority
konfigurasi 3.4. Tata Kelola Teknologi Informasi DS5
DS10 Mengelola 2,763 3 0,237 Priority Key Performace Indicators (KPI) dari
permasalahan
DS11 Mengelola data 2,886 3 0,114 Priority
domain DS terkait objektif kontrol untuk prosess
DS12 Mengelola 2,867 3 0,133 Priority
DS5 yaitu memastikan keamanan sistem dalam
lingkungan fisik tata kelola teknologi informasi tersebut yang
DS13 Mengelola 2,772 3 0,228 Priority
operasi berkaitan dengan objektif kontrol yang lain
dimana sebagai kontol objektif input terdiri dari
Berdasarkan tabel 4 dapat diketahui bahwa PO2 (mendefinisikan arsitektur informasi), PO3
implikasi hasil penelitian pada aspek manajerial (menentukan arahan teknologi informasi), PO9
memperlihatkan semua rincian proses tersebut (menaksir dan mengelola resiko teknologi
memiliki nilai dari tipe prioritas yang berbeda informasi), AI2 (memperoleh dan memelihara
dari sisi kebutuhan untuk segera dilakukan perangkat lunak aplikasi), DS1 (mendefinisikan
perbaikan. Selanjutnya untuk proses-proses dan mengelola tingkat layanan) dan sebagai hasil
lainnya yang perlu diperbaiki adalah rata-rata objektif kontrol terdiri dari DS8 (definisi
proses tata kelola teknologi informasi dengan tipe peristiwa keamanan), DS7 (kebutuhan pelatihan
prioritas (priority). Domain-domain yang spesifik pada kesadaran akan keamanan), ME1
merupakan prioritas untuk diperbaiki, meliputi (laporan proses kinerja), AI6 (keperluan
DS1, DS2, DS3, DS4, DS5, DS6, DS7, DS8, perubahan keamanan), PO9 (ancaman keamanan
DS9, DS10, DS11, DS12, DS13. dan kerentanan), DS11 (rencana keamanan dan
Hasil pengukuran ini akan membawa pada kebijakan teknologi informasi).
kebutuhan akan pendefinisian tingkat kematangan Untuk meningkatkan nilai tingkat
proses yang mengindikasikan bahwa semakin kematangan khususnya pada DS5 (memastikan
baik hasil pengukuran kinerja atau semakin keamanan sistem), maka perusahaan ritel harus
terpenuhinya ukuran kinerja yang didefinisikan, melakukan pengelolaan keamanan teknologi
maka tingkat kematangan proses semakin tinggi informasi di tingkat organisasi tertinggi yang
juga. Tingkat kematangan ditentukan dengan sesuai agar tindakan pengelolaan keamanan
menyesuaikan hasil pengukuran dengan standar selaras dengan kebutuhan bisnis. Membuat
yang ada dalam framework COBIT 4.1. rencana keamanan teknologi informasi dalam
Pihak manajemen kemudian meninjau hasil rangka untuk menerjemahkan fungi bisnis, resiko
pengukuran kinerja dan tingkat kematangan tiap dan kebutuhan akan kepatutan terhadap seluruh
proses kemudian dengan mengacu kepada standar rencana keamanan teknologi informasi, yang
framework COBIT 4.1 mengarahkan kepada mempertimbangkan infrastruktur teknologi
pemenuhan objektif kontrol dalam tiap proses informasi dan budaya keamanan. Memberikan
teknologi informasi. Hal ini dapat dilakukan jaminan kepastian bahwa rencana keamanan
dengan mendefinisikan kebijakan hingga diimplementasikan dalam kebijakan keamanan
prosedur, mengubah nilai indikator kinerja, dan prosedur bersama dengan investasi yang
penambahan objektif kontrol berikut kontrolnya sesuai terhadap layanan, sumberdaya manusia,
maupun penyempurnaan proses teknologi perangkat lunak dan perangkat keras. Harus dapat
informasi hingga diperoleh jaminan bahwa mengomunikasikan kebijakan keamanan dan
pengelolaan proses telah dilakukan memenuhi prosedur kepada pemangku kepentingan dan

5
Seminar Nasional Informatika 2014

pengguna. Kepastian bahwa semua pengguna

DS8
(internal, eksternal dan sementara) dan Definisi peristiwa
aktivitasnya dalam sistem teknologi informasi keamanan
PO2
(aplikasi bisnis, lingkungan teknologi informasi, Mendefinisikan
sistem operasi, pengembangan dan pemeliharaan) arsitektur informasi
DS7
secara spesifik teridentifikasi. Memungkinkan Kebutuhan pelatihan
spesifik pada
pengenalan pengguna melalui mekanisme yang kesadaran akan
otentik. Melakukan konfirmasi bahwa pengguna PO3 keamanan
Menentukan arahan
menggunakan hak terhadap sistem dan data yang teknologi informasi
selaras dengan kebutuhan bisnis terdokumentasi
ME1
dan terdefinisi serta kebutuhan kerja dilampirkan Laporan proses kinerja
dalam identitas pengguna. Kepastian bahwa hak PO9
DS5
Menaksir dan
akses pengguna yang diminta manajemen mengelola resiko
Memastikan Keamanan
Sistem
pengguna dan disetujui pemilik sistem dan teknologi informasi

diimplementasikan oleh pihak yang bertanggung AI6

Keperluan perubahan
jawab terhadap keamanan. Melakukan AI2
Keamanan
pemeliharaan identitas pengguna dan hak akses ke Memperoleh dan
memelihara perangkat
dalam tempat penyimpanan utama. Membuat lunak aplikasi
penyebaran pengukuran prosedur dan teknis yang PO9
efektif biaya dan membuatnya tetap mutakhir, Ancaman keamanan
dan kerentanan
otentifikasi dan penggunaan hak akses. DS1
Mendefinisikan dan
Fokus dalam tata kelola DS ini merujuk mengelola tingkat
layanan
kepada proses mendefinisikan kebijakan,
DS11
prosedur, dan standar keamanan teknologi Rencana keamanan dan
informasi, serta memonitor, mendeteksi, kebijakan IT

melaporkan dan menyelesaikan kerentanan

keamanan dan insiden. Proses memastikan
keamanan sistem ini harus menjadi tanggung
jawab bersama pihak manajemen dan semua
fungsi bisnis atau unit kerja yang terlibat untuk
mencapai suatu sistem terintegrasi. Insiden
keamanan harus ditangani dengan prosedur
respons insiden yang formal yang didukung oleh
alat-alat yang terotomatisasi. Melakukan analisa
resiko dan dampak keamanan teknologi informasi
dilakukan secara konsisten. Senantiasa melakukan
penilaian keamanan dan dilaksanakan secara
periodik untuk mengevaluasi efektivitas
implementasi dari rencana keamanan. Untuk
keterkaitan objektif kontrol tersebut (gambar 4).
Gambar 4. Keterkaitan Proses DS5 dengan
Proses Teknologi Informasi Lainnya
4. Simpulan
Nilai tingkat kematangan domain DS, rata-
rata 2,629 ~ 3, artinya belum semuanya secara
spesifik sudah pada posisi ke 3 (defined). Untuk
mencapai tingkat kematangan yang diinginkan,
perusahaan ritel harus memiliki mekanisme dan
prosedur mengenai tata cara dan manajemen
proses investasi teknologi informasi, agar dapat
mengomunikasikan kepada pimpinan perusahaan.
Tata kelola teknologi informasi DS5 memiliki
hubungan keterkaitannya yaitu masukan objektif
kontrol terdiri dari PO2, PO3, PO9, AI2, DS1
dan hasil objektif kontrol terdiri dari DS8; DS7;
ME1; AI6; PO9; DS11. Evaluasi tingkat
kematangan harus diukur secara periodik dan
tidak hanya domain DS, namun perlu juga
melibatkan domain lainnya agar memiliki
kesatuan informasi yang jelas dan terukur dalam
perumusan dan perencanaan tata kelola teknologi
informasinya dalam mencapai tingkat kematangan
yang diharapkan.

Daftar Pustaka:

[1] Brand, Koen., and Boonen, Harry., 2005, IT

Governance Based on COBIT ®4.1: A
Management Guide, Third Edition, Van
Haren Publishing.

6

[2] Debreceny, Roger S. and Gray, Glen L.,
2013, IT Governance and Process Maturity:
A Multinational Field Study, Journal of
Information Systems, Vol.27, No.1, Spring
2013, pp. 157-188.
[3] Grembergen, Wim Van., De Haes., 2008, IT
Governance Implementation Guide, ITGI.
[4] IT Governance Institute, 2000, COBIT:
Management Guidelines, ITGI.
[5] IT Governance Institute, 2007, COBIT 4.1:
Framework, Objektif kontrol s, Management
Guidelines, Maturity Models, ITGI.
[6] IT Governance Institute, 2010, IT Standards,
Guidelines, and Tools and Techniques for
Audit and Assurance and Control
Professionals, ISACA, ITGI.
[7] Kurniawan, Yogiek Indra, Pengukuran
Tingkat Maturity Domain Planning and
Organizing Menggunakan COBIT 4.1, KNSI
2013, STMIK Bumigora Mataram, 14-16
Pebruari 2013, hal 430-435.
[8] Radovanovic, Dalibor., Radojevic, Tijana.,
Lucic, Dubravka., and Sarac, Marko, 2010,
Analysis of Methodology for IT Governance
and Information Systems Audit 6th
International Scientific Conference, ISSN
2029-4441 print/ISSN 2029-428X CD,
Seminar Nasional Informatika 2014
Vilnius Lithuania, May 13-14, (hal 943-
949).
[9] Raodeo, Vaishali., 2012, IT Strategy and
Governance: Frameworks and Best Practice,
International Journal of Research in
Economics & Social Sciences, Vol 2 Issue 3,
March, ISSN:2249-7382, (hal 49-59).
[10] Rijayana, Iwan., dan Dianisa, Fahrin., Audit
Sistem Informasi Menggunakan Framework
COBIT Pada Domain Delivery and Support
(DS) Studi Kasus: Universitas Widyatama,
KNSI 2014, STMIK Dipanegara Makassar,
27 Pebruari-01 Maret 2014, hal 1701-1706.
[11] Sujana, Nana., Ramlan, H., Sakam,
R.Djunaedy., Penilaian Tingkat Kematangan
Tata Kelola Teknologi Informasi Dengan
Menggunakan Framework COBIT 4.1 (Studi
Kasus: SPTIK Universitas Pasundan), KNSI
2013, STMIK Bumigora Mataram, 14-16
Pebruari 2013.
[12] Supradono, Bambang., Tingkat Kematangan
Tata Kelola Teknologi Informasi (IT
Governance) Pada Layanan dan Dukungan
Teknologi Informasi (Kasus: Perguruan
Tinggi Swasta Di Kota Semarang), Seminar
Nasional Teknologi Informasi dan
Komunikasi Terapan 2011. ISBN 979-26-
0255-0.
7
Seminar Nasional Informatika 2014

SISTEM INFORMASI GEOGRAFIS LETAK KOLAM RENANG

UMUM DI KOTA MEDAN BERBASIS ANDROID
Andi Sanjaya

STMIK POTENSI UTAMA

Jl. KL Yos Sudarso Km. 6.5 No. 3A , Medan, telp/fax: (061) 6640525
Email : andi.sj7@gmail.com

Abstrak

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

Kata kunci: Android, Kolam Renang, Sistem Informasi Geografis.

1. PENDAHULUAN Pariwisata Di Kota Bandung Berbasis Website”[2]

Sulitnya masyarakat mencari suatu lokasi juga
menjadi alasan kenapa peneliti membuat
penelitian ini. Khususnya mencari letak kolam
renang di Kota Medan. Renang juga dapat
menjadi fasilitas bermain untuk anak-anak dan
sebagai tempat rekreasi yang sangat di gemari
oleh masyarakat. Olahraga renang juga sangat
baik untuk kesehatan. Dimana kesehatan menjadi
faktor yang sangat penting dalam kehidupan
manusia agar dapat melakukan berbagai aktifitas
dengan baik. Fasilitas dan tempat olahraga renang
yang kita inginkan haruslah sesuai dengan yang
kita butuhkan, agar kita dapat renang dengan
nyaman. Oleh karena itu diperlukannya Sistem
Informasi Georafis (SIG) atau Georaphic
Information Sistem (GIS) yang merupakan suatu
sistem informasi yang berbasis komputer,
dirancang untuk bekerja dengan menggunakan
data yang memiliki informasi spasial (bereferensi
keruangan). Sistem ini menangkap, mengecek,
mengintegrasikan, memanipulasi, menganalisa,
dan menampilkan data yang secara spasial
mereferensikan kepada kondisi bumi[2]. Untuk itu
peneliti melakukan penelitian sistem informasi
geografis berbasis android agar dapat mudah
diakses tidak punya batasan waktu dan tempat.
Penelitian ini di mengembangkan dari penelitian
sebelumnya yang berjudul “Perancangan Dan
Pembangunan Sistem Informasi Geografis
yang disusun oleh Lusi Melian dan Hilman Agus.
Pada penelitian ini hanya sistem informasi
geografis berbasis website saja. Sehingga peneliti
ingin mengembangkan penelitian sistem infomasi
geografis berbasis android, agar dapat digunakan
tidak terbatas waktu dan tempat. Dikarenakan
android memiliki fitur yang memadai untuk
mengembangkan penelitian ini[4] dan
menggunakan Salah satu aplikasi layanan peta
digital yang gratis dan online yaitu Google
Maps[1]. Dan peneliti juga menyediakan informasi
tentang bagaimana cara berenang yang baik dan
memberikan informasi tentang pentingnya
olahraga bagi kesehatan manusia. Sehingga para
pengguna tidak hanya dapat menemukan lokasi
kolam renang saja sesuai dengan keinginan saja,
tetapi dapat belajar tentang bagaimana pentingnya
kesehatan bagi manusia, sehingga para pengguna
termotivasi untuk berolahraga. Para pengguna
juga mendapatkan tentang informasi bagaimana
cara berenang yang baik dan benar.
2. LANDASAN TEORI
2.1 Sistem Informasi Geografis
Sistem Informasi Geografi merupakan sistem
berbasis komputer yang digunakan untuk
menyimpan dan memanipulasi informasi-
informasi geografis. Sistem informasi geografi

8

diciptakan untuk mengumpulkan, menyimpan dan
menganalisis obyek atau fenomena dimana lokasi
geografis menjadi karakteristik atau kritik penting
untuk analisis[3].
2.2 Android
Android adalah sistem operasi untuk perangkat
selular yang berbasis Linux. Android
menyediakan platform terbuka bagi para
pengembang buat menciptakan aplikasi mereka
sendiri untuk digunakan oleh bermacam peranti
bergerak. Awalnya, Google Inc. membeli Android
Inc., pendatang baru yang membuat peranti
lunakuntuk ponsel. Kemudian untuk
mengembangkan Android, dibentuklah Open
Handset Alliance, konsorsium dari 34 perusahaan
peranti keras, peranti lunak, dan telekomunikasi,
termasuk Google, HTC, Intel, Motorola,
Qualcomm, T-Mobile, dan Nvidia. Pada saat
perilisan perdana Android, 5 November 2007,
Android bersama Open Handset Alliance
menyatakan mendukung pengembangan standar
terbuka pada perangkat seluler. Di lain pihak,
Google merilis kode–kode Android di bawah
lisensi Apache, sebuah lisensi perangkat lunak
dan standar terbuka perangkat seluler. Di dunia
ini terdapat dua jenis distributor sistem operasi[5].
Salah satu software pengembang sistem android
adalah eclipse[4]. Pada penelitian ini peneliti
menggunakan eclipse galileo.
2.3 Google MAP
Google Maps (sebelumnya Google Lokal) adalah
pemetaan layanan web aplikasi dan teknologi
yang disediakan oleh Google, gratis (untuk
penggunaan non-komersial). Kekuatan layanan
berbasis peta sudah banyak, diantaranya situs
Google Maps, Google Ride Finder, Google
Transit dan peta yang tertanam pada situs web
melalui Google Maps API. Pada peta ini terdapat
peta jalan yaitu rute jalan untuk pejalan kaki,
mobil atau angkutan umum yaitu rute jalan untuk
para driver[5].
3. METODE PENELITIAN
3.1. Metode pendekatan sistem
Pada penelitian ini peneliti merancang perangkat
lunak Sistem Informasi Geografis Letak Kolam
Renang Umum di Kota Medan Berbasis Android
menggunakan metode Object Oriented Design
menggunakan UML. UML yang digunakan untuk
merancang sistem menggunakan diagram yaitu:
Use case diagram.
Seminar Nasional Informatika 2014
3.2. Metode pengembangan sistem
Peneliti menggunakan metode prototipe dalam
mengembangkan sistem ini. Metode prototipe
merupakan metode pengembangan sistem untuk
membuat sebuah sistem dengan cepat dan
bertahap. Sehingga para pengguna dapat dengan
cepat mengevaluasi sistem, dan akan dilakukan
perbaikan terhadap sistem yang telah di evaluasi
oleh pengguna. Sehingga sistemyang dibangun
sesuai dengan yang diinginkan oleh pengguna.
3.3 Pengumpulan data
3.3.1 Observasi
Untuk mendapatkan data setiap kolam renang
peneliti langsung ke lokasi kolam renang di Kota
medan. Tetapi peneliti hanya mengambil
beberapa sample dari kolam renang yang terdapat
di Kota Medan saja. Data yang diambil yaitu
berupa fasilitas, sarana, prasarana serta harga di
setiap kolam renang.
4. PERANCANGAN DAN PEMBAHASAN
4.1 Perancangan sistem
Perancangan pada penelitian ini menggunakan
UML dengan menggunakan 1 diagram yaitu : Use
case diagram dan Activity diagram. Pada
perencangan sistem ini menjelaskan tentang apa
saja yang terdapat di sistem tersebut.
4.1.1 Perancangan usecase diagram
Berikut merupakan use case diagram Sistem
Informasi Geografis Letak Kolam Renang Umum
Di Kota Medan Berbasis Android. Yang
menjelaskan tentang fitur-fitur apa saja yang
dapat digunakan user sehingga para user dapat
melihat beberapa informasi di dalamnya.
9
Seminar Nasional Informatika 2014
Gambar 1. Gambar Usecase Diagram
5. IMPLEMENTASI ANTAR MUKA
5.1 Tampilan Gaya Renang
Pada tampilan merupakan tampilan ini terdapat
informasi tentang gaya renang pada umumnya.
Sebagai metode pembelajaran bagaimana cara
berenang yang baik dan benar untuk pengguna.
Gambar 4. Tampilan Gaya Renang
5.2 Tampilan Informasi Kolam Renang
Offline
Pada tampilan ini merupakan tampilan ini
terdapat informasi tentang nama kolam renang,
alamat kolam renang, fasilitas, dan harga kolam
renang sehingga user dapat melihat info offline
tanpa koneksi internet.
10
Gambar 5. Tampilan Informasi Kolam Renang
Offline
5.3 Tampilan Map Renang Online
Pada tampilan ini, terdapat map digital
letak kolam renang di Kota Medan, yang
disertai dengan maker sebagai penanda
kolam renang. Apabila marker di klik
maka akan muncul informasi tentang
nama, alamat, fasilitas, dan harga pada
kolam renang yang di pilih.
Gambar 6. Tampilan Map digital Kolam
Renang Online
5.4 Tampilan Informasi Kolam Renang
Online
Pada tampilan ini, terdapat informasi kolam
renang yang apabila marker di klik pada map
digital. Informasi yang mucul yaitu berupa nama
kolam renang, alamat, fasilitas, serta harga kolam
renang.

Gambar 6. Tampilan Informasi Kolam Renang
Online
KESIMPULAN
Sistem ini sudah berjalan dengan baik sesuai.
Pada penelitian sistem informasi geografis letak
kolam renang umum di kota medan ini user dapat
dengan cepat menemukan letak kolam renang
umum di Kota Medan. Tidak hanya dapat
menemukan letak kolam renang saja tetapi user
dapat mendapatkan informasi tentang sarana dan
fasilitas apa saja yang tersedia di kolam renang
tersebut serta harga kolam renang di Kota Medan.
Sehingga user dapat memilih kolam renang yang
diinginkan sesuai dengan fasilitas dan harga yang
diinginkan oleh user. Kecepatan internet sangat
berpengaruh terhadap cepat tampilnya map
digital, karena peta digital memerlukan akses
internet. Karena map digital diperoleh dari
Google Map.
Seminar Nasional Informatika 2014
SARAN
Dalam perancangan sistem ini penulis menyadari
banyak kekurangan yang harus disempurnakan.
Oleh sebab itu penulis menyarankan agar
sebaiknya penelitian ini di kembangkan lagi
dengan menggunakan GPS (Global Positioning
System) dan MultiPlatform. Sehingga dapat
menentukan jarak antara pengguna dengan kolam
renang dan dapat digunakan di jenis handphone
apa saja.
DAFTAR PUSTAKA
[1] Gusmão António, Pramono Hadi Sholeh,
Sunaryo, Sistem Informasi Geografis
Pariwisata Berbasis Web Dan Pencarian
Jalur Terpendek Dengan Algoritma
Dijkstra, Jurnal EECCIS Vol. 7, No. 2,
Desember 2013.
[2] Melian Lusi dan Agus Hilman,
Perancangan Dan Pembangunan Sistem
Informasi Geografis Pariwisata Di Kota
Bandung Berbasis Website, Universitas
Komputer Indonesia, Bandung.
[3] Rachman, S. Nofan Maulana. 2012, Sistem
Informasi Geografi Pariwisata Kota
Yogyakarta Berbasis Mobile Android 2.2,
Naskah Publikasi, Sekolah Tinggi Ilmu
Manajemen Informatika dan Komputer
AMIKOM, Yogyakarta.
[4] Safaat Nazarudin, 2012. Pemrograman
Aplikasi Mobile Smartphone dan Tablet
PC Berbasis Android, Informatika,
Bandung.
[5] Zulfariana, Zara dan Ernastuti. 2012,
Aplikasi Sistem Informasi Geografis Yang
Memetakan Empat Bengkel Motor Resmi
Di Kota Depok Berbasis Platform
Android, Jurnal, Fakultas Ilmu Komputer
dan Teknologi Universitas Gunadarma,
Depok.
11
Seminar Nasional Informatika 2014

ANALISIS KESUKSESAN SISTEM BIMBINGAN ONLINE STMIK

AMIKOM YOGYAKARTA

Ike Verawati1, Wing Wahyu Winarno2, Andi Sunyoto3

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

Abstrak

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

Kata Kunci : kesuksesan, sistem, bimbingan online, DeLone dan McLean (2003)

1. PENDAHULUAN bimbingan online di STMIK AMIKOM

Sistem bimbingan online STMIK AMIKOM
Yogyakarta merupakan sebuah media yang dapat
digunakan oleh dosen pembimbing dan
mahasiswa yang sedang menempuh skripsi untuk
melakukan proses bimbingan. Sistem ini tidak
hanya dapat digunakan untuk proses bimbingan
saja, namun sistem ini juga dapat digunakan
mulai dari pengecekan judul skripsi, pengajuan
surat pengantar ijin penelitian sampai dengan
proses pendadaran. Sistem bimbingan online ini
dibuat dengan harapan agar membantu kelancaran
proses bimbingan di STMIK AMIKOM
Yogyakarta.
Sejak pertama kali diluncurkan hingga saat
ini pengguna sistem bimbingan hanya 381
mahasiswa. Sedangkan mahasiswa yang
menempuh skripsi sejak sistem ini diluncurkan
telah mencapai 5862 mahasiswa. Perbedaan yang
sangan jauh ini tentunya menimbulkan sebuah
tanda tanya besar tentang tingkat keberhasilan
pemanfaatan sistem bimbingan online tersebut.
Untuk itu dirasa perlu untuk melakukan analisis
kesuksesan untuk mengetahui tingkat
keberhasilan dari penerapan sistem terhadap
tujuan pembuatan sistem tersebut.
Analisis kesuksesan sistem bimbingan online
ini dilakukan untuk tingkat keberhasilan sistem
bimbingan online terhadap tujuan utama dalam
pembuatan sistem terebut. Selain itu penelitian ini
juga dilakukan untuk mengevaluasi sistem
Yogyakarta. Penelitian ini akan dilakukan dengan
menggunakan metode DeLone and McLean
(2003). Dari hasil evaluasi yang dilakukan
diharapkan dapat memberikan masukan yang
terbaik dan dapat membantu dalam mengambil
keputusan untuk kemajuan sistem bimbingan
online di STMIK AMIKOM Yogyakarta.
2. TINJAUAN PUSTAKA
2.1. Metode Analisis Data
Metode analisis data yang digunakan dalam
penelitian ini adalah model kesuksesan DeLone
and McLean (2003). Model kesuksesan sistem
DeLone dan McLean 2003 merupakan model
yang telah diperbarui dari model kesuksesan
DeLone dan McLean sebelumnya. Pembaruan
tersebut dilakukan oleh DeLone dan McLean atas
dasar beberapa kritikan yang disampaikan oleh
peneliti lain. Model kesuksesan DeLone dan
McLean (2003) menggunakan enam faktor dalam
mengukur tingkat kesuksesan yaitu System
quality, Information quality, Service Quality,
User, User satisfaction dan Net Benefit.
Hubungan ke-enam variabel tersebut
diilustrasikan pada gambar 1.

12

Gambar 1. Model kesuksesan sistem DeLone
dan McLean (2003) [2]
Berdasarkan keenam elemen atau variabel
tersebut model kesuksesan DeLone dan McLean
(2003) beberapa faktor pengukuran pada masing-
masing variabel antara lain:[2]
1) Information Quality
Kualitas informasi digunakan untuk
mengukur kualitas keluaran dari sebuah sistem
informasi. Kualitas informasi menurut DeLone &
McLean (1992) diukur menggunakan beberapa
hal yaitu; [3]
a) Informasi harus di personalisasi.
b) Kelengkapan (complete).
c) Relevansi (relevant).
d) Mudah dipahami (easy to understand).
e) Memberi keamanan terhadap pengguna.
f) Konsistensi.
2) System Quality
Kualitas sistem digunakan untuk melakukan
pengukuran terhadap kualitas sistem pada
teknologi informasi itu sendiri. Kualitas sistem
menurut DeLone dan McLean (1992) diukur
menggunakan beberapa aspek antara lain : [3]
a) Usability
b) Ketersediaan (availability).
c) Waktu keandalan (time reliability).
d) Kemapuan beradaptasi (adaptability).
e) Respon (response).
3) Service Quality
Peneliti-peneliti sistem informasi yang
memasukkan pengukuran kualitas pelayanan
(service qualiti) kedalam model DeLone dan
McLean mengambilnya dari penelitian
pemasaran. Para peneliti yang berpendapat bahwa
kualitas layanan akan ditambahkan ke model
keberhasilan telah menerapkan dan menguji 22-
item instrumen pengukuran SERVQUAL dari
pemasaran untuk IS konteks. Beberapa sampel
SERVQUAL item instrumen meliputi: [2]
a) Tangible
b) Reability
c) Responsiveness
d) Jaminan (assurance
e) Empati (emphaty)
Seminar Nasional Informatika 2014
4) Use (penggunaan)
Penggunaan digunakan untuk mengetahui
intensitas penggunaan informasi yang mengacu
pada seberapa sering pengguna memakai sistem
informasi [8]. Dalam kaitannya dengan hal ini
penting untuk membedakan apakah
pemakaiannya termasuk keharusan yang tidak
bisa dihindari atau sukarela. Penggunaan (Use)
menurut DeLone dan McLean (1992) diukur
menggunakan beberapa aspek antara lain : [3]
a. Frekwensi penggunaan.
b. Waktu penggunaan.
c. Jumlah akses.
d. Pola penggunaan.
e. Ketergantungan.
5) User Satisfaction
Kepuasan pemakai (User Satisfaction) adalah
respon pemakai terhadap penggunaan keluaran
sistem informasi. Kepuasan pengguna menurut
DeLone dan McLean (1992) diukur menggunakan
kepuasan informasi dan kepuasan menyeluruh.
Kepuasan informasi yaitu mengukur tingkat
kepuasan pengguna terhadap informasi yang
diberikan oleh sistem. Sedangkan kepuasan
menyeluruh yaitu mencakup kepuasan terhadap
kinerja sistem, kepuasan terhadap pelayanan dan
informasi[3].
6) Net Benefits
Menurut DeLone dan McLean (2003)
manfaat bersih (netbenefit) adalah ukuran
keberhasilan yang paling penting karena dapat
menangkap keseimbangan antara dampak positif
dan negative dari sistem informasi. Manfaat
bersih merupakan langkah-langkah paling penting
tetapi tidak dapat dianalisis dan dipahami tanpa
pengukuran kualitas sistem dan kualitas
informasi. [2]
2.2. Pengolahan Data
Alat penelitian yang digunakan dalam
penelitian ini adalah Structural Equation Model
(SEM). Dalam penelitian ini SEM digunakan
untuk mengukur dimensi-dimensi yang
mempengaruhi kesuksesan penerapan sistem
bimbingan on line di STMIK AMIKOM
Yogyakarta dengan mengadopsi model
kesuksesan sistem informasi DeLone & McLean.
Selain itu juga menggunakan pengukuran-
pengukuran dari penelitian-penelitian sejenis yang
telah dilakukan sebelumnya. Pengukuran variabel
dilakukan dengan menggunakan skala Likert.
Data-data pada penelitian ini merupakan data
mentah yang kemudian akan dilakukan
pengolahan data dengan menggunakan software
SmartPLS. Data yang dihasilkan dalam
pengolahan data akan disajikan dalam bentuk
statistik deskriptif.
13
Seminar Nasional Informatika 2014

2.3. Hipotesis Pengujian validitas dilakukan dengan

Berdasarkan model penelitian dan temuan menggunakan pengujian konstruk, dimana
penelitian terdahulu maka dirumuskan hipotesis pengujian yang digunakan adalah uji validitas
sebagai berikut : konvergen.
H1 :Kualitas informasi (information quality) Validitas konvergen dievaluasi menggunakan
berpengaruh positif terhadap kepuasan kriteria faktor loading yang seharusnya signifikan
pengguna (user satisfaction). dan nilainya lebih dari 0,70 dan Average Variance
H2 :Kualitas sistem (system quality) Extracted (AVE) untuk masing-masing konstruk
berpengaruh positif terhadap kepuasan seharusnya lebih varian yang diakibatkan oleh
pengguna (user satisfaction). kesalahan pengukuran konstruk tersebut yaitu
H3 :Kualitas pelayanan (service quality) nilainya harus meleibihi 0,50, sehingga
berpengaruh positif terhadap kepuasan probabilitas indikator tersebut konvergen dan
pengguna(user satisfaction). masuk di konstruk yang di maksud lebih besar
H4 :Kepuasan pengguna (user satisfaction) yaitu diatas 50% [5]. Nilai loading factor dari
berpengaruh positif terhadap penggunaan semua indikator yang ada pada penelitian ini
(use). ditunjukkan pada Tabel 1.
H5 :Penggunaan (use) berpengaruh positif
terhadap manfaat bersih (net benefits). Tabel 1. Uji validitas konvergen
H6 :Kepuasan pengguna (user satisfaction) Pengukuran Muatan AVE Ketera
berpengaruh positif terhadap manfaat bersih faktor ngan
(net benefits). Kualitas 0,659423
Informasi
X1.1 0,827849 Valid
INFORMATION QUALITY
H1 X1.2 0,861228 Valid
H5
X1.3 0,742443 Valid
INTENTION
TO USE
USE X1.4 0,387373 Tidak
Kualitas 0,647522
H2
Sistem
SYSTEM QUALITY NET BNEFITS
H4 X2.1 0,788402 Valid
X2.2 0,809698 Valid
H6
USER SATISFACTION
X2.3 0,871009 Valid
H3 X2.4 0,380303 Tidak
SERVICE QUALITY
X2.5 0,744475 Valid
Kualitas 0,626253
Pelayanan
Gambar 2. Hipotesis Model Kesuksesan Sistem X3.1 0,850974 Valid
DeLone and McLean (2003) pada Analisis X3.2 0,812650 Valid
Kesuksesan Sistem Bimbingan Online STMIK X3.3 0,702996 Valid
AMIKOM Yogyakarta. Penggunaan 0,670648
X4.1 0,907183 Valid
3. Hasil dan Pembahasan X4.2 0,815182 Valid
X4.3 0,724183 Valid
Sistem bimbingan online di STMIK Kepuasan 0,736941
AMIKOM Yogyakarta mencakup hampir semua pengguna
proses pelaksanaan skripsi mahasiswa. Pada X5.1 0,854688 Valid
sistem ini mahasiswa dapat melakukan X5.2 0,862201 Valid
pengecekan judul skripsi, pendaftaran judul NetBenefit 0,815101
skripsi, pengajuan surat pengantar ijin penelitian, X6.1 0,906479 Valid
melihat histori bimbingan, upload file skripsi dan X6.2 0,899165 Valid
pendaftaran ujian pendadaran. Gambaran proses
pelaksanaan skripsi mahasiswa dapat dilihat pada Dari hasil pengujian dapat diketahui bahwa
halaman utama tidak semua indikator memiliki memiliki muatan
http://bimbingan.amikom.ac.id/index.php. faktor diatas 0,70 sehingga indikator tersebut
dinyatakan tidak valid, namun untuk masing-
3.1. Uji Validitas masing variabel masih memenuhi sarat AVE
Uji validitas digunakan untuk mengukur sah diatas 0,50 sehingga untuk masing-masing
atau valid tidaknya suatu kuesioner. Suatu variabel dapat dinyatakan valid.
kuesioner dikatakan valid jika pertanyaan pada
kuesioner mampu untuk mengungkapkan sesuatu
yang akan diukur oleh kuesioner tersebut [1].

14
 Seminar Nasional Informatika 2014

3.2. Uji Reliabilitas Kualitas sistem 0,818397 0,879875

Uji reliabilitas bertujuan untuk mengukur Net benefit 0,773227 0,898132
sejauh mana hasil pengukuran tetap konsisten. Uji Use 0,748437 0,858316
reliabilitas pada penelitian ini dilakukan dengan
menggunakan metode cronbachs alpha dan Berdasarkan hasil uji reliabilitas yang
Composite reliability. Suatu variabel dapat ditunjukkan pada Tabel 3.10 dapat disimpulkan
dikatakan reliable jika nilai cronbachs alpha > bahwa masing-masing variabel yang digunakan
0,60 dan Composite reliability > 0,7 [5]. Hasil uji dalam penelitian ini menunjukkan hasil nilai
reliabilitas ditunjukkan pada Tabel 2. cronbachs alpha > 0.60 dan Composite reliability
> 0,7, yang berarti masing-masing variabel dalam
Tabel 2. Uji reliabilitas penelitian ini adalah reliable.
Cronbachs Composite Dari hasil olah data dan pengujian yang
Alpha Reliability dilakukan maka diperoleh 6 variable dan 17
Kepuasan pengguna 0,643086 0,848548 indikator yang valid yang akan digunakan dalam
Kualitas informasi 0,751268 0,852649 penelitian ini. Gambaran hasil olah data dan
Kualitas servis 0,697008 0,833202 pengujian dijelaskan pada gambar.

Gambar 3. Diagram alur setelah dilakukan pengujian

3.3. Uji Hipotesis informasi -> 1,658 0,214163

Pengujian hipotesis dalam penelitian ini Kepuasan
dilakukan terhadap hipotesis statistic pengguna
menggunakan uji t. Uji t dilakukan pada tingkat
signifikan 95% sebesar 1,645. Hipotesis dapat Kualitas 0,347901
diterima jika t-statistik lebih besar dari t-tabel. servis ->
3,397625
Apabila nilai t-statistik lebih besar dari t-tabel Kepuasan 1,658
maka pengaruh antara konstruk yang satu dengan pengguna
konstruk yang lain adalah signifikan dan Kualitas
sebaliknya. Hasil uji t pada penelitian ini sistem -> 1,658 0,323691
dijelaskan pada Tabel 3. 3,276414
Kepuasan
pengguna
Tabel 3. Uji Hipotesis
Use -> Net 1,658 0,208018
T-tabel Koefisien 1,930526
Hipotesis T-Statistics benefit
Jalur
Kepuasan Berdasarkan hasil olah data dan analisis yang
pengguna -> 4,733611 1,658 0,534432 ditunjukkan pada tabel dapat dilihat bahwa
Net benefit keenam hipotesis memiliki nilai t-statistik lebih
Kepuasan besar dari nilai t-tabel, hal ini berarti keenam
pengguna -> 16,401521 1,658 0,696085 hipotesis dinyatakan signifikan. Sedangkan untuk
Use nilai koefisien jalur dari keenam hipotesis
memiliki nilai koefisien jalur yang positif, maka
Kualitas 1,818211

15
Seminar Nasional Informatika 2014

dapat diambil kesimpulan bahwa keenam ditujukan untuk sistem bimbingan online tersebut.
hipotesis yang diajukan dinyatakan diterima Adapun rekomendasi tersebut antara lain :
3.4. Statistik Deskriptif a. Pihak jurusan perlu mengadakan sosialisasi
Untuk mengetahui sejauh mana tingkat kepada dosen-dosen pembimbing tentang
keberhasilan sistem bimbingan tersebut dinilai adanya sistem bimbingan online agar semua
dari hasil pengolahan data yang telah dilakukan, dosen bisa menggunakan sistem bimbingan
maka perlu dibuat kategori untuk mengukur online.
tingkat keberhasilan penerapan sistem bimbingan b. Pihak jurusan dirasa perlu untuk menambah
online tersebut. Rincian frekuensi deskriptif staf yang khusus menangani pengajuan judul
statistic penelitian ini dijelaskan pada Tabel 4. skripsi.
c. Sistem bimbingan online perlu ditambahkan
Tabel 4. Statistik deskriptif informasi mengenai pedoman dalam pemilihan
Mean Std. Deviation topik penelitian, judul penelitian dan kasus-
Kualitas informasi 15,6900 2,56903 kasus yang sudah sering terjadi.
Kualitas Sistem 20,4800 2,71353 d. Melakukan perubahan pada sistem dimana
sistem memungkinkan satu mahasiswa untuk
Kualitas servis 15,6400 2,95597
mengajukan judul lebih dari satu dan
Penggunaan 10,2400 2,28796
pengajuan judul perlu disertai dengan abstrak.
Kepuasan 11,0500 1,85524 e. Staf IC perlu melakukan perbaikan dan
pengguna penyempurnaan beberapa menu pada sistem
Net benefit 16,6400 2,36780 bimbingan online untuk mahasiswa.
f. Menambahkan pencarian judul skripsi yang
Dari data tentang hasil pengukuran mean dan masih dalam proses pengerjaan.
standar deviasi, maka dibuatlah beberapa kategori
untuk menentukan tingkat keberhasilan
penerapan sistem berdasarkan data dari 4. KESIMPULAN DAN SARAN
responden. Pada penelitian ini peneliti
menggunakan 3 kategori penilaian. Rincian Penelitian ini dilakukan untuk mengukur
kategori tersebut antara lain:[7] tingkat kesuksesan pada sistem bimbingan online
a. Baik, bila nilai responden (X) > mean + 1SD di STMIK AMIKOM Yogyakarta baik dari segi
b. Cukup baik, bila nilai mean – 1SD < X < mean sistem maupun dari segi proses pelaksanaan
+ SD skripsi. Berdasarkan hasil analisis dan penelitian
c. Kurang baik, bila nilai responden (X) < mean – yang telah dilakukan maka dapat diambil
1SD kesimpulan sebagai berikut:
Hasil analisis frekuensi pada masing-masing a. Tingkat kepuasan pengguna terhadap sistem
variabel ditunjukkan pada Tabel 5. mempengaruhi tingkat keseringan pengguna
dalam memanfaatkan sistm bimbingan online,
Tabel 5. Analisis frekuensi sehingga semakin puas pengguna maka akan
Kategori Baik Cukup Kurang semakin sering pengguna dalam memanfaatkan
Variabel Baik baik sistem.
b. Penerapan sistem bimbingan online telah
Kualitas Informasi 17% 64% 19% berjalan meskipun masih terdapat beberapa
Kualitas Sistem 13% 77% 10% permasalahan dalam proses dan sistem
bimbingan online itu sendiri.
Kualitas Pelayanan 24% 65% 11% c. Dengan adanya sistem bimbingan online
mahasiswa akan lebih cepat dalam
Use/Penggunaan 15% 73% 12%
menyelesaikan skripsi karena untuk proses
Kepuasan Pengguna 21% 62% 17% skripsi dan bimbingan mahasiswa tidak perlu
mengantri.
NetBenefit 11% 77% 12% d. Secara keseluruhan tingkat kesuksesan sistem
untuk proses pengajuan judul dan pengecekan
Berdasarkan hasil analisis yang ditunjukkan judul sudah cukup berhasil, ini dibuktikan
pada Tabel 7 dapat disimpulkan bahwa penerapan dengan banyaknya responden yang
sistem bimbingan online sudah cukup berhasil. menyatakan bahwa sistem untuk proses
pengajuan judul dan pengecekan judul sudah
cukup baik. Namun untuk proses bimbingan
online masih belum berhasil.
3.5. Rekomendasi
Berdasarkan hasil analisis yang telah dilakukan Saran yang dapat diberikan sebagai tindak
maka diperoleh beberapa rekomendasi yang lanjut dari hasil penelitian adalah sebagai berikut:

16

a. Penelitian selanjutnya dapat dilakukan dengan
sample lebih banyak dari mahasiswa yang
telah melakukan bimbingan secara online.
b. Untuk penelitian yang selanjutnya sebaiknya
dilakukan pada obyek penelitian yang berbeda.
c. Penelitian selanjutnya dapat dilakukan dengan
menambahkan pengukuran pada segi desain
sistem agar dapat diketahui bahwa pengguna
merasa nyaman dengan design dan tampilan
sistem yang ada.
DAFTAR PUSTAKA
[1] Agustina,N.H.2010. Pengaruh Pemanfaatan
Ssistem Iinformasi Aakademik Tterpadu
(SIKADU) Terhadap Kinerja Individual
Dengan Kemudahan Pengguna Sebagai
Variabel Moderating. Tesis , Magister
Akutansi, Universitas Diponegoro,
Semarang.
[2] DeLone, W. & McLean, E. 2003. The
DeLone and McLean Model of Information
Seminar Nasional Informatika 2014
Systems Success: A Ten-Year Update.
Journal of Management Information
Systems (19:4). Spring.
[3] DeLone, W., & McLean, E. (1992).
Information systems success: the quest for
the dependent variable. Information System
Research , 60-95.
[4] Hasibuan, Z. A. (2007). Metode Penelitian
pada Bimbingan Ilmu Komputer dan Teknik
Informasi. Fakultas Ilmu Komputer
Universitas Indonesia.
[5] Jogiyanto, & Willy, A. (2009). Konsep dan
aplikasi PLS(Patrial Least Square) untuk
penelitian empiris. Yogyakarta: BPFE.
[6] Riwidikdo, H. (2010). Statistik untuk
Penelitian Kesehatan dengan Aplikasi
Program R dan SPSS. Yogyakarta: Pustaka
Rihama.
[7] Sulipan. (2011). Penelitian Deskriptif
Analitis. Lembaga Pelatihan dan
Pengembangan Profesi Guru Kepala
Sekolah dan Pengawas Sekolah.
17
Seminar Nasional Informatika 2014

METODE FUZZY SIMPLE ADDITIVE WEIGHTING (SAW)

DALAM MENENTUKAN KUALITAS KULIT ULAR UNTUK
KERAJINAN TANGAN
(STUDI KASUS : CV. ASIA EXOTICA MEDAN)
Alfa Saleh1, Ria Eka Sari2, Harris Kurniawan3

STMIK Potensi Utama

Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
Email : alfasoleh1@gmail.com, ladiespure@gmail.com, ch0c0_pahmen@yahoo.com

Abstrak

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

Kata kunci : Kulit Ular, Metode Fuzzy, Simple Additive Weighting (SAW)

1. Pendahuluan penerima beasiswa Bank BRI[2] dan dalam hal

CV. Asia Exotica merupakan sebuah
perusahaan yang berdomisili di Medan dan
bergerak di bidang kerajinan kulit ular. Seiring
dengan tingkat persaingan yang semakin ketat di
bidang kerajinan maka CV. Asia Exotica dengan
cara mengkaji ulang tujuan strategi dalam
persaingan. Tentu saja hal yang perlu dikaji dalam
hal ini adalah kualitas kerajinan kulit ular yang
dihasilkan oleh karena itu dilakukanlah penelitian
ini untuk menentukan kualitas kulit ular mana
yang akan ditolak dan kuli ular mana yang akan
diterima yang nantinya akan dijadikan sebagai
bahan baku dalam pembuatan kerajinan dari kulit
ular.
Dalam menentukan kualitas kulit ular
ini, akan diterapkan metode Fuzzy Simple
Additive Weighting (SAW). Metode Fuzzy SAW
ini dipilih karena metode ini menentukan nilai
bobot untuk setiap kriteria yang ditentukan,
kemudian dengan proses perangkingan akan
menyeleksi alternatif yang terbaik dari sejumlah
alternatif yang ada dan dalam penelitian ini yang
menjadi alternatif adalah jenis kulit ular yang
memiliki kualitas kulit yang terbaik berdasarkan
kriteria - kriteria yang telah ditentukan. Fuzzy
SAW juga digunakan dalam beberapa penelitian
sebelumnya seperti pemanfaatan metode Fuzzy
SAW dalam penilaian kinerja karyawan [1].
Sistem pendukung keputusan untuk menentukan
pemilihan Vendor dengan Fuzzy SAW[3].
Dalam penelitian ini diharapkan penulis
mampu menguji metode Fuzzy SAW dalam
menentukan kualitas kulit ular serta mampu
membantu dalam menentukan kualitas kulit ular
sehingga para pelanggan dapat merasa puas
dengan kerajinan dari kulit ular yang dihasilkan
nantinya.
2. Landasan Teori
Logika Fuzzy
Konsep tentang logika Fuzzy
diperkenalkan oleh Prof. Lotfi Astor Zadeh pada
tahun 1962. Logika fuzzy adalah metodologi
sistem kontrl pemecahan masalah, yang cocok
untuk diimplementasikan pada sistem, mulai dari
sistem yang sederhana, sistem kecl, embedded
system, jaringan PC, multi-channel atau
workstation berbasis akuisisi data, dan sistem
kontrol. Metodologi ini dapat diterapkan pada
perangat keras, perangkat lunak, atau kombinasi
keduanya. Dalam logika klasik dinyatakan bahwa
segala sesuatu bersifat biner, yang artinya adalah
hanya mempunyai dua kemungkinan, “Ya atau
Tidak”, “Benar atau Salah”, “Baik atau Buruk”,
dan lain-lain. Oleh karena itu, semua ini dapat
mempunyai nilai keanggotaan 0 atau 1. Akan

18

tetapi, dalam logika fuzzy memungkinkan nilai
keanggotaan berada di antara 0 dan 1. Artinya,
bisa saja suatu keadaan mempunyai dua nilai “Ya
dan Tidak”, “Benar dan Salah”, “Baik dan Buruk”
secara bersamaan, namun besar nilainya
tergantung pada bobot keanggotaan yang
dimilikinya. Logika fuzzy dapat digunakan di
berbagai bidang, seperti sistem diagnosa penyakit
(dalan bidang kedokteran); pemodelan sistem
pemasaran, riset operasi (dalam bidang ekonomi);
kendali kualitas air, prediksi adanya gempa bumi,
klasifikasi dan pencocokan pola[4].
Fuzzy Multi Atribute Decision Making (Fuzzy
MADM)
Pada dasarnya, proses MADM dilakukan melalui
3 tahap, yaitu penyusunan komponen-komponen
situasi, analisis, dan sintesis informasi. Ada
beberapa metode yang dapat digunakan untuk
menyelesaikan masalah FMADM yaitu [5]:
1. Simple Additive Weighting Method (SAW).
2. Weighted Product (WP).
3. ELECTRE.
4. TOPSIS (Technique for Order Preference
by
Similarity to Ideal Solution ).
5. Analytic Hierarchy Process (AHP).
Pada dasarnya proses MADM dilakukan melalui
3 tahapan yaitu: penyusunan komponen-
komponen situasi, analisis dan sintesis informasi.
Pada tahap penyusunan komponen, komponen
situasi akan dibentuk tabel taksiran yang berisi
identifikasi alternatif dan spesifikasi tujuan,
kriteria dan atribut. Salah satu cara untuk
menspesifikasikan tujuan situasi |Oi, i=1,...,t |
adalah dengan cara mendaftar konsekuensi-
konsekuensi yang mungkin dari alternatif yang
telah teridentifikasi | Ai, i=1,...,n|. Selain itu juga
disusun atribut-atribut yang akan digunakan |ak,
k=1,...,n|.
Tahap analisis dilakukan melalui 2 langkah, yaitu:
a. Mendatangkan taksiran dari besaran yang
potensial, kemungkinan dan ketidakpastian
yang berhubungan dengan dampak-dampak
yang mungkin pada setiap alternatif.
b. Meliputi pemilihan dari preferensi pengambil
keputusan untuk setiap nilai dan
ketidakpedulian terhadap resiko yang timbul.
Masalah Multi Attribute Decision Making
(MADM) adalah mengevaluasi m alternatif Ai
(i=1,2,...,m) terhadap sekumpulan atribut atau
kriteria Cj (j=1,2,...,n), dimana setiap atribut
saling tidak bergantung satu dengan yang lainnya.
Matriks keputusan setiap alternatif terhadap setiap
atribut X. Dalam penelitian ini menggunakan
FMADM metode Fuzzy SAW. Adapun langkah-
langkahnya adalah:
Seminar Nasional Informatika 2014
1. Menentukan kriteria-kriteria yang akan
dijadikan acuan dalam pengambilan
keputusan, yaitu Ci.
2. Menentukan rating kecocokan setiap
alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan
kriteria (Ci), kemudian melakukan
normalisasi matriks berdasarkan persamaan
yang disesuaikan dengan jenis atribut (atribut
keuntungan ataupun atribut biaya) sehingga
diperoleh matriks ternormalisasi
4. Hasil akhir diperoleh dari proses perankingan
yaitu penjumlahan dari perkalian matriks
ternormalisasi R dengan vektor bobot
sehingga diperoleh nilai terbesar yang dipilih
sebagai alternatif terbaik (Ai) sebagai
solusi[6].
Metode Fuzzy SAW
Metode SAW sering juga dikenal istilah metode
penjumlahan terbobot. Fuzzy SAW ini termasuk
salah satu metode untuk menyelesaikan masalah
Fuzzy Multi Atribute Decision Making (Fuzzy
MADM). Konsep dasar metode Fuzzy SAW
adalah mencari penjumlahan terbobot dari rating
kinerja pada setiap alternatif pada semua atribut.
Metode Fuzzy SAW membutuhkan proses
normalisasi matriks keputusan (X) ke suatu skala
yang dapat diperbandingkan dengan semua rating
alternatif yang ada.
{ .......
(1)
di mana :
Ri j = nilai rating kinerja ternormalisasi
Xij = nilai atribut yang dimiliki dari setiap
kriteria
Max xij = nilai terbesar dari setiap kriteria i
Min xij = nilai terkecil dari setiap kriteria i
Benefit = jika nilai terbesar adalah terbaik
Cost = jika nilai terkecil adalah terbaik
Di mana rij adalah rating kinerja ternormalisasi
dari alternatif Ai pada atribut Cj; i=1,2,..., m dan
j=1,2,...,n.
Nilai preferensi untuk setiap alternatif
(Vi)diberikan sebagai:
...............(2)
∑
19
Seminar Nasional Informatika 2014

Di mana : Tabel 2. Fisik Kulit

Vi = rangking untuk setiap alternatif, Fisik ular Kadar bersih Nilai
wj = nilai bobot dari setiap criteria Sisik Besar Bagus 0.4
rij = nilai rating kinerja ternormalisasi Sisik Sedang Cukup 0.3
Sisik Kecil Kurang 0.2
Nilai Vi yang lebih besar mengindikasikan bahwa
alternatif Ai lebih terpilih. 3. Warna Kulit.
Warna kulit dilihat dari beberapa kombinasi
warna dari kulit ular yang mana warna kulit
3. Hasil dan Pembahasan akan menjadi nilai jual untuk setiap
kerajinan yang dihasilkan.
Perancangan Sistem Fuzzy SAW
Tabel 3. Warna Kulit
Sebagaimana telah dibahas sebelumnya Kombinasi Warna Kadar Nilai Nilai
pada pendahuluan. Penilaian dari kualitas kulit Kulit
ular dilakukan dengan melihat kriteria – kriteria 3 Warna Sangat Baik 0.3
yang mempengaruhi dalam melakukan penilaian
terhadap kualitas kulit ular meliputi ukuran kulit, 2 Warna Baik 0.2
fisik kulit dan warna kulit. Selanjutnya kriteria – 1 Warna Cukup 0.1
kriteria tersebut akan dijadikan sebagai acuan
untuk menentukan kualitas kulit ular sebagai
bahan baku kerajinan yang nantina akan Adapun nilai bobot untuk setiap kriteria tersebut
diimplementasikan dengan metode Fuzzy SAW. dapat dilihat pada tabel 4 berikut.

Analisa Kebutuhan Input Tabel 4. Nilai Bobot Kriteria

Kriteria Cost Benefit
Dalam konsep Fuzzy SAW diperlukan Ukuran Kulit Tidak Ya
kriteria dan nilai bobot untuk setiap kriteria untuk
Fisik Kulit TIdak Ya
membantu perhitungan di mana dalam hal
penentuan kualitas kulit ular ada 3 buah criteria di Warna Kulit Tidak Ya
antara adalah ukuran kulit ular, fisik kulit ular dan
warna kulit ular. Adapun penjelasan kriteria dan
Analisa Kebutuhan Output
nilai bobot setiap kriteria yang digunakan sebagai
berikut :
Keluaran yang dihasilkan dari penelitian
ini adalah sebuah alternatif yang memiliki nilai
1. Ukuran Kulit.
tertinggi dibandingkan dengan nilai yang lain.
Ukuran kulit ular menjadi kriteria yang
Pada penelitian ini juga hasil keluarannya diambil
sangat penting dalam menentukan kualitas
dari urutan alternatif yang tertinggi ke alternatif
kulit ular. Panjang kulit mempengaruhi
yang terendah. Dimana nilai tersebut dihasilkan
banyaknya kerajinan yang dapat dibuat.
dari nilai tiap kriteria yang memiliki nilai yang
berbeda – beda.
Tabel 1. Ukuran Kulit
Ukuran Kulit Kualitas Nilai
Perancangan Sistem
Lebih besar dari 2.5M Sangat Bagus 0.3
1.5 M - 2 M Bagus 0.25 Pada sistem Fuzzy SAW ini dapat
1.2 M - 1.5 M Cukup 0.2 digambarkan proses yang dilakukan dalam
95 Cm – 1.2 M Kurang 0.15 menentukan kualitas kulit ular seperti pada
Lebih kecil dari 95Cm Sangat Kurang 0.1 gambar 1 berikut ini.

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

20

Gambar 1. Use Case Sistem Fuzzy SAW
Tampilan Program
Pada gambar 2 berikut ini bisa dilihat
tampilan program dari sistem Fuzzy SAW,
dimana tampilan awal ini berupa tampilan login,
tampilan isi data kulit ular dan data seleksi serta
perangkingan dari data yang diolah.
Gambar 2. Tampilan Login
setelah user berhasil login maka user dapat
melakukan input data kulit ular mulai dari kode
kulit, nama jenis kulit, ukuran kulit, fisik kulit dan
warna kulit seperti pada gambar 3 dibawah ini.
Gambar 3. Tampilan Input Data Kulit Ular
Seminar Nasional Informatika 2014
Kemudian data kulit ular yang telah diinput akan
diolah dan dilakukan perhitungan dengan
menggunakan Fuzzy SAW untuk menentukan
nilai ternormalisasi dan nilai perangkingan
alternatif, adapun sampel data yang diperoleh
dapat dilihat pada tabel 5 sebagai berikut.
Tabel 5. Data Kulit Ular Sebelum Diolah
Dalam penelitian ini akan dicontohkan
perhitungan dengan menggunakan Fuzzy SAW
untuk sampel data pada tabel 6 berikut ini.
Tabel 6. Data Yang Akan Diuji
Data yang akan diuji akan disesuaikan dengan
nilai berdasarkan kriteria, data yang telah
disesuaikan dengan nilai kriteria dapat dilihat
pada tabel 7 di bawah ini.
Tabel 7. Perubahan Nilai Kriteria
Kemudian data nilai tiap kriteria yang didapat
akan dihitung untuk menghasilkan nilai
normalisasi Untuk menormalisasi kan data di atas
menjadi data yang telah normal dibutuhkan nilai
bobot dari Kriteria (W) dan dikalikan dengan
nilai X setiap kriteria. Untuk perhitungan nilai R
membutuhkan penggolongan Kriteria kedalam
nilai benefit atau cost seperti yang dijabarkan
terlihat pada table 8 berikut ini.
21
Seminar Nasional Informatika 2014

Tabel 8. Penggolongan Kriteria Kulit Ular

Kriteria Cost Benefit
Ukuran Kulit Tidak Ya
Fisik Kulit TIdak Ya
Warna Kulit Tidak Ya

Dari keterangan table 8 tersebut maka untuk

menghitung nilai normalisasi dapat
menggunakan persamaan 1.

Dari perhitungan nilai normalisasi dikali dengan

nilai bobot tiap kriteria dapat dihasilkan nilai
perangkingan seperti pada tabel 10 berikut ini.

Tabel 10. Hasil Perangkingan

Berdasarkan dari hasil perhitungan dengan

metode Fuzzy SAW diperoleh rangking tertinggi
untuk jenis kulit ular Ridiata kemudian disusul
oleh kulit ular Phyton, Mangrove dan yang
menempati rangking terakhir adalah kulit ular
Sunbean.

4. Kesimpulan

Dari hasil pengujian metode Fuzzy SAW

Dari contoh perhitungan tersebut dapat dihasilkan
nilai normalisasi yang dapat dilihat pada tabel 9.
Tabel 9. Normalisasi
ini, didapat beberapa kesimpulan sebagai berikut :
1. Metode Fuzzy SAW dalam menentukan
kualitas kulit ular untuk kerajinan tangan
mampu memberikan hasil Perangkingan
dalam menentukan jenis kulit ular mana
yang terbaik.
2. Penerapan metode Fuzzy SAW dapat
mengoptimalkan proses penyeleksian kulit
ular sebagai bahan kerajinan tangan di
perusahaan tersebut.

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

22
 Seminar Nasional Informatika 2014

Daftar Pustaka T. Sutojo, S.Si., M.Kom., Edy Mulyanto, S.Si.,

Muhammad Rifqi M, 2012, Jurnal Ilmiah ICTech
Vol. X No.1, 1 Januari.
Henry W,dkk, 2009, Seminar Nasional Aplikasi
Teknologi Informasi (SNATI 2009),
Yogyakarta, 20 Juni.
Kaur P, Kumar S, 2013, IOSR Journal of
Business and Management (IOSR-JBM)
Volume 15, Issue 2, Nov – Dec 2013.
M.Kom., Dr. Vincent Suhartono,2011,
Kecerdasaan Buatan, , Yogyakarta, Ani.
Henry Wibowo S, 2010, “Jurnal Aplikasi
UjiSensitivitas untuk model MADM
menggunakan metode SAW dan TOPSIS”.
Sri Kusumadewi, 2006, “Fuzzy Multi-Atrribute
Decision Making (Fuzzy MADM ”.
Yogyakarta : Graha Ilmu.

23
Seminar Nasional Informatika 2014

PERANCANGAN LAYANAN UNTUK KOSTUMISASI ANTAR

MUKA SISTEM OPERASI ANDROID BERBASIS WEBSITE

Anggit Dwi Hartanto1

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

Abstrak

Android adalah sistem operasi yang biasanya digunakan untuk telepon seluler yang berbasis unix. Android
menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi sendiri yang dapat
digunakan oleh bermacam perangkat bergerak. Semakin marak dan berkembangnya android di pasar global
membuat para pengembang perangkat lunak tertarik untuk mengembangkan aplikasi pada sistem operasi
berbasis open platform tersebut. Tentu saja untuk membuat atau mengembangkan aplikasi ataupun sistem
pada android OS di perlukan pengetahuan yang dalam tentang seluk beluk android. Sistem yang akan
dibangun ini menyediakan sebuah fasilitas layanan untuk memudahkan user melakukan modifikasi pada
gadget mereka, sehingga user tidak perlu tahu secara teknis apa yg harus di lakukan untuk memodifikasi isi
gadget mereka. Dengan kata lain memudahkan user dalam memodifikasi gadget mulai dari themes, system,
dan tweak yang akan di tanam di dalamnya.

Kata Kunci : android, kostumisasi, open source

1 Pendahuluan memberikan kemudahan bagi para user yang ingin

Android adalah sebuah sistem operasi
pada handphone yang bersifat terbuka dan berbasis
pada sistem operasi Linux [1]. Android bisa
digunakan oleh setiap orang yang ingin
menggunakannya pada perangkat mereka.
Pengguna gadget dengan sistem operasi
android di indonesia semakin meningkat, ditunjang
dengan sistem yang canggih dan juga bebas untuk
dikembangkan, sehingga android menjadi idola
masyarakat dunia saat ini khusunya indonesia.
Sejalan dengan berkembang pesatnya android para
pengguna maupun pengembang juga antusias
untuk melakukan modifikasi dari sistem android
yang dimiliki. Modifikasi yang dilakukan mulai
dari memodifikasi hal-hal kecil sampai ke tingkat
yang paling kompleks bahkan ada juga yang
menyentuh sisi kernel.
Modifikasi yang dilakukan tersebut tentu
saja mempunyai resiko bagi gagdet, sehingga
diperlukan pengetahuan dan skill tentang android
yang cukup untuk melakukan modifikasi tersebut.
Apalagi sudah menyentuh modifikasi dari sisi
kernel yang mempunyai resiko tinggi
mengakibatkan gadget mati total dan tidak bisa
digunakan.
Melihat fenomena yang terjadi pada
uraian diatas maka, terbesit pemikian untuk
memberikan pelayan bagi para pengguna platform
open source khusunya android dalam
memodifikasi gadget. Karena pelayanan seperti ini
masih sangat kurang dijumpai dan tidak sebanding
dengan pengguna android yang setiap tahun
bahkan setiap bulannya meningkat. Pelayanan ini
memodifikasi gadget android dalam hal ini pada
sisi rom (framework). Layanan ini meliputi
kostumisasi tampilan, packet, sistem dan bisa
melakukan proses compile kernel yang dapat
mengurangi resiko human error pada sisi user.
2 Tinjauan Pustaka
Dong-Hoon You dan Bong-Nam Noh
pada tahun 2011 menulis jurnal dengan judul
“Android platform based linux kernel rootkit”
diupload pada jurnal online ieee explore yang
membahas tentang sistem root kernel linux
menjadi platform standar sistem operasi android
pada smart phone [2].
Pada makalah yang lain tahun 2011,
Shanker juga menulis makalah pada jurnal online
ieee explore dengan judul Android porting
concepts. Makalah ini membahas tentang kernel
dan file system yang digunakan untuk android [3].
Dari dua tema dari penelitian diatas
berbeda dengan tema dari penelitian yang akan
dibahas. Secara umum tema dari penelitian ini
diinspirasi dari website suse studio dengan alamat
http://susestudio.com/ [4], dimana web ini adalah
penyedia layanan bagi pengguna linux suse untuk
membuat kostumisasi linux sendiri, user bisa
memilih aplikasi apa saja yang akan dipakai, jenis
dekstop dan fitur fitur yang lain.
Sedangkan pada penelitian ini adalah
menyediakan layanan untuk pengguna sistem
operasi android untuk smartphone. Untuk referensi
penelitian tertulis belum ditemukan, tetapi pada
implementasinya sudah terdapat website sejenis

24
 Seminar Nasional Informatika 2014

yaitu pada alamat website berikut

http://uot.dakra.lt/kitchen/ [5].

3 Tujuan
Tujuan dari penelitian ini adalah untuk
merancanng layanan kostumisasi android yang
dapat digunakan dengan mudah sehingga user
tidak harus mengetahui proses kostumisasi
android.

4 Metode Penelitian
Alat yang digunakan pada penelitian ini
adalah seperangkat komputer dengan dilengkapi
tool tweak android dan bahasa pemrograman php
dengan menggunakan framework codeigniter (CI)
serta smartphone berbasis android. Adapun tool
yang digunakan antara lain Apk tools, Dxdia
kitchen, dan ADB tools, yang nantinya tools ini
yang akan menjadi tool utama disisi server dan
melakukan servis yang diinginkan oleh client.
Sehingga client tidak perlu mengetahui secara pasti
prinsip kerja tools itu secara pasti.
Tahapan penelitian yang akan dilakukan
digambarkan pada tabel 1 berikut ini.
Gambar 1. Kebutuhan Software
Agar memudahkan user dalam
menggunakan sistem ini, maka sistem dibangun
berbasis website, sehingga semua proses berjalan
di server.
Berikut ini adalah skema alur proses
remastering secara manual yang dilakukan oleh
user untuk menghasilkan file apk yang baru.
Adapun skema adalah sebagai berikut :

Tabel 1. Tahapan penelitian

N Tahapan Pencapaian
No Penelitian
1 Mengetahui struktur
1 Meneliti Struktur Direktori andoid baik
Direktori Android untuk sistem ataupun
tampilan
2 Tool tweak android bisa
Melakukan uji
2 digunakan untuk
coba tool tweak
melakukan perubahan
andoid
tampilan
Melakukan
3 Sistem dan tampilan
3 kostumisasi bisa berubah.
android
Membangun
4 Tool telah diletakkan di
4 servis server sisi server.
untuk tool
kostumisasi
android
Membangun
5 antar Interface user berhasil
5 muka pengguna dibangun (di sisi client)
6 Sistem berhasil
6 Uji coba sistem digunakan untuk
kostumisasi android

Perancangan Layanan Remaster Andorid

Pada dasarnya untuk melakukan coustumisasi pada Gambar 2. Skema Remastering Manual [6]
android dalam hal ini tampilan user harus
melakukan proses sebagai berikut : Dari gambar di atas dapat kita lihat alur
a. Menginsatall Java Development Kit proses remastering manual yang dilakukan oleh
b. Menginstall Android SDK user sebagai berikut :
c. Memasang APK Tool engine 1. User mengambil atau memindahkan
Systemui.apk dan frameworkres.apk dari

25
Seminar Nasional Informatika 2014
android smartphone milik user ke pc linux
sebagai media remastering.
2. User masuk ke terminal untuk melakukan
proses decompile Systemui.apk dan
frameworkres.apk, sebelumnya user masuk ke
direktori tempat file Systemui.apk dan
frameworkres.apk di simpan dengan perintah
cd ( change directory)
3. Decompile systemui dan frameworkres dengan
perintah apktool d -f framewoekres.apk atau
apktool d -f systemui.apk
4. Setelah proses decompile selesai di direktory
path tempat melakukan proses decompile akan
tercipta directory frameworkres dan systemUI
yang didalamnya terdapat source file dari apk
paket yang telah di decompile sebelumnya.
Pada tahap ini user akan melakukan modifikasi
isi source, mulai dari memindahkan atau
merubah keseluruhan isi dari source tersebut.
Untuk melakukan hal itu user harus tau secara
keselurhan mengenai isi source yang akan
dimodifikasi agar tidak terjadi kesalahan dalam
proses remaster.
Gambar 3. Skema Layanan Remastering
Pada service yang akan dibuat, alur
remastering menjadi lebih singkat dan lebih mudah
dengan alur seperti berikut :
1. Dalam system ini, terdapat tiga previlage user
(admin, member, dan visitor )
2. Setiap member yang melakukan registrasi,
akan menunggu aproval dari admin untuk bisa
menggunakan layanan kitchen
3. Admin bisa melihat daftar user yang menunggu
untuk aproval
26
5. Setelah melakukan proses remaster user harus
melakukan proses build atau compilasi ulang
keseluruhan paket yang telah dimodifikasi
menjadi paket systemui.apk dan
frameworkres.apk yang baru. Untuk melakukan
hal tersebut user harus mengetikan perintah
apktool b -f frameworkres atau apktool b -f
systemui
6. Setelah proses decompile selesai, paket .apk
yang baru akan terbentuk dan user harus
memindahkan dan mengganti frameworkres
dan systemui pada smartphone milik user
dengan frameworkres dan systemui hasil
repacked yang baru.
Dari dasar skema alur proses manual
untuk menghasilkan apk baru, maka dirancang
skema alur proses yang baru untuk memudahkan
user dalam melakukan kostumisasi antar muka
android, adapun skema digambarkan pada gambar
3 berikut.
4. User yang belum di aprove sudah bisa
melakukan login tapi hanya bisa melihat menu
home dan welcome page saja
5. Visitor biasa, hanya bisa melihat home page
dari kitchen dan sama sekali tidak bisa
menggunakan servis
6. Ketika user sudah mendapat aproval dari
admin, user sudah bisa mengupload dan
mengakses page untuk proses remaster serta
mendownload file apk hasil remaster
7. Dalam proses remaster user tidak perlu
mengetikan perintah-perintah selayaknya pada
 Seminar Nasional Informatika 2014

proses manual, user hanya memilih icon apa Id Int 10

saja yang akan di ganti, serta memilih status Hak akses Varchar 50
bar costum yang disediakan di server
8. Setelah proses selesai user siap mendownload 8. Rancangan Tabel Icon
hasil remaster dan memasang di device android Tabel 9. Tabel Icon
mereka Nama Kolom Tipe Data Panjang
Id Int 10
Perancangan Database Filename Varchar 100
Adapun rancangan tabel yang digunakan Filetype Varchar 50
adalah sebagai berikut : Filepath Text
1. Rancangan Tabel VUser Fullpath Text
Tabel 2. Tabel VUser Rawname Text
Nama Kolom Tipe Data Panjang Origname Text
Username Varchar 50
Clientname Text
Password Char 40
Fileext Tinytext
Status Enum
Filesize Float
Privilegeid Varchar 50
Typeid Int 10
Hakakses Varchar 50
Forld Int 10
Date Date
Categoryid Int 10
Date Timestamp
2. Rancangan Tabel User
Uploaded Varchar 100
Tabel 3. Tabel User
Nama Kolom Tipe Data Panjang
9. Rancangan Tabel File
Username Varchar 50
Table 10. Tabel File
Password Char 40
Nama Kolom Tipe Data Panjang
Status Enum Id Int 10
Privilegeid Varchar 50 File_name Varchar 100
Date Date File_type Varchar 50
File_path Text
3. Rancangan Tabel Icon For
Full_path Text
Tabel 4. Tabel Icon For
Raw_name Text
Nama Kolom Tipe Data Panjang
Orig_name Text
Id Int 10
Client_name Text
For Varchar 50
File_ext Tinyint
File_size Float
4. Rancangan Tabel Log Login
Date Timestamp
Tabel 5. Tabel Log Login
Uploaded Varchar 100
Nama Kolom Tipe Data Panjang
Id Int 10
10. Rancangan Tabel VST
Session_id Char 40
Tabel 11. Tabel vst
Ip_address Varchar 100
Nama Kolom Tipe Data Panjang
User_agent Text
Id Int 10
Username Varchar 50
Session_id Varchar 45
Last_login Timestamp
Ip_address Varchar 45
User_agent Varchar 120
5. Rancangan Tabel Icon Category
Tabel 6. Tabel Icon Category Last_activity Int 10
User_data Text
Nama Kolom Tipe Data Panjang
Id Int 10
11. Rancangan Tabel Vicon
Category Varchar 50
Tabel 12. Tabel VIcon
Nama Kolom Tipe Data Panjang
6. Rancangan Tabel Icon Type
Id Int 10
Tabel 7. Tabel Icon Type
Filename Varchar 100
Nama Kolom Tipe Data Panjang
Filetype Varchar 50
Id Int 10
Filepath Text
Type Varchar 50
Fullpath Text
7. Rancangan Tabel Priviledge
Tabel 8. Tabel Priviledge Rawname Text
Nama Kolom Tipe Data Panjang Origname Text

27
Seminar Nasional Informatika 2014

Clientname Text
Fileext Tinytext
Filesize Float
Typeid Int 10
Type Varchar 50
Forld Int 10
Categoryid Int 10
Date Timestamp
Uploaded Varchar 100
Gambar 7. Halaman User Guide
Perancangan Antar Muka Sistem
5. Rancangan Halaman Upload File Apk.
1. Rancangan Halaman Login

Gambar 4. Halaman Login

Gambar 8. Halaman Upload File Apk.
2. Rancangan Halaman Home Member sebelum
disapprove 6. Rancangan Halaman Daftar Icon yang telah
diupload.

Gambar 5. Halaman Home Member Non

Approve
Gambar 9. Halaman List File

3. Rancangan Halaman untuk Member setelah di 7. Rancangan Halaman Proses Compile File
Approve

Gambar 6. Halaman Home Member Approve

Gambar 10. File Compile
4. Rancangan Halaman User Guide

28

8. Rancangan Halaman Download file apk
Gambar 11. Halaman Download file apk
9. Rancangan Halaman home Admin
Gambar 12. Halaman Home Admin
10. Rancangan Halaman Daftar User yang telah Di
Approve
Gambar 13. Halaman List User Aproval
11. Rancangan Halaman Daftar seluruh user yang
terdafar.
Gambar 14. Halaman List semua User
Seminar Nasional Informatika 2014
5 Kesimpulan dan Saran
Kesimpulan
Dari uraian yang telah dijelaskan pada
bab sebelumnya, adapun kesimpulannya adalah :
1. Untuk merancang layanan kostumisasi android
yang berbasis web dimulai dengan langkah
merancang layanan yang letaknya di sisi server
(linux), kemudian merancang layanan
interface di sisi client (web base), kemudian
merancang layanan perantara antara perintah
dari user (client) yaitu php terhadap perintah
yang berada di sisi server (linux) yaitu
command linux.
2. Dibutuhkan setidaknya sebelas tabel untuk
menampung data yang digunakan untuk proses
remastering.
3. Dibutuhkan setidaknya halaman upload file,
kostumisasi atau pengolahan interface dan
download file untuk merancang sistem
kostumisasi tersebut.
Saran
Agar sistem layanan yang dirancang ini
menjadi lebih baik, maka perlu ditambahkan fitur
yaitu sebagai berikut :
1. Menyediakan server yang lebih besar space
nya, sehingga berapapun user yang
menggunakan tidak terjadi RTO pada server.
2. Terdapat dukungan costum room untuk
berbagai jenis vendor smartphone dalam hal ini
android sehingga user tidak perlu mengupload
file secara manual.
3. Terdapat fitur browse file secara langsung
ketika smartphone pengguna terhubung dengan
PC atau Notebook user.
Daftar Pustaka
[1] Wei-Meng Lee, 2011, Beginning Android
Application Development, English, Wrox
[2] Dong-Hoon You, Bong-Nam Noh, 2011,
Android platform based linux kernel rootkit,
http://ieeexplore.ieee.org/xpl/articleDetails.js
p?tp=&arnumber=6112330&contentType=C
onference+Publications&pageNumber%3D2
%26queryText%3Dandroid+smart+phone
[3] Shanker, a., 2011, Android porting concepts,
http://ieeexplore.ieee.org/xpl/articleDetails.js
p?tp=&arnumber=5941971&contentType=C
onference+Publications&queryText%3Dandr
oid+kernel
[4] http://susestudio.com/
[5] http://uot.dakra.lt/kitchen/
[6] http://forum.xda-developers.com
29
Seminar Nasional Informatika 2014

PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG

PEMINATAN PROGRAM STUDI SISTEM INFORMASI
DI STMIK POTENSI UTAMA MEDAN
Fina Nasari1
1
Sistem Informasi, STMIK Potensi Utama
3
Jalan K.L. Yos Sudarso KM. 6,5 No. 3A Tanjung Mulia Medan
1
fina_akhwat17@yahoo.co.id

Abstrak

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

Kata kunci : Bidang Peminatan, Algoritma C4.5, Pohon Keputusan

1. Pendahuluan 2. KDD ( Knowledge Discovery In Database )

Bidang peminatan merupakan bagian dari
kurikulum berbasis kopetensi. Bidang peminatan
adalah kumpulan dari beberapa matakuliah
pendukung yang akan mengantarkan Mahasiswa
menuju proses penyelesaian skripsi. Adapun
bidang peminatan yang ada pada program studi
Sistem Informasi adalah Komputerisasi Akuntansi
(SIA), Sistem Informasi Grafis(SIG) dan Sistem
Bisnis Cerdas(SBC).
Liliana Swastina telah menerapkan
algoritma C4.5 untuk penentuan jurusan
Mahasiswa, hasil yang diperoleh dalam penentuan
jurusan dengan tingkat akurasi 93.31 % dan
akurasi rekomendasi jurusan sebesar 82.64%[1].
Algoritma C4.5 umumnya digunakan untuk
pengklasifikasian data, selain algoritma C4.5
algoritma ID3 dan K-Nearest juga dapat
digunakan untuk pengklasifikasian data. Studi
kinerja K-Nearest Neighbor dan C4.5 sudah
dilakukan penelitian dalam menentukan
kemungkinan pengunduran diri mahasiswa di
STMIK AMIKOM Yogyakarta, hasil penelitian
yang diperoleh adalah kinerja algoritma C4.5
lebih cepat dan akurat dibandingkan dengan
algoritma K-Nearest [2]. Algoritma C4.5
memiliki tingkat ketelitian yang tinggi dalam
menghasilkan sebuah keputusan, ketelitiannya
hingga 94 % pada tahap pelatihan dan 93 % pada
tahap uji coba [3]
Menurut Fayyad dalam buku (kusrini, 2009)
Istilah data mining dan knowledge discovery in
database (KDD) sering kali digunakan secara
bergantian untuk menjelaskan proses penggalian
informasi tersembunyi dalam suatu basis data
yang besar. Sebenarnya kedua istilah tersebut
memiliki konsep yang berbeda, tetapi berkaitan
satu sama lain. Dan salah satu tahapan dalam
keseluruhan proses KDD adalah data mining.
Proses KDD secara garis besar dapat dijelaskan
sebagai berikut :
1. Data Selection
Pemilihan (seleksi) data dari sekumpulan
data operasional perlu dilakukan sebelum
tahap penggalian informasi dalam KDD
dimulai. Data hasil seleksi yang akan
digunakan untuk proses data mining
disimpan dalam suatu berkas, terpisah dari
basis data operasional.
2. Pre- processing / Cleaning
Sebelum proses data mining dapat
dilaksanakan, perluh dilakukan proses
pembersihan pada data yang menjadi focus
KDD. Proses pembersihan mencakup antara
lain membuang duplikasi data, memeriksa
data yang inkosisten, dan memperbaiki
kesalahan pada data, seperti kesalahan cetak
(tipografi).

30
 Seminar Nasional Informatika 2014

3. Transformation 1. Data Selection

Coding adalah transformasi pada data yang Variable yang dipakai dalam pemilihan
telah dipilih, sehingga data tersebut sesuai bidang peminatan adalah IPK dari matakuliah
untuk proses data mining. Proses coding inti semester I - V yaitu matakuliah yang
dalam KDD merupakan proses kreatif dan berkaitan dengan keterampilan dan keahlian
sangat tergantung pada jenis atau pola dalam bidang komputerisasi, IPK dari matakuliah
informasi yang akan dicari dalam basis data. wajib semester I-V yaitu matakuliah
4. Data mining pengembangan kepribadian dan Keterampilan
Data mining adalah proses mencari pola menghitung, dan jenis kelamin mahasiswa. Data
atau informasi menarik dalam data terpilih penelitian yang dipakai seperti terlihat pada tabel
dengan menggunakan teknik atau metode 1.
tertentu. Teknik, metode, atau algoritma
dalam data mining sangat bervariasi. Tabel.1 Data Penelitian
Pemilihan metode atau algoritma yang tepat
sangat bergantung pada tujuan dan proses
KDD secara keseluruhan.
5. Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses
data mining perlu ditampilkan dalam bentuk
yang mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan
bagian dari proses KDD yang disebut
interpretation. Tahap ini mencakup
pemeriksaan apakah pola atau informasi
yang ditemukan bertentangan dengan fakta
atau hipotesis yang ada sebelumnya[4].

2. Transformation

Gambar 1. Aliran Informasi dalam data
mining
3. Analisa dan Pembahasan
Data penelitian ini bersarkan data pemilihan
bidang peminatan program studi sistem informasi
stambuk 2010 TA. 2012-2013 sebanyak 100 data.
Proses transformasi yang dilakukan adalah
mengklasifikasikan Atribut IPK menjadi 3
variabel yaitu “Kecil” untuk IPK < 3.00,
“Sedang” untuk IPK >= 3.00 s/d IPK <= 3.5 dan
“Besar” untuk IPK > 3.5. Hasil transformasi dapat
dilihat pada tabel.2

31
Seminar Nasional Informatika 2014
Tabel.2 Data Transformasi
3. Penerapan Algoritma C4.5
Data hasil transformasi selanjutnya dianalisa
untuk menghasilkan sebuah pohon keputusan
dengan menggunakan algoritma C4.5, secara
umum algortima C4.5 untuk membangun pohon
keputusan adalah sebagai berikut:
1. Perhitungan Entropy dan Gain
2. Pemilihan Gain tertinggi sebagai akar ( Node )
3. Ulangi proses perhitungan Entropy dan Gain
untuk mencari cabang sampai semua kasus
pada cabang memiliki kelas yang sama yaitu
pada saat semua variabel telah menjadi bagian
dari pohon keputusan atau masing –masing
variabel telah memiliki daun atau keputusan.
4. Membuat Rule berdasarkan pohon keputusan.
Untuk memilih atribut sebagai akar,
didasarkan pada nilai gain tertinggi dari atribut-
atribut yang ada. Untuk menghitung gain
digunakan rumus sebagai berikut:
(1) [4]
Di mana :
1. S : Himpunan Kasus
2. A : Atribut
3. n : Jumlah Partisi Atribut A
4. |Si| : Jumlah Kasus pada Partisi ke-i
5. |S| : Jumlah Kasus dalam S
Sementara itu, perhitungan nilai entropy
dapat dilihat pada persamaan berikut ini:
32
(2) [4]
Di mana :
1. S : Himpunan Kasus
2. A : Atribut
3. n : Jumlah Partisi S
4. pi : Proporsi dari Si terhadap S
hasil perhitungan menggunakan algoritma
C4.5 untuk mencari node pertama terlihat pada
tabel 2.
Tabel 3. Hasil Perhitungan Pencarian Node 1
Sesuai dengan hasil perhitungan algoritma
C4.5 mencari node 1 atau node akar, variable JK
atau Jenis kelamin mejadi varibel akar. Proses
perhitungan algoritma C4.5 dilanjutkan hingga
semua atribut sudah memiliki keputusan.
4. Uji Coba
Uji coba sistem menggunakan tool Weka 3-
5-5. Hasil proses klasifikasi dengan algoritma Id3
menghasilkan keputusan yang menjadi atribut
akar adalah jenis kelamin dan menghasilkan
pengetahuan sebagai berikut:
a. Jika JK=LK and IPK_Wajib = Sedang and
IPK_Inti = Sedang Then Peminatan =
Sistem Bisnis Cerdas
b. Jika JK=LK and IPK_Wajib = Sedang and
IPK_Inti = Besar Then Peminatan = Sistem
Bisnis Cerdas
c. Jika JK=LK and IPK_Wajib = Sedang and
IPK_Inti = Kecil Then Peminatan = Sistem
Bisnis Cerdas
d. Jika JK=LK and IPK_Wajib = Besar Then
Peminatan = Sistem Informasi Geografis
e. Jika JK=LK and IPK_Wajib = Kecil and
IPK_Inti = Sedang Then Peminatan =
Sistem Informasi Geografis
f. Jika JK=LK and IPK_Wajib = Kecil and
IPK_Inti = Kecil Then Peminatan = Sistem
Informasi Geografis
 Seminar Nasional Informatika 2014

g. Jika JK=Pr and IPK_Inti = Sedang and Tabel 4 Data Uji Coba
IPK_Wajib = Sedang Then Peminatan =
Sistem Informasi Akuntansi
h. Jika JK=Pr and IPK_Inti = Sedang and
IPK_Wajib = Besar Then Peminatan =
Sistem Informasi Akuntansi
i. Jika JK=Pr and IPK_Inti = Sedang and
IPK_Wajib = Kecil Then Peminatan =
Sistem Bisnis Cerdas
j. Jika JK=Pr and IPK_Inti = Besar and
IPK_Wajib = Sedang Then Peminatan =
Sistem Bisnis Cerdas
k. Jika JK=Pr and IPK_Inti = Besar and
IPK_Wajib = Besar Then Peminatan =
Sistem Bisnis Cerdas
l. Jika JK=Pr and IPK_Inti = Besar and
IPK_Wajib = Kecil Then Peminatan =
Sistem Bisnis Cerdas
m. Jika JK=Pr and IPK_Inti = Kecil Then
Peminatan = Sistem Informasi Geografis

Hasil pengujian terhadap data pemilihan

pemintan stambuk 2011 diperoleh kecocokan
hingga 80.14 %.

5. Kesimpulan dan Saran

Dalam penelitian ini dapat ditarik kesimpulan

sebagai berikut:
1. Berdasarkan perhitungan menggunakan
algoritma C4.5 diperoleh factor dominan
seseorang memilih bidang peminatan adalah
berdasarkan nilai JK dengan tingkat
kecocokan data hingga 80.14%.
2. Variable penelitian ini masih melihat data
nilai dan jenis kelamin, untuk
pengembangannya perlu dilihat juga minat
dan bakat dari mahasiswa yang akan
memilih peminatan, sehingga pemilihan
peminatan akan lebih tepat.
Gambar 2. Pohon Keputusan Yang Dihasilkan

Uji coba dilakukan dengan menggunkan Daftar Pustaka:

data pemilihan bidang peminatan 100 mahasiswa
stambuk 2011. Data uji coba dapat dilihat pada [1] Badan Pusat Statistik, (2013). Listrik
tabel 3. yang Didistribusikan Kepada
Pelanggan Menurut Kelompok
Pelanggan (GWh), Medan
[2] Kusrini,dkk (2009). Perbandingan
Metode Nearest Neighbor dan

33
Seminar Nasional Informatika 2014

Algoritma C4.5 Untuk Menganalisis Engineering Vol. 1, Issue 2, April

Kemungkinan Pengunduran Diri Calon 2012, Thandhalam
Mahasiswa Di STMIK AMIKOM [4] Kusrini, (2009). Algoritma Data
YOGYAKARTA, JURNAL DASI ISSN: Mining, Andi Offcet, Yogyakarta
1411-3201 Vol. 10 No. 1 Maret 2009
[3] Anand, Dr. Sheila and K. Ranjesh,
(2011), Analyst Of Seer Dataset For
Breast Cancer Diagnosis Using C4.5
Classification Algorithm, International
Journal of Advanced Research in
Computer and Communication

34
 Seminar Nasional Informatika 2014

PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN

NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
Hartatik

STMIK Amikom
Manajemen Informatika STMIK AMIKOM Yogyakarta
Jl. Ringroad Utara, Condong Catur, Depok, Sleman, Yogyakarta
E-mail : hartatik@amikom.ac.id

Abstrak

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

Kata Kunci : Tes seleksi masuk, IPK, clustering, K-Means

1. Pendahuluan yang mengikuti jalur ini akan mengikuti tes

STMIK AMIKOM Yogyakarta adalah
salah satu perguruan tinggi swasta di kota
Yogyakarta. Setiap tahunnya, STMIK AMIKOM
Yogyakarta menerima kurang lebih 2500
mahasiswa. Seleksi yang diterapkan oleh STMIK
AMIKOM Yogyakarta untuk dapat menyeleksi
kandidat mahasiswa baru yang potensial
dilakukan lewat 2 cara yaitu tes tertulis dan tes
seleksi penerimaan mahasiswa baru lewat
wawancara yang sering disebut jalur PJ2AB
(Jalur Penelusuran Prestasi Akademik dan Bakat).
Tes tertulis adalah seleksi masuk yang
diikuti oleh calon mahasiswa yang memiliki nilai
UN (Ujian Nasional) kurang dari 2,75. Tes ini
terdiri dari pertanyaan-pertanyaan umum
(psikotes dan tes akademik) yang harus dijawab
oleh peserta atau calon mahasiswa dengan waktu
maksimal 100 menit. Peserta tes akan dinyatakan
lulus jika mampu menjawab pertanyaan dengan
benar lebih dari 50% dari jumlah soal yang
tersedia.
JP2AB (Jalur Penelusuran Prestasi
Akademik dan Bakat) adalah ujian masuk yang
diselenggarakan untuk menyaring calon
mahasiswa yang memiliki prestasi akademik
(dibuktikan dengan nilai UN lebih dari 2,75) dan
bakat (seni, olahraga dan IPTEK). Mahasiswa
berupa wawancara langsung.
Secara sekilas, yang menjadi pembeda
antara tes tertulis dan tes jalur PJ2AB adalah nilai
UN. Diharapkan calon mahasiswa yang mengikuti
seleksi PJ2AB akan memiliki prestasi dan nilai
akademik yang lebih baik dibandingkan
mahasiswa yang mengikuti ujian tertulis.
Menurut penelitian yang dilakukan oleh
Suparyoko (1997), dilihat dari dimensi prediksi,
proses seleksi masuk menggunakan nilai UN agak
sullit dipertanggungjawabkan. Alasannya, nilai
UN lebih mengacu pada kurikulum SMU, bukan
mengacu pada kurikulum perguruan tinggi. Ada
kesangsian pada dimensi efektivitas prediksi yang
menjadikan nilai UN sebagai penentu utama
kelulusan tes masuk perguruan tinggi. Untuk
melihat asosiasi antara nilai UN (Ujian Nasional)
dan IPK (indeks prestasi kumulatif) mahasiswa
digunakanlah algoritma K-Means. Dengan
algoritma K-Means diharapkan dapat diketahui
pola pengelompokan mahasiswa STMIK
AMIKOM Yogyakarta berdasarkan kedua
parameter tersebut.
Data, informasi dan pengetahuan memiliki
peranan dan nilai yang penting dalam berbagai
aktivitas manusia. Data mining adalah proses
penemuan suatu pengetahuan dengan
menganalisis sejumlah besar data dari berbagai

35
Seminar Nasional Informatika 2014
perspektif dan meringkasnya menjadi suatu
informasi. Pentingnya pencarian
pengetahuan/informasi dari suatu data yang
berukuran besar membuat data mining menjadi
komponen yang penting dalam mengekstrak suatu
pengetahuan yang dapat berguna dalam suatu
sistem. Pada penelitian yang dilakukan oleh
Chuchra (2012), disebutkan bahwa data mining
dapat digunakan untuk mengevaluasi kinerja
siswa. Dengan menggunakan algoritma yang ada
dalam data mining, dicoba untuk mengekstrak
pengetahuan yang bisa menggambarkan kinerja
siswa pada akhir semester. Hasil ekstraksi ini
dapat digunakan untuk membantu dalam
mengidentifikasi siswa yang mungkin akan putus
sekolah dan membantu siswa yang membutuhkan
perhatian khusus serta mengantisipasi keadaan
tersebut dengan memberikan seorang profesor
yang tepat untuk membantu menasehati dan
membimbing para siswa.
Penelitian yang dilakukan oleh Tiwari,
Singh dan Vimal (2013), menyebutkan bahwa
institusi pendidikan adalah bagian penting dalam
masyarakat dan memainkan peranan yang penting
dalam pertumbuhan dan pembangunan suatu
bangsa. Selain itu institusi pendidikan juga
berperan untuk mengontrol dan melakukan
evaluasi serta prediksi prestasi akademik
siswanya. Prestasi akademik siswa dapat
didasarkan pada berbagai faktor seperti
kepribadian, lingkungan sosial serta psikologi dari
siswa tersebut. Educational data mining
mengimplementasikan algoritma data mining
untuk menemukan pengetahuan dari data yang
berasal dari domain pendidikan. Hasil penelitian
ini menyebutkan bahwa data mining dapat
digunakan sebagai tool pengambilan suatu
keputusan yang dapat menemukan suatu
pengetahuan dari sejumlah besar data yang bisa
digunakan dalam menilai prestasi siswa.
2. Metode Penelitian
Penelitian yang diusulkan ini
menggunakan data primer, dengan respondennya
adalah mahasiswa jurusan S1. Teknik Informatika
STMIK AMIKOM Yogyakarta angkatan 2011
dan 2012. Pengumpulan data dilakukan melalui
kuisioner yang dibagikan langsung kepada
mahasiswa. Dalam kuisioner ini, mahasiswa
diminta untuk mengisikan nim, nama, asal
SLTA/sederajat, tes seleksi yang pernah diikuti
ketika hendak mendaftar menjadi calon
mahasiswa STMIK AMIKOM Yogyakarta dan
IPK terakhir yang diperoleh.
Parameter yang digunakan untuk
melakukan pengelompokan mahasiswa terdiri dari
2 yaitu :
1. IPK
36
IPK dihitung dengan menjumlahkan indeks
prestasi (IP) yang didapat pada tiap semester
dibagi dengan jumlah semester yang telah
dilewati.
2. Tes seleksi masuk
Setelah data dikumpulkan, tahapan
selanjutnya adalah studi literatur. Pada tahap
ini dipelajari berbagai macam referensi
tentang data mining dan metode K-Means
baik melalui jurnal penelitian, buku-buku
teori, tutorial, dan sumber-sumber lain
termasuk internet. Berdasarkan beberapa
literatur, untuk melakukan clustering
menggunakan metode k-means ada beberapa
langkah yang harus dilakukan :
Berdasarkan beberapa buku Witten, Ian
dan Frank (2005), untuk melakukan clustering
menggunakan metode k-means ada beberapa
langkah yang harus dilakukan :
1. Langkah pertama yang dilakukan adalah
menentukan jumlah k cluster yang diinginkan
sebagai centroid awal. Algoritma k-means
membutuhkan parameter input sebanyak k
dan membagi sekumpulan n objek kedalam
k cluster sehingga tingkat kemiripan antar
anggota dalam satu cluster tinggi sedangkan
tingkat kemiripan dengan anggota pada
cluster lain sangat rendah. Kemiripan anggota
terhadap cluster diukur dengan kedekatan
objek terhadap nilai mean pada cluster
atau dapat disebut sebagai centroid cluster
atau pusat massa. Rumus pengukuran jarak
dapat dihitung menggunakan rumus 1
(Santosa, 2007) :
(1)
2. Langkah yang kedua adalah melakukan
clustering obyek dengan memasukkan setiap
obyek ke dalam cluster (grup) berdasarkan
jarak minimumnya. Suatu data akan menjadi
anggota dari suatu cluster (C1, C2 maupun
C3) bila memiliki jarak terkecil dari pusat
cluster-nya.
3. Langkah ketiga adalah menghitung pusat
cluster baru. Pusat cluster yang baru
ditentukan berdasarkan pengelompokan
anggota masing-masing cluster. Pusat cluster
baru diperoleh dari rata – rata semua
data/objek dalam cluster.
4. Langkah yang keempat dilakukan dengan
mengulangi iterasi yang dimulai dari langkah
1, sehingga cluster yang baru memiliki angka
yang tetap (tidak mengalami perubahan).
3. Hasil Dan Pembahasan
Sample yang digunakan berjumlah 40
orang dari berbagai angkatan. Tabel 1
 Seminar Nasional Informatika 2014

menunjukkan data mahasiswa yang dijadikan Data sampling pada tabel 1 dilakukan
sample data. pengelompokan menggunakan algoritma K-
Means. Langkah-langkah yang dilakukan untuk
Tabel 1. Data sampling melakukan pengelompokan adalah :

NIM IP UN Iterasi pertama

06.11.1009 3 7.6 Menentukan jumlah k kluster yang
diinginkan sebagai centroid awal. Pada penelitian
11.11.5115 3.83 7
ini kluster yang dibuat sebanyak 3 buah seperti
11.11.5076 3.75 6.5 yang ditunjukkan pada tabel 2.
11.11.5100 3 6.25
Tabel 2. Centroid Awal
11.11.5101 1.92 7
11.11.5099 3.6 7.05 Pusat Kluster
11.11.5081 1.5 6.75
11.11.5121 2.98 6.8 1.5 5

11.11.5090 3.33 7 2.5 6

11.11.5113 3.75 7.1 3.5 7

Mengukur kedekatan objek terhadap
11.11.5108 3.75 7.5 nilai mean pada kluster atau dapat disebut
11.11.5126 3 8 sebagai centroid kluster atau pusat massa dengan
12.11.6403 2 8.5 menggunakan rumus 1. Hasil pengukuran ini
dapat dilihat pada tabel 3.
06.11.1010 3 7
11.11.5093 3.54 6.5 Tabel 3. Centroid Kluster pada iterasi
11.11.5085 3.67 6.4 yang pertama
11.11.5117 3.45 6 Kluster 1 Kluster 2 Kluster 3
11.11.5080 3 6.8 3.001666204 1.676305461 0.781024968
11.11.5131 2.48 6.9 3.070651397 1.664001202 0.33
11.11.5071 3.71 5.5 2.704163457 1.346291202 0.559016994
12.11.5749 2 6 1.952562419 0.559016994 0.901387819
12.11.5851 2 6.5 2.043624232 1.156027681 1.58
11.11.5079 3.25 6.7 2.934706118 1.520690633 0.111803399
11.11.5256 3.54 6.4 1.75 1.25 2.015564437
11.11.5266 3.75 7.8 2.330321866 0.932952303 0.557135531
11.11.5213 3.58 7.9 2.710885464 1.299576854 0.17
11.11.5129 3 7.5 3.077742679 1.665082581 0.26925824
11.11.5114 3.75 7 3.363406012 1.952562419 0.559016994
12.02.8188 4 6.5 3.354101966 2.061552813 1.118033989
11.11.5123 3.5 6.8 3.535533906 2.549509757 2.121320344
11.11.5126 3.5 6.4 2.5 1.118033989 0.5
11.11.5130 3.3 6.2 2.532113742 1.153949739 0.501597448
11.11.5112 3.67 7.9 2.582421344 1.236486959 0.623618473
11.11.5180 3.5 8 2.1914607 0.95 1.00124922
11.11.5065 2.75 6.7 2.343074903 0.943398113 0.538516481
11.11.5072 3.67 6.6 2.137849387 0.900222195 1.024890238
11.11.5092 3.46 7.5 2.265855247 1.309236419 1.514628667
11.11.5110 3.6 7
11.11.5125 3.55 6.6 1.118033989 0.5 1.802775638
11.11.5270 3.79 6.5 1.58113883 0.707106781 1.58113883
2.43977458 1.025914226 0.390512484

37
Seminar Nasional Informatika 2014

2.474186735 1.114271062 0.601331855 6.932712312 0.410147534 0.926723217

3.592005011 2.1914607 0.838152731 7.258539798 0.928375463 1.520470996
3.568809325 2.185497655 0.90354856 7.915964881 1.194579842 0.161773792
2.915475947 1.58113883 0.707106781 6.914658343 1.17099146 1.964633213
3.010398645 1.600781059 0.25 7.424311416 0.559071552 0.530598978
2.915475947 1.58113883 0.707106781 7.751703039 0.949400337 0.127518948
2.690724809 1.280624847 0.2 8.029476944 1.34748692 0.312806936
2.441311123 1.077032961 0.6 8.385254916 1.597410717 0.533802354
2.163330765 0.824621125 0.824621125 8.544003745 1.666049519 1.031922627
3.622002209 2.231344886 0.915914843 8.732124598 2.206291232 2.031452631
3.605551275 2.236067977 1 7.615773106 0.731929641 0.443984653
2.110094785 0.743303437 0.807774721 7.401459316 0.936718207 0.575062228
2.696089761 1.31487642 0.434626276 7.377594459 1.059188841 0.705034741
3.176727876 1.78089865 0.501597448 6.921163197 0.92104343 1.066185446
2.9 1.486606875 0.1 7.43236167 0.572469213 0.513394571
2.600480725 1.209338662 0.403112887 7.332148389 0.536247145 0.973314814
2.737535388 1.383510029 0.578013841 6.634312323 1.407906602 1.589397264
Langkah selanjutnya adalah melakukan 6.32455532 0.719528318 1.790934101
clustering objek sehingga didapatkan data
clustering yang baru. Hasil clustering pada iterasi 6.800735254 0.622672466 1.546388024
yang pertama dapat dilihat dengan tabel 4. 7.446643539 0.714647466 0.412048132
7.313795184 0.92921526 0.673737614
Tabel 4. Data clustering baru pada iterasi yang
pertama 8.654623042 1.820362876 0.79703672
8.673315398 1.802598402 0.845702486
Pusat Cluster Baru 8.077747211 1.185631056 0.61724658
7.941190087 1.29681186 0.317921351
0 0
7.632168761 1.394173949 0.796986128
2.611 6.38
7.647875522 0.983219711 0.273023309
3.439032 7.066129
7.29451849 0.889224943 0.668913263
Langkah selanjutnya adalah mengulangi 7.023531875 0.712124287 0.877216888
iterasi yang dimulai dari langkah 1, sehingga
8.710849557 1.85253367 0.865266946
cluster yang baru memiliki angka yang tetap
(tidak mengalami perubahan). 8.732124598 1.847896372 0.93585899
7.24240982 0.348885368 0.78026657
Iterasi Kedua
7.551748142 1.081610373 0.520213776
Langkah pertama pada iterasi kedua adalah
menentukan jumlah k cluster berdasarkan hasil 8.259636796 1.405418443 0.434377328
pada iterasi yang pertama. Cluster awal pada 7.871467462 1.167270748 0.174022018
iterasi yang kedua sama dengan tabel 4.
7.494164396 0.96442781 0.479155627
Langkah kedua mengukur kedekatan
objek terhadap nilai mean. Hasil pengukuran ini 7.52423418 1.185091136 0.666093415
dapat dilihat pada tabel 5.
Langkah selanjutnya adalah melakukan
Tabel 5. Centroid Cluster pada iterasi yang clustering objek sehingga didapatkan data
kedua clustering yang baru. Hasil clustering pada iterasi
yang pertama dapat dilihat dengan tabel 6.
Cluster 1 Cluster 2 Cluster 3
8.170679286 1.280515912 0.691207302
7.979279416 1.367611421 0.3965209
7.50416551 1.14530389 0.645912546

38
 Seminar Nasional Informatika 2014

Tabel 6. Data clustering baru pada iterasi yang 7.313795 0.929215 0.701645
kedua
8.654623 1.820363 0.768678
Pusat Cluster Baru
8.673315 1.802598 0.816463
0 0
8.077747 1.185631 0.60072
2.611 6.38
7.94119 1.296812 0.320726
3.443667 7.095
7.632169 1.394174 0.814575
Langkah keempat adalah membandingkan 7.647876 0.98322 0.300331
hasil pengelompokan/cluster pada iterasi yang 7.294518 0.889225 0.697279
pertama dan iterasi yang kedua. Jika hasil
7.023532 0.712124 0.906457
clustering sama maka kita sudah mendapatkan
cluster yang benar. Jika tidak dilanjutkan ke 8.71085 1.852534 0.836213
iterasi yang ketiga. 8.732125 1.847896 0.906752
7.24241 0.348885 0.798247
Iterasi ketiga
Langkah pertama pada iterasi ketiga 7.551748 1.08161 0.54429
adalah menentukan jumlah k cluster berdasarkan 8.259637 1.405418 0.405329
hasil pada iterasi yang kedua. Cluster awal pada
7.871467 1.167271 0.182935
iterasi yang tiga sama dengan tabel 6.
Langkah kedua mengukur kedekatan 7.494164 0.964428 0.506292
objek terhadap nilai mean. Hasil pengukuran ini 7.524234 1.185091 0.688456
dapat dilihat pada tabel 7.
Langkah selanjutnya adalah melakukan
Tabel 7. Centroid Cluster pada iterasi yang clustering objek sehingga didapatkan data
ketiga clustering yang baru. Hasil clustering pada iterasi
Cluster 1 Cluster 2 Cluster 3 yang pertama dapat dilihat dengan tabel 8.

8.170679 1.280516 0.672209 Tabel 8. Data clustering baru pada iterasi yang
7.979279 1.367611 0.397842 ketiga
7.504166 1.145304 0.669227
Pusat Cluster
6.932712 0.410148 0.954393
7.25854 0.928375 1.526625 0 0
2.611 6.38
7.915965 1.19458 0.162681 3.443667 7.095
6.914658 1.170991 1.974048
7.424311 0.559072 0.549556 Langkah keempat adalah
membandingkan hasil pengelompokan/cluster
7.751703 0.9494 0.148139 pada iterasi yang pertama dan iterasi yang kedua.
8.029477 1.347487 0.306374 Hasil cluster kedua dan ketiga sama, sehingga kita
8.385255 1.597411 0.507804 sudah mendapat nilai cluster yang tetap/stabil.
8.544004 1.66605 1.007901 Kebutuhan Fungsional
8.732125 2.206291 2.014497 Perangkat lunak yang dibangun memiliki
7.615773 0.73193 0.453724 kebutuhan fungsional sebagai berikut :
1. Sistem dapat memasukkan data mahasiswa
7.401459 0.936718 0.602748 yang akan di cluster
7.377594 1.059189 0.730925 2. Sistem dapat memasukkan parameter-
6.921163 0.921043 1.095018 parameter
3. Sistem dapat memasukkan nilai IPK dan UN
7.432362 0.572469 0.53279 untuk masing-masing mahasiswa
7.332148 0.536247 0.983198 4. Sistem dapat melakukan pengelompokan
data mahasiswa yang telah diinputkan.
6.634312 1.407907 1.617083
6.324555 0.719528 1.81196 Use Case Diagram
6.800735 0.622672 1.561473 Kebutuhan fungsional tersebut lalu
dituangkan ke dalam diagram use case. Diagram
7.446644 0.714647 0.439922
use case dapat dilihat pada gambar 1.

39
Seminar Nasional Informatika 2014

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

Daftar Pustaka

[1]. Chuchra, Rimmy., 2012, Use of Data

Gambar 1. Diagram use case clustering
Mining Techniques for The Evaluation of
Student Performance : A Case Study,
4. Kesimpulan
International Journal of Computer Science
and Management Research, Vol 1.
Kesimpulan dari penelitian ini adalah
[2]. Santosa, Budi., 2007, Data Mining Teknik
bahwa metode K-Means dapat digunakan untuk
Pemanfaatan Data untuk Keperluan Bisnis,
melakukan pengelompokan atau peng-cluster-an
Graha Ilmu.
mahasiswa berdasarkan dua parameter yaitu IPK
[3]. Supriyoko, Ki., 23 Juni 1997, Sistem Seleksi
dan nilai UN mahasiswa tersebut ketika lulus
Masuk Perguruan Tinggi 1 dan 2, Surat
SMU. Namun berdasarkan hasil yang didapatkan
Kabar Pikiran Rakyat.
dengan sample 40 orang mahasiswa belum
[4]. Tiwari, M., Singh, R., Vimal, N., 2013, An
didapatkan nilai cluster yang bisa mewakili
Empirical Study of Data Mining Techniques
pengelompokan mahasiswa STMIK Amikom
for Predicting Student Performance in
Yogyakarta secara keseluruhan. Hasil cluster
Higher Education, IJCSMC, Vol. 2, Issue 2.
sementara yang didapatkan adalah {0 ; 0} untuk
[5]. Witten, Ian H., Frank, Eibe., 2005, Data
cluster yang pertama, {2,611 ; 6,38} untuk cluster
Mining Practical Machine Learning Tools
yang kedua dan {3,44 ; 7,095} untuk cluster yang
and Techniques, Second Edition, Morgan
ketiga. Jarak antara cluster yang pertama dan
Kaufmann, San Francisco.
kedua terlalu jauh sedangkan jarak antara cluster
yang kedua dan ketiga relatif terlalu dekat. Dari
nilai cluster yang didapatkan, bisa disimpulkan
bahwa nilai UN tidak menjamin seseorang akan
mempunyai nilai IPK yang relatif tinggi.

40
 Seminar Nasional Informatika 2014

ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSIS

PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN
METODE FORWARD CHAINING
Khairul Ummi

STMIK PotensiUtama, Jl. K.L YosSudarso km.6.5 no.3A tanjungmuliaMedam

ummi12gibmie@gmail.com

Abstrak

Tanaman rambutan mempunyai nama latin Nephelium Sp. yang merupakan keluarga dari spidaceae.
Tanaman rambutan merupakan tanaman dataran rendah, hingga ketinggian 300-600 m dpl. Pohon dengan
tinggi 15-25 m dengan anak daun 2-4 pasang. Helai anakan daun bulat lonjong, panjang 7.5-20 cm, lebar3.5
8.5 cm, ujung dan pangkal runcing, tepi rata, pertulangan sirip, tangkai silindris warnanya hijau, kerap kali
kering. Analisa yang dilakukan dengan berdasarkan faktor biotis yaitu penyakit tanaman rambutan yang
disebabkan oleh organisme hidup yang kesemuanya adalah mikroorganisme.yaitu jamur, bakteri, dan virus.
Untuk itu diperlukan pengetahuan mengenai gejala fisik yang timbul pada tanaman rambutan seperti pada
daun, batang atau ranting,akar dan buah. Penelitian ini menghasilkan aplikasi program sistem pakar
diagnosis 4 penyakit tanaman rambutan dengan gejala kerusakannya dan penanggulangannya baik secara
biologis, Kultur teknis, dan fisik/mekanis dengan metode forward chaining. Hasil kesimpulan dari aplikasi
yang dibangun keakuratannya mencapai 80% dengan membandingkan gejala-gejala yang ada .

Kata Kunci : Sistem Pakar, Forward Chaining, Faktor Biotis, Tanaman Rambutan.

PENDAHULUAN yang terdapat dalam bidang ilmu

Tanaman rambutan mempunyai nama latin
Nephelium Sp. yang merupakan keluarga dari
spidaceae, Rambutan merupakan tanaman dataran
rendah, hingga ketinggian 300 - 600 m dpl. Pohon
dengan tinggi 15 - 25 m dengan anak daun 2-4
pasang. Helaian anak daun bulat lonjong, panjang
7.5-20 cm, lebar 3.5 8.5 cm, ujung dan pangkal
runcing, tepi rata, pertulangan sirip, tangkai
silindris warnanya hijau, kerap kali kering.
Tanaman rambutan merupakan salah satu jenis
tanaman dari komoditas holtikultura yang telah
menyebar di daerah yang mempunyai iklim
tropis.Di Indonesia kurang lebih terdapat 22 jenis
tanaman rambutan.Dalam Upaya budidaya
tanaman rambutan para petani dan kalangan
masyarakat kerap kali menghadapi serangan hama
maupun penyakit yang menyerang tanaman
rambutan. Serangan hama dan penyakit tersebut
tampak melalui gejala-gejala fisik yang timbul
pada tanaman. Jika tidak segeradiberikan tindakan
tertentu untuk mengatasinya maka dapat berakibat
fatal padatanaman itu sendiri. Salah satu faktor
rendahnya perkembangan dan produktivitas
rambutan karena kurangnya pengetahuan dan
informasi yang dimiliki petani danmasyarakat
mengenai hama dan penyakit yang menyerang
rambutan serta carauntuk mengatasinya.
Untuk mengatasi permasalahan tersebut
dibutuhkan suatu sistem yangdapat membantu
pihak-pihak yang terlibat dalam upaya budidaya
rambutan,dengan menerapkan salah satu metode
kecerdasanbuatan yang dapat mengadopsi
pengetahuan pakar ke dalam komputer
sehinggakomputer dapat menyelesaikan masalah
seperti layaknya seorang pakar.Dengan adanya
sistem ini diharapkan dapat membantu para petani
rambutan dan masyarakat yang melakukan upaya
budidaya rambutan dalam mendeteksihama dan
penyakit pada tanaman rambutan melalui gejala-
gejala fisik yang terjadi dan penanggulangan.
Sistem yang di bangun hanya melakukan
penalaran pada hama dan penyakit
yangmenyerang tanaman rambutan berdasarkan
gejala gejala fisik yang terjadi pada
tanaman.dengan metode Forward Chaining
dengan representasipengetahuan berbasis aturan (
rule based system ) dan Penilaian dilihat dari
gejala-gejala yang timbul pada tanaman rambutan
berdasarkan rekomendasi pakar dan studi literatur
dari buku acuan mengenai tanaman rambutan.
LANDASAN TEORI
Sistem Pakar
Bidang sistem pakar merupakan
penyelesaiaan pendekatan yang sangat berhasil
dan bagus untuk permasalahan AI (Artificial
Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan
solusi AI bagi masalah pemrograman pintar
(intelligent). Profesor Edward Feigenbaum dari
Stanford University yang merupakan pionir dalam

41
Seminar Nasional Informatika 2014
teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program kamputer pintar
(intelligent computer program) yang
memanfaatkan pengetahuan (knowledge) dan
prosedur inferensi (inference procedure) untuk
memecahkan masalah yang cukup sulit sehingga
membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem
komputer yang ditujukan untuk meniru semua
aspek (emulates) kemampuan pengambilan
keputusan (decision making) seorang pakar.
Sistem pakar memanfaatkan secara maksimal
pengetahuan khusus selayaknya seorang pakar
untuk memecahkan masalah. [1]
Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang
dapat diambil dengan adanya sistem pakar, antara
lain [2]:
1. Membuat seorang yang awam bekerja seperti
layaknya seorang pakar.
2. Meningkatkan produktivitas akibat
meningkatnya kualitas hasil pekerjaan,
mengingkatnya kualitas pekerjaan ini
disebabkan meningkatnya efisiensi kerja.
3. Menghemat waktu kerja.
4. Menyederhanakan pekerjaan.
5. Merupakan arsip terpercaya dari sebuah
keahlian, sehingga bagi pemakai sistem pakar
seolah-olah berkonsultasi langsung dengan
sang pakar, meskipun mungkin sang pakar
telah tiada.
6. Memperluas jangkauan, dari keahlian seorang
pakar. Di mana sebuah sistem pakar yang
telah disahkan, akan sama saja artinya dengan
seorang pakar yang tersedia dalam jumlah
besar (dapat diperbanyak dengan kemampuan
yang persis sama), dapat diperoleh dan dipakai
di mana saja.
Metode Forward Chaining
Metode forward chaining adalah teknik
pencarian yang dimulai dengan fakta yang
diketahui, kemudian mencocokkan fakta-fakta
tersebut dengan bagian IF dari rules IF-THEN.
Bila ada fakta yang cocok dengan bagian IF,
maka rule tersebut dieksekusi. Bila sebuah rule
dieksekusi, maka sebuah fakta baru (bagian
THEN) ditambahkan kedalam database. Setiap
kali pencocokan, dimulai dari rule teratas. Setiap
rule hanya boleh dieksekusi sekali saja. Proses
pencocokan berhenti bila tidak ada lagi rule yang
bisa dieksekusi.[3]
Untuk memperoleh data menggunakan cara
pengamatan atau observasi ke lahan pertanian
yang ditanam rambutan dan penelusuran literatur
dari. berbagai sumber artikel, internet, tulisan
42
ilmiah dan buku disertai dengan wawancara
mengadakan tanya jawab dengan petugas
penyuluh lapang dan petani rambutan. Data yang
diperlukan ialah data jenis hama dan penyakit
tanaman rambutan berdasarkan gejala gejala fisik
yang terjadi dan penanggulangannya.
Sejarah singkat tanaman rambutan
Rambutan (Nephelium sp.) merupakan tanaman
buah hortikultural berupa pohon dengan famili
Sapindacaeae. Tanaman buah tropis ini dalam
bahasa Inggrisnya disebut Hairy Fruit berasal dari
Indonesia. Hingga saat ini telah menyebar luar
didaerah yang beriklim tropis seperti Filipina dan
negara-negara Amerika Latin dan ditemukan pula
di daratan yang mempunyai iklim sub-tropis. Dari
survey yang telah dilakukan terdapat 22 jenis
rambutan baik yang berasal dari galur murni
maupun hasil okulasi atau penggabungan dari dua
jenis dengan galur yang berbeda. Ciri-ciri yang
membedakan setiap jenis rambutan dilihat dari
sifat buah (dari daging buah, kandungan air,
bentuk, warna kulit, panjang rambut). Rambutan
dapat tumbuh subur pada dataran rendah dengan
ketinggian antara 30-500 m dpl. Pada ketinggian
dibawah 30 m dpl rambutan dapat tumbuh namun
tidak begitu baik hasilnya.[4]
Kecerdasan Buatan
Kecerdasan buatan berasal dari kata Artificial
Intelligence yang mengandung arti tiruan atau
kecerdasan. Secara harfiah Artificial Intelligence
adalah kecerdasan buatan. Kecerdasan buatan
adalah salah satu bidang dalam ilmu komputer
yang membuat komputer agar dapat bertindak
dan sebaik seperti manusia (menirukan kerja
otak manusia) [5].
Pada aplikasi kecerdasan buatan ada 2 bagian
utama yang sangat dibutuhkan yaitu [5]:
a. Basis Pengetahuan (Knowledge Base), berisi
fakta-fakta, teori pemikiran dan hubungan antara
satu dengan yang lainnya. Jurnal Sarjana Teknik
Informatika e-ISSN: 2338-5197
b. Motor Inferensi (Inference Engine) yaitu
kemampuan menarik kesimpulan berdasarkan
pengalaman.
Representasi Pengetahuan (Knowledge Base)
Upaya dari usaha penelitian pada kecerdasan
buatan adalah bagaimana cara untuk
mengembangkan representasi pengetahuan.
Perangkat lunak kecerdasan buatan mempunyai
banyak metode yang berbeda untuk menyajikan
pengetahuan dua diantaranya yaitu [5] :
a. Pohon
Pohon merupakan struktur penggambaran pohon
secara hirarkis. Struktur pohon terdiri dari node-
 Seminar Nasional Informatika 2014

node yang menunjukkan obyek, dan arc (busur) gejala yang timbul. Meskipun dari gejala klinis
yang menunjukkan hubungan antar obyek. (gejala-gejala yang terlihat langsung). Ada 4 tabel
b. Kaidah Produksi untuk membantu Rule basis pengetahuan untuk
Kaidah produksi secara umum terdiri dari mendiagnosa penyakit pada tumbuhan rambuhan
komponen-komponen sebagai berikut: yaitu tabel penyakit, tabel gejala, tabel
1) Ruang keadaan, yang berisi keadaan awal, penanggulangannya dan tabel rule basis
tujuan dan kumpulan aturan yang digunakan pengetahuan penyakit dengan
untuk mencapai tujuan. penanggulangannya, serta akan digambarkan
2) Strategi kontrol, yang berguna untuk dengan menggunakan pohon keputusan.
mengarahkan bagaimana proses pencarian
akan berlagsung dan mengendalikan arah Tabel 1. Tabel Penyakit
eksplorasi. Kode Penyakit Penyakit
Kaidah produksi ini merupakan salah satu bentuk P01 Kutu Putih (Cacao Mealybug)
representasikan pengetahuan yang sangat populer P02 Penggerek buah (Fruit Borer)
dan banyak digunakan adalah kaidah produksi. Hama
Representasi pengetahuan dengan kaidah P03 Tirarhaba(Melissablaptes,
produksi. Representasi pengetahuan dengan Mucialla) ruptilinea (Wkl)
kaidah produksi, pada dasarnya berupa aplikasi P04 Ulat Daun Rambutan
aturan (rule) yang berupa :
1) Antecedent, yaitu bagian yang Tabel 2. Tabel Gejala
mengekspresikan situasi atau premis Kode Gejala Gejala
(Pernyataan berawalan IF). Terdapat bercak putih pada
2) Konsekuen, yaitu bagian yang menyatakan G01
belahan daun
suatu tindakan tertentu atau konklusi yang G02 kerontokan buah muda
diterapkan jika suatu situasi atau premis G03 Tumbuhan Sulit Berkembang
bernilai benar (Pernyataan berawalan THEN).
lubang dibawah kulit buah dan
G04 meninggalkan kotoran juga
Konsekuensi atau konklusi yang dinyatakan pada
didalam buahnya
bagian THEN baru dinyatakan benar, jika bagian
Daging buah warna kehitaman
IF pada sistem tersebut juga benar atau sesuai G05
dan asam (busuk)
dengan aturan.
Kulit buah berair dan warna
Contoh : G06
IF lalulintas pagi ini padat kecoklatan
THEN saya naik sepeda motor saja Ada tananam cacao didekat
G07
tanaman rambutan
G08 Bunga buah merontok
METODE PENELITIAN G09 Batang Bunga buah mengering
Tidak ada kumbang dan kupu-
Subjek penelitian ini adalah membuat aplikasi G10 kupu atau lebah yang
sistem pakar penentuan penyakit pada tumbuhan menghampiri bunga
rambutan berdasarkan gejala yang ada dan Adanya ulat pada daun dan
G11
memberitahukan cara penanggulangan dari batang tumbuhan
penyakit tanaman rambutan dengan menggunakan Daun pada tumbuhan bolong
G12
metode forward chaining. Langkah yang bolong
dilakukan dalam penelitian ini meliputi analisis
data: mengumpulkan data dan mendiskripsikan Tabel 3. basis pengetahuan penyakit dan
data. Perancangan Sistem : Mengidentifikasi penanggulangan
masalah dan kebutuhan, menentukan masalah Kode Cara penanggulangannya
yang cocok, akusisi Pengetahuan, rekayasa Penyakit
Pengetahuan : tabel keputusan, pohon keputusan, Secara biologi yaitu :
tabel aturan, perancangan sistem : DVD level 0 pemanfaatan musuh alami seperti
dan flowchart sistem. hasil program : form hasil semut hitam, dan cendawan parasit
konsultasi. P01 Empusa fresenii, predator
cryptolaemus montrouzieri
ANALISIS dan PERANCANGAN SISTEM (coccinellidae) dan leptomastidae
abnormis (encyrtidae)
Analisis sistem Secara Kultur teknis yaitu dengan
tidak menanam rambutan
P02
Untuk mendiagnosa penyakit pada tanaman berdekatan dengan tanaman kakao,
rambutan perlu diketahui terlebih dahulu gejala- sedangkan cara mekanis

43
 Seminar Nasional Informatika 2014

pengendalian hama ini dengan

Mulai
melakukan pemangkasan untuk
memutuskan siklus hidup hama,
sedangkan cara biologi dengan
Tampilkan Pilihan
pemanfaatan musuh alami sejenis gejala
tabuhan sebagai parasitoid pupa,
dan laba-laba sebagai predator telur
dan pupa
Secara biologi dengan pemanfaatan Baca pilihan gejala
sesuaikan dengan aturan
musuh alami antara lain lalat
tachinidae (Argyoplax Basifulva),
P03 Venturia sp. (ichneumonidae),
Apanteles Tirathabae (Braconidae)
dan Telenomus Tirathabae If solusi = 0 Solusi = kdpenyakit
(Scelionidae)
Secara Fisik/mekanis dengan
pengasapan dibawah puhun untuk Tampilkan hasil
P04 diagnosa
mengusir imago (serangga dewasa),
pembakaran sisa-sisa

Selesai
Perancangan sistem

Penggambaran perancangan sistem menggunakan Gambar 2. Diagram Flowchart Sistem

DFD Level 0 sebagai berikut :

PEMBAHASAN
Konfirmasi Logon
Gejala Penyakit Sistem Pakar
User mendiagnosa Pakar
Nama Penyakit
Penyakit Tanaman Representasi Pengetahuan
Rambutan Nama Penyakit
Informasi Penyakit GejalaPenyakit
Informasi Penyakit
Aturan Representasi pengetahuan (knowledge
Konfirmasi Logon
representation) adalah cara untuk menyajikan
pengetahuan yang diperoleh ke dalam suatu
skema/diagram tertentu sehingga dapat diketahui
Gambar 1. DVD Level 0 relasi antara suatu pengetahuan dengan
pengetahuan yang lain dan dapat dipakai untuk
menguji kebenaran penalarannya. Representasi
pengetahuan dibutuhkan untuk menangkap sifat-
sifat penting masalah dan mempermudah
prosedur pemecahan masalah dalam mengakses
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu
mengekspresikan pengetahuan (fakta), namun
semua cara tersebut harus mengacu pada dua
entitas berikut.
1. Fakta, yaitu kejadian sebenarnya. Fakta inilah
yang akan kita representasikan.
2. Representasi dari fakta. Berdasarkan
representasi inilah kita dapat mengolah
fakta.[3]
Representasi pengetahuan, kaidah produksi
dibentuk dari pengubahan tabel keputusan.
Pembuatan suatu kaidah dilakukan dengan
beberapa tahapan. Sebagai contoh perhatian
pembuatan kaidah konklusi ini akan dapat
tercapai bila kondisi – kondisi yang mendukung
terpenuhi. Pembuatan kaidah menggunakan goal
dan kondisi yang telah diperolah, seperti pada
tabel 4:

44
 Seminar Nasional Informatika 2014

Tabel 4. Keputusan
G01 G02 G03 G04 G05 G06 G07 G08 G09 G10 G11 G12
P01 * * *
P02 * * *
P03 * * *
P04 * * *

Setiap spektrum di atas akan di buat gambarkan dalam pohon keputusan pada gambar
kombinasi untuk setiap kemungkinan gejala 3 di bawah ini.
terpenuhi dan disesuaikan dengan jenis
kekurangan unsur hara. Berikut ini akan di

Gambar 3. Pohon Keputusan

Dalam perancangan basis pengetahuan ini

digunakan kaidah produksi sebagai sarana untuk 2. Kaidah untuk Penggerek buah (Fruit Borer)
representai pengetahuan. Kaidah produksi IF lubang dibawah kulit buah dan
dituliskan dalam bentuk pernyataan JIKA meninggalkan kotoran juga
[premis] MAKA [konklusi]. Pada perancangan didalam buahnya
basis pengetahuan sistem pakar ini premis adalah AND Daging buah warna kehitaman
gejala dan konklusi adalah jenis unsur hara, dan asam (busuk)
sehingga bentuk pernyataannya adalah JIKA AND Kulit buah berair dan warna
[gejala] MAKA [jenis unsur hara]. kecoklatan
THEN Penggerek buah (Fruit Borer)
Bentuk pernyataannya adalah :
JIKA [gejala 1] 3. Kaidah untuk Hama Tirarhaba(Melissablaptes,
JIKA [gejala 2] Mucialla) ruptilinea (Wkl)
DAN [gejala 3] IF Ada tananam cacao didekat
MAKA [Jenis unsur hara] tanaman rambutan
Dan Untuk kaidah produksinya dapat dilihat AND Bunga buah merontok
di bawah ini : AND Batang Bunga buah mengering
THEN Hama Tirarhaba(Melissablaptes,
1. Kaidah untuk Kutu Putih (Cacao Mealybug) Mucialla) ruptilinea (Wkl)
IF Terdapat bercak putih pada
belahan daun 4. Kaidah untuk Ulat Daun Rambutan
AND kerontokan buah muda IF Tidak ada kumbang dan kupu-
AND Tumbuhan Sulit Berkembang kupu atau lebah yang
THEN Kutu Putih (Cacao Mealybug) menghampiri bunga
AND Adanya ulat pada daun dan

45
Seminar Nasional Informatika 2014

batang tumbuhan Halaman ini merupakan tampilan data hasil

AND Daun pada tumbuhan bolong konsultasi user yang telah menjawab beberapa
bolong pertanyaan dari sistem yang dibangun. Hasilnya
THEN Ulat Daun Rambutan berupa data diri user, gejala defisiensi unsur hara,
penanganan, dan gambar dari kekurangan gejala
defisiensi unsur hara tersebut.
HASIL

KESIMPULAN

Penelitian ini menghasilkan aplikasi program

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

DAFTAR PUSTAKA

Gambar 4. Form Pilih Gejala
Halaman ini merupakan tampilan pilihan
gejala yang disaat user melakukan konsultasi.
[1] Rosnelly Rika, 2012, Sistem Pakar Konsep
dan Teori, Yogyakarta, Andi Offset.
[2] Sari Ria Eka, 2013, Sistem Pakar Untuk
Mendeteksi Penyakit THT Dengan
Menggunakan Metode Forward Chaining,
Prosiding SNIf STMIK Potensi Utama
2013.
[3] Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
[4] Kandi, Rambutan yang menggiurkan,
Bandung, PT. Sarana Ilmu Pustaka
[5] Kusumadewi, Sri, 2003, Artificial
Intelligence (Teknik dan Aplikasinya),
Yogyakarta, Graha Ilmu

Gambar 5. Tampilan Hasil Konsultasi

46
 Seminar Nasional Informatika 2014

SIMULASI PERENCANAAN BIAYA IBADAH HAJI DENGAN

METODE MONTECARLO DAN PERSPEKTIF TIME VALUE OF
MONEY
Yudhi Kurniawan1, Yuswanto22
1

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

Abstrak

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

Kata kunci : program, simulasi, montecarlo, investasi, future value, present value, time value of money,
ongkos naik haji

1. Pendahuluan jamaah yang didistribusikan secara bebas tanpa

Ketepatan dan kecepatan dalam mengolah
data investasi tidak terlepas dari peranan program
komputer. Ada beberapa aplikasi program, seperti
Excel yang dapat digunakan untuk menghitung
nilai investasi ongkos naik haji[1]. Karena
keterbatasan fungsi-fungsi perhitungan dari
softaware aplikasi program yang ada justru akan
mempersulit pemakai programnya. Sehingga
dibutuhkan sebuah aplikasi yang dibangun sendiri
agar sesuai dengan kebutuhan pemakai sehingga
kepentingan dapat terakomodasi dengan baik dan
benar.
Indonesia merupakan negara terbesar
pemeluk agama Islam, Dengan banyaknya
masyarakat muslim Indonesia yang ingin
melaksanakan ibadah haji tetapi dengan kuota
yang terbatas menyebabkan banyaknya jamaah
haji harus masuk dalam daftar tunggu (waiting
list). Tidak tanggung-tanggung jangka waktu
tunggu pelaksanaan ibadah haji dapat mencapai
10 tahun, tergantung pada porsi haji masing-
masing daerah apabila calon jamaah haji tersebut
mengikuti paket Ongkos Naik Haji (ONH)
regular[4].
Namun Selama ini belum ada suatu program
bantu yang digunakan secara mandiri oleh calon
license yang dapat menentukan investasi terbaik
dalam menentukan pembiayaan ONH berdasar
pada prinsip syariah[8]. Suatu program yang
mampu untuk menghitung pembiayaan ONH
berdasarkan prinsip syariah dari berbagai
investasi yang ada dan sesuai dengan prinsip time
value of money[1].
Maka dari itu diperlukan sebuah apilkasi
perangkat lunak yang digunakan untuk
menghitung besaran nilai investasi yang dapat
digunakan calon jamaah haji dalam menentukan
besaran nilai investasinya, sistem yang di
kembangkan akan memberikan rekomendasi nilai
investasi terbaik yang bisa di ikuti oleh calon
Jemaah haji.
2. Metodologi Penelitian
Dalam pengerjaan penelitian ini digunakan
metode montecarlo yaituMetode Monte Carlo
merupakan dasar untuk semua algoritma dari
metodesimulasi yang didasari pada pemikiran
penyelesaian suatu masalah untukmendapatkan
hasil yang lebih baik dengan cara memberi nilai
sebanyakbanyaknya(nilai bangkitan/Generated
Random Number) untuk mendapatkanketelitian
yang lebih tinggi. Metode ini menganut system

47
Seminar Nasional Informatika 2014

pemrograman yangbebas tanpa telalu banyak 3.3 Harga Emas

diikat oleh rule atau aturan tertentu.[8] Menu ini digunakan untuk menentukan harga
Metode Simulasi Monte Carlo adalah suatu emas yang sedang berlaku dari satu waktu
metode untuk mengevaluasi suatu tertentu.
modeldeterministik yang melibatkan bilangan
acak sebagai salah satu input. Metode inisering
digunakan jika model yang digunakan cukup
kompleks, non linear ataumelibatkan lebih dari
sepasang parameter tidak pasti. Sebuah simulasi
Monte Carlodapat melibatkan 10.000 evaluasi
atas sebuah model, suatu pekerjaan di masa
laluhanya bisa dikerjakan oleh sebuah software
computer [9].
Gambar 3. Setting Harga Emas
3. Hasil Dan Pembahasan
Dari metode penelitian dan alur yang sudah 3.4 Nilai Sukuk
di deskrisikan maka hasil dari penelitian ini Menu ini digunakan untuk menentukan nilai
adalah sebuah perangkat lunak yang berbasis web dan besaran sukuk serta variable imbal hasil
dimana perhitungan montecarlo yang digunakan yang digunakan dalam perhitungan simulasi.
dibuat dalam sebuah database secara utuh baru
kemudian di simulasikan adapaun tahapan dan
mekanisme dari implementasi perangkat lunak
adaalah sebagai berikut
3.1 Master Angka Random
Menu ini digunakna untuk menentukan nilai
angka random yang digunakan dalam
perhitungan montecarlo, dimana pengguna
menginputkan data angka random sebanyak
10 baris data saja yang diijinkan oleh sistem.

Gambar 4. Setting nilai sukuk ritel

3.5 Nilai Tukar Rupiah

Menu ini digunakan untuk menentukan
besaran nilai tukar rupiah yang digunakan
untuk simulasi pada perhitungan present
value dan future value terkait dengan nilai
uang

Gambar 1. Master Angka Random

3.2 Deposito Mudharabah

Menu ini digunakan untuk menetukan
besaran Nilai Deposito Mudharabah dan juga
variable imbal hasil, beserta sumber data dan
tahun ketika data ini di inputkan.

Gambar 5. Setting nilai tukar rupiah

3.6 Inflasi
Gambar 2. input data dan vairabel imbal hasil Menu ini digunakan untuk menentukan
untuk deposito mudharabah besaran inflasi yang sedang berlaku ketika
simulasi di jalankan oleh pengguna

48

Gambar 6. Setting nilai inflasi
3.7 Biaya Haji
Menu ini digunakna untuk menentukan
besaran biaya haji baik itu regular ataupun
juga ONH, tetapi dalam simulasi ini dan
tujuan penelitian ini hanya untuk ONH maka
pengguna akan lebih banyak melakukan
penambahan data untuk ONH Plus
Gambar 7. Form Besaran Biaya haji on plus
3.8 Simulasi Perhitungan
Menu ini merupakan menu utama dalam
perangkat lunak yang dikembangkan, dimana
dalam menu simulasi ini pengguna hanya
menginputkan jumlah tahun atau tahun
berapa akan naik haji dengan tampilan
sebagai berikut
Gambar 8. Simulasi Biaya Haji
Setelah pengguna melakukan input tahun
keberangkatan haji maka sistem akan
menampilkan secara detail dan memberikan
hasil yang sekaligus mengedukasi penggunak
dengan menampilkan summary dari
perhitungan dan proses dalam sistem untuk
menghasilkan rekomendasi nilai investasi
yang terbaik yang dapat digunakan oleh
pengguna/calon jamaah haji sebelum jamaah
haji berangkat naik haji.
Seminar Nasional Informatika 2014
Gambar 9. Simulasi Hitung Investasi Haji
Tampilan di atas adalah tampilan akhir dari
aplikasi simulasi biaya ibadah haji dengan
perspektif time falue of money menggunakan
perhitungan dengan metode montecarlo.
Calon jamaah haji dapat melihat informasi
pergerakan nilai dari setiap tab yang ada dan
hasil bisa di lihat pada tab/step ke 7 yaitu
rekomendasi hasil investasi terbaik dengan
periode waktu yang lebih singkat dalam
pembiayaan ONH Plus
4. Kesimpulan
4.1 Kesimpulan
Berdasarkan hasil implementasi dan
pengujian terhadap Spesifikasi kebutuhan
perangkat lunak yang sudah
didokumentasikan adalah:
1. Simulasi yang dijalankan sesuai dengan
alur dan tahapan dalam perhitungan
simulasi itu sendiri menggunakan metode
montecarlo.
2. Hasil yang di dapatkan sesuai dengan alur
dan besaran hitung yang sudah di
tentukan dalam setiap/masing-masing
rumus yang digunakan.
4.2 Saran
Saran untuk pengembangan perangkat lunak
ini adalah:
1. Lebih lanjut bisa dibuat mekanisme uji
coba terkait perhitungan simulasi untuk
menentukan besaran dan prosentase
kecocokan hasil dengan metode yang
dilakukan sehingga bisa di gunakan
metode lain untuk perhitungan simulasi.
5. Daftar Pustaka
[1] Arifin, Zainul. 2003. Dasar-Dasar
Manajemen Bank Syariah. Jakarta:Alvabet.
[2] Bassil, Youssef. 2012. A Simulation Model
for the Waterfall Software Development Life
Cycle. International Journal Of Engineering
& Technology (iJET). ISSN : 2049-3444.
Vol2. No 5.
[3] Boehm B, Kitapci H., 2006, The WinWin
approach : using a requirements negotiation
tool for rationale capture and use. In : Dutoit
49
Seminar Nasional Informatika 2014
A, McCall R, Mistrik, I, Paech B(eds)
Rationale Management in Software
Engineering, Springer
[4] Dewan Syariah Nasional MUI, dalam Fatwa
Dewan Syari’ah Nasional No. 21/ DSN-
MUI/IX/2001.
[5] Hartono, Jogiyanto. 2009. Teori Portofolio
dan Analisis Investasi Edisi Keenam.
Yogyakarta:BPFE Yogyakarta.
[6] Kendal, K dan Kendall, J. 2005. Systems
Analysis and Design 6th Edition. Pearson
International Edition. Prentice Hall
[7] Kwak, Y. H., & Ingall, L. ,2007, Exploring
Monte Carlo Simulation ApplicationsFor
Project Management. Risk Management, 9,
44-57.
50
[8] McCabe, B. ,2003, Monte Carlo Simulation
For Schedule Risks. Paper presented at
the Proceedings of the 2003 Winter
Simulation Conference.
[9] Monte Carlo Method ,2008, Online.
http://www.riskglossary.com/link/monte_carl
o_method.htm Diakses pada tanggal 16
Oktober 2008.
[10]
http://www.islamedia.web.id/2011/12/sekilas
-tentang-haji-indonesia.html, diakses tanggal
3 Maret 2012.
[11] Whitten, Jeffery, L., etc, 2004, Systems
Analysis and Design Methods, The McGraw-
Hill Companies,Inc.
 Seminar Nasional Informatika 2014

ANALISIS MATURITY LEVEL IMPLEMENTASI ORANGEHRM

MENGGUNAKAN FRAMEWORK COBIT 5.0
Fhery Agustin

Program Studi Sistem Informasi, STMIK Potensi Utama

Jl.. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia - Medan
fhery@potensi-utama.ac.id

Abstrak

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

Kata Kunci : Maturity Level, OrangeHRM, COBIT 5.0

1. Latar Belakang

Sumber Daya Manusia merupakan asset

terpenting dalam sebuah perusahaan. Bahkan
pameo bahwa tenaga kerja merupakan cost atau
biaya telah terpatahkan. Sebab tanpa SDM yang
berkualitas, maka sebuah perusahaan hanya akan
jalan di tempat tanpa adanya continiously
improvement yang signifikan.
Dikarenakan pentingnya SDM, maka
pengelolaannya juga menjadi perhatian khusus.
Tentunya bila dikaitkan dengan dunia IT, maka Gambar 1. Website Penyedia Aplikasi HRIS
itu berarti pemanfaatan aplikasi berbasis sistem OrangHRM
informasi SDM menjadi acuan yang cukup (sumber : www.orangehrm.com)
penting.
Sebuah aplikasi berbasis Human Resorce
Information System (HRIS) merupakan sebuah
keharusan untuk meningkatkan kinerja
pengelolaan SDM di suatu perusahaan.
Pertimbangan biaya tentunya dapat diminimalisir
dengan pemilihan aplikasi yang bersifat
opensource.
Orange HRM dapat menjadi solusi bagi
permasalahan tersebut dengan interface yang
begitu menawan. Sistem pengoperasiannya juga
sangat user friendly serta memiliki modul yang
cukup lengkap. Sehingga pengelolan SDM dapat Gambar 2. Website Komunitas OrangeHRM
lebih mantap dan menyenangkan. Indonesia
(sumber : www.orangehrm-indonesia.com)

2. Tinjauan Pustaka

Tinjauan ilmiah merujuk pada beberapa

sumber acuan baik buku, website, artikel, maupun

51
Seminar Nasional Informatika 2014

jurnal ilmiah dari penelitian-penelitian Fungsi ini dapat menyajikan laporan secara
sebelumnya yang terkait. real time.
e. Recruitment
1. Mengenal OrangeHRM Merupakan fungsi pengelolaan penerimaan
OrangeHRM merupakan sebuah aplikasi karyawan baru di perusahaan.
Human Resource Information System berbasis f. Performance Management
web yang cocok digunakan di Indonesia. Aplikasi Merupakan fungsi penilaian kinerja terhadap
ini tersedia dalam tiga versi, yaitu Opensource, karyawan.
Professional, dan Enterprise. Tentunya untuk
versi opensourcenya bersifat gratis dengan 3. Pengelolaan SDM
beberapa fitur terbatas namun dengan Pengelolan SDM merupakan implementasi
fungsionalitas yang cukup. Sedangkan versi dari indikator dan fungsi-fungsi manajemen yang
Profesional dan Enterprise yang berbayar berperan aktif dalam tercapainya tujuan individu,
diperuntukkan bagi kalangan yang menginginkan organisasi, dan perusahaan. Pengelolaan tersebut
fitur yang lebih lengkap dibandingkan versi sangat terkait dengan pengolaan karyawan dan
gratisnya. [1]. staff baik yang terkait dengan pendataan dan
pengembangan sumber dayanya. [3]
Berdasarkan defenisi tersebut, maka
pengelolaan SDM akan menjadi lebih terorganisir
dengan baik apabila menggunakan sistem
informasi berbasis komputer. Sehingga
pengeloaan SDM akan lebih menarik dan
terintegrasi.

4. Konsep COBIT
COBIT adalah sebuah kerangka kerja yang
mengkombinasikan pemikiran modern dalam
pengelolaan perusahaan dan teknik manajemen,
serta menyajikan konsep yang dapat diterima
secara global, praktek penggunaan alat-alat
analisis serta pemodelan untuk meningkatkan
Gambar 3. Login Demo OrangeHRM
nilai dan kepercayaan terhadap sebuah sistem
(sumber :enterprise.demo.orangehrmlive.com)
informasi. [4]
Control Objectives For Information and
2. Fitur-Fitur OrangeHRM
Related Technologi (COBIT) merupakan suatu
metode dalam penerapan IT Governance
Beberapa fitur OrangeHRM versi
menggunakan beberapa kontrol objective dalam
opensource, yaitu : [2]
pelaksanaan audit. Secara lebih spesifik COBIT
diperuntukkan bagi audit Sistem Informasi yang
a. System Administration
diterapkan pada sebuah organisasi.
Orange HRM memiliki fungsi akses system
Versi COBIT sendiri diawali pada tahun
admin yang memiliki hak untuk pengelolaan
1996 dan terus mengalami perkembangan
sistem secara keseluruhan. Aplikasi ini juga
mengikuti kebutuhan stakeholder dan jangkauan
menyediakan fungsi multi akses agar aplikasi
atau scope audit terhadap sistem informasi secara
dapat di-login beberapa admin.
lebih luas. COBIT versi terbaru adalah COBIT
b. Personnel Information Management
5.0 yang dirilis pada tahun 2012.
Orange HRM memiliki fungsi manajemen
informasi untuk setiap personel atau karyawan
5. COBIT 5.0 Framework
dalam sebuah perusahaan. Informasi tersebut
COBIT 5.0 dibagi menjadi 2 area, yaitu : [4]
juga disajikan secara detail hingga kontak
a. Governance of IT Process, terdiri dari
keluarga yang dapat dihubungi apabila terjadi
domain :
sesuatu terhadap karyawan di kantor.
- Evaluate, Direct, and Monitor (EDM)
c. Leave / Time Off
b. Management of Enterprise IT, terdiri
Fungsi leave atau time off merupakan fasilitas
dari domain :
yang menyediakan fungsi resign atau pun cuti
- Align, Plan, and Organise (APO)
bagi karyawan. Sehingga pengelolaannya
- Build, Acquire, and Implement (BAI)
dapat lebih informatif dan selalu terkontrol
- Deliver, Servive, and Support (DSS)
oleh sistem.
- Monitor, Evaluate, and Assess (MEA)
d. Time
Merupakan fungsi pengelolaan waktu kerja
dan attendance atau kehadiran karyawan.

52

Kelima domain tersebut, yaitu : EDM, APO,
BAI, DSS, dan MEA masih terbagi lagi ke dalam
37 indikator. Namun pada proses audit ataupun
pengukuran terhadap implementasi sistem
informasi dapat digunakan semua atau sebagian
indikator saja, disesuaikan dengan objek, tujuan,
dan scope audit yang ingin dicapai.
6. Maturity Model
Maturity model adalah sebuah metode untuk
mengukur tingkat atau level pengembangan
manajemen proses, yaitu mengukur sejauh mana
kapabilitas manajemen berdasarkan pencapaian
tujuan COBIT. Terdapat beberapa type maturiy
level, yaitu : [5]
a. Initial : biasanya masih bersifat ad hoc dan
masih kacau. Hasil dari proses tidak bisa
ditebak, sering melebihi alokasi anggaran dan
keterlambatan jadwal. Terdapat
kecenderungan untuk meninggalkan proses
pada saat krisis. Tidak ada otomatisasi proses
atau bahkan kegiatan, sehingga proses yang
berulang tidak terkontrol dan lambat. Ditandai
dengan yang kurangnya komunikasi ad-hoc
dan koordinasi antara tim. Peran dan tanggung
jawab tim tidak didefinisikan dengan baik.
Tim memberikan informasi melalui saluran
komunikasi formal. Keputusan dibuat secara
independen oleh pihak yang bertanggung
jawab pada proses dan kemudian
dikomunikasikan kepada tim lain.
b. Managed : proses dikelola tapi tidak standar
di seluruh proyek atau bahkan di seluruh
tahapan siklus hidup yang berbeda dari proyek
yang sama. Standar, deskripsi dan prosedur
proses dapat bervariasi dalam setiap contoh
spesifik dari proses (yaitu dalam kelompok
kerja yang berbeda). proses didokumentasikan
dan sebagian otomatis. Terdapat siled (tugas
proses vs) otomatisasi tanpa infrastruktur
pusat. Pertemuan rutin diadakan, rilis
dikomunikasikan dan dikoordinasikan antara
pembangunan dan operasi. Tim berbagi
informasi dan - dalam beberapa kasus -
bahkan sumber daya, peran para pemangku
kepentingan didefinisikan dengan baik. Sering
terjadi komunikasi antara tim. Terdapat
beberapa pengambilan keputusan bersama,
tapi sebagian besar keputusan masih diambil
secara terpisah, dan dikoordinasikan atau
dikomunikasikan setelah itu dengan tim lain.
c. Defined : ditandai dengan proses terstandar
dengan baik pada seluruh proyek. Terdapat
proses-proses standar yang digunakan untuk
menetapkan konsistensi di seluruh organisasi.
Menetapkan proses khusus dengan cara
memodifikasi proses standar sesuai dengan
Seminar Nasional Informatika 2014
kebutuhan dan persyaratan, namun dengan
tetap merujuk kepada kerangka kerja standar
yang ditetapkan oleh organisasi. Terdapat
infrastruktur otomatis tersentralisasi yang
mendukung proses perusahaan secara
menyeluruh yang dibangun untuk organisasi.
Kolaborasi didirikan antara tim. Ini menjadi
bagian penting dari pembentukan proses yang
memungkinkan untuk berbagi ide, memiliki
visibilitas yang lebih baik dan umpan balik
yang cepat. Semua anggota tim adalah milik
sebuah sistem dengan akuntabilitas bersama,
sering berkomunikasi dan saling
mempercayai.
d. Measured : kualitas proses dan kinerja diukur
untuk mencapai visibilitas dan prediksi
kinerja. Proses dikendalikan dengan
menggunakan teknik kuantitatif dan prediksi
didasarkan pada analisis statistik. Proses
otomatis end-to-end diukur dan dikendalikan,
memberikan visibilitas dan wawasan ke setiap
kegiatan (status, biaya, waktu, stakeholder),
serta wawasan lintas aktivitas. Metrik proses
otomatis diukur berdasarkan tujuan bisnis.
Proses berbasis kolaborasi diukur untuk
mengidentifikasi inefisiensi dan kemacetan
dengan mengumpulkan informasi tentang
orang-orang yang terlibat dalam kegiatan,
tingkat keahlian dan kontribusi, serta relevansi
dari informasi atau efisiensi langkah-langkah
yang dilakukan.
e. Optimized : terdapat penilaian berkelanjutan
dari keseluruhan proses (sebagai lawan
optimalisasi kegiatan terpisah) yang bertujuan
untuk mencapai tujuan bisnis dengan biaya
dan resiko minimal. Terdapat perbaikan secara
terus-menerus dari proses otomatis dengan
menggunakan analisis metrik, pembelajaran
mandiri dan perbaikan mandiri. Otomatisasi
self-service yang diberikan kepada pemangku
kepentingan yang berbeda dalam organisasi.
Kolaborasi dioptimalkan untuk keefektifan
dan kesinambungan dalam berbagi
pengetahuan serta pemberdayaan individu.
7. Penelitian Rujukan
Makalah yang ditulis oleh Helmi Buyung
Aulia Safrizal membahas mengenai Pembelajaran
Manajemen Sumber Daya Manusia Menggunakan
Teknologi Open Source. Penelitian ini
menghasilkan kesimpulan bahwa Aplikasi
OrangeHRM dapat dimanfaatkan sebagai tools
pemahaman bagi mahasiswa terkait mata kuliah
SDM berikut konektifitasnya dengan aktifitas-
aktrifitas lainnya. Metode yang digunakan dapat
berupa simulasi, studi kasus serta praktikum.
Khusus untuk metode studi kasus dapat
53
Seminar Nasional Informatika 2014

memberikan pemahaman tentang kondisi

sebenarnya bagi perusahaan. [6]

Kemudian makalah Faizal Hussein,

Kertahadi, dan Riyadi yang membahas tentang
implementasi sistem informasi sumber daya
manusia di PT. Wiranas Laundry and Dry
Cleaning. Penelitian ini menghasilkan beberapa
kesimpulan seperti : kemudahan proses rekrutmen
yang dapat dilakukan secara online, pendataan
secara online, presensi juga secara online dan
terintegrasi, serta proses cuti juga dapat dilakukan
dengan online. Artinya hasil penelitian ini lebih Gambar 4. Dashboard Aplikasi OrangeHRM
menekankan fungsionalitas dari segi kebebasan (sumber :enterprise.demo.orangehrmlive.com)
akses tanpa batasan ruang dan waktu. [7]
Pada dashboard OrangeHRM
menampilkan grafik yang merepresentasikan
3. Metode Penelitian kondisi karyawan.

Metode pengumpulan data dalam penelitian

ini menggunakan kerangka kerja COBIT 5.0
dengan mengabaikan beberapa item atau indikator
yang tidak terkait dengan implementasi sistem
otomasi perpustakaan. Indikator-indikator yang
dipergunakan, yaitu :
EDM03 : Ensure Risk Optimisation
EDM04 : Ensure Resource Optimisation
APO01 : Manage The IT Management Process
APO13 : Manage Security
BAI04 : Manage Availabilty and Capacity
BAI09 : Manage Assets
BAI10 : Manage Configuration Gambar 5. Employee List Aplikasi
DSS01 : Manage Operation OrangeHRM
DSS04 : Manage Continuity (sumber :enterprise.demo.orangehrmlive.com)
MEA01 : Monitor, Evaluate, and Assess
Pada Employee List OrangeHRM
Performance and Cnformance
menampilkan daftar karyawan yang ada di
perusahaan beserta metode pencarian data.
Masing-masing indikator tersebut akan diberi
nilai berdasarkan hasil evaluasi maturity level,
yaitu :
1 : Sangat Rendah
2 : Rendah
3 : Cukup
4 : Baik
5 : Sangat Baik

Kemudian total perolehan dari seluruh

indikator akan diambil nilai rata-ratanya untuk
menentukan nilai maturity level secara
keseluruhan. Gambar 6. Employee Detail Aplikasi
OrangeHRM
(sumber :enterprise.demo.orangehrmlive.com)
4. Hasil dan Analisa
Tampilan informasi detail pegawai
1. Hasil menampilkan data pegawai secara lebih detail dan
terperinci dengan informasi pendukung lainnya.
Implemntasi sistem informasi Human
Resoyrce Information System menggunakan
OrangeHRM seperti terlihat pada gambar berikut
:

54

2. Evaluasi
Hasil evaluasi yang diperoleh dengan
menggunakan tools COBIT 5.0 adalah sebagai
berikut :
Tabel 1. Hasil Evaluasi Maturity Level
Aplikasi SliMS
Semua point yang diperoleh ditotalkan
(31) kemudian dirata-ratakan menjadi 3,1 (dapat
digenapkan menjadi 3) yang berarti berada pada
level Defined.
3. Analisa
Maturity level dari implementasi
OrangeHRM mencapai 3,1 dan dapat digenapkan
menjadi 3, yang berarti berada pada level Defined
yang berarti proses terstandar dengan baik pada
seluruh proyek. Aplikasi OrangeHRM yang
interaktif, userfriendly dan opensource tentunya
juga menjadi daya tarik tersendiri bagi user.
Gambar 7. Grafik Maturity Level
Grafik di atas menunjukkan point dari
masing-masing tingkatan maturity level. Maka
berdasarkan skor atau point yang diperoleh
OrangeHRM, berarti berada pada level Defined.
5. Kesimpulan dan Saran
Terdapat beberapa kesimpulan yang dapat
diambil dalam penlitian ini, yaitu :
Seminar Nasional Informatika 2014
1. Nilai maturiy level Aplikasi Orange HRM
berada pada level 3,1 yang berarti berada pada
level Defined.
2. Level defined menunjukkan bahwa aplikasi
OrangeHRM layak untuk dipergunakan untuk
menangani sistem informasi SDM bagi
perusahaan yang membutuhkan.
Sementara saran yang dapat penulis berikan
untuk pengembangan penelitian ini di masa yang
akan datang adalah :
1. Diperlukan penyesuaian indikator-indikator
COBIT yang dipergunakan dalam proses
evaluasi.
2. Bagi perusahaan yang ingin meningkatkan
fungsionalitas aplikasi OrangHRM dapat
menggunakan versi Professional maupun
Enterprise.
DAFTAR PUSTAKA
[1] Titus Permadi, 2012. OrangeHRM, Inc
USA. http://orangehrm-
indonesia.com/tentang-orangehrm. Diakses
tgl : 19 Juli 2014, Jam : 11.55 WIB.
[2] OrangeHRM Inc, 2014. OrangeHRM
Opensource.
http://www.orangehrm.com/img/OpenSour
ce.pdf. Diakses tgl : 19 Juli 2014, Jam :
12.15 WIB.
[3] Esther Juniati Lini, 2009. Analisis
Impentasi Aplikasi Orange Human
Resource Management (Studi Kasus
PT.Smart Moving Indonesia).
Gunadharma University E-Paper,
Universitas Gunadharma, Depok.
[4] Sari, Indah Mayang, et.all, 2013. Pembuatan
Metode Evaluasi Kematangan
Pelaksanaan Proyek dengan
Menggabungkan COBIT 5 Domain BAI
1.11 dan MEA 1.04 dengan Best Practice
PMBOK 4th. Studi Kasus : Direktorat
Pengelolaan Sistem Informasi (DPSI)
Bank Indonesia, Jurnal Teknik Pomits, Vol.
1 No.1.
[5] Qualified Advice Partners. 2013. CobiT
Domains and Processes (COBIT 5/4.1).
http://www.qualified-audit-
partners.be/index.php?cont=463, Diakses
tgl : 11 Juli 2014, Jam : 10.28 WIB.
[6] Helmi Buyung Aulia Safrizal, 2012.
Pembelajaran Manajemen Sumber Daya
Manusia Menggunakan Teknologi Open
Source. Prosiding Seminas Competitive
Advantage II Vol. 1 No. 2, Universitas
Pesantren Tinggi Darul ‘Ulum, Jombang,
Jawa Timur.
[7] Faizal Hussein, et all, 2014. Implementasi
Sistem Informasi Sumber Daya Manusia
55
Seminar Nasional Informatika 2014

(Studi Kasus pada Perusahaan Jasa PT. Vol. 10 No. 1 Mei 2014, Universitas Katolik
Wiranas Laundry and Dry Cleaning Parahyangan, Bandung.
Service). JurnalAdministrasiBisnis (JAB)

56
 Seminar Nasional Informatika 2014

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA

PROSES PREDIKSI CURAH HUJAN KOTA MEDAN
MENGGUNAKAN METODE BACKPROPAGATION NEURAL
NETWORK
Yudhi Andrian1, M. Rhifky Wayahdi2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2rhifky.wayahdi@yahoo.com

Abstrak

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

Kata kunci : Prediksi curah hujan, nguyen-widrow, backpropagation, neural network

1. Pendahuluan algoritma backpropagation yang mengikuti

Dari aspek meteorologis, Indonesia
mempunyai kompleksitas dalam fenomena cuaca
dan iklim. Atmosfer di atas Indonesia sangat
kompleks dan pembentukan awannya sangat unik.
Secara latitudinal dan longitudinal, Indonesia di
bawah kekuasaan sirkulasi ekuatorial dan
monsunal yang berbeda karakteristiknya.
Beberapa kenyataan ini menunjukkan curah hujan
di Indonesia sangat labil, kompleks, dan memiliki
variabilitas yang sangat besar. Sehingga meskipun
ketepatan prediksi sangat penting, namun saat ini
sangat sulit diprediksi secara akurat dengan
metode peramalan tradisional. Bahkan dalam
bidang klimatologi, curah hujan di Indonesia
menjadi salah satu faktor yang paling sulit
diramalkan secara akurat. Perubahan iklim akibat
pemanasan global, mengakibatkan pergantian
musim di Indonesia menjadi tidak teratur [2].
Jaringan Saraf Tiruan (Artificial Neural
Network) sebagian besar telah cukup handal
selama beberapa tahun terakhir dalam pemecahan
masalah. Jaringan saraf tiruan menyediakan
metodologi yang sangat handal dalam pemecahan
masalah non-linier. Jaringan saraf tiruan
terinspirasi oleh otak manusia di mana neuron
saling interkoneksi secara non-linier. Neuron
saling terhubung satu sama lain melalui suatu
jaringan. Jaringan ini yang dilatih menggunakan
Gradient Descent Method [5].
Kharola, Manisha dan Dinesh Kumar (2014)
menggunakan metode backpropagation untuk
memprediksi cuaca, dan menemukan bahwa
proses pelatihan dapat dilakukan dengan cepat.
Hasilnya lebih akurat untuk memprediksi cuaca di
masa depan ketika jumlah iterasi meningkat [3].
Naik, Arti R. dan Prof. S.K.Pathan (2012)
mengusulkan sebuah metode baru prakiraan cuaca
menggunakan jaringan saraf tiruan feed-forward
dan datanya dapat dilatih dengan menggunakan
algoritma Levenberg Marquardt untuk
memprediksi cuaca masa depan. Di antara
beberapa algoritma backpropagation,
backpropagation levenberg adalah yang tercepat
[5].
Mishra, Khushboo, et al. (2014) dalam
penelitiannya tentang kompresi citra mengatakan
bahwa dalam nguyen-widrow semua bobot dalam
jaringan disesuaikan dengan cara yang identik,
sehingga mencegah dan mengurangi kesalahan
fungsi. Bobot biasanya diinisialisasi dengan nilai
kecil yang acak. Hasil menunjukkan bahwa
algoritma yang digunakan (nguyen-widrow) dapat
meningkatkan waktu eksekusi [4].
Metode backpropagation yang telah
dijelaskan di atas dapat diterapkan dalam
memprediksi suatu keadaan yang akan datang.
Sedangkan inisialisasi nguyen-widrow dapat
meningkatkan waktu eksekusi. Pada penelitian ini

57
Seminar Nasional Informatika 2014
penulis akan memprediksi curah hujan di Kota
Medan dengan metode backpropagation neural
network dengan memadukan algoritma inisialisasi
nguyen-widrow pada proses inisialisasi bobotnya.
Penulis akan menggunakan data curah hujan
tahun 1997 – 2012. Tujuannya adalah untuk
mengetahui apakah algoritma inisialisasi nguyen-
widrow dapat mengurangi waktu pelatihan.
2. Algoritma Nguyen-Widrow
Nguyen-Widrow adalah sebuah algoritma
yang digunakan untuk inisialisasi bobot pada
jaringan saraf tiruan untuk mengurangi waktu
pelatihan. Algoritma inisialisasi nguyen-widrow
adalah sebagai berikut [4]:
a. Set:
n = jumlah unit input
p = jumlah unit tersembunyi
β = faktor skala = 0.7(p)1/n = 0.7 √
b. Untuk setiap unit tersembunyi (j=1,…,p),
lakukan tahap (c) – (f)
c. Untuk i=1,…,n (semua unit input), vij(old)=
bilangan acak antara -0.5 dan 0.5
d. Hitung nilai ||vj(old)||
e. Inisialisasi ulang bobot-bobot dari unit input
(i=1,…,n)
f. Bias yang dipakai sebagai inisialisasi:
voj = bilangan acak antara –β dan β.
3. Neural Network
Neural Network / Jaringan Saraf Tiruan
(JST) adalah paradigma pengolahan informasi
yang terinspirasi oleh sistem saraf secara biologis,
seperti proses informasi pada otak manusia.
Elemen kunci dari paradigma ini adalah struktur
dari sistem pengolahan informasi yang terdiri dari
sejumlah besar elemen pemrosesan yang saling
berhubungan (neuron), bekerja serentak untuk
menyelesaikan masalah tertentu.
Cara kerja JST seperti cara kerja manusia,
yaitu belajar melalui contoh. Lapisan-lapisan
penyusun JST dibagi menjadi 3, yaitu lapisan
input (input layer), lapisan tersembunyi (hidden
layer), dan lapisan output (ouput layer) [7].
4. Metode Backpropagation
Salah satu algoritma JST adalah propagasi
balik (backpropagation) yaitu JST multi layer
yang mengubah bobot dengan cara mundur dari
lapisan keluaran ke lapisan masukan. Tujuannya
untuk melatih jaringan agar mendapatkan
keseimbangan kemampuan untuk mengenali pola
yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan respon
yang benar terhadap pola masukan dengan pola
yang dipakai selama pelatihan [1].
58
Arsitektur backpropagation merupakan
salah satu arsitektur jaringan saraf tiruan yang
dapat digunakan untuk mempelajari dan
menganalisis pola data masa lalu lebih tepat
sehingga diperoleh keluaran yang lebih akurat
(dengan kesalahan atau error minimum) [6].
Langkah-langkah dalam membangun
algoritma backpropagation adalah sebagai berikut
[7]:
a. Inisialisasi bobot (ambil nilai random yang
cukup kecil).
b. Tahap perambatan maju (forward
propagation)
1) Setiap unit input (X1, i=1,2,3,…,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan
tersembunyi.
2) Setiap unit tersembunyi (Z1, j=1,2,3,…,p)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (1).
∑ (1)
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2).
(2)
Fungsi aktivasi yang digunakan adalah
fungsi sigmoid, kemudian mengirimkan
sinyal tersebut ke semua unit output.
3) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan bobot sinyal input,
ditunjukkan dengan persamaan (3).
(3)
∑
Dan menerapkan fungsi aktivasi untuk
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (4).
(4)
c. Tahap perambatan balik (backpropagation)
1) Setiap unit output (Yk, k=1,2,3,…,m)
menerima pola target yang sesuai dengan
pola input pelatihan, kemudian hitung
error, ditunjukkan dengan persamaan (5).
(5)
f’ adalah turunan dari fungsi aktivasi.
Kemudian hitung korelasi bobot,
ditunjukkan dengan persamaan (6).
(6)
Dan menghitung koreksi bias, ditunjukkan
dengan persamaan (7).
(7)
Sekaligus mengirimkan δk ke unit-unit
yang ada di lapisan paling kanan.
2) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-
unit yang berada pada lapisan di
(8)
 Seminar Nasional Informatika 2014

kanannya), ditunjukkan dengan persamaan banyaknya layar tersembunyi (hidden layer)

(8). yang digunakan, dan banyaknya keluaran
yang diinginkan. Data yang digunakan sebagai
∑ masukan sebanyak 8 data (8 tahun) dan data
keluaran atau target adalah data pada tahun
Untuk menghitung informasi error, ke-9 (data input 1997 – 2004 dengan target
kalikan nilai ini dengan turunan dari fungsi 2005). Untuk mengetahui curah hujan pada
aktivasinya, ditunjukkan dengan tahun ke-10 maka data masukannya
persamaan (9). merupakan data pada tahun ke-2 sampai tahun
(9) ke-9 (data input 1998 – 2005 dengan target
2006), demikian seterusnya. Gambar 1
Kemudian hitung koreksi bobot,
menggambarkan desain jaringan saraf tiruan
ditunjukkan dengan persamaan (10).
backpropagation dengan input layer(xi)=8,
(10)
hidden layer(vi)=6, dan output layer(yi)=1.
Setelah itu, hitung juga koreksi bias,
ditunjukkan dengan persamaan (11). Input Layer Hidden Layer Output Layer
(11)
d. Tahap perubahan bobot dan bias x1
1) Setiap unit output (Yk, k=1,2,3,…,m)
dilakukan perubahan bobot dan bias
(j=0,1,2,…,p), ditunjukkan dengan x2 v1
persamaan (12).
(12)
Setiap unit tersembunyi (Zj, j=1,2,3,…,p) x3 v2
dilakukan perubahan bobot dan bias
(i=0,1,2,…,n), ditunjukkan dengan
persamaan (13). x4 v3
(13)
y1
2) Tes kondisi berhenti.
x5 v4
5. Metode Penelitian

Penelitian ini bertujuan untuk menganalisa x6 v5

inisialisasi algoritma nguyen-widrow pada proses
prediksi curah hujan di Kota Medan dengan
jaringan saraf tiruan metode backpropagation.
Penulis ingin mengetahui apakah ada perbedaan
antara inisialisasi bobot menggunakan algoritma
nguyen-widrow dengan inisialisasi bobot secara
random. Apakah pengenalan pola/pelatihan
dengan algoritma nguyen-widrow dapat
mengurangi waktu pelatihan.
Untuk mencapai tujuan tersebut, penulis
akan melakukan perbandingan dengan
menggunakan data sekunder curah hujan bulanan
Kota Medan tahun 1997 – 2012. Data bersumber
dari BMKG Stasiun Polonia, Kota Medan.
Prediksi curah hujan dengan
backpropagation neural network digunakan
langkah-langkah sebagai berikut:
a. Memisahkan data yang akan digunakan
sebagai data pelatihan dan data uji. Data curah
hujan tahun 1997 – 2008 akan digunakan
sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
digunakan sebagi data pengujian.
b. Desain JST
Desain JST dilakukan untuk prediksi curah
hujan bulanan dimulai dengan menentukan
banyaknya data masukan yang digunakan,
x7 v6
x8
Gambar 1. Desain backpropagation neural
network
c. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian nilai bobot (dalam penelitian ini
nilai bobot ditentukan secara random dan
menggunakan algoritma nguyen-widrow).
Penghentian penyesuaian bobot dalam
pengenalan pola apabila kuadrat error
mencapai target error. Error dihitung setelah
tahapan forward propagation. Apabila error
lebih besar dari target error maka pelatihan
akan dilanjutkan ke tahap backward
propagation sampai error mencapai atau lebih
kecil target error.
d. Pengujian dan prediksi
Pengujian dilakukan bertujuan untuk
mengetahui tingkat keakuratan sistem JST

59
Seminar Nasional Informatika 2014

191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62

yang telah dibuat dalam memprediksi data 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8
curah hujan pada tahun tertentu. Sedangkan 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7
451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8
prediksi bertujuan untuk memprediksi data 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2
curah hujan yang akan datang. 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5
173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7

6. Hasil dan Analisa

Sebelum diproses data dinormalisasi terlebih
dahulu. Normalisasi terhadap data dilakukan agar
Prediksi curah hujan menggunakan metode
keluaran jaringan sesuai dengan fungsi aktivasi
backpropagation neural network dilakukan
yang digunakan. Data-data tersebut dinormalisasi
dengan membagi data menjadi tiga bagian, yaitu
dalam interval [0, 1] karena dalam prediksi curah
: data untuk training/ pelatihan, data untuk
hujan, nilai curah hujan pasti bernilai positif atau
testing/ pengujian, dan data untuk prediksi. Data
0. Selain itu juga terkait fungsi aktivasi yang
yang digunakan adalah data curah hujan Kota
diberikan yaitu sigmoid biner.
Medan tahun 1997 – 2012 (dapat dilihat di
Fungsi sigmoid adalah fungsi asimtotik
Lampiran Tabel 1). Di mana data tahun 1997 –
(tidak pernah mencapai 0 ataupun 1) maka
2008 digunakan sebagai pelatihan, data tahun
transformasi data dilakukan pada interval yang
2009 – 2012 digunakan sebagai pengujian, dan
lebih kecil yaitu [0.1, 0.8], ditunjukkan dengan
tahun 2013 – 2017 data yang akan diprediksi.
persamaan (14).
Pembagian data untuk pelatihan dapat dilihat pada
Tabel 2. (14)

Tabel 2(a). Data input tahun 1997 – 2004 a adalah data minimum, b adalah data maksimum,
dengan target tahun 2005 x adalah data yang akan dinormalisasi, dan x’
1997 1998 1999 2000 2001 2002 2003 2004 2005
106.2 181 315 59 216.5 90.8 169.4 138.8 189.1
adalah data yang telah ditransformasi. Sehingga
96.6 50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 dihasilkan data hasil normalisasi yang
134.4 29.4 196.9 182.2 158 96.5 162.6 237.9 62.5
109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2 ditunjukkan pada Tabel 3.
80.9 133.5 302.6 60.3 252.8 195.2 245.7 68 229.5
175.3 144.6 256.2 191.1 306.7 191.7 196.3 200.5 174
225.8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 Tabel 3(a). Data hasil normalisasi tahun 1997
95.7 381 78.6 342.6 417.6 156.3 282 204.3 145.7 – 2004 dengan target tahun 2005
290.6 170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5
1997 1998 1999 2000 2001 2002 2003 2004 2005
391.1 340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 0.208 0.29 0.438 0.156 0.33 0.191 0.278 0.244 0.299
265.4 275.8 126.4 108 467.6 164.3 125.4 141.2 206.4
0.197 0.146 0.387 0.186 0.107 0.177 0.185 0.312 0.139
182.4 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4
0.239 0.123 0.308 0.292 0.265 0.197 0.27 0.353 0.16
0.212 0.129 0.446 0.218 0.273 0.172 0.406 0.188 0.276
0.18 0.238 0.425 0.157 0.37 0.306 0.362 0.166 0.344
Tabel 2(b). Data input tahun 1998 – 2005 0.284 0.25 0.373 0.302 0.429 0.302 0.307 0.312 0.283
dengan target tahun 2006 0.34 0.326 0.124 0.225 0.224 0.244 0.435 0.319 0.323
1998 1999 2000 2001 2002 2003 2004 2005 2006 0.196 0.511 0.177 0.469 0.552 0.263 0.402 0.316 0.251
181 315 59 216.5 90.8 169.4 138.8 189.1 103.9 0.411 0.279 0.54 0.589 0.527 0.513 0.711 0.615 0.411
50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 0.522 0.466 0.316 0.496 0.9 0.492 0.12 0.507 0.284
29.4 196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 0.384 0.395 0.23 0.21 0.607 0.272 0.229 0.246 0.318
35.3 322 115 164.8 73.4 285.3 88.5 168.2 222.5 0.292 0.526 0.594 0.282 0.469 0.203 0.298 0.274 0.434
133.5 302.6 60.3 252.8 195.2 245.7 68 229.5 300.5
144.6 256.2 191.1 306.7 191.7 196.3 200.5 174 251.4
213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 Tabel 3(b). Data hasil normalisasi tahun 1998 –
381 78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 2005 dengan target tahun 2006
170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6
1998 1999 2000 2001 2002 2003 2004 2005 2006
340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 0.29 0.438 0.156 0.33 0.191 0.278 0.244 0.299 0.205
275.8 126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 0.146 0.387 0.186 0.107 0.177 0.185 0.312 0.139 0.235
394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6
0.123 0.308 0.292 0.265 0.197 0.27 0.353 0.16 0.224
0.129 0.446 0.218 0.273 0.172 0.406 0.188 0.276 0.336
0.238 0.425 0.157 0.37 0.306 0.362 0.166 0.344 0.422
Tabel 2(c). Data input tahun 1999 – 2006 0.25 0.373 0.302 0.429 0.302 0.307 0.312 0.283 0.368
dengan target tahun 2007 0.326 0.124 0.225 0.224 0.244 0.435 0.319 0.323 0.211
1999 2000 2001 2002 2003 2004 2005 2006 2007 0.511 0.177 0.469 0.552 0.263 0.402 0.316 0.251 0.254
315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 0.279 0.54 0.589 0.527 0.513 0.711 0.615 0.411 0.516
268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 0.466 0.316 0.496 0.9 0.492 0.12 0.507 0.284 0.39
196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 0.395 0.23 0.21 0.607 0.272 0.229 0.246 0.318 0.254
322 115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 0.526 0.594 0.282 0.469 0.203 0.298 0.274 0.434 0.473
302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2
256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4
29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 Tabel 3(c). Data hasil normalisasi tahun 1999
78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 – 2006 dengan target tahun 2007
407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5
1999 2000 2001 2002 2003 2004 2005 2006 2007
204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3
0.438 0.156 0.33 0.191 0.278 0.244 0.299 0.205 0.278
126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 0.387 0.186 0.107 0.177 0.185 0.312 0.139 0.235 0.1
456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 0.308 0.292 0.265 0.197 0.27 0.353 0.16 0.224 0.159
Tabel 2(d). Data input tahun 2000 – 2007 0.446 0.218 0.273 0.172 0.406 0.188 0.276 0.336 0.397
0.425 0.157 0.37 0.306 0.362 0.166 0.344 0.422 0.455
dengan target tahun 2008 0.373 0.302 0.429 0.302 0.307 0.312 0.283 0.368 0.2
2000 2001 2002 2003 2004 2005 2006 2007 2008 0.124 0.225 0.224 0.244 0.435 0.319 0.323 0.211 0.379
59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 0.177 0.469 0.552 0.263 0.402 0.316 0.251 0.254 0.26
86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 0.54 0.589 0.527 0.513 0.711 0.615 0.411 0.516 0.374
182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 0.316 0.496 0.9 0.492 0.12 0.507 0.284 0.39 0.425
115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 146 0.23 0.21 0.607 0.272 0.229 0.246 0.318 0.254 0.504
60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5 0.594 0.282 0.469 0.203 0.298 0.274 0.434 0.473 0.332

60
 Seminar Nasional Informatika 2014

Tabel 3(d). Data hasil normalisasi tahun 2000 – 0.378 0.3781 0.2884 0.3452 0.0352 0.305
0.4162 0.1741 0.2884 0.3452 0.0352 0.305
2007 dengan target tahun 2008 0.2054 0.1427 0.3421 0.2915 0.1733 0.1439
2000 2001 2002 2003 2004 2005 2006 2007 2008
0.3637 0.3945 0.3238 0.4437 0.5985 0.1168
0.156 0.33 0.191 0.278 0.244 0.299 0.205 0.278 0.23
0.186 0.107 0.177 0.185 0.312 0.139 0.235 0.1 0.108 0.3047 0.4689 0.1341 0.2402 0.0699 0.5146
0.292 0.265 0.197 0.27 0.353 0.16 0.224 0.159 0.231 0.2963 0.0076 0.3161 0.045 0.0677 0.4113
0.218 0.273 0.172 0.406 0.188 0.276 0.336 0.397 0.252 Bias input ke hidden
0.157 0.37 0.306 0.362 0.166 0.344 0.422 0.455 0.281 0.1422 0.0228 0.1479 0.191 0.1505 0.4743
0.302 0.429 0.302 0.307 0.312 0.283 0.368 0.2 0.159 Bobot hidden ke output
0.225 0.224 0.244 0.435 0.319 0.323 0.211 0.379 0.396
0.4899 0.2007 0.1391 0.0802 0.0814 0.3233
0.469 0.552 0.263 0.402 0.316 0.251 0.254 0.26 0.307
0.589 0.527 0.513 0.711 0.615 0.411 0.516 0.374 0.416 Bias hidden ke output 0.367
0.496 0.9 0.492 0.12 0.507 0.284 0.39 0.425 0.468
0.21 0.607 0.272 0.229 0.246 0.318 0.254 0.504 0.546
0.282 0.469 0.203 0.298 0.274 0.434 0.473 0.332 0.362 Proses training dengan menggunakan bobot
nguyen-widrow pada tabel 5 menghasilkan
Setelah proses normalisasi dilakukan, kuadrat error=0.01 pada iterasi ke-74. Penurunan
selanjutnya dilakukan proses inisialisasi bobot. kuadrat error dapat dilihat pada Gambar 3.
Proses inisialisasi bobot dikelompokkan menjadi
dua bagian, yaitu inisialisasi bobot random dan
inisialisasi bobot menggunakan algoritma nguyen-
widrow.
Langkah pertama akan dilakukan uji coba
dengan menggunakan bobot yang digenerate
secara random dengan hidden layer=6. Bobot
random yang telah digenerate dapat dilihat pada
Tabel 4.

Tabel 4. Generate bobot random Gambar 3. Penurunan kuadrat error iterasi

Bobot input ke hidden awal
0.3528 0.2667 0.2898 0.1448 0.151 0.3874 ke-74
0.007 0.3804 0.4072 0.3545 0.0227 0.207
0.4313 0.3952 0.1868 0.481 0.4357 0.0281
Pada pengujian awal ini didapatkan hasil
0.4748 0.182 0.2624 0.3836 0.0268 0.2962 bahwa jumlah iterasi pada proses tranning dengan
0.2344 0.1491 0.3113 0.3239 0.1319 0.1397
0.4149 0.4123 0.2946 0.493 0.4555 0.1134
menggunakan bobot random lebih cepat
0.3476 0.49 0.122 0.2669 0.0532 0.4997 dibandingkan dengan penggunaan bobot nguyen-
0.3381 0.0079 0.2876 0.05 0.0515 0.3394
Bias input ke hidden widrow. Selanjutnya dilakukan bebepara kali
0.1422 0.0228 0.1479 0.191 0.1505 0.4743 proses trainning dan pengujian/testing dengan
Bobot hidden ke output
0.4899 0.2007 0.1391 0.0802 0.0814 0.3233 menggunakan bobot random dan bobot nguyen-
Bias hidden ke output 0.367 widrow, dimana jumlah hidden layer tetap yaitu 6
dan nilai target error yang bervariasi. Hasil dari
Proses training dengan menggunakan bobot pengujian ini dapat dilihat pada tabel 6.
random pada tabel 4 menghasilkan kuadrat
error=0.01 pada iterasi ke-66. Penurunan kuadrat Tabel 6. Perbandingan hasil pengujian bobot
error dapat dilihat pada Gambar 2. random dengan bobot nguyen-widrow
Target Bobot random Bobot nguyen-widrow
error Iterasi Keakurasian Iterasi keakurasian
0.09 2 3.12 % 2 2.96 %
0.06 2 3.12 % 2 2.96 %
0.03 3 3.37 % 3 3.33 %
0.01 66 25 % 74 24.9 %
0.009 87 33.08 % 96 33.06 %
0.008 186 41.65 % 194 41.92 %
0.007 4691 42.75 % 5155 43.1 %
Rata-
719.57 21.73 % 789.43 21.75 %
rata

Dari hasil pengujian pada tabel 6 didapatkan

Gambar 2. Penurunan kuadrat error dari bahwa pada inisialisasi bobot random jumlah
training dengan menggunakan bobot random iterasi paling kecil ada pada target error 0.09 dan
Selanjutnya sebagai perbandingan dilakukan 0.06 dengan jumlah iterasi=2 dengan tingkat
uji coba dengan menggunakan bobot nguyen- keakurasian=3.12% dan jumlah iterasi paling
widrow dengan hidden layer=6. Bobot yang besar ada pada target error 0.007 dengan jumlah
dihasilkan dari algoritma inisialisasi nguyen- iterasi=4691 dengan tingkat
widrow ditunjukkan pada Tabel 5. keakurasian=42.75%. Sedangkan pada inisialisasi
bobot nguyen-widrow jumlah iterasi paling kecil
Tabel 5. Inisialisasi bobot nguyen-widrow sama seperti inisialisasi bobot random yaitu
Bobot input ke hidden awal iterasi ke-2 namun dengan tingkat
0.3092 0.2552 0.3185 0.1303 0.1984 0.399
0.0061 0.364 0.4475 0.319 0.0298 0.2132 keakurasian=2.96% dan jumlah iterasi paling

61
Seminar Nasional Informatika 2014

besar ada pada target error 0.007 dengan tingkat baik dari bobot random, hal ini dapat dilihat
keakurasian=43.1%. Ini berarti semakin kecil dari proses training dengan bobot nguyen-
nilai target error maka nilai iterasinya akan widrow lebih lama dibandingkan proses
semakin besar dan keakurasiannya juga semakin training dengan bobot random.
tinggi. c. Tingat keakurasian terbesar pada proses
Dari hasil pengujian pada tabel 6 juga dapat pengujian prediksi curah hujan di Kota Medan
dilihat bahwa proses training dengan bobot dengan metode backpropagation neural
nguyen-widrow lebih lama dibandingkan dengan network adalah 43.1 %, dengan target error
bobot random. Hal ini berarti bahwa pada kasus 0.007.
prediksi curah hujan di Kota Medan dengan
metode backpropagation neural network, proses Daftar Pustaka:
training dengan inisialisasi bobot nguyen-widrow
tidak lebih baik dari bobot random. [1] Ihwan, Andi, 2013, Metode Jaringan Saraf
Proses terakhir yaitu melakukan prediksi Tiruan Propagasi Balik untuk Estimasi Curah
curah hujan untuk beberapa tahun berikutnya Hujan Bulanan di Ketapang Kalimantan
dengan mengambil nilai bobot hasil inisialisasi Barat, Prosiding Semirata FMIPA
nguyen-widrow dengan keakurasian 43.1 %. Hasil Universitas Lampung.
prediksi dapat dilihat pada Tabel 7. [2] Indrabayu, et al., 2011, Prediksi Curah Hujan
di Wilayah Makasar Menggunakan Metode
Tabel 7. Hasil prediksi curah hujan 2013-2017 Wavelet-Neural Network, Jurnal Ilmiah
Tahun
2013 2014 2015 2016 2017
“Elektrikal Enjiniring” UNHAS, Vol. 09, No.
Bulan
02, Agustus.
1 116 136.4 147.5 165.6 150.3
2 107.9 89.6 101 108.8 102.4 [3] Kharola, Manisha and Dinesh Kumar, 2014,
3 149.9 134.4 173.8 203 178.1 Efficient Weather Prediction By Back-
4 214.2 196 160.5 153.6 137
5 314.2 285.6 232.2 238.2 174 Propagation Algorithm, IOSR Journal of
6 133.7 104.1 112.3 129.3 139.5 Computer Engineering (IOSR-JCE), Volume
7 189.3 230 198 175.6 169.9
8 150.1 154 197 252.2 255.7 16, Issue 3, Ver. IV, June.
9
10
258.1
293.5
229.9
268.8
245.5
250.1
210.4
219.9
162
218
[4] Mishra, Khushboo, et al, 2014, Image
11 248.5 298.7 233.3 175.7 199 Compression Using Multilayer Feed Forward
12 241 197.6 159 122 154.4
Rata-rata 201.367 193.758 184.183 179.525 170.025
Artificial Neural Network with Nguyen
Widrow Weight Initialization Method,
Dari tabel 7 hasil prediksi curah hujan tahun International Journal of Emerging
2013-2017, diperkirakan bahwa curah hujan rata- Technology and Advanced Engineering,
rata pertahun akan semakin turun dari tahun 2013 Volume 4, Issue 4, April.
sampai tahun 2017. Tahun 2013 rata-rata curah [5] Naik, Arti R. and S.K.Pathan, 2012, Weather
hujan adalah 201.367, sedangkan pada tahun 2017 Classification and Forecasting using Back
rata-rata curah hujan adalah 170.025. Propagation Feed-forward Neural Network,
International Journal of Scientific and
7. Kesimpulan Research Publications, Volume 2, Issue 12,
December.
Dari hasil penelitian dapat diambil beberapa [6] Oktaviani, Cici dan Afdal, 2013, Prediksi
kesimpulan antara lain: Curah Hujan Bulanan Menggunakan
a. Pada proses trainning JST, semakin kecil nilai Jaringan Syaraf Tiruan dengan Beberapa
target error maka nilai iterasinya akan Fungsi Pelatihan Backpropagation, Jurnal
semakin besar dan keakurasiannya juga Fisika Unand, Vol. 2, No. 4, Oktober.
semakin tinggi [7] Sutojo, T., et al, 2010, Kecerdasan Buatan,
b. Pada kasus prediksi curah hujan di Kota Yogyakarta: Andi Offset.
Medan dengan metode backpropagation
neural network, proses training dengan Lampiran:
inisialisasi bobot nguyen-widrow tidak lebih Data curah hujan Kota Medan tahun 1997 – 2012

62
 Seminar Nasional Informatika 2014

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

Bln 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
1 106.2 181 315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 196 166.1 155.9 62
2 96.6 50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 95.4 30.2 81.1 93
3 134.4 29.4 196.9 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 342.6 142.8 289.2 202
4 109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2 222.5 277.2 146 223.8 65.4 215.1 206
5 80.9 133.5 302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5 466.7 129 217.3 515
6 175.3 144.6 256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62 77.7 156.4 128 57
7 225.8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8 191.5 219.5 138.5 279
8 95.7 381 78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7 306 382.3 283.3 160
9 290.6 170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8 386 89.4 262.7 242
10 391.1 340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2 340.2 161.3 417.7 339
11 265.4 275.8 126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5 130.6 246.4 232.9 300
12 182.4 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7 46.1 159.2 169.3 270

63
Seminar Nasional Informatika 2014

ANALISIS E-LEARNING CENTER OBJECT RECOMMENDER

UNTUK PERSONALISASI PEMAHAMAN PRIOR KNOWLEDGE
T.Henny 1, Hanifah Amrul2, Darmeli Nasution3

Sistem Komputer, Teknik, Universitas Pembangunan Pancabudi

Jl. Jendral Gatot Subroto Km 4.5 Medan
1
hennyharumy@hotmail.com, 2hani_amrul@yahoo.co.id, 3darmelinasution@gmail.com

Abstrak

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

Kata Kunci : E-Learning, Prior Knowledge, Learning object Recommender

1. PENDAHULUAN needed content (Karamanis, 2004) Dengan

1.1 Latar Belakang
E-learning saat ini Sangat berpengaruh
terhadap peningkatan dunia pendidikan juga
berpotensi menambah soft skill mahasiswa,
diantaranya meningkatkan ketrampilan mencari
informasi dan menjadi self regulated learner.
Namun, menyelenggarakan e-learning yang
berkualitas tidaklah mudah. Dalam pembelajaran
tatap muka di kelas, pengajar dengan mudah
mengamati respon dan tingkat pencapaian
mahasiswa terhadap materi yang sedang dibahas.
Jika mahasiswa tampak sulit menangkap topik
yang dibahas, pengajar dapat mengulang kembali
pengetahuan prasyarat yang harus dimiliki
mahasiswa agar dapat menguasai topic tersebut.
Teori pembelajaran dari Gagne yang dikenal
dengan Nine Events of Instruction, menyebutkan
bahwa sebelum menyampaikan materi ajar,
haruslah ada stimulasi untuk memanggil prior
knowledge. Prior Knowledge adalah suatu
pemahaman sebelumnya yang didapatkan
sebelum mahasiswa tersebut mebgikuti mata
kuliah yanng diberikan. Oleh karena itu, e-
learning yang berkualitas haruslah menyediakan
materi ajar yang berbasis personalisasi dan when-
adanya personalisasi, pastinya mahasiswa yang
memiliki tingkat prior knowledge yang berbeda
diharapkan dapat mengikuti materi ajar dengan
baik dan mencapai tujuan pembelajaran.
Penguasaan terhadap sebuah topik bahasan sangat
diperlukan untuk membantu penguasaan atas
topik bahasan selanjutnya, khususnya yang
memerlukan prasyarat topik bahasan sebelumnya.
Penelitian ini mengembangkan fitur Learning
Object Recommender (LOR) dalam learning
management system (LMS) dengan paradigma
student-centered, yaitu Student Centered e-
Learning Environment. LOR dikembangkan
untuk memberikan rekomendasi bahan ajar apa
saja yang relevan untuk diakses mahasiswa
melalui LMS sesuai dengan kondisi prior
knowledge masing-masing. Informasi mengenai
prior knowledge diperoleh melalui assessment.
Universitas Pembangunan Panca Budi
telah menjalankan sistem pembelajaran dengan e-
learning dari tahun 2010, namun sampai saat ini
belum semua mata kuliah dan semua mahasiswa
mampu menjalankan sistem ini. Sebenarnya apa
yang salah dengan sistem E- learning yang di
telah diterapkan di Universitas Pembangunan
Panca Budi selama ini ? Dengan adanya

64
 Seminar Nasional Informatika 2014

penelitian ini diharapkan dapat memberikan

masukan bagi pihak yang berkepentingan dalam Kelas A
Kelas B
penyelengaraan e-learning agar sistem ini dapat
berjalan seperti yang diharapkan.
Kuisioner Kuisioner

1.2 Perumusan Masalah

Pemberian pemahaman E- Learning
a. Apakah terdapat pengaruh Learning Tanpa Pemberian Pemahaman E- Learning

Object Recommender terhadap learning

outcome memahasiswa ? Sistem
E – Learning
Sistem
E – Learning
b. Bagaimana penggunaan E- Learning
Object Recommender berpengaruh
terhadap E- learning outcome Materi

memahasiswa ? Kuliah
Tugas
online

Quis Online
1.3 Ruang Lingkup Penelitian
Penelitian ini berfokus pada kegiatan e- UTS online

learning mata kuliah disemester 2, dan bukan UAS Online

pada tingkat pendidikan di bawahnya. Sistem

yang dikembangkan bersifat general, dan tidak Evaluasi

terbatas untuk kegiatan e-learning pada mata

kuliah tertentu atau bidang studi tertentu.
Output Output

2. LANDASAN TEORI
Komputer adalah sistem elektronik untuk
memanipulasi data dengan cepat dan tepat serta
dirancang dan diorganisasikan agar secara
otomatis menerima dan menyimpan data input,
memrosesnya, dan menghasilkan output di bawah
pengawasan suatu langkah-langkah instruksi
program (Sistem Operasi) yang tersimpan di
didalam penyimpannya (Donald H. Sanderes,
1985). Oleh sebab itu komputer merupakan alat
atau media pembelajaran yang terstruktur dan
terintegrasi untuk menghasilkan output yang
diinginkan
Matthew Comerchero dalam E-Learning
Concepts and Techniques (Bloomsburg, 2006)
mendefinisikan E-learning adalah sarana
pendidikan yang mencakup motivasi diri sendiri,
komunikasi, efisiensi, dan teknologi. Karena ada
keterbatasan dalam interaksi sosial, siswa harus
menjaga diri mereka tetap termotivasi. Oleh sebab
itu E learning sebagai media dan dan pemahaman
prior knowledge output yang ingin dicapai
merupakan indikator untuk meningkatkan
pemahaman dari mahasiswa tersebut terhadap
mata kuliah yang diikuti.
3. Metode Penelitian
Metode pemecahan masalah dalam
penelitian ini lakukan dalam 3 Tahap, yaitu
perancangan sistem, uji coba, evaluasi, Hasil
akhir yang diharapkan dari penelitian ini berupa
sistem perekomendasian Learning Object yang
adaptif terhadap prior knowledge dan gaya
belajar mahasiswa yang mampu meningkatkan
efektifitas aktivitas belajar.
Gambar 1. Alur Penelitian
Parameter yang diamati
1. Motivasi
2. Konten yang digunakan
3. Tingkat keaktifan mahasiswa
4. Materi Pemelajaran
5. Hasil Tes (Nilai)
6. Lingkugan
7. Prior knowledge
Metode penelitian menggunakan
Algoritma C4.5 merupakan algoritma yang
digunakan untuk membentuk pohon keputusan.
Banyak algotima yang dapat dipakai dalam
pembentukan pohon keputusan antara lain ID3,
CART dan C4.5 (Larose, 2005). Algoritma C4.5
merupakan pengembangan dari algoritma ID3
(Larose, 2005). Data dalam pohon keputusan
biasanya dinyatakan dalam bentuk tabel dengan
atribut dan record. Atribut menyatakan suatu
parameter yang dibuat sebagai kriteria dalam
pembentukan pohon. Proses pada pohon
keputusan adalah: mengubah bentuk data (tabel)
menjadi model pohon, mengubah model pohon
menjadi rule dan menyederhanakan rule (Basuki
& Syarif, 2003). Dalam penelitian ini criteria
yang digunakan adalah sebagai berikut : Salah
satu atribut merupakan atribut yang menyatakan
data solusi per-item data yang disebut dengan
target atribut. Atribut memiliki nilai-nilai yang
dinamakan dengan instance. Secara umum
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut:
a. Pilih atribut sebagai akar
b. Buat cabang untuk masing-masing nilai
c. Bagi kasus dalam cabang

65
Seminar Nasional Informatika 2014

d. Ulangi proses untuk masing-masing cabang
sampai semua kasus pada cabang memiliki kelas
yang sama.
Untuk memilih atribut sebagai akar,
didasarkan pada nilaigain tertinggi dari atribut-
atribut yang ada. Untukmenghitung gain
digunakan rumus seperti tertera dalam
Rumus 1 (Craw, S., ---).
Dengan :
S : Himpunan kasus
A : Atribut
n : Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke i
|S| : Jumlah kasus dalam S
Sedangkan perhitungan nilai entropy dapat dilihat
pada
rumus 2 berikut(Craw, S., ---):
tidak menggunakan prior knowledge. Sistem uji
coba ini meliputi pemberian materi kuliah secara
online yaitu untuk mata kuliah struktur data
mencakup materi (Array, Stack, Sorting,
Searching dan lain sebagainya). Mahasiswa
untuk kedua kelas diberikan tugas untuk
meringkas dan memahami materi yang diberikan
tanpa harus tatap muka dengan dosen pengajar di
dalam kelas. Mahasiswa bisa melakukan hal
tersebut dimana saja baik dirumah maupun di
Kampus namun dengan waktu yang telah
ditentukan. Setelah dianalisa Mahasiswa Kelas 2
pagi A mempunyai tingkat kemauan yang lebih
tinggi dalam meringkas materi dengan rata – rata
7 kali pertemuan

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

a. Analisa Penelitian Tahap I (Perancangan

sistem).
Materi yang akan digunakan pada penelitian
tahap I ini adalah menyiapkan responden
sebanyak 43 orang mahasiswa sebagai sampel
yang berasal dari 2 kelas yang berbeda.
Selanjutnya dilakukan penyebaran Quisioner Gambar 2. Materi Struktur data secara online
sesuai dengan variabel yang diamati. Tahapan ini
dilakukan pada awal perkuliahan dalam waktu 1 Namun untuk kelas 2 Siang F
minggu. Selanjutnya Kelas tersebut akan mempunyai tingkat kemauan yang lebih rendah
dibedakan menjadi dua, yaitu kelas yang walaupun ada sebagian mahasiswa yang
menjalankan perkuliahan dengan sistem e- mempunyai persentase yang sama yaitu 7 kali
learning tanpa melalui penjelasan dan kelas yang pertemuan namun ada sekitar 7 mahasiwa yang
menjalankan e-learning dengan diberikan memiliki tingkat kehadiran 0 s/d 3 kali pertemuan
penjelasan terlebih dahulu. Selanjutnya kelas dari 7 yang telah ditentukan Mahasiswa pada
yang ditunjuk untuk menjalankan proes e-learning tahap ini juga diberikan tugas untuk mengerjakan
dengan proses pemahaman akan diberikan quiz secara online, mengupload tugas secara
pelatihan tentang e-learning sistem lebih online dan absen secara online serta mid semester
mendalam. Setelah di lakukan wawancara dan secara online.
penyebaran angket dengan kelas masing – masing
akhirnya ditentukan untuk Kelas 2 Pagi A untuk
menjadi objek penelitian dengan prior knowledge
dan Kelas 2 Siang F untuk menjadi objek
penelitian tidak menggunakan prior knowledge.

b. Analisa Penelitian Tahap II (Uji coba)

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

66
 Seminar Nasional Informatika 2014

Gambar 5. Progres nilai kelas siang 2 F tanpa

prior knowledge

Gambar 3. Mid semester secara online

Gambar 4. Tugas secara online

Gambar 6. Progres nilai kelas 2 pagi A
Pada tahap ini akan dibandingkan kemampuan menggunakan prior knowledge
mahasiswa yang telah diberi pemahaman dan
Dapat terlihat setelah di lakukan uji coba
kelas yang tidak diberi pemahaman. Setelah
meliputi tugas, quis dan mid . Progres kelas
perkuliahan berakhir kemudian mahasiswa
dengan prior knowledge jauh lebih banyak
diberikan kuisioner untuk melihat tingkat
daripada progress kelas tanpa prio knowledge.
pemahaman mahasiswa dalam menggunakan
aplikasi e – learning secara berkesinambungan.
c. Penelitian Tahap III (pengolahan data dan
Nilai tersebut dapat dilihat dibawah ini :
evaluasi ).
Setelah dilakukan tahap II dan seluruh data
telah terkumpul. Selanjutnya dilakukan
pengolahan data dan evaluasi terhadap uji coba
yang dilakukan dengan membandingkan variable-
variabel yang diamati. Pada tahap ini akan
kelihatan apakah prior knowledge memang
dibutuhkan dalam proses elearning sistem atau
tidak. Software yang digunakan untuk mengolah

67
Seminar Nasional Informatika 2014
data adalah software data mining SIPINA dengan
algoritma C 4.5 ( pohon keputusan).
Gambar 7. Data input
Setelah data di input, maka dibuat dan di
pilih untuk sampel, atribut dan class dari variabel
yang diinput. Dalam seluruh variabel maka untuk
class diagram adalah prior knowledge. Sampel
diagram adalah nama responden dan Atribut
diagram adalah Jenis Kelamin, Kelas, Semester,
Umur, Pemahaman tentang e-learning, Kehadiran
Kuliah, Tes secara E-learning, Diskusi, Motivasi,
Penggunaan Konten, Tingkat Keaktifan di
Edmodo, Memperoleh Materi, Pengetahuan
tentang PK, Nilai Tugas, Nilai UTS.
Gambar 8. Pembagian class, atribut, dan
sampel dari variabel
68
Gambar 9. Hasil output algoritma c 4.5
Jika dilihat dari hasil output pohon keputusan
maka terlihat prior knowledge yang lihat
pengaruhnya dari variabel yang diolah adalah
efektif sebesar 67% .
4. Kesimpulan
Berdasarkan penelitian yang telah
dilakukan maka dapat ditarik kesimpulan yaitu:
1. Terdapat pengaruh penggunaan Learning
Object Recommender terhadap learning
outcome memahasiswa.
2. Terdapat pengaruh perekomendasian
learning object yang sesuai dengan tingkat
kedalaman atau kesulitan soal dibandingkan
dengan learning object yang sifatnya umum
walaupun tetap ada kaitannya dengan topik
soal.
3. Tanpa adanya Prior Knowledge tingkat
pemahaman mahasiswa tentang Elearning
sangat kecil sehingga output ataupun luaran
yang dihasilkan sangat kecil dan tidak
seperti yang diharapkan
DAFTAR PUSTAKA
Nizar, Buku Pedoman Singkat, UAI E-learning
System, Pusat Komputer dan Sistem
Informasi, UAI, 2009
Permana, Wim, Implementasi E-learning di
FMIPA UGM sebagai Motivator Student
Centered Learning, 2004
Purbo, Onno W. , “E-learning dan
Pendidikan”,2003
Som Naidu, E-Learning Guidebook of Principles,
Procedure and Practice, New Delhi,
CEMCA, 2006
Tsang,HK. Object - Oriented Technology From
Diagram to Code with Visual Paradigm for
UML,Tata McGraw-Hill,2005
 Seminar Nasional Informatika 2014

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION

UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
Dahriani Hakim Tanjung

STMIK POTENSI UTAMA

Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan
notashapire@gmail.com

Abstrak

Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola
yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis
gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap
lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab
yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23
lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai
toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian,
sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola
dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE 0.00999889. MSE
berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai
MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid
Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation.
Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan
saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.

Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab

1. PENDAHULUAN yang diberikan. JST dapat dimanfaatkan untuk

Di era globalisasi sekarang ini dan juga
pengaruh perdagangan bebas, menjadikan
peredaran barang-barang impor semakin banyak
masuk ke tanah air seperti, otomotif, alat
komunikasi, alat-alat kesehatan, dan juga obat-
obatan. Di samping itu dengan sistem
perdagangan bebas ini, menambah ruang gerak
peredaran obat-obatan terlarang dan narkotika
semakin marak ditanah air.
Faktor minimnya pengetahuan masyarakat
tentang penggunaan narkotika menyebabkan
sulitnya masyarakat awam mengidentifkasi
seseorang ataupun anggota keluarganya yang
telah menjadi korban penyalahgunaan narkotika.
Dengan demikian pemanfaatan teknologi,
khususnya teknologi informasi telah
diimplementasikan ke berbagai bidang seperti
pemerintahan, pendidikan, bisnis, periklanan,
kesehatan, dan sebagainya. Berdasarkan uraian di
atas penulis mencoba untuk memanfaatkan
teknologi informasi untuk dapat membantu
masyarakat.
Metode problem solving yang digunakan
dalam penelitian ini adalah jaringan syaraf tiruan
(JST). Jaringan syaraf tiruan telah banyak
digunakan untuk membantu menyelesaikan
berbagai macam permasalahan, salah satu
permasalahan tersebut adalah
pencocokan/keakurasian berdasarkan pelatihan
mendeteksi penyalahgunaan narkotika dengan
menggunakan metode Backpropagation.
2. DASAR TEORI
2.1 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (arficial neural
network) merupakan metode yang dapat
menemukan hubungan non-linear antara beban
dan faktor-faktor ekonomi yang bervariasi serta
faktor- faktor lainnya yang dapat melakukan
penyesuaian terhadap perubahan-perubahan yang
terjadi [1].
Gambar 1. Komponen Neuron
Dari gambar diatas terlihat bahwa dalam
otak manusia, sebuah neuron (sel saraf) tertentu
mengumpulkan sinyal berupa rangangan dari
neuron lain melalui dendrit. Sinyal yang dating
dan diterima oleh dendrit akan dijumlahkan
(summation) dan dikirim melalui axon ke dendrit

69
Seminar Nasional Informatika 2014

akhir yang bersentuhan dengan dendrit dari
neuron yang lain. Siyal ini akan diterima oleh
neuron lain jika memenuhi nilai threshold
tertentu. Dalam hal ini neuron dikatakan
teraktivasi. Pembelajaran pada otak manusia
terjadi ketika da hubungan antara satu neuron
dengan neuron lain yang terjadi secara adaptif dan
berlangsung secara dinamis [2].
2.2 Metode Backpropagation
pelatihan yang paling baik (jumlah epoch
terkecil). dan lapisan keluaran/output terdiri atas
5 sel saraf, lapisan keluaran digunakan untuk
mempresentasikan pengelompokan pola, nilai
00001 untuk Opium+Heroin, nilai 00010 untuk
Morphine, nilai 00100 untuk Cocain, nilai 01000
untuk Marijuana, dan nilai 10000 untuk Sintetik
(Pethidin + Methadon)[4]. Gambar 2 merupakan
arsitektur jaringan saraf tiruan.
X1 Y1 Opium + Heroin

Backpropagation merupakan algoritma Z1

pembelajaran yang terawasi dan baisanya
digunakan oleh perceptron dengan banyak lapisan X2 Y2 Morphine

untuk mengubah bobot-bobot yang berhubungan Z2

dengan neuron-neuron yang ada pada lapisan X3 Y3 Cocain

tersembunyinya. Algoritma backpropagation
menggunakan error output untuk mengubah nilai
bobot-bobotnya dalam arah mundur (backward). X4 Y4 Marijuana
Zn
Untuk mendapatkan error ini, tahap perambatan
maju (forward propagation) harus dikerjakan Sintetik (Pethidin
Y5
terlebih dahulu. + Metahdon)

Pada dasarnya, pelatihan dengan metode X23

backpropagtion terdiri atas tiga langkah, yaitu

W0 B0
sebagai berikut :
a. Data dimasukkan ke input jaringan Gambar 2. Arsitektur Jaringan Untuk
(feedforward) Mendeteksi Penyalahgunaan Narkotika
b. Perhitungan dan propagasi balik dari error
yang bersangkutan 2.5 Inisialisasi Input
Pembaharuan (adjustment) bobot dan Pada tahap ini dilakukan proses inisialisasi
bias[1]. data input yang diperoleh dari gejala-
gejala/kriteria dan seluruh jennies narkotika. Nilai
2.3 Fungsi Aktivasi Sigmoid Biner terhadap variable ditentuka Antara 0 sampai 1
Fungsi ini digunakan untuk jaringan saraf disesuaikan dengan kasus dari masing gejala.
yang dilatih dengan menggunakan metode
backpropagation. Fungsi sigmoid memiliki nilai Tabel 1. Kriteria dan Inisialisasi Gejala
pada range 0 sampai 1. Oleh karena itu, fungsi ini Narkotika
sering digunakan untuk jaringan saraf yang No Kriteria Yang Dinilai Inisialisasi
membutuhkan nilai output yang terletak pada 1 Nafsu Makan Hilang X1
interval 0 sampai 1. Namun, fungsi ini bisa juga
2 Sembelit X2
digunakan oleh jaringan saraf yang nilai
3 Keracunan X3
outputnya 0 atau 1 [3]
4 Napas Pendek X4
fungsi sigmoid dirumuskan sebagai berikut :
5 Mudah Koma X5
Fungsi Step dirumuskna sebagai :
6 Kematian X6
7 Mual X7
dengan : 8 Gelisah X8
Ketergantungan Fisik
(1) 9 X9
Mental
10 Perasaan Tertekan X10
2.4 Arsitektur Jaringan Metode
11 Kejang-kejang X11
Backpropagation
Jaringan saraf terdiri dari 3 lapisan, yaitu 12 Kecanduan X12
lapisan masukan/input terdiri atas variable 13 Ketagihan X13
masukan unit sel saraf, lapisan tersembunyi dan 14 Paru-paru terganggu X14
lapisan keluaran/output. Lapisan masukan 15 Daya ingat rusak X15
digunakan untuk menampung 23 variabel yaitu 16 Gangguan Sex X16
X1 sampai dengan X23, lapisan tersembunyi 17 Mudah Marah X17
terdiri atas 5 unit sel saraf, lapisan tersembunyi 18 Suhu Tubuh Naik X18
ditentukan sendiri oleh pengguna sistem melalui 19 Halusinasi X19
cara percobaan konvergensi terbaik (trial and 20 Mudah Lelah X20
error) sampai diperoleh hasil konvergensi 21 Paranoid X21

70
 Seminar Nasional Informatika 2014

Susunan Syaraf Pusat  Learning rate (α) = 0.5

22 X22
Rusak  Maksimal error = 0.01
23 Sembelit X23  Maksimal epoch = 10000
 Fungsi Aktivasi = Logsig.
2.6 Inisialisasi Output
Hasil yang diiinginkan pada tahap ini adalah 3.1.2 Tahap Pelatihan
terdeteksinya suatu nilai untuk mendeteksi Pada tahap ini sistem jaringan saraf
narkotika. Tabel 2 berikut adalah nilai target diberikan 25 data sampel penilaian
keluaran. penyalahgunaan narkotika untuk dilatihkan
sebagai proses pembelajaran. Untuk mendapatkan
Tabel 2. Prediksi dan Inisialisasi Narkotika nilai keluaran, yang pertama harus dilakukan
Prediksi adalah menentukan matriks masukan dan matriks
No Penyalahgunaan Inisialisasi target. Berikut dapat di lihat Tabel 3.
Narkotika
1 Opium + Heroin 00001 Tabel 3. Data Pelatihan
2 Morphine 00010
3 Cocain 00100
4 Marijuana 01000
Sintetik (Pethidin +
10000
5 Methadon)

3. HASIL dan PEMBAHASAN

Pada bab ini dibahas mengenai

implementasi dan pengujian dari jaringan saraf
tiruan dengan metode backpropagation, dimulai
dari menjelaskan pengujian (Matlab),
pemrograman jaringan saraf tiruan
(Backpropagation), langkah pengolahan data
dengan Matlab dan pelatihan jaringan saraf tiruan.

3.1 Pengujian Sistem

Pengujian jaringan saraf tiruan metode
backpropagation untuk mendeteksi
penyalahgunaan narkotika dilakukan untuk
melihat apakah sistem jaringan saraf ini sudah
sesuai dengan kondisi sebenarnya atau tidak.
Pengujian jaringan saraf tiruan ini dibagi menjadi
beberapa tahap yaitu:
Adapun hasil pelatihan yang dilakukan
dengan jaringan saraf tiruan adalah:
3.1.1 Tahap Inisialisasi
Pada tahap ini sistem jaringan saraf
diberikan masukan berupa nilai parameter
inisialisasi yang terdiri dari :
 Jumlah sel lapisan masukan terdiri dari 23
simpul input
 Jumlah sel lapisan tersembunyi dicari
berdasarkan percobaan (trial and error)
dengan cara mengubah konstanta belajar dan
lapisan tersembunyi secara terus menerus
sampai diperoleh konfigurasi terbaik yaitu
jumlah epoch yang terkecil. Pada sistem
deteksi penyalahgunaan narkotika ini
diperoleh konfigurasi lapisan tersembunyi
adalah 5 simpul.
Gambar 3. Hasil Pengujian Data Pelatihan
 Jumlah lapisan keluaran terdiri dari 5 simpul dengan 2704 iterasi
yaitu Opium + Heroin, Morphine, Cocain,
Marijuana dan Sintetik (Pethidin + Dengan actual output sebagai berikut:
Methadon). a=

71
Seminar Nasional Informatika 2014

Columns 1 through 7 Tabel 4. Pengujian Data Pelatihan Untuk

0.0073 0.0180 0.0180 0.8881 0.0073 Arsitektur 23-5-5
0.0128 0.0763
0.0040 0.9252 0.9252 0.0160 0.0040
0.0790 0.0024
0.1009 0.0472 0.0472 0.0395 0.1009
0.0003 0.8970
0.0140 0.0660 0.0660 0.0007 0.0140
0.9116 0.0032
0.7802 0.0082 0.0082 0.0019 0.7802
0.0080 0.1109

Columns 8 through 14
0.0128 0.0128 0.0763 0.0180 0.0073
0.0073 0.0763
0.0790 0.0790 0.0024 0.9252 0.0040
0.0040 0.0024
0.0003 0.0003 0.8970 0.0472 0.1009
0.1009 0.8970
0.9116 0.9116 0.0032 0.0660 0.0140
0.0140 0.0032
0.0080 0.0080 0.1109 0.0082 0.7802 3.1.3 Tahap Pengujian
0.7802 0.1109 Tahap pengujian merupakan tahapan yang
digunakan untuk menguji data penelitian yang
Columns 15 through 21 telah didapat pada JST, dimana sebelumnya telah
0.8881 0.0180 0.8881 0.0763 0.0073 dilatih data penelitian pada proses pelatihan. Pada
0.8881 0.0763 data pengujian ini telah ditetapkan hasil keluaran
0.0160 0.9252 0.0160 0.0024 0.0040 atau target. Data pengujian berfungsi untuk
0.0160 0.0024 menguji ke akuratan sistem JST yang telah dibuat.
0.0395 0.0472 0.0395 0.8970 0.1009 Data pengujian dapat dilihat pada Tabel 5.
0.0395 0.8970
0.0007 0.0660 0.0007 0.0032 0.0140 Tabel 5. Data Pengujian
0.0007 0.0032
0.0019 0.0082 0.0019 0.1109 0.7802
0.0019 0.1109

Columns 22 through 25
0.0128 0.0073 0.0128 0.8881
0.0790 0.0040 0.0790 0.0160
0.0003 0.1009 0.0003 0.0395
0.9116 0.0140 0.9116 0.0007 Adapun grafik hasil pengujian data baru dengan
0.0080 0.7802 0.0080 0.0019 10 sampel data yang dilakukan dengan jaringan
Pada pelatihan yang dilakukan dengan saraf tiruan adalah:
MATLAB didapat hasil yang dapat dilihat pada
tabel 4 dan tabel 6 di bawah. Pada proses
pelatihan jaringan saraf tiruan aini akan berhenti
jika iterasi telah sampai pada batas maksimum
yaitu 10.000 iterasi, atau pelatihan akan berhenti
jika MSE (Mean Square Error) telah berada
dibawah target error, disini diketahui target
errornya sebesar 0.01. Dengan pelatihan di atas
dapat dilihat output yang sesuai dengan target. Di
mana untuk nilai output actual diambil yang
bernilai 1. Adapun parameter penilaian output
actual dengan fungsi aktivasi : Y =
{ untuk melihat hasil pelatihan
Gambar 4. Grafik Hasil Data Pengujian
yang dilakukan oleh jaringan saraf tiruan dengan dengan 6341 iterasi
target yang telah ditentukan dapat dilihat pada
tabel 4 sebagai berikut: Dengan output actual sebagai berikut:

72
 Seminar Nasional Informatika 2014

a= Dari beberapa hasil ujicoba yang telah

Columns 1 through 7 dilakukan dapat diambil kesimpulan bahwa suatu
arsitektur mempunyai kinerja sangat bagus jika
0.9095 0.1042 0.0000 0.0128 0.0128 nilai MSE berada di bawah nilai error yaitu 0.01.
0.9095 0.1042 Dari uji coba yang dilakukan diperoleh parameter
0.0096 0.0908 0.9114 0.0000 0.0000 yaitu learning rate sebesar 0.5, toleransi error
0.0096 0.0908 0.01, maksimal epoch 6341 dan hidden layer 5
0.1296 0.6886 0.3059 0.1380 0.1380 dengan nilai MSE 0.00999889. Parameter
0.1296 0.6886 tersebut dipilih menjadi parameter terbaik karena
0.0035 0.0110 0.0122 0.0621 0.0621 menghasilkan jumlah iterasi yang memiliki nilai
0.0035 0.0110 akurasi MSE yang cukup baik, karena nilai MSE
0.0358 0.0029 0.0000 0.9459 0.9459 paling kecil dari arsitektur yang lain serta nilai
0.0358 0.0029 MSE dibawah dari nilai error yang ditentukan.

Columns 8 through 10 4. KESIMPULAN

0.0128 0.0025 0.9095
0.0000 0.0059 0.0096 Berdasarkan hasil dari analisis pada tahap
0.1380 0.0109 0.1296 pelatihan dan tahap pengujian deteksi
0.0621 0.9074 0.0035 penyalahgunaan narkotika ini didapat beberapa
0.9459 0.0128 0.0358 kesimpulan, antara lain:
 Metode backpropagation dapat digunakan
untuk melihat hasil pengujian 10 data baru untuk menyelesaikan masalah untuk
yang dilakukan oleh jaringan saraf tiruan dengan mendeteksi penyalahgunaan narkotika
target yang telah ditentukan dapat dilihat pada dengan menggunakan lima pola tampilan
tabel 6 sebagai berikut: output yang terdiri dari Opium/
Tabel 6. Pengujian Data Baru Untuk Arsitektur Heroin, Morphine, Cocain, Marijuana dan
23-5-5 Sintetik (Pethidin + Methadon).
 Pengujian jaringan saraf dilakukan dengan
memasukkan data pelatihan dan pengujian
dan diperoleh hasil pengujian sampai 100%
sesuai dengan target yang di inginkan
 Pelatihan terhadap jaringan saraf dengan 23
sel lapisan masukan dilakukan pada 25 data
sampel yang terdiri dari 6 data dengan pola
keluaran Opium + Heroin, 5 data dengan pola
Keterangan : keluaran Morphine, 5 data dengan pola
HPU = Hasil Pengujian keluaran Cocain, 4 data dengan pola keluaran
KJST = Ketepatan Jaringan Saraf Marijuana dan 5 data dengan pola kularan
Tiruan Sintetik (Pethidin + Methadon).
Kemudian Untuk memperoleh konfigurasi
terbaik maka dilakukan beberapa pengujian 5. SARAN
dengan berbagai model arsitektur jaringan saraf
tiruan yaitu 23-5-5, 23-10-5, 23-15-5, 23-20-5, Berdasarkan pengujian yang telah dilakukan
dan 23-25-25 Berikut ini merupakan tabel hasil pada jaringan saraf tiruan yang telah dibuat,
pelatihan jaringan saraf tiruan dari 5 arsitektur tentunya masih ada kekurangan dan kelemahan
tersebut dengan perubahan nilai hidden layer. yang terjadi sehingga perlu dikembangkan lagi
agar kinerjanya lebih baik. Adapun saran untuk
Tabel 7. Tabel Perubahan Nilai Uji Coba Data pengambangan penelitian ini adalah:
Pengujian Dengan Perubahan Nilai Hidden  Untuk pengembangan penelitian yang lebih
Layer baik lagi dapat membuat suatu perangkat
Erro lunak untuk mengimplementasikan jaringan
Hidden Epochs Lr MSE saraf tiruan dengan metode backpropagation
r
untuk mendeteksi penyalahgunaan narkotika
5 6341 0.5 0.01 0.00999889
agar lebih mudah dipahami oleh masyarakat
10 802 0.5 0.01 0.00997535 awam.
15 1444 0.5 0.01 0.00998684  Setelah dilakukan pelatihan dan pengujian
untuk mendeteksi penyalahgunaan narkotika
20 519 0.5 0.01 0.00999857
menggunakan jaringan saraf tiruan metode
25 411 0.5 0.01 0.00996887 backpropagation, disarankan agar diadakan
penelitian lebih lanjut dengan menggunakan

73
Seminar Nasional Informatika 2014
metode-metode lainnya agar dapat di ambil
kesimpulan metode apa yang paling baik
dalam kasus mendeteksi penyalahgunaan
narkotika.
6. DAFTAR PUSTAKA
[1] Marleni, et.al, (2012). Pengembangan
Sistem Jaringan Syaraf Tiruan Dalam
Memprediksi Jumlah Dokter Keluarga
Menggunakan Backpropagation (Studi
Kaus : Regional X Cabang Palu) , Seminar
Nasional Teknologi Informasi dan
Komunikasi.
.
74
[2] T. Sutojo, Edy Mulyant dan Vincent
Suhartono, (2011). Kecerdasan Buatan,
Andi Yogyakarta
[3] Novi Indah Pradasari, et.al, Jaringan
Syaraf Tiruan Untuk Memprediksi
Penyakit Saluran Pernafasan Dengan
Metode Backpropagation, Jurnal Coding
Vol , No.1 Juli 2013.
[4] Iskandar Zulkarnain, 2012, Sistem
Pendeteksi Penyalahgunaan Narkoba
Menggunakan Jaringan Saraf Tiruan
Model Backpropagation, Jurnal Saintikom
Vol. 10/No. 2/Mei 2010
 Seminar Nasional Informatika 2014

PENGGUNAAN ALGORITMA FLOYD WARSHALL DALAM

MASALAH JALUR TERPENDEK PADA PENENTUAN TATA
LETAK PARKIR
Ni Ketut Dewi Ari Jayanti, M.Kom

STMIK STIKOM Bali

Jl. Raya Puputan No. 86 Renon Denpasar, telp. 0361 244445
e-mail: daj@stikom-bali.ac.id

Abstrak

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

Kata kunci : Parkir, Graf, Jalur Terpendek, Floyd Warshall

1. LATAR BELAKANG pada perhitungan berapa biaya parkir yang harus

Peningkatan yang pesat dalam jumlah
kendaraan di kota-kota besar, memiliki dampak
terhadap kebutuhan parkir di tempat-tempat
umum seperti di kantor, pusat perbelanjaan,
sekolah, kampus, tempat rekreasi, dan tempat-
tempat umum lainnya yang memiliki area parkir
yang cukup luas. Diperlukan penataan areal
parkir agar memiliki daya tampung yang
maksimal tanpa mengesampingkan aspek
kenyamanan untuk penggunanya sehingga
penentuan tata letak dan waktu tempuh kendaraan
dalam mencari lokasi parkir perlu untuk di
perhatikan.
Perkembangan teknologi informasi,
khususnya perangkat lunak saat ini sudah dapat
diaplikasikan sebagai salah satu sistem yang
sangat membantu dalam menghadapi masalah
tersebut.Sudah cukup banyak sistem parkir
konvesional yang dikelola oleh beberapa
perusahaan yang tentunya memiliki kelebihan dan
kekurangan dalam hal pengelolaannya.Kenyataan
yang kita lihat dan rasakan sendiri adalah
seringkali kita sebagai pengunjung harus bersusah
payah untuk mencari tempat parkir yang kosong
karena sistem parkir yang tersedia saat ini terbatas
dibayar.Sistem parkir yang ada saat ini belum
dilengkapi dengan fasilitas pencarian lokasi parkir
yang masih tersedia.Tidak hanya itu saja, sistem
parkir yang ada juga belum menyediakan fasilitas
berupa letak parkir yang disarankan oleh sistem
berdasar pada letak parkir dengan jalur terpendek
yang dapat mengoptimalkan jarak tempuh
pengunjung menuju pintu masuk gedung.
Masalah jalur terpendek adalah masalah
menemukan suatu jalur antara dua simpul
sedemikian sehingga jumlah bobot dari busur
penyusunnya dapat seminimal mungkin (R.
Kumar dan M. Kumar, 2010).Beberapa algoritma
yang telah dikembangkan untuk menyelesaikan
permasalahan jalur terpendek diantaranya
algoritma Djikstra, algoritma Floyd-Warshall dan
algoritma Bellman-Ford.Sementara metode yang
paling efisien untuk permasalahan jalur terpendek
dalam jaringan data adalah algoritma Djikstra.
Namun, pada jaringan dinamis yang sangat besar,
algoritma Djikstra menjadi tidak efisien karena
simpul-simpul pada jaringan akan dikunjungi
kembali sehingga banyak komputasi atau
perhitungan-perhitungan yang diulang (R. Kumar
dan M. Kumar, 2010).

75
Seminar Nasional Informatika 2014
Untuk menentukan jalur terpendek pada
penentuan tata letak parkir dalam penelitian ini
menggunakan metode Floyd-Warshall untuk
melakukan perhitungan jalur terpendek.Floyd
Warshall merupakan salah satu algoritma
pencarin yang dapat digunakan dalam
menghitung jalur terpendek, dan mampu
membandingkan semua kemungkinan lintasan
pada graph untuk setiap sisi dari semua simpul
yang ada. Oleh sebab itu, algoritma ini cocok
digunakan dalam menghadapi permasalahan
perhitungan jalur terpendek khususnya dalam
penerapannya pada tata letak parkir
2. METODE PENELITIAN
Pada metode penelitian membahas tentang
tempat dan waktu penelitian, alur dari penelitian
serta data yang digunakan.Adapun tempat
penelitian dilakukan di STIKOM Bali dengan
lama waktu penelitian 4 bulan. Alur penelitian di
gambarkan sebagai berikut :
Gambar 1 Alur Penelitian
a. Mendefinisikan Masalah
Mendifinisikan masalah merupakan tahapan
menentukan permasalahan yang ada
berkaitan dengan penentuan jalur terpendek
dalam penentuan tata letak parkir.
b. Studi Literatur
Tahap ini melakukan pengumpulan materi
yang berasal dari tulisan-tulisan karya
ilmiah, artikel populer, serta tanggapan dari
praktisi dan profesional mengenai algoritma
jalur terpendek.
c. Analisa Masalah
Melakukan proses analisa terhadap
permasalahan yang dibahas yaitu sistem
parkir yang ada saat ini belum dilengkapi
dengan fasilitas pencarian lokasi parkir yang
masih tersedia. Sistem parkir yang ada juga
belum menyediakan fasilitas berupa letak
parkir yang disarankan oleh sistem berdasar
pada letak parkir dengan jalur terpendek
yang dapat mengoptimalkan jarak tempuh
pengunjung menuju pintu masuk gedung dan
menentukan algoritma Floyd-Warshall
sebagai algoritma dalam menyelesaikan
76
permasalahan jalur terpendek pada tata letak
parkir.
d. Penerapan Floyd-Warshall
Penerapan algoritma Floyd-Warshall
dilakukan berdasarkan hasil yang diperoleh
dari tahap analisa masalah.Algoritma Floyd-
Warshall sangat efisien dari sudut pandang
penyimpanan data karena dapat
diimplementasikan dengan hanya
pengubahan sebuah matriks jarak. Adapun
mekanisme dari algoritma Floyd-Warshall
ini terdiri dari beberapa langkah yang harus
dilakukan, yaitu (Budiarsyah dan Dibi
Khairurrazi , 2010) :
 Langkah awal yang harus dilakukan
untuk menentukan shortest path dengan
menggunakan algoritma Floyd-
Warshall adalah dengan
merepresentasikan suatu graf sebagai
suatu matriks berbobot. Format output
berupa matriks n x n berjarak D = [dij]
dimana dij merupakan jarak dari vertex
i ke j.
 Langkah kedua adalah melakukan
dekomposisi Floyd-Warshalldengan
urutan :
 dij(k) merupakan panjang dari
shortest path dari i ke j, sehingga
semua vertex intermediate yang
terdapat pada path (jika ada)
terkumpul pada {1,2,....,k}
 dij(0) dikumpulkan pada wij, yaitu
tidak ada vertex intermediate.
 D(k) menjadi matriks n x n [dij(k)]
 Tentukan dij(n) sebagai jarak dari i
ke j kemudian hitung D(n)
 Hitung D(k) untuk k = 0,1,...., n
 Langkah ketiga adalah menentukan
struktur shortest path. Dalam hal ini,
harus dilakukan dua pengamatan
terlebih dahulu sebelum melangkah
lebih jauh, yaitu :
 Sebuah shortest path tidak
memuat vertex yang sama
sebanyak dua kali
 Untuk sebuah shortest path dari i
ke j dengan beberapa vertex
intermediate pada path dipilih dari
kumpulan {1, 2, ...., k}, dengan
kemungkinan :
a. k bukan merupakan vertex
pada path (path terpendek
memiliki panjang dij(k-1)).
b. k merupakan vertex pada
path (path terpendek
memiliki panjang dij(k-1) +
dij(k-1)).
 Setelah melakukan pengamatan
diatas, kemudian dlakukan
 Seminar Nasional Informatika 2014

penentuan shortest path dari i ke j
yang memuat vertex k.
 Shortest path tersebut memuat
sebuah subpath dari i ke k dan
sebuah subpath dari k ke j.
 Setiap subpath hanya dapat
memuat vertex intermediate pada
{1, ..., k-1} dan sedapat mungkin
memiliki nilai terpendek,
kemudian beri nama panjangnya
dik(k-1) dan dkj(k-1) sehingga
path memiliki panjang dik(k-1)
+ dkj(k-1).
 Langkah terakhir adalah melakukan
iterasi yang dimulai dari iterasi ke 0
sampai dengan n.Perhitungan yang
dilakukan adalah :
 Menentukan D(0) (iterasi ke 0) =
[wij] merupakan matriks bobot.
 Menentukan D(k) dengan
menggunakan rumus ,
dij(k) = min {dij(k-1), dik(k-1) +
dkj(k-1)}, untuk k = 1, ..., n
dimana n adalah jumlah vertex.
berupa letak parkir yang disarankan oleh sistem
berdasar pada letak parkir dengan jalur terpendek
yang dapat mengoptimalkan jarak tempuh
pengunjung menuju pintu masuk gedung.
Masalah jalur terpendek adalah masalah
menemukan suatu jalur antara dua simpul
sedemikian sehingga jumlah bobot dari busur
penyusunnya dapat seminimal mungkin.Untuk
menentukan jalur terpendek pada penentuan tata
letak parkir dalam penelitian ini menggunakan
metode Floyd-Warshall untuk melakukan
perhitungan jalur terpendek dari pintu masuk
menuju lot parkir.
3.2 Hasil Penerapan Floyd-Warshall
Lot parkir yang diperoleh direpresentasikan
ke dalam bentuk graf serta diberi bobot dari satu
vertex kevertex yang lain.

Hasil akhir dari algoritma Floyd-

Warshall adalah matriks untuk iterasi ke-
n. Dari matriks ke-n ini, dapat dilihat
shortest path untuk setiap vertex pada
suatu graph. Gambar 2. Ilustrasi Denah Parkir
e. Kesimpulan (Adnyana, 2011)
Tahap akhir dari penelitian ini, untuk
menghasilkan laporan penelitian serta
penarikan kesimpulan.
Untuk perolehan data, penelitian ini
menggunakan jenis data sekunder yang diperoleh
melalui state of the art review penelitian lainnya
yang sejenis serta melalui akses internet (jurnal,
ebook).

3. ANALISA dan HASIL Gambar 3. Representasi Graf Denah parkir

Pada analisa dan hasil ini membahas

tentang analisa permasalahan tata letak parkir dan Tabel 1. Jarak antar Blok (Vertex)
hasil penerapan Floyd-Warshall. Jara Star A B C D E F G H I J K
k t (2) (3) (4) (5) (6) (7) (8) (9) (10) (1 (12
(1) 1) )
3.1 Analisa Masalah Start
0
23.0
∞ ∞ ∞ ∞ ∞ ∞
31.3
∞ ∞ ∞
Sudah cukup banyak sistem parkir (1) 0 0

konvesional yang dikelola oleh beberapa A (2) 23.0 0 9.0 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞

0 0
perusahaan yang tentunya memiliki kelebihan dan B (3) ∞ 9.00 0 7.8 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞
1
kekurangan dalam hal pengelolaannya.Kenyataan C (4) ∞ ∞ 7.8 0 16.5 ∞ ∞ ∞ ∞ ∞ ∞ ∞
yang kita lihat dan rasakan sendiri adalah 1 7
D (5) ∞ ∞ ∞ 16. 0 6.59 ∞ ∞ ∞ ∞ ∞ 20.
seringkali kita sebagai pengunjung harus bersusah E (6) ∞ ∞ ∞
57
∞ 6.79 0 6.59 ∞ ∞ ∞ ∞
11
∞
payah untuk mencari tempat parkir yang kosong
F (7) ∞ ∞ ∞ ∞ ∞ 6.59 0 6.10 ∞ ∞ ∞ ∞
karena sistem parkir yang tersedia saat ini terbatas
G (8) ∞ ∞ ∞ ∞ ∞ ∞ 6.10 0 6.57 15.7 ∞ ∞
pada perhitungan berapa biaya parkir yang harus 2
H (9) 31.3 ∞ ∞ ∞ ∞ ∞ ∞ 6.57 0 ∞ ∞ ∞
dibayar.Sistem parkir yang ada saat ini belum 0
I ∞ ∞ ∞ ∞ ∞ ∞ ∞ 15.7 ∞ 0 23 ∞
dilengkapi dengan fasilitas pencarian lokasi parkir (10) 2 .4
J ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 23.4 0
9 5.3
yang masih tersedia.Tidak hanya itu saja, sistem (11) 9 8
K ∞ ∞ ∞ ∞ 20.1 ∞ ∞ ∞ ∞ ∞ 5. 0
parkir yang ada juga belum menyediakan fasilitas (12) 1 38

77
Seminar Nasional Informatika 2014

(∞,∞+∞)jarak = ∞ M[4][7] = min

Selanjutnya dibuat suatu pemisalan untuk M[3][8] = min (∞,∞+∞)jarak = ∞
memudahkan proses perhitungan. Misalnya (∞,∞+∞)jarak = ∞ M[4][8] = min
dibuat pemisalan sebagai berikut : M[3][9] = min (∞,∞+∞)jarak = ∞
M = Matriks ; i = Kolom ; j = Baris ; n = Jumlah (∞,∞+31.3) jarak M[4][9] = min
titik/ vertex ; k = Perulangan ke-n =∞ (∞,∞+31.3) jarak = ∞
M[3][10] = min M[4][10] = min
Setelah melakukan proses pemisalan variabel (∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞
yang dibutuhkan, dilanjutkan dengan melakukan M[3][11] = min M[4][11] = min
perhitungan shortest path dengan menggunakan (∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞
persamaan :M[i][j] = min(M[i][j], M[i][k] + M[3][12] = min M[4][12] = min
M[k][j]). Jumlah titik/ vertex pada graf adalah 12 (∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞
( n = 12 ) sehingga nilai k = 12.
Iterasi pertama untuk k = 1 Untuk i = 5, j = Untuk i = 6, j =
Untuk i = 1, j = Untuk i = 2, j = {1.....12} {1.....12}
{1.....12} {1.....12}
M[5][1] = min M[6][1] = min (∞,∞+0)
M[1][1] = min (0, M[2][1] = min (23, (∞,∞+0) jarak = ∞ jarak = ∞
0+0)jarak= 0 23+0) jarak = 23 M[5][2] = min (∞, M[6][2] = min (∞,
M[1][2] = min (23, M[2][2] = min (0, ∞+23) jarak = ∞ ∞+23) jarak = ∞
0+23)jarak= 23 23+23) jarak = 0 M[5][3] = min (∞, M[6][3] = min (∞,
M[1][3] = min (∞, M[2][3] = min (9, ∞+∞) jarak = ∞ ∞+∞) jarak = ∞
0+∞)jarak=∞ 23+∞) jarak = 9 M[5][4] = min M[6][4] = min (∞,
M[1][4] = min (∞, M[2][4] = min (∞, (16.57, ∞+∞) ∞+∞) jarak = ∞
0+∞)jarak=∞ 23+∞) jarak = ∞ jarak = 16.57 M[6][5] = min
M[1][5] = min (∞, M[2][5] = min (∞, M[5][5] = min (6.59,∞+∞) jarak =
0+∞)jarak=∞ 23+∞) jarak = ∞ (0,∞+∞) jarak = 0 6.59
M[1][6] = min (∞, M[2][6] = min (∞, M[5][6] = min M[6][6] = min (0,∞+∞)
0+∞)jarak=∞ 23+∞) jarak = ∞ (6.79,∞+∞) jarak jarak = 0
M[1][7] = min (∞, M[2][7] = min (∞, = 6.79 M[6][7] = min
0+∞)jarak=∞ 23+∞) jarak = ∞ M[5][7] = min (6.59,∞+∞) jarak =
M[1][8] = min (∞, M[2][8] = min (∞, (∞,∞+∞)jarak = ∞ 6.59
0+∞)jarak=∞ 23+∞) jarak = ∞ M[5][8] = min M[6][8] = min
M[1][9] = min (31.3, M[2][9] = min (∞, (∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞
0+31.3)jarak= 23+31.3) jarak = M[5][9] = min M[6][9] = min
31.3 54.30 (∞,∞+31.3) jarak (∞,∞+31.3) jarak = ∞
M[1][10] = min (∞, M[2][10] = min (∞, =∞ M[6][10] = min
0+∞)jarak=∞ 23+∞) jarak = ∞ M[5][10] = min (∞,∞+∞)jarak = ∞
M[1][11] = min (∞, M[2][11] = min (∞, (∞,∞+∞)jarak = ∞ M[6][11] = min
0+∞)jarak=∞ 23+∞) jarak = ∞ M[5][11] = min (∞,∞+∞)jarak = ∞
M[1][12] = min (∞, M[2][12] = min (∞, M[6][12] = min
0+∞) jarak = ∞ 23+∞) jarak = ∞ M[5][12] = min (20.11,∞+∞) jarak =
(20.11,∞+∞) jarak ∞
= 20.11
Untuk i = 3, j = Untuk i = 4, j =
{1.....12} {1.....12} Untuk i = 7, j = Untuk i = 8, j =
{1.....12} {1.....12}
M[3][1] = min M[4][1] = min (∞,∞+0)
(∞,∞+0) jarak = ∞ jarak = ∞ M[7][1] = min M[8][1] = min (∞,∞+0)
M[3][2] = min (9, M[4][2] = min (∞, (∞,∞+0) jarak = ∞ jarak = ∞
∞+23) jarak = 9 ∞+23) jarak = ∞ M[7][2] = min (∞, M[8][2] = min (∞,
M[3][3] = min (0, M[4][3] = min (7.81, ∞+23) jarak = ∞ ∞+23) jarak = ∞
∞+∞) jarak = 0 ∞+∞) jarak = 7.81 M[7][3] = min (∞, M[8][3] = min (∞,
M[3][4] = min (7.81, M[4][4] = min (0, ∞+∞) jarak = ∞ ∞+∞) jarak = ∞
∞+∞) jarak = 7.81 ∞+∞) jarak = 0 M[7][4] = min (∞, M[8][4] = min (∞,
M[3][5] = min M[4][5] = min ∞+∞) jarak = ∞ ∞+∞) jarak = ∞
(∞,∞+∞)jarak = ∞ (16.57,∞+∞) jarak = M[7][5] = min M[8][5] = min
M[3][6] = min 16.57 (∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞
(∞,∞+∞)jarak = ∞ M[4][6] = min M[7][6] = min M[8][6] = min
M[3][7] = min (∞,∞+∞)jarak = ∞ (6.59,∞+∞) jarak (∞,∞+∞)jarak = ∞

78
 Seminar Nasional Informatika 2014

= 6.59 M[8][7] = min

M[7][7] = min (6.10,∞+∞) jarak = Untuk i = 11, j = Untuk i = 12, j =
(0,∞+∞) jarak = 0 6.10 {1.....12} {1.....12}
M[7][8] = min M[8][8] = min (0,∞+∞)
(6.10,∞+∞) jarak M[11][1] = min M[12][1] = min
= 6.10 M[8][9] = min (∞,∞+0) jarak = ∞ (∞,∞+0) jarak = ∞
M[7][9] = min (6.57,∞+31.3) jarak = M[11][2] = min (∞, M[12][2] = min (∞,
(∞,∞+31.3) jarak 6.57 ∞+23) jarak = ∞ ∞+23) jarak = ∞
=∞ M[8][10] = min M[11][3] = min (∞, M[12][3] = min (∞,
M[7][10] = min (15.72,∞+∞) jarak = ∞+∞) jarak = ∞ ∞+∞) jarak = ∞
(∞,∞+∞)jarak = ∞ 15.72 M[11][4] = min (∞, M[12][4] = min (∞,
M[7][11] = min M[8][11] = min ∞+∞) jarak = ∞ ∞+∞) jarak = ∞
(∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞ M[11][5] = min M[12][5] = min
M[7][12] = min M[8][12] = min (∞,∞+∞)jarak = ∞ (20.11,∞+∞) jarak =
(∞,∞+∞)jarak = ∞ (∞,∞+∞)jarak = ∞ M[11][6] = min 20.11
(∞,∞+∞)jarak = ∞ M[12][6] = min
Untuk i = 9, j = M[11][7] = min (∞,∞+∞)jarak = ∞
{1.....12} (∞,∞+∞)jarak = ∞ M[12][7] = min
M[11][8] = min (∞,∞+∞)jarak = ∞
M[9][1] = min (∞,∞+∞)jarak = ∞ M[12][8] = min
(31.30, 31.30+0) M[11][9] = min (∞,∞+∞)jarak = ∞
Untuk i = 10, j =
jarak = 31.30 (∞,∞+31.3) jarak M[12][9] = min
{1.....12}
M[9][2] = min =∞ (∞,∞+31.3) jarak = ∞
(∞,31.30+23) M[11][10] = min M[12][10] = min
M[10][1] = min
jarak = 54.30 (23.49,∞+∞) jarak (∞,∞+∞)jarak = ∞
(∞,∞+0) jarak = ∞
M[9][3] = min = 23.49 M[12][11] = min
M[10][2] = min (∞,
(∞,31.30+∞) jarak M[11][11] = min
∞+23) jarak = ∞
=∞ (0,∞+∞) jarak = 0 5.38
M[10][3] = min (∞,
M[9][4] = min M[11][12] = min M[12][12] = min
∞+∞) jarak = ∞
(∞,31.30+∞) jarak (5.38,∞+∞) jarak (0,∞+∞) jarak = 0
M[10][4] = min (∞,
=∞ = 5.38
∞+∞) jarak = ∞
M[9][5] = min
M[10][5] = min
(∞,31.30+∞) jarak Iterasi dihitung hingga iterasi k =
(∞,∞+∞)jarak = ∞
=∞ {2…12}.Berikut merupakan hasil iterasi pertama
M[10][6] = min
M[9][6] = min dan diperoleh bobot dalam matriks jarak seperti
(∞,∞+∞)jarak = ∞
(∞,31.30+∞) jarak tabel berikut :
M[10][7] = min
=∞
(∞,∞+∞)jarak = ∞
M[9][7] = min
M[10][8] = min
(∞,31.30+∞) jarak
(15.72,∞+∞) jarak =
=∞
15.72
M[9][8] = min (6.57,
M[10][9] = min
31.30+∞) jarak =
(∞,∞+31.3) jarak = ∞
6.57
M[10][10] = min
M[9][9] = min (0,
(0,∞+∞) jarak = 0
31.30+31.3) jarak
M[10][11] = min
=0
(23.49,∞+∞) jarak =
M[9][10] = min
23.49
(∞,31.30+∞) jarak
M[10][12] = min
=∞
(∞,∞+∞)jarak = ∞
M[9][11] = min
(∞,31.30+∞) jarak
=∞
M[9][12] = min
(∞,31.30+∞) jarak
=∞

79
Seminar Nasional Informatika 2014

Tabel 2. Jarak antar vertex setelah iterasi pertama

Start A B C D E F G H I J K
Jarak
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

Start(1) 0 23 ∞ ∞ ∞ ∞ ∞ ∞ 31.3 ∞ ∞ ∞

A (2) 23 0 9 ∞ ∞ ∞ ∞ ∞ 54.3 ∞ ∞ ∞

B (3) ∞ 9 0 7.81 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞

C (4) ∞ ∞ 7.81 0 16.57 ∞ ∞ ∞ ∞ ∞ ∞ ∞

D (5) ∞ ∞ ∞ 16.57 0 6.59 ∞ ∞ ∞ ∞ ∞ 20.11

E (6) ∞ ∞ ∞ ∞ 6.79 0 6.59 ∞ ∞ ∞ ∞ ∞

F (7) ∞ ∞ ∞ ∞ ∞ 6.59 0 6.1 ∞ ∞ ∞ ∞

G (8) ∞ ∞ ∞ ∞ ∞ ∞ 6.1 0 6.57 15.72 ∞ ∞

6.5
H (9) 31.3 54.3 ∞ ∞ ∞ ∞ ∞ 0 ∞ ∞ ∞
7
15.
I (10) ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 23.49 ∞
72
J (11) ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 23.49 0 5.38

K (12) ∞ ∞ ∞ ∞ 20.11 ∞ ∞ ∞ ∞ ∞ 5.38 0

Tabel 3. Jarak antar vertex setelah iterasi keduabelas

Start A B C D E F G H I J K
Jarak
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
Start
0.00 23.00 32.00 39.81 56.38 50.56 43.97 37.87 31.30 53.59 77.08 76.49
(1)
A (2) 23.00 0.00 9.00 16.81 33.38 39.97 46.56 52.66 54.30 68.38 58.87 53.49
B (3) 32.00 9.00 0.00 7.81 24.38 30.97 37.56 43.66 50.23 59.38 49.87 44.49
C (4) 39.81 16.81 7.81 0.00 16.57 23.16 29.75 35.85 42.42 51.57 42.06 36.68
D (5) 56.38 33.38 24.38 16.57 0.00 6.59 13.18 19.28 25.85 35.00 25.49 20.11
E (6) 50.56 40.17 31.17 23.36 6.79 0.00 6.59 12.69 19.26 28.41 32.28 26.90
F (7) 43.97 46.76 37.76 29.95 13.38 6.59 0.00 6.10 12.67 21.82 38.87 33.49
G (8) 37.87 52.86 43.86 36.05 19.48 12.69 6.10 0.00 6.57 15.72 39.21 39.59
H (9) 31.30 54.30 50.43 42.62 26.05 19.26 12.67 6.57 0.00 22.29 45.78 46.16
I (10) 53.59 68.58 59.58 51.77 35.20 28.41 21.82 15.72 22.29 0.00 23.49 28.87
J (11) 77.08 58.87 49.87 42.06 25.49 32.08 38.67 39.21 45.78 23.49 0.00 5.38
K (12) 76.49 53.49 44.49 36.68 20.11 26.70 33.29 39.39 45.96 28.87 5.38 0.00

Perhitungan terus dilakukan hingga iterasi
keduabelas. Tabel 3. merupakan tabel jarak antar
vertex setelah iterasi keduabelas.
Berdasarkan tabel jarak vertex setelah iterasi
keduabelas, dapat terlihat keseluruhan jarak dari
masing-masing vertex setelah mengalami proses
iterasi dan perhitungan dengan menggunakan
algoritma Floyd-Warshall. Jalur terpendek untuk
setiap blok dapat digambarkan dengan jelas.
Sebagai contoh jalur terpendek dari start menuju
blok F adalah Start – H – G – F dengan jarak
43.97.

80

4. Kesimpulan
Kesimpulan yang dapat diambil dalam
penelitian ini adalah :
1. Telah berhasil dibentuk jalur terpendek
pada tata letak parkir.
2. Algoritma Floyd-Warshall dapat
menyelesaikan permasalahan jalur
terpendek pada tata letak parkir dengan
menghitung jarak seluruh jalur/ lintasan
yang ada antar blok parkir.
References
R. Kumar dn M. Kumar (2010). Exploring
Genetic Algorithm for Shortest Path
Optimization in Data Networks. Global
Journal of Computer Science nd
Technology. Vol 10.
Foulds (1992). Graph Theory Applications.
Springer – Verlag, New York.
F. Saptono, I. Mutakhiroh, T. Hidayat, dan A.
Fauziyah (2007). Perbandingan
Performansi Algoritma Genetika dan
Algoritma Semut untuk Penyelesaian
Shortest Path Problem.Seminar Nasional
Sistem dan Informatika. Bali. 16
November 2007.
Nugroho, Yohanes. Liem, Inggriani. 2003.
Algoritma Dan Pemrograman : Bagian-7
Graph. Makalah IF6181-Bagian-7 Institut
Teknologi Bandung.
Saputra, Ragil. 2011. Sistem Informasi Geografis
Pencarian Rute Optimum Obyek Wisata
Kota Yogyakarta Dengan Algoritma
Floyd-Warshall. Program Studi Teknik
Informatika FMIPA UNDIP. Jurnal
Seminar Nasional Informatika 2014
Matematika Vol. 4, No. 1, Aprill 2011 :
19-24.
Aplikasi Pencarian Rute Optimal Menggunakan
Metode Transitive Closure. 2008.
Proceeding, Seminar Ilmiah Nasional
Komputer dan Sistem Intelijen (KOMMIT
2008). Auditorium Universitas
Gunadarma, Depok, 20-21 Agustus 2008.
Diaz Novandi, Aprian. 2007. Perbandingan
Algoritma Dijkstra dan Algoritma Floyd-
Warshall dalam Penentuan Lintasan
Terpendek (Single Pair Shortest Path).
Makalah IF2251 Strategi Algoritmik
Tahun 2007, Bandung.
Budiarsyah , Dibi Khairurrazi . 2010. Algoritma
Djikstra, Bellman-Ford, Dan Floyd-
Warshall Untuk Mencari Rute Terpendek
Dari Suatu Graf. Makalah Strukdis 2010 ,
Bandung.
Kamayudi, Apri. 2006. Studi dan Implementasi
Algoritma Djikstra, Bellman-Ford dan
Floyd-Warshall dalam menangani masalah
lintasan terpendek dalam Graf. Program
Studi Teknik Informatika, Institut
Teknologi Bandung.
Ajeng F.S., Tari T., Eka D. 2013. Algoritma
Floyd Warshall Untuk Menentukan Jalur
Terpendek Evakuasi Tsunami di
Kelurahan Sanur. Jurusan Matematika
FMIPA Universitas Udayana. E-Jurnal
Matematika Vol. 2, No. 1, Januari 2013, 1-
5
Adnyana, Benny. 2011. Optimasi Penentuan Tata
Letak Parkir STIKOM Bali Menggunakan
Algoritma Ant Colony System. Program
Studi Sistem Komputer, STMIK STIKOM
Bali
81
Seminar Nasional Informatika 2014

SISTEM INFORMASI MANAJEMEN BANTUAN LOGISTIK

BERBASIS COULD COMPUTING
(STUDI KASUS : GUNUNG MERAPI)
Rita Novita Sari

STMIK Potensi Utama, Jl.K.L Yos Sudarso Km.6.5 No.3A Tanjung Mulia
rita.ns89@gmail.com

Abstrak

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

Kata kunci : Gunung Merapi, Logistik, Cloud Computing

1. PENDAHULUAN Ketika terjadi bencana, bantuan dari para

Indonesia terletak pada pertemuan lempeng
tektonik aktif, jalur pegunungan aktif, dan
kawasan beriklim tropik, sehingga menjadikan
sebagian wilayahnya rawan terhadap bencana
alam. Jumlah korban bencana tergolong sangat
tinggi dibandingkan dengan negara-negara lain.
Pendistribusian bantuan yang tidak merata
menjadi masalah utama pada saat terjadinya
bencana. Permasalahan ini dapat diatasi dengan
adanya manajemen logistic yang lebih baik lagi,
yaitu adanya penggunaan posko penyangga atau
posko pembantu. Posko pembantu merupakan
alternatif yang dapat dilakukan pada saat
pendistribusian bantuan dari BPBD sebelum
didistribusikan ke tempat evakuasi. Maka
dilakukan suatu penelitian untuk menentukan
alternatif lokasi posko pembantu, dan jumlah
alokasi bantuan yang akan didistribusikan kepada
tempat evakuasi (masjid). Adanya interaksi antara
posko utama, posko pembantu dan tempat
evakuasi akan membentuk sistem manajemen
logistik bencana yang lebih baik berorientasi pada
fasilitas umum masyarakat yaitu lapangan sepak
bola [1].
Selama ini proses pendistribusian bantuan ke
posko-posko bencana alam dari pemerintah,
instansi dan masyarakat sekitar seringkali kurang
merata, sedangkan masih banyak korban lain
yang belum mendapatkan bantuan. Penyebab
kurang meratanya bantuan antara lain terbatasnya
informasi lokasi korban, dan belum memiliki
sistem pendataan kebutuhan untuk para korban
yang nantinya dapat mempermudah petugas
bencana alam, instansi dan masyarakat untuk
mengetahui lokasi dan kebutuhan korban di
masing-masing posko bencana alam [2].
donatur dan para relawan pun mulai berdatangan.
Namun pendistribusian bantuan tidak terkelola
dengan baik, terjadi penumpukan bantuan di satu
titik sedangan di titik lain terjadi kekurangan.
Bantuan dari donatur kadang tidak sesuai dengan
yang dibutuhkan pengungsi, karena mereka
kurang mendapatkan informasi atau data tentang
kebutuhan pegungsi. Maka dari itu dibutuhkan
sebuah sistem informasi manajemen bantuan
logistic bencana.
Penelitian ini akan menjabarkan perancangan
basis data dari sistem informasi manajemen
bantuan logistik bencana di mulai dari
perancangan diagram konteks, diagram level 0,
relasi antar tabel, struktur tabel yang terdapat
constraint disetiap kolom yang dibutuhkan dan
pembuatan query dari setiap tabel. Dengan
adanya penjabaran dari penelitian terdahulu maka
dibuatlah penelitian lanjutan dari manajemen
bantuan logistik bencana alam yang bisa di akses
lewat web atau sistem informasi manajemen
bantuan logistik bencan alam yang berbasis cloud
computing.
2. METODE PENELITIAN
2.1. Landasan Teori
1. Logistik
Secara umum, definisi logistik adalah suatu
proses yang dimulai dari perencanaan,
penyimpanan barang atau jasa dengan tujuan
memenuhi kebutuhan pelanggan dengan biaya
yang minimum [2]. Tujuan dari manajemen
logistik adalah mendistribusikan barang jadi atau
barang mentah kepada konsumen pada waktu
yang epat dengan jumlah yang tepat dan lokasi

82

yang tepat dengan biaya yang serendah mungkin.
Misi logistik adalah mengembangkan suatu
sistem yang dapat memenuhi kebijaksanaan
pelayanan dengan biaya pengeluaran yang
serendah mungkin [1]. .
2. Logistik Bencana
Logistik bencana merupakan kegiatan yang
dilakukan untuk memenuhi kebutuhan dasar
manusia. Kebutuhan dasar ini kebutuhan sandang,
pangan dan papan atau turunannya. Namun,
kategori logistik bencana adalah sembako, obat
pakaian dan kelengkapannya, air, tenda, jas tidur
dan sebagainya. Definisi sistem manajemen
logistik dan peralatan penanggulangan bencana
adalah adanya ketersediaan logistik dan peralatan
pada masa pra bencana, saat bencana, dan
sesudah terjadinya bencana. Faktor utama yang
dapat mendukung berjalannya sistem logistik
dan peralatan untuk penanggulangan bencana
adalah kemampuan infrastruktur, dan
ketersediaan alat transportasi. Rantai pasokan
dalam sistem manajemen logistik dan peralatan
penanggulangan bencana berdasarkan kepada [1]
: bagi pengguna dan pengguna lain yang
a. Tempat masuknya logistic
b. Gudang Utama
c. Gudang Penyalur
d. Gudang penyimpanan terakhir di pos
komando
3. Sistem Manajemen Logistik
Sistem adalah serangkaian proses yang
bertujuan untuk menjalankan suatu kegiatan.
Manajemen adalah ilmu dan seni dalam
mengelola suatu kegiatan yang biasanya dalam
kegiatan tersebut digunakan pendekatan fungsi-
fungsi manajemen seperti perencanaan,
pengorganisasian, pelaksanaan dan
pengendalian. Bantuan adalah segala sesuatu
yang diperoleh dari hasil bantuan dan atau
sumbangan dari berbagai pihak yang diberikan
kepada pihak yang membutuhkan. Logistik adalah
segala sesuatu yang berujud dan dapat
digunakan untuk memenuhi kebutuhan dasar
hidup manusia yang terdiri atas sandang, pangan
dan papan atau turunannya. Termasuk dalam
kategorilogistik adalah barang yang habis pakai
atau dikonsumsi, misalnya: sembako (sembilan
bahan pokok), obatobatan, pakaian dan
kelengkapannya, air, tenda, jas tidur dan
sebagainya. [2]
4. Cloud Computing
Istilah cloud computing diciptakan untuk
menggambarkan sebuah layanan komputasi yang
canggih yang disesuaikan permintaan pelanggan
yang pada awal mulanya ditawarkan secara
komersial oleh penyedia layanan tersebut seperti
Amazon, Google, dan Microsoft. Infrastruktur
komputasi dari cloud computing biasa disebut
dengan awan atau “cloud” yang merupakan
Seminar Nasional Informatika 2014
tempat untuk mengakses aplikasi baik dari
individu maupun organisasi bisnis dari tempat
manapun sesuai dengan permintaan pengguna
cloud. Penggunaan simbol awan didasari karena
disetiap diagram jaringan internet digambarkan
dengan simbol awan[3].
Cloud computing adalah user- centric.
Setelah Anda sebagai pengguna yang terhubung
ke awan , apa pun yang disimpan di sana -
dokumen , pesan, gambar, aplikasi , apa pun -
menjadi milikmu. Selain itu, tidak hanya
merupakan data Anda, tetapi Anda juga dapat
berbagi dengan orang lain. Akibatnya, perangkat
apapun yang mengakses data Anda di awan juga
menjadi milik Anda. Cloud computing
memungkinkan pergeseran dari komputer ke
pengguna, dari aplikasi dengan tugas, dan dari
data yang terisolasi ke data yang dapat diakses
dari mana saja dan berbagi dengan siapa pun.
Pengguna tidak lagi harus mengambil tugas data
dari manajemen, dia bahkan tidak perlu ingat di
mana data tersebut. Semua yang penting adalah
bahwa data di awan, dan sehingga segera tersedia
berwenang[4].
Kunci utama dari cloud computing adalah
visualisasi infrastruktur yang menyediakan dan
memelihara server virtual yang dapat
ditingkatkan dan diturunkan sesuai permintaan.
Akar dari sebuah cloud computing merupakan
kemajuan dari hardware, teknologi internet,
distributed computing, dan manajemen sistem
seperti yang ditunjukkan pada gambar 1 yang
menggambarkan konvergensi kemajuan bidang
teknologi yang memberikan kontribusi dalam
terciptanya sebuah cloud computing [4].
Gambar 1. Konvergensi berbagai
kemajuan yang menyebabkan munculnya
Cloud Computing [4]
Sebuah cloud computing terdiri dari
beberapa komponen yaitu client, pusat data (data
center), dan server yang didistribusikan
(distributed server) seperti pada gambar 1. Client
merupakan komputer yang dipakai oleh pengguna
83
Seminar Nasional Informatika 2014
cloud computing. Selain komputer,client dapat
juga berupa laptop, komputer tablet, PDA dan
lain -lain. Pusat data merupakan sebuah kumpulan
server dimana aplikasi dari client berupa server
yang didistribusikan pelanggan ditempatkan.
Server yang didistribusikan tidak semuanya
terletak pada satu lokasi yang sama tapi bisa
berada pada lokasi yang berbeda, tapi dalam
cloud computing server seolah berada pada lokasi
berdampingan yang memberikan keuntungan
apabila salah satu situs mengalami kegagalan
maka situs yang lain masih bisa dijalankan.
Gambar 2. Tiga komponen dasar komputasi
awan [4]
2.2 Metode Penelitian
1. Pengumpulan data
Adapaun teknik pengumpulan data yang
dilakukan dalam penelitian ini adalah dengan
membaca dan mengumpulkan banyak referensi
baik itu dari jurnal- jurnal terdahulu dan juga
buku.
2. Analisa sistem
Dalam penelitian ini, penulis membahas
mengenai manajemen pendistribusian logistic
bencana. Dalam pembahasan jurnal sebelumnya
yang telah dilakukan oleh Nova Aryana yang
berjudul “Model Lokasi-Alokasi Bantuan
Logistik Catastrophic Berbasis Masjid Di Kota
Padang”[1]. Hasil penelitian ini, bantuan yang
diberikan dari BPBD pendistribusian bantuan
logistic hanya didistribusikan ke mesjid saja. Pada
penelitian lain yang dijadikan bahan acuan adalah
penelitian yang telah dilakukan oleh Faya Mahdi
dan Fiftin Noviyanto yang berjudul “Pemanfaatan
Google Maps Api Untuk Pembangunan Sistem
Informasi Manajemen Bantuan Logistic Pasca
Bencana Alam Berbasis Mobile Web (Studi
Kasus: Badan Penanggulangan Bencana Daerah
Kota Yogyakarta)”[2]. Penelitian telah
menghasilkan sebuah sistem informasi manjemen
bantuan logistic pasca bencana saja. Disini
penulis akan membahas manajemen
84
pendistribusian logistic bantuan bencana dengan
mengirimkan bantuan logistic ke posko-posko
yang sudah terdata dan kebutuhan apa saja yang
diperlukan oleh para pengungsi. Dimana data-data
tersebut diperoleh dari para relawan yang telah
melakukan pendataan langsung pada para korban
dan juga ke posko-posko yang dekat dengan
daerah bencana dan juga penulis merancangan
database, untuk memudahkan dalam pembuatan
sistem ini.
3. HASIL DAN PEMBAHASAN
Pada perancangan sistem informasi
manajemen pendistribusian logistik bencana
berbasis cloud computing yang dilakukan pertama
kali adalah pengguna (paguyuban jalin
merapi,relawan dan donatur) masuk ke web
“simple”, untuk dapat masuk ke web tersebut
terlebih dahulu harus menginputkan username
dan password masing-masing
pengguna(paguyuban jalin merapi, relawan dan
donatur). Setiap pengguna diberi hak akses
tertenut, dimana jika yang login adalah relawan,
maka relawan hanya bisa menginputkan data
pribadi relawan, barang apa saja yang dibutuhkan
oleh para korban bencana merapi, berapa banyak
jumlah barang yang diminta, posko mana saja
yang meminta bantuan logistik. Sedangkan untuk
donatur diberi hak akses untuk menginputkan
jumlah dana yang akan didonasikan ,melihat
laporan keungan yang digunakan untuk membeli
kebutuhan korban. Untuk paguyuban sendiri dia
memiliki hak akses untuk melihat siapa dan
berapa jumlah donator yang mendonasikan
uangnya, membuat laporan keuangan,
mendistribusikan bantuan logistik sesuai yang
sudah di inputkan oleh relawan. Semua proses ini
akan disimpan didalam sistem. Penjelasan diatas
dapat dilihat pada gambar 1 dibawah ini.
Gambar 3. Diagram Konteks
DFD Level 0 dari sistem informasi
manjemen pendistribusian logistk bencana alam
berbasis cloud computing (Studi Kasus Gunung
Merapi) seperti pada gambar 4 di bawah ini.
Dimana setiap relawan, paguyuban dan donator
untuk dapat mengakses system ini harus
 Seminar Nasional Informatika 2014

menginputkan username dan password mereka

masing-masing, dimana username dan password
mereka sudah tersimpan didalam database.
Relawan yang Jika bencana merapi terjadi, maka
secara cepat relawan mendata berapa jumlah
pengungsi dan jumlah posko yang berada dilokasi
bencana tersebut. Setelah mengetahui jumlah
posko, kemudian relawan menginputkan data
posko kedalam system, kemudian data yang
diinputkan akan disimpan kedalam sistem. Data
yang diinputkan oleh relawan dapat dilihat oleh
para donator dan paguyuban. Selain
menginputkan data posko, relawan juga mendata
kebutuhan apa saja yang diperlukan oleh para
pengungsi, dimana data itu diperoleh relawan
dengan mencari informasi dari perwalian tiap-tiap
posko dan juga mendata langsung ketempat
pengungsian. Setelah mengetahui kebutuhan apa
saja yang dibuthkan oleh para pengungsi,
kemudian relawan menginputkan data kebutuhan
pengungsi ke system. Ketika terjadinya bencana
donator dapat langsung mendonasikan uangnya
untuk para korban bencana. Para donator juga
dapat melihat laporan keuangan, jumlah uang
yang telah didonasikan dan digunakan untuk apa
saja uang tersebut. Paguyuban setelah mengetahui
terjadinya bencana, kemudian langsung
menghubungi relawan, setelah menghubungi
relawan. Paguyuban dapat melihat data yang telah
diinputkan oleh relawan dan juga donator. Setelah
melihat berapa jumlah posko yang terdapat di
dekat lokasi bencana, kebutuhan apa saja yang
diperlukan oleh pengungsi dan jumlah donasi
yang diterima barulah paguyuban membeli
kebutuhan yang di perlukan oleh para pengungsi.
Setelah membeli kebuthan yang diperlukan oleh
para pengungsi. Barang yang sudah dibeli
disimpan terlebih dahulu digudang sebelum
dikirim kemasing-masing posko. Setelah barang Gambar 4. DFD Level 1
dikirim ke tiap-tiap posko melalui relawan,
relawan akan menginputkan ke system Relasi antar tabel dari sistem informasi
penerimaan barang logistik yang telah dikirim. manjemen pendistriibusian logistk bencana alam
Setelah itu paguyuban dapat membuat laporan berbasis cloud computing (Studi Kasus Gunung
perincian keuangannya. Merapi) seperti pada gambar 5 di bawah ini.
Dimana relasi antar tabel ini memiliki 12 buah
tabel ada yang memiliki hubungan 1 to M

85
Seminar Nasional Informatika 2014

N Name Type Siz Constrain

o Data e t
1 id_detail Varcha 10 Primary
r Key, Not
Null,
update
cascade,
delete no
action,
2 id_donasi Varcha 10 Foreign
r Key, Not
Null,
update
cascade,
delete no
action,
3 Id_donatu Varcha 10 Foreign
r r Key, Not
Null,
update
Gambar 5. Relasi Antar Tabel cascade,
delete no
Percangna database dari sistem informasi action,
manjemen pendistriibusian logistk bencana alam 4 Jumlah Int 10 Not Null
berbasis cloud computing (Studi Kasus Gunung
Merapi) memiliki tabel user,donatur, donasi dan
detail donasi dengan sebagai salah satu contoh
Tabel 3. Donasi
dari tabel berikut.
N Name Type Size Constraint
o Data
Tabel 1. Donatur
No Name Type Size Constraint 1 id_donasi Varchar 10 Primary
Data Key, Not
Null,
1 Id_donatur Varchar 10 Primary
update
Key, Not
cascade,
Null,
delete no
update
action,
cascade,
delete no 2 Via Varchar 45 Not Null,
action, Check
hanya ‘
2 Nama_don Varchar 45 Not Null,
Bank
atur Check ,
Mandiri’,’
hanya
Bank BCA’
karakter a –
dan ‘Bank
z . dan ,
BRI’
yang bisa
diinuputkan 3 Jumlah_do Int 10 Not Null
nasi
3 Jenis_don Varhcarr 10 Not Null,
asi Check
hanya ‘ Tabel 4. Relawan
Individu’ No Name Type Size Constraint
dan ‘ Data
Kelompok’ 1 id_relawan Varchar 10 Primary
4 Id_user Varchar (10) Foreign Key, Not
Key, Not Null,
Null, update
update cascade,
cascade, delete no
delete no action
action, 2 Nama_relawan Varchar 45 Not Null,
Tabel 2. Detail Donasi check

86
 Seminar Nasional Informatika 2014

hanya delete
karakter a- no
z action
3 Id_posko Varchar 10 Foreign 2 Id_posko Varchar 10 Foreign
Key, Not Key,
Null, Not
update Null,
cascade, update
delete no cascade,
action, delete
no
Tabel 5. Posko action
No Name Type Size Constraint 3 id_permint Varchar 10 Foreign
Data aanbarang Key,
1 id_posko Varchar 10 Primary Not
Key, Not Null,
Null, update
update cascade,
cascade, delete
delete no no
action action
2 Nama_posko Varchar 45 Not Null, 4 Id_gudang Varchar 10 Foreign
check Key,
hanya Not
karakter a- Null,
z update
3 wilayah Varchar 45 Not Null cascade,
delete
no
action
Tabel 6. Permintaan Barang
No Nam Type Size Constraint
Tabel 8. Gudang
e Data
No Name Type Size Constraint
1 id_perm Varch 10 Primary Key, Data
intaanb ar Not Null,
1 id_gudang Varchar 10 Primary
arang update
Key, Not
cascade, delete
Null, update
no action
cascade,
2 Nama_ Varch 45 Not Null
delete no
barang ar
action
3 jumlah Int 5 Not Null
2 Jumlah Int 5 Not Null,
update
4 Tanggal Date - Not Null cascade,
delete no
5 Status Varch 20 Not Null, action
ar check hanya
‘terima’ dan Tabel 9. Paguyuban
‘belum No Name Type Size Constraint
diterima’ Data
1 id_paguy Varch 10 Primary Key,
Tabel 7. Detail_permintaan Barang uban ar Not Null,
No Name Type Size Constra update
Data int cascade, delete
1 id_detailpe Varchar 10 Primary no action
rmintaanba Key, 2 nama Varch 45 Not Null,
rang Not ar check hanya
Null, karakter a-z
update 3 Status Varhc 20 Not Null,
cascade, ar check

87
Seminar Nasional Informatika 2014

hanya’ketua’,’ 4 Level Varchar 20 Not Null,

sekretaris’,’be check
ndahara’ dan hanya
‘anggota’ karakter a-
4 Id_relaw Varch 10 Foreign Key, z
an ar Not Null,
update Tabel 12. Laporan
cascade, delete No Name Type Size Constraint
no action Data
5 Id_detail Varch 10 Foreign Key, 1 id_laporan Varchar 10 Primary Key,
perminta ar Not Null, Not Null,
an update update
cascade, delete cascade,
no action delete no
6 Id_user Varch 10 Foreign Key, action
ar Not Null, 2 Tanggal Date - Not Null
update
cascade, delete 3 Id_pembelian Varchar 10 Foreign Key,
no action Not Null,
update
Tabel 10. Pembelian cascade,
No Name Type Size Constraint delete no
Data action
1 id_pembelia Varchar 10 Primary 4 Id_detaildonasi Varchar 10 Foreign Key,
n Key, Not Not Null,
Null, update update
cascade, cascade,
delete no delete no
action action
2 Tgl_pembeli Date - Not Null
an
3 id_paguyub Varchar 10 Foreign 4. IMPLEMENTASI
an Key, Not
Null, update 1. Tampilan Login
cascade, Pada tahap ini dilakukan pengujian sistem,
delete no dimana masuk ke web dan harus memasukkan
action username dan password.

Tabel 11. User

No Name Type Size Constraint
Data
1 id_user Varchar 10 Primary
Key, Not
Null,
update
cascade,
delete no
action
2 Nama_user Varchar 45 Not Null,
check
hanya
karakter a- Gambar 5. Tampilan Login
z
3 Password Varchar 45 Not Null, 2. Tampilan Input Relawan
check Pada tahap ini halaman Relawan, dimana
hanya di dalam halaman ini terdapat beberapa sub menu
karakter a- yaitu input relawan, input posko dan kebutuhan.
z dan
angka 0-10

88

Gambar 6. Tampilan Input Relawan
3. Tampilan Kebutuhan
Tampilan ini juga terdapat pada halaman
relawan, dimana pada tahapan ini relawan
menginputkan kebutuan apa saja yang diperlukan
oleh para pengungsi, dimana data tersebut
diperoleh oleh relawan dengan bertanya langsung
ke pengungsi dan posko-posko terdekat bencana.
Gambar 7. Tampilan Kebutuhan
5. Kesimpulan
Seminar Nasional Informatika 2014
Berdasarkan penelitian yang telah penulis
lakukan dapat diambil kesimpulan yaitu dengan
menggunakan sistem informasi ini, dimana
penulis telah merancang pendistribusan logistik
bencana untuk dapat digunakan baik oleh
paguyuban maupun para relawan. Dimana
paguyuban disini berfokus para para korban
bencana gunung merapi. Diharapkan
pendistribusian logistik kepada para korban
bencana dapat tersalurkan secara merata dan tepat
sasaran. Dan bagi para donator mereka dapat
melihat rincian atau laporan donasi yang
digunakan untuk membeli kebutuhan para
pengungsi.
DAFTAR PUSTAKA
1. Ariana, Nova, 2012, Model Lokasi-Alokasi
Bantuan Logistik Catastrophic Berbasis
Masjid DiKota Padang, Jurnal Optimasi
Sistem Industri, Vol. 11 No. 2, Oktober
2012
2. Mahdia, Faya Mahdia, Fiftin Noviyanto,
2013, Pemanfaatan Google Maps Api Untuk
Pembangunan Sistem Informasi Manajemen
Bantuan Logistik Pasca Bencana Alam
Berbasis Mobile Web ( Studi Kasus : Badan
Penanggulangan Bencana Daerah Kota
Yogyakarta), JurnalSarjana Teknik
Informatika, Juni 2013
3. Andriani, Anik, 2013, Pemanfaatan Cloud
Computing Dalam Pengembangan Bisnis,
SeminarNasional Teknologi Informasi dan
Multimedia 2013,Yogyakarta, 19 Januari
2013
4. Miller, Michael, 2008, Cloud computing
web Based application that change the way
you work and collaborate online, Publisher:
Que, Indiana.
89
Seminar Nasional Informatika 2014

PENERAPAN FORWARD CHAINING DALAM SISTEM PAKAR

DIAGNOSA HAMA DAN PENYAKIT TANAMAN JAGUNG
David

Program Studi Teknik Informatika,

Sekolah Tinggi Manajemen Informatika dan Komputer Pontianak
Jalan Merdeka Barat No. 372 Pontianak, Kalimantan Barat
Telp (0561) 735555, Fax (0561) 737777
David_Liauw@stmikpontianak.ac.id dan David_Liauw@yahoo.com

Abstrak

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

Kata kunci : Sistem Pakar, Forward Chaining, Certainty Factor, Working Memory, Production Sysem, Agile
Modeling

1. Pendahuluan kenyataannya dalam proses diagnosa yang

Sistem pakar (Expert System) secara
umum adalah sebuah sistem yang berusaha untuk
mengadopsi pengetahuan manusia ke komputer,
agar komputer dapat menyelesaikan masalah
seperti yang biasa dilakukan oleh para ahli.Sistem
pakar dapat mengumpulkan dan menyimpan
pengetahuan seorang pakar atau beberapa orang
pakar dalam komputer.Perangkat lunak sistem
pakar dapat membantu kerja seorang pakar dan
dapat digunakan oleh para pembudidaya, orang
awam untuk memenuhi informasi tentang hama
dan penyakit serta sebagai tambahan informasi
untuk pembudidaya yang baru ingin menanam
jagung namun masih kurang pengetahuan
mengenai tanaman jagung.
Selama ini hama yang sering menyerang
pada daerah penelitian penulis antara lain ulat
daun, ulat batang, ulat tongkol, ulat grayak,
penggerek tongkol, jamur, lalat bibit, dan tikus.
Sedangkan penyakit yang sering menyerang
antara lain busuk batang, busuk tongkol, jamur
batang, bercak daun, virus mozaik, karat daun,
hawar daun atau pelepah. Gejala yang timbul
biasanya langsung dilakukan proses diagnosa
secara langsung oleh para pembudidaya. Pada
dilakukan pembudidaya tidak sepenuhnya tepat
dengan masalah yang timbul sehingga
mempengaruhi pertumbuhan serta hasil yang
diharapkan tidak sesuai dengan yang diinginkan.
Penelitian yang dilakukan oleh penulis,
mengacu pada penelitian terdahulu tentang sistem
pakar untuk mendiagnosa penyakit pada tanaman
karet dan carapenanggulangannya[1]. Hasil
penelitian tersebut adalah menghasilkan sistem
pakar yang efektif untuk mendiagnosa penyakit
pada tumbuhan karet dan memberikan informasi
penting terutama pada petani karet yang masih
belum mengetahui banyak gejala penyakit karet
yang masih baru.penelitiannya menggunakan
metodologi yang berorientasi objek yaitu Rational
Unified Process (RUP). Metodologi ini adalah
kumpulan metode pengembangan perangkat
lunak, yang diformulasikan oleh Rational
Software Corporation dengan menggunakan UML
sebagai bahasa pemodelan selama periode
pengembangan dan iterative incremental sebagai
model siklus pengembangan perangkat lunak[1].
Penelitian selanjutnya mengenai sistem pakar
untuk mendiagnosa hama dan penyakit tanaman
bawang merah menggunakan metode certainty
factor [2]. Penelitian ini menghasilkan sistem

90

pakar sarana untuk konsultasi, sarana
pembelajaran di sebuah instansi Dinas Pertanian
atau Laboratorium Pertanian serta dapat dijadikan
sebagai alat bantu (tool) bagi seorang pakar dalam
mendiagnosa dan mensosialisasikan jenis hama
dan penyakit jenis tanaman hortikultura.
Metodologi perancangan sistem, proses diagnose
hama dan penyakit tanaman bawang merah
menggunakan certainty factor. Penelusuran
faktanya menggunakan forward chaining yaitu
penelusuran yang dimulai dari fakta-fakta untuk
menguji kebenaran hipotesis [2].
Sedangkan pada penelitian ini membuat
sistem pakar yang menggunakan mesin inferensi
metode forward chaining yang berbasis desktop.
Mengacu pada penelitian sebelumnya,
representasi pengetahuan yang digunakan yaitu
kaidah if-then. Yang membedakan dengan
penelitian-penelitian sebelumnya adalah
penggunaan working memory dan aturan
produksi yang digunakan untuk penelusuran rule
if-then.
2. Metode Penelitian
Dalam penelitian ini, menggunakan bentuk
penelitian survey. Data primer didapat dengan
wawancara langsung dengan sumber informasi
atau data mengenai tanaman jagung. Sedangkan
data sekunder didapat dari internet, perpustakaan
dan sumber lainnya[3]. Model pengembangan
perangkat lunak yang digunakan dalam
perancangan perangkat lunak ini adalah dengan
menggunakan metode Agile Modelling. Metode
Agile Modelling ini melakukan pendekatan secara
sistematis dan urut mulai dari tahap Explorasi
untuk menulis kebutuhan-kebutuhan informasi
yang akan dicover didalam sistem untuk release
pertama, tahapan planning berorientasi kepada
analisa dan desain sistem, iterasi peluncuran
perangkat lunak, implementasi dan maintenance.
Alat bantu perancangan perangkat lunak dalam
penelitian ini menggunakan UML (Unified
Modeling Language). Knowledge Representation
menggunakan rule IF-Then. Program aplikasi
sistem pakar diagnosa hama dan penyakit pada
jagung menggunakan metode penelusuran
forward chaining (inference engine) dengan
menggunakan aturan produksi (production
system) dalam bentuk if-then dan working
memory [4,5,6].
3. Hasil Penelitian dan Pembahasan
Sistem pakar diagnosa hama dan penyakit
pada tanaman jagung dirancang untuk
memberikan fasilitas dalam menentukan jenis
hama dan penyakit yang di derita berdasarkan
ciri-ciri dan gejala-gejala yang ada. Hasil dari
solusi akan memberikan gambaran kepada
Seminar Nasional Informatika 2014
pengguna, pembudidaya terhadap hama dan
penyakit yang di derita sebelum melakukan hal
lebih lanjut.
Secara umum, gambaran sistem dari
perangkat lunak ini adalah sebagai berikut:
Gambar 1. Perancangan Sistem Pakar
Dari gambar 3 dapat dilihat bahwa
sistem melibatkan dua pengguna yaitu pengguna
dan admin. Pengguna adalah guest yang dapat
login secara bebas dan hanya bisa melakukan
diagnosa, melihat informasi yang ada namun
tidak memiliki hak akses mengedit dan
menghapus data.Kemudian Admin dapat
dikatakan seorang pakar yang mempunyai hak
akses khusus yaitu dapat mengakses segala fitur
yang ada didalam sebuah perangkat lunak,
dimana pakar dapat melakukan aktivitas seperti
pengguna dan juga mempunyai hak untuk
mengedit data seperti menambahkan penyakit
baru, gejala baru dan solusi baru jika merasa
kurang dan juga dapat menghapus data yang ada.
Input diagnosa yang dilakukan oleh pengguna
merupakan pilihan dari beberapa gejala kemudian
data akan diproses oleh database, setelah proses
dilakukan maka akan tampil output yang berupa
hasil diagnosa serta persentase derajat
kepercayaan jenis hama atau penyakit yang
menyerang tanaman jagung.
Basis pengetahuan dirancang berdasarkan
pengetahuan dan pengalaman dari pakar, yang
diterjemahkan kedalam bentuk tabel keputusan
dan dibuat pohon keputusan untuk mempermudah
pemahaman.Pengetahuan yang didapat dari pakar
ini kemudian akan diformulasikan kedalam basis
pengetahuan yang merupakan inti dari
perancangan sistem pakar ini. Pengetahuan
tersebut direpresentasikan menggunakan
Microsoft Visual Basic 6.0 kedalam bentuk
aturan-aturan (rule) sesuai dengan data atau fakta
yang ada.Untuk membentuk suatu aturan
digunakan metode basis pengetahuan selesai,
langkah selanjutnya adalah penyusunan mesin
inferensi. Mesin inferensi merupakan suatu
perangkat lunak yang berfungsi untuk melakukan
suatu proses pelacakan pada sistem pakar untuk
menentukan solusi dari permasalahan.
91
Seminar Nasional Informatika 2014

Mesin Inferensi sebagai kontrol strategi

digunakan untuk memilih rule yang akan
digunakan. Mesin inferensi bekerja dalam sebuah
looping, melakukan identifikasi dan
mengeksekusi dengan kasus yang memiliki rule
lebih dari satu. Mesin inferensi bergantung penuh
pada working memory yang berisikan fakta-fakta
(facts)[7]. Isi dalam working memory akan
berubah-ubah seiring dengan berjalannya proses
inferensi. Proses akan berhenti setelah goal
(solusi) tercapai atau tidak ada rule yang di-apply.
Pada Aplikasi sistem pakar ini, working memory
yang digunakan adalah dengan menggunakan
sejumlah komponen listbox sebagai
penyimpanan. Working memory tersebut dibuat
sedemikian rupa sehingga terbagi menjadi
beberapa alokasi penyimpanan mulai dari untuk
menyimpan fakta Ya, fakta Tidak, fakta Solusi,
Fakta Rule, Fakta rule yang di-fire, fakta rule
yang sudah ditanyakan serta beberapa fakta
lainnya. Gambar 2 berikut merupakan control
strategi dari konsep working memory pada
aplikasi system pakar. Gambar 3 merupakan
Integrasi Working Memory dalam Fire Rule
Production System.
Pasangan IF Database
THEN DbJagung.mdb
Rules Facts
Konsep perancangan mekanisme inferensi pada
sistem pakar diagnosa hama dan penyakit jagung
ini mengacu pada metode inferensi yang
digunakan, yaitu forward-chaining (pelacakan ke
depan atau runut maju). Dalam hal ini,
kesimpulan diambil berdasarkan data-data atau
masukan-masukan yang telah diinputkan oleh
pengguna melalui antarmuka aplikasi[8].
Mekanisme inferensinya yaitu sebagai berikut:
a. Pengguna menjawab pertanyaan dengan
menjawab “YA” atau “TIDAK” berdasarkan
gejala hama dan penyakit jagung. Pada tahap
ini, sistem akan menyimpan data “YA”
dalam temp sedangkan untuk jawaban
“TIDAK” tidak akan disimpan. Data yang
disimpan nantinya akan kumpulkan menjadi
suatu kumpulan fakta dalam tabel rule
(IF_Clause).
b. Pengguna mengklik tombol “Lihat Hasil Tes
Diagnosa”. Tahap ini adalah tahap sistem
memproses fakta yang telah diperoleh dari
gejala hama dan penyakit jagung, kemudian
mencocokkannya dengan daftar aturan (rule)
yang telah dibuat untuk menghasilkan fakta
baru berupa kesimpulan tes atau hasil tes.
Working
Memory Berikut ini disajikan bagan alir (flow chart)
algoritma mekanisme inferensi sistem pakar
diagnosa hama dan penyakit jagung (gambar 4).
Data Update
Start

Ambil Record
Pilih dan Eksekusi Rule yang Cocok
Pertanyaan dari
tabel IF-THEN

Gambar 2. Kontrol Strategi Working Memory

[7] Pecah/urai rule
pada IF_Clause
Start

Ekstrak solusi pada

THEN_Clause
Database
DbJagung.mdb

Ambil Rule yang

Gejala Ke-n False
akan di-Pilih

Working If User
Tampil soal
Memory menjawab ya?

True

Rule Found and Select rule to Simpan Gejala

True
Fire Rule Fire ? pada working
memory

False
Ya
Apakah masih ada
rule?
No Rule Found

Ambil solusi dari

working memory

End
End

Gambar 3. Integrasi Working Memory dalam Gambar 4. Algoritma Mekanisme Inferensi

Fire Rule Production System Sistem Pakar

92
 Seminar Nasional Informatika 2014

Contoh solusi permasalahan Penyakit :

IF Seluruh daun tampak kering atau layu
AND Terjadi pada stadia generatif setelah
fase pembungaan
AND Pangkal batang yang terinfeksi berubah
warna dari hijau menjadi kecoklatan
AND Batang bagian dalam busuk
AND Pangkal batang berwarna merah jambu,
merah kecoklatan atau coklat
THEN Tanaman Jagung terserang penyakit
Busuk Batang Gambar 7. Tampilan Form Solusi Penyakit

IF Biji-biji yang terserang berwarna merah Setelah proses diagnosa penyakit selesai ,
jambu atau merah kecoklatan pada form hasil diagnosa penyakit jika memilih
AND Biji-biji berubah warna menjadi coklat button solusi akan menampilkan solusi dari
sawo matang pengendalian penyakit seperti pada gambar 7 di
THEN Tanaman Jagung terserang penyakit atas.
Busuk Tongkol/Busuk Biji Pengujian penerimaan pengguna dilakukan
untuk menentukan apakah sistem sudah
memenuhi kriteria penerimaan.Pengujian
dilakukan dengan melakukan perbandingan antara
pakar dan user.
Pada bagian ini penulis hanya
menyertakan beberapa contoh permasalahan yang
ada karena variasi dari sebuah permasalahan
cukup banyak.

Gambar 5. Tampilan Form Diagnosa Penyakit

Pada tampilan gambar 5, merupakan

tampilan diagnosa penyakit ketika dijalankan
dalam proses diagnosa, pengguna harus
memberikan nilai certainty factor dari setiap
pergantian pertanyaan yang ada. Gambar 8. Contoh Pemilihan ciri-ciri Hama

Contoh kasus, jika user memilih ciri-ciri

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

Gambar 6. Tampilan Form Hasil Diagnosa

Penyakit

Setelah selesai melakukan proses diagnosa

penyakit maka akan ditampilkan hasil gejala
penyakit yang dipilih beserta hasil diagnosa gejala
penyakit dan penyebabnya serta persentase faktor Gambar 9. Contoh Hasil Diagnosa Hama
kepercayaannya seperti pada gambar 6.
Pada pengujian perbandingan perangkat
lunak dengan pakar untuk mengetahui tingkat
keakuratan hasil diagnosa suatu kasus oleh sistem

93
Seminar Nasional Informatika 2014

dan dibandingkan dengan analisa seorang pakar. matang berubah

Proses perbandingan sebagai berikut: c. Tongkol warna
jagung menjadi
Tabel 1. Pengujian Perangkat Lunak Dengan busuk coklat
Pakar (Kasus I) berwarna sawo
PERANGKAT coklat matang.
PAKAR
LUNAK Penyakit Busuk Busuk
a. Daun coklat a. Daun kaku Tongkol/Busuk Tongkol/Busuk
kering. b. Terdapat Biji Biji
b. Terdapat bercak bercak-bercak
kecil (uredinia) kecil(uredinia) Nilai 85% 70,20%
berbentuk bulat berbentuk bulat Kepercayaan
sampai oval sampai oval
terdapat pada c. Terdapat Berdasarkan Tabel 2, perbandingan
permukaan daun bercak-bercak antara perangkat lunak dengan pakar dapat
jagung di bagian pada disimpulkan bahwa perangkat lunak berhasil
atas dan bawah. permukaan mengenali pola masukan dan pola keluaran pada
c. Pada tanaman daun jagung di fase pendiagnosaan dan berhasil melakukan
dewasa pada daun bagian atas dan
diagnosa terhadap sampel yang di input oleh
yang sudah tua bawah
Gejala

terdapat titik-titik d. Tanaman pengguna dengan perbandingan Perangkat lunak

noda yang dewasa pada 70,20 % dan 85 % Pakar.
berwarna merah daun yang
kecoklatan seperti sudah tua Tabel 3. Pengujian Perangkat Lunak Dengan
karat. terdapat titik- Pakar (Kasus III)
d. Terdapat serbuk titik noda yang PAKAR PERANGKAT
yang berwarna berwarna LUNAK
kuning kecoklatan. merah
Ciri-ciri a. Telur hama a. Telur
e. Pada serangan kecoklatan
parah seperti karat Hama diletakkan hama
mengakibatkan pada rambut diletakkan
daun kaku, masih jagung pada
menghasilkan b. Larva terdiri rambut
namun tidak parah. dari lima jagung
Penyaki Karat Daun Karat Daun sampai tujuh b. Hama
t instar menyeran
Nilai 90% 81,50% c. Larva g tongkol
Keperca memiliki jagung.
yaan
sifat
kanibalisme
Berdasarkan tabel 1,perbandingan antara
d. Hama masuk
perangkat lunak dengan pakar dapat disimpulkan
atau
bahwa perangkat lunak berhasil mengenali pola
menyerang
masukan dan pola keluaran pada fase
dalam
pendiagnosaan dan berhasil melakukan diagnosa
tanaman
terhadap sampel yang diinput oleh pengguna
jagung
dengan perbandingan Perangkat lunak 81,50 %
melalui
dan 90% Pakar.
tongkol, lalu
memakan biji
Tabel 2. Pengujian Perangkat Lunak Dengan jagung
Pakar (Kasus II)
Hama Ulat Tongkol Ulat Tongkol
PAKAR PERANGKAT
Nilai 98% 76,40%
LUNAK
Kepercayaan
Gejala a. Biji jagung a. Biji-biji
berwarna yang
Berdasarkan perbandingan antara perangkat lunak
merah terserang
dengan pakar dapat disimpulkan bahwa perangkat
jambu atau berwarna
lunak berhasil mengenali pola masukan dan pola
merah merah
keluaran pada fase pendiagnosaan dan berhasil
kecoklatan. jambu atau
melakukan diagnosa terhadap sampel yang di
b. Biji merah
input oleh pengguna dengan perbandingan
berubah kecoklatan
Perangkat lunak 76,40 % dan 98% Pakar.
menjadi .
coklat sawo b. Biji-biji

94

4. Kesimpulan
Berdasarkan hasil penelitian ini, maka
dapat disimpulkan bahwa penerapan sistem pakar
diagnosa hama dan penyakit pada tanaman jagung
dapat membantu pembudidaya jagung maupun
pembudidaya awal yang ingin menanam jagung,
dan orang awam untukmengetahui gejala hama
dan penyakit yang menyerang tanaman jagung.
Program sistem pakar diagnosa hama dan
penyakit pada tanaman jagung dapat menghemat
biaya pembudidaya dalam mendiagnosa hama dan
penyakit, dibandingkan harus mengetahui
tanaman jagung mengalami gagal panen akibat
serangan hama dan penyakit pada tanaman
jagung. Program sistem pakar diagnosa hama dan
penyakit pada tanaman jagung dapat menentukan
hama dan penyakit sesuai dengan gejala-gejala
yang telah dipilih oleh pengguna program.Sistem
pakar menerapkan metode Certainty Factor
untukmelakukan perhitungan tingkat kepercayaan
terhadap jenis diagnosa yang dihasilkan dari
proses diagnosa. Adapun saran yang dapat penulis
sampaikan pada saat ini adalah dapatmemasukkan
lebih banyak data gejala penyakit dan hama yang
berhubungandengan sistem pakar diagnosa hama
dan penyakit pada tanaman jagung. Hasil
diagnosa perangkat lunak sistem pakar hama dan
penyakit pada tanaman jagung ini dapat
ditingkatkan sehingga hasil diagnosa hama dan
penyakit tanaman jagung memiliki keakuratan
yang lebih baik.
Daftar Pustaka
[1]. Lie, Fi., Kusuma,Meriyana.,2011, Sistem
Pakar Untuk Mendiagnosa Penyakit Pada
Seminar Nasional Informatika 2014
Tanaman Karet dan Cara
Penanggulangannya, STMIK GI MDP,
Yogyakarta.
[2]. Fadlil, Abdul dan Tuswanto, 2013, Sistem
Pakar Untuk Mendiagnosa Hama dan
Penyakit Tanaman Bawang Merah
Menggunakan Metode Certainty Factor,
Jurnal Sarjana Teknik Informatika Volume
1 Nomor 1, e-ISSN:2338-5197,
Universitas Ahmad Dahlan, Yogyakarta.
[3]. Budiman, Haryanto,2013, Budidaya
Jagung Organik Varietas Baru Yang Kian
Diburu, Pustaka Baru Press, Yogyakarta.
[4]. Hartati, Sri dan Iswanti, Sari., 2008,
Sistem Pakar dan Pengembangannya,
Graha Ilmu, Yogyakarta.
[5]. Kusumadewi, Sri., 2003, Artificial
Intelligence (Teknik dan Aplikasinya),
Graha Ilmu, Yogyakarta.
[6]. Arhami, Muhammad., 2005, Konsep Dasar
Sistem Pakar, Andi Offset, Yogyakarta
[7]. Joseph O. Dada, Hans-D. Kochs, Joerg
Petersen., 2010, Web-Based Expert
System for Classification of Industrial and
Commercial Waste Products, Journal of
Emerging Trends in Computing and
Information Sciences, Volume 2 No.6,
JUNE 2011 ISSN 2079-8407, pp257-262
[8]. Hashem Hashemi, Hossein Alizadeh
Moghaddam, Pegah Keyvan, Shahram
Jafari, 2013, A Decision Support System
for Polyuria Patient’s Treatment,
International Journal of Engineering
Science Invention, Volume 2 Issue 1,
January 2013, ISSN (Online): 2319 –
6734, ISSN (Print): 2319 – 6726, PP.70-76
95
Seminar Nasional Informatika 2014

PERANCANGAN APLIKASI KEAMANAN DATA EMAIL

MENGGUNAKAN ALGORITMA ENKRIPSI RC6
BERBASIS ANDROID

Muhammad Zulham1, Helmi Kurniawan2, Iwan Fitrianto Rahmad3

Jurusan Teknik Informatika, STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
Email : joi.am116@gmail.com1

Abstrak

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

Kata Kunci : Keamanan Data, Kriptografi, Rivest Code 6

1. Pendahuluan menjadi plaintext semula dinamakan dekripsi

Kriptografi (Cryptography) berasal dari
bahasa Yunani yaitu “Cryptos” artinya “secret”
(rahasia) dan “graphein” artinya “writing”
(tulisan). Jadi, kriptografi berarti “secret writing”
(tulisan rahasia). Definisi yang dikemukakan
dalam [SCH96] : Kriptografi adalah ilmu dan seni
untuk menjaga keamanan pesan. (Cryptography is
the art and sience of keeping message secure).
Terdapat pula definisi yang di kemukakan
di dalam [MEN96] : Kriptografi adalah ilmu yang
mempelajari teknik-teknik matematika yang
berhubungan dengan aspek keamanan informasi
seperti kerahasiaan, integritas data, serta
otentikasi.
(Rinaldi Munir, 2006:3) dalam bukunya
menjelaskan, data atau informasi yang dapat
dibaca dan dimengerti maknanya disebut
plaintext. Plaintext yang tersandi disebut
ciphertext. Ciphertext harus dapat
ditransformasikan kembali menjadi plaintext
semula agar pesan yang diterima bisa dibaca.
Proses menyandikan plaintext menjadi ciphertext
disebut enkripsi disebut enkripsi (encryption) atau
enciphering (standard nama menurut ISO 7498-
2). Sedangkan proses mengembalikan ciphertext
(decryption) atau deciphering (standard nama
menurut ISO 7498-2).
Algoritma kriptografi (cipher) dapat dibedakan
menjadi dua macam, yaitu: simetrik dan
asimetrik. Algoritma simetrik (model enkripsi
konvensional) adalah algoritma yang
menggunakan satu kunci untuk proses enkripsi
dan dekripsi data, contohnya adalah RC2, RC4,
RC5, RC6, DES, Blowfish, GOST, AES dan lain-
lain. Sedangkan algoritma asimetrik (model
enkripsi kunci publik) menggunakan kunci yang
berbeda dalam proses enkripsi dan dekripsi pesan,
contoh dari algoritma ini adalah RSA, El Gamal.
Berikut gambar kunci simertis dan
gambar kunci asimetris :
Gambar 1. Kunci simetris

96
 Seminar Nasional Informatika 2014

akan digunakan untuk mempengaruhi banyaknya

bit yang dirotasi. (Roland L , 2006)
RC6 seperti juga RC5 mengeksploitasi
penggunaan operasi-operasi primitif yang
diimplementasikan secara efisien dalam prosesor-
prosesor modern. RC6 juga selain menggunakan
ketiga operasi primitif yang digunakan dalam
Gambar 2. Kunci asimetris RC5, juga menggunakan operasi perkalian 32-bit
yang telah diimplementasikan secara efisien
Operator biner yang sering digunakan dalam prosesor modern saat ini. Primitif operasi
dalam cipher yang beroperasi dalam mode bit perkalian ini sangat efektif dalam menghasilkan
adalah XOR atau exlusive-or. Notasi matematis efek “diffusion” atau penyebaran yang tentu saja
untuk operator XOR adalah ⊕ (dalam bahasa C, mengakibatkan RC6 lebih aman daripada RC5.
operator XOR dilambangkan dengan ^). Operator Operasi perkalian ini digunakan untuk
XOR dioperasikan pada dua bit dengan aturan menghitung jumlah bit yang dirotasi sehingga
sebagai berikut : (Rinaldi Munir, 2006:99) konsep data-dependent rotations dapat dengan
0⊕0=0 lebih sempurna diimplementasikan. (Roland L,
0⊕1=1 2006)
1⊕0=1 Algoritma RC6 adalah versi yang
1⊕1=0 dilengkapi dengan beberapa parameter, sehingga
Misalkan a, b, c adalah peubah Boolean. dituliskan sebagai RC6-w/r/b, dimana parameter
Hukum-hukum yang terkait dengan operator w merupakan ukuran kata dalam satuan bit, r
XOR : adalah bilangan bulat bukan negatif yang
1) a ⊕ a = 0 menunjukan banyaknya iterasi selama proses
enkripsi, dan b menunjukan ukuran kunci enkripsi
2) a ⊕ b = b ⊕ a
dalam byte. (Yudi Prayudi dan Idham Halik, 2005
3) a ⊕ (b ⊕ c) = (a ⊕ b) ⊕ c
: 153)
Adapun tujuan dari penelitian ini adalah:
Algoritma RC6 merupakan salah satu
1. Menganalisis bagaimana cara kerja
kandidat Advanced Encryption Standard (AES)
algoritma enkripsi RC6 berbasis android
yang diajukan oleh RSA Laboratoriest kepada
dalam memberi layanan kerahasiaan
NIST. Dirancang oleh Ronald L Rivest, M.J.B.
data.
Robshaw, R. Sidney dan Y.L. Yin, algoritma ini
2. Memberi pemahaman bagaimana
merupakan pengembangan dari algoritma
algoritma enkripsi RC6 melakukan
sebelumnya yaitu RC5 dan telah memenuhi
proses enkripsi dan dekripsi.
semua kriteria yang diajukan oleh NIST. RC6
3. Membangun suatu program yang dapat
dirancang untuk menghilangkan segala
menjaga keamanan data menggunakan
ketidakamanan yang ditemukan pada RC5, karena
algoritma enkripsi RC6 berbasis android.
analisis pada RC5 menunjukkan bahwa ternyata
jumlah rotasi yang terjadi pada RC5 tidak
2. Metode Penelitian
sepenuhnya bergantung pada data yang terdapat
dalam blok. Selain itu, serangan kriptanalisis
Tahapan dalam metode penelitian ini dapat
diferensial juga ternyata dapat menembus
dimodelkan pada diagram alir yang merupakan
keamanan yang ditawarkan RC5. (Yudi Prayudi
proses dari pengiriman pesan melalui email yang
dan Idham Halik, 2005 : 153)
terenkripsi berbasis android.
RC6 juga dirancang untuk memenuhi
persyaratan AES yang diantaranya adalah
kemampuan untuk beroperasi pada mode blok
128 bit. Jika besar blok 128 bit langsung
dipaksakan untuk diimplementasikan dengan
algoritma RC5, maka akan dibutuhkan register
kerja 64 bit. Spesifikasi arsitektur dan bahasa
yang menjadi tempat implementasi algoritma
yang ditentukan oleh AES belum mendukung
pengoperasian 64 bit yang efisien. Oleh karena
itu, daripada menggunakan 2 register 64 bit
seperti pada RC5, RC6 menggunakan 4 register
32 bit. Karena menggunakan 4 register maka akan
terdapat 2 operasi rotasi pada setiap half-round
yang ada, dan juga akan lebih banyak bit-bit yang

97
Seminar Nasional Informatika 2014

Mulai Mulai
end
Pw = b7e15163
Qw = 9e3779b9
Pilih File Pilih File
3. Algoritma Enkripsi
Karena RC6 memecah blok 128 bit menjadi 4
Plaintext Chipertext
buah blok 32 bit, maka algoritma ini bekerja
dengan 4 buah register 32-bit A, B, C, D. Byte
yang pertama dari plainteks atau cipherteks
ditempatkan pada byte A, sedangkan byte yang
Enkripsi No Dekripsi No terakhirnya ditempatkan pada byte D. Dalam
Pesan Pesan
prosesnya akan didapatkan (A, B, C,D) = (B, C,
Yes Yes D, A) yang diartikan bahwa nilai yang terletak
pada sisi kanan berasal dari register di sisi kiri.
Masukkan Masukkan
Kunci Kunci
Diagram blok berikut akan lebih menjelaskan
proses enkripsi yang terjadi pada algoritma RC6.
B = B + S[ 0 ]
Enkripsi Dekripsi
D = D + S[ 1 ]
for i = 1 to 20 do
{
t = ( B x ( 2B + 1 ) ) <<< 5
Chipertext Plaintext u = ( D x ( 2D + 1 ) ) <<< 5
A = ( ( A ⊕ t ) <<< u ) + S[ 2i ]
C = ( ( C ⊕ u ) <<< t ) + S[ 2i + 1]
Simpan File Simpan File
(A, B, C, D) = (B, C, D, A)
}
A = A + S[ 42 ]
C = C + S[ 43 ]
Selesai Selesai

Gambar 3. Flow Chart Form Enkripsi /

Dekripsi Teks Email

3. Perancangan

Perancangan dapat diartikan sebagai suatu

tahapan setelah dianalisa dari pengembangan
sistem untuk mengembangkan bagaimana suatu
sistem itu akan dibentuk. Alur proses terjadinya
algoritma Rivert Code 6 (RC6) terhadap proses
penyandian pesan dilakukan pada saat email akan
dikirim. Langkah – langkah proses pembuatan
secara garis besar adalah sebagai berikut:
1. Operasi dasar
a. A + B Operasi penjumlahan bilangan
integer.
b. A – B Operasi pengurangan bilangan
integer.
c. A ⊕ B Operasi exclusive-OR (XOR).
d. A x B Operasi perkalian bilangan integer.
e. A<<<B A dirotasikan ke kiri sebanyak
variabel kedua (B)
f. A>>>B A dirotasikan ke kanan sebanyak
variabel kedua (B)

2. Algoritma Kunci S-Box

S[0] = Pw Gambar 4. Algoritma Enkripsi
for i = 1 to 2r+3 Algoritma RC6 menggunakan sub kunci yang
S[i] = S[i-1] + Qw dibangkitkan dari kunci dan dinamakan dengan

98
 Seminar Nasional Informatika 2014

S[0] hingga S[43]. Masing-masing sub kunci (A, B, C, D) = (D, A, B, C)

panjangnya 32 bit. Proses enkripsi pada algoritma u = ( D x ( 2D + 1 ) ) <<< 5
RC6 dimulai dan diakhiri dengan proses t = ( B x ( 2B + 1 ) ) <<< 5
whitening yang bertujuan untuk menyamarkan C = ( ( C - S[ 2i + 1 ] ) >>> t ) ⊕ u
iterasi yang pertama dan yang terakhir dari proses A = ( ( A - S[ 2i ] ) >>> u) ⊕ t
enkripsi dan dekripsi. Pada proses whitening }
awal, nilai B akan dijumlahkan dengan S[0] dan D = D - S[ 1 ]
nilai D dijumlahkan dengan S[i]. Pada B = B - S[ 0 ]
masingmasing iterasi pada RC6 menggunakan
dua (2) buah sub kunci. Sub kunci pada iterasi
yang pertama menggunakan sub-sub kunci
lanjutannya. Setelah iterasi ke-20 selesai,
dilakukan proses whitening akhir dimana nilai A
dijumlahkan dengan S[42], dan nilai C
dijumlahkan dengan S[43].
Setiap iterasi pada algoritma RC6 mengikuti
aturan sebagai berikut, nilai B dumasukkan ke
dalam fungsi f, yang didefinisikan sebagai f(x) =
x(2x + 1), kemudian diputar ke kiri sejauh 5 bit.
Hasil yang didapat pada proses ini dimisalkan
sebagai u. Nilai u kemudian di XOR dengan C
dan hasilnya menjadi nilai C.
Nilai t juga digunakan sebagai acuan bagi C untuk
memutar nilainya ke kiri. Begitu pula dengan nilai
U, juga digunakan sebagai acuan bagi nilai A
untuk melakukan proses pemutara ke kiri.
Kemudian sub kunci S[2i] pada iterasi
dijumlahkan dengan A, dan sub kunci S[2i+1]
dijumlahkan dengan C. Keempat bagian dari blok
kemudian akan dipertukarkan dengan mengikuti
aturan bahwa nilai A ditempatkan pada D, nilai B
ditempatkan pada A, nilai C ditempatkan pada B,
dan nilai (asli) D ditempatkan pada C. Demikian
iterasi tersebut terus berlangsung hingga dua
puluh (20) kali.

4. Algoritma Dekripsi
Proses dekripsi cipherteks pada algoritma RC6
merupakan pembalikan dari proses enkripsi. Pada
proses whitening, bila proses enkripsi
menggunakan operasi penjumlahan, maka pada
proses dekripsi menggunakan operasi
pengurangan. Sub kunci yang digunakan pada
proses whitening setelah iterasi terakhir
diterapkan sebelum iterasi pertama, begitu juga
sebaliknya sub kunci yang diterapkan pada proses
whitening sebelum iterasi pertama digunakan
pada whitening setelah iterasi terakhir. Akibatnya,
untuk melakukan dekripsi, hal yang harus
dilakukan semata-mata hanyalah menerapkan
algoritma yang sama dengan enkripsi, dengan tiap
iterasi menggunakan sub kunci yang sama dengan
yang digunakan pada saat enkripsi, hanya saja
urutan sub kunci yang digunakan terbalik. (Yudi
Prayudi dan Idham Halik, 2005:154)
C = C - S[ 43 ]
A = A - S[ 42 ]
for i = 20 downto 1 do
{ berikut:
Gambar 5. Algoritma Dekripsi
4. Hasil dan Pembahasan
Pada tahapan ini menjelaskan hasil
rancangan, tampilan program aplikasi dan
kesimpulan dari uji coba baik dari analisa hasil
serta kelebihan dan kekurangan dari hasil
perancangan.
Tampilan Aplikasi
Berikut ini akan dijelaskan tentang tampilan
hasil aplikasi keamanan data email menggunakan
algoritma enkripsi RC6 berbasis Android.
Tampilan Halaman Awal
Halaman awal adalah halaman yang muncul pada
saat user pertamakali menjalankan aplikasi.
Kemudian user dapat menekan button Start untuk
melanjutkan aplikasi, dapat dilihat pada gambar

99
Seminar Nasional Informatika 2014
Gambar 6. Tampilan Halaman Awal
Tampilan Halaman Utama
Halaman utama merupakan tampilan yang
memiliki beberapa pilihan list, yaitu diantaranya
new message, inbox, about dan exit, dapat dilihat
pada gambar berikut:
Gambar 7. Tampilan Halaman Utama
Tampilan Halaman New Message
Halaman New Message merupakan halaman
dimana user melakukan proses pengiriman pesan
yang sudah terenkripsi terlebih dahulu. Untuk
melihat tampilan halaman new message dapat
dilihat pada gambar berikut:
100
Gambar 8. Tampilan Halaman New Message
Tampilan Halaman Inbox
Halaman ini merupakan halaman dimana user
melakukan proses pembacaan pesan yang sudah
diterima sehingga dapat terbaca. Untuk melihat
tampilan halaman inbox dapat dilihat pada
gambar berikut:
Gambar 9. Tampilan Halaman Inbox
5. Kesimpulan
Penulis meninjau bagaimana proses
pengiriman pesan menggunakan email sehingga
dapat dienkripsi dan kerahasiaan pesan sangat
terjaga. Berdasarkan uraian dan penjelasan
sebelumnya, penulis membuat kesimpulan untuk
aplikasi keamanan data email menggunakan
algoritma enkripsi RC6 yaitu:
1. Dengan adanya aplikasi ini pesan dapat
disandikan sehingga keamanan isi pesan
sangat terjaga dalam kerahasiaan data.
2. Aplikasi ini mampu mengirim dan menerima
pesan melalu email yang berjalan di sistem

operasi android dengan menggunakan
aplikasi DroidRC6.
3. Aplikasi ini menggunakan algoritma
enkripsi RC6, sehingga tingkat keamanan
lebih terjamin, karena algoritma RC6
menggunakan algoritma blok cipher dengan
4 register sehingga lebih sulit untuk
dipecahkan keamanannya.
Daftar Pustaka
Ariyus, Dony, 2009, Pengantar Ilmu Kriptografi
Teori, Analisis, dan Implementasi,
Penerbit Andi, Yogyakarta.
Huda, Arif, Akbarul, 2012, 24 Jam Pintar
Pemrograman Android, Penerbit Andi,
Yogyakarta.
Munir, Rinaldi, 2006, Kriptografi, Penerbit
Informatika, Bandung.
Seminar Nasional Informatika 2014
Roland, 2006, Jurnal Perbandingan Algoritma
Block Cipher RC5 dan RC6, Institut
Teknologi Bandung.
Sadikin, Rifki, 2012, Kriptografi Untuk
Keamanan Jaringan, Penerbit Andi,
Jakarta.
Safaat, Nazruddin, 2012, Pemrograman
Aplikasi Mobile Smartphone dan Tablet
PC Berbasis Android, Penerbit
Informatika, Bandung.
Safrina, Rika, 2006, Jurnal Studi dan
Perbandingan Pesan dengan Algoritma
RC2, RC4, RC5 dan RC6, Institut
Teknologi Bandung.
Suprianto, Dodit, 2012, Pemrograman Aplikasi
Android, Penerbit Mediakom, Yogyakarta.
Yudi, Idham, 2005, Jurnal Studi dan Analisis
Algoritma Rivest Code 6 (RC6) dalam
Enkripsi/Dekripsi Data, Universitas Islam
Indonesia.
101
Seminar Nasional Informatika 2014

PENGUKURAN KESELARASAN STRATEGI TEKNOLOGI

INFORMASI DAN STRATEGI BISNIS DENGAN MODEL LUFTMAN
(STUDI KASUS : AMIK XYZ)
Dicky Pratama

STMIK GI MDP
Dqpratama@stmik-mdp.net

Abstrak

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

Kata kunci: Luftman IT-Business Alignment Maturity Model, Kematangan Keselarasan Strategi Teknologi
Informasi dan Bisnis.

1. PENDAHULUAN 2. METODE PENELITIAN

Teknologi informasi (TI) merupakan suatu
hal yang dibutuhkan dalam mendukung kinerja
operasional perusahaan maupun
organisasi.Perguruan tinggi di Indonesia saat ini
telah berkembang pesat dengan dukungan TI.Jika
dinilai dari sudut pandang mahasiswa, media
pembelajaran yang fleksibel sangat dibutuhkan
agar semua materi, buku, jurnal dan informasi
akademik dapat diakses kapan saja dimana saja.
Pihak perguruan tinggi pun tentunya
membutuhkan TI untuk mendukung tri darma
yaitu pendidikan, penelitian dan pengabdian
kepada masyarakat. Mulai dari keefektifan proses
belajar mengajar, keefesienan pengelolaan
administrasi akademik, dan pengelolaan informasi
akademik TI dituntut harus selaras dengan
kegiatan bisnis.
Di Indonesia banyak institusi perguruan
tinggi berbasis TI yang belum menerapkan
pengukuran kematangan keselarasan strategi
bisnis dan strategi TI, sehingga belum diketahui
apakah TI yang digunakan sudah sesuai dengan
kebutuhan bisnis perusahaan tersebut atau tidak.
Apakah TI yang digunakan hanya sebagai alat
bantu dan apakah sudah strategis.
2.1 Luftman IT-Business Alignment Maturity
Model
Luftman IT-Business Alignment Maturity
model adalah salah satu model yang dapat
digunakan untuk menilai atau mengukur seberapa
matang tingkat keselarasan antara strategi TI
dengan strategi bisnis [1]. Pentingnya pengukuran
dilakukan agar setelah tingkat kematangan
tersebut diketahui pihak top management dapat
meningkatkan keselarasan TI dan bisnis ke
tingkat-tingkat berikutnya. Misal, setelah diukur
dengan model Luftman diketahui bahwa tingkat
kematangan keselarasan bisnis-TI sebuah
institusi pendidikan tinggi bernilai 2, maka pihak
intitusi tersebut nantinya akan dapat
meningkatkan tingkat kematangan keselarasan
bisnis-TI ke tingkat 3 dengan mengacu pada
komponen-komponen yang bernilai kecil yang
harus dibenahi.
Luftman’s IT-Business Alignment
Maturity memberikan sebuah kerangka
pengukuran kematangan keselarasan antara
strategi bisnis dan strategi TI. Model keselarasan
bisnis dan TI Luftman berfokus pada kegiatan
perusahaan untuk mencapai tujuan kohesif
melalui unit pengelola TI sebagai unit teknis dan
unit bisnis sebagai fungsional perusahaan.
Model penilaian kematangan keselarasan
bisnis dan TI Luftman’s meliputi 5 level fokus

102
 Seminar Nasional Informatika 2014

kematangan keselarasan strategi yaitu 2 Commited Proses pada level ini telah
initial/adhoc process, commited process, process memiliki pola yang
established focused process, improve/manage diikuti oleh semua unit
process dan optimized process. Kelima level maupun depertemen yang
tersebut dapat di lihat pada gambar 1 di bawah berkewajiban melakukan
ini: proses tersebut, namun
tidak ada pelatihan
maupun prosedur standar
secara formal, kewajiban
pelaksanaan proses
diserahkan kepada
individu maupun unit
dengan mengandalkan
pengetahuan dan
pengalaman masing-
masing sehingga tidak
konsisten.
3 Established Mulai ada keselarasan
focused process bisnis dan TI,
prosedurnya berasal dari
kebiasaan yang
dibakukan. Mulai ada
Gambar 1. Model Kematangan Keselarasan sosialisasi melalui
Strategi (Luftman, 2003) pelatihan sebelum
pelaksanaan proses
Kelima level tersebut masing-masing dimulai. Kegiatan
dinilai dengan suatu kumpulan criteria penilaian diberikan ke tiap unit dan
untuk menilai kematangan keselarasan strategi departemen namun belum
dari bisnis maupun TI, kumpulan kriteria tersebut disertai monitoring dan
dikenal dengan “The six Business-IT Alignment evaluasi jika ada
Criteria” . kesalahan.
Model kematangan keselarasan bisnis dan 4 Improve/manage Adanya proses
TI Luftman meliputi 5 fokus kematangan process penyelarasan TI dan
keselarasan strategi yaitu intial/adhoc process, bisnis yang kuat, dan
commited process, established focused process, menganggap TI sebagai
improve/manage process dan optimized process penciptaan nilai bagi
[2] . Tabel 1 dibawah ini menunjukkan 5 fokus perusahaan. Selalu ada
kematangan keselarasan strategi. proses monitoring dari
manajemen dan evaluasi
Tabel 1. Lima focus jika ada kesalahan dalam
Lvl Kategori Kriteria pelaksanaan proses. Alat
1 Intial Ini adalah tingkatan bantu pengukuran dan
terendah dari semua level evaluasi TI mulai
/adhoc process digunakan secara terbatas.
fokus kematangan
keselarasan Luftman. 5 Optimized Proses keselarassan
Dapat disimpulkan bahwa process strategis sepenuhnya
pada level ini terintegrasi dan
perusahaan/organisasi diadapasikan bersama
telah menyadari adanya antara bisnis dan TI.
masalah yang harus Proses telah
segera diatasi, namun disempunakan menjadi
belum ada proses baku best practice melalui
untuk mengatasinya, penyempurnaan terus
melainkan hanya bersifat menerus dan didukung
adhoc yang diterapkan oleh studi banding dengan
secara kasus perkasus. perguruan tinggi lainnya.
kematangan keselarasan strategi (Luftman,
2000)

103
Seminar Nasional Informatika 2014
Lima level fokus kematangan tersebut
nantinya menjadi tolak ukur pada pertanyaan-
pertanyaan yang telah disusun oleh Luftman
dengan mengacu pada kriteria pengukuran
kematangan bisnis dan TI. Gambar 2 berikut
adalah kriteria-kriteria pengukuran kematangan
bisnis dan TI Luftman [1].
Gambar 2. kriteria-kriteria pengukuran
kematangan bisnis dan TI (Luftman, 2000)
Communication Maturity merupakan
pertukaran gagasan, pengetahuan antara unit TI
dan unit bisnis yang efektif yang memungkinkan
kedua unit tersebut memahami dengan jelas
tentang apa yang diperlukan untuk memastikan
strategi sukses berada pada tingkatan yang paling
tinggi. Bisa saja setiap perusahaan menarik pihak
ketiga untuk memfasilitasi komunikasi antar dua
unit tersebut, namun dirasakan memiliki
kecendrungan untuk mengarahkan ke bentuk
komunikasi yang tidak efektif, akibatnya kedua
unit tidak dapat melakukan diskusi dan berbagi
ide. Meningkatkan komunikasi harus terfokus
pada cara menciptakan pemahaman TI sebagai
mitra bisnis strategis bukan hanya dipandang
sebagai penyedia layanan semata.
Competency.Value Measurement Maturity
merupakan penetapan prioritas untuk proyek TI,
sekaligus mengalokasikan sumber daya secara
efektif untuk menyelaraskan strategi TI dan
bisnis. Manajer kedua unit tersebut harus dapat
berbagi saat evaluasi portofolio, masing-masing
manajer harus memahami bahwa tingginya nilai
akhir proyek tidak didapat dari teknologi tetapi
kolaborasi antara kedua unit tersebut.
Governance Maturity kriteria ini berkaitan
dengan seberapa baik perusahaan
menghubungkan strategi bisnis dengan prioritas
TI, teknis perencanaan dan anggaran dalam
pengembangan dan pemeliharaan sumber daya TI.
Kriteria ini bertujuan untuk mengetahui apakah
proyek yang dikerjakan diadopsi dari strategi
104
bisnis, jika tidak maka dapat disimpulkan bahwa
terdapat konflik antara unit bisnis dan unit TI.
Partnership Maturity kriteria ini
dimaksudkan untuk pemberian wewenang pada
fungsi TI untuk memiliki peran yang sama dalam
menentukan strategi bisnis. Kemitraan ini harus
dibina agar TI dan bisnis bermuara pada satu titik
yang mengarahkan ke suatu perubahan untuk
kepentingan bisnis dan strateginya.
Scope and Architecture Maturity kriteria
ini bertujuan untuk menilai kematangan TI yang
diterapkan pada perusahaan dan mengukur
teknologi bukan hanya pelengkap tapi sejauh
mana teknologi berkembang dan membantu
bisnis untuk tumbuh dan berkembang.
2.2 Faktor Penghambat dan Faktor Penentu
Keberhasilan Keselarasan Bisnis dan TI
Faktor Penghambat keselarasan dapat
disebabkan komunikasi yang buruk antara unit
bisnis dan TI, kemudian tidak adanya keputusan
dari organisasi untuk mempertahankan personil
yang berbakat di dalam perusahaan. Tidak adanya
pertukaran antara staff bisnis dan staf TI juga
menjadi salah satu penyebab terjadinya tidak
optimalnya keselarasan antara bisnis dan TI.
Gambar 3 berikut merupakan faktor
enabler dan inhibitor [4].
Gambar 3. Faktor enabler dan faktor inhibitor
(Luftman, 1999)
Faktor enabler (penentu keberhasilan) dari
kematangan keselarasan bisnis dan TI dapat
diwujudkan dengan memprioritaskan IT sebagai
pendukung bisnis. Menjalin komunikasi yang
baik antara unit bisnis dan unit TI, serta
penerapan prosedur dimana unit TI memiliki
kewajiban memahami bisnis dan unit bisnis
berkewajiban memahami TI dapat mewujudkan
keselarasan bisnis dan TI yang maksimal.
3. HASIL DAN PEMBAHASAN
Pengukuran ini dilakukan dengan
pengisian kuisioner oleh beberapa narasumber,
jawaban dari pertanyaan-pertanyaan oleh Luftman
yang dijawab oleh narasumber diakumulasi dan
dibagi dengan jumlah narasumber
tersebut.Setelah mendapatkan skor rata-rata skor
tersebut dijumlahkan berdasarkan tiap kriteria
kematangan dan dibagi dengan jumlah kriteria
 Seminar Nasional Informatika 2014

kematangan Luftman. Tabel 2 berikut ini adalah senior?

jawaban dari para narasumber , jawaban-jawaban
dari narasumber tersebut disertai dengan evidence 8 Bagaimanakah proyek di 3
yang mendukung penilaian kematangan prioritaskan?
keselarasan bisnis dan TI. Tingkatan Maturity 2
Partnership Maturity
Tabel 2. Hasil rekap jawaban narasumber 1 Bagaimanakah pandangan bisnis 4
No. Pertanyaan Skor terhadap TI?
Rata- 2 Bagaimanakah peran TI dalam 2
rata perencanaan bisnis strategis?
Communication Maturity 3 Bagaimanakah pembagian resiko 2
1 Bagaimanakah pemahaman unit 3 dan perolehan dilakukan?
TI terhadap bisnis? 4 Bagaimanakah pengelolaan 2
2 Bagaimana pemahaman unit 3 hubungan TI dan bisnis?
bisnis terhadap TI? 5 Bagaimanakah prilaku hubungan 3
3 Bagaimana pembelajaran 2 dan kepercayaan dalam
mengenai organisasi dilakukan? organisasi?
4 Bagaimana perilaku komunikasi 2 6 Adakah sponsor bisnis daam 5
dan kemudahan akses antara organisasi?
bisnis dan TI dilakukan? Tingkatan Maturity 3
5 Bagaimanakah upaya menggali 2 Scope and Architecture Maturity
aset intelektual dilakukan? 1 Sistem utama yang digunakan 3
6 Bagaimanakah pertukaran staf 1 bersifat?
bisnis-TI dilakukan? 2 Adakah standar yang digunakan 3
Tingkatan Maturity 2 dalam organisasi?
Competency/Value Measurement Maturity 3 Apakah terdapat integrasi antara 3
1 Bagaimanakah pengukuran 1 arsitektur sistem yang
metriks TI dilakukan? digunakan?
2 Bagaimanakah pengukuran 2 4 Bagaimana anggapan terhadap 3
metriks bisnis dilakukan? infrastruktur TI?
Tingkatan Maturity 3
3 Bagaimanakah tautan 2 Skills Maturity
pengukuran metrics TI dan 1 Apakah ada upaya untuk 3
bisnis? menggalakan organisasi sebagai
4 Bagaimana Service Level 2 lingkungan kewirausahaan yang
Agreement (SLA) dilakukan? inovatif?
5 Apakah pengukuran 1 2 Siapakah yang membuat 3
(benchmarking) dilakukan? keputusan penting mengenai
6 Bagaimanakah organisasi secara 3 SDM TI?
formal menilai investasi TI? 3 Bagaimana kesiapan para 1
7 Apakah dilakukan usaha-usaha 3 personil dalam menghadapi
untuk melakukan peningkatan perubahan?
yang berkelanjutan? 4 Adakah kesempatan seorang 2
Tingkatan Maturity 2 personil untuk berkarir dalam
Governance Maturity lintas unit/bagian?
1 Bagaimana perencanaan strategi 1 5 Adakah pelatihan lintas 2
bisnis dilakukan? fungsional dan rotasi pekerjaan
2 Bagaimana perencanaan strategi 2 yang dilakukan di organisasi?
bisnis TI dilakukan? 6 Bagaimana interaksi sosial 2
3 Bagaimana bentuk struktur 1 antara bisnis dan TI dalam
organisasi? organisasi?
4 Bagaimana hubungan pelaporan 4 7 Adakah program untuk merekrut 1
dilakukan? dan mempertahankan personil
5 Bagaimana pandangan terhadap 2 yang berbakat?
anggaran budget TI? Tingkatan Maturity 2
6 Hal apa yang mendasari 3 Ket: 1 = belum ada, Tidak sesuai dengan
pembelanjaan TI? organisasi
7 Bagaimana dengan komite 1 2 = sesuai, hanya saja tingkatannya masih
penggerak (Streering komite) TI rendah

105
Seminar Nasional Informatika 2014

3 = moderat, sesuai untuk organisasi dalam sama.

tingkatan menengah Pengukuran Dilakukan pengukuran
4 = sesuai, untuk sebagian besar organisasi kematangan TI kematangan TI agar
5 = tingkat kuat, sesuai di seluruh bagian (benchmarking) dapat diketahui
tidak pernah kekurangan yang harus
Pengukuran ini dilakukan dengan dilakuakan dibenahi
pengisian kuisioner oleh beberapa narasumber, Dalam struktur Unit TI harus
jawaban dari pertanyaan-pertanyaan oleh Luftman organisasi TI tidak independent / berdiri
yang dijawab oleh narasumber diakumulasi dan berdiri sendiri sendiri dan kemampuan
dibagi dengan jumlah narasumber dari tiap personil harus
tersebut.Setelah mendapatkan skor rata-rata skor ditingkatkan
tersebut dijumlahkan berdasarkan tiap kriteria Belum ada komite Ada komite penggerak
kematangan dan dibagi dengan jumlah kriteria penggerak TI TI yang selalu
kematangan Luftman. Perhitungan tersebut dapat memonitor proses dan
dilihat dibawah ini: melakukan evaluasi
Personil belum siap Harus dilakukan
menghadapi manajemen perubahan,
perubahan dan ada pelatihan
khusus untuk personil
TI agar siap dengan
Dari hasil perhitungan diatas maka dapat
adanya perubahan
disimpulkan bahwa tingkat kematangan
keselarasan strategi bisnis dan TI dari AMIK
4. KESIMPULAN
XYZ bernilai 2 atau committed processyang
berarti proses memiliki pola yang diikuti oleh
Berdasarkan hasil pengukuran kematangan
semua unit maupun depertemen yang
keselarasan strategi TI dan strategi bisnis pada
berkewajiban melakukan proses tersebut, namun
AMIK XYZ, terbukti bahwa AMIK XYZ telah
tidak ada pelatihan maupun prosedur standar
mencapai level 2 atau committed processyang
secara formal, kewajiban pelaksanaan proses
berarti proses memiliki pola yang diikuti oleh
diserahkan kepada individu maupun unit dengan
semua unit maupun depertemen yang
mengandalkan pengetahuan dan pengalaman
berkewajiban melakukan proses tersebut, namun
masing-masing sehingga tidak konsisten.
tidak ada pelatihan maupun prosedur standar
Seperti yang dikatakan sebelumnya setelah
secara formal, kewajiban pelaksanaan proses
mengetahui tingkat kematangan keselarasan
diserahkan kepada individu maupun unit dengan
bisnis-TI selanjutnya dapat ditentukan strategi
mengandalkan pengetahuan dan pengalaman
yang tepat agar pihak top management AMIK
masing-masing sehingga tidak konsisten.
XYZ dapat meningkatkan ke tingkat yang
Untuk mencapai ke level berikutnya strategi yang
berikutnya yaitu level Established focused
tepat untuk AMIK XYZ adalah:
process. Penentuan strategi tersebut yaitu dengan
1. Perlu adanya pertukaran staf antara bisnis
cara menyeleksi jawaban dari tiap narasumber
dan TI agar staf bisnis memahami TI dan
yang bernilai 1, jawaban yang bernilai paling
staf TI memahami bisnis sehingga kedua
rendah tersebut adalah faktor penghambat
unit memiliki tujuan yang sama.
kematangan keselarasan bisnis dan TI (inhibitors
2. Dilakukan pengukuran kematangan TI
factor) dan sebaliknya strategi dirumuskan dari
agar dapat diketahui kekurangan yang
faktor yang dapat meningkatkan kematangan
harus dibenahi.
keselarasan bisnis- TI (enabler factor)[4]. Tabel 3
3. Unit TI harus independent / berdiri sendiri
berikut adalah cara menentukan strategi yang
dan kemampuan dari tiap personil harus
tepat untuk meningkatkan kematangan
ditingkatkan.
keselarasan strategi bisnis dan strategi TI:
4. Ada komite penggerak TI yang selalu
memonitor proses dan melakukan evaluasi.
Tabel 3. Faktor enabler dan inhibitors
5. Harus dilakukan manajemen perubahan,
(Luftman, 1999)
dan ada pelatihan khusus untuk personil TI
inhibitors factor enabler factor
agar siap dengan adanya perubahan.
Tidak ada pertukaran Perlu adanya pertukaran
antara staf bisnis ke staf antara bisnis dan TI
5. SARAN
TI maupun agar staf bisnis
sebaliknya memahami TI dan staf Kendala yang dihadapi saat pengukuran
TI memahami bisnis kematangan keselarasan bisnis dan TI yaitu
sehingga kedua unit kurangnya bukti-bukti pendukung untuk
memiliki tujuan yang menjawab setiap pertanyaan. Pengukuran seperti

106

ini sama halnya dengan audit, keakuratan dan
keaslian data pendukung dibutuhkan agar strategi
yang nanti disusun tepat dan sesuai dengan
kondisi yang sebenarnya di dalam institusi
pendidikan tinggi. Untuk itu solusi yang tepat
untuk mengoptimalkan pengukuran kematangan
keselarasan bisnis dan TI ini yaitu:
1. Setiap jawaban dari narasumber harus disertai
bukti yang jelas.
2. Pengisian kuisioner harus didampingi oleh
peneliti karena kemungkinan besar
narasumber tidak mengerti dengan pertanyaan
yang diajukan di dalam kuisioner.
3. Perlu ada kesiapan dari pihak organisasi agar
meluangkan waktu untuk proses pengukuran.
4. Setiap jawaban narasumber harus
menunjukkan kondisi yang sebenarnya di
dalam organisasi.
5. Bukti-bukti pendukung haruslah resmi dan
memiliki pengesahan.
Seminar Nasional Informatika 2014
DAFTAR PUSTAKA
[1] Luftman, J. (2000). Assesing Business
Alignment Maturity, In Communications of
AIS (vol.4, art.14, pp 1-51). New York :
Stevens Institute of Technology.
[2] Luftman, Jerry N. (2003). Computing in
Information Age : Align in the Sand. New
York.
[3] Luftman, J. (2003). Measure Your Business-
IT Alignmen: The longstanding business-IT
gap be bridged with an assessment tool to
rate your efforts, In Business Management
(pp. 76-80) New York : optimizemag.com.
[4] Luftman, J., Papp, R. Brier, T. (1999)
“Enabler and Inhibitors of Business-IT
Alignment,” Communications of the
Association for Information Systems, (1) 11.
107
Seminar Nasional Informatika 2014

PENILAIAN KINERJA DOSEN DENGAN

MENGGUNAKAN METODE AHP
(STUDI KASUS : DI STMIK POTENSI UTAMA MEDAN)
Ria Eka Sari, Alfa Saleh

STMIK POTENSI UTAMA

JL.KL.YOS SUDARSO KM 6.5 TANJUNG MULIA MEDAN
ladiespure@gmail.com

Abstrak

Penilaian kinerja dosen pada universitas ataupun sekolah tinggi sangat diperlukan untuk melihat bagaimana
baik buruknya kinerja dosen dalam menjalankan semua kegiatan proses belajar mengajar yang ada pada
instansi dosen tersebut bekerja. Dalam mengevaluasi penilaian kinerja dosen diimplementasikan pada SPK
dengan menggunakan AHP untuk mendapatkan peringkat tertinggi dari keempat dosen. Penggunaan
perangkat lunak sistem pendukung keputusan (SPK) dengan metode Analytical Hierarchy Process(AHP)
menggunakan Super Decisions ini terdiri dari 4 kriteria, yaitu kriteria kehadiran dosen, pengumpulan nilai,
keterlambatan masuk pbm dan kecepatan masuk pbm pada suatu penilaian kinerja dosen dan yang menjadi
alternatif 4 dosen yang setelah diakumulasikan mendapatkan nilai tertinggi diantara dosen lainnya. Setelah
mengetahui parameter, langkah selanjutnya adalah menganalisis kebutuhan sistem, merekayasa pengetahuan,
menerapkan metode dan pengujian sistem dengan menggunakan Software Super Decisions.Diharapkan
metode ini dapat memudahkan untuk mendukung sesuatu keputusan dengan masalah yang kompleks.

Kata Kunci : Sistem Pendukung Keputusan, AHP, Super Decisions, Kinerja Dosen

1. PENDAHULUAN Permasalah yang terjadi karena susahnya Top

Sebagai seorang professional, kinerja dosen
juga perlu dinilai. Mulyadi (2007) menyatakan
penilaian kinerja adalah penetuan secara periodic
efektivitas operasional suatu organisasi, dan
personalnya, berdasarkan sasaran strategic,
standar, dan kriteria yang telah ditetapkan
sebelumnya. Secara umum Penilaian Kinerja
adalah proses dimana organisasi mengevaluasi
perfoma atau kinerja karyawan dengan tujuan
untuk meningkatkannya. Pada prinsipnya
penilaian kinerja merupakan cara pengukuran
kontribusi-kontribusi dari individu dalam instansi
yang dilakukan terhadap organisasi. Nilai penting
dari penilaian kinerja adalah menyangkut
penentuan tingkat konntribusi individu atau
kinerja yang diekspersikan dalam menyelesaikan
tugas-tugas yang menjadi tanggung jawab.
Penilaian kinerja dosen pada universitas
ataupun sekolah tinggi sangat diperlukan untuk
melihat bagaimana tingkat kinerja dosen dalam
menjalankan semua kegiatan proses belajar
mengajar yang ada pada instansi dosen tersebut
bekerja. Tujuan penelitian ini dimana ingin
mengetahui bagaimana pelaksanaan penilaian
kinerja dosen yang dilakukan dalam pelaksanaan
proses belajar mengajar, mengetahui pengaruh
produktivitas kerja dosen terhadap perusahaan
dan menentukan kinerja dosen yang terbaik
dengan menggunakan metode AHP sesuai
dengan kriteria yang telah ditetapkan[4].
Management untuk menentukan dosen terbaik
maka itu penulis mencoba untuk membuat system
pendukung keputusan dengan menggunakan
metode AHP yang kesimpulannya nantinya dapat
menghasilkan urutan atau peringka dosen mana
yang terbaik dari yang terbaik. hal penulis akan
menganalisis dan menguji metode Analitycal
Hierarchy Process (AHP) untuk pengolahan
datanya yang nantinya informasi yang dihasilkan
berguna untuk pihak Akademik dalam
menentukan kinerja dosen terbaik dalam proses
belajar mengajar.
2. DASAR TEORI
2.1 Sistem Pendukung Keputusan
Konsep Sistem Pendukung Keputusan
pertama kali diperkenalkan pada awal tahun
1970-an oleh Michael S. Scott Morton dengan
istilah Management Decision System. Konsep
pendukung keputusan ditandai dengan sistem
interaktif berbasis komputer yang membantu
pengambil keputusan memanfaatkan data dan
model untuk menyelesaikan masalah-masalah
yang tidak terstruktur. Pada dasarnya SPK
diracang untuk mendukung seluruh tahap
pengambilan keputusan mulai dari
mengidentifikasi masalah, memilih data yang
relevan, menentukan pendekatan yang digunakan
dalam prosen pengambilan keputusan, sampai
mengevaluasi pemilihan alternatif[1].

108
 Seminar Nasional Informatika 2014

1. Mendefenisikan permasalahan dan menentukan

tujuan. Bila AHP digunakan untuk memilih
alternatif atau menyusun prioritas alternatif,
Basis Data Model
maka tahap ini dilakukan pengembangan
alternatif.
2. Menyusun masalah ke dalam suatu struktur
hierarki sehingga permasalahan yang
kompleks dapat ditinjau dari sisi yang detail
dan terukur .
3. Menyusun prioritas untuk tiap elemen masalah
Interface
pada setiap hierarki. Prioritas ini dihasilkan
dari suatu matriks perbandingan berpasangan
antara seluruh elemen pada tingkat hierarki
yang sama.
Gambar 1. Komponen Sistem Pendukung 4. Melakukan pengujian konsistensi terhadap
Keputusan perbandingan antar elemen yang didapatkan
pada tiap tingkat hierarki. Thomas L. Saaty
Gambar 1. memperlihatkan Sistem membuktikan bahwa Indeks Konsistensi dari
Pendukung Keputusan terdiri atas tiga komponen matriks berordo –n )[3].
penting utama untuk menentukan kapabilitas
teknis, yaitu: Tabel 1. Penilaian Perbadingan Berpasangan
1. Subsistem manajemen data, subsistem
manajemen data memasukkan satu database
yang berisi data yang relevan untuk situasi dan
dikelola oleh perangkat lunak yang disebut
sistem manajemen database (DBMS)
2. Subsistem manajemen model, merupakan
paket perangkat lunak yang memasukkan
model keuangan, statistik, ilmu manajemen
atau model kuantitatif lainnya yang
memberikan kapabilitas analitik dan
manajemen perangkat lunak yang tepat.
3. Antarmuka Pengguna, pengguna
berkomunikasi dengan memerintahkan DSS
melalui subsistem ini[2].

2.2 METODE AHP

Pada Kasus di STMIK Potensi Utama Medan
Analytical Hierarchy Process (AHP)
Hubungan antara Kriteria dan Alternative dapat
dikembangkan oleh Thomas L. Saaty pada tahun
digambarkan sebagai berkut :
1970-an. Metode ini merupakan salah satu model
pengambilan keputusan multikriteria yang dapat GOAL Penilaian Kinerja Dosen
membantu kerangka berpikir manusia dimana
faktor logika, pengalaman pengetahuan, emosi
dan rasa dioptimasikan ke dalam suatu proses
sistematis. Pada dasarnya, AHP merupakan
metode yang digunakan untuk memecahkan KRITERIA Kehadiran Dosen Pengumpulan Nilai Keterlambatan Masuk PBM Kecepatan Selesai PBM

masalah yang kompleks dan tidak terstruktur ke

dalam kelompok–kelompoknya, dengan mengatur
kelompok tersebut ke dalam suatu hierarki,
kemudian memasukkan nilai numerik sebagai
pengganti persepsi manusia dalam melakukan ALTERNATIVE Dosen 1 Dosen 2 Dosen 3 Dosen 4
perbandingan relatif. Dengan suatu hipotesa maka
akan dapat ditentukan elemen mana yang
mempunyai prioritas tertinggi[1]. Gambar 2. Hirarki antara Kriteria dan
1. Tahapan–Tahapan ( AHP ) Alternative
Secara umum, tahapan-tahapan proses yang harus
dilakukan dalam menggunakan AHP untuk
memecahkan suatu masalah adalah sebagai 3. HASIL DAN PEMBAHASAN
berikut : Pengujian menggunakan software Super
Decisions menggunakan Ratings yang berfungsi

109
Seminar Nasional Informatika 2014

untuk menguji data perbandingan yang kita KSP AM NS LN YS

lakukan apakah konsisten atau tidak dan nantinya
juga memudahkan kita untuk mendapat peringkat AM 1/1 1/1 3/1 3/1
untuk mendukung keputusan nantinya. NS 1/1 1/1 1/1 2/1
1. Membuat Matriks Perbandingan Kriteria LN 1/3 1/1 1/1 2/1
Tahapan ini pemberian bobot masing-masing
kriteria menggunakan model AHP (Analytical YS 1/3 1/2 1/2 1/1
Hieracrchy Process) . Data kriteria didapatkan
dari pihak perusahaan yang langsung 2. Hasil Analisa Metode AHP
membandingkan kriteria dan kriteria sesuai Hasil analisa bobot dari kriteria dan alternative
dengan tabel kepentingan dan sampel hasil yang sudah dihitung dapat dilihat pada gambar
matriks perbandingan berpasangan dapat dilihat dibawah ini:
pada tabel 2.
Tabel 7. Hasil Analisa Kriteria
Tabel 2. Matriks Perbandingan Berpasangan K KD PN KMP KSP Eigen
Kriteria
Kriteria KH PN KMP KSP KD 1.000 4.000 7.000 7.000 0.6169
PN 0.250 1.000 6.000 6.000 0.2703
KH 1/1 4/1 7/1 7/1
KM 0.143 0.167 1.000 1.000 0.0564
PN 1/4 1/1 6/1 6/1 P
KMP 1/7 1/6 1/1 1/1 KSP 0.143 0.167 1.000 1.000 0.0564
KSP 7/1 1/6 1/1 1/1 JM 1.536 5.333 15.000 15.000 1.000
L
Tabel 3. Matriks Perbandingan Berpasangan
Alternatif berdasarkan kriteria Kehadiran E-Maks = 4.080982
Dosen CI = 0.026994 dan CR = 0.029993 < 0.1
KD AM NS LN YS Konsisten

AM 1/1 3/1 2/1 1/1 Tabel 8. Hasil Analisa Alternatif berdasarkan

NS 1/3 1/1 1/5 1/5 kriteria Kehadiran Dosen
KD AM NS LN YS Eigen
LN 1/2 5/1 1/1 2/1
YS 1/1 5/1 1/2 1/1 AM 1.000 3.000 2.000 1.000 0.3434
NS 0.333 1.000 0.2000 0.2000 0.0709
Tabel 4. Matriks Perbandingan Berpasangan LN 0.500 5.000 1.000 2.000 0.3225
Alternatif berdasarkan kriteria Pengumpulan YS 1.000 5.000 0.500 1.000 0.2632
Nilai
PN AM NS LN YS JM 2.833 14.000 3.700 4.200 1.000
L
AM 1/1 1/2 1/2 3/1
NS 2/1 1/1 2/1 4/1 E-Maks = 4.264257
CI = 0.088086 dan CR = 0.097873 < 0.1
LN 2/1 1/2 1/1 2/1
Konsisten
YS 1/3 1/4 1/2 1/1
Tabel 9. Hasil Analisa Alternatif berdasarkan
Tabel 5. Matriks Perbandingan Berpasangan kriteria Pengumpulan Nilai
Alternatif berdasarkan kriteria Keterlambatan PN AM NS LN YS Eigen
Masuk PBM
AM 1.000 0.500 0.500 3.000 0.2066
KMP AM NS LN YS
NS 2.000 1.000 2.000 4.000 0.4295
AM 1/1 1/2 3/1 2/1 LN 2.000 0.500 1.000 2.000 0.2649
NS 2/1 1/1 2/1 2/1 YS 0.333 0.250 0.500 1.000 0.0999
LN 1/3 1/2 1/1 2/1
JM 5.333 2.250 4.000 10.000 1.000
YS 1/2 1/2 1/2 1/1 L

Tabel 6. Matriks Perbandingan Berpasangan E-Maks = 4.117842

Alternatif berdasarkan kriteria Kecepatan CI = 0.039281 dan CR = 0.043645 < 0.1
Selesai PBM Konsisten

110
 Seminar Nasional Informatika 2014

tools Super decisions. Adapun tahap-tahapnya

Tabel 11. Hasil Analisa Alternatif berdasarkan adalah sebagai berikut :
kriteria Keterlambatan Masuk PBM
KMP AM NS LN YS Eigen 1. Tahap ini melakukan pengujian pada tool
super decision berikut Setelah semua Cluster
AM 1.000 0.500 3.000 2.000 0.3068
dihubungkan dengan semua Node, maka akan
NS 2.000 1.000 2.000 2.000 0.3835 terlihat seperti apada gambar 3.
LN 0.333 0.500 1.000 2.000 0.1752
YS 0.500 0.500 0.500 1.000 0.1346
JML 3.833 2.500 6.500 7.000 1.000

E-Maks = 4.215817
CI = 0.071939 dan CR = 0.079932 < 0.1
Konsisten

Tabel 12. Hasil Analisa Alternatif berdasarkan

kriteria Kecepatan Selesai PBM
KSP AM NS LN YS Eigen

AM 1.000 1.000 3.000 3.000 0.4015

NS 1.000 1.000 1.000 2.000 0.2719
LN 0.333 1.000 1.000 2.000 0.2069
Gambar 3. Cluster Yang Telah Terhubung
YS 0.333 0.500 0.500 1.000 0.1197
JML 2.667 3.500 5.500 8.000 1.000 Setelah semua Cluster terhubung, langkah
selanjutnya adalah melakukan perbandingan antar
Cluster dengan mengisi data pada jendela
E-Maks = 4.117867 Questionnaire dengan mengklik menu
CI = 0.039289 dan CR = 0.043654 < 0.1 Assess/Compare lalu klik Do Comparison untuk
Konsisten pengisian data seperti pada gambar 4.
Tabel 13. Hasil Analisa Dss atau Ranking
Perhitungan Manual
KD PN KMP KSP
Bob B.Fin Rank
ot 0.6169 0.270 0.056 0.05 al
3 4 64
AM 0.3434 0.206 0.306 0.40 0.307 1
6 8 15 6
NS 0.0709 0.429 0.383 0.27 0.200 4
5 5 19 3
LN 0.3225 0.264 0.175 0.20 0.292 2
9 2 69 1
YS 0.2632 0.099 0.134 0.11 0.203 3
9 6 97 5

Didapatkan kesimpulan bahwa Abdul

Meizar mendapat peringkat pertama Sebagai hasil
keputusan sebagai dosen dengan penilaian
kinerjanya paling baik. Labuan Nababan
peringkat kedua, Yusfrizal peringkat ketiga dan
Nita Sari peringkat keempat.
1. Abdul Meizar ( Peringkat Pertama )
2. Labuan Nababan ( Peringkat Kedua ) Gambar 4. Perbandingan Antara Cluster
3. Yusfrizal ( Peringkat Ketiga )
4. Nita Sari ( Peringkat Keempat) Pada langkah awal menentukan bobot
kriteria, inputkan nilai matriks berpasangan ke
software super decision seperti pada gambar 5.

3.2 Hasil Pengujian dengan Super Decisions

Untuk menguji konsistensi nilai CR > 0.1
maka sebaiknya kita uji dengan menggunakan

111
Seminar Nasional Informatika 2014

Gambar 5. Input Nilai Matriks Berpasangan

Perbandingan Kriteria

Gambar 5. memperlihatkan, nilai matriks

berpasangan yang didapatkan akan dimasukkan
ke dalam software super decisions untuk
dilakukan proses menentukan bobot kriteria.
berdasarkan goal maka prioritas perbandingan
kriteria dapat dijelaskan pada gambar 6.
Gambar 7. Hasil Bobot Prioritas
Perbandingan
Alternatif Berdasarkan Kehadiran Dosen

Gambar 8. Hasil Bobot Prioritas

Gambar 6. Hasil Pembobotan Nilai Matriks Perbandingan Alternatif Berdasarkan Kriteria
Berpasangan Kriteria Pengumpulan Nilai

Dari hasil proses pembobotan nilai matriks

berpasangan, maka didapatkan hasil perbandingan
bobot prioritas yaitu :
1. Kehadiran Dosen menjadi prioritas utama
dalam memilih kriteria untuk perbaikan jalan
dengan bobot kriteria sebesar 0.6061.
2. Pengumpulan Nilai menjadi prioritas kedua
yaitu dengan bobot prioritas sebesar 0.2734.
3. Keterlambatan Masuk PBM dan Kecepatan
Selesai PBM mempunyai prioritas yang sama
yaitu 0.060.

Gambar 9. Hasil Bobot Prioritas

Perbandingan Alternatif Berdasarkan Kriteria
Keterlambatan Masuk PBM

112
 Seminar Nasional Informatika 2014

Gambar 10. Hasil Bobot Prioritas

Perbandingan Alternatif Berdasarkan Kriteria Gambar 13. Rankings Lengkap Hasil Analisa
Kecepatan Selesai PBM

4. KESIMPULAN

1. Kriteria yang berpengaruh terhadap penentuan

2. Dari hasil analisis matrik AHP diperoleh
Gambar 11. Hasil Hasil Prioritas Keseluruhan
Kriteria
3. Metode AHP ternyata dapat digunakan dalam
penilaian kinerja dosen pada STMIK Potensi
Utama Medan adalah kriteria kehadiran dosen
dengan nilai 0.6169 (61%), kemudian
pengumpulan nilai 0.2703 (27%),
keterlambatan masuk pbm 0.0564 (5%) dan
kecepatan mengakhiri pbm 0.0564 (5%).
model keputusan, dengan prioritas yaitu untuk
seluruh bobot / prioritas kriteria dan alternatif
yang menjadi prioritas penilaian kinerja dosen
di STMIK Potensi Utama Medan adalah
peringkat 1 Abdul Meizar dengan nilai 0.3067
(30%) , peringkat 2 Labuan Nababan dengan
nilai 0.2877 (28%), peringkat 3 Yusfrizal
dengan nilai 0.2054 (20%), peringkat 4 Nita
Sari dengan nilai 0.2003 (20%).
proses penilaian kinerja dosen, karena metode
tersebut mampu menyelesaikan masalah
multikriteria yang belum terstruktur menjadi
lebih terstruktur dan lebih mudah dipahami
dengan hasil yang akurat.

4. Model sistem pendukung keputusan untuk

penilaian kinerja dosen pada STMIK Potensi
Utama Medan menggunakan metode AHP,
mempunyai 4 kriteria yaitu kehadiran dosen,
pengumpulan nilai, keterlambatan masuk pbm
da kecepatan keluar pbm sedangkan untuk
alternatif terdiri dari : Abdul meizar, Labuan
Gambar 12. Hasil Synthesized Priorities dari Nababan, Nita Sari dan Yusfrizal
Alternatives
5. SARAN

1. Perlunya ketelitian saat melakukan

perhitunggan berpasangan baik kriteria
maupun alternatif, kesalahan pada pemasukan
data dapat menyebabkan hasil akhir tidak
terpenuhi dan mengembangkan permasalahan

113
Seminar Nasional Informatika 2014
dengan menambahkan sub kriteria agar DAFTAR PUSTAKA
permasalahan lebih kompleks.
2. Bagi para peneliti yang ingin mengembangkan [1]
lebih luas dan lebih dalam lagi untuk
menentukan media informasi sistem
pengambilan keputusan ini dapat ditingkatkan
dengan menambahkan kriteria dan alternatif-
alternatif yang lebih banyak dan lebih
bervariasi dengan melengkapi dan [2]
menambahkan cluster beserta node pada
Super Decision untuk media penyampaian
informasi pada masa yang akan datang.
3. Agar penelitian ini lebih baik lagi diharapkan [3]
bagi para peneliti bisa membuat aplikasi
Sistem Pendukung Keputusan dengan metode
AHP yang sudah dijelaskan oleh peneliti
sebelumnya agar SPK ini lebih bermanfaat [4]
dan dapat digunakan dan dimengerti fungsi
dan tujuan sistem ini oleh orang banyak
114
Hilyah Magdalena., 2012, Sistem
Pendukung Keputusan Untuk Menentukan
Mahasiswa Lulusan Terbaik di Perguruan
Tinggi, Jurnal Teknologi Informasi dan
Komunikasi ISSN:2089-9815. Hal.50 sd
51.
[2] Efraim Turban, Jay E. Aronson, Ting
Peng Liang.,2005, Decision Support
System and Intelligent Systems Edisi 7
Jilid 1, Yogyakarta : Andi Offset.
Yusuf Anshori.,2012, Pendekatan
Triangular Fuzzy Number Dalam Metode
Analytical Hierarchy Process , Jurnal
Ilmiah Foristek Vol.2 No.1. Hal.127.
Mulyadi, 2007. Sistem Perencanaan dan
Pengendalian Manajemen, Penerbit
Salemba Empat, Jakarta.
 Seminar Nasional Informatika 2014

SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMAAN

PEMASANGAN LISTRIK SECARA GRATIS MENGGUNAKAN
METODE AHP
Shinta Siti Sundari1 , Dani Rohpandi2, Neng Fitri3

STMIK Tasikmalaya, JL. R.E. Martadinata No. 272 A Tasikmalaya

Teknik Informatika
E-mail : 1ss.shinta@gmail.com, 2danirtms@gmail.com, 3fitriismayanti63@yahoo.com

Abstrak

Dalam upaya penanggulangan kemiskinan, pemerintah khususnya kelurahan Panyingkiran Tasikmalaya

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

Kata kunci : Sistem Penunjang Keputusan, Bantuan dana sosial, perhitungan Analytical Hierarchy Process

1. PENDAHULUAN suatu hirarki dalam menentukan prioritas

Program pemberian bantuan dana sosial
berupa pemasangan listrik daya 450 va (satu
paket) secara gratis merupakan salah satu
program pemerintah dalam menaggulangi
kemiskinan yang dijalankan di di berbagai daerah,
termasuk di Kelurahan Panyingkiran Tasikmalaya
yang menjadi tempat studi kasus dalam penelitian
kali ini.
Dalam prosesnya, pihak kelurahan terlebih
dahulu harus menentukan siapa saja yang layak
menerima dan tidak layak menerima bantuan
sebelum dilakukan pembagian dana bantuan,
namun kadang kala terjadi ketidaksesuaian dalam
penentuannya dikarenakan data dan informasi
yang di terima kurang lengkap ,tidak akurat,
kurang dapat dipercaya dan kurang sesuai dengan
sasaran.pada akhirnya penentuan hanya
berdasarkan beberapa indikator saja bahkan
mengandalkan dugaan yang dipertimbangkan dari
penilaian kondisi luar saja , hal tersebut seringkali
menimbulkan kecemburuan sosial di kalangan
masyarakat. Dalam pendataannya dilakukan
dengan cara pencatatan langsung pada buku
sehingga waktu pengolahan yang dibutuhkan
cukup lama. Permasalahan-permasalahan
tersebut, minimal bisa kita kurangi melalui
pemanfaatan teknologi secara optimal dan
penerapan metode Analytical hierarchy process
(AHP) yang dapat menguraikan masalah multi
faktor atau multi kriteria yang kompleks menjadi
tertinggi, tapi sistem penunjang keputusan ini
hanya untuk memberikan alternatif pilihan bukan
untuk menentukan keputusan akhir.
Dengan sistem penunjang keputusan para
pengambil keputusan dalam menentukan
kebijakannya dapat dilakukan dengan cara yang
tepat, efektif, serta data yang ada akan dikelola
oleh sistem yang dibuat (komputerisasi), dengan
pengolahan data yang terkomputerisasi
diharapkan dapat menyajikan informasi yang
cepat, tepat, jelas, dan terarah. Analisa terhadap
data keluarga miskin kadang kala terjadi
ketidaksesuaian akibat kesalahan pada saat proses
pendataan, kesalahan dalam proses perhitungan,
dan penilaian yang bersifat subjektif serta
penyajian laporan pendataan yang tidak efektif
sehingga kurang mendukung dalam pengambilan
keputusan dan akhirnya penyaluran bantuanpun
kurang tepat sasaran. Untuk itu diperlukan sebuah
sistem penunjang keputusan untuk membantu
proses tersebut. Pembatasan Masalah pada
penelitian ini yaitu :
1. Studi kasus hanya dilakukan di Kelurahan
Panyingkiran.
2. Ruang lingkup penelitian hanya mengenai
bantuan dana sosial berupa pemasangan
listrik gratis di kelurahan panyingkiran
tasikmalaya dan tidak menyangkut bantuan
yang lain.

115
Seminar Nasional Informatika 2014
3. Hasil keputusan hanya mengenai masyarakat
yang layak atau tidak layak mendapat bantuan.
4. Bantuan hanya ditujukan bagi masyarakat
yang memenuhi kriteria kelayakan yang sudah
ditentukan.
5. Pengembangan aplikasi difokuskan pada
implementasi metode Analytical Hierarchy
Process terhadap kelayakan penerima
bantuan.
6. Hasil penelitian diimplementasikan pada
sebuah program aplikasi dengan bahasa
pemrograman Microssoft Visual Basic 6.0 dan
database Microssoft Access.
2. METODE PENELITIAN
2.1. Pengertian Sistem Penunjang Keputusan
Sistem penunjang keputusan (SPK) adalah
bagian dari sistem informasi berbasis komputer
termasuk sistem berbasis pengetahuan atau
manajemen pengetahuan yang dipakai untuk
mendukung pengambilan keputusan dalam suatu
organisasi atau perusahaan. [3]
2.2. Pengertian Metode AHP
Metode Analytical Hierarchy Process
(AHP) merupakan metode untuk memecahkan
suatu situasi yang kompleks tidak terstruktur ke
dalam beberapa komponen dalam susunan yang
hirarki, dengan memberi nilai subjektif tentang
pentingnya setiap variabel secara relatif, dan
menetapkan variabel mana yang memiliki
prioritas paling tinggi guna mempengaruhi hasil
pada situasi tersebut.[7]
Tabel 1. Skala Dasar Pengukuran AHP
Tingkat
Kepen- Definisi
tingan
1 Kedua elemen sama pentingnya
Elemen yang satu sedikit lebih
penting dari pada elemen yang
3 lainnya
Elemen yang satu lebih penting
5 dari pada yang lainnya
Satu elemen jelas lebih mutlak
7 penting dari pada elemen lainnya
Satu elemen mutlak penting dari
9 pada elemen lainnya
Nilai-nilai antara dua nilai
pertimbangan-pertimbanagan
2,4,6,8 yang berdekatan
Kebalika Jika suatu sifat (X) dibandingkan
nnya dengan sifat lain (y), maka
nilainya saling berkebalikan.
116
2.3. Metode Yang Digunakan
Berdasarkan permasalahan yang dihadapi
di kelurahan panyingkiran, penyusun
menggunakan metode penelitian kualitatif atau
disebut juga dengan metode penelitian
Naturalistik yaitu metode yang berusaha
mengumpulkan data sesuai dengan keadaan yang
sebenarnya untuk memecahkan masalah yang ada,
dimana metode penelitian ini digunakan untuk
meneliti pada kondisi objek alamiah (sebagai
lawannya adalah eksperimen), dan teknik-teknik
pemecahan masalahnya dengan mengggunakan
sistem informasi dan komputer. Karena dalam hal
ini terjadi peningkatan kualitas sistem dan
kualitas kerja[12].
Adapun metode yang digunakan untuk
membangun suatu sistem pendukung keputusan
dalam menentukan kelayakan masyarakat yang
menerima bantuan dana sosial, berupa
pemasangan listrik menggunakan metode
Analytical Hierarchy Process yaitu suatu model
keputusan yang menguraikan masalah multi
faktor atau multi kriteria yang kompleks menjadi
suatu hirarki, dimana suatu representasi dari
sebuah permasalahan yang kompleks dalam suatu
struktur multi level.
Metode perancangan perangkat lunak yang
digunakan adalah metode SDLC (System
Development Life Cycle). SDLC merupakan
siklus hidup pengembangan sistem yang memiliki
tahapan Perencanaan, Analisis, Perancangan,
Implementasi, Pengujian dan Pemeliharaan.[6]
3. HASIL DAN PEMBAHASAN
3.1. Analisis Kebutuhan Fungsional
Prosedur yang berjalan adalah prosedur
proses penentuan kelayakan penerimaan bantuan
dana sosial bagi masyarakat miskin. Adapun alur
yang terjadi adalah sebagai berikut:
1) Masyarakat mengajukan bantuan dana sosial
berupa pemasangan listrik secara gratis
melalui kepala RW setempat yang kemudian
diserahkan kepada pihak kelurahan
khususnya KASI KESRA (Kesejahteraan
Rakyat).
2) KASI KESRA melakukan peninjauan dan
penilaian berdasarkan indikator yang telah
ditentukan terhadap data masyarakat telah
yang diterima untuk selanjutnya dipilih siapa
saja yang berhak menerima bantuan sesuai
kuota yaitu 6 keluarga / tahun, proses
penilaian tersebut dilakukan melalui metode
perhitungan analitycal hierarchy process
(AHP). Dan data-data tersebut disimpan
dalam suatu database.
3) Data yang terpilih kemudian dibuatkan
dalam bentuk laporan.
4) Laporan hasil penilaian beserta data
penerima bantuan di serahkan kepada kepala
 Seminar Nasional Informatika 2014

kelurahan untuk disetujui yang kemudian SPK DANSOS Pemasangan Listrik

diajukan ke PEMKOT (Pemerintah Kota) Data

Penilaian
setempat untuk penyetujuan kembali dan <<Extend>>

pencairan dana sosial. Perekayasa Data Laporan

sistem Masyarakat
5) Setelah laporan data diterima, PEMKOT
<<Extend>>
mengeluarkan surat pemberitahuan sebagai <<Extend>>

<<Include>>
tanda bahwa pengajuan disetujui dan Login
Halaman
Utama

diterima sekaligus dengan pencairan dana <<Extend>> <<Extend>>

untuk dialokasikan. User

Fakta

6) Pihak kelurahan menerima surat Profil

Kelurahan
Integritas

pemberitahuan tersebut beserta dana bantuan

untuk selanjutnya dialokasikan kepada Gambar 2. Use case Dansos listrik
masyarakat sesuai data penerima yang telah
disetujui melalui bagian pelaksana KASI Keterangan :
KESRA. - Login sebagai syarat untuk masuk ke menu
7) Masyarakat menerima surat pemberitahuan utama,
keputusan penerimaan bantuan beserta dana - User memasukkan nama dan password pada
bantuan yang sudah ditentukan. form login, sistem melakukan pengecekan
8) KASI KESRA kembali membuat laporan nama dan password yang dimasukkan
data penerima bantuan dana sosial berupa dengan data yang tersimpan di database.
pemasangan listrik secara gratis sesuai
dengan yang terealisasi yang nantinya Spesifikasi Login

diserahkan kepada kepala kelurahan.

<<Include>> Halaman
Login
BAGIAN KASI KESRA Utama
RW PEMKOT
MASYARAKAT (KASI Kesejahteraan KEPALA KELURAHAN
(Rukun Warga) (Pemerintah Kota)
Rakyat)

Mulai masuk

Surat pengajuan Laporan hasil penilaian

Laporan
Surat pengajuan Bantuan dan data pengajuan
Pengajuan pengajuan
Bantuan penerima bantuan
Bantuan

Tampilkan
user Perekayasa
User sistem
Penyetujua Pemeriksaan
Pemeriksaan n laporan laporan
Data untuk
diajukan
Gambar 3. use case spesifikasi login
Penyetujuan Spesifikasi Data Masyarakat
Laporan laporan
Proses penilaian
pengajuan yang Dan pencairan
sesuai kriteria
sudah disetujui dana <<Include>>
Dengan perhitungan Halaman
AHP Login
Utama

<<Extend>>
Laporan
Penyimpanan Data
Data
Masyarak
User at

Laporan hasil
penilaian dan data
penerima bantuan Edit Hitung
Penilaian

Pembuatan Delete
surat
pemberitahuan
penerimaan
bantuan Tambah

Surat Surat Surat

pemberitahuan Surat Save
pemberitahuan pemberitahuan
Dan penerimaan pemberitahuan dan Perekayasa
dan dana Dan penyerahan
dana bantuan dana bantuan
bantuan dana sistem

Gambar 4. usecase spesifikasi data masyarakat

Pembuatan laporan data
penerima bantuan yang
terealisasi

Laporan
Laporan penerima
penerima bantuan
bantuan

Gambar 1. Flowchat Dokumen dari sistem

khusus yang diajukan
A. Usecase

117
Seminar Nasional Informatika 2014

Spesifikasi Data Penilaian Dibawah ini activity diagram dari program

<<Include>> Halaman
yang akan dibuat.
Login
Utama

Masuk Halaman Login Menu Utama

Data
Masyarakat
File Data Masyarakat Laporan Fakta integritas Profil kelurahan

Input Data Masyarakat Data Penilaian

User Data Logout
Penilaian Perekayasa
sistem Hitung Kelayakan Hitung prioritas Sejarah dan tugas Sekilas
Laporan Dansos Laporan rincian Struktur
pokok DANSOS listrik
listrik Data masyarakat

<<Include>> Simpan data Uji Konsistensi

Hitung Hitung
Prioritas Kelayakan Delete Add
Laporan rincian Laporan rincian
Data indikator Data penilaian
Edit
Uji Konsistensi

Save

Gambar 5. use case spesifikasi data penilaian

Spesifikasi Laporan
Gambar 8. Activity Diagram DANSOS Listrik
<<Include>> Halaman
Login
Utama

3.2. Perancangan Basis Data

<<Extend>>
Entity Relationship Diagram (ERD)
Laporan merupakan suatu diagram yang menggambarkan
User
rancangan data yang akan disimpan atau dibentuk
Laporan
rincian data Laporan
logika yang akan dipakai untuk menganalisa dan
penilaian DANSOS
Listrik
mendesain suatu basis data yang akan dibentuk.
Perekayasa
Adapun ERD pada sistem penunjang
Laporan
Laporan
rincian data
sistem
keputusan kelayakan penerimaan bantuan dana
rincian data
indikator
masyarakat sosial ini dapat dilihat pada gambar berikut :

p_penghasilan sp_penghasilan
Gambar 6. use case spesifikasi laporan
no_ktp nama kd_indikator p_tanganak
st_penduduk
Spesifikasi Profil kelurahan
kd_pemohon alamat kd_pemohon kd_indikator st_pemilik
sp_tanganak
Halaman
Login
Utama
<<Include>> Masyarakat Mempunyai Penilaian Mempunyai Indikator

<<Extend>>
no_rek jarak_tiang jml_nilai p_tangpok penghasilan
aset
Profil
kelurahan ket
sp_aset sp_tangpok
t_pokok t_anak
Sejarah p_aset
User Perekayasa
singkat sistem
dan tugas
pokok

Struktur
Gambar 9. Entity Relationship Diagram
organisasi

3.3. Relasi Antar Tabel

Gambar 7. use case spesifikasi profil datnilai datindikator

kelurahan **kd_pemohon *kd_indikator

**kd_indikator st_penduduk
B. Activity Diagram p_penghasilan st_pemilik
Activity diagram merupakan suatu
datmas sp_penghasilan Penghasilan
bentuk flow diagram yang memodelkan alur
*kd_pemohon p_tanganak t_anak
kerja (workflow) sebuah proses sistem
informasi dan urutan aktifitas sebuah proses. no_ktp sp_tanganak t_pokok

kita dapat memodelkan sebuah alur kerja Nama p_tangpok aset

dari suatu aktifitas ke aktifitas lainnya atau Alamat sp_tangpok
dari suatu aktifitas kedalam keadaan sesaat. no_rek p_aset
Activity diagram akan lebih bermanfaat jarak_tiang sp_aset
apabila terlebih dahulu kita memodelkan
ket jml_nilai
sebuah proses untuk membantu kita
memahami proses secara keseluruhan. Gambar 10. Relasi antar table

118
 Seminar Nasional Informatika 2014

3.4. Implementasi Metode Perhitungan AHP Tabel 3 . Nilai prioritas dan sub prioritas yang
(Analitycal Hierarchy Proccess) digunakan
Penghas TanggungTanggungan
Tabel 2. Indikator yang digunakan Aset
ilan an anak pokok
Indikator yang Prioritas 0.45 0.25 0.25 0.05
Indikator lama
diajukan x 1.00 1.00 1.00 1.00
1. Status 1. Status y 0.55 0.55 0.55 0.55
kependudukan kependudukan z 0.30 0.30 0.30 0.30
2. Status Kepemilikan 2. Status
Rumah Kepemilikan
Keterangan :
3. Penghasilan Rumah
x y z
3. Penghasilan
<= 500.000 >500.000 >1.250.000
4. Tanggungan Anak
Penghasilan sampai<=
5. Tanggungan
1.250.000
pokok
Tanggungan >2 <=2 0
6. Aset lain
anak
Tanggungan >500.000 >300.000 <300.000
Khusus untuk status kependudukan dan
Pokok sampai500.000
status kepemilikan rumah, perhitungan /
penilaiannya tanpa melalui metode Analytical <=1.000.000 >1.000.000 >3.000.000
Aset Lain
Hierarchy Process (AHP) karena indikator sampai3.000.000
tersebut bersifat mutlak.
Ketentuan penilaiannya adalah sebagai 3.5. Implementasi
berikut: Program yang akan dirancang merupakan
Penduduk kota Tasikmalaya
suatu program untuk sistem penunjang keputusan
Status dalam penentuan kelayakan penerimaan bantuan
Kependudukan

Bukan penduduk kota Tasikmalaya

dana sosial berupa pemasangan listrik secara
gratis yang dimulai dengan halaman login, jika
berhasil dalam tahap login maka akan muncul
Milik Sendiri
halaman menu utama. Selanjutnya user dapat
Status Kepemilikan
Rumah memilih salah satu diantara menu tersebut,.
Bukan milik sendiri (sewa/kontrak) Pada menu data masyarakat, user dapat
menginputkan data masyarakat dan data indikator
sesuai dengan permintaan yang ada, kemudian
user juga dapat menyimpan, menghapus, serta
menambahkan file baru. Jika semua indikator
mutlak terpenuhi, maka akan ada petunjuk untuk
menuju halaman berikutnya.
Program ini juga dapat menampilkan
laporan – laporan dari proses sebelumnya.
Tergantung dari data yang diminta. Serta dapat
pula melihat profil kelurahan jika diperlukan

3.6. Pengujian
Gambar 11. Ketentuan indicator
Tabel 4. Tabel Pengujian
Item Uji Detail Jenis
Apabila semua indikator diatas telah
Pengujian Pengujian
terpenuhi dan timbulnya perhitungan yang
Login Verifikasi Blackbox
menghasilkan nilai yang sama dan termasuk pada
Login
kuota yang tersedia maka dilakukan pertimbangan
tambahan pada indikator alternatif yang Form Menu Menu Blackbox
disediakan. Utama
Berikut ketentuan Indikator alternative Form Data Input Blackbox
yang disediakan. Masyarakat
1. Tanggungan Kesehatan khusus (ada/tidak ada) Form Data Input Blackbox
2. Usia Produktif (termasuk/tidak termasuk) Penilaian
3. Tabungan (memiliki/tidak memiliki) termasuk Form Fakta output Blackbox
jumlah tabungan jika ada. Integritas
4. Jenis Penghasilan (tetap/tidak tetap)
Adapun pengujian metode keputusan disini
lebih mengarah pada kesesuaian antara hasil

119
Seminar Nasional Informatika 2014

perhitungan dengan ketentuan perhitungan yang

berlaku..
Tabel 5. Hasil Pengujian
No Aspek Pengujian Hasil
Kesesuaian Permasalahan
1 dengan metode yang Diterima
digunakan
Penggunaan lebih dari 2
2 Diterima
indikator
Penentuan bobot
3 Diterima
kepentingan
4 Konsistensi nilai Diterima
Nilai prioritas tertinggi
5 Diterima Gambar 14. Layout Input Data Masyarakat
adalah 1.00
Penentuan kelayakan dilihat
6 Diterima
dari total nilai tertinggi
Kesesuaian hasil nilai
6 dengan ketentuan Diterima
perhitungan
Adanya contoh kasus
7 dengan berbagai Diterima
kemungkinan kondisi.

Gambar 15. Layout Input Data Penilaian

Gambar 12. Layout Login

Gambar 16. Layout Laporan

4. KESIMPULAN

Setelah melakukan pembahasan dan

Gambar 13. Layout Menu Utama
pengkajian tentang perancangan sistem penunjang
keputusan penentuan kelayakan penerimaan
bantuan dana sosial berupa pemasangan listrik
secara gratis di Kelurahan Panyingkiran
Tasikmalaya, penelitian ini dapat ditarik beberapa
kesimpulan, yaitu:
1) Dengan adanya sistem penunjang keputusan
tersebut, dapat membantu mempermudah
proses kinerja kepala kelurahan dalam
pengambilan keputusan untuk menentukan
kelayakan masyarakat dalam menerima
bantuan dana sosial.

120

2) Tidak ada kriteria khusus untuk membantu
proses penilaian kelayakan penerima
bantuan.
3) Sistem penunjang keputusan ini
dikembangkan dari sisi penilaian terhadap
kriteria yang ada melalui metode Analytical
Hierarchy Process (AHP) Sehingga pihak
terkait dapat mengambil keputusan yang
terbaik.
4) Kemajuan teknologi dapat dimanfaatkan
dengan sebaik-baiknya oleh pihak kelurahan
sehingga dalam sistem pengolahan data
maupun penilaian bisa lebih baik dari
sebelumnya.
5. SARAN
1) Sesuai dengan perkembangan Teknologi
informasi dewasa ini, disarankan agar
pengguna (user) dapat menerapkan,
memanfaatkan dan memaksimalkan sistem
yang telah dibuat oleh penulis.
2) Perlu ditambahkan indikatoratau kriteria
untuk lebih memaksimalkan informasi yang
dihasilkan, sehingga sistem ini tidak cuma
bisa memberikan alternatif pilihan tapi bisa
menentukan keputusan akhir.
3) Dianjurkan untuk mengadakan pelatihan
terhadap karyawan khususnya pengguna,
agar sistem tersebut bisa lebih dioptimalkan.
4) Karena hasil penilaian saat ini dirasakan
masih kurang dari sempurna, untuk itu pada
pengembangan selanjutnya disarankan
diadakan penambahan form untuk
menambah indikator, dan meningkatkan sisi
sumber data yang di peroleh agar penilaian
lebih akurat dan lengkap.
Seminar Nasional Informatika 2014
DAFTAR PUSTAKA
[1] Jogiyanto, Analisis dan Desain Sistem
Informasi Pendekatan Terstruktur Teori dan
Praktek Aplikasi Bisnis, Yogyakarta: Andi,
2007 hal. 20.
[2] Kusrini M.Kom, Strategi Perancangan dan
Pengolahan Basis Data,Yohanes D.Jati
Purnama, Bandung: Andi, 2007 hal. 22.
[3] Jogiyanto.HM.,MBA.,Akt.,Ph.D,Pengenala
n Komputer: DasarI lmu Komputer,
Pemrograman, SistemInformsi dan
Inteligensi Buatan, Ed III., Andi Offset,
Yogyakarta: Hal. 711.
[4] Kadir, Abdul.Pengenalan Sistem Informas i
Edisi kesatu, Andi Yogyakarta : 2008 Hal.
254.
[5] KuristantoAndri, Perancangan
SistemInformasi dan Aplikasi,Gava Media,
Yogyakarta: 2008, hal. 81.
[6] Kusrini M.Kom, Konsep Dan Aplikasi
Sistem Pendukung Keputusan, Yogyakarta:
Andi, 2008 hal. 15,20.
[7] Kusrini M.Kom, Konsep Dan Aplikasi
Sistem Pendukung Keputusan, Yogyakarta:
Andi, 2008 hal. 134, 138
[8] Wahab,Abdul Aziz, Anatomi Organisasi dan
Kepemimpinan Pendidikan, Bandung:
Alfabeta, 2008 hal. 35.
[9] Sugiyono, Prof Dr., Metode Penelitian
Kuantitatif Kualitatif dan R & D, CV.
Alfabeta, Bandung, 2009, Hal : 8, 225
[10] Nugroho, Adi, Rekayasa Perangkat Lunk
Berorientasi Objek dengan Metode USDP
(Yogyakarta: CV. Andi Offset, 2010), Hal:4
[11] Haer,Talib.PanduanLengkap Microsoft
Access 2010, (ElexmediaKomputindo,
2011), hal 15
[12] Nurhadi, Zikri Fachrul, M.Si., dan A.H Din,
Makbul, M.Si., Metodologi Penelitian
Kualitatif, Alfabeta Bandung, Bandung,
2012, Hal: 39
121
Seminar Nasional Informatika 2014

SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA

SAWIT DENGAN METODE CERTAINTY FACTOR
Linda Wahyuni1, Surya Darma2
1
Dosen Jurusan Sistem Informasi, STMIK Potensi Utama
2
Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com

Abstrak

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

Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor.

1. Pendahuluan suatu bidang keahlian. Hal ini dilakukan dengan

Seiring dengan perkembangan teknologi
komputer, boleh dikatakan komputer telah
menjadi benda yang umum di jumpai diberbagai
aspek kehidupan manusia, misalnya sebagai alat
bantu bisnis, alat komunikasi dan navigasi, alat
bantu pendidikan, alat bantu sains, sampai alat
bantu dalam proses produksi. Untuk
memaksimalkan kemampuan komputer
diperlukan perangkat lunak yang handal dalam
menangani pemrosesan data dan penyajian
informasi yang dibutuhkan [4]
Tanaman kelapa sawit (Elaeis guinensis)
berasal dari Nigeria, Afrika Barat. Pada
kenyataannya tanaman kelapa sawit hidup subur
di luar daerah asalnya, seperti Malaysia,
Indonesia, Thailand, dan Papua Nugini. Bagi
Indonesia, tanaman kelapa sawit memiliki arti
penting bagi pembangunan perkebunan nasional.
Selain mampu menciptakan kesempatan kerja
yang mengarah pada kesejahteraan masyarakat,
juga sebagai sumber perolehan devisa negara.[2]
Ilmu yang mempelajari bagaimana
membuat suatu mesin seolah-olah memiliki
kecerdasan buatan dalam memecahkan suatu
masalah yang diberikan padanya disebut dengan
artificial intelligence atau kecerdasan buatan.
Sistem pakar merupakan salah satu software yang
dapat menduplikasi fungsi seorang pakar dalam
cara memberi basis pengetahuan dan inferensi
sehingga dapat menggunakan penalaran dalam
memecahkan masalah. Program ini bertindak
sebagai seorang penasehat dalam suatu
lingkungan keahlian tertentu. Metode inferensi
dalam penulisan ini menggunakan metode
certainty factor yang merupakan pendekatan yang
dimulai dari sekumpulan data menuju kesimpulan
dan penalarannya secara deduktif, yang
menentukan fakta spesifikasi dari aturan-aturan
yang umum untuk mendapatkan kesimpulan yang
lebih khusus.
Salah satu aplikasi sistem pakar adalah
dalam bidang pertanian khususnya yang
digunakan untuk mendiagnosa penyakit pada
tanaman kelapa sawit. Masyarakat awam kurang
memahami dalam menangani gejala-gejala
penyakit pada tanaman kelapa sawit, disamping
itu kurangnya informasi membuat masyarakat
awam buta akan menyimpulkan jenis penyakit
apa yang diderita oleh tanaman kelapa sawit
tersebut, hal ini juga salah satu faktor
menurunnya devisa negara dalam mengekspor
minyak kelapa sawit ke luar negeri.
Dengan demikian pada makalah ini akan
dirancang suatu sistem yang bertujuan untuk
menyajikan pengadopsian cara berpikir manusia
kedalam suatu program sistem pakar yang mampu
mendiagnosa penyakit tanaman kelapa sawit

122
 Seminar Nasional Informatika 2014

dengan metode certainty factor sebagai alat bantu kemudian tahun 1923 mulai mengekspor minyak
dalam mengambil kesimpulan pada penyakit inti sawit sebesar 850 ton.[2]
tanaman kelapa sawit tersebut.
2.4 Metode Certainty Factor
2. Dasar Teori
Certainty Factor (CF) menunjukkan ukuran
2.1 Sistem Pakar kepastian terhadap suatu fakta atau aturan [3].
Dalam mengekspresikan derajat keyakinan,
Sistem Pakar (Expert System) adalah suatu Certainty Theory menggunakan suatu nilai yang
program komputer cerdas yang menggunakan disebut certainty factor (CF) untuk
knowledge (pengetahuan) dan prosedur inferensi mengasumsikan derajat keyakinan seorang pakar
untuk menyelesaikan masalah yang cukup sulit terhadap suatu data. certainty factor
sehingga membutuhkan seorang yang ahli untuk memperkenalkan konsep belief/keyakinan dan
menyelesaikannya [1]. Semakin banyak disbelief/ketidakyakinan. Konsep ini kemudian
pengetahuan yang dimasukkan kedalam sistem diformulasikan dalam rumusan dasar sebagai
pakar, maka sistem tersebut akan semakin berikut:
bertindak sehingga hampir menyerupai pakar CF[H,E] = MB[H,E] – MD[H,E]
sebenarnya.
Keterangan :
CF = Certainty Factor (Faktor Kepastian)
dalam Hipotesis H yang dipengaruhi
oleh fakta E.
MB = Measure of Belief (Tingkat
Keyakinan),
merupakan ukuran kenaikan dari
kepercayaan hipotesis H
Gambar : 1. Konsep Dasar Sistem Pakar dipengaruhi oleh fakta E.
MD = Measure of Disbelief (Tingkat
2.2 Kekurangan Sistem Pakar Ketidakyakinan), merupakan
kenaikan dari ketidakpercayaan
Selain manfaat, ada juga beberapa hipotesis H dipengaruhi oleh fakta
kekurangan yang ada pada Sistem Pakar, E.
diantaranya [5]: E = Evidence (Peristiwa atau Fakta)
1. Biaya yang sangat mahal untuk membuat dan
memeliharanya. Ada 3 hal yang mungkin terjadi pada metode
2. Sulit dikembangkan karena keterbatasan Certainty Factor, yaitu :
keahlian dan ketersediaan pakar. 1. Beberapa evidence dikombinasikan untuk
3. Sistem pakar tidak 100% bernilai benar. menentukan CF dari suatu hipotesis. Jika e1
dan e2 adalah observasi ditunjukkan oleh
2.3 Sekilas Sejarah Kelapa Sawit gambar. 2, Maka:

Kelapa sawit pertama kali diperkenalkan di

Indonesia oleh pemerintah Belanda pada tahun
1848. Ketika itu ada empat batang bibit kelapa
sawit yang dibawa dari Mauritius dan Amsterdam
dan ditanam di Kebun Raya Bogor. Tanaman
kelapa sawit mulai diusahakan dan dibudidayakan Gambar 2. Dua Efidence
secara komersial pada tahun 1911. Perintis usaha
perkebunan kelapa sawit di Indonesia adalah
Adrien Hallet, seorang Belgia yang telah belajar
banyak tentang kelapa sawit di Afrika. Budi daya
yang dilakukannya diikuti oleh K. Schadt yang
menandai lahirnya perkebunan kelapa sawit di
Indonesia. Sejak saat itu perkebunan kelapa sawit
di Indonesia mulai berkembang. Perkebunan
kelapa sawit pertama berlokasi di Pantai Timur 2. CF dihitung dari kombinasi beberapa hipotesis
Sumatera (Deli) dan Aceh. Luas areal .Jika h1 dan h2 adalah hipotesis yang
perkebunannya mencapai 5.123 ha. Indonesia ditunjukkan oleh gambar. 3.
mulai mengekspor minyak sawit pada tahun 1919
sebesar 567 ton ke negara-negara Eropa,

123
Seminar Nasional Informatika 2014
Gambar 3. Kombinasi Beberapa Hipotesis
Maka :
3. Beberapa aturan saling bergandengan, ketidak
pastian dari suatu aturan menjadi input untuk
aturan yang lainnya. Jika beberapa aturan
saling bergandengan ditunjukkan oleh gambar.
4 berikut:
Gambar 4. Beberapa Aturan Saling
Bergandengan
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e])
MB’[h,s] = ukuran kepercayaan h berdasarkan
keyakinan penuh terhadap validitas s. [6]
2.5 Kelebihan dan Kekurangan Certainty
Factor
Kelebihan dari metode Certainty Factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar
yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat
mengolah 2 data saja sehingga keakuratan
data dapat terjaga [5].
Sedangkan kekurangan metode Certainty
Factor adalah:
1. Pemodelan ketidak pastian yang
menggunakan perhitungan metode Certainty
Factor biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan
beberapa kali pengolahan data [5].
3. Analisa dan Perancangan
Desain Sistem
Perancangan desain sistem yang akan
dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan use case diagram, dan sequence
diagram konsultasi saja.
124
1. Use Case Diagram
Adapun diagram yang menggambarkan
interaksi beberapa aktor dalam sistem yang di
rancang ini dapat dilihat pada gambar. 5 berikut
ini:
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN
METODE CERTAINTY FACTOR
Login pakar
<<include>>
<<include>>
<<include>>
Login user
<<include>>
<<include>> <<include>>
Mengolah data pakar
Input data user Input data aturan
<<include>>
<<include>>
Pakar
Input data penyakit
Melakukan konsultasi
<<extend>> Mengolah basis
pengetahuan
<<include>>
User
Mendapatkan hasil konsultasi Manipulasi hasil
Melihat laporan hasil konsultasi
Gambar 5. Use Case Diagram
Pada use case diagram di atas terdapat 2 aktor
yaitu User, dan Pakar. Kedua aktor tersebut
memiliki peranan masing-masing, yaitu tugas user
yang melakukan konsultasi, sebelum user
melakukan aktifitas konsultasi user diwajibkan
login terlebih dahulu sebagai login user, langkah
selanjutnya yaitu mengisi data user, dikarenakan
agar seorang pakar dapat mengetahui pengguna
sistem tersebut, setelah user melakukan
konsultasi, user dapat melihat langsung hasil
konsultasi tersebut. Pakar disini bertindak sebagai
mengolah data pakar, menginput data aturan,
menginput data penyakit, mengolah basis
pengetahuan, manipulasi hasil setelah sebelumnya
telah melakukan login pakar terlebih dahulu, dan
melihat laporan hasil konsultasi untuk keperluan
akses sistem.
2. Sequence Diagram Konsultasi
Sequence Diagram menggambarkan
perilaku pada sebuah skenario, diagram ini
menunjukkan sejumlah contoh objek dan message
(pesan) yang diletakkan diantara objek-objek ini
di dalam use case, dalam hal ini penulis hanya
menggambarkan skenario sequence diagram
konsultasi. Gambar. 6 berikut merupakan
sequence diagram konsultasi user.
 Seminar Nasional Informatika 2014

Bentuk pernyataannya adalah :

Data User Menu Konsultasi User Basis Pengetahuan
JIKA [gejala 1]
JIKA [gejala 2]
User Input data user Simpan data user
DAN [gejala 3]
MAKA [Penyakit]
Memberikan pertanyaan Memberikan pertanyaan Berikut ini merupakan algoritma yang di
Menjawab Pertanyaan gunakan dalam mendiagnosa penyakit pada
Cek Gejala
tanaman kelapa sawit.
Hasil Diagnosa
5. Kaidah untuk Penyakit Daun Bibit Muda
Diagnosa
(Anthracnose)
IF Daun terdapat bercak-bercak
dikelilingi warna kuning,
AND Adanya warna hitam dan coklat di
antara tulang daun,
AND Daun yang terserang menjadi
kering,
Gambar : 6. Sequence Diagram Konsultasi
THEN Penyakit daun bibit muda
(anthracnose)
4. Pembahasan
6. Kaidah untuk Penyakit Akar (Blast Disease)
Representasi Pengetahuan
Representasi pengetahuan (knowledge IF Akar menjadi lunak,
representation) adalah cara untuk menyajikan AND Daun bibit kusam berwarna
pengetahuan yang diperoleh ke dalam suatu kekuning-kuningan yang dimulai
skema/diagram tertentu sehingga dapat diketahui dari bagian ujung daun,
relasi antara suatu pengetahuan dengan AND Daun menjadi layu,
pengetahuan yang lain dan dapat dipakai untuk AND Daun berubah warna menjadi
menguji kebenaran penalarannya. Representasi kuning cerah,
pengetahuan dibutuhkan untuk menangkap sifat- AND Daun terdapat bercak-bercak
sifat penting masalah dan mempermudah dikelilingi warna kuning,
prosedur pemecahan masalah dalam mengakses THEN Penyakit akar (blast disease)
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu 7. Kaidah untuk Penyakit Tajuk (Crown Disease)
mengekspresikan pengetahuan (fakta), namun IF Tanaman berumur 2-4 tahun,
semua cara tersebut harus mengacu pada dua AND Helai daun mulai dari pertengahan
entitas berikut. sampai ujung pelepah kecil-kecil,
3. Fakta, yaitu kejadian sebenarnya. Fakta inilah AND Daunnya robek-robek,
yang akan kita representasikan. AND Pelepah membengkok,
4. Representasi dari fakta. Berdasarkan AND Jaringan yang terinfeksi pada
representasi inilah kita dapat mengolah pelepah yang tidak membuka
fakta.[6] berwarna coklat kemerah-merahan,
Basis pengetahuan yang di dalam sistem THEN Penyakit tajuk (crown disease)
pakar ini akan digunakan untuk menentukan
proses pencarian atau menentukan kesimpulan 8. Kaidah untuk Penyakit Busuk Pangkal Batang
yang diperoleh dari hasil analisis. Hasil yang (Basal Stem rot atau ganoderma)
diperoleh setelah pengguna melakukan interaksi IF Pelepah daun tampak layu,
dengan sistem pakar yaitu dengan menjawab AND Pelepah daun berwarna pucat,
pertanyaan yang diajukan oleh sistem pakar. AND Bagian daun paling tua mengalami
Basis pengetahuan yang di gunakan didalam nekrosis,
sistem pakar ini terdiri dari : gejala-gejala yang AND Pelepah daun akan patah dan
diderita dan hasil diagnosa yang diberikan oleh menggantung,
pakar. Adapun tabel keputusan untuk gejala- AND Daun tombak (pupus) yang baru
gejala yang terjadi dapat dilihat pada tabel. 1 muncul tidak membuka dan
dibawah ini: berkumpul lebih dari 3 helai,
(tabel dilampiran) AND Pangkal batang menghitam,
Dalam memecahkan masalah metode yang AND Keluar getah pada bagian yang
digunakan adalah metode Certainty Factor serta terinfeksi,
kaidah produksi IF –THEN dimana gejala-gejala THEN Penyakit busuk pangkal batang
pada penyakit kelapa sawit di umpamakan dengan (basal stem rot atau ganoderma)
Jika dan solusi penanggannya diumpamakan
dengan Maka.

125
Seminar Nasional Informatika 2014

9. Kaidah untuk Penyakit Busuk Batang Atas Di mana :

(Upper Stem Rot) CF(E,e) : certainty factor evidence E yang
IF Warna daun yang terbawah dipengaruhi oleh evidence e.
berubah, CF(H,E) : certainty factor hipotesis dengan
AND Kuncup daun terinfeksi, asumsi evidence diketahui dengan
AND Pembusukan pada batang, pasti, yaitu ketika CF(E,e) = 1.
AND Batang yang membusuk berwarna CF(H,e) : certainty factor hipotesis yang
keabu-abuan, dipengaruhi oleh evidence e.
THEN Penyakt Busuk Batang Atas (Upper
Stem Rot) Karena semua evidence pada antecedent diketahui
dengan pasti maka rumusnya menjadi :
10. Kaidah untuk Penyakit Busuk Kering Pangkal
Batang (Dry Basal Rot) CF(H,e) = CF(H,E)
IF Tandan buah membusuk,
AND Pembentukan bunga terhambat, Contoh perhitungan nilai certainty factor untuk
AND Pelepah daun bagian bawah patah- sistem ini adalah sebagai berikut:
patah, JIKA Daun terdapat bercak-bercak
THEN Penyakit busuk kering pangkal dikelilingi warna kuning,
batang (dry basal rot) DAN Adanya warna hitam dan coklat di
antara tulang daun,
11. Kaidah untuk Penyaki Busuk Kuncup (Spear DAN Daun yang terserang menjadi kering,
Rot) MAKA Penyakit daun bibit muda
IF Jaringan pada kuncup membusuk (anthracnose)
AND Jaringan kuncup berwarna CF = 0.9
kecoklat-coklatan, Dengan menganggap
AND Tajuk mudah di cabut, E1 : “daun terdapat bercak-bercak
AND Kuncup membengkok, dikelilingi warna kuning”
THEN Penyakit busuk kuncup (spear rot) E2 : ”adanya warna hitam dan coklat di
antara tulang daun”
12. Kaidah untuk Penyakit Garis Kuning (Patch E3 : ”daun yang terserang menjadi kering”
Yellow) Nilai certainty factor hipotesis pada saat evidence
IF Daun tampak bercak-bercak pasti adalah :
lonjong berwarna kuning dan CF(H,E) = CF(H,E1 ∩ E2 ∩ E3)
ditengahnya terdapat warna coklat, = 0.9
AND Daun yang terserang menjadi Dalam kasus ini, kondisi tanaman tidak
kering, dapat ditentukan dengan pasti. Certainty factor
AND Daun berguguran, evidence E yang dipengaruhi partial evidence e
THEN Penykit garis kuning (patch yellow) ditunjukkan dengan nilai sebagai berikut:
CF(E1 , e) = 0.9
13. Kaidah untuk Penyakit Busuk Tandan (Bunch CF(E2 , e) = 0.7
Rot) CF(E3 , e) = 0.9
IF Tanaman berumur 3-10 tahun, Sehingga
AND Permukaan tandan terdapat benang- CF(E,e) = CF(E1 ∩ E2 ∩ E3 , e)
benang jamur putih mengkilat, = min [CF(E1,e), CF(E2,e),
AND Perikarpnya menjadi lembek dan CF(E3,e)]
busuk, = min [0.9, 0.7, 0.9]
AND Warna buah berubah menjadi = 0.7
kecoklatan dan berubah lagi Nilai certainty factor hipotesis adalah:
menjadi kehitam-hitaman, CF(H,e) = CF(E,e) * CF(H,E)
THEN Penyakit busuk tandan (bunch rot) = 0.7 * 0.9
= 0.63
5. Penerapan Metode Certainty Factor Hal ini berarti besarnya kepercayaan pakar
terhadap nilai penyakit dengan kode penyakit
Metode certainty factor yang akan P001 adalah 0.63 atau bila diprosentasekan
diterapkan dalam pembuatan sistem pakar ini nilainya menjadi 63%.
adalah metode dengan rumus certainty factor Nilai CF (Rule) didapat dari interpretasi
sebagai berikut : “term” dari pakar, yang diubah menjadi nilai CF
tertentu sesuai tabel. 2 berikut.
CF(H,e) = CF(E,e) * CF(H,E)

126
 Seminar Nasional Informatika 2014

Tabel 2. Certainty Factor (CF) Rule menunjukkan bahwa sistem pakar ini dapat
Uncertain Term CF mendiagnosa penyakit tanaman kelapa
Definitely not (pasti tidak) -1.0 sawit sesuai dengan jawaban yang
Almost certainly not (hampir pasti -0.8 diberikan oleh user dengan nilai
tidak) keakuratan 85%.
Probably not (kemungkinan besar -0.6 2. Sistem yang penulis rancang hanya dapat
tidak) digunakan untuk mendiagnosa penyakit
Maybe not (mungkin tidak) -0.4 pada tanaman kelapa sawit saja.
Unknown (tidak tahu) -0.2 to 0.2 3. Metode yang digunakan dalam
Maybe (mungkin) 0.4 perancangan aplikasi ini adalah metode
Probably (kemungkinan besar) 0.6 Certainty Factor.
Almost certainly (hampir pasti) 0.8 4. Dengan dilakukannya pemakaian sistem
informasi yang tepat terutama dalam
Definitely (pasti) 1.0
masalah konsultasi, maka hasil yang
diperoleh dalam menangani masalah
6. Hasil
tersebut akan jauh lebih cepat, sehingga
data yang dibutuhkan akan lebih cepat dan
Form ini merupakan tampilan data
efisien sekalipun data yang diolah banyak.
knowledge. Pada form ini terdapat aturan dari
5. Sistem pakar yang dibuat akan
beberapa pertanyaan berupa gejala dari penyakit
memberikan solusi berupa penanganan
tanaman kelapa sawit yang bersangkutan.
awal serta pola penanganan penyakit
Gambar. 7 berikut ini menampilkan form
tanaman kelapa sawit.
knowledge.
6. Sistem Informasi ini telah dirancang dan
diimplementasikan menggunakan program
Visual Basic 2010 dan Ms. SQL Server
2008 sebagai databasenya dan sudah dapat
digunakan untuk konsultasi mengenai
penyakit pada tanaman kelapa sawit.

Daftar Pustaka:

[1] Arhami Muhammad, 2005, Konsep Dasar

Sistem Pakar, Yogyakarta, Andi Offset.
[2] Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
[3] Kusumadewi Sri, 2003, Artificial
Gambar 7. Form Knowledge Intelligence
(Teknik dan Aplikasinya), Graha Ilmu,
7. Kesimpulan Yogyakarta
[4] Roger Presman, 2002, Rekayasa Perangkat
Dari uraian secara teoritis dan dari hasil Lunak, Yogyakarta, Penerbit Andi.
penelitian yang dilakukan penulis, maka penulis [5] Sutojo, et al, 2011, Kecerdasan Buatan,
akan mencoba menarik kesimpulan. Jogyakarta, Andi Offset.
Adapun kesimpulan yang penulis [6] Wahyuni Linda, 2013, Sistem Pakar Untuk
kemukakan adalah sebagai berikut : Mendiagnosa Penyakit Kanker Tulang,
1. Hasil pengujian ”Sistem Pakar Prosiding SNIf STMIK Potensi Utama
Mendiagnosa Penyakit Tanaman Kelapa 2013.
Sawit dengan Metode Certainty Factor”

127
Seminar Nasional Informatika 2014

PENGEMBANGAN APLIKASI MULTIMEDIA PENGENALAN DAN

PEMBELAJARAN ORIGAMI DENGAN PENDEKATAN ADDIE
Muhammad Rusdi Tanjung, Tri Fitrianingsih Parsika
1,2
Teknik Informatika STMIK Potensi Utama
3
Jl. KL Yos Sudarso, Km. 6,5 Tanjung Mulia Medan
1
rsd.adi@gmail.com

Abstrak

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

Kata kunci : Multimedia, Pembelajaran Interaktif, Origam, ADDIE

1. Pendahuluan 2. Kajian Pustaka

Dukungan multimedia yang interaktif Dari segi pengertian, multimedia interaktif

terhadap proses pembelajaran sudah banyak
diakui keunggulannya. Metode pembelajaran
dengan multimedia bertujuan untuk memudahkan
guru dalam mengajar dan mempermudah siswa
memahami materi. Dengan penerapan animasi,
siswa akan memperoleh gambaran yang nyata
sehingga proses penyerapan informasi akan lebih
bermakna.
Sadiman (2002:9) menyatakan media
pembelajaran sebagai segala sesuatu yang
dapat merangsang pikiran, perasaan, perhatian
dan minat, serta memotivasi siswa sedemikian
rupa sehingga materi pelajaran dapat
tersampaikan dengan baik. Media animasi juga
berguna untuk melawan kebosanan siswa dalam
belajar sehingga siswa tetap aktif dalam
mengikuti proses pembelajaran.
Pada penelitian ini, model ADDIE
diterapkan sebagai pendekatan dalam
pendefinisian struktur informasi serta langkah-
langkah pengembangan aplikasi multimedia
interaktif. Model ADDIE dipilih karena sudah
banyak digunakan untuk pengembangan aplikasi
CBT (computer based training) atau aplikasi
pembelajaran berbasis multimedia. Materi
meliputi informasi pengenalan sejarah Origami,
metode dasar lipatan, tutorial melipat origami
objek hewan berdasarkan tingkat kesulitan.
dapat di artikan sebagai kombinasi berbagai unsur
media yang terdiri dari teks, grafis, foto, animasi,
video, dan suara yang disajikan secara interaktif
dalam media pembelajaran.
Pendidikan adalah usaha sadar dan
sistemastis, yang dilakukan orang-orang yang
diserahi tanggung jawab untuk mempengaruhi
peserta didik agar mempunyai sifat dan tabiat
sesuai dengan cita-cita pendidikan (Achmad
Munib, 2004:34). Pendidikan ialah pimpinan
yang diberikan dengan sengaja oleh orang dewasa
kepada anak-anak, dalam pertumbuhannya
(jasmani dan rohani) agar berguna bagi diri
sendiri dan bagi masyarakat (M. Ngalim
Purwanto, 2002:10).
CBT dan Multimedia Interaktif
CBT atau Computer Based Training adalah
penyajian materi pelatihan dan pendidikan
melalui komputer. CBT dapat hadir dalam
berbagai bentuk, mulai dari presentasi sederhana
informasi dalam bentuk teks, hingga presentasi
materi kursus dalam bentuk aplikasi multimedia
yang dilengkapi dengan teks, image, video,
audio, interaksi dan umpan balik dari pengguna
(Hick, 1997). CBT berperan sebagai pelengkap
sistem pelatihan yang memudahkan instruktur
untuk berinteraksi dengan pengguna.
Multimedia interaktif adalah teknologi
dinamis yang memerlukan input tertentu dari
pengguna untuk menyampaikan sekumpulan

128

informasi melalui teks, grafis, image, atau video.
Biasanya aplikasi multimedia interaktif dirancang
untuk menampilkan hasil tertentu dan
memberikan umpan balik dengan cepat,
tergantung pada jenis komputer yang digunakan
atau bentuk antarmuka yang diakses oleh
pengguna. Teknologi ini digunakan agar dapat
memberikan informasi dalam bentuk yang lebih
menarik dan dapat menarik perhatian pengguna,
serta memberikan pengalaman belajar yang lebih
kaya. (Nusir, Alsmadi, & Al-Kabi, 2011)
Perancangan Instruksional Model ADDIE
ADDIE adalah model perancangan
instruksional yang berupa proses umum yang
secara tradisional digunakan oleh perancang
instruksional ataupun pengembangan pelatihan.
Model ADDIE merupakan inti perancangan
instruksional dan menjadi dasar sistem
perancangan instruksional (Instructional System
Design-ISD). Ulasan yang dibuat Zulrahmat
Togala untuk buku Instructional Design: The
ADDIE Approach, menjelaskan aktivitas yang
dilakukan pada masing-masing tahap sebagai
berikut (Togala, 2013):
1. Analisis : Pada fase analisis, dilakukan
pendefinisian permasalahan instruksional,
tujuan instruksional, dan sasaran
pembelajaran. Pada fase ini juga dilakukan
identifikasi atas lingkungan pembelajaran,
pengetahuan dan keahlian yang saat ini sudah
dimiliki oleh siswa. Fase ini dilakukan untuk
menjawab pertanyaan-pertanyaan terkait hal-
hal berikut : Siapa pemirsanya (audiens), apa
yang perlu mereka pelajari, berapa
anggarannya, opsi apa saja yang tersedia
untuk menyajikan materi (delivery), kendala
apa saja yang ada, kapan proyek harus selesai,
dan apa yang harus dilakukan siswa untuk
mengetahui kompetensi mereka?
2. Desain : fase desain terkait dengan penentuan
sasaran, instrumen penilaian, latihan, konten,
dan analisis yang terkait materi pembelajaran,
rencana pembelajaran dan pemilihan media.
Fase desain dilakukan secara sistematis dan
spesifik. Aktivitas yang dilakukan pada tahap
desain biasanya meliputi pemilihan
lingkungan belajar yang paling sesuai dengan
mempelajari jenis keahlian kognitif yang
diperlukan untuk mencapai tujuan
instruksional, menulis sasaran instruksional,
memilih pendekatan secara keseluruhan,
bentuk dan tampilan program : unit outline,
pembelajaran dan modul, merancang materi
kursus secara spesifik untuk digunakan pada
medium elektronik interaktif
3. Pengembangan (development): pada fase ini
dilakukan pembuatan dan penggabungan aset
konten yang sudah dirancang pada fase desain.
Pada fase ini dibuat storyboard, penulisan
Seminar Nasional Informatika 2014
konten dan perancangan grafis yang
diperlukan. Jika melibatkan e-learning,
programmer akan bekerja untuk
mengintegrasikan teknologi yang diperlukan.
Aktivitas yang dilakukan pada fase ini
meliputi pembuatan atau pengumpulan media
yang diperlukan, menggunakan kekuatan
internet atau media elektronik untuk
menyajikan informasi dalam berbagai format
multimedia sehingga dapat memenuhi
keinginan siswa, dan mendefinisikan interaksi
yang sesuai, yang harus dalam bentuk kreatif,
inovatif, dan mendorong siswa untuk
terpancing belajar lebih lanjut.
4. Implementasi : pada fase ini, dibuat prosedur
untuk pelatihan bagi peserta pelatihan dan
instrukturnya/fasilitator. Pelatihan bagi
fasilitator meliputi materi kurikulum, hasil
pembelajaran yang diharapkan, metoda
penyampaian dan prosedur pengujian.
Aktivitas lain yang harus dilakukan pada fase
ini meliputi penggandaan dan pendistribusian
materi, handout dan bahan pendukung lainnya,
serta persiapan jika terjadi masalah teknis dan
mendiskusikan rencana alternatif dengan
siswa.
5. Evaluasi: fase evaluasi terdiri atas dua bagian
yaitu formatif dan sumatif. Evaluasi formatif
terjadi disetiap tahapan proses ADDIE.
Evaluasi sumatif terdiri atas test yang
dirancang untuk domain yang terkait kriteria
tertentu dan memberikan peluang umpan balik
dari pengguna.
Parekh (Parekh, 2006) mencantumkan ADDIE
sebagai salah satu metoda pengembangan
aplikasi multimedia untuk produk CBT. Model
ADDIE juga digunakan untuk pengembangan
website berbasis multimedia (Peterson, 2003),
serta aplikasi pembelajaran berbasis multimedia
lainnya (Arkun & Akkoyunlu, 2008), (N. Subana,
2013).
Gambar 1. Elemen-elemen utama dalam
model pendekatan sistem pada desain
instruksional dan development
Sumber : Instruction as an Intervention By
Michael Molenda and James D. Russell
129
Seminar Nasional Informatika 2014

3. Pengembangan Aplikasi Multimedia b. Menyiapkan draft aktifitas dan material

Materi yang akan digunakan pada c. Mengujicoba materi dan aktifitasnya pada
pengembangan aplikasi ini adalah pengenalan beberapa target pengguna.
melipat kertas origami, meliputi sejarah awal d. Merevisi, menyempurnakan dan
perkembangan origami, cara melipat kertas memproduksi material dan aktifitas
origami, dan tutorial cara membuat objek dengan pengguna.
kertas origami. Materi ini dipilih berdasarkan e. Mendefinisikan interaksi yang sesuai, harus
pertimbangan berikut : dalam bentuk kreatif, inovatif.
1. Origami merupakan seni melipat kertas yang
berasal dari kertas yang dapat dibentuk 4. Implementasi
menjadi karakter-karakter yang memiliki nilai a. Menyebarkan materi pembelajaran untuk
seni dan kreatifitas. diadopsi oleh penggunanya.
2. Rendahnya pemahaman masyarakat, b. Menyediakan bantuan atau dukungan
khususnya anak-anak setingkat Taman Kanak- seperlunya.
Kanak, siswa SD dan SMP mengenai
kreatifitas melipat kertas origami 5. Evaluasi
3. Penyampaian materi seputar melipat kertas a. Implementasi rencana untuk evaluasi
origami masih terbatas, karena guru pengajar program
juga tidak banyak yang menguasai seni b. Implementasi rencana untuk perawatan dan
melipat kertas dengan origami. revisi.
4. masih terbatasnya media pembelajaran
mengenai seni melipat kertas origami di Realisasi Aplikasi
masyarakat luas.

Materi yang akan disampaikan meliputi :

1. Sejarah dikenalnya origami secara umum
2. Bagaimana teknik dasar melipat origami
3. Tutorial melipat origami dengan beragam
karakter.
Untuk memperkuat kesan atas materi yang
disampaikan, informasi di atas memiliki tinggkat
kesulitan objek dan disajikan dengan dukungan
animasi, video, dan audio edukatif.

4. Pendekatan Model ADDIE

1. Analisis
a. Menentukan atas kebutuhan apakah materi
dibutuhkan penggunanya.
b. Menghubungkan analisis pembelajaran
untuk menentukan target tujuan kognitif,
afektif dan
motor skill
c. Menentukan kemampuan awal dan
kemampuan yang diharapkan setelah
aktifitas.
d. Menganalisa konteks dan ketersediaan Gambar 2. Use Case Diagram aplikasi
waktu.

2. Desain
a. Menterjemahkan tujuan pembelajaran
keseluruhan ke dalam performa akhir dan
tujuan utama untuk tiap-tiap tahapan materi.
b. Mengurutkan unit bahasan sesuai dengan
tujuan pembelajaran.
c. Mendefinisikan materi dan aktifitas
pembelajaran untuk tiap unit bahasan.

3. Developmen
a. Pembuatan atau pengumpulan media yang
diperlukan,

130

Gambar 3. Activity Diagram aplikasi
Berdasarkan Rancangan use case dan
activity diagram di atas kemudian direalisasikan
menjadi satu aplikasi yang berjalan di Flash
Player
Gambar 4 menunjukkan cuplikan tampilan
pada aplikasi yang sedang berjalan. Tampilan
utama dibuat memiliki animasi dengan style
abstrak mengikuti gaya antarmuka Windows yang
terlihat modern dan memiliki visual effect dan
audio intro.
Gambar 4. Tampilan interface awal
Tampilan aplikasi ketika dijalankan akan tampak
seperti gambar 4, untuk memulai pembelajaran
atau tutorial harus menekan tombol next dan akan
muncul halaman input nama user, sebagai
pedoman pengguna seperti gambar 5. Berikut:
Seminar Nasional Informatika 2014
Gambar 5. antar muka penginputan user
Gambar 6. Tampilan Pilihan Menu Utama
Pada tampilan menu utama terdiri atas
sekumpulan ikon yang mewakili setiap informasi
yang akan diakses. Rancangan tampilan ini
dipilih dengan memperhatikan tren tampilan yang
saat ini sedang popular dengan adanya dukungan
animasi.
Gambar 7. Tampilan Sejarah Origami
Dalam konten sejarah origami (Gambar 7)
menjelaskan bagaimana awal perkenalan origami
diciptakan dan darimana dan siapa sebenarnya
memperkenalakan seni origami ini hingga
terkenal di banyak negara.
131
Seminar Nasional Informatika 2014
Gambar 8. Teknik Dasar Origami
Dalam konten ini (Gambar 8), dasar origami
dijabarkan bagaimana teknik dasar dalam
melakukan pelipatan kertas origami, sehingga
nantinya pada saat pengguna melanjutkan materi
tutorial dalam menghasilkan objek benda dari
origami, pengguna tidak dibingungkan dengan
istilah dalam pelipatan.
Gambar 9. Tutorial Origami
Konten ini berisikan materi yang paling utama
dari aplikasi, didalmnya terdapat tutorial
bagaimana cara melipat kertas origami sehingga
dapat menghasilkan suatu objek benda yang
memiliki seni. Objek yang dijadikan acuan dalam
aplikasi ini memiliki tingkat kesulitan, sehingga
nantinya pengguna dapat mengeksplorasi
kemampuan mereka dalam menghasilkan objek
benda seni yang baru dari origami. Untuk
memperkuat informasi yang disampaikan,
aplikasi dilengkapi dengan animasi proses dan
audio dari masing-masing teknik, sehingga akan
lebih memudahkan pengguna.
132
Diharapkan bentuk penyajian ini dapat lebih
berkesan dan membangkitkan kesadaran di antara
para pengguna.
Realisasi aplikasi disajikan dalam bentuk
interface visual grafik yang dipadukan dengan
sound effect untuk menambah tampilan
antarmuka aplikasi yang interaktif
5. Pengujian Dengan Black Box
Metode black box merupakan pengujian user
interface oleh pengguna setelah sistem selesai
dibuat
dan diujicoba kepada pengguna. Metode
pengujian ini didasarkan pada spesifikasi sistem.
Dalam sistem ini pengujian dilakukan dengan
mengujikan semua navigasi yang ada, pengujian
ini memastikan apakan proses-proses yang
dilakukan menghasilkan output yang sesuai
dengan rancangan.
Aspek pengujian black box terhadap software
sistem reproduksi pada manusia berbasis
komputer yaitu :
a. Navigasi
b. Kontent
Tabel 1. Pengujian Navigasi
Tabel 2. Pengujian Konten
SIMPULAN
Dari proses pengembangan aplikasi multimedia
untuk mendukung pembelajaran dengan
menggunakan pendekatan ADDIE ini, dapat
diperoleh beberapa kesimpulan sebagai berikut :

1. Pendekatan ADDIE dapat digunakan untuk
pengembangan aplikasi multimedia interaktif
yang dapat mendukung proses pembelajaran.
Model ini menyediakan tahapan-tahapan yang
memudahkan dalam menentukan target
pengguna.
2. Pendekatan ADDIE ini kemudian dicoba
digunakan sebagai pendekatan untuk
mengembangkan aplikasi multimedia dengan
mengambil konten materi tentang seni melipat
kertas origami. Aplikasi juga dilengkapi
dengan audio visual untuk mendukung proses
evaluasi hasil pembelajaran.
3. Hasil evaluasi atas aspek interaktif
menunjukkan bahwa aplikasi yang sudah
dikembangkan dianggap memenuhi kriteria
sebagai aplikasi interaktif, berdasarkan
perspektif pengguna.
4. Dalam penelitian ini tidak dilakukan evaluasi
atas materi yang disampaikan. dengan
demikian, disarankan agar pada penelitian
selanjutnya dilakukan juga evaluasi atas
materi baik evaluasi formatif dan sumatif, agar
siklus pada pendekatan ADDIE dapat
diterapkan seluruhnya.
DAFTAR PUSTAKA
[1] Hick, S. (1997). Benefits Of Interactive
Multimedia Courseware. Retrieved July 10,
2013, from http://http-
server.carleton.ca/~shick/mypage/benifit.html
Seminar Nasional Informatika 2014
[2] M. Suyanto. 2003. Multimedia alat untuk
meningkatkan keunggulan bersaing.
Yogyakarta: Penerbit Andi Yogyakarta.
[3] N. Subana, I. D. (2013). Pengembangan
Multimedia Interaktif Dengan Model Addie
Pada Mata Pelajaran Ipa Kelas Vii Semester I
Di Smp Tp 45 Sukasada. Jurnal Edutech Vol
1, No 2 (2013) Edisi Juli 2013
[4] Nusir, S., Alsmadi, I., & Al-Kabi, M. (2011).
Designing an Interactive Multimedia. 2011
IEEE Global Engineering Education
Conference (EDUCON) – "Learning
Environments and Ecosystems in Engineering
Education" (pp. 45-51). IEEE
[5] Parekh, R, (2006). Multimedia Application
Development. In R. Parekh, Principles of
Multimedia (pp.654-655). Tata McGraw-Hill
Education.
[6] Peterson, C. (2003). Bringing ADDIE to Life :
Instructional Design at Its Best. Journal of
Education Multimedia and Hypermedia , 227-
241.
[7] Sadiman, Arif. S. 2009. Media Pendidikan:
Pengertian, Pengembangan dan
Pemanfaatannya. Jakarta: PT.Raja Grafindo
Persada
[8] Sadiman, Arif. S. 2009. Media Pendidikan
:Pengertian, Pengembangan dan
Pemanfaatannya. Jakarta : PT. Raja Grafindo
Persada.
[9] Thorn, W. J. (1995, April). Points to Consider
when Evaluating Interactive Multimedia.
Retrieved July 10, 2013, from The Internet
TESL Journal: http://iteslj.org/Articles/Thorn-
EvalueConsider.html.
133
Seminar Nasional Informatika 2014

MOBILE MAPPING WISATA DAN KULINER YOGYAKARTA

UNTUK WISATAWAN BERSEPEDA DENGAN FORMULA
HAVERSINE
Bernadhed1, Ema Utami2, Andi Sunyoto3

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

Abstrak

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

Kata Kunci : haversine, mobile, mobile mapping, wisata, kuliner

1. Pendahuluan real dilapangan sendiri, masih minimnya plakat

Sistem pemetaan pada saat ini merupakan
teknologi yang berkembang, dengan sistem
pemetaan, beberapa persoalan realitas kehidupan
masnusia bisa diatasi, misalnya dalam hal
pengambilan keputusan untuk membangun suatu
fasilitas jalan di daerah kunjungan wisata. Hal
lain yang menjadikan sistem pemetaan
merupakan sistem yang banyak diminati adalah
asumsi bahwa informasi geografi dari suatu
lokasi, baik yang berkaitan dengan tata letak,
kegunaan, sumber daya ataupun ciri-ciri yang
dimiliki, akan lebih mudah dipahami dan
dianalisis jika disajikan dalam sebuah peta..
Di daerah Bantul banyak tempat wisata
dan kuliner yang ada, sedangkan para wisatawan,
baik lokal maupun mancanegara, cenderung
hanya mengetahui daerah-daerah pariwisata yang
terkenal saja di daerah bersangkutan misal
Parangtritis, Makam Raja-raja dan Kebun Buah.
Potensi wisatawan sendiri pada tahun 2013 data
terakhir Statistik dari Buku Statistik Dinas
Pariwisata Yogyakarta menunjukkan pengunjung
mencapai 2.360.173 wisatawan baik dalam
maupun luar negeri dengan pusat kunjungan
Bantul memanfaatkan transportasi sepeda dan
kendaraan bermotor. Kendala yang terjadi secara
petunjuk ke daerah wisata Bantul yang masih sulit
dijangkau. Wisatawan tidak mengetahui lokasi
obyek pariwisata dan tidak mengetahui jalur apa
yang dapat mereka gunakan untuk menuju lokasi
obyek pariwisata.
Seperti pada penelitian sebelumnya, dalam
penelitian Huda, dkk[1], “Rancangan Bangun
Aplikasi Haversine”. Dalam kasus ini Formula
Haversine digunakan untuk menghitung jarak
sesungguhnya dari teknisi ke konsumen melalui
perhitungan Longitude dan Latitude. Dengan
mengambil konsumen terdekat setelah dilakukan
perhitungan, diharapkan teknisi dapat bekerja
lebih efisien waktu dan biaya. Hal tersebut akan
diadopsi untuk diterapkan pada penelitian ini
hanya saja dengan fasilitas berupa obyek wisata
lokal dengan rute terpendek menggunakan
metode Haversine.
2. Metode Penelitian
Penelitian yang dilakukan adalah
penelitian dengan metode penelitian Action
Research yang akan menghasilkan prototype
sistem. Dalam bentuk tahapan yang paling
sederhana, setidaknya terdapat empat tahap dalam
penelitian Action Research[2]:

134

a) Diagnosing action
b) Planning action
c) Taking action
d) Evaluating action
Berikut adalah kegiatan yang akan
diterapkan dalam penelitian ini :
Tabel 1. Proses Penelitian Action Research
Tahapan Kegiatan Penelitian
Diagnosing Identifikasi permasalahan yang
action akan diangkat di dalam
penelitian ini, yaitu untuk
penerapan Mobile Mapping
wisata dan kuliner di
Yogyakarta
Dalam tahapan ini akan
melakukan pengamatan dan
analisis masalah, dan
mendapatkan ide penelitian,
merumuskan masalah, mencari
referensi terkait metode dan
teknis serta perencanakan
tindakan kegiatan.
Planning Dalam tahap ini akan dilakukan
action penyusunan laporan dari hasil
pengumpulan informasi dan
data di lapangan untuk proses
penelitian. Yaitu membuat
Rancangan Kuisioner, membuat
rancangan sistem dengan UML,
Perancangan design Prototype
sistem dari analisis fitur yang
dilakukan dengan elisitasi ke
Pihak Dinas Pariwisata Bantul.
Serta penyusunan kebutuhan
lain seperti perangkat keras dan
lunak dalam laporan.
Taking Uji coba terhadap prototipe
action sistem yang telah dibangun.
Evaluating Melakukan proses evaluasi
action dengan uji coba dari kuisioner
yang digunakan saat pengujian
sebagai bahan evaluasi.
3. Hasil Dan Pembahasan
3.1. Diagnosing Action
Ide awal penelitian ini adalah akan
dirancang sebuah prototype aplikasi yang dapat
membantu wisatawan dalam mencari obyek
wisata dan kuliner yang mereka inginkan di
wilayah Imogiri.
3.1.1 Teknis Penelitian
Perhitungan jarak terdekat akan
menggunakan Formula Haversine, Formulasi ini
Seminar Nasional Informatika 2014
menggunakan rumus haversine sebagai dasar.
Rumus ini dapat digunakan untuk menghitung
jarak lingkaran yang jauh antara dua titik. Berikut
rumus Haversine Formula[3]:
( )
√ √
R= Jari-jari bumi sebesar 6371 (km)
lat = besaran perubahan latitude
long= besaran perubahan longitude
c= kalkulasi perpotongan sumbu
d= jarak (km)
3.2. Planning Action
Penelitian ini akan dilakukan dengan
melakukan survey melalui penyebaran kuisioner
kepada responden. Yang meliputi kuisioner untuk
perancangan design antarmuka dan evaluasi
sistem.
a. Populasi Survey
Populasi yang akan dijadikan responden
adalah dibatasi berjumlah 50 partisipan yaitu
40 pengguna umum (pesepeda dan pengguna
biasa), 10 dari Dinas Pariwisata dan
Kebudayaan Daerah Bantul. Teknik
pengambilan sampel responden dilakukan
dengan menggunakan purposive sampling.
Menggunakan purposive sampling
dikarenakan responden harus memiliki
syarat-sayarat yaitu merupakan orang-orang
yang mempunyai kegiatan bersepeda atau
komunitas di wilayah Yogyakarta yang
dalam hal ini dianggap paling tidak bisa
memberi gambaran dan masukkan melalui
kuisoner.
b. Waktu
Waktu yang akan dibutuhkan untuk survey
adalah 1 minggu untuk pengisian kuisoner
Pra Perancangan design antarmuka. 2 minggu
untuk pengisian angket evaluasi.
c. Media
Media yang digunakan adalah berupa
kuisioner yang akan disebarkan langsung
kepada responden. Untuk proses evaluasi
akan dilakukan uji coba sistem beserta
pengisian angket terkait dengan uji coba
tersebut.
3.2.1 Kebutuhan Fungsional
Berikut ini hasil ringkasan dari analisis
kebutuhan sistem disajikan dalam tabel:
135
Seminar Nasional Informatika 2014

Tabel 2. Ringkasan dari Kebutuhan Fungsional sistem admin

User Fitur Rincian Keterangan
Admin Home Login Admin Fasilitas validasi akun yang masuk sebagai admin sehingga
dapat melakukan pengolahan data sistem
Edit Melakukan pengeditan terhadap akun admin yang ada didalam
Akun sistem

Edit Melakukan pengeditan terhadap akun user umum yang

User mendaftar untuk disetujui atau dihapus
Terdaftar
Event Manajemen admin dapat memasukkan informasi-informasi agenda dari
event rutin acara-acara yang sering dilakukan oleh Dinas Pariwisata
atau khusus Bantul. Menu ini memang khusus ada karena dari Pihak Dinas
dari Dinas Pariwisata sering melakukan atau mengadakan event-event
Pariwisata bulanan.
Desti List Konten Menu untuk melakukan listing konten di tiap kategori
nation Create Untuk menambahkan konten lokasi baru
Konten
Edit Konten Untuk melakukan perubahan terhadap konten yang telah ada
serta edit komentar yang masuk untuk disetujui atau dihapus
Delete Konten Melakukan penghapusan terhadap konten tertentu
Gallery List Gallery Menu untuk melakukan listing konten di gallery
Create Untuk menambahkan konten foto di gallery baru
Konten
Edit Konten Untuk melakukan perubahan terhadap konten yang telah ada
Most Visited Delete Konten Melakukan penghapusan terhadap konten gallery
About Manajemen Melakukan proses penyuntingan dan penambahan terhadap
Us Isi Profile profil Dinas Pariwisata Bantul didalam sistem. Melaukan
Dinas proses penyuntingan terhadap kontak terhadap instansi terkait
Pariwisata seperti alamat atau nomor telepon Dinas Pariwisata
Bantul

3.2.2 Kebutuhan Non Fungsional antara lain Use Case Diagram, Class Diagram,
Berikut ini hasil ringkasan dari analisis Activity Diagram dan Sequence.
kebutuhan non fungsional sistem disajikan dalam
tabel:
a. Use Case Diagram
Tabel 3. Kebutuhan Non Fungsional sistem
Kebutuhan Nama Software Berikut ini adalah salah satu dari Use
Case dari Admin, User Terdaftar dan User
Perancangan CorelDraw 12 Umum:
Antarmuka
Desain HTML, CSS 3.0, Adobe
Antarmuka Photoshop CS 3
Engine Web PHP, Javascript
Database MySQL
Peta Google Map API

3.2.3 Pemodelan UML

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

136

Gambar 1. General Use Case
Use Case diatas menunjukkan admin diberikan
hak akses penuh untuk melakukan olah data
seperti penambahan, pengurangan atau
pengubahan terhadap konten dan menu yang ada.
Gambar 2. Use Case User Terdaftar
3.3. Taking Action
Seperti yang telah dijelaskan pada
pembahasan sebelumnya proses perancangan
sistem prototype terdapat pada tahapan Taking
Action. Pembuatan rancangan interface sampai
pembangunan sistem akan dibahas pada bagian
ini.
3.3.1 Perancangan User Interface
Perancangan tatap muka ini ditujukan
agar lebih mempermudah pengguna berinteraksi
dengan sistem dengan sajian grafis. Menurut
Sommerville[4] bahwa dengan tampilan tatap
muka berupa grafis mudah dipelajari dan
digunakan. Salah satu referensi utama adalah dari
kuisioner yang telah diisi oleh responden, seperti
Seminar Nasional Informatika 2014
penentuan warna, panel menu dan menu-menu
lainnya.
Berikut ini rancangan tatap muka sistem
yang akan dibangun:
Gambar 3. Rancangan Tatap Muka pada
Menu Utama dan Penyajian Peta
3.4. Evaluate Action
Pada Sub Bab ini akan dilakukan
pengujian sistem setelah implementasi. Dengan
pengujian yang dibatasi pada beberapa task saja
dengan pertimbangan keterbatasan waktu yang
ada.
Tidak semua task dalam rancangan sistem
akan diujikan dikarenakan keterbatasan waktu
pengujian dan penelitian. a. Task Login (admin),
b. Task menu event, c. Task akses menu
destination, d. Task akses menu gallery, e. Task
akses menu login/daftar, f. Task akses menu most
wanted, g. Task Rating dan Komentar, h. Task
logout
Pengujian dilakukan dengan metode
pengujian black box yang berfokus pada
persyaratan fungsional perangkat lunak.
3.4.1 Pengujian Alpha
Pengujian Mobile Mapping Wisata dan Kuliner
ini menggunakan metode pengujian black box.
a. Kesimpulan Pengujian Alpha
Kesimpulan dari hasil pengujian alpha
adalah sebagai berikut:
1. Secara fungsional, sistem sudah dapat
menghasilkan output yang diharapkan sesuai
awal input sampai output yang dihasilkan
2. Secara fungsional, aplikasi sudah dapat
berjalan dengan baik pada browser seperti
Mozilla Firefox, Opera dan browser default
dari smartphone yang ada.
137
Seminar Nasional Informatika 2014

3.4.2. Hasil dari Angket Evaluasi dari Detail Perhitungan:

Pengujian Betha Sangat Baik : 5 Responden (20 %
Pengujian beta merupakan pengujian yang dari total responden)
dilakukan secara objektif dimana pengujian Baik : 18 Responden (72%
dengan membuat kuisioner mengenai penilaian dari total responden)
pengguna mengenai aplikasi yang dibangun untuk Cukup : 2 Responden ( 8%
selanjutnya ditanyakan langsung kepada dari total responden)
responden. Hasil pengujian betha disertakan
dalam lampiran. Hasil yang disajikan diatas menunjukkan
bahwa 72% dari responden telah menyatakan
a. Untuk mengetahui kebutuhan informasi user bahwa secara keseluruhan dari aplikasi yang
yang terdapat pada kebutuhan fungsional dibangun dinilai Baik.
sesuai dengan sistem
4. Kesimpulan
Detail Perhitungan:
Sangat Memenuhi Keb. Informasi : 4 Responden a. Menerapkan Formula Haversine pada sistem,
(16 % dari total responden) pengguna akan disajikan informasi tempat-
Memenuhi Kebutuhaan Informasi :19 Responden tempat wisata(sesuai kategori) yang terdekat
(76% dari total responden) dengan pengguna tersebut, setelah sistem
Cukup Memenuhi Keb. Informasi : 2 Responden melakukan kalkulasi dari posisi pengguna
( 8% dari total responden) dengan jarak dari tiap obyek wisata tersebut
ke pengguna.
Hasil yang disajikan diatas menunjukkan b. Pembuatan prototype perancangan aplikas ini
bahwa mayoritas dari responden telah dibuat dengan cara mengembangkan
menyatakan bahwa informasi yang disajikan telah kebutuhan dan fitur yang berorientasi pada
memenuhi kebutuhan informasi yang diinginkan. penyebaran kuisoner kepada user, merancang
alur desain proses/kerja, merancang interface,
b. Untuk mengetahui dari sisi pengguna memodelkan sistem dengan UML,
kesuaian design tata letak dari sistem yang memodelkan data, akses ke Map Engine
dibangun Google dengan me-request Google Map API
key, lalu membuat prototype yang dibuat
Detail Perhitungan: berdasarkan rancangan.
Sudah baik dan sesuai :15 Responden (60 % dari
total responden) 5. Saran
Cukup baik dan sesuai :10 Responden (40% dari
total responden) a. Agar suatu website dapat diterima oleh user
dengan baik, kombinasi antara fitur, fungsi.
Hasil yang disajikan diatas menunjukkan dan aspek interaksi manusia dengan
bahwa mayoritas dari responden telah komputer, perlu di-analisis dengan baik.
menyatakan bahwa tata letak desain dari aplikasi Website yang memiliki fitur dan fungsi yang
yang dibangun sesuai dari keinginan pengguna. baik, tanpa menaruh perhatian lebih pada
aspek interaksi manusia dengan komputer,
c. Untuk mengetahui informasi yang ada maka akan sulit diterima oleh user.
didalam aplikasi dapat memberikan timbal b. Penelitian ini masih belum secara meluas lagi
balik manfaat kepada user dari pengguna akhir lainnya. Semisal dapat
juga dengan pengguna tidak hanya dari
Detail Perhitungan: kalangan pesepeda namun juga turis
Ya, Sangat Membantu : 8 Responden (32 % dari Backpacker, komunitas pecinta bus,
total responden) komunitas motor dll sehingga memperluas
Ya, Cukup Membantu : 17 Responden (68% dari masukan dari pengguna akhir.
total responden) c. Perbaikan penggunaan Metode Haversine ini
masih mengabaikan bentuk bumi elips
Hasil yang disajikan diatas menunjukkan ataupun mengabaikan ketidakrataan dari
bahwa 68% dari responden telah menyatakan permukaan Bumi, sehingga kedepan
bahwa informasi yang disajiakan akan dapat diharapkan dapat menggunakan formula lain
memberikan manfaat informasi untuk pengguna. atau metode-metode pendukung yang lebih
memperhatikan aspek-aspek tersebut.
d. Untuk Mengetahui penilaian hasil
perancangan website.

138
 Seminar Nasional Informatika 2014

Daftar Pustaka [3] Veness, C., 2010. Calculate distance,

Bearingand More Between
[1] Huda Mazharudin, A,. Adipratomo, B. 2011. Latitude/Longitude Points,
Rancang Bangun Aplikasi penugasan pada http://www.movable-
Blackberry Mobile Device menggunakan type.co.uk/scripts/latlong.html diakses
Metode Formula Haversine, Institut September 2013
Teknologi Sepuluh November, Surabaya [4] Sommerville, I, Sawyer, P, 1997.
[2] Coghlan, D, Brannick, T, 2001. Doing Action Requirements Engineering: A Good Practice
Research In Your Own Organization. Guide. ISBN-13: 978-0471974444
London: Sage Publications.

139
Seminar Nasional Informatika 2014

PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE

BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI
Evri Ekadiansyah

Program Studi D3 Manajemen Informatika, STMIK Potensi Utama

evrie1409@gmail.com

Abstrak

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

Kata Kunci : Penunjang Keputusan, Penilaian Golongan, Metode Matematika

Pendahuluan Metode Penelitian

Persoalan pengambilan keputusan pada Metode Matematika yang digunakan

dasarnya adalah bentuk pemilihan dari berbagai
altrenatif tindakan yang mungkin dipilih yang
prosesnya melalui mekanisme tertentu, dengan
harapan akan menghasilkan sebuah keputusan
yang terbaik. Penyusunan model keputusan
adalah suatu cara untuk mengembangkan
hubungan-hubungan yang logis yang mendasari
persoalan keputusan ke dalam suatu model
matematis, yang mencerminkan hubungan yang
terjadi di antara faktor-faktor yang terlibat,
sehingga proses keputusan harus diambil
melalui proses yang bertahap, sistematik,
konsisten dan diusahakan dalam setiap langkah
melalui dari awal telah mengikutsertakan dan
mempertimbangkan berbagai faktor.
Demikian juga dalam hal kenaikan
golongan pegawai, dimana di dalam hal
menentukan kenaikan golongan banyak faktor
yang menjadi pertimbangan seorang pimpinan
untuk menilai kelayakan seseorang untuk
mendapatkan kenaikan golongan, diantaranya :
Disiplin, Kejujuran, Prestasi, Kepemimpinan,
Wawasan, Kreatifitas, Bekerjasama, Sopan
Santun, Loyalitas, Kesehatan.
Sistem Penunjang Keputusan (SPK)
dirancang untuk mendukung seluruh tahap
pengambilan keputusan mulai dari
mengidentifikasi masalah, memilih data yang
relevan, menentukan pendekatan yang digunakan
dalam proses pengambilan keputusan, sampai
mengevaluasi pemilihan alternative. Konsep
Sistem Penunjang Keputusan ditandai dengan
sistem interaktif berbasis komputer yang
membantu mengambil keputusan memanfaatkan
data dan model untuk menyelesaikan masalah-
masalah yang tidak terstruktur.
dalam sistem ini adalah pimpinan langsung
memberikan skala pada setiap criteria dalam skala
tertentu. Skala yang telah diinput kemudian
dinormalisasi dengan metode matematika
kemudian mendistribusikan nilai kepada seluruh
kriteria sehingga jika semua skala kriteria
diproses oleh sistem akan menghasilkan satu
nilai sebagai pertimbangan keputusan bagi
pimpinan. Menurut Simon Proses pengambilan
keputusan melalui tahapan :
1. Tahap Penelusuran (intelligence)
Dalam perancangan yang dilakukan
melahirkan rumusan masalah berupa sistem
pendukung keputusan untuk menilai kenaikan
golongan pegawai berdasarkan kriteria dari
pemilih.
2. Tahap Perancangan (Design)
Setelah perumusan masalah, dilanjutkan
dengan penetapan kriteria-kriteria yang
dipakai dalam menilai kenaikan golongan.
3. Tahap Pemilihan (Choice)
Dengan mengacu pada kriteria-kriteria
penilaian yang telah ditetapkan, dibuat model
model penilaian secara matematis.
4. Tahap Implementasi (Implementation)
Struktur Sistem Penunjang Keputusan
diimplementasikan dengan bahasa pemrograman.
Sedangkan komponen komponen Sistem
Penunjang Keputusan yang
digunakan adalah:
1. Subsistem manajemen data, menyediakan
data bagi sistem yang berasal dari data
internal.
2. Subsistem manajemen model, berfungsi
sebagai pengelola berbagai model
3. Subsistem antar muka pengguna, merupakan
fasilitas yang mampu mengintegrasikan sistem
terpasang dengan pengguna secara interaktif.

140
 Seminar Nasional Informatika 2014

nm_gol

kd_gol tingkatan

Perancangan basis data sistem nip

pendukung keputusan yang akan memberikan nama

pemahaman secara keseluruhan berupa GOLONGAN KEPUTUSAN kd_gol

hubungan antar obyek data, aliran informasi dan keputusan

transformasi dari data input manjadi output bobot

yang digambarkan secara grafik berupa diagram

flow dan entity relationship. memiliki memiliki

Perancangan Sistem NIP

dspln

Model dan Skala Penilaian PEGAWAI memiliki Penilaian

jujur

Model ( kriteria ) sistem penunjang prestasi

keputusan untuk menilai kenaikan golongan NIP jk

pegawai terdiri dari Disiplin, Kejujuran, Prestasi, kd_gol

tmpt_lhr kesehatan kppn

Kepemimpinan, Wawasan, Kreatifitas, nama tgl_lhr loyal wawasan

Bekerjasama, Sopan Santun, Loyalitas, alamat s_santun

b_sama
kreatif

Kesehatan. Dimana masing – masing kriteria

tersebut mempunyai skala, Pemberian skala pada
kriteria tersebut berguna untuk memutuskan
3.1.1.1.1 bagaimana kelayakan dalam penerimaan kenaikan
golongan oleh pegawai. Perhitungannya
berdasarkan suatu nilai atau skala pada tiap-tiap
attribut. Pemberian skala tersebut dengan
membagi beberapa kemungkinan. Pada masalah
diatas dapat dibagi dua kriteria nilai, yaitu naik
golongan dan tetap. Batasan Skala range terendah
1 dan tertinggi 4 sehingga pada akhirnya
kelayakan kenaikan golongan diukur dengan
range nilai 31-40 Naik Golongan 3 Tingkat, nilai
21-30 Naik Golongan 2 Tingkat, nilai 11-20 Naik
Golongan 1 Tingkat dan nilai 1-10 Tetap Pada
Gambar 1. Entity Relationship Diagram
Context Diagram
Context Diagram adalah diagram aliran
data yang selalu mengandung satu proses saja
(seringkali diberi nama proses 0), proses ini
mewakili proses seluruh sistem. Context diagram
juga merupakan alat bantu yang digunakan dalam
menganalisis sistem yang akan dikembangkan
dan menggambarkan hubungan antara elemen
yang membentuk suatu kesatuan, seperti pada
gambar 2 :
Lap. Pegawai yg Layak Naik Gpl yg di ACC
SK Pegawai yg tlh di ACC SK Pegawai yg tlh di ACC
PEGAWAI PIMPINAN

Golongan Sebelumnya. Selain itu juga Pegawai

tidak mendapatkan kenaikan golongan jika
terdapat skala 1 untuk masing-masing kriteria.
0
Khusus untuk kriteria disiplin skala yang berlaku Hasil Analisa Sementara Kenaikan Gol
SK Pegawai
adalah skala 3 dan 4, pegawai tidak mendapatkan SISTEM PENUNJANG
KEPUTUSAN KENAIKAN
kenaikan golongan jika mempunyai skala 1 dan 2. SK Pegawai yg tlh di ACC
GOLONGAN PEGAWAI
PADA PTP NUSANTARA IV Lap. Penilaian yg tlh di ACC
SK Pegawai
Total skala yang dimiliki pegawai minimal sesuai
dengan standar yang telah ditetapkan dan jika
total skala lebih kecil maka pegawai akan tetap
pada golongan sebelumnya.
ASISTEN ADMIN
Form Penilaian Pegawai Yg tlh di isi Form Penilaian Pegawai Yg tlh di isi
Lap. Pegawai yg Layak Naik Gpl yg di ACC
Perancangan Basis Data Rekap Form Penilaian

Perancangan Basis Data digunakan untuk Gambar 2. Contex Diagram

mendukung fasilitas pengolahan data, model yang
digunakan adalah Entity Relationship Diagram
(ERD), dan konteks diagram untuk mengetahui
alir data dalam sistem penunjang keputusan.
Adapun bentuk hubungan dari masing-
masing entity dari sistem yang dirancang dapat
dilihat pada Gambar 1 :
Data Flow Diagram
Dengan mengacu kepada Context
Diagram maka dapat memperjelas proses yang
terjadi adalah dengan menguraikan proses
tersebut kedalam bentuk Data Flow Diagram
(DFD) level 0, dapat dilihat pada Gambar 3 :

141
Seminar Nasional Informatika 2014

0.8

ASISTEN
SK Pegawai yg tlh di ACC Penyerahan SK
Pegawai yg tlh di
ACC
SK Pegawai yg tlh di ACC
PEGAWAI
4. Kepemimpinan (X4)
Pengisian
Penilaian
Pegawai
SK Pegawai
Tabel 4. Kepemimpinan
0.1 ADMIN

Pengisian
Penilaian Pegawai
Penyerahan Hasil Penilaian
No. Keterangan Skala
Data Penilaian
1. Menerapkan perbaikan – 4
0.2
D3 Penilaian
Data Penilaian
Hasil penilaian Pengolahan Data
Pegawai yg Layak Naik
perbaikan cepat
Golongan

Data Pegawai
D1 Pegawai
Data Pegawai
pada permasalahan
SK Pegawai yg tlh di ACC 0.3
Pengolahan Data Data Golongan
D2 Golongan
Data Golongan
yang ada
Pegawai yg Layak
Naik Golongan

Data Penilaian
D3 Penilaian
Data Penilaian 2. Diminta untuk memberi 3
0.7 SK Pegawai yg tlh di ACC
Data Keputusan
D4 Keputusan

Data Penilaian
nasehat pada
ACC SK Pegawai
0.4
Hasil Analisa 0.6
karyawan lain
Sementara
Kenaikan Gol Pembuatan SK
Pegawai 3. Selalu member solusi 2
Hasil Analisa Sementara

PIMPINAN
4. Peduli sesama 1
Pengambilan Keputusan

0.5
Pengambilan Lap. Pegawai yg tlh di ACC
5. Wawasan (X5)
Keputusan Pegawai
yg Layak Naik Gol
Tabel 5. Wawasan
No. Keterangan Skala
SK Pegawai

Gambar 3. Data Flow Diagram

1. Memiliki wawasan 4
yang luas
Perancangan Basis Model
2. Hanya dibidangnya 3
Dalam mendukung proses pengambilan
saja
keputusan, digunakan model matematika yang
dibangun untuk menentukan kelayakan 3. Bisa diandalkan 2
kenaikan golongan. 4. Memiliki wawasan 1
Rancangan model untuk mengevaluasi kelayakan yang terbatas
kenaikan golongan adalah sebagai berikut: 6. Kreatifitas (X6)
Tabel 6. Kreatifitas
1. Disiplin (X1) No. Keterangan Skala
Tabel 1. Disiplin 1. Dapat menciptakan 4
No. Keterangan Skala inovasi terhadap
1. Selalu datang tepat 4 produk
waktu 2. Hanya mampu 3
2. Pernah datang 3 memberikan
terlambat pendapat
3. Sering datang 2 3. Cukup menyetujui 2
terlambat saja apa yang telah
4. Sangat sering datang 1 dibuat
terlambat 4. Tidak ikut serta sama 1
2. Kejujuran (X2) sekali
Tabel 2. Kejujuran 7. Bekerjasama (X7)
No. Keterangan Skala Tabel 7. Bekerjasama
1. Dapat dipercaya 4 No. Keterangan Skala
2. Pernah didapati 3 1. Mampu bekerjasama 4
melakukan dengan baik
Kecurangan 2. Kurang bekerjasama 3
3. Sering didapati 2 dengan baik
melakukan 3. Hanya ikut-ikut saja 2
Kecurangan 4. Tidak dapat 1
4. Tidak dapat 1 bekerjasama dengan
dipercaya baik
8. Sopan Santun (X8)
3. Prestasi Kerja (X3) Tabel 8. Sopan Santun
Tabel 3. Prestasi Kerja No. Keterangan Skala
No. Keterangan Skala 1. Baik terhadap semua 4
1. Internasional 4 karyawan
2. Nasional 3 2. Biasa – biasa saja 3
3. Provinsi 2 3. Cendrung pendiam 2
4. Kabupaten 1 4. Tidak ramah sesama 1
karyawan

142
 Seminar Nasional Informatika 2014

9. Loyalitas (X9) golongan. Batasan modelnya ditetapkan sebagai

Tabel 9. Loyalitas berikut :
No. Keterangan Skala X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9
1. Sangat loyal 4 + X10≥ ZQ
2. Loyal 3 Dari batasan model yang ada maka
3. Cukup loyal 2 ditetapkan skala untuk mengetahui total skala
4. Tidak loyal 1 yang harus dicapai pegawai untuk kenaikan
golongan. Penjabarannya dapat dilihat sebagai
berikut :
10. Kesehatan 1. Golongan dengan Range 31 sampai 40
Tabel 10. Kesehatan ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7
No. Keterangan Skala + X8 + X9 + X10
1. Kesehatan fisik prima 4 = 4 + 4 + 4 + 4 + 4 + 3 + 3 + 3 + 3 + 3 = 35
2. Pernah sakit ringan 3 2. Golongan dengan Range 21 sampai 30
3. Pernah sakit parah 2 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7
4. Ketergantungan 1 + X8 + X9 + X10
terhadap alkohol = 3 + 3 + 3 + 3 + 3 + 2 + 2 + 2 + 2 + 2 = 23
3. Golongan dengan Range 11 sampai 20
11. Asumsi kriteria keputusan pegawai (Y) ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7
Tabel 11. Keputusan + X8 + X9 + X10
No. Keterangan Rang = 2 + 2 + 2 + 2 + 2 + 1 + 1 + 1 + 1 + 1 = 15
e 4. Golongan dengan Range 1 sampai 10
1. Tetap Pada Golongan 1-10 ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7
Sebelumnya + X8 + X9 + X10
2. Naik Golongan 1 11-20 = 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 = 10
Tingkat
3. Naik Golongan 2 21-30 Asumsi Data
Tingkat Pada bagian ini, akan diasumsikan tabel
4. Naik Golongan 3 31-40 berisi data yang tidak lengkap. Tabel ini akan
Tingkat dilengkapi dengan asumsi skala yang telah
ditetapkan, Penjabarannya dapat dilihat pada tabel
Sedangkan asumsi skala berdasarkan 13 :
masing-masing kriteria yang diharapkan untuk
kenaikan golongan agar pegawai layak untuk Tabel 13. Data Tidak Lengkap
mendapatkan golongan yang diusulkan dapat NI Na Kriteria (Skala) T Y
dilihat pada tabel 12 : P ma X X X X X X X X X X o
1 2 3 4 5 6 7 8 9 1 t
Tabel 12. Asumsi Skala Minimum Masing- 0 a
Masing Kriteria Kenaikan Golongan l
Q Standar Kriteria Yang Diharapkan (Range) 10 Nur 3 3 4 3 4 3 3 3 2 3 3 ?
X X X X X X X X X X1
1 2 3 4 5 6 7 8 9 0 00 buat 1
Naik 1 4 4 4 4 4 3 3 3 3 3 1
Tingka
t 12 Mas 3 3 3 4 4 3 3 2 3 2 3 ?
Naik 2 3 3 3 3 3 2 2 2 2 2
Tingka 00 niar 0
t 2
Naik 3 2 2 2 2 2 1 1 1 1 1
Tingka 10 Tas 3 2 2 2 3 2 3 3 3 2 2 ?
t
00 man 5
3
Fungsi Tujuan 11 Muf 2 3 2 2 3 1 1 1 1 2 1 ?
Pada fungsi tujuan akan ditetapkan
00 rizal 8
bahwa ZQ berperan sebagai total skala standar
4
golongan yang dinyatakan dalam notasi
10 Nofr 1 1 1 1 1 1 1 1 1 1 1 ?
matematika. Maka fungsi tujuannya sebagai
00 i 0
berikut :
5
ZQ = X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8
+ X9+ X10
Berdasarkan tabel 13 maka akan
diperhitungkan skala kriteria apakah sudah
Batasan Model
memenuhi syarat dan skala yang dimiliki sama
Skala yang ditetapkan telah mempunyai
atau melebihi dari skala rata-rata yang sudah
batasan untuk mendapatkan total skala kenaikan
ditetapkan. Penjabarannya sebagai berikut :

143
Seminar Nasional Informatika 2014

1. NIP : 10001 dan mudah dipahami oleh user. Data lengkap

Nama : Nurbuat dapat dilihat pada tabel 14 :
Asumsi golongan (Q) : Naik golongan 3 Tabel 14. Data Lengkap
tingkat N Na Kriteria (Skala) To Y
Syarat kriteria : sudah memenuhi syarat IP ma tal
X X X X X X X X X X
yang sudah ditentukan 1 2 3 4 5 6 7 8 9 1
Skala : X1 + X2 + X3 + X4 + X5 + 0
X6 + X7 + X8 + X9 + X10 ≥ Z31 10 Nu 3 3 4 3 4 3 3 3 2 3 31 3
00 rbu
3 + 3 + 4 + 3 + 4 + 3 + 3 + 3 + 2 + 3 ≥ 31 1 at
31 = 31 12 Ma 3 3 3 4 4 3 3 2 3 2 30 2
Keputusan (Y) : 3 (dinyatakan naik 00 sni
golongan 3 tingkat) 2 ar
10 Tas 3 2 2 2 3 2 3 3 3 2 25 2
2. NIP : 12002 00 ma
Nama : Masniar 3 n
Asumsi golongan (Q) : Naik golongan 2 11 Mu 2 3 2 2 3 1 1 1 1 2 18 1
tingkat 00 friz
4 al
Syarat kriteria : sudah memenuhi syarat
10 No 1 1 1 1 1 1 1 1 1 1 10 0
yang sudah ditentukan 00 fri
Skala : X1 + X2 + X3 + X4 + X5 + 5
X6 + X7 + X8 + X9 + X10 ≥ Z21
3 + 3 + 3 + 4 + 4 + 3 + 3 + 2 + 3 + 2 ≥ 21 Struktur Program
30 ≥ 21 Struktur program akan digambarkan
Keputusan (Y) : 2 (dinyatakan naik untuk membuat spesifikasi modul program
golongan 2 tingkat) aplikasi. Dalam struktur program ini terlihat
3. NIP : 10003 bahwa program aplikasi yang dirancang terdiri
Nama : Tasman atas beberapa modul program, modul ini
Asumsi jabatan (Q) : Naik golongan 2 dirumuskan sesuai dengan fungsinya dan bukan
tingkat berdasarkan ukuran dari program, Seperti terlihat
Syarat kriteria : sudah memenuhi syarat pada gambar 4 dibawah ini :
yang sudah ditentukan
Skala : X1 + X2 + X3 + X4 + X5 + Menu Utama

X6 + X7 + X8 + X9 + X10 ≥ Z21
3 + 2 + 2 + 2 + 3 + 2 + 3 + 3 + 3 + 2 ≥ 21
25 ≥ 21
Keputusan (Y) : 2 (dinyatakan naik Entry Laporan Exit

golongan 2 tingkat)
4. NIP : 11004 Data Golongan
Laporan Data
Pegawai

Nama : Mufrizal
Asumsi jabatan (Q) : Naik golongan 1 Laporan Data
Data Pegawai Penilaian
tingkat
Syarat kriteria : sudah memenuhi syarat Data Penilaian
yang sudah ditentukan Pegawai

Skala : X1 + X2 + X3 + X4 + X5 +
X6 + X7 + X8 + X9 + X10 ≥ Z11 Data Keputusan

2 + 3 + 2 + 2 + 3 + 1 + 1 + 1 + 1 + 2 ≥ 11
18 ≥ 11 Gambar 4. Struktur Program
Keputusan (Y) : 1 (dinyatakan naik
golongan 1 tingkat) Form Input Data Penilaian
5. NIP : 10005 Input data pegawai digunakan untuk menyimpan
Nama : Nofri data penilaian ke database dalam tabel penilaian
Asumsi jabatan (Q) : Tetap pada golongan (tpenilaian). Yang dapat terlihat pada Gambar 5.
sebelumnya
Syarat kriteria : tidak memenuhi syarat
minimum kritetria kepangkatan untuk
jabatan dengan skala minimal = 11
Keputusan (Y) : 0 (dinyatakan tetap)

Berdasarkan nilai-nilai di atas, data yang

tidak lengkap dapat menghasilkan data lengkap
untuk menghasilkan keputusan yang lebih singkat

144

Gambar 5. Input Data Penilaian
Form Input Data Keputusan
Input data keputusan digunakan untuk
menyimpan data keputusan ke database. Yang
dapat terlihat pada Gambar 6.
Gambar 6. Input Data Keputusan
Kesimpulan
Berdasarkan uraian, maka dapat diambil
beberapa kesimpulan :
Seminar Nasional Informatika 2014
1. Sistem Penunjang Keputusan ini dapat
membantu pimpinan dalam pengambilan
keputusan kenaikan golongan pegawai
secara mudah sehingga dapat
memaksimalkan dan mengoptimalkan
keputusan, sehingga dapat meminimalisasi
kesalahan dalam pengambilan keputusan.
2. Dengan adanya sistem ini dapat diambil
suatu keputusan yang lebih cepat, tepat,
serta akurat terhadap kinerja karyawan
untuk menilaian kenaikan golongan
pegawai.
DAFTAR PUSTAKA
1 Jogiyanto HM. 2001. “Analisa & disain :
Sistem informasi pendekatan terstruktur teori
dan praktek aplikasi bisnis”. Yogyakarta :
Andi Offset.
2 Kadir, Abdul. 2003. “Pengenalan Sistem
Informasi”. Yogyakarta : Andi.
3 Simarmata, Janner. 2006. “Pengenalan
Teknologi Komputer dan Informasi”.
Yogyakarta : Penerbit Andi
4 Suryadi, Kadarsah dan M. Ali Ramdhani.
2002. ”Sistem Pendukung Keputusan”. PT.
Remaja Rosdakarya, Bandung.
5 Turban, Aronson, and Liang, 2005. “Decision
Support Systems and Intelligent Systems”. ,
7th Edition, Prentice Hall.
6 Joko Kuswanto, Ema Utami, 2011, Sistem
Penunjang Keputusan Penialaian Kinerja
Dosen ( Studi Kasus Pada Universitas
Baturaja, OKU, Sumatera Selatan ), Jurnal
Teknologi Informasi, Juli 2011 No 17
7 Kosasih, S., 2002, Sistem Pendukung
Keputusan, Proyek Peningkatan Penelitian
Tinggi Direktorat Jendral Pendidikan
Tinggi Departemen Pendidikan Nasional.
145
Seminar Nasional Informatika 2014

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN DOSEN

PEMBIMBING DENGAN METODE LOGIKA FUZZY
Ainul Yaqin1), Ema Utami2), Emha Taufiq Luthfi3)
1,2,3
Magister Teknik informatika STMIK AMIKOM Yogyakarta
1,2,3
Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281
1
ainul.yaqin121190@gmail.com, 2ema.u@amikom.ac.id, 3emhataufiqluthfi@amikom.ac.id

Abstrak

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

Kata Kunci: Sistem Pendukung Keputusan, Penunjukkan dosen pembimbing

1. Pendahuluan berdampak pada hasil keputusan yang diberikan

Sekolah Tinggi Manajemen Informatika
dan Komputer AMIKOM Yogyakarta (selanjutnya
disebut STMIK AMIKOM Yogyakarta)
merupakan salah satu perguruan tinggi swasta
yang berkedudukan di Provinsi DIY Kabupaten
Sleman di bawah naungan Yayasan AMIKOM
Yogyakarta. Visi dan misi, perkembangan
program studi S1 Teknik Informatika STMIK
AMIKOM Yogyakarta juga dipengaruhi oleh
kualitas mahasiswa lulusan program studi S1
Teknik Informatika STMIK AMIKOM
Yogyakarta. sebagaimana salah satu misi program
program studi S1 Teknik Informatika STMIK
AMIKOM Yogyakarta unggul dalam bidang
penelitian yakni Melaksanakan penelitian dalam
rangka pengembangan ilmu pengetahuan secara
berkelanjutan. Dalam mencetak lulusan terbaik
tentunya dipengaruhi oleh pemilihan dosen
pembimbing bagi mahasiswa yang menempuh
skripsi sebagai penelitian syarat kelulusan dan
juga menjadi salah satu bentuk pengabdian
masyarakat.
Permasalahan muncul pada pihak
jurusan dalam menentukan dosen pembimbing
karena yang dinilai adalah subjektifitas masing-
masing dosen. Sehingga penilaian yang diberikan
masih tidak pasti (bersifat fuzzy = kabur atau
tidak jelas). Adanya ketidaktepatan dalam
membuat keputusan pemilihan dosen pembimbing
kurang tepat.
Dengan menerapkan Sistem pendukung
keputusan ini membantu melakukan pemilihan
dosen pembimbing dengan sistem perhitungan
matematis, melakukan perubahan kriteria,dan
memberi nilai bobot. Hal ini berguna untuk
memudahkan pengambil keputusan yang terkait
dengan masalah penentuan dosen pembimbing,
sehingga akan di dapatkan dosen pembimbing
yang paling sesuai dengan skripsi yang diajukan
mahasiswa.
Berdasarkan dari latar belakang masalah
maka dapat dirumuskan masalah mengenai
arsitektur sistem serta bagaimana alur kerja dari
“sistem pendukung keputusan untuk penentuan
dosen pembimbing dengan menggunakan metode
logika fuzzy (fuzzy Logic) “.
Dalam pembuatan sistem ini, terdapat
beberapa pembatasan penelitian mulai dari
Penelitian ini menggunakan metode pelacakan
fuzzy logic metode mamdani serta menggunakan
metode pendekatan berbasis aturan(rulebase
reasoning). Sistem pendukung keputusan ini
bersifat prototype yang tidak terintegrasi dengan
sistem sistem informasi di STMIK AMIKOM
Yogyakarta dan dibangun dengan menggunakan
Bahasa PHP dan Database MySql.
Penelitian ini menggunakan metode penelitian
action research dan ditujukan untuk mengetahui

146
 Seminar Nasional Informatika 2014

penerapan sistem pendukung keputusan tersebut Pemikiran di balik pendekatan ini adalah
sehingga dapat menjadi pedoman bagi bagian pengambilan keputusan tidak sekadar persoalan
jurusan program studi S1 Teknik Informatika hitam dan putih atau benar dan salah, namun
STMIK AMIKOM Yogyakarta dalam kerapkali melibatkan area abu-abu, dan hal itu
menentukan dosen pembimbing bagi mahasiswa dimungkinkan. Ada beberapa hal yang perlu
yang mengajukan skripsi. diketahui dalam memahami suatu sistem fuzzy,
yaitu [Kusuma dewi]
2. Tinjauan Pustaka a. Variabel fuzzy
Perguruan Tinggi menentukan salah satu Variabel fuzzy merupakan variabel yang
standar kelulusan mahasiswa untuk memperoleh hendak dibahas dalam suatu sistem fuzzy.
gelar S1 adalah dalam bentuk penyusunan tugas Contoh : umur, temperatur, permintaan, dsb.
akhir atau skripsi. Sebagai bagian dari proses b. Himpunan fuzzy
penulisan skripsi, peran dosen sebagai Himpunan fuzzy merupakan suatu grup yang
pembimbing skripsi menjadi sangat penting mewakili suatu kondisi atau keadaan tertentu
karena merupakan tanggung jawab dosen untuk dalam suatu variabel fuzzy.
memastikan bahwa mahasiswa mampu menyusun Contoh :
skripsi dengan baik hingga skripsi siap diujikan 1. Variabel umur, terbagi menjadi 3
dan berkualitas [Rini 2012]. himpunan fuzzy, yaitu : MUDA,
Dalam buku (Kusrini,2007), terdapat PAROBAYA, TUA.
definisi sistem pendukung keputusan menurut 2. Variabel temperatur, terbagi menjadi 5
Alter ialah DSS merupakan sistem informasi himpunan fuzzy, yaitu : DINGIN,
interaktif yang menyediakan informasi, SEJUK, NORMAL, HANGAT, dan
pemodelan, dan pemanipulasian data. Sistem itu PANAS. Seperti pada gambar 2 :
digunakan untuk membantu pengambilan
keputusan dalam situasi yang semiterstruktur dan
situasi yang tidak terstruktur, dimana tak
seorangpun tahu secara pasti bagaimana
keputusan seharusnya dibuat[Kusrini].
Sistem pendukung keputusan bisa terdiri dari
beberapa subsistem, yaitu [Kusrini] Gambar 2. Himpunan Fuzzy
1. Subsistem manajemen data
2. Subsistem manajemen model c. Semesta Pembicaraan
3. Subsistem antarmuka pengguna Semesta pembicaraan adalah keseluruhan
4. Subsistem manajemen berbasis-pengetahuan nilai yang diperbolehkan umtuk dioperasikan
dalam suatu variabel fuzzy. Semesta
Arsitektur dari sistem pendukung keputusan pembicaraan merupakan himpunan bilangan real
ditunjukkan dalam gambar 1 [Kusrini]: yang senantiasa naik (bertambah) secara
monoton dari kiri ke kanan. Nilai semesta
Sistem lainnya
yang berbasis
Internet,
intranet,
pembicaraan dapat berupa bilangan positif
komputer ekstranet
maupun negatif. Adakalanya nilai semesta
Data
eksternal &
pembicaraan ini tidak dibatasi batas atasnya.
Manajemen Manajemen
internal
data model
Model eksternal
Contoh :
1. Semesta pembicaraan untuk variabel umur: [0
Subsistem
berbasis
∞]
pengetahuan
2. Semesta pembicaraan untuk variabel
temperatur: [0 40]
Antarmuka
pengguna

d. Domain
Basis Manajer
Domain himpunan fuzzy adalah
pengetahuan (pengguna)
organisasional keseluruhan nilai yang diijinkan dalam semesta
Gambar 1. Arsitektur Sistem Pendukung pembicaraan dan boleh dioperasikan dalam
Keputusan suatu himpunan fuzzy. Seperti halnya semesta
pembicaraan, domain merupakan himpunan
logika fuzzy berkaitan dengan ketidakpastian. bilangan real yang senantiasa naik (bertambah)
Teknik ini, yang menggunakan teori matematika secara monoton dari kiri ke kanan. Nilai domain
fuzzy set [zadeh], mensimulasikan proses dapat berupa bilangan positif maupun negatif.
penalaran manusia normal dengan memungkinkan Contoh domain himpunan fuzzy :
komputer untuk berperilaku kurang tepat dan 1. MUDA : [0 45]
logis daripada yang dilakukan komputer 2. PAROBAYA : [33 45]
konvensional. 3. TUA : [45 ∞]

147
Seminar Nasional Informatika 2014
e. Proses Infrensi Fuzzy
Proses inferensi sistem pakar fuzzy terbagi
atas empat proses yaitu: Fuzzyfikasi, Inferensi,
Komposisi, dan Defuzzyfikasi.Proses inferensi
fuzzy, ditunjukkan pada gambar 3 [Sherly]:
Gambar 3. Tahapan Proses dalam Logika
Fuzzy
Metode MAMDANI sering dikenal sebagai
metode Max-Min, yang diperkenalkan oleh
ebrahim MAMDANI di tahun 1975. Untuk
memperoleh output, diperlukan 4 tahapan
[Kusumadewi].
a. Pembentukan himpunan fuzzy
b. Aplikasi fungsi implikasi
c. Komposisi aturan
Pada metode MAX solusi himpunan diperoleh
dari nilai maximum aturan, kemudian
menggunakan untuk memodifikasi daerah fuzzy,
dan mengaplikasikannya ke output dengan
menggunakan operator OR (union). Secara umum
dapat dituliskan :
(1)
Keterangan:
1. = nilai keanggotaan solusi fuzzy
sampai aturan ke-I.
2. = nilai keanggotaan konsekuen fuzzy
sampai aturan ke-I.
d. Penegasan (defuzzy)
Ada beberapa metode defuzzifikasi pada
komposisi aturan MAMDANI, antara lain :
Metode centroid, metode bisector, metode mean
of maximum (MOM), Metode Largest of
maximum (LOM). Rumus defuzzifikasi yang
digunakan dalam penelitian ini adalah adalah :
(2)
Keterangan:
1. = nilai keanggotaan min dari
aturan ke -1
2. = nilai maximum himpunan dari fungsi
implikasi aturan ke -1
3. = nilai keanggotaan min dari
aturan ke –n
4. = nilai maximum himpunan dari fungsi
implikasi aturan ke –n
Pengetahuan direpresentasikan dengan
menggunakan aturan berbentuk: IF–THEN.
Bentuk ini digunakan apabila kita memiliki
148
sejumlah pengetahuan pakar pada suatu
permasalahan tertentu, dan si pakar dapat
menyelesaikan masalah tersebut secara berurutan
[Kusumadewi, 2003].
3. Metode Penelitian
Dalam penelitian, peneliti melakukan
identifikasi sistem dengan mempertimbangkan
variable-variabel pendukung penerapan hasil
keputusan dengan cara melakukan wawancara
kepada ketua jurusan sebagai user
knowledgement. Hal ini merupakan tahapan yang
penting karena model yang dibuat harus akurat
dan dapat dipertanggungjawabkan.
Kemudian hasil wawancara dengan pakar
dijadikan data yang selanjutnya diolah dengan
menggunakan model logika fuzzy untuk
mendapatkan hasil berupa langkah-langkah
strategis yang harus dilakukan pada penerapan
hasil keputusan. Alur kerja Penentuan Dosen
Pembimbing dapat dilihat pada Gambar 4
Gambar 4. Alur kerja penentuan dosen
pembimbing
Rule pengetahuan sebanyak 324 adalah
rulebased reasoning yang diperoleh dari hasil
permutasi sub variabel input yang ditunjukkan
pada bagian tabel 1 dibagian lampiran.
4. Hasil dan Pembahasan
Dalam penelitian sistem pendukung keputusan
penentuan dosen pembimbing mendasarkan pada
teknik peluang dan memperhitungkan
ketidakmenentuan. Model yang dalam penelitian
sistem pendukung keputusan ini menggunakan
logika fuzzy metode mamdani.
Alur dalam sistem pendukung keputusan
penentuan dosen pembimbing menggunakan
logika fuzzy adalah sebagai berikut :
1. Penentuan variabel yang menjadi inputan
dalam logika fuzzy :
a. Bidang keahlian dosen : nilai inputan untuk
bidang keahlian dosen diperoleh dari rata-rata
nilai pengusaan masing-masing dosen
terhadap tematik yang terkait dengan skripsi
 Seminar Nasional Informatika 2014

yang diajukan ditambah dengan rasio lulus

mahasiswa yg dibimbing.
b. Ipk mahasiswa yang sedang dibimbing : nilai
yang diperoleh dari inputan data-data
mahasiswa yang sedang mengajukan skripsi.
c. Beban bimbingan dosen : nilai inputan yang
diperoleh dari jumlah mahasiswa yang sedang
dibimbing masing-masing dosen.
d. rata-rata durasi waktu mahasiswa Gambar 7. Kurva Beban Bimbingan Dosen
menyelesaikan skripsi : nilai inputan untuk
rata-rata durasi waktu mahasiswa adalah rata- d. durasi waktu mahasiswa menyelesaikan
rata dari durasi mahasiswa menyelesaikan skripsi (durasi)
skripsi yang pernah di bimbing masing masing
dosen.
e. Nilai rata-rata skripsi mahasiswa yang
dibimbing : nilai inputan untuk nilai rata-rata
skripsi diperoleh dari rata-rata nilai skripsi
mahasiswa masing-masing dosen yang telah
lulus sidang skripsi.

2. Penentuan varibel yang menjadi output dalam

Gambar 8. Kurva Durasi Bimbingan
logika fuzzy : Indek kesesuain dosen sebagai
pembimbing.
e. Nilai rata-rata skripsi mahasiswa yang
3. Penentuan domain semesta masing-masing
dibimbing(Nil_Skripsi)
variabel
a. bidang keahlian dosen [0 100]
b. Ipk mahasiswa [0 4]
c. Beban bimbingan dosen [0 25]
d. rata-rata durasi waktu mahasiswa
menyelesaikan skripsi [0 6]
e. Nilai rata-rata skripsi mahasiswa yang
dibimbing [0 4]
f. Indek kesesuai dosen [0 100] Gambar 9. Kurva Nilai Skripsi
4. Penentuan himpunan dan domain masing-
masing variabel f. Indek Kesesuai Dosen (IKD)
a. Bidang Keahlian Dosen (BKD)

Gambar 5. Kurva Bidang Keahlian Dosen

. Gambar 10. Kurva Indek kesesuai dosen
b. Indeks Prestasi Komulatif mahasiswa
(IPK) 5. Menentukan nilai keanggotan
(µhimpunan_variabel[nilai])

a. Bidang Keahlian Dosen (BKD)

Gambar 6. Kurva IPK Mahasiswa

c. Beban Bimbingan Dosen (BBD)

149
Seminar Nasional Informatika 2014

6. Menentukan aturan kaidah produksi(rule

based reasoning)
Contoh aturan kaidah produksi dalam sistem
pendukung keputusan penentuan dosen
pembimbing dilampirkan pada lampiran.
7. Melakukan defuzzyfikasi untuk menentukan
peluang menggunakan rumus (2) diatas.
Dalam paper ini terdapat percobaan kerja sistem,
penulis membuat sistem seperti tampilan dibawah
ini.

Gambar 11. Form Tambah data skripsi

Gambar 12. Form Penunjukkan dosen

Gambar 13. hasil rekomendasi penunjukkan

Penambahan data skripsi menggunakan

form tambah data skripsi yang ditunjukkan pada
gambar 11 dan untuk penunjukkan dosen
menggunakan form penunjukkan dosen yang
ditunjukkan gambar 12 serta hasil rekomendasi
seperti gambar 13.
Pengujian yang dilakukan dalam penelitian
sistem pendukung keputusan penunjukan dosen
pembimbing ini menggunakan sekenario
pengujian data histori penunjukkan dosen
pembimbing dibandingkan dengan penunjukkan
berdasarkan sistem pendukung keputusan
penunjukkan dosen pembimbing. Skenario

150

pengujian ditunjukkan dalam diagram
berdasarkan gambar 14 berikut:
Gambar 14. Skenario Pengujian
Pengujian ini dilakukan pada 30 data sampel
histori yang dipilih secara random dari 2163 data.
Rencana data yang akan diuji ditunjukkan pada
tabel 2 di bagian lampiran serta hasil pengujian
tingkat kesesuaian penunjukkan dosen dengan
manual dengan nilai B dan durasi
penyelesaian<=2 semester dan berdasarkan SPK
dengan indeks kesesuain penunjukkan dosen
dengan SPK>=40 dan perigkat di SPK>=5
ditunjukkan pada tabel 3 dibagian lampiran.
Dari hasil pengujian diperoleh hasil kesesuaian
penunjukkan dosen secara manual dan
berdasarkan hasil penunjukkan Sistem Pendukung
keputusan penunjukkan dosen pembimbing. Hasil
Kesesuaian ditunjukkan pada diagram pie
kesesuaian penunjukkan dosen pembimbing pada
gambar 15:
Gambar 16. Diagram Kesesuaian
Penunjukkan Dosen Pembimbing
Untuk Lebih mendetail hasil pengujian
kesesuaian dihitung berdasar penunjukkan
optimal secara manual dan sistem pendukung
keputusan penunjukkan dosen pembimbing. Hasil
Penunjukkan optimal ditunjukkan pada diagram
yang digambarkan pada gambar 17:
Gambar 17. Diagram Kesesuaian
Penunjukkan Dosen Pembimbing
Seminar Nasional Informatika 2014
5. Kesimpulan dan Saran
Berdasarkan hasil pengujian dari kasus
sampel uji yang telah dilakukan didapat
kesimpulan bahwa hasil penunjukkan sistem
pendukung keputusan menunjukkan angka
kesesuaian 87% sesuai dengan penunjukkan
manual. Hasil pengujian ini baru secara
persentase statistik biasa dari data histori, dan
mungkin saja ini kurang akurat.
Sistem pendukung keputusan penunjukkan dosen
agar lebih optimal, dibutuhkan tambahan
kecerdasan dalam pengolahan aturan rule base
secara otomatis berdasar histori penunjukkan.
Penulis juga menyarankan bahwa peranan ketua
jurusan dalam penunjukkan dosen dibutuhkan
karena sistem hanya member hasil rekomendasi.
Penulis juga memberikan saran untuk penelitian
berikutnya, sistem pendukung keputusan ini dapat
dikembangkan dengan membuat penelitan tematik
terkait skripsi bisa diinputkan secara otomatis
atau rule base reasoning yang digunakan secara
otomatis terbentuk pola dengan dengan melihat
histori penunjukkan dosen bimbingan.
Daftar Pustaka
[1]. Hariyati Rini Maryuni, “Survey Kinerja
Dosen Pembimbing Skripsi Dan Kualitas
Skripsi Mahasiswa Akuntansi Stie
Malangkucecwara”, Jurnal Dinamika
Akuntansi Vol. 4, No.2 (2012).
[2]. Jayanti Sherly, Hartati Sri, 2012, Sistem
Pendukung Keputusan Seleksi Anggota
Paduan Suara Dewasa Menggunakan Metode
Fuzzy MAMDANI, Jurnal IJCCS, Volume 6
no 1
[3]. Kusrini, 2007, Konsep dan Aplikasi Sistem
Pendukung Keputusan, Yogyakarta, Penerbit
Andi.
[4]. Kusumadewi, S., “Artificial Intelligence”.
Graha Ilmu, Edisi Pertama, Yogyakarta,
2003.
[5]. Kusumadewi, S, Purnomo H., “Aplikasi
Logika Fuzzy untuk pendukung keputusan”.
Graha Ilmu, Edisi Kedua, Yogyakarta, 2010
[6]. Lotfi A Zadeh, 1968, “Fuzzy Algorithm,
Information and Control 12 (2)”, 94-102.
151
Seminar Nasional Informatika 2014

Lampiran

Tabel 1. Rulebase reasoning

no aturan
1 if 1 . 4 . 8 . 11 . 14 then 17
2 if 1 . 4 . 8 . 11 . 15 then 18
3 if 1 . 4 . 8 . 11 . 16 then 18
4 if 1 . 4 . 8 . 12 . 14 then 17
5 if 1 . 4 . 8 . 12 . 15 then 18
6 if 1 . 4 . 8 . 12 . 16 then 18
7 if 1 . 4 . 8 . 13 . 14 then 17
8 if 1 . 4 . 8 . 13 . 15 then 17
9 if 1 . 4 . 8 . 13 . 16 then 17
10 if 1 . 4 . 9 . 11 . 14 then 17
11 if 1 . 4 . 9 . 11 . 15 then 18
12 if 1 . 4 . 9 . 11 . 16 then 18
13 if 1 . 4 . 9 . 12 . 14 then 17
14 if 1 . 4 . 9 . 12 . 15 then 18
15 if 1 . 4 . 9 . 12 . 16 then 18
16 if 1 . 4 . 9 . 13 . 14 then 17
17 if 1 . 4 . 9 . 13 . 15 then 17
18 if 1 . 4 . 9 . 13 . 16 then 17
19 if 1 . 4 . 10 . 11 . 14 then 17
20 if 1 . 4 . 10 . 11 . 15 then 18
21 if 1 . 4 . 10 . 11 . 16 then 18
22 if 1 . 4 . 10 . 12 . 14 then 17
23 if 1 . 4 . 10 . 12 . 15 then 18
24 if 1 . 4 . 10 . 12 . 16 then 18
25 if 1 . 4 . 10 . 13 . 14 then 17
26 if 1 . 4 . 10 . 13 . 15 then 17
27 if 1 . 4 . 10 . 13 . 16 then 17
28 if 1 . 5 . 8 . 11 . 14 then 17
29 if 1 . 5 . 8 . 11 . 15 then 18
30 if 1 . 5 . 8 . 11 . 16 then 18
31 if 1 . 5 . 8 . 12 . 14 then 17
32 if 1 . 5 . 8 . 12 . 15 then 17
33 if 1 . 5 . 8 . 12 . 16 then 18
34 if 1 . 5 . 8 . 13 . 14 then 17
35 if 1 . 5 . 8 . 13 . 15 then 17
36 if 1 . 5 . 8 . 13 . 16 then 17
37 if 1 . 5 . 9 . 11 . 14 then 17
38 if 1 . 5 . 9 . 11 . 15 then 18
39 if 1 . 5 . 9 . 11 . 16 then 18
40 if 1 . 5 . 9 . 12 . 14 then 17
41 if 1 . 5 . 9 . 12 . 15 then 18
42 if 1 . 5 . 9 . 12 . 16 then 18
43 if 1 . 5 . 9 . 13 . 14 then 17
44 if 1 . 5 . 9 . 13 . 15 then 17
45 if 1 . 5 . 9 . 13 . 16 then 18
46 if 1 . 5 . 10 . 11 . 14 then 17
47 if 1 . 5 . 10 . 11 . 15 then 18
48 if 1 . 5 . 10 . 11 . 16 then 18

152
 Seminar Nasional Informatika 2014

no aturan
49 if 1 . 5 . 10 . 12 . 14 then 17
50 if 1 . 5 . 10 . 12 . 15 then 17
51 if 1 . 5 . 10 . 12 . 16 then 18
52 if 1 . 5 . 10 . 13 . 14 then 17
53 if 1 . 5 . 10 . 13 . 15 then 17
54 if 1 . 5 . 10 . 13 . 16 then 17
55 if 1 . 7 . 8 . 11 . 14 then 17
56 if 1 . 7 . 8 . 11 . 15 then 18
57 if 1 . 7 . 8 . 11 . 16 then 18
58 if 1 . 7 . 8 . 12 . 14 then 17
59 if 1 . 7 . 8 . 12 . 15 then 18
60 if 1 . 7 . 8 . 12 . 16 then 18
61 if 1 . 7 . 8 . 13 . 14 then 17
62 if 1 . 7 . 8 . 13 . 15 then 17
63 if 1 . 7 . 8 . 13 . 16 then 17
64 if 1 . 7 . 9 . 11 . 14 then 17
65 if 1 . 7 . 9 . 11 . 15 then 18
66 if 1 . 7 . 9 . 11 . 16 then 18
67 if 1 . 7 . 9 . 12 . 14 then 17
68 if 1 . 7 . 9 . 12 . 15 then 18
69 if 1 . 7 . 9 . 12 . 16 then 18
70 if 1 . 7 . 9 . 13 . 14 then 17
71 if 1 . 7 . 9 . 13 . 15 then 17
72 if 1 . 7 . 9 . 13 . 16 then 17
73 if 1 . 7 . 10 . 11 . 14 then 17
74 if 1 . 7 . 10 . 11 . 15 then 18
75 if 1 . 7 . 10 . 11 . 16 then 18
76 if 1 . 7 . 10 . 12 . 14 then 17
77 if 1 . 7 . 10 . 12 . 15 then 18
78 if 1 . 7 . 10 . 12 . 16 then 18
79 if 1 . 7 . 10 . 13 . 14 then 17
80 if 1 . 7 . 10 . 13 . 15 then 17
81 if 1 . 7 . 10 . 13 . 16 then 17
82 if 1 . 7 . 8 . 11 . 14 then 18
83 if 1 . 7 . 8 . 11 . 15 then 18
84 if 1 . 7 . 8 . 11 . 16 then 18
85 if 1 . 7 . 8 . 12 . 14 then 17
86 if 1 . 7 . 8 . 12 . 15 then 18
87 if 1 . 7 . 8 . 12 . 16 then 18
88 if 1 . 7 . 8 . 13 . 14 then 17
89 if 1 . 7 . 8 . 13 . 15 then 17
90 if 1 . 7 . 8 . 13 . 16 then 17
91 if 1 . 7 . 9 . 11 . 14 then 17
92 if 1 . 7 . 9 . 11 . 15 then 18
93 if 1 . 7 . 9 . 11 . 16 then 18
94 if 1 . 7 . 9 . 12 . 14 then 17
95 if 1 . 7 . 9 . 12 . 15 then 18
96 if 1 . 7 . 9 . 12 . 16 then 18
97 if 1 . 7 . 9 . 13 . 14 then 17
98 if 1 . 7 . 9 . 13 . 15 then 17
99 if 1 . 7 . 9 . 13 . 16 then 18

153
Seminar Nasional Informatika 2014

no aturan
100 if 1 . 7 . 10 . 11 . 14 then 17
101 if 1 . 7 . 10 . 11 . 15 then 18
102 if 1 . 7 . 10 . 11 . 16 then 18
103 if 1 . 7 . 10 . 12 . 14 then 17
104 if 1 . 7 . 10 . 12 . 15 then 17
105 if 1 . 7 . 10 . 12 . 16 then 18
106 if 1 . 7 . 10 . 13 . 14 then 17
107 if 1 . 7 . 10 . 13 . 15 then 17
108 if 1 . 7 . 10 . 13 . 16 then 17
109 if 2 . 4 . 8 . 11 . 14 then 17
110 if 2 . 4 . 8 . 11 . 15 then 18
111 if 2 . 4 . 8 . 11 . 16 then 18
112 if 2 . 4 . 8 . 12 . 14 then 17
113 if 2 . 4 . 8 . 12 . 15 then 18
114 if 2 . 4 . 8 . 12 . 16 then 18
115 if 2 . 4 . 8 . 13 . 14 then 17
116 if 2 . 4 . 8 . 13 . 15 then 17
117 if 2 . 4 . 8 . 13 . 16 then 18
118 if 2 . 4 . 9 . 11 . 14 then 17
119 if 2 . 4 . 9 . 11 . 15 then 18
120 if 2 . 4 . 9 . 11 . 16 then 18
121 if 2 . 4 . 9 . 12 . 14 then 18
122 if 2 . 4 . 9 . 12 . 15 then 18
123 if 2 . 4 . 9 . 12 . 16 then 18
124 if 2 . 4 . 9 . 13 . 14 then 17
125 if 2 . 4 . 9 . 13 . 15 then 17
126 if 2 . 4 . 9 . 13 . 16 then 18
127 if 2 . 4 . 10 . 11 . 14 then 17
128 if 2 . 4 . 10 . 11 . 15 then 17
129 if 2 . 4 . 10 . 11 . 16 then 18
130 if 2 . 4 . 10 . 12 . 14 then 17
131 if 2 . 4 . 10 . 12 . 15 then 17
132 if 2 . 4 . 10 . 12 . 16 then 18
133 if 2 . 4 . 10 . 13 . 14 then 17
134 if 2 . 4 . 10 . 13 . 15 then 17
135 if 2 . 4 . 10 . 13 . 16 then 17
136 if 2 . 5 . 8 . 11 . 14 then 17
137 if 2 . 5 . 8 . 11 . 15 then 18
138 if 2 . 5 . 8 . 11 . 16 then 18
139 if 2 . 5 . 8 . 12 . 14 then 17
140 if 2 . 5 . 8 . 12 . 15 then 18
141 if 2 . 5 . 8 . 12 . 16 then 18
142 if 2 . 5 . 8 . 13 . 14 then 17
143 if 2 . 5 . 8 . 13 . 15 then 17
144 if 2 . 5 . 8 . 13 . 16 then 17
145 if 2 . 5 . 9 . 11 . 14 then 17
146 if 2 . 5 . 9 . 11 . 15 then 18
147 if 2 . 5 . 9 . 11 . 16 then 18
148 if 2 . 5 . 9 . 12 . 14 then 17
149 if 2 . 5 . 9 . 12 . 15 then 18
150 if 2 . 5 . 9 . 12 . 16 then 18

154
 Seminar Nasional Informatika 2014

no aturan
151 if 2 . 5 . 9 . 13 . 14 then 17
152 if 2 . 5 . 9 . 13 . 15 then 17
153 if 2 . 5 . 9 . 13 . 16 then 17
154 if 2 . 5 . 10 . 11 . 14 then 17
155 if 2 . 5 . 10 . 11 . 15 then 18
156 if 2 . 5 . 10 . 11 . 16 then 18
157 if 2 . 5 . 10 . 12 . 14 then 17
158 if 2 . 5 . 10 . 12 . 15 then 17
159 if 2 . 5 . 10 . 12 . 16 then 17
160 if 2 . 5 . 10 . 13 . 14 then 17
161 if 2 . 5 . 10 . 13 . 15 then 17
162 if 2 . 5 . 10 . 13 . 16 then 17
163 if 2 . 7 . 8 . 11 . 14 then 17
164 if 2 . 7 . 8 . 11 . 15 then 18
165 if 2 . 7 . 8 . 11 . 16 then 18
166 if 2 . 7 . 8 . 12 . 14 then 17
167 if 2 . 7 . 8 . 12 . 15 then 18
168 if 2 . 7 . 8 . 12 . 16 then 18
169 if 2 . 7 . 8 . 13 . 14 then 17
170 if 2 . 7 . 8 . 13 . 15 then 17
171 if 2 . 7 . 8 . 13 . 16 then 18
172 if 2 . 7 . 9 . 11 . 14 then 17
173 if 2 . 7 . 9 . 11 . 15 then 18
174 if 2 . 7 . 9 . 11 . 16 then 18
175 if 2 . 7 . 9 . 12 . 14 then 17
176 if 2 . 7 . 9 . 12 . 15 then 18
177 if 2 . 7 . 9 . 12 . 16 then 18
178 if 2 . 7 . 9 . 13 . 14 then 17
179 if 2 . 7 . 9 . 13 . 15 then 17
180 if 2 . 7 . 9 . 13 . 16 then 17
181 if 2 . 7 . 10 . 11 . 14 then 17
182 if 2 . 7 . 10 . 11 . 15 then 17
183 if 2 . 7 . 10 . 11 . 16 then 18
184 if 2 . 7 . 10 . 12 . 14 then 17
185 if 2 . 7 . 10 . 12 . 15 then 17
186 if 2 . 7 . 10 . 12 . 16 then 18
187 if 2 . 7 . 10 . 13 . 14 then 17
188 if 2 . 7 . 10 . 13 . 15 then 17
189 if 2 . 7 . 10 . 13 . 16 then 17
190 if 2 . 7 . 8 . 11 . 14 then 17
191 if 2 . 7 . 8 . 11 . 15 then 18
192 if 2 . 7 . 8 . 11 . 16 then 18
193 if 2 . 7 . 8 . 12 . 14 then 17
194 if 2 . 7 . 8 . 12 . 15 then 18
195 if 2 . 7 . 8 . 12 . 16 then 18
196 if 2 . 7 . 8 . 13 . 14 then 17
197 if 2 . 7 . 8 . 13 . 15 then 18
198 if 2 . 7 . 8 . 13 . 16 then 18
199 if 2 . 7 . 9 . 11 . 14 then 17
200 if 2 . 7 . 9 . 11 . 15 then 18
201 if 2 . 7 . 9 . 11 . 16 then 18

155
Seminar Nasional Informatika 2014

no aturan
202 if 2 . 7 . 9 . 12 . 14 then 17
203 if 2 . 7 . 9 . 12 . 15 then 18
204 if 2 . 7 . 9 . 12 . 16 then 18
205 if 2 . 7 . 9 . 13 . 14 then 17
206 if 2 . 7 . 9 . 13 . 15 then 17
207 if 2 . 7 . 9 . 13 . 16 then 18
208 if 2 . 7 . 10 . 11 . 14 then 17
209 if 2 . 7 . 10 . 11 . 15 then 18
210 if 2 . 7 . 10 . 11 . 16 then 18
211 if 2 . 7 . 10 . 12 . 14 then 17
212 if 2 . 7 . 10 . 12 . 15 then 18
213 if 2 . 7 . 10 . 12 . 16 then 18
214 if 2 . 7 . 10 . 13 . 14 then 17
215 if 2 . 7 . 10 . 13 . 15 then 17
216 if 2 . 7 . 10 . 13 . 16 then 17
217 if 3 . 4 . 8 . 11 . 14 then 18
218 if 3 . 4 . 8 . 11 . 15 then 18
219 if 3 . 4 . 8 . 11 . 16 then 18
220 if 3 . 4 . 8 . 12 . 14 then 18
221 if 3 . 4 . 8 . 12 . 15 then 18
222 if 3 . 4 . 8 . 12 . 16 then 18
223 if 3 . 4 . 8 . 13 . 14 then 17
224 if 3 . 4 . 8 . 13 . 15 then 18
225 if 3 . 4 . 8 . 13 . 16 then 18
226 if 3 . 4 . 9 . 11 . 14 then 18
227 if 3 . 4 . 9 . 11 . 15 then 18
228 if 3 . 4 . 9 . 11 . 16 then 18
229 if 3 . 4 . 9 . 12 . 14 then 17
230 if 3 . 4 . 9 . 12 . 15 then 18
231 if 3 . 4 . 9 . 12 . 16 then 18
232 if 3 . 4 . 9 . 13 . 14 then 17
233 if 3 . 4 . 9 . 13 . 15 then 18
234 if 3 . 4 . 9 . 13 . 16 then 18
235 if 3 . 4 . 10 . 11 . 14 then 17
236 if 3 . 4 . 10 . 11 . 15 then 18
237 if 3 . 4 . 10 . 11 . 16 then 18
238 if 3 . 4 . 10 . 12 . 14 then 17
239 if 3 . 4 . 10 . 12 . 15 then 18
240 if 3 . 4 . 10 . 12 . 16 then 18
241 if 3 . 4 . 10 . 13 . 14 then 17
242 if 3 . 4 . 10 . 13 . 15 then 17
243 if 3 . 4 . 10 . 13 . 16 then 18
244 if 3 . 5 . 8 . 11 . 14 then 17
245 if 3 . 5 . 8 . 11 . 15 then 18
246 if 3 . 5 . 8 . 11 . 16 then 18
247 if 3 . 5 . 8 . 12 . 14 then 17
248 if 3 . 5 . 8 . 12 . 15 then 18
249 if 3 . 5 . 8 . 12 . 16 then 18
250 if 3 . 5 . 8 . 13 . 14 then 17
251 if 3 . 5 . 8 . 13 . 15 then 17
252 if 3 . 5 . 8 . 13 . 16 then 18

156
 Seminar Nasional Informatika 2014

no aturan
253 if 3 . 5 . 9 . 11 . 14 then 17
254 if 3 . 5 . 9 . 11 . 15 then 18
255 if 3 . 5 . 9 . 11 . 16 then 18
256 if 3 . 5 . 9 . 12 . 14 then 17
257 if 3 . 5 . 9 . 12 . 15 then 17
258 if 3 . 5 . 9 . 12 . 16 then 18
259 if 3 . 5 . 9 . 13 . 14 then 17
260 if 3 . 5 . 9 . 13 . 15 then 17
261 if 3 . 5 . 9 . 13 . 16 then 18
262 if 3 . 5 . 10 . 11 . 14 then 17
263 if 3 . 5 . 10 . 11 . 15 then 17
264 if 3 . 5 . 10 . 11 . 16 then 18
265 if 3 . 5 . 10 . 12 . 14 then 17
266 if 3 . 5 . 10 . 12 . 15 then 17
267 if 3 . 5 . 10 . 12 . 16 then 18
268 if 3 . 5 . 10 . 13 . 14 then 17
269 if 3 . 5 . 10 . 13 . 15 then 17
270 if 3 . 5 . 10 . 13 . 16 then 18
271 if 3 . 6 . 8 . 11 . 14 then 17
272 if 3 . 6 . 8 . 11 . 15 then 18
273 if 3 . 6 . 8 . 11 . 16 then 18
274 if 3 . 6 . 8 . 12 . 14 then 17
275 if 3 . 6 . 8 . 12 . 15 then 18
276 if 3 . 6 . 8 . 12 . 16 then 18
277 if 3 . 6 . 8 . 13 . 14 then 17
278 if 3 . 6 . 8 . 13 . 15 then 17
279 if 3 . 6 . 8 . 13 . 16 then 18
280 if 3 . 6 . 9 . 11 . 14 then 17
281 if 3 . 6 . 9 . 11 . 15 then 18
282 if 3 . 6 . 9 . 11 . 16 then 18
283 if 3 . 6 . 9 . 12 . 14 then 17
284 if 3 . 6 . 9 . 12 . 15 then 18
285 if 3 . 6 . 9 . 12 . 16 then 18
286 if 3 . 6 . 9 . 13 . 14 then 17
287 if 3 . 6 . 9 . 13 . 15 then 17
288 if 3 . 6 . 9 . 13 . 16 then 18
289 if 3 . 6 . 10 . 11 . 14 then 17
290 if 3 . 6 . 10 . 11 . 15 then 17
291 if 3 . 6 . 10 . 11 . 16 then 18
292 if 3 . 6 . 10 . 12 . 14 then 17
293 if 3 . 6 . 10 . 12 . 15 then 17
294 if 3 . 6 . 10 . 12 . 16 then 17
295 if 3 . 6 . 10 . 13 . 14 then 17
296 if 3 . 6 . 10 . 13 . 15 then 17
297 if 3 . 6 . 10 . 13 . 16 then 17
298 if 3 . 7 . 8 . 11 . 14 then 17
299 if 3 . 7 . 8 . 11 . 15 then 18
300 if 3 . 7 . 8 . 11 . 16 then 18
301 if 3 . 7 . 8 . 12 . 14 then 17
302 if 3 . 7 . 8 . 12 . 15 then 18
303 if 3 . 7 . 8 . 12 . 16 then 18

157
Seminar Nasional Informatika 2014

no aturan
304 if 3 . 7 . 8 . 13 . 14 then 17
305 if 3 . 7 . 8 . 13 . 15 then 17
306 if 3 . 7 . 8 . 13 . 16 then 17
307 if 3 . 7 . 9 . 11 . 14 then 17
308 if 3 . 7 . 9 . 11 . 15 then 18
309 if 3 . 7 . 9 . 11 . 16 then 18
310 if 3 . 7 . 9 . 12 . 14 then 17
311 if 3 . 7 . 9 . 12 . 15 then 18
312 if 3 . 7 . 9 . 12 . 16 then 18
313 if 3 . 7 . 9 . 13 . 14 then 17
314 if 3 . 7 . 9 . 13 . 15 then 18
315 if 3 . 7 . 9 . 13 . 16 then 18
316 if 3 . 7 . 10 . 11 . 14 then 17
317 if 3 . 7 . 10 . 11 . 15 then 18
318 if 3 . 7 . 10 . 11 . 16 then 18
319 if 3 . 7 . 10 . 12 . 14 then 17
320 if 3 . 7 . 10 . 12 . 15 then 18
321 if 3 . 7 . 10 . 12 . 16 then 18
322 if 3 . 7 . 10 . 13 . 14 then 17
323 if 3 . 7 . 10 . 13 . 15 then 17
324 if 3 . 7 . 10 . 13 . 16 then 17

Keterang dari tabel 1 : Tabel 2. Data Pengujian

1 = BKD rendah
2 = BKD menengah
3 = BKD tinggi
4 = IPK Mahasiswa cukup
5 = IPK Mahasiswa memuaskan
6 = IPK Mahasiswa sangat memuaskan
7 = IPK Mahasiswa dengan Pujian
8 = BBD cukup
9 = BBD sedang
10 = BBD bayak
11 = Durasi cepat
12 = Durasi menengah
13 = Durasi lama
14 = Nilai Skripsi cukup
15 = Nilai Skripsi baik
16 = Nilai Skripsi sangat baik
17 = Indeks Kesesuaian rendah
18 = Indeks Kesesuaian tinggi
. = and

158
 Seminar Nasional Informatika 2014

Tabel 3. Hasil Pengujian

159
Seminar Nasional Informatika 2014

RANCANGANINDIKATOR TEMPERATUR PADA PROSES

FERMENTASI KACANG TANAH (TEMPE)
Iwan Fitrianto Rahmad, Dwi Afrianto

Jurusan Teknik Informatika STMIK Potensi Utama.

Email :iwanfitrah@yahoo.com , dwi.afrianto2@gmail.com

Abstrak

Tempe merupakan makanan yang mudah mengalami kegagalan produksi akibat proses produksi yang kurang
memenuhi syarat. Proses pembuatan tempe pada dasarnya adalah proses menumbuhkan spora jamur tempe,
yaitu Rhizopus sp. pada biji kedelai kemudian dilanjutkan proses fermentasi pada suhu 20 °Celcius sampai
dengan 37 °Celcius dengan durasi simpan selama 18 – 36 jam.Dengan memanfaatkan teknologi yang
berbasis mikrokontroller, sebuah alat pengatur suhu ruang fermentasi tempe ini dapat dibangun sehingga
memudahkan dalam proses produksinya. Untuk memenuhi syarat-syarat yang dibutuhkan, alat yang
dibangun akan dirancang sedemikian rupa sehingga pengaturan suhu di dalam ruang fermentasi dapat terjaga
tetap konsisten dan bekerja secara otomatis.Untuk meminimalisasi kerugian akibat kegagalan proses produksi
dan terciptanya suatu sistem kerja alat yang dapat dimonitoring melalui perangkat komputer maka digagaslah
pembangunan alat ini. Tingkat keefektifan dan keefisienan proses produksi juga dapat terjadi secara
maksimal karena alat yang dibangun memudahkan produsen untuk meninjau dan menganalisa proses demi
kemajuan hasil produksi.

Kata kunci : Fermentasi Tempe, Mikrokontroller dan Aplikasi Monitoring

1. PENDAHULUAN rentang suhu tersebut. Namun bila syarat tersebut

Tanaman kacang tanah digunakan sebagai
bahan pengganti tanaman kedelai untuk dijadikan
tempe, dikarenakan harga pasaran tanaman
kacang kedelai saat ini masih tergolong tinggi dan
untuk itulah penelitian ini menggunakan tanaman
kacang tanah. Saat ini perkembangan teknologi
dan pertumbuhan ekonomi yang semakin
kompetitif, kita memerlukan peningkatan mutu
hasil produksi yang dihasilkan maupun kualitas
diri khususnya guna mengimbangi kemajuan pada
bidang yang sedang dijalankan masing-masing
orang sesuai dengan kompetensi yang
dimilikinya.Dalam hal ini, lebih spesifik dapat
dimanfaatkan para pengusaha tempetradisional
yang ada di Indonesia untuk mengatur bagaimana
mereka dapat menggunakan kemajuan teknologi
tersebut dengan tujuan meningkatkan kualitas dan
mutu dari tempe yang mereka produksi.
Tempe merupakan makanan yang mudah
mengalamikegagalan produksi akibat proses
produksi yang kurang memenuhi syarat.Proses
pembuatan tempe pada dasarnya adalah proses
menumbuhkan spora jamur tempe, yaitu Rhizopus
sp. pada biji kedelai. Jamur tempe ini dapat
tumbuh dengan dilakukannya pemberian ragi
tempe kemudian dilanjutkan proses fermentasi
pada suhu 20 °Celcius sampai dengan 37 °Celcius
dengan durasi simpan selama 18 –36 jam.
Pemenuhan syarat penyimpanan inilah yang
menjadi salah satu faktor penentu baik atau
tidaknya hasil produksi tempe tersebut, karena
jamur Rhizopus sp. tersebut dapat tumbuh pada
tidak dapat dimaksimalkan akan berakibat pada
aktifitas nyata dari mikroorganisme yang
mungkin saja akan terlihat setelah aktifitas
pertumbuhan Rhizopus sp. yang melampaui masa
optimumnya, yaitu setelah terbentuknya spora-
spora baru yang berwarna putih-kehitaman. Hal
ini dapat terjadi apabila proses fermentasi tidak
memenuhi syarat suhu ruangan yang tidak
terpenuhi yang pada akhirnya mengakibatkan
kurang baiknya hasil produksi tempe yang
dihasilkan yang dapat ditandai dengan terciumnya
bau amoniak dari tempe tersebut.Adanya bau
amoniak ini masih dapat terasa sekalipun tempe
telah diolah menjadi makanan, sehingga dapat
menurunkan cita rasa konsumen dan berujung
pada menurunnnya kualitas dan mutu hasil
produksi.
Untuk dapat mengendalikan suhu ruang
tersebut maka digagaslah sebuah proyek untuk
menciptakan suatu alat pengendali suhu ruang
fermentasi tersebut agar memenuhi syarat yang
dibutuhkan yang kemudian juga dapat dipantau
melalui komputer sehingga perubahan suhu di
dalam ruang fermentasi tersebut dan juga durasi
penyimpanan tempe dapat lebih terkontrol dengan
baik.
Maka dari itu penelitian ini m embuat
sebuah alat dengan sistem kendali suhu yang
diatur oleh rangkaian mikrokontroller kemudian
dapat dipantau melalui komputer dan alat yang
buat bekerja sesuai dengan temperatur suhu yang
diterima oleh sensor suhu LM35 di dalam

160

ruangan penyimpanan tersebut.Aplikasi
monitoring yang ditampilkan pada layar komputer
memantau fluktuasi perubahan suhu yang
diterima oleh sensor dan mencatat durasi simpan
tempe yang dimasukkan ke dalam
ruangpenyimpanan.
2. PERANCANGAN
Perancangan alat ini dapat diawali dengan
membuat diagram blok sistem. Dimana tiap-tiap
blok saling berhubungan antara yang satu dengan
yang lainnya. Diagram blok memiliki beberapa
fungsi yakni menjelaskan cara kerja suatu sistem
secara sederhana, menganalisa cara kerja
rangkaian, mempermudah memeriksa kesalahan
suatu sistem yang dibangun.
Untuk menjelaskan secara lebih
terincimembuat alat ini, dapat dijabarkan melalui
sebuah diagram. Diagram blok dari simulasi
perancangan alat ini ditunjukkan pada gambar 1
berikut ini:
Gambar 1. Diagram Blok Rangkaian
Penjelasan dan fungsi dari masing –
masing blok adalah sebagai berikut:
a. Powersupply ini berguna sebagai sumber
tegangan kerja semua blok rangkaian
mikrokontroller yang dibuat.
b. Minimum System Mikrokontroller ATMega8
berfungsi sebagai pusat kendali dari
keseluruhan sistem kerja rangkaian.
c. Sensor suhu LM35 berfungsi sebagai
pendeteksi besaran suhu yang ada di dalam
ruang fermentasi alat tersebut.
d. Relay sebagai output dari rangkaian
mikrokontroller yang digunakan sebagai
saklar otomatis yang berfungsi untuk
menghubungkan tegangan listrik AC kepada
lampu pijar sebagai pemanas ruangan.
e. Lampu pijar digunakan sebagai alat utama
pemanas ruang fermentasi penyimpanan
tempe yang dibuat.
f. LCD berfungsi sebagai media penampilan
data yang diinginkan.
Seminar Nasional Informatika 2014
g. Port serial merupakan output dari rangkaian
mikrokontroller yang digunakan sebagai
media komunikasi data antara rangkaian alat
ini dengan perangkat komputer.
h. Aplikasi monitoring pada komputeradalah
aplikasi pemantau seluruh sistem kerja alat
yang dirancang tersebut.
Secara garis besar, perancangan alat ini
terdiri dari beberapa blok komponen utama yaitu
catu daya, minimum sistem ATmega8, sensor
suhu LM35, LCD, relay, heater, port serial dan
aplikasi monitoring.
2.1. Rangkaian Port Serial
Untuk menghubungkan rangkaian
mikrokontroller dengan perangkat komputer
dibutuhkan sebuah rangkaian komunikasi RS232
menggunakan IC MAX232.
Gambar 2. Skema Rangkaian Port Serial
Rangkaian ini terdiri dari sebuah IC
MAX232 dan 4 buah elektrolit kapasitor.
Rangkaian ini berfungsi mengubah logika high
+3 s/d +18 volt pada DB9 menjadi logika high 5
volt pada keluarannya, juga mengubah logika low
-3 s/d -18 volt pada DB9 menjadi logika low 0
volt pada keluarannya.
MAX232 sangat berperan dalam
melakukan perubahan level tegangan timbal balik
antara TTL dan RS-232 pada komunikasi port
serial, IC ini memiliki 2 buah line transmitter dan
2 buah line receiver. IC ini juga dilengkapi
dengan pengganda tegangan DC atau charge
pump yang dapat menghasilkan tegangan –
(negatif) 10 Volt sampai + (positif) 10 Volt dari
catu daya tunggal +5 Volt.
2.2. Flowchart
Agar dapat melihat struktur jalannya
program maka dibuat flowchart (diagram alur).
Flowchart digunakan sebagai dasar acuan dalam
membuat program. Struktur program akan lebih
mudah dibuat atau didesain. Selain itu juga jika
terdapat kesalahan akan lebih mudah untuk
mendeteksi letak kesalahannya serta untuk lebih
memudahkan dalam menambahkan instruksi-
instruksi baru pada program jika nantinya terjadi
pengembangan pada struktur programnya.
161
Seminar Nasional Informatika 2014
Flowchart untuk perancangan alat ini dapat
dilihat pada gambar berikut:
Gambar 3. Flowchart Alat Fermentasi Tempe
Algoritma dari flowchart tersebut yaitu
mulai merupakan saat program pertama kali
dijalankan. Selanjutnya program akan memeriksa
terlebih dahulu kondisi relay dan heater pada
rangkaian apakah relay dalam kondisi terputus
atau terhubung dan heater pada kondisi off atau
on.
Pada proses selanjutnya pembacaan sensor
suhu dimulai, dalam kondisi ini kemudian akan
didapati dua kemungkinan yang terjadi yaitu
apakah rentang suhu yang dibaca masih pada
skala kerja suhu ruang fermentasi atau tidak.
Rentang suhu berkisar antara 20°C sampai 37°C,
apabila diketahui kondisi suhu yang terbaca masih
pada rentang suhu tersebut maka sistem
pemanasan di dalam ruang tersebut tidak berkerja
yang berarti relay masih dalam kondisi terputus
dan heater masih dalam kondisi off. Jika kondisi
yang terbaca dianggap terlalu dingin yaitu
berkisar di bawah suhu 20°C maka secara
otomatis sistem akan mengaktifkan sistem
pemanasan ruangan dengan menghubungkan
kondisi relay yang awalnya dalam kondisi
terputusmenjadi terhubungdan selanjutnya
mengakibatkan tegangan kerja mengaliri
162
komponen pemanas atau heater dan menjadikan
kondisinya on.
Dalam kondisi pemanas yang terus
menyala di dalam ruangan akan berakibat pada
peningkatan suhu ruangan fermentasi tersebut.
Akan terjadi sebuah proses yang
berkesinambungan terhadap sistem kerja lat ini
yaitu sensor suhu akan kembali membaca besaran
suhu ruangan tersebut, apabila didapati lagi dua
kondisi maka akan terjadi proses tingkat
lanjutannya. Apabila diketahui kondisi suhu yang
terbaca masih pada rentang suhu kerja alat
tersebut maka sistem pemanasan di dalam ruang
tersebut masih berkerja yang berarti relay masih
dalam kondisi terhubung dan heater masih dalam
kondisi on. Jika kondisi yang terbaca dianggap
terlalu panas yaitu di atas suhu 37°C maka secara
otomatis sistem akan menon-aktifkan sistem
pemanasan ruangan dengan memutuskan kondisi
relay yang awalnya dalam kondisi terhubung
menjadi terputusdan selanjutnya mengakibatkan
tegangan kerja berhenti mengaliri komponen
pemanas atau heater dan menjadikan kondisinya
off dan seperti itu seterusnya program akan
bekerja secara konsisten sesuai dengan kondisi-
kondisi yang terjadi pada alat tersebut.
2.3. ProgramMikrokontroller
Pada perancangan program ini digunakan
Code Vision AVR sebagai editor dan compiler
dari program yang akan dirancang pada
perancangan alat pengendali suhu ruang
fermentasi penyimpanan tempe ini. Tahap awal
yang dilakukan untuk memulai proses
pengetikkan script pada softwareCode Vision
AVR versi 2. 05. 0 Advanced.
Coding program untuk kalibrasi sensor suhu
pada alat ini yaitu:
void ambil_dataADC()
{
data1=read_adc(0);
data2=read_adc(1);
}
void hitung_suhu ()
{
suhu =(float)(data1-data2)/ 2.6;
}
Sedangkan coding program untuk algoritma
status suhu dan koneksi ke aplikasi monitoring
pada alat ini yaitu:
void cek_suhu(){
if (suhu <20)
{
delay_ms(5000);
heater=1;
delay_ms(200);
putchar(5);
 Seminar Nasional Informatika 2014

delay_ms(300); EndIf
}
if (suhu >37)
{ Catch ex AsException
delay_ms(5000);
heater=0; EndTry
delay_ms(200);
putchar(6);
delay_ms(300); 3. PENGUJIAN
}
} Proses pengujian yang dilakukan adalah
void status_lemari(){ sebuah pengujian pada hardware dan software
if (PIND.2 == 1){ yang dirancang. Perancangan hardwaredibangun
putchar(1); menggunakan beberapa komponen elektronika
putchar(suhu); sedangkan perancangan softwaredibangundengan
delay_ms(5000); aplikasi Microsoft Visual Studio 2010.
putchar(2);
} 3.1. Pengujian Hardware
if (PIND.3 == 1){ Proses pengujian hardwaredilaksanakan
putchar(3); dengan pengujian secara estafet yaitu menguji
putchar(suhu); pada masing-masing blok rangkaian hingga
delay_ms(5000); akhirnya pengujian secara keseluruhan
putchar(4); hardwarebila pada masing-masing blok rangkaian
} sudah diuji dengan baik. Hasil pengujian tersebut
} dapat dilihat pada gambar berikut:

2.4. ProgramMonitoring
Aplikasi monitoring yang akan dibangun
pada hasil akhir yang diharapkan hanya bersifat
sebagai sarana pemantau aktifitas sistem alat
tersebut. Pada perancangannya akan digunakan
software Microsoft Visual Basic 2010 Express.
Penulisan coding program untuk
pengkoneksian alat dengan perangkat komputer Gambar 4. Tampilan Suhu di LCD Pada
menggunakan driver port serial RS-232 pada Proses Pengujian Hardware
Visual Basic 2010 yaitu:
3.2. Pengujian Software
Dim serialdata AsString Proses pengujian softwaredilaksanakan
dengan pengujian secara menyeluruh yaitu
Try dengan menghubungkan hardwareyang tengah
serialdata = diuji kemudian menghubungkannya dengan
SerialPort1.ReadByte.ToString perangkat komputer yang telah terinstal software
yang dibangun . Hasil pengujian tersebut dapat
If serialdata >= 7 Then dilihat pada gambar berikut:
Label2.Text = serialdata
ElseIf serialdata = 1 Then
Label5.Text = "OPEN"
ElseIf serialdata = 2 Then
Label5.Text = "CLOSE"
ElseIf serialdata = 3 Then
Label6.Text = "OPEN"
ElseIf serialdata = 4 Then
Label6.Text = "CLOSE"
ElseIf serialdata = 5 Then
Label11.BackColor = Color.Green
Label11.Text = "ON"
ElseIf serialdata = 6 Then
Label11.BackColor = Color.Red Gambar 5. Tampilan Proses Pengujian
Label11.Text = "OFF" Aplikasi Monitoring

163
Seminar Nasional Informatika 2014
4. KESIMPULAN
Telah dibuat alat sebagai pemantau suhu
ruang menggunakan mikrokontroller ATmega8
sehingga dapat digunakan sebagai sistem
pemantauan suhu yang dapat dimonitoring
melalui perangkat komputer yang berupa
interface keadaan yang ada di dalam ruang
fermentasi tempe yang dibuat seperti temperatur
suhu, status heater, status lemari dan data logger
durasi penyimpanan tempe pada masing-masing
lemari. Hasil pengukuran suhu ruangan pada
sistem ini memiliki penyimpangan tehadap suhu
aktual yakni berkisar antara 0.1 °Celcius sampai
dengan 1 °Celcius.
DAFTAR PUSTAKA
1. M. Ary Heryanto, ST dan Ir. Wisnu Adi P.
2008. “Pemrograman Bahasa C Untuk
Mikrokontroler ATMEGA8535”. Andi:
Yogyakarta.
2. Mada Sanjaya WS, Ph.D. 2013.“Membuat
Robot Bersama Profesor Bolabot”. Gaya
Media: Yogyakarta.
3. Andrianto, Heri. 2013. “Pemrograman
Mikrokontroller AVR ATmega16
Menggunakan Bahasa C (edisi revisi)”.
Bandung: Informatika.
4. Prasetia dan Catur Edi Widodo. 2013.
164
5. “Tips Coding Interfacing Port USB & Port
Serial Menggunakan VB”. Andi: Yogyakarta.
6. Winoto, Ardi. 2010. “Mikrokontroler AVR
ATMEGA 8/ 16/ 32/ 8535, dan Pemrograman
dengan Bahasa C”. Andi: Yogyakarta.
7. Marpaung, Noveri Lysbetti dan Ervianto, Edy.
2012. “Data Logger Sensor Suhu Berbasis
Mikrokontroler ATMEGA 8535 dengan PC
Sebagai Tampilan”. Jurnal Ilmiah Elite
Elektro, Vol. 3, No. 1, Maret 2012: 37-42.
8. Riny Sulistyowati ,Dedi Dwi Febriantoro
2012. “Perancangan Prototype Sistem Kontrol
Dan Monitoring Pembatas Daya
ListrikBerbasisMikrokontroler”. Jurnal IPTEK
Vol.16 No,1 Mei 2012.
9. Djiwo Harsono, Joko Sunardi, DesiBiantara
2009. “Pemantauan Suhu Dengan
Mikrokontroler ATMega8 Pada Jaringan
Lokal”. Jurnal Seminar Nasional V SDM
Teknologi Nuklir , Yogyakarta.
 Seminar Nasional Informatika 2014

ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI

CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE
BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian1, Purwa Hasan Putra2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2purwahasanputra21@gmail.com

Abstrak

Jaringan saraf tiruan (Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan
masalah, salah satunya adalah prediksi curah hujan dengan metode backpropagation. Algoritma momentum
merupakan pengembangan dari algoritma backpropagation standar. Algoritma momentum memiliki
kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur
(backward propagation). Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang
mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier). Pada penelitian ini penulis akan
menganalisis pengaruh penambahan momentum pada proses prediksi curah hujan di kota medan dengan
metode backpropagation neural network. Dari hasil penelitian dapat disimpulkan beberapa hal antara lain :
Semakin kecil target error, maka jumlah iterasi akan semakin besar. Semakin kecil target error, maka nilai
keakurasiannya cenderung semakin baik (semakin besar). Jumlah iterasi pada proses trainning dengan
penambahan momentum lebih kecil dibandingkan dengan tanpa penambahan momentum. Tingkat akurasi
tertinggi dicapai pada target error 0.0073 yaitu 43.65%.

Kata kunci : momentum, prediksi curah hujan, backpropagation, neural network.

1. Pendahuluan teknik jaringan saraf tiruan (Artificial Neural

Indonesia merupakan Negara yang dilewati
oleh garis khatulistiwa serta dikelilingi oleh dua
samudera dan dua benua. Posisi ini menjadikan
Indonesia sebagai daerah pertemuan sirkulasi
meridional (Utara-Selatan) dikenal sebagai
sirkulasi Hardley dan sirkulasi Zonal (Timur-
Barat) dikenal sebagai sirkulasi Walker, dua
sirkulasi yang sangat mempengaruhi keragaman
iklim di Indonesia. Pergerakan matahari yang
berpindah dari 23.50 Lintang Utara ke 23.50
Lintang Selatan sepanjang tahun mengakibatkan
timbulnya aktivitas monsoon yang juga ikut
dalam mempengaruhi kondisi cuaca. Faktor lain
yang diperkirakan ikut berpengaruh terhadap
kondisi cuaca di Indonesia ialah gangguan siklon
tropis. Maka dari itu pengamatan terhadap kondisi
cuaca, Khususnya kondisi curah hujan sangat
penting dilakukan[3].
Besarnya curah hujan mempunyai peran
yang sangat penting. Berdasarkan data curah
hujan dapat dilakukan penggolongan iklim
menurut perbandingan antara bulan kering dengan
jumlah rata-rata bulan basah. Bulan kering terjadi
jika curah hujan bulanan kurang dari 60
mm/bulan, sedangkan bulan basah terjadi jika
curah hujan bulanan di atas 100 mm/bulan.
Memprediksi besarnya curah hujan di suatu
tempat, dapat dilakukan dengan menggunakan
Network) [3].
Jaringan Saraf Tiruan (Artificial Neural
Network) sebagian besar telah cukup handal
selama beberapa tahun terakhir dalam pemecahan
masalah. Jaringan saraf tiruan menyediakan
metodologi yang sangat handal dalam pemecahan
masalah non-linier. Jaringan saraf tiruan
terinspirasi oleh otak manusia di mana neuron
saling interkoneksi secara non-linier. Neuron
saling terhubung satu sama lain melalui suatu
jaringan. Jaringan ini yang dilatih menggunakan
algoritma backpropagation yang mengikuti
Gradient Descent Method [4].
Gupta Akashap, Gautam Anjali, et al. (2013)
menerapkan Neural Network untuk memprediksi
curah hujan dengan metode Backpropagation.
Hasilnya lebih akurat, nilai prediksi lebih dekat
dengan nilai sebenarnya dan dirancang dapat
digunakan untuk memprediksi curah hujan di
india [1].
Ch.Jyostha Devi, B.Syam Prasad Reddy, et
al. (2012) Neural Network yang berguna dalam
peramalan cuaca dan kerja yang paling akurat
prediksi algoritma yang disebut algoritma
propagasi. Sebuah Neural Network 3-lapis
dirancang dan dilatih dengan dataset yang ada dan
memperoleh hubungan antara parameter cuaca
non-linear. Dimana Neural Network dapat

165
Seminar Nasional Informatika 2014
memprediksi cuaca masa depan dengan suhu
kurang error [2].
Dari penelitian sebelumnya belum pernah
digunakan penambahan momentum pada proses
prediksi curah hujan dengan metode
backpropagation. Pada penelitian ini penulis akan
menganalisis pengaruh penambahan momentum
pada proses prediksi curah hujan di kota medan
dengan metode backpropagation neural network.
2. Neural Network
Artificial Neural Network / Jaringan Saraf
Tiruan (JST) adalah paradigma pengolahan
informasi yang terinspirasi oleh sistem saraf
secara biologis, seperti proses informasi pada otak
manusia. Elemen kunci dari paradigma ini adalah
struktur dari sistem pengolahan informasi yang
terdiri dari sejumlah besar elemen pemrosesan
yang saling berhubungan (neuron), bekerja
serentak untuk menyelesaikan masalah tertentu.
Cara kerja JST seperti cara kerja manusia,
yaitu belajar melalui contoh. Lapisan-lapisan
penyusun JST dibagi menjadi 3, yaitu lapisan
input (input layer), lapisan tersembunyi (hidden
layer), dan lapisan output (ouput layer) [6].
3. Metode Backpropagation
Backpropagation adalah metode penurunan
gradien untuk meminimalkan kuadrat eror
keluaran. Ada tiga tahap yang harus dilakukan
dalam pelatihan jaringan, yaitu tahap perambatan
maju (forward propagation), tahap perambatan-
balik, dan tahap perubahan bobot dan bias.
Arsitektur jaringan ini terdiri dari input layer,
hidden layer, dan output layer [6].
Aturan pelatihan jaringan backpropagation
terdiri dari 2 tahapan, feedforward dan backward
propagation. Pada jaringan diberikan sekumpulan
contoh pelatihan yang disebut set pelatihan. Set
pelatihan ini digambarkan dengan sebuah vector
feature yang disebut dengan vector input yang
diasosiasikan dengan sebuah output yang menjadi
target pelatihannya. Dengan kata lain set
pelatihan terdiri dari vektor input dan juga vektor
output target. Keluaran dari jaringan berupa
sebuah vektor output aktual. Selanjutnya
dilakukan perbandingan antara output aktual yang
dihasilkan dengan output target dengan cara
melakukan pengurangan di antara kedua output
tersebut. Hasil dari pengurangan merupakan
error. Error dijadikan sebagai dasar dalam
melakukan perubahan dari setiap bobot yang ada
dengan mempropagasikannya kembali.
Setiap perubahan bobot yang terjadi dapat
mengurangi error. Siklus setiap perubahan bobot
(epoch) dilakukan pada setiap set pelatihan
sehingga kondisi berhenti dicapai, yaitu bila
mencapai jumlah epoch yang diinginkan atau
166
hingga sebuah nilai ambang yang ditetapkan
terlampaui. Algoritma pelatihan jaringan
propagasi balik terdiri dari 3 tahapan yaitu [4]:
a. Tahap umpan maju (feedforward).
b. Tahap umpan mundur (backpropagation) dan
galatnya.
c. Tahap peng-update-an bobot dan bias.
4. Algoritma Momentum Backpropagation
Algoritma momentum backpropagation
merupakan pengembangan dari algoritma
backpropagation standar dimana dalam
pembelajarannya menggunakan momentum yang
nilai konstanta momentum memiliki rentang 0
sampai 1.
Algoritma momentum backpropagation
memiliki kesamaan langkah dengan algoritma
backpropagation standar tetapi berbeda pada saat
umpan mundur (backward propagation). Berikut
adalah algoritma backpropagation [5].
a. Inisialisasi bobot (ambil bobot awal dengan
nilai random yang cukup kecil), Epoh = 1 dan
MSE = 1.
b. Tentukan Maksimum Epoh, Learning Rate
(α), dan Target Error.
c. Lakukan langkah ke-4 sampai 12 berikut
selama (Epoh < maksimum epoh) dan (MSE
> Target Error).
d. Epoh = Epoh + 1.
e. Umpan Maju (feedforward)
1) Tiap-tiap unit input (X1, i=1,2,3,…,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang
ada di atasnya (lapisan tersembunyi).
2) Tiap-tiap unit tersembunyi (Z1,
j=1,2,3,…,p) menjumlahkan bobot sinyal
input, ditunjukkan dengan persamaan (1).
∑ (1)
Lalu gunakan fungsi aktivasi untuk
menghitung sinyal outputnya, ditunjukkan
dengan persamaan (2).
(2)
Dan kirimkan sinyal-sinyal tersebut ke
semua unit di lapisan atasnya (lapisan
output).
3) Tiap-tiap unit output (YK, K=1,2,3,..,m)
menjumlahkan sinyal-sinyal input
berbobot, ditunjukkan dengan persamaan
(3). (3)
∑
Lalu gunakan fungsi aktivasi untuk
menghitung sinyal outputnya, ditunjukkan
dengan persamaan (4).
(4)
 Seminar Nasional Informatika 2014

f. Umpan Mundur (Momentum 5. Metode Penelitian

Backpropagation)
1) Tiap-tiap unit output (Yk, k=1,2,3,…,m) Penelitian ini untuk menganalisa
menerima pola target yang sesuai dengan penambahan momentum pada proses prediksi
pola input pelatihan, kemudian hitung curah hujan di Kota Medan dengan jaringan saraf
error, ditunjukkan dengan persamaan (5). tiruan metode backpropagation. Penulis ingin
( ) (5) mengetahui apakah ada perbedaan antara
2jk = - zj penambahan momentum dengan metode
k = 8k
backpropagation standar.
Kemudian hitung koreksi bobot (yang Untuk mencapai tujuan tersebut, penulis
nantinya akan digunakan untuk akan melakukan perbandingan dengan
memperbaiki nilai Wjk), ditunjukkan menggunakan data skunder curah hujan bulanan
dengan persamaan (6). Kota Medan tahun 1997-2012. Data bersumber
jk +
dari BMKG Stasiun Polonia Kota Medan.
jk (6)
Dilakukan sebanyak jumlah lapisan Prediksi curah hujan dengan
tersembunyi ke lapisan tersembunyi backpropagation neural network digunakan
sebelumnya. langkah-langkah sebagai berikut:
2) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..,p) a. Memisahkan data yang akan digunakan
menjumlahkan delta input (dari unit-unit sebagai data pelatihan dan data uji. Data curah
yang berada pada lapisan di atasnya), hujan tahun 1997 – 2008 akan digunakan
ditunjukkan dengan persamaan (7). sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
(7) digunakan sebagi data pengujian.
∑
b. Desain JST
Kalikan ini dengan turunan dari fungsi Desain JST dilakukan untuk prediksi curah
aktivasi error, ditunjukkan dengan hujan bulanan dimulai dengan menentukan
persamaan (8). banyaknya data masukan yang digunakan,
banyaknya layar tersembunyi (hidden layer)
( )
(8) yang digunakan, dan banyaknya keluaran
ij = j - xj yang diinginkan. Data yang digunakan sebagai
j- j masukan sebanyak 8 data (8 tahun) dan data
Kemudian hitung korelasi bobot (yang keluaran atau target adalah data pada tahun
nantinya akan digunakan untuk ke-9 (data input 1997 – 2004 dengan target
memperbaiki nilai Vij), ditunjukkan 2005). Untuk mengetahui curah hujan pada
dengan persamaan (9). (9) tahun ke-10 maka data masukannya
merupakan data pada tahun ke-2 sampai tahun
Hitung juga koreksi bias (yang nantinya ke-9 (data input 1998 – 2005 dengan target
akan digunakan untuk memperbaiki nilai 2006), demikian seterusnya. Desain JST
bij), ditunjukkan dengan persamaan (10). ditunjukkan pada gambar 1.
(1 0)
µ merupakan konstanta dari momentum
dengan rentang [0.1].
g. Perbaikan bobot
1) Tiap-tiap unit output (Yk, k=1,2,3,..,m)
memperbaiki bias dan bobotnya
(j=0,1,2,..p), ditunjukan dengan persamaan
(11).
(1 1)

2) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,..p)

memperbaiki bias dan bobotnya
(i=0,1,2,..n), ditunjukkan dengan
persamaan (12).
(1 2)
3) Hitung nilai MSE, ditunjukkan dengan
persamaan (13).
∑ (1 3)

167
Seminar Nasional Informatika 2014

Input Layer Hidden Layer Output Layer backpropagation neural network, maka dilakukan
beberapa pengujian. Pengujian pertama peneliti
melakukan pelatihan dengan jumlah hidden 6,
x1
alpha 1, target error 0,001, max. epoh 50, dan
momentum 0,5. Data input ditunjukkan pada
Tabel 1:
x2 v1
Tabel 1(a) Data input tahun 1997 sampai 2004
dengan target 2005.
x3 v2 Data Input Tahun 1997 Sampai 2004 dengan Target
2005
106.2 181 315 59 216.5 90.8 169.4 138.8
x4 v3 189.1
96.6 50.2268.8 86.7 15.1 78.5 85.7 200.8 43.9
y1 134.4 29.4196.9 182.2 158 96.5 162.2 237.9 62.5
x5 v4
109.8 35.3 322 115 164.8 73.4 285.3
88.5 168.2
80.9133.5302.6 60.3 252.8195.2 245.7 229.5
68
x6 v5
175.3144.6256.2 191.1 306.7191.7 196.3 200.5 174
225.8 213 29.9 121.9 121.3139.2 312.1 206.8210.8
95.7 381 78.6 342.6 417.6156.3 282 204.3145.7
x7 v6 290.6170.8407.2 451.1 395.7382.5 561.5 475.3290.5
391.1340.3204.1 367.5 733363.8 471.9 377.5175.5
265.4275.8126.4 108 467.6164.3 125.4 141.2206.4
x8 182.4394.2456.3 173.6 342.5102.2 187.7 166.4311.4

Tabel 1(b) Data input tahun 1998 sampai 2005

Gambar 1. Desain Backpropagation Neural
Network
c. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian nilai bobot (dalam penelitian ini
nilai bobot ditentukan secara random dan
menggunakan penambahan momentum).
Penghentian penyesuaian bobot dalam
pengenalan pola apabila kuadrat error
mencapai target error. Error dihitung setelah
tahapan forward propagation. Apabila error
lebih besar dari target error maka pelatihan
akan dilanjutkan ke tahap backward
propagation sampai error mencapai atau lebih
kecil target error.
d. Pengujian dan prediksi
Pengujian dilakukan bertujuan untuk
mengetahui tingkat keakuratan sistem JST
yang telah dibuat dalam memprediksi data
curah hujan pada tahun tertentu. Sedangkan
prediksi bertujuan untuk memprediksi data
curah hujan yang akan datang.
6. Hasil dan Pembahasan
Dalam penelitian ini akan dilakukan prediksi
curah hujan bulanan di Kota Medan, data yang
digunakan sebagai input adalah data bulanan
selama 15 tahun terahir. Untuk mengetahui
apakah penambahan momentum pada proses
prediksi curah hujan dengan metode
dengan target 2006.
Data Input Tahun 1998 Sampai 2005 dengan Target
2006
181 315 59 216.5 90.8169.4 138.8 189.1
103.9
50.2268.8 86.7 15.1 78.5 85.7 200.8 43.9130.5
29.4196.9182.2 158 96.5162.6 237.9 62.5121.2
35.3 322 115 164.8 73.4285.3 88.5 168.2
222.5
133.5302.6 60.3 252.8 195.2245.7 68 300.5
229.5
144.6256.2191.1 306.7 191.7196.3 200.5 174251.4
213 29.9121.9 121.3 139.2312.1 206.8 210.8109.1
381 78.6342.6 417.6 156.3 282 204.3 145.7148.3
170.8407.2451.1 395.7 382.5561.5 475.3 290.5385.6
340.3204.1367.5 733 363.8471.9 377.5 175.5271.4
275.8126.4 108 467.6 164.3125.4 141.2 206.4148.4
394.2456.3173.6 342.5 102.2187.7 166.4 311.4346.6
Tabel 1(c) Data input tahun 1999 sampai 2006
dengan target 2007.
Data Input Tahun 1999 Sampai 2006 dengan Target
2007
315 59216.5 90.8 169.4138.8 189.1 103.9
169.6
268.8 86.7 15.1 78.5 85.7200.8 43.9 130.5 8.6
196.9182.2 158 96.5 162.6237.9 62.5 121.2 62.3
322 115164.8 73.4 285.3 88.5 168.2 222.5
277.2
302.6 60.3252.8 195.2 245.7 68 229.5 300.5330.2
256.2191.1306.7 191.7 196.3200.5 174 251.4 99.4

168
 Seminar Nasional Informatika 2014

29.9121.9121.3 139.2 312.1206.8 210.8 109.1261.6 18 95 1 75 25 16 56 2 3

78.6342.6417.6 156.3 282204.3 145.7 148.3153.4 0.17 0.23 0.424 0.15 0.36 0.30 0.36 0.165 0.344
407.2451.1395.7 382.5 561.5475.3 290.5 385.6256.5 98 79 7 71 97 61 18 6
204.1367.5 733 363.8 471.9377.5 175.5 271.4303.3 0.28 0.25 0.250 0.30 0.42 0.30 0.30 0.311 0.282
126.4 108467.6 164.3 125.4141.2 206.4 148.4374.1 41 02 2 15 92 22 73 9 7
456.3173.6342.5 102.2 187.7166.4 311.4 346.6218.4 0.33 0.32 0.123 0.22 0.22 0.24 0.43 0.318 0.323
99 57 5 51 45 42 52 9 3
Tabel 1(d) Data input tahun 2000 sampai 2007 0.19 0.51 0.177 0.46 0.55 0.26 0.40 0.316 0.251
dengan target 2008. 62 13 3 89 17 31 19 1 4
Data Input Tahun 2000 Sampai 2007 dengan Target 0.41 0.27 0.540 0.58 0.52 0.51 0.71 0.615 0.411
2008 14 91 2 87 75 29 06 4 3
59216.5 90.8 169.4 138.8189.1 103.9 169.6 0.52 0.46 0.315 0.49 0.9 0.49 0.61 0.507 0.284
126.7 24 63 9 64 23 17 4 3
86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 0.38 0.39 0.230 0.20 0.60 0.27 0.22 0.246 0.318
182.2 158 96.5 162.6 237.9 62.5 121.2 62.3126.8 36 51 1 98 69 19 9 4 4
115164.8 73.4 285.3 88.5168.2 222.5 277.2 146 0.29 0.52 0.594 0.28 0.46 0.20 0.29 0.274 0.434
60.3252.8195.2 245.7 68229.5 300.5 330.2172.5 19 58 4 22 87 34 78 3 4
191.1306.7191.7 196.3 200.5 174 251.4 99.4 62
121.9121.3139.2 312.1 206.8210.8 109.1 261.6276.8 Tabel 2(b) Data hasil normalisasi tahun 1998-
342.6417.6156.3 282 204.3145.7 148.3 153.4195.7 2005 dengan target tahun 2006.
451.1395.7382.5 561.5 475.3290.5 385.6 256.5294.8 Data Hasil Normalisasi
367.5 733363.8 471.9 377.5175.5 271.4 303.3342.2 1998 199 2000 200 2002 200 2004 2005 2006
108467.6164.3 125.4 141.2206.4 148.4 374.1412.5 9 1 3
173.6342.5102.2 187.7 166.4311.4 346.6 218.4245.7 0.29 0.43 0.155 0.32 0.19 0.27 0.24 0.205
04 84 7 96 08 76 38 0.2993 2
Selanjutnya adalah proses normalisasi. 0.14 0.38 0.186 0.10 0.17 0.18 0.31 0.234
Normalisasi terhadap data dilakukan agar 59 74 3 72 72 51 23 0.139 6
keluaran jaringan sesuai dengan fungsi aktivasi 0.12 0.30 0.291 0.26 0.19 0.27 0.35 0.159 0.224
yang digunakan. Data-data tersebut dinormalisasi 3 8 7 5 71 01 32 5 4
dalam interval [0, 1] karena dalam prediksi curah 0.12 0.44 0.217 0.27 0.17 0.40 0.18 0.276 0.336
hujan nilai curah hujan pasti bernilai positif atau 95 61 5 25 16 56 82 3 2
0. Selain itu juga terkait fungsi aktivasi yang 0.23 0.42 0.157 0.36 0.30 0.36 0.16 0.344 0.422
diberikan yaitu sigmoid biner. 79 47 1 97 61 18 56 4
Fungsi sigmoid adalah fungsi asimtotik 0.25 0.37 0.301 0.42 0.30 0.30 0.31 0.282 0.368
(tidak pernah mencapai 0 ataupun 1) maka 02 34 5 92 22 73 19 7 1
transformasi data hendaknya dilakukan pada 0.32 0.12 0.225 0.22 0.24 0.43 0.31 0.323 0.211
interval yang lebih kecil yaitu [0.1, 0.8] 57 35 1 45 42 52 89 3
ditunjukkan dengan persamaan 14. 0.51 0.17 0.468 0.55 0.26 0.40 0.31 0.251 0.254
(14) 13 73 9 17 31 19 61 4 3
0.27 0.54 0.588 0.52 0.51 0.71 0.61 0.411 0.516
a adalah data minimum, b adalah data
91 02 7 75 29 06 54 3 3
maksimum, x adalah data yang akan dinormalisasi
0.46 0.31 0.496 0.9 0.49 0.61 0.50 0.284 0.390
dan x’ adalah data yang telah ditransformasi.
63 59 4 23 17 74 3 2
Sehingga dihasilkan data hasil normalisasi yang
0.39 0.23 0.209 0.60 0.27 0.22 0.24 0.318 0.254
ditunjukkan pada Tabel 2.
51 01 8 69 19 9 64 4 4
Tabel 2(a) Data hasil normalisasi tahun 1997- 0.52 0.59 0.282 0.46 0.20 0.29 0.27 0.434 0.473
2004 dengan target tahun 2005. 58 44 2 87 34 78 43 4 3
Data Hasil Normalisasi
1997 199 1999 200 2001 200 2003 2004 2005 Tabel 2(c) Data hasil normalisasi tahun 1999-
8 0 2 2006 dengan target tahun 2007.
Data Hasil Normalisasi
0.20 0.29 0.438 0.15 0.32 0.19 0.27 0.299
78 04 4 57 96 08 76 0.2438 3 1999 200 2001 200 2003 200 2005 2006 2007
0 2 4
0.19 0.14 0.387 0.18 0.10 0.17 0.18 0.139
72 59 4 63 72 72 51 0.312 0.43 0.15 0.329 0.19 0.27 0.24 0.29 0.277
3 84 57 6 08 76 38 93 0.2052 8
0.23 0.12 0.3 0.29 0.2 0.19 0.27 0.353 0.159 0.38 0.18 0.107 0.17 0.18 0.31 0.13 0.1
89 3 08 17 65 71 01 2 5 74 63 2 72 51 23 9 0.234
6
0.21 0.12 0.446 0.21 0.27 0.17 0.490.188 0.276
0.30 0.29 0.265 0.19 0.27 0.35 0.150.224 0.159

169
Seminar Nasional Informatika 2014

8 17 71 01 32 95 4 3 Tabel 3. Hasil generate Nilai Bobot

0.44 0.21 0.272 0.17 0.40 0.18 0.27 0.336 0.396 Bobot Input Ke Hidden Awal
61 75 5 16 56 82 63 2 6 0.352 0.266 0.289 0.144 0.151 0.387
0.42 0.15 0.369 0.30 0.36 0.16 0.34 0.422 0.455 8 7 8 8 4
47 71 7 61 18 56 4 4 2 0.007 0.380 0.407 0.354 0.022 0.207
0.37 0.30 0.429 0.30 0.30 0.31 0.28 0.368 0.200 4 2 5 7
34 15 2 22 73 19 27 1 3 0.431 0.395 0.186 0.481 0.435 0.028
0.12 0.22 0.224 0.24 0.43 0.31 0.32 0.211 0.379 3 2 8 7 1
35 51 5 42 52 89 33 4 0.474 0.182 0.262 0.383 0.026 0.296
0.17 0.46 0.551 0.26 0.40 0.31 0.25 0.254 0.259 8 4 6 8 2
73 89 7 31 19 61 14 3 9 0.234 0.149 0.311 0.323 0.131 0.139
0.54 0.58 0.527 0.51 0.71 0.61 0.41 0.516 0.373 4 1 3 9 9 7
02 87 5 29 06 54 13 3 8 0.414 0.412 0.294 0.493 0.455 0.113
0.31 0.49 0.9 0.49 0.61 0.50 0.28 0.390 0.425 9 3 6 5 4
59 64 23 17 74 43 2 5 0.347 0.49 0.122 0.266 0.053 0.499
0.23 0.20 0.606 0.27 0.22 0.24 0.31 0.254 0.503 6 9 2 7
01 98 9 19 9 64 84 4 6 0.338 0.007 0.287 0.05 0.051 0.399
0.59 0.28 0.468 0.20 0.20 0.27 0.43 0.473 0.331 1 9 6 5 4
44 22 7 34 34 43 44 3 7 Data Input Ke Hidden
0.142 0.022 0.147 0.191 0.150 0.474
Tabel 2(d) Data hasil normalisasi tahun 2000- 2 8 9 5 3
2007 dengan target tahun 2008. Bobot Input Ke Hidden
Data Hasil Normalisasi 0.489 0.200 0.139 0.080 0.081 0.323
2000 2001 2002 2003 2004 2005 2006 2007 2008 9 7 1 2 4 3
0.155 0.329 0.1908 0.277 0.2438 0.299 0.205 0.2778 0.2304
7 6 6 3 2 Bias Hidden Ke Output 0.367
0.186 0.107 0.1772 0.185 0.312 0.139 0.234 0.1 0.1084
3 2 1 3 6 Tahap selanjutnya adalah trainning. Proses
0.291 0.265 0.1971 0.270 0.353 0.159 0.224 0.1593 0.2305 training dilakukan sampai error yang dihasilkan
7 1 2 5 4
0.217 0.272 0.1716 0.405 0.188 0.276 0.336 0.3966 0.2517
sesuai atau lebih kecil dari target error. Gambar 2
5 5 6 2 3 2 merupakan grafik penurunan kuadrat error hasil
0.157 0.369 0.3061 0.361 0.165 0.344 0.422 0.4552 0.281 trainning dengan bobot random yang telah
1 7 8 6 4 digenerate tanpa penambahan momentum
0.301 0.429 0.3022 0.307 0.311 0.282 0.368 0.2003 0.159 (backpropagation standar), dimana target error
5 2 3 9 7 1
0.225 0.224 0.2442 0.435 0.318 0.323 0.211 0.3794 0.3962 0.01 dan jumlah hidden layer 6.
1 5 2 9 3
0.468 0.551 0.2631 0.401 0.316 0.251 0.254 0.2599 0.3066
9 7 9 1 4 3
0.588 0.527 0.5129 0.710 0.615 0.411 0.516 0.3738 0.4161
7 5 6 4 3 3
0.496 0.9 0.4923 0.611 0.507 0.284 0.390 0.4255 0.4684
4 7 4 3 2
0.209 0.606 0.2719 0.229 0.246 0.318 0.254 0.5036 0.5461
8 9 4 4 4
0.282 0.468 0.2034 0.297 0.274 0.434 0.473 0.3317 0.3618
2 7 8 3 4 3

Setelah data dinormalisasi, maka akan di

generate bobot input ke hidden awal, bias input
ke hidden, bobot hidden ke output, dan bias
hidden ke output. Data bobot digenerate secara Gambar 2. Penurunan kuadrat error
acak antara interval 0 sampai dengan 1. Tabel 3 backpropagation tanpa penambahan
menunjukkan hasil generate nilai bobot. momentum

Pada gambar 2 menunjukkan bahwa target

error dicapai pada iterasi ke 66. Pengujian
berikutnya dilakukan dengan penambahan
momentum pada proses perubahan bobotnya.
Penurunan kuadrat error hasil trainning dengan
bobot random yang telah digenerate dengan
penambahan momentum ditunjukkan pada
gambar 3.

170
 Seminar Nasional Informatika 2014

curah hujan di kota Medan dapat dilihat pada

tabel 5.

Tabel 5. Hasil prediksi tahun 2013, tahun

2014, tahun 2015, tahun 2016, dan tahun 2017.
Tahun 2013 2014 2015 2016 2017
Bulan1 130 139.9 148.5 159.4 143.2
Bulan 2 129.2 126 129.3 130.6 128.2
Bulan 3 144 135 161.5 204.7 169.2
Bulan 4 218.5 192.2 147.4 144.3 135.4
Bulan 5 313.8 300.3 215.2 231.8 154.6
Gambar 3. Penurunan kuadrat error Bulan 6 136 127 132.3 137.6 140.6
backpropagation dengan penambahan Bulan 7 178.2 233.7 187.9 160.5 156.6
momentum. Bulan 8 138.5 142.1 193.1 269.2 275.6
Bulan 9 278.7 247.6 255.9 210 147.4
Gambar 3 menunjukkan bahwa target error Bulan 304.3 278.9 253.3 220.8 212.4
dicapai pada iterasi ke 40. Jumlah iterasi lebih 10
kecil dari proses trainning dengan bobot random Bulan 261.7 303 238.3 157.6 183.9
yang telah digenerate tanpa penambahan 11
momentum (backpropagation standar).
Bulan 255.1 189.4 147 128.9 150
Pengujian berikutnya adalah dilakukan
12
bebepara kali proses trainning dan
Rata-
pengujian/testing dengan jumlah hidden 6 dan 207.3 201.2 184.1 179.6 166.4
Rata
target error yang divariasikan. Hasil dari
pengujian ini dapat dilihat pada tabel 4.
Dari hasil prediksi yang telah dilakukan dapat
dilihat bahwa pada tahun 2013 jumlah curah
Tabel 4. Data hasil pengujian perbedaan
hujan rata-rata sebesar 207.3, lebih besar dari
penambahan momentum dengan
tahun-tahun berikutnya. Tahun 2013 rata-rata
backpropagation standar.
curah hujan adalah 201.367, sedangkan pada
Dengan
tahun 2017 rata-rata curah hujan adalah 166.4.
Targ Tanpa Momentum Penambahan
et Momentum
7. Kesimpulan
error Itera Keakurasi Itera Keakurasi
si an si an
Dari hasil dan penelitian dapat disimpulkan
0.01 66 26.27 % 40 20.31 % beberapa hal sebagai berikut:
0.009 87 33.92 % 57 35.54 % 1. Target error yang berbeda akan
0.008 152 42.94 % 122 41.02 % menghasilkan jumlah iterasi yang berbeda
0.007 500 18.92 % 424 20.75% pula. Semakin kecil target error, maka
4 jumlah iterasi akan semakin besar.
0.007 1000 42.35 % 905 43.65 % 2. Semakin kecil target error, maka nilai
3 keakurasiannya cenderung semakin baik
(semakin besar).
Pada tabel 4 dapat dilihat bahwa target error 3. Jumlah iterasi pada proses trainning dengan
yang berbeda akan menghasilkan jumlah iterasi penambahan momentum lebih kecil
yang berbeda pula. Semakin kecil target error, dibandingkan dengan tanpa penambahan
maka jumlah iterasi akan semakin besar. Pada momentum.
tabel 4 dapat dilihat juga bahwa ketika target 4. Tingkat akurasi tertinggi dicapai pada target
error semakin kecil, maka nilai keakurasiannya error 0.0073 yaitu 43.65%.
cenderung semakin baik (semakin besar). Pada
tabel 4 dapat dilihat juga bahwa dengan Daftar Pustaka
penambahan momentum, maka jumlah iterasi
yang dihasilkan lebih kecil dibandingkan dengan [1] Akashdeep, et al., 2013, Time Series
jumlah iterasi yang dihasilkan tanpa penambahan Analysis of Forecasting Indian Rainfall,
momentum. Target error 0.0073 memiliki nilai International Journal of Inventive
akurasi yang lebih baik dibandingkan dengan Engineering and Sciences (IJIES) ISSN:
pengujian lainnya yaitu 43.65%. 2319-9598, Volume-1, Issue-6, May 2013.
Tahap terakhir yaitu melakukan prediksi [2] Ch.Jyosthna Devi, et al, 2012, ANN
curah hujan untuk beberapa tahun berikutnya Approach for Weather Prediction using
dengan mengambil nilai akurasi tertinggi dari Back Propagation, International Journal of
hasil pengujian yaitu 43.65%. Hasil prediksi Engineering Trends and Technology-

171
Seminar Nasional Informatika 2014

Volume3Issue1-2012. Backpropagation Neural Network Untuk

[3] Indrabayu, et al., 2012, Prediksi Curah Klasifikasi Jenis Sel Darah Putih.
Hujan dengan Jaringan Saraf Tiruan, [6] Sutojo, T., et al, 2010, Kecerdasan Buatan,
“Prosiding 2012”. Yogyakarta: Andi Offset.
[4] Indrabayu, et al., 2011, Prediksi Curah
Hujan di Wilayah Makasar Menggunakan
Metode Wavelet-Neural Network, Jurnal
Ilmiah “Elektrikal Enjiniring” UNHAS, Vol.
09, No. 02, Agustus.
[5] Nurcahaya, Pradana, T.P., et al, 2013,
Pemanfaatn Seed Region Growing
Segmentation dan Momentum

172
 Seminar Nasional Informatika 2014

PERANCANGAN ALAT STEMPEL OTOMATIS LEMBAR

JAWABAN STMIK POTENSI UTAMA
Edy Victor Haryanto1, Anggit Nataperdana2, Harris Kurniawan3
1,2,3
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan
edyvictor@gmail.com, anggit.nataperdana@live.com

Abstrak

Selama stempel pada lembar jawaban dilakukan secara manual sehingga membutuhkan tenaga manusia untuk
melakukannya dan membutuhkan waktu yang lama, kadang-kadang dengan menggunakan tenaga manusia
letak posisi stempel tersebut kurang presisi. Untuk mengatasai hal tersebut maka penulis bermaksud
membuat sebuah Alat Stempel Otomatis Lembar Jawaban ini dimana alat ini melakukan stempel pada lembar
jawaban tersebut secara otomatis sehingga menghemat tenaga manusia dan tentu akan lebih cepat selesai.
Stempel otomatis ini menggunakan rangkaian yang terdiri dari rangkaian minimum sistem yang merupakan
pusat kendali dari seluruh fungsi alat tersebut, junga menggunakan motor servo dan mikrokontroler ATMega
8535. Terdapat juga rangkaian lain berupa rangkaian tombol, rangkaian driver mosfet, regulator dan sumber
arus (tenaga).

Kata kunci : Stempel Otomatis, Mikrokontroler ATMega 8535, Motor Servo.

1. Pendahuluan 3. Membantu meringankan tenaga manusia

Di era kemajuan Ilmu Pengetahuan dan
Teknologi terutama di bidang Teknologi
Informasi, Komunikasi dan Mekatronika
(Mekanik dan Elektronika) mengalami
peningkatan yang sangat luar biasa. Dunia
teknologi berkembang pesat dan membawa semua
orang bergerak dalam pusaran kompetisi. Sumber
daya manusia yang potensial semakin dibutuhkan
untuk mengisi setiap peluang yang ditawarkan
oleh dunia kerja.
Pada saat akan dilakukan ujian di STMIK
Potensi Utama baik itu UTS maupun UAS maka
pihak administrasi akan melakukan stempel pada
lembar jawaban ujian tersebut, dengan
dilakukannya secara manual maka akan
membutuhkan waktu yang lama dan stempel yang
dilakukan tersebut tentunya tidak begitu presisi.
Maka untuk mengatasi hal tersebut diatas
maka penulis mencoba membuat sebuah alat
stempel otomatis pada lembar jawaban ujian, agar
stempel yang dilakukan pada lembar jawaban
tersebut akan presisi dan tenaga manusia yang
digunakan tidak begitu banyak karena alat
tersebut digerakkan oleh motor servo dan
mikrokontroler.
atau administrasi dalam melakukan stempel
lembar jawaban ujian.
Batasan Masalah
Adapun hal-hal yang menjadi batasan masalah
pada penelitian ini adalah :
1. Hanya menganalisa Mekanik pada Alat
Stempel Otomatis.
2. Mikrokontroler yang digunakan adalah AT
Mega 8535.
2. Tinjauan Pustaka
Microcontroller ATMega 8535
Mikrokontroler adalah sebuah sistem
microprosesor dimana di dalamnya sudah
terdapat CPU, ROM, RAM, I/O, Clock dan
peralatan internal lainnya yang sudah saling
terhubung dan terorganisasi (teralamati) dengan
baik oleh pabrik pembuatnya dan dikemas dalam
satu chip yang siap pakai. Sehinga kita tingal
memprogram isi ROM sesuai aturan penggunaan
oleh pabrik yang membuatnya.[1]

Tujuan Penelitian
Adapun tujuan dari pembuatan alat ini adalah
:
1. Membuat para pengguna dan peminat
bidang robotika terutama dibidang mekanik
mengerti tentang dasar pembuatan mekanik
robot.
2. Agar dapat memahami cara kerja dari Alat
Stempel Otomatis.

173
Seminar Nasional Informatika 2014
Gambar 1. Mikrokontroller Atmega8535
Rangkaian Sistem Minimum
Perancangan Alat Stempel Otomatis Pada
Lembar Jawaban ini menggunakan rangkaian
yang terdiri dari rangkaian minimum sistem yang
merupakan pusat kendali dari seluruh fungsi alat
tersebut. Terdapat juga rangkaian lain berupa
rangkaian tombol, rangkaian driver mosfet,
regulator dan sumber arus (tenaga).
Pada perancangan Alat Stempel Otomatis
pada Lembar Jawaban menggunakan rangkaian
mininum sistem Atmega 8535, rangkaian ini
berfungsi sebagai pusat kendali dari seluruh
sistem yang ada. Komponen utama dari rangkaian
ini adalah mikrokontroler Atmega 8535. Pada
mikrokontroler inilah semua program diisikan,
sehingga rangkaian dapat berjalan sesuai dengan
yang dikehendaki. Rangkaian mikrokontroler
ditunjukkan pada gambar berikut ini:
Gambar 2. Rangkaian Mikrokontroller
Atmega8535
174
3. Analisis Masalah Dan Rancangan Program
Analisis Masalah
Pada proses perancangan Alat Stempel
Otomatis Pada Lembar Jawaban, proses awal
adalah pembuatan mekanik atau rangka tubuh
alat. Proses ini masih tergolong manual, sehingga
hasil tidak maksimal. Untuk membuatnya lebih
maksimal, harus menggunakan perhitungan
rancang bangun yang lebih, seperti menggunakan
alat bantu berupa mesin untuk mendapatkan hasil
mekanik yang lebih presisi.
Proses perancangan skematik dan layout
rangkaian pada PCB dilakukan menggunakan
software Cadsoft EAGLE (Easily Applicable
Graphical Layout Editor). Hasil perancangan
berupa gambar yang kemudian dicetak ke PCB
dengan teknik setrika. Jika penyetrikaan layout ke
PCB tidak sempurna, rangkaian yang dihasilkan
terdapat kerusakan berupa jalur yang putus dan
tidak bisa digunakan. Selain perancangan bentuk
dan rangkaian, regulator dan sumber daya yaitu
baterai menjadi faktor penting dalam perancangan
Alat Stempel Otomatis Pada Lembar Jawaban.
CodeVisionAVR merupakan software C-
cross compiler, di mana program dapat ditulis
menggunakan bahasa-C. Dengan menggunakan
pemrograman bahasa-C diharapkan waktu disain
(developing time) akan menjadi lebih singkat.
Setelah program dalam bahasa-C ditulis dan
dilakukan kompilasi tidak terdapat kesalahan
(error) maka proses download dapat dilakukan.
Mikrokontroler AVR mendukung sistem
download secara ISP (In-System
Programming).[4]
Analisa Kebutuhan Fungsional
Kebutuhan fungsional adalah jenis
kebutuhan yang berisi proses-proses apa saja yang
nantinya dilakukan oleh alat. Kebutuhan
fungsional juga berisi informasi-informasi apa
saja yang harus ada dan dihasilkan oleh alat.
Berikut kebutuhan fungsional yang terdapat pada
alat yang dibangun :
1. Mikrokontroller yang di program dapat
bekerja dengan baik.
2. Dalam pergerakan alat di lakukan oleh
motor servo, motor servo yang digunakan
dapat berjalan dan dan akurat dengan baik
dalam menyetempel lembar jawaban.
3. Hasil dari penyetempelan dengan alat ini
bisa lebih efektif jika di banding dengan di
kerjakan oleh manusia.
Analisa H-Bridge (Jembatan H).
Bila kita membuat sebuah mainan mobil-
mobilan terkendali atau robot line follower, tentu
akan membutuhkan roda yang bisa bergerak maju
dan mundur. Oleh karena itu kita membutuhkan
sebuah rangkaian yang ditempatkan sebelum
 Seminar Nasional Informatika 2014

Motor DC (driver motor) yang berfungsi

menyalurkan tegangan ke Motor dan juga dapat
membalik polaritasnya agar dapat berputar secara
berlawanan putaran. Kita dapat menggunakan
driver motor H-Bridge atau jembatan H. [3]
Sebagai rangkaian pengendali dari motor,
penulis menggunakan rangkaian H-Bridge
(Jembatan H). Rangkaian ini terdiri dari transistor
switching yaitu transistor MOSFET IRF540 dan
MOSFET IRF9540. Driver ini mengatur
perputaran dari motor DC, kecepatan motor dan Gambar 4. Motor Servo
melakukan brake. DriverH-Bridge ini juga
memiliki sistem brake, yaitu menggabungkan Untuk mengendalikan motor servo tidak
kedua kutub motor untuk memberikan eventbrake dibutuhkan rangkaian khusus, karena motor servo
untuk menghentikan perputaran motor secara hanya memerlukan tegangan 5 volt, maka motor
paksa dan menguncinya untuk tidak berputar, servo ini dapat langsung kendalikan dengan
berikut adalah rangkaian dari DriverH-Bridge : langsung menghubungkannya dengan
microcontroler.

Gambar 3. Rangkaian Driver Motor H-Brigde

Brake System

Analisa Rangkaian Motor Servo Gambar 5. Rangkaian Motor Servo

Motor servo adalah sebuah motor DC yang
dilengkapi rangkaian kendali dengan sistem
closed feedback yang terintegrasi dalam motor
tersebut. Pada motor servo posisi putaran sumbu Blok Diagram Sistem
(axis) dari motor akan diinformasikan kembali ke Berikut adalah gambar blok diagram dari
rangkaian kontrol yang ada di dalam motor servo. Alat Stempel Pada Otomatis Lembar Jawaban
Motor servo disusun dari sebuah motor DC, yang akan dirancang :
gearbox, variabel resistor (VR) atau
potensiometer dan rangkaian kontrol.
Potensiometer berfungsi untuk menentukan batas
maksimum putaran sumbu (axis) motor servo.
Sedangkan sudut dari sumbu motor servo diatur
berdasarkan lebar pulsa yang pada pin kontrol
motor servo.[2]
Stempel yang digunakan merupakan
stempel biasa yang memiliki ukuran 9 x 7 cm
dengan ketebalan 1,2cm dengan berat 0,4 kg.
Meskipun stempel ini tergolong dalam kategori Gambar 6. Blok Diagram Alat Stempel Pada
ukuran sedang dan tidak terlalu berat, tetapi tetap Lembar Jawaban
saja motor servo yang digunakan harus memiliki
torsi yang tinggi, yaitu berkisar antara 4 kg. Pertama-tama tumpukan kertas lembar
Dikarenakan proses penekanan stempel pada jawaban di letakan pada tempat yang di sediakan
kertas dan ditambah dengan beban mekanisme pada alat tersebut, lalu atur dan cek kesiapan alat
pergerakannya yang membutuhkan torsi motor untuk melakukan proses penstempelan. Saat
yang besar. tombol start di tekan, maka minimum system
memerintahkan motor servo melakukan putaran

175
Seminar Nasional Informatika 2014

untuk menggerakan tiang yang telah di design Tampilan Proses Stempel

menyatu dengan stempel, dan bergerak kebawah
untuk melakukan penekanan stempel pada
lembaran kertas. Setelah itu motor servo berputar
berbalik arah untuk menaikan tiang untuk
melepaskan tekanan stempel pada lembaran
kertas. Lalu motor DC berputar dan menggerakan
roda-roda yang di buat sejajar untuk mengganti
tumpukan kertas paling atas yang telah di stempel
agar berganti dengan lembar kertas yang
dibawahnya yang belum di stempel.

4. Hasil dan Uji Coba

Tampilan Hasil Hardware

Adapun modelnya dari Alat Stempel
Otomatis Pada Lembar Jawaban ini adalah
sebagai berikut.

Gambar 9. Alat Stempel Saat Proses

Penstempelan

Tampilan Selesai Stempel

Gambar 7. Model Mekanik Alat Stempel

Otomatis

Tampilan Hasil Pada Alat Stempel Otomatis

Setelah Alat Stempel Otomatis Pada
Lembar Jawaban tersebut telah selesai diprogram,
dilakukan pengujian. Pengujian ini dilakukan
untuk melihat apakah alat tersebut dapat
melakukan tugas yang sesuai dengan program Gambar 10. Alat Setelah Melakukan Stempel
yang telah di masukkan. Otomatis
Berikut adalah hasil dari perancangan
Alat Stempel Otomatis Pada Lembar Jawaban : Tampilan Hasil Kertas Yang Sudah Distempel

Gambar 8. Alat Stempel Otomatis Kertas

Lembar Pada Lembar Jawaban Gambar 11. Hasil Stempel

176

5. Kesimpulan dan Saran
Kesimpulan
Adapun kesimpulan dari dari perancangan
alat yang dilakukan adalah sebagai berikut :
1. Alat Stempel Otomatis Pada Lembar Jawaban
merupakan alat yang di khususkan untuk
menstempel lembar kertas ujian pada STMIK
Potensi Utama yang bekerja secara otomatis.
2. Menggunakan 1 tiang alumunium yang
berukuran 2x1 cm yang pada salah satu
sisinya dilekatkan tali belt dan tiang ini
fungsinya sebagai sebagai dudukan stempel.
3. Menggunakan 1 buah motor servo sebagai
motor penggerak stempel dengan torsi
mencapai 4 kg dan 1 buah motor DC sebagai
penggerak roda-roda pembuka lipatan kertas.
4. Base yang digunakan terbuat dari kayu dengan
ketebalan 1 cm yang berukuran sedikit lebih
besar dari ukuran kertas double folio, yaitu
berukuran 45 x 37 cm.
5. Untuk tingkat kepresisian alat ini masih
kurang, karena pembuatan alat stempel ini
masih menggunakan peralatan yang
sederhana.
Seminar Nasional Informatika 2014
Saran
Adapun saran penulis adalah Alat Stempel
Otomatis Pada Lembar Jawaban ini masih
terbuat dari alat-alat yang sederhana, dan motor
DC yang digunakan masih memakai motor DC
yang biasa terdapat pada printer, untuk itu penulis
berharap kedepannya alat ini dapat di
kembangkan lagi, tentunya dengan menggunakan
alat-alat yang lebih baik.
Daftar Pustaka
[1] Christoforus Yohannes ; Jurnal Ilmiah
“Elektrikal Engineering” UNHAS ; Vol 09
No.02 Mei-Agustus 2011
[2] Asep Saefullah, Hendri, Bramanto Yudi
Wardhana, Jurnal ISSN:1987 – 8282 Vol.
No1 – September 2008 : 44 - 46
[3] Elektronika Dasar. 2011.”Motor
Servo”.(Online)(http://elektronika-
dasar.web.id/teori-elektronika/motor-servo/)
diakses 24 juni 2014
[4] Elektron. “Rangkaian Driver Motor H-
Bridge dan Prinsip Kerja”/(Online)(
http://elektron.web.id/skema/driver-motor-h-
bridge/).
177
Seminar Nasional Informatika 2014

ANALISIS PENGUKURAN KUALITAS LAYANAN WEB

PERGURUAN TINGGI XYZ MENGGUNAKAN SERVQUAL
Dorie Pandora Kesuma

Jurusan Sistem Informasi, STMIK GI MDP

Jl. Rajawali No. 14 Palembang, Sumatera Selatan 30113
dpkesuma@staff.mdp.ac.id

Abstrak

Dewasa ini, perkembangan teknologi internet berjalan dengan sangat pesat sehingga layanan berbasis web
juga ikut mengalami perkembangan yang signifikan. Berbagai kelebihan yang diberikan oleh penerapan
layanan berbasis web ini mendorong banyak organisasi mulai melakukan implementasi layanan berbasis web
untuk menunjang kegiatan organisasi masing-masing, salah satunya pada institusi perguruan tinggi. Akan
tetapi, banyak dari layanan berbasis web yang telah diterapkan belum bisa memberikan hasil yang maksimal
bagi organisasi. Hal yang penting didalam penerapan layanan berbasis web selain kemampuan infrastruktur
untuk menunjang berjalannya sistem tersebut, hal yang tidak kalah pentingnya adalah tingkat kualitas dari
layanan itu sendiri. Penelitian ini bertujuan untuk menganalisis tingkat kualitas terhadap layanan web yang
diterapkan pada perguruan tinggi XYZ dengan menggunakan model SERVQUAL. Metode ini melakukan
pengukuran kualitas layanan secara kuantitatif dengan menggunakan lima dimensi pengukuran yang telah
dimodifikasi. Hasil dari penelitian ini menunjukkan jika kualitas layanan pada perguruan tinggi XYZ masih
memiliki beberapa kekurangan dilihat dari dimensi pengukuran yang digunakan. Dengan menerapkan
berbagai langkah pengukuran pada metode SERVQUAL, maka pihak manajemen perguruan tinggi XYZ
dapat melihat tingkat kualitas layanan web yang telah digunakan sehingga dapat melakukan langkah-langkah
perbaikan untuk meningkatkan kualitas layanan berbasis web yang telah mereka jalankan. Penelitian ini
selanjutnya dapat dijadikan rujukan untuk penelitian sejenis pada bidang yang lain.

Kata Kunci : SERVQUAL, kualitas, layanan, web

1. Pendahuluan bersangkutan. Selain itu, penerapan layanan berbasis

Dalam masa sekarang ini, penerapan
teknologi internet dirasakan semakin penting karena
dapat memberikan berbagai manfaat bagi institusi
perguruan tinggi. Melalui internet, segala informasi
yang dibutuhkan dapat dengan cepat diperoleh. Oleh
karena itulah institusi perguruan tinggi ikut
menyediakan layanan perguruan tinggi berbasis web
untuk memberikan berbagai kemudahan baik bagi
para anggota civitasnya maupun bagi calon anggota
yang akan bergabung dengan institusi perguruan
tinggi yang bersangkutan. Selain itu, dengan
semakin banyaknya institusi perguruan tinggi yang
telah atau baru akan menerapkan layanan perguruan
tinggi berbasis web ini juga mendorong terjadinya
peningkatan persaingan antar institusi. Karena
itudengan adanya layanan berbasis web yang baik
tentu akan memberikan keuntungan kompetitif bagi
institusi perguruan tinggi yang berhasil
menerapkannya.
Penerapan layanan berbasis web ini baru bisa
berhasil jika berbagai faktor penggerak layanan ini
berjalan dengan baik pula. Ketersediaan
infrastruktur, adanya sumber daya manusia yang
berkompeten, serta dengan dukungan perangkat
keras dan perangkat lunak yang memenuhi
kebutuhan teknologi informasi dari institusi yang
web ini juga perlu didukung dengan adanya tingkat
kualitas layanan yang baik kepada penggunanya.
Institusi pendidikan tinggi tidak boleh hanya
bergantung pada kualitas produk, tetapi juga kualitas
dari layanan yang disediakan juga merupakan hal
yang penting. Kualitas dari layanan ini penting
untuk meyakinkan para pengguna untuk tetap
menggunakan layanan yang diberikan. Lebih lanjut,
kualitas layanan menjadi sesuatu yang penting
khususnya ketika institusi pendidikan tinggi
berhadapan dengan para pengguna yang menuntut
atau membutuhkan kesempurnaan dari layanan yang
diberikan.
Institusi pendidikan seperti perguruan tinggi
XYZ dituntut untuk dapat menyediakan layanan
yang berkualitas bagi para pengguna jasa mereka.
Kepuasan pengguna merupakan tujuan penting di
dalam penerapan layanan web perguruan tinggi
sehingga dibutuhkan pengawasan yang
berkelanjutan dari performa layanan web yang
dijalankan. Untuk mengetahui sejauh mana kualitas
layanan web perguruan tinggi XYZ dapat diterima
oleh para pemakainya, maka perlu diadakan suatu
penilaian untuk mengukur kualitas dari layanan web
yang tersedia, apakah sudah dapat diterima oleh
pengguna dengan baik. Pengukuran tersebut
berfungsi untuk meningkatkan mutu layanan

178

terhadappenggunaan layanan web di lingkungan
perguruan tinggi XYZ.
Ada beberapa kerangka kerja pengukuran
yang dapat digunakan untuk mengukur tingkat
kualitas suatu layanan. Salah satunya adalah
SERVQUAL. Metode SERVQUAL menggunakan
lima dimensi pengukuran yang dapat digunakan
untuk mengukur tingkat persepsi pengguna terhadap
kualitas layanan dan pengaruhnya terhadap kepuasan
pengguna. Kelima dimensi pengukuran yang ada
dalam SERVQUAL meliputi dimensi tangibles,
reliability, responsiveness,assurancedandimensi
empathy (Parasuramanet al)[6].Namun, di dalam
penelitian ini, dimensi pengukuran yang digunakan
dimodifikasi untuk disesuaikan dengan konteks
layanan yang akan diukur, yaitu layanan web.
Penelitian ini bertujuan untuk mencari tahu
apakah penerapan dari layanan web pada perguruan
tinggi XYZ telah memiliki kualitas layanan yang
baik. Sebagai tambahan, penelitianini juga bertujuan
untuk mencari gap antara tingkat harapan dan
performa dari layanan web dilihat dari sudut
pandang pengguna. Diharapkan bahwa hasil dari
penelitian ini dapat digunakan sebagai dasar bagi
pengambilan keputusan di perguruan tinggi XYZ
dalam meningkatkan kualitas layanan web
perguruan tingginya.
2. Metode Penelitian
2.1 Penelitian Terdahulu
Beberapa penelitian yang terkait dengan topik
pembahasan serta metode yang digunakan pada
penelitian ini sudah pernah dilakukan sebelumnya.
Penelitian-penelitian ini menggunakan dimensi
pengukuran kualitas yang dimodifikasi karena
disesuaikan dengan konteks bahasan penelitian,
yaitu pengukuran kualitas layanan teknologi
informasi. Terkait dengan kualitas layanan web,
maka ada penelitian dari Iwaarden & Wiele yang
melakukan penelitian tentang pengadopsian metode
SERVQUAL untuk website[2]. Kemudian ada
penelitian dari Swaid & Wigand yang melakukan
pengukuran terhadap kualitas layanan elektronik (e-
service) untuk mengembangkan skala pengukuran
yang cocok untuk diterapkan pada bidang teknologi
informasi[9].
Penelitian lain dari Oztekin, Nikov dan Zaim
menemukan bahwa dimensi kualitas layanan dari
SERVQUAL merupakan aspek penting bagi
usabilitas sistem informasi berbasis web[5].
Penelitian dari Li, Tan, dan Xie menemukan jika
perlu adanya modifikasi terhadap pengukuran
SERVQUAL terhadap layanan berbasis web[12].
Penelitian Vuljak & Mekovec tentang kualitas e-
service pada portal web fakultas di Varazdin,
Kroasia mengajukan empat dimensi kualitas, yaitu
efficiency, information quality, web design dan
reliability[11]. Sedangkan penelitian dari Tate
et.altentang persepsi kualitas layanan portal web
Seminar Nasional Informatika 2014
universitas mengajukan empat dimensi kualitas
yaitu, usability, content quality, service interaction
quality dan transaction quality[10].
Pada penelitian ini, penulis berfokus untuk
memodifikasi dimensi pengukuran pada metode
SERVQUAL untuk diterapkan pada layanan
berbasis web. Penelitian ini berdasarkan pada studi
kasus yang dilakukan di perguruan tinggi XYZ yang
telah menerapkan layanan web perguruan tinggi
kepada para anggota civitasnya.
2.2 SERVQUAL
Metode SERVQUAL merupakan sebuah
metode yang umum dipakai untuk mengukur tingkat
kualitas layanan pada bidang pemasaran dengan
menemukan gap antara harapan dan persepsi
pengguna layanan. Model gap SERVQUAL dapat
dilihat pada Gambar 1 dibawah.
Menurut Parasuraman, et. al, ada lima
dimensi pengukuran yang digunakan pada metode
SERVQUAL, yaitu:
1. Tangibles (bukti terukur), menggambarkan
fasilitas fisik, perlengkapan, dan tampilan dari
personalia serta kehadiran para pengguna.
2. Reliability (keandalan), merujuk kepada
kemampuan untuk memberikan pelayanan yang
dijanjikan secara akurat dan handal.
3. Responsiveness (daya tanggap), yaitu kesediaan
untuk membantu pelanggan serta memberikan
perhatian yang tepat.
4. Assurance (jaminan), merupakan karyawan
yang sopan dan berpengetahuan luas yang
memberikan rasa percaya serta keyakinan.
5. Empathy (empati), mencakup kepedulian serta
perhatian individual kepada para pengguna.
Kerangka kerja yang digunakan pada metode
SERVQUAL ini dapat dilihat pada Gambar 2
dibawah.
Sedangkan pada penelitian ini, dimensi
pengukuran yang digunakan sudah dimodifikasi
berdasarkan gabungan dari dimensi kualitas yang
diajukan oleh Swaid & Wigand[9] dan ditambah
dengan referensi yang diberikan oleh Iwaarden &
Wiele[3] dengan mencantumkan dimensi
pengukuran kualitas dari Zhang[13], Djajadikerta
dan Trireksani[1], Mebrate[4], Stockdale dan
Borovicka[8]. Adapun dimensi pengukuran yang
sudah dimodifikasi tersebut, yaitu dimensi usability,
information quality, services reliability, assurance
dan empathy.
Kualitas layanan diukur dengan melihat gap
antara kualitas layanan yang diharapkan oleh
pengguna dengan kualitas layanan yang diterima
oleh pengguna. Untuk bisa memperoleh gap ini,
maka digunakan kuesioner SERVQUAL yang dibagi
menjadi dua bagian, yaitu bagian pertama yang
terdiri dari item-item yang menunjukkan harapan
pengguna terhadap layanan web yang diberikan
179
Seminar Nasional Informatika 2014

sedangkan bagian kedua berisi item-item yang 2.3 Metodologi Penelitian

menunjukkan persepsi dari pengguna layanan.
Gambar 1. SERVQUAL Gap Model
Seperti yang telah dijelaskan sebelumnya
pada bagian pendahuluan, tujuan dari penelitian ini
untuk mengukur kualitas layanan web pada
perguruan tinggi XYZ. Untuk itu, penulis
menggunakan metode SERVQUAL dan
memodifikasi kelima dimensi pengukurannya agar
sesuai dengan aspek-aspek layanan berbasis website.
Gambar 3 dibawah menunjukkan kerangka kerja
yang akan digunakan pada penelitian ini untuk
mengukur tingkat kualitas layanan web pada
perguruan tinggi XYZ. Dengan membandingkan
antara harapan dan persepsi dari pengguna layanan
web, maka akan diperoleh gap dari kualitas layanan
web perguruan tinggi XYZ yang selanjutnya dapat
digunakan sebagai informasi untuk meningkatkan
kualitas layanan web pada perguruan tinggi XYZ.
Populasi pada penelitian ini merupakan
mahasiswa dari perguruan tinggi XYZ. Total
keseluruhan populasi sekitar 2500 orang. Dari
jumlah populasi ini, diambil sampel sebanyak 200
orang mahasiswa. Kuesioner yang dibuat terdiri dari
54 pertanyaan yang dibagi menjadi dua bagian. 27
daftar pertanyaan pertama terkait dengan tingkat
harapan pengguna layanan web dan dinyatakan
sebagai variabel X dan 27 pertanyaan kedua terkait
dengan tingkat persepsi pengguna layanan web dan
dinyatakan sebagai variabel Y. Daftar pertanyaan
pada kuesioner ini dibagi kedalam lima dimensi
pengukuran yang telah dijelaskan sebelumnya. Tabel
1 dibawah ini menunjukkan modifikasi yang telah
dilakukan terhadap model SERVQUAL untuk
mengukur tingkat layanan web perguruan tinggi
XYZ.

Gambar 2. SERVQUAL Model

Gambar 3. Kerangka Kerja Penelitian

Tabel 1. Dimensi dan Atribut Kualitas SERVQUAL

Dimensi
Atribut Kualitas
Kualitas
Usability Tampilan web perguruan tinggi XYZ menarik
Tampilan web perguruan tinggi XYZ tidak membingungkan
Usability Menu-menu ditampilkan dan ditempatkan dengan jelas (Tampilan menu )
Isi konten web perguruan tinggi XYZ terkait dengan bidang pendidikan
Tata bahasa di dalam web perguruan tinggi XYZ baik dan benar
Proses navigasi di dalam web perguruan tinggi XYZ tidak membingungkan
Web perguruan tinggi XYZ memiliki fasilitas pencarian (search engine) yang baik

180
 Seminar Nasional Informatika 2014

Web perguruan tinggi XYZ dapat ditampilkan dengan sempurna pada browser yang
berbeda-beda
Information Informasi di dalam web perguruan tinggi XYZ bermanfaat
Quality Informasi di dalam web perguruan tinggi XYZ lengkap
Informasi di dalam web perguruan tinggi XYZ jelas
Informasi di dalam web perguruan tinggi XYZ terkini
Informasi di dalam web perguruan tinggi XYZ akurat
Informasi di dalam web perguruan tinggi XYZ ringkas
Services Alamat website aktif dan mengarah ke web yang benar
Reliability Nama alamat web perguruan tinggi XYZ mudah diingat
Semua link yang ada di dalam web perguruan tinggi XYZ valid
Web perguruan tinggi XYZ dapat diakses kapan saja
Web perguruan tinggi XYZ dapat cepat terbuka setiap kali diakses
Web perguruan tinggi XYZ dapat dengan cepat aktif kembali jika terjadi kerusakan
Semua form-form isian yang ada di dalam web berfungsi dengan baik
Email atau kontak dalam keadaan aktif
Tersedianya pemberitahuan jika ada informasu terbaru
Assurance Keamanan web perguruan tinggi XYZ baik
Lembaga penyedia layanan web perguruan tinggi XYZ bereputasi baik
Staff pengelola web perguruan tinggi XYZ dapat diandalkan dalam mengelola web
Empathy Pengguna merasa nyaman dalam mencari informasi di web perguruan tinggi XYZ

Agar dapat mengetahui tingkat harapan
dan persepsi pengguna terhadap layanan web
perguruan tinggi XYZ, maka digunakan metode
pengumpulan data dengan menggunakan
kuesioner yang berisikan 54 daftar pertanyaan
berdasarkan poin-poin pada Tabel1 diatas.
Kuesioner yang dibuat dikembangkan dengan
menggunakan lima poin skala likert yang dapat
dilihat pada Tabel 2 dibawah ini.
Tabel 2. Skala Likert
Expectation Perception
Sangat Tidak Setuju : 1 Sangat Tidak Setuju : 1
Tidak Setuju : 2 Tidak Setuju : 2
Netral : 3 Netral : 3
Setuju : 4 Setuju : 4
Sangat Setuju : 5 Sangat Setuju : 5
3. Hasil Dan Pembahasan
3.1. Layanan Web Perguruan Tinggi XYZ
Perguruan tinggi XYZ telah lama
menyediakan layanan web perguruan tinggi
kepada para mahasiswanya. Layanan yang
berbasis web ini menyediakan berbagai informasi
yang dapat diakses oleh para mahasiswa dimana
saja dan kapan saja tanpa perlu lagi datang
langsung ke bagian informasi perguruan tinggi
XYZ.Informasi yang tersedia di layanan ini antara
lain, informasi akademik seperti jadwal kuliah,
nama dosen, nilai, data absensi, dan
pengumuman-pengumuman. Selain itu, terdapat
juga fasilitas e-learning dimana para mahasiswa
dapat mengakses materi perkuliahan, mengecek
tugas, mengumpulkan tugas melalui web, serta
berdiskusi dengan para dosen secara online.
Kemudian ada juga fitur e-library, CDC (Career
Development Center), podcast dan blog.
3.2. Uji Validitas dan Reliabilitas
Sebelum dilakukan pengolahan terhadap
data yang telah dikumpulkan, maka dilakukan
dulu pengujian instrumen penelitian untuk
memastikan bahwa instrumen penelitian yang
digunakan valid dan reliabel. Untuk menghitung
nilai validitas dari instrumen yang digunakan,
maka perlu dicari nilai r untuk masing-masing
butir pertanyaan. Nilai R untuk sampel berjumlah
200 (df = 198) adalah 0,1388. Jika nilai dari r
count (corrected item – total correlation (CI -
CT)) bernilai positif dan lebih besar dari nilai
tabel r, maka pertanyaan terebut dinyatakan valid.
Sedangkan untuk uji reliabilitas, digunakan nilai
Cronbach Alpha untuk masing-masing variabel
atau dimensi pengukuran. Menurut Sekaran[7],
jika nilai Alpha kurang dari 0,6 maka tingkat
reliabilitas dari instrument dianggap buruk. Jika
berkisar di 0,7 maka tingkat reliabilitas instrumen
masih bisa diterima dan jika lebih dari 0,8 maka
tingkat reliabilitas instrumen bagus.
Hasil dari perhitungan uji validitas dan
reliabilitas menunjukkan jika instrumen yang
digunakan pada penelitian valid dan raliabel.
Nilai R untuk semua daftar pertanyaan positif dan
lebih besar dari nilai tabel R. Nilai untuk
Cronbach Alpha untuk semua variabel berkisar
antara 0,725 sampai 0,940 sehingga dapat
disimpulkan jika instrumen yang digunakan
raliabel. Berdasarkan hasil dari uji validitas dan

181
Seminar Nasional Informatika 2014

reliabilitas diatas, maka disimpulkan jika Berdasarkan hasil perhitungan statistik

kuesioner yang digunakan dalam penelitian ini seperti yang ditunjukkan pada Tabel 3 diatas,
layak untuk dijadikan sebagai instrumen dalam maka bisa diidentifikasi gap antara tingkat
penelitian ini. harapan dan persepsi dari layanan web pada
perguruan tinggi XYZ untuk masing-masing
3.3. Analisis SERVQUAL dimensi SERVQUAL. Berikut ini adalah hasil
Untuk menganalisis gap antara tingkat analisis gap untuk masing-masing dimensi.
harapan dan persepsi pengguna layanan web di Pertanyaan 1 sampai 8 mengacu pada
perguruan tinggi XYZ, maka digunakan Uji variabel usability dengan rata-rata gap score yang
tBerpasangan. Masing-masing responden diperoleh sebesar -0.42. Tingkat harapan para
diberikan dua jenis pertanyaan. Pertanyaan pengguna terhadap variabel usability pada
pertama berkenaan dengan tingkat harapannya layanan web perguruan tinggi XYZ dapat
terhadap layanan web perguruan tinggi XYZ. dikatakan tinggi karena rata-rata responden
Pertanyaan kedua berkenaan dengan tingkat memberikan penilaian “Puas” dan “Sangat Puas”.
persepsinya terkait dengan layanan web yang Namun, pada tingkat persepsi pengguna, rata-rata
diberikan. Dari hasil yang diperoleh, maka bisa para responden memberikan penilaian “Baik” dan
diketahui tingkat kualitas layanan web perguruan “Cukup” sehingga menghasilkan nilai negatif
tinggi XYZ dengan membandingkan hasil dari pada perhitungan gap score. Hal ini berarti
kedua jenis pertanyaan tersebut yang dapat dilihat memang terdapat perbedaan antara harapan
pada Tabel 3 berikut ini. dengan persepsi pengguna terkait layanan web
perguruan tinggi XYZ.
Tabel 3. Hasil Penelitian Pertanyaan 9 sampai 14 mengacu pada
Rata-rata Rata-rata variabel information quality dengan rata-rata gap
Dimensi No P-H
Persepsi Harapan score yang diperoleh sebesar -0.62. Tingkat
1 3,54 4,02 -0.48 harapan para pengguna terhadap variabel
2 3,84 4,17 -0.33 information quality pada layanan web perguruan
3 3,86 4,23 -0.37 tinggi XYZ dapat dikatakan tinggi karena rata-
4 3,92 4,23 -0.31 rata responden memberikan penilaian “Sangat
Usability Puas”. Namun, pada tingkat persepsi pengguna,
5 4,16 4,37 -0.21
6 3,75 4,18 -0.43 rata-rata para responden memberikan penilaian
7 3,34 4,00 -0.66 “Baik” sehingga menghasilkan nilai negatif pada
8 3,68 4,26 -0.58 perhitungan gap score. Hal ini berarti memang
terdapat perbedaan antara harapan dengan
Rata-rata -0,42
persepsi pengguna terkait layanan web perguruan
9 4,02 4,46 -0.44
tinggi XYZ.
10 3,67 4,39 -0.72
Pertanyaan 15 sampai 23 mengacu pada
Information 11 3,78 4,32 -0.54
variabel service reliability dengan rata-rata gap
Quality 12 3,58 4,48 -0.91 score yang diperoleh sebesar -0.70. Tingkat
13 3,68 4,43 -0.75 harapan para pengguna terhadap variabel service
14 3,68 4,05 -0.37 reliability pada layanan web perguruan tinggi
Rata-rata -0.62 XYZ dapat dikatakan tinggi karena rata-rata
15 4,25 4,52 -0.27 responden memberikan penilaian “Sangat Puas”.
16 4,32 4,50 -0.18 Namun, pada tingkat persepsi pengguna, rata-rata
17 3,85 4,31 -0.46 para responden memberikan penilaian “Baik” dan
18 3,53 4,49 -0.96 “Cukup” sehingga menghasilkan nilai negatif
Services
19 3,27 4,41 -1.14 pada perhitungan gap score. Hal ini berarti
Reliability
20 3,25 4,40 -1.15 memang terdapat perbedaan antara harapan
21 3,25 4,27 -0.54 dengan persepsi pengguna terkait layanan web
22 3,72 4,17 -0.90 perguruan tinggi XYZ.
23 3,76 4,44 -0.68 Pertanyaan 24 sampai 26 mengacu pada
Rata-rata -0.70 variabel assurance dengan rata-rata gap score
24 3,62 4,51 -0.89 yang diperoleh sebesar -0.65. Tingkat harapan
Assurance 25 3,79 4,31 -0.52 para pengguna terhadap variabel assurance pada
26 3,78 4,33 -0.56 layanan web perguruan tinggi XYZ dapat
Rata-rata -0.65 dikatakan tinggi karena rata-rata responden
memberikan penilaian “Sangat Puas”. Namun,
pada tingkat persepsi pengguna, rata-rata para
Empathy 27 3,82 4,42 -0.60
responden memberikan penilaian “Baik” sehingga
Rata-rata -0.60
menghasilkan nilai negatif pada perhitungan gap
score. Hal ini berarti memang terdapat perbedaan

182

antara harapan dengan persepsi pengguna terkait
layanan web perguruan tinggi XYZ.
Pertanyaan 27 mengacu pada variabel
empathy dengan nilai gap score yang diperoleh
sebesar -0.60. Tingkat harapan para pengguna
terhadap variabel empathy pada layanan web
perguruan tinggi XYZ dapat dikatakan tinggi
karena rata-rata responden memberikan penilaian
“Sangat Puas”. Namun, pada tingkat persepsi
pengguna, rata-rata para responden memberikan
penilaian “Baik” sehingga menghasilkan nilai
negatif pada perhitungan gap score. Hal ini
berarti memang terdapat perbedaan antara
harapan dengan persepsi pengguna terkait layanan
web perguruan tinggi XYZ.
4. Kesimpulan
Ada pun kesimpulan yang didapat dari
penelitian ini adalah sebagai berikut:
1. Metode SERVQUAL bisa digunakan untuk
melakukan pengukuran tingkat kualitas
layanan elektronik, salah satunya layanan
web.
2. Dimensi pengukuran serta atribut penelitian
yang digunakan di dalam metode
SERVQUAL bisa disesuaikan dengan objek
dan lingkup penelitian.
3. Hasil pengukuran pada perguruan tinggi
XYZ menunjukkan jika layanan web yang
tersedia di perguruan tinggi XYZ masih
memiliki kekurangan, berdasarkan gap yang
dihasilkan dari perbandingan tingkat persepsi
dan harapan pada layanan web.
Daftar Pustaka
[1] Djajadikerta, Hadrian & Trireksani, Terri,
2006,Measuring University Web Site Quality:
A Development of a User-Perceived
Instrument and its Initial Implementation to
Web sites of Accounting Departments in New
Zealand‟s Universities, School of
Accounting, Finance and Economics &
FIMARC Working Paper Series Edith Cowan
University.
[2] Kumar, M., Kee, F.T., & Manshor, A.T.,
2009, Determining The Relative Importance
Of Critical Factors In Delivering Service
Quality Of Banks: An Application Of
Dominance Analysis In SERVQUAL Model.
Managing Service Quality, 19 (2), 211-228.
Seminar Nasional Informatika 2014
[3] Iwaarden, Jos van, & Wiele, Ton van der,
2003, Applying SERVQUAL to Websites,
An Exploratory Study. International Journal
of Quality & Reliability Management, 20 (8),
919-935.
[4] Mebrate, Tsigereda W., 2010,A Framework
for Evaluating Academic Website’s Quality
From Students’ Perspective. Netherlands:
Delft University of Technology.
[5] Oztekin, A., Nikov, A., & Zaim, Selim,
2009,An Assessment Methodology for
Usability of Web-based Information Systems.
Journal of Systems and Software, 82 (12),
2038-2050.
[6] Parasuraman, A., Zeithaml, V.A., & Berry,
Leonard L., 1985,A Conceptual Model of
Service Quality and It’s Implication for
Future Research. Journal of Marketing, 49,
41-50.
[7] Sekaran, Uma, 2006, Research Methods For
Business, Edisi 4, Buku 1, Jakarta: Salemba
Empat.
[8] Stockdale, Rosemary & Borovicka,
Rosemary, 2006,Using Quality Dimensions
in the Evaluation of Websites. Paper
presented at the meeting of the Proceedings
of the International Conference in Lausanne,
Switzerland.
[9] Swaid, Samar., & Wigand, Rolf T., 2009,
Measuring The Quality Of E-Service: Scale
Development And Initial Validation. Journal
of Electronic Commerce Research, 10 (1),
13-28.
[10] Tate et al., 2007,Perceived Service Quality in
a University Web Portal: Revising the E-
Qual Instrument. Paper presented at the
meeting of the Proceedings of the 40th
Annual Hawaii International Conference on
System Sciences, Waikoloa.
[11] Vuljak, Ivan, & Mekovec, Renata, 2012, E-
Service Quality on Faculty Web Portals,
Exploring the Student's Perspective. Paper
presented at the meeting of the Central
European Conference on Information and
Intelligent Systems, Kroasia.
[12] Y.N. Li, K. C. Tan & M. Xie, 2002,
Measuring Web-based Service Quality.
Total Quality Management, 13 (5), 685-700.
[13] Zhang, Tao,2006,A Study of Government e-
Service Quality and It’s Effect on Public
Satisfaction. China: Macau University of
Science and Technology.
183
Seminar Nasional Informatika 2014

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN

METODE BACKPROPAGATION NEURAL NETWORK
Yudhi Andrian1, Erlinda Ningsih2
1
Dosen Teknik Informatika, STMIK Potensi Utama
2
Mahasiswa Sistem Informasi, STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Tanjung Mulia-Medan
1
yudhi.andrian@gmail.com, 2erlinda.301093@gmail.com

Abstrak

Besarnya curah hujan yang terjadi tidak dapat ditentukan secara pasti, namun dapat diprediksi atau
diperkirakan. Dengan menggunakan data historis besarnya curah hujan beberapa waktu yang lampau, maka
dapat diprediksi berapa besarnya curah hujan yang terjadi pada masa yang akan datang. Jaringan saraf tiruan
(Artificial Neural Network) sebagian besar telah cukup handal dalam pemecahan masalah, salah satunya
adalah prediksi curah hujan dengan metode backpropagation. Pada penelitian ini, penulis mencoba
memprediksi curah hujan di kota medan menggunakan metode backpropagation neural network. Dari hasil
penelitian dapat disimpulkan antara lain : Pengujian dengan hidden 5 memiliki akurasi yang lebih baik
dibandingkan dengan hidden 6, 7, dan 8. Nilai akurasi tertinggi di dapat dari pengujian data dengan jumlah
hidden 5 dan target error 0.0072 yaitu 43.27 %. Semakin kecil target error, maka jumlah iterasi akan
semakin besar. hidden layer yang lebih besar tidak selalu menyebabkan jumlah iterasi meningkat.

Kata kunci : Prediksi curah hujan, backpropagation, neural network

1. Pendahuluan saling interkoneksi secara non-linier. Neuron

Secara umum pola musim di Indonesia
dikenal dengan pola Monsun. Pola monsun ini
sangat dipengaruhi oleh angin monsun yang
menghasilkan dua musim yakni musim hujan dan
musim kemarau. Puncak musim hujan terjadi
pada bulan Desember, Januari dan Februari
sedangkan puncak musim kemarau terjadi pada
bulan Juni, Juli dan Agustus [1]. Kondisi cuaca
sangat berpengaruh dalam kehidupan sehari-hari,
seperti dalam bidang pertanian, transportasi dan
industri. Maka dari itu pengamatan terhadap
kondisi cuaca, khususnya kondisi curah hujan
sangat penting dilakukan [3].
Besarnya curah hujan yang terjadi tidak
dapat ditentukan secara pasti, namun dapat
diprediksi atau diperkirakan. Dengan
menggunakan data historis besarnya curah hujan
beberapa waktu yang lampau, maka dapat
diprediksi berapa besarnya curah hujan yang
terjadi pada masa yang akan datang. Banyak cara
yang dapat dilakukan untuk memprediksi
besarnya curah hujan di suatu tempat, salah
satunya adalah menggunakan teknik jaringan
syaraf tiruan (Artificial Neural Network)[3].
Jaringan Saraf Tiruan (Artificial Neural
Network) sebagian besar telah cukup handal
selama beberapa tahun terakhir dalam pemecahan
masalah. Jaringan saraf tiruan menyediakan
metodologi yang sangat handal dalam pemecahan
masalah non-linier. Jaringan saraf tiruan
terinspirasi oleh otak manusia di mana neuron
saling terhubung satu sama lain melalui suatu
jaringan. Jaringan ini yang dilatih menggunakan
algoritma backpropagation yang mengikuti
Gradient Descent Method [2].
Pai, Maya L., et al. (2014) mengungkapkan
bahwa parameter laut sangat mempengaruhi
dalam memprediksi curah hujan monsun barat
selatan menggunakan teknik jaringan saraf tiruan.
Hasil penelitian menunjukan bahwa metode JST
dapat diterapkan dalam memprediksi curah hujan
[4].
Pratiwi, Dian, et al. (2011) menggunakan
metode backpropagation untuk memprediksi
keparahan penyakit osteoarthritis. Penggunaan
metode backpropagation neural network terbukti
sebagai salah satu metode untuk
mengklasifikasikan atau memprediksi keparahan
penyakit osteoarthritis berdasarkan warna dan
tekstur dengan persentase akurasi 66,6% [5].
Masing-masing metode yang telah
dijelaskan di atas dapat diterapkan dalam
memprediksi suatu keadaan yang akan datang.
Pada penelitian ini penulis mencoba memprediksi
curah hujan di Kota Medan dengan metode
backpropagation neural network dengan
menggunakan data curah hujan tahun 1997 –
2012. Penelitian ini bertujuan untuk mengetahui
jumlah hidden layer dan target error yang tepat
untuk digunakan dalam memprediski curah hujan
di kota Medan sehingga menghasilkan akurasi
yang lebih baik.

184
 Seminar Nasional Informatika 2014

Neural Network pola input pelatihan, kemudian hitung

Neural Network / Jaringan Saraf Tiruan error, ditunjukkan dengan persamaan (5).
(JST) adalah paradigma pengolahan informasi
yang terinspirasi oleh sistem saraf secara biologis, f’ adalah turunan dari fungsi aktivasi.
seperti proses informasi pada otak manusia. Kemudian hitung korelasi bobot,
Elemen kunci dari paradigma ini adalah struktur ditunjukkan dengan persamaan (6).
dari sistem pengolahan informasi yang terdiri dari (6)
sejumlah besar elemen pemrosesan yang saling
berhubungan (neuron), bekerja serentak untuk Dan menghitung koreksi bias, ditunjukkan
menyelesaikan masalah tertentu. dengan persamaan (7).
Cara kerja JST seperti cara kerja manusia, (7)
yaitu belajar melalui contoh. Lapisan-lapisan
penyusun JST dibagi menjadi 3, yaitu lapisan Sekaligus mengirimkan δk ke unit-unit
input (input layer), lapisan tersembunyi (hidden yang ada di lapisan paling kanan.
layer), dan lapisan output (ouput layer) [6]. 4) Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menjumlahkan delta input-nya (dari unit-
Metode Backpropagation unit yang berada pada lapisan di
Arsitektur backpropagation merupakan kanannya), ditunjukkan dengan persamaan
salah satu arsitektur jaringan saraf tiruan yang (8).
dapat digunakan untuk mempelajari dan (8)
menganalisis pola data masa lalu lebih tepat ∑
sehingga diperoleh keluaran yang lebih akurat
(dengan kesalahan atau error minimum) [3]. Untuk menghitung informasi error,
Langkah-langkah dalam membangun kalikan nilai ini dengan turunan dari fungsi
algoritma backpropagation adalah sebagai berikut aktivasinya, ditunjukkan dengan
[6]: persamaan (9).
e. Inisialisasi bobot (ambil nilai random yang (9)
cukup kecil). Kemudian hitung koreksi bobot,
f. Tahap perambatan maju (forward ditunjukkan dengan persamaan (10).
propagation) (10)
4) Setiap unit input (X1, i=1,2,3,…,n) Setelah itu, hitung juga koreksi bias,
menerima sinyal xi dan meneruskan sinyal ditunjukkan dengan persamaan (11).
tersebut ke semua unit pada lapisan (11)
tersembunyi. h. Tahap perubahan bobot dan bias
5) Setiap unit tersembunyi (Z1, j=1,2,3,…,p) 3) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan bobot sinyal input, dilakukan perubahan bobot dan bias
ditunjukkan dengan persamaan (1). (j=0,1,2,…,p), ditunjukkan dengan
persamaan (12).
∑ (1) (12)

Dan menerapkan fungsi aktivasi untuk

Setiap unit tersembunyi (Zj, j=1,2,3,…,p)
menghitung sinyal output-nya, ditunjukkan
dengan persamaan (2). dilakukan perubahan bobot dan bias
(i=0,1,2,…,n), ditunjukkan dengan
(2)
persamaan (13).
(13)
Fungsi aktivasi yang digunakan adalah
4) Tes kondisi berhenti.
fungsi sigmoid, kemudian mengirimkan
sinyal tersebut ke semua unit output.
6) Setiap unit output (Yk, k=1,2,3,…,m)
menjumlahkan bobot sinyal input, 2. Metode Penelitian
ditunjukkan dengan persamaan (3).
Penelitian ini bertujuan untuk memprediksi
∑ (3) curah hujan di Kota Medan menggunakan metode
Dan menerapkan fungsi aktivasi untuk backpropagation neural network. Penulis ingin
menghitung sinyal output-nya, ditunjukkan mengetahui apakah dengan menggunakan metode
dengan persamaan (4). backpropagation neural network dapat
(4)
memprediksi curah hujan di kota Medan dengan
g. Tahap perambatan balik (backpropagation) akurasi yang lebih baik.
3) Setiap unit output (Yk, k=1,2,3,…,m) (5) Untuk mencapai tujuan tersebut, penulis
menerima pola target yang sesuai dengan akan melakukan pengujian dengan menggunakan
data sekunder curah hujan bulanan Kota Medan

185
Seminar Nasional Informatika 2014

tahun 1997 – 2012. Data bersumber dari BMKG
Stasiun Polonia, Kota Medan.
Prediksi curah hujan dengan
backpropagation neural network digunakan
langkah-langkah sebagai berikut:
e. Memisahkan data yang akan digunakan
sebagai data pelatihan dan data uji. Data curah
hujan tahun 1997 – 2008 akan digunakan
sebagai data pelatihan selama perancangan
JST sedangkan data tahun 2009 – 2012
digunakan sebagi data pengujian.
f. Desain JST
Desain JST dilakukan untuk prediksi curah
hujan bulanan dimulai dengan menentukan
banyaknya data masukan yang digunakan,
banyaknya layar tersembunyi (hidden layer)
yang digunakan, dan banyaknya keluaran
yang diinginkan. Data yang digunakan sebagai
masukan sebanyak 8 data (8 tahun) dan data
keluaran atau target adalah data pada tahun
ke-9 (data input 1997 – 2004 dengan target
2005). Untuk mengetahui curah hujan pada
tahun ke-10 maka data masukannya
merupakan data pada tahun ke-2 sampai tahun
ke-9 (data input 1998 – 2005 dengan target
2006), demikian seterusnya. Desain JST
prediksi curah hujan dapat dilihat pada
gambar 1.
Input Layer Hidden Layer Output Layer
g. Pengenalan pola (pelatihan)
Pengenalan pola dilakukan dengan cara
penyesuaian nilai bobot. Penghentian
penyesuaian bobot dalam pengenalan pola
apabila error yang dihasilkan mencapai target
error. Error dihitung setelah tahapan forward
propagation. Apabila error lebih besar dari
target error maka pelatihan akan dilanjutkan
ke tahap backward propagation sampai error
yang dihasilkan mencapai target error.
h. Pengujian dan prediksi
Pengujian dilakukan bertujuan untuk
mengetahui tingkat keakuratan sistem JST
yang telah dibuat dalam memprediksi data
curah hujan pada tahun tertentu. Sedangkan
prediksi bertujuan untuk memprediksi data
curah hujan yang akan datang.
3. Hasil dan Analisa
Untuk mengetahui apakah aplikasi yang
dibuat telah berjalan dengan baik, maka dilakukan
pengujian. Data curah hujan tahun 1997 – 2008
akan digunakan sebagai data pelatihan sedangkan
data tahun 2009 – 2012 digunakan sebagai data
pengujian. Proses yang ditempuh untuk prediksi
curah hujan menggunakan backpropagation
neural network meliputi tahap training, tahap
pengujian dan tahap prediksi. Tabel 1 merupakan
input data curah hujan tahun 1997 – 2008.

x1 Tabel 1(a). Data Input Tahun 1997 sampai

2004 dengan Target 2005

1997 1998 1999 2000 2001 2002 2003 2004 2005

x2 v1 106.8 181 315 59 216.5 90.8 169.4 138.8 189.1
96.9 50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9
134.4 29,4 196.6 182.2 158 96.5 162.6 237.9 62.5
109.8 35.3 322 115 164.8 73.4 285.3 88.5 168.2
x3 v2 80.9 133.5 302.6 60.3 252.8 195.2 245.7 68 229.5
175.3 144.6 256.2 191.1 306.7 191.7 196.3 200.5 174
225.8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8
95.7 381 78.6 342.6 417.6 156.3 282 204.3 145.7
x4 v3 290.6 170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5
391.1 340.3 204.1 367.5 733 363.8 471.9 377.5 175.5
y1 265.4 275.8 126.4 108 467.6 164.3 125.4 141.2 206.4
182.4 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4
x5 v4
Tabel 1(b). Data Input Tahun 1998 sampai
2005 dengan Target 2006
x6 v5
1998 1999 2000 2001 2002 2003 2004 2005 2006
181 315 59 216.5 90.8 169.4 138.8 189.1 103.9
50.2 268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5
x7 v6 29,4 196.6 182.2 158 96.5 162.6 237.9 62.5 121.2
35.3 322 115 164.8 73.4 285.3 88.5 168.2 225.5
133.5 302.6 60.3 252.8 195.2 245.7 68 229.5 300.5
144.6 256.2 191.1 306.7 191.7 196.3 200.5 174 251.4
x8 213 29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1
381 78.6 342.6 417.6 156.3 282 204.3 145.7 148.3
170.8 407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6
340.3 204.1 367.5 733 363.8 471.9 377.5 175.5 271.4
275.8 126.4 108 467.6 164.3 125.4 141.2 206.4 148.4
Gambar 1. Desain Backpropagation Neural 394.2 456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6
Network

186
 Seminar Nasional Informatika 2014

Tabel 1(c). Data Input Tahun 1999 sampai Tabel 2(b). Data Hasil Normalisasi Tahun 1998
2006 dengan Target 2007 sampai 2005 dengan Target 2006
1999 2000 2001 2002 2003 2004 2005 2006 2007 1998 1999 2000 2001 2002 2003 2004 2005 2006
315 59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 0.2904 0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052
0.1459 0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346
268.8 86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 0.123 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244
196.6 182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 0.1295 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362
322 115 164.8 73.4 285.3 88.5 168.2 225.5 277.2 0.2379 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4224
302.6 60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 0.2502 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827 0.3682
256.2 191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 0.3257 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 0.211
0.5113 0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.2543
29.9 121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6
0.2791 0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163
78.6 342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 0.4663 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902
407.2 451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 0.3951 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544
204.1 367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 0.5258 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733
126.4 108 467.6 164.3 125.4 141.2 206.4 148.4 374.1
456.3 173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4
Tabel 2(c). Data Hasil Normalisasi Tahun 1999
Tabel 1(d). Data Input Tahun 2000 sampai sampai 2006 dengan Target 2007
2007 dengan Target 2008 1999 2000 2001 2002 2003 2004 2005 2006 2007
0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052 0.2778
0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346 0.1
2000 2001 2002 2003 2004 2005 2006 2007 2008 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244 0.1593
59 216.5 90.8 169.4 138.8 189.1 103.9 169.6 126.7 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362 0.3966
86.7 15.1 78.5 85.7 200.8 43.9 130.5 8.6 16.2 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4224 0.4552
182.2 158 96.5 162.6 237.9 62.5 121.2 62.3 126.8 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827 0.3682 0.2003
115 164.8 73.4 285.3 88.5 168.2 225.5 277.2 146 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 0.211 0.3794
0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.2543 0.2599
60.3 252.8 195.2 245.7 68 229.5 300.5 330.2 172.5
0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163 0.3738
191.1 306.7 191.7 196.3 200.5 174 251.4 99.4 62 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902 0.4255
121.9 121.3 139.2 312.1 206.8 210.8 109.1 261.6 276.8 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544 0.5036
342.6 417.6 156.3 282 204.3 145.7 148.3 153.4 195.7 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733 0.3317
451.1 395.7 382.5 561.5 475.3 290.5 385.6 256.5 294.8
367.5 733 363.8 471.9 377.5 175.5 271.4 303.3 342.2
108 467.6 164.3 125.4 141.2 206.4 148.4 374.1 412.5 Tabel 2(d). Data Hasil Normalisasi Tahun 2000
173.6 342.5 102.2 187.7 166.4 311.4 346.6 218.4 245.7
sampai 2007 dengan Target 2008
Sebelum diproses data-data input tersebut 2000 2001 2002 2003 2004 2005 2006 2007 2008
0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 0.2052 0.2778 0.2304
akan dinormalisasi. Normalisasi terhadap data 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.2346 0.1 0.1084
0.2917 0.265 0.1971 0.2701 0.3532 0.1595 0.2244 0.1593 0.2305
dilakukan agar keluaran jaringan sesuai dengan 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 0.3362 0.3966 0.2517
fungsi aktivasi yang digunakan. Data-data 0.1571
0.3015
0.3697
0.4292
0.3061
0.3022
0.3618
0.3072
0.1656
0.3119
0.344
0.2827
0.4224
0.3682
0.4552
0.2003
0.281
0.159
tersebut dinormalisasi dalam interval [0, 1] karena 0.2251
0.4689
0.2245
0.5517
0.2442
0.2631
0.4352
0.4019
0.3189
0.3161
0.3233
0.2514
0.211
0.2543
0.3794
0.2599
0.3962
0.3066
dalam prediksi curah hujan, nilai curah hujan 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113 0.5163 0.3738 0.4161
0.4964 0.9 0.4923 0.6117 0.5074 0.2843 0.3902 0.4255 0.4684
pasti bernilai positif atau 0. Selain itu juga terkait 0.2098 0.6069 0.2719 0.229 0.2464 0.3184 0.2544 0.5036 0.5461
0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 0.4733 0.3317 0.3618
fungsi aktivasi yang diberikan yaitu sigmoid
biner.
Setelah data dinormalisasi, maka akan di
Fungsi sigmoid adalah fungsi asimtotik
generate nilai bobot input ke hidden awal, bias
(tidak pernah mencapai 0 ataupun 1) maka
input ke hidden, bobot hidden ke output, dan bias
transformasi data hendaknya dilakukan pada
hidden ke output. Data bobot digenerate secara
interval yang lebih kecil yaitu [0.1, 0.8],
acak antara 0 sampai dengan 1. Tabel 3
ditunjukkan dengan persamaan (14).
menunjukkan hasil generate nilai bobot.
(14)
Tabel 3. Hasil generate Nilai Bobot
a adalah data minimum, b adalah data maksimum, Bobot Input Ke Hidden Awal
x adalah data yang akan dinormalisasi dan x’ 0.3528 0.2667 0.2898 0.1448 0.151 0.3874
adalah data yang telah ditransformasi. Tabel 2 0.007 0.3804 0.4072 0.3545 0.0227 0.207
merupakan hasil normalisasi data input. 0.4313 0.3952 0.1868 0.481 0.4357 0.0281
0.4748 0.182 0.2624 0.3836 0.0268 0.2962
0.2344 0.1491 0.3113 0.3239 0.1319 0.1397
Tabel 2(a). Data Hasil Normalisasi Tahun 1997
0.4149 0.4123 0.2946 0.493 0.4555 0.1134
sampai 2004 dengan Target 2005 0.3476 0.49 0.122 0.2669 0.0532 0.4997
0.3381 0.0079 0.2876 0.05 0.0515 0.3994
1997 1998 1999 2000 2001 2002 2003 2004 2005
0.2078 0.2904 0.4384 0.1557 0.3296 0.1908 0.2776 0.2438 0.2993 Bias Input Ke Hidden
0.1972 0.1459 0.3874 0.1863 0.1072 0.1772 0.1851 0.3123 0.139 0.1422 0.0228 0.1479 0.191 0.1505 0.4743
0.2389 0.123 0.308 0.2917 0.265 0.1971 0.2701 0.3532 0.1595
0.2118 0.1295 0.4461 0.2175 0.2725 0.1716 0.4056 0.1882 0.2763 Bobot Hidden ke Output
0.1798 0.2379 0.4247 0.1571 0.3697 0.3061 0.3618 0.1656 0.344 0.4899 0.2007 0.1391 0.0802 0.0814 0.3233
0.2841 0.2502 0.3734 0.3015 0.4292 0.3022 0.3072 0.3119 0.2827
0.3399 0.3257 0.1235 0.2251 0.2245 0.2442 0.4352 0.3189 0.3233 Bias Hidden ke Output
0.1962 0.5113 0.1773 0.4689 0.5517 0.2631 0.4019 0.3161 0.2514 0.367
0.4114 0.2791 0.5402 0.5887 0.5275 0.5129 0.7106 0.6154 0.4113
0.5224 0.4663 0.3159 0.4964 0.9 0.4923 0.6117 0.5074 0.2843
0.3836 0.3951 0.2301 0.2098 0.6069 0.2719 0.229 0.2464 0.3184
0.2919 0.5258 0.5944 0.2822 0.4687 0.2034 0.2978 0.2743 0.4344 Tahap selanjutnya adalah trainning. Proses
training dilakukan sampai error yang dihasilkan
sesuai atau lebih kecil dari target error. Gambar 2
merupakan grafik penurunan kuadrat error hasil

187
Seminar Nasional Informatika 2014

training dengan target error 0.01 dan jumlah Tabel 5(b). Hasil Pengujian dengan Target
hidden layer 6. Error 0.008

Jumlah Kuadrat Iterasi Akurasi

Hidden Error
5 0.0079 160 42.79 %
6 0.0079 186 42.35 %
7 0.0079 218 41 %
8 0.0079 241 41.21 %

Tabel 5(c). Hasil Pengujian dengan Target

Error 0.0072
Gambar 2. Grafik Penurunan Kuadrat Error
Jumlah Kuadrat Iterasi Akurasi
Pada gambar 1 dapat dilihat bahwa penurunan Hidden Error
kuadrat error berhenti dan mencapai target error 5 0.0072 4500 43.27 %
0.01 dengan jumlah iterasi sebanyak 66. Proses 6 0.0072 4500 43.21 %
trainning akan memperbaiki bobot nilai random. 7 0.0072 2000 42.88 %
Hasil bobot yang telah diperbaiki melalui proses 8 0.0072 3000 43.4 %
training ditunjukkan pada tabel 4. Pada tabel 4
dapat dilihat bahwa semua nilai bobot telah Pada tabel 5(a), dapat dilihat bahwa
berubah. pengujian dengan jumlah hidden 5 memiliki
akurasi yang lebih baik dari pada pengujian
Tabel 4. Nilai Bobot Hasil Training menggunakan hidden 6, 7, dan 8 yaitu 26.44%
Bobot Input Ke Hidden Hasil Training dan jumlah iterasi sebanyak 70. Pada tabel 5(b),
0.375 0.2489 0.243 0.0915 0.0151 0.3219 pengujian dengan jumlah hidden 5 memiliki nilai
0.507 0.5646 0.385 0.3017 -0.555 0.0807 akurasi yang lebih baik dari pada pengujian
0.797 0.5195 0.149 0.4197 -0.04 -0.0942 menggunakan hidden 6, 7, dan 8 yaitu 42.79%
0.764 0.2667 0.216 0.3144 -0.367 0.1891
dan jumlah iterasi sebanyak 160. Pada tabel 5(c),
0.493 0.222 0.264 0.2557 -0.234 0.0355
0.58 0.4521 0.253 0.436 0.1868 0.0288 pengujian dengan jumlah hidden 5 memiliki nilai
0.518 0.535 0.083 0.2135 -0.219 0.4158 akurasi yang lebih baik dari pada pengujian
0.594 0.088 0.249 -0.006 -0.31 0.2963 menggunakan hidden 6, 7, dan 8 yaitu 43.27%
Bias Input Ke Hidden Hasil Training dan jumlah iterasi sebanyak 4500. Dari ke-3 tabel
-0.29 -0.205 0.02 0.0784 0.1885 0.3498 di atas dapat disimpulkan bahwa pengujian
Bobot Hidden Ke Output Hasil Training dengan menggunakan hidden 5 dan target error
1.086 0.6341 0.238 0.2438 -0.986 -0.1135
Bias Hidden Ke Output Hasil Training
0.0072 memiliki nilai akurasi yang lebih baik
-1.67 dibandingkan dengan pengujian lainnya yaitu
43.27%.
Setelah tahap tranning, tahap berikutnya Pada tabel 5 dapat dilihat bahwa target error
adalah pengujian. Tahap pengujian digunakan yang berbeda akan menghasilkan jumlah iterasi
untuk menguji validasi data yang telah dilakukan yang berbeda pula. Semakin kecil target error,
pada proses training dengan memasukkan data maka jumlah iterasi akan semakin besar. Pada
baru yang belum pernah dilatih sebelumnya tabel 5 dapat dilihat juga bahwa jumlah hidden
untuk mengetahui keakurasian dari sistem yang yang berbeda maka jumlah iterasi juga berbeda.
telah dibuat. Data tahun 2009 – 2012 digunakan Jumlah hidden layer yang lebih besar tidak selalu
sebagai data pengujian. Pengujian dilakukan menyebabkan jumlah iterasi meningkat.
dengan memvariasikan jumlah hidden layer dan Tahap terakhir yaitu melakukan prediksi
memvariasikan nilai target error. Hasil pengujian curah hujan untuk beberapa tahun berikutnya
dapat dilihat pada tabel 5. dengan mengambil nilai akurasi tertinggi dari
hasil pengujian yaitu 43.27%. Tahap prediksi
Tabel 5(a). Hasil Pengujian dengan Target curah hujan di kota Medan menggunakan metode
Error 0.01 backpropagation neural network menggunakan
Jumlah Kuadrat Iterasi Akurasi data Input Tahun 2005 sampai 2012. Hasil
Hidden Error prediksi curah hujan di kota Medan dapat dilihat
5 0.0099 70 26.44 % pada tabel 6.
6 0.0099 66 26.27 %
7 0.0099 62 22.48 %
8 0.0099 76 21.71 %

188
 Seminar Nasional Informatika 2014

Tabel 6. Hasil Prediksi Curah hujan di Kota 5. Pada hasil prediksi rata-rata curah hujan
Medan tertinggi pada tahun 2013 terjadi pada bulan 5
yaitu 315.8.
Tahun 2013 2014 2015 2016 2017 Daftar Pustaka
Bulan
1 122.7 143 153 168.9 154.3
2 108.3 86.4 98.9 109.7 104 [1] Ihwan, Andi, 2013, Metode Jaringan Saraf
3 153.2 141 176.5 204.1 179.2 Tiruan Propagasi Balik untuk Estimasi
4 211.4 195.9 163 158.7 143.4 Curah Hujan Bulanan di Ketapang
5 315.8 281.4 227.6 231.8 170 Kalimantan Barat, Prosiding Semirata
6 138.3 110.1 117.4 133.2 143.9
7 189.1 225.9 197.5 175.9 173
FMIPA Universitas Lampung.
8 154.4 157.5 196.9 247.2 249.4 [2] Naik, Arti R. and S.K.Pathan, 2012,
9 254.3 227.2 239.8 208.3 162.5 Weather Classification and Forecasting
10 290 264.2 244.2 214.6 211.9 using Back Propagation Feed-forward
11 224.3 289 228.6 172.9 197.8 Neural Network, International Journal of
12 238 196.2 162.6 129.3 160.4
Scientific and Research Publications,
Volume 2, Issue 12, December.
Pada tabel 6 dapat dilihat bahwa rata-rata [3] Oktaviani, Cici dan Afdal, 2013, Prediksi
curah hujan tertinggi pada tahun 2013 terjadi pada Curah Hujan Bulanan Menggunakan
bulan 5, tahun 2014 terjadi pada bulan 11, tahun Jaringan Syaraf Tiruan dengan Beberapa
2015 terjadi pada bulan 10, tahun 2016 terjadi Fungsi Pelatihan Backpropagation, Jurnal
pada bulan 8, dan tahun 2017 terjadi pada bulan Fisika Unand, Vol. 2, No. 4, Oktober.
8. [4] Pai, Maya L., et al, 2014, Long Range
Forecast on South West Monsoon Rainfall
4. Kesimpulan using Artificial Neural Networks based on
Clustering Approach, I.J. Information
Dari hasil penelitian dapat diambil beberapa Technology and Computer Science, 2014,
kesimpulan antara lain: 07, 1-8.
1. Pengujian dengan hidden 5 memiliki akurasi [5] Pratiwi, Dian, et al, (2011), An Application
yang lebih baik dibandingkan dengan hidden Of Backpropagation Artificial Neural
6, 7, dan 8. Network Method for Measuring The
2. Nilai akurasi tertinggi di dapat dari pengujian Severity of Osteoarthritis, International
data dengan jumlah hidden 5 dan target error Journal of Engineering & Technology IJET-
0.0072 yaitu 43.27 %. IJENS, Vol: 11 No: 03.
3. Target error yang berbeda akan menghasilkan [6] Sutojo, T., et al, 2010, Kecerdasan Buatan,
jumlah iterasi yang berbeda pula. Semakin Yogyakarta: Andi Offset.
kecil target error, maka jumlah iterasi akan
semakin besar.
4. Jumlah hidden yang berbeda maka jumlah
iterasi juga berbeda. Jumlah hidden layer yang
lebih besar tidak selalu menyebabkan jumlah
iterasi meningkat.

189
Seminar Nasional Informatika 2014

MONITORING LOG SERVICE PADA SERVER BERBASIS WEB

MENGGUNAKAN PHPSHELL
Ni Kadek Ariasih1, Dandy Pramana Hostiadi2

Sistem Informasi, STMIK STIKOM Bali

Jl. Raya Puputan No. 86 Renon Denpasar – Bali
1
adek1215@yahoo.com, 2dan_ganx_cil@yahoo.co.id

Abstrak

Server merupakan perangkat utama dalam sebuah sistem komunikasi jaringan yang berfungsi sebagai
penyedia layanan atau service dalam sebuah jaringan. Sebagai penyedia layanan,service sistem yang berjalan
pada server harus mampu berjalan selama 24 jam penuh. Sehingga untuk memantau jalannya service pada
server diperlukan pencatatan dalam bentuk log serviceyang bersifat realtimeuntuk mencatat aktifitas service
yang berjalan pada server. Kendala umum yang terjadi adalah seorang administrator jaringan harus secara
manual melakukan pembacaan log service pada server dengan cara satu per satu. Dalam penelitian yang
dilakukan pada penulisan ini, monitoring log service yang dibangun adalah melakukan pembacaan sejumlah
service secara realtime yang berjalan pada server tanpa harus berinteraksi langsung dengan server. Sistem
monitoring yang dibangun dapat digunakan oleh administrator jaringan melalui internet yaitu sebuah website
dengan memanfaatkan modul phpshell sehingga pengawasan terhadap service yang dijalankan oleh server
dapat dilakukan lebih mudah dan realtime. Hasil akhir dari penelitian yang dilakukan menunjukan bahwa
sistem monitoring mampu melakukan pembacaan terhadap log service yang di tampilkan dalam bentuk web
menggunakan phpshell sehingga dapat membantu administrator dalam hal pembacaan log service.

Kata kunci : server, service, log service,administrator,monitoring

1. Pendahuluan yang dilakukan. Log service pada perangkat

Penggunaan perangkat server dalam
jaringan komputer merupakan hal utama yang di
prioritaskan oleh sebuah perusahaan, khususnya
bagi perusahaan yang proses komunikasinya
bergantung pada IT Networking . Perangkat
server memiliki pengertian sebagai suatu
perangkat komputer yang didesain khusus dalam
hal spesifikasinya yang berfungsi sebagai
penyedia layanan atau service dalam komunikasi
sistem infrastruktur jaringan komputer. Perangkat
server umumnya dioperasikan 24 jam per hari dan
memberikan layanan komunikasi dalam jaringan
komputer. Beberapa model layanan atau service
yang dijalankan anatara adalah layanan
webserver, dhcp server, ftp server, file sharing,
remote access, dll. Disisi lain seorang
administrator jaringan memerlukan suatu sistem
monitoring. Sistem monitoring yang dimaksud
adalah sistem yang mampu menampilkan kondisi
service yang berjalan dalam server. Salah satu
cara yang umum digunakan oleh administrator
jaringan dalam mengontrol service server adalah
dengan membaca secara manual sebuah log
service. Log service adalah catatan atau riwayat
pengaksesan ke sebuah sistem service yang
dijalan oleh sebuah server. Biasanya seorang
administrator akan menggunakan remote akses ke
server dan membaca log service yang dimiliki
dalam server sebagai proses monitoring service
server sendiri memiliki tempat penyimpanan yang
terpisah antara satu service dengan service yang
lain, dan memiliki struktur penempatan yang
berbeda. Hal ini menyebabkan seorang
administrator harus menghafal tempat log service
sebagai acuan memonitorservice yang berjalan.
Saat ini penggunaan sebuah sistem informasi
mengarah kepada pengembangan web. Hal ini
disebakan karena fitur yang dimiliki sebuah
website mampu dikembangkan oleh pengembang
secara interaktif dan atraktif [1]. Penggunaan web
ini dapat dimanfaatkan sebagai proses monitoring
log service dalam server. Pembacaan log yang
sesuai dengan kebutuhan monitoring akan
memudahkan seorang administrator jaringan
untuk memonitor keadaan service dalam server
tanpa perlu melakukan remote akses ke server.
Berdasarkan hal tersebut pemanfaatan dari sebuah
web sebagai proses monitoring log service akan
dapat membantu dalam pengontrolan service
dalam server
2. Landasan Teori
A. Jaringan Komputer
Jaringan komputer merupakan sekumpulan
komputer yang saling terhubung satu dengan yang
lainnya ,melakukan proses komunikasi, saling
terintegrasi untuk mencapai suatu tujuan dengan
menggunakan protocol yang mengatur proses

190

komunikasinya[2]. Tujuan dari pembangunan
sebuah jaringan komputer adalah sharing
resources, media komunikasi, web browsing dan
komunikasi[3].
Secara garis besar proses komunikasi yang
dilakukan komputer dam jaringan komputer dapat
kita gambarkan seperti berikut
Gambar 1. Komunikasi Jaringan Komputer
Dari gambar 1 dapat dijelaskan bahwa
komputer saat berkomunikasi akan
diidentifikasikan sebagai 2 pihak, satu sebagai
source(yang merupakan sebagai asal komunikasi)
dan destination(yang merupakan sebagai tujuan
komunikasi). Dari sisi source ketika melakukan
komunikasi akan di sebut sebagai pengirim atau
istilahnya adalah transmitter sedangkan komputer
tujuan dalam proses komunikasi disebut sebagai
penerima atau istilahnya adalah receiver. Kedua
komputer akan melakukan proses komunikasi
melalui media transmisi yang diatur dalam sistem
transmisi. Umumnya selain pengaturan media
transmisi dalam system transmisi, dikenal adanya
protocol yang mengatur jalannya komunikasi
yang berlangsung. komunikasi dalam jaringan
komputer, diperlukan adanya suatu protocol
sebagai aturan berkomunikasi. Protocol sendiri
adalah suatu set yang mengatur online
komunikasi di antara beberapa buah komputer
yang ada dalam suatu jaringan. Peraturan
peraturan tersebut termasuk pedoman yang
mengatur kriteria-kriteria dalam pembangunan
jaringan komputer, termasuk di dalamnya adalah
cara atau metode akses komunikasi, topologi fisik
yang diijinkan, jenis-jenis pengkabelan dan
kecepatan pengiriman data. Dengan kata lain
dapat diibaratkan bahwa protocol adalah bahasa
komunikasi dalam jaringan komputer
B. Server
Server adalah sebuah sistem komputer yang
menyediakan jenis layanan tertentu dalam sebuah
jaringan komputer[4]. Server didukung dengan
prosesor yang bersifat scalable dan RAM yang
besar, juga dilengkapi dengan sistem operasi
khusus, yang disebut sebagai sistem operasi
jaringan atau network operating system. Server
juga menjalankan perangkat lunak administratif
Seminar Nasional Informatika 2014
yang mengontrol akses terhadap jaringan dan
sumber daya yang terdapat di dalamnya, seperti
halnya berkas atau alat pencetak (printer), dan
memberikan akses kepada workstation anggota
jaringan.
Umumnya, di atas sistem operasi server
terdapat aplikasi-aplikasi yang menggunakan
arsitektur klien/server. Contoh dari aplikasi ini
adalah DHCP Server, Mail Server, HTTP Server,
FTP Server, DNS Server dan lain sebagainya.
Setiap sistem operasi server umumnya
membundel layanan-layanan tersebut atau
layanan tersebut juga dapat diperoleh dari pihak
ketiga. Setiap layanan tersebut akan merespons
terhadap request dari klien. Sebagai contoh, klien
DHCP akan memberikan request kepada server
yang menjalankan server DHCP, ketika sebuah
klien membutuhkan alamat IP, klien akan
memberikan perintah/request kepada server,
dengan bahasa yang dipahami oleh server DHCP,
yakni protokol DHCP itu sendiri. Contoh sistem
operasi server adalah Windows NT 3.51, dan
dilanjutkan dengan Windows NT 4.0. Saat ini
sistem yang cukup populer adalah Windows
2008Server dan Windows Server 2012, kemudian
Sun Solaris, Unix, dan GNU/Linux.
Server biasanya terhubung dengan client
dengan kabel UTP dan sebuah Network Card.
Kartu jaringan ini biasanya berupa kartu PCI atau
ISA. Fungsi server sangat banyak, misalnya untuk
situs internet, ilmu pengetahuan, atau sekedar
penyimpanan data. Namun yang paling umum
adalah untuk mengkoneksikan komputer client ke
Internet.
C. PHPShell
PHPShell adalah sebuah script
menggunakan bahasa pemrograman PHP yang
umunya digunakan untuk melakukan eksekusi
perintah shell yang dilakukan oleh user.
PHPShell akan melakukan eksekusi tiap baris dari
perintah yang diketikkan oleh user melalui web
interface. Dalam implementasinya PHPShell
digunakan sebagai sebuah utility untuk
melakukan web vulnerability assessment. Dengan
kata lain PHPShell digunakan sebagai jembatan
dari user untuk berinteraksi dengan shell bash
dari server.
D. Log Service
Log client adalah sebuah pencatatan
aktivitas atau traffic yang dilakukan oleh client
pada jaringan intranet[5]. Dalam pencatatan yang
ada, log client mencatat beberapa informasi yang
diperlukan seperti tanggal saat melakukan event,
ip dari client, tujuan aktifitasnya dan informasi
port yang digunakan untuk melakukan
aktivitas[6]. Log client umumnya terdapat pada
server. Keterangan atau informasi Log client ini
digunakan dalam hal perancangan keamanan
191
Seminar Nasional Informatika 2014

jaringan komputer. Bentuk log service yang Tabel 1. Contoh Pembacaan File Log
berada pada server dapat dilihat pada gambar Nama Service Nama File Tempat File Log
berikut : Log
Authentication auth.log /var/log/
Login
ftp Vsftp/log /var/log/
Apache Access.log /var/log/apache/
webserver
access
Apache Error.log /var/log/apache/
webserver
error
Kernel modul Dmsg.log /var/log/
Gambar 2. Log Service Authentication System log Syslog.log /var/log/
Booting log Boot.log /var/log/
Pada gambar 2, merupakan contoh log
service authentication yang berada pada server. Setelah mengetahui penempatan file log
Log service authentication adalah log service service yang berada pada server, maka dilakukan
yang mencatat mengenai pengguna atau user yang pemanggilan nama file melalui web yang
melakukan aktifitas login ke server. dibangin pada sistem monitoring. Dalam hal ini
menggunakan modul phpshel. Pada php shell
3. Metodelogi yang digunakan, sebelumnya sistem web harus
memiliki hak akses yang tertinggi dalam sistem
Pada penelitian yang dilakukan, terdapat operasi linux yaitu dengan hak akses root. Proses
alur proses penelitian dari setiap tahap dilakukan pemanggilan log service yang akan dipanggil oleh
yang dapat ditunjukkan pada gambar berikut : sistem dapat ditunjukkan pada gambar berikut :

Gambar 3. Alur Proses Penelitian

hal pertama yang dilakukan adalah

pengenalan terhadap log service yang berada pada
server. Server yang digunakan dalam penelitian
adalah server yang berjalan pada sistem operasi
Linux Ubuntu yang menjalankan service auth.log,
boot.log, dmsg.log, syslog.log, vsftpd.log,
apache.logdan beberapa log lainnya. Setiap log Gambar 4. Alur Proses Pembacaan Log
service yang dijalankan memiliki penempatan log Service
yang berbeda dengan yang lainnya dan membaca
nama file log yang berbeda. Sebagai contoh Gambar 3 diatas dapat dijelaskan bahwa
pemanggilan untuk log service authentication webserver memerlukan akses root pada server
untuk melakukan pembacan log service server.
akan memanggil file log auth.log yang berada
Untuk melakukan pembacaan log service
pada /var/log/memiliki perbedaan dengan
dilakukan dengan menggunakan perintah tail –f
pembacaan error log untuk service apache
yang dijalankan pada webshell atau modul
webserver yang membaca file log error.log yang
berada pada /var/log/apache2/. Berdasarkan hal phpshell yang telah ditanam pada server.
tersebut maka dilakukan identifikasi terhadap Pemanggilan pembacaan log file akan
ditampilkan pada web monitoring log serice
pembacaan file log yang mengidentifikasian
melalui website.
terhadap service yang berjalan dapat dilihat pada
tabel berikut :
4. Pembahasan dan Hasil

Sesuai dengan pembahasan sebelumnya, hal

pertama yang dilakukan adalah melakukan

192

identifiasi terhadap file log service yang berjalan
pada server. Kemudian pembacaan dilakukan oleh
webserver melalui modul phpshell yang
dilakukan dengan mengunakan perintah tail –f
sesuai dengan pembacaan log service.
Untuk menggunakan sistem monitoring log
service yang dilakukan pertama adalah
melakukan authentication server untuk
memberikan hak akses rootwebserver. Bentuk
halaman authentication dapat dilihat pada gambar
berikut :
Gambar 5. Login Authentication
Pada gambar 4, username dan password
diisikan sesuai dengan user login yang berlaku
untuk server. Setelah melakukan validasi maka
halaman awal dapat ditunjukkan pada gambar
berikut :
Gambar 6. Halaman Awal Sistem Monitoring
Untuk menampilkan Log Service, user
dapat memilih tipe log yang ingin ditampilkan.
Salah satu bentuk hasil log service yang
ditampilkan adalah sebagai berikut :
Seminar Nasional Informatika 2014
Gambar 7. Log Service Monitoring
Gambar 6 diatas, menjelaskan salah satu
contoh hasil log service monitoring yang
ditampilkan, dimana log service yang ditampilkan
adalah log file auth.log. Pembacaan log file
service yang dilakukan bersifat realtime. Tiap
baris yang ditampilkan adalah sama dengan
penambahan catatan log service service yang
berjalan di server.
PHPShell yang digunakan dalam penelitian
ini mampu dimanfaatkan sebagai sistem
monitoringlog service yang berjalan sesuai
dengan log service yang berjalan di server.
Sehingga hasil yang didapat dalam penelitian ini
adalah menunjukkan bahwa sistem monitoring
berjalan dengan baik membaca log service secara
realtime, dan menunjukkan bahwa PHPShell
yang digunakan dalam penelitian dapat
dimanfaatkan sebagai sistem monitoring selain
sebagai penggunaannya yang digunakan sebagai
web vulnerability assessment.
.
5. Kesimpulan
Berdasarkan pada pembahasan sebelumnya,
maka dapat disimpulkan bahwa pembangunan
sistem monitoring log service dapat membantu
administrator jaringan untuk melakukan
pengawasan dalam hal pembacaan terhadap log
service yang berjalan pada server. Pembacaan log
server yang dilakukan berjalan secara realtime
sesuai dengan log yang berada pada server.
Pengembangan terhadap sistem monitoring
log service dapat dikembangkan dengan
menggabungkan teknik pengamanan jaringan
yaitu IDS. Sehingga setiap intrusi yang terjadi
pada server melalui pembacaan log service dapat
mengantisipasi serangan dalam jaringan komputer
dan memberikan peringatan kepada administrator
secara realtime.
193
Seminar Nasional Informatika 2014
Daftar Pustaka
[1] Kadir, Abdul.2009. Mastering AJAX dan
PHP. Yogyakarta : Penerbit ANDI
Yogyakarta
[2] Stalling, W.Local Network, Macmillan
Publishing Company, 1985
[3] Hartono,Jogianto.1999.Pengenalan Komputer,
dasar ilmu komputer, pemrograman,sistem
informasi dan intelegnsi buatan.Yogyakarta :
Penerbit ANDI Yogyakarta
194
[4] Irawan.2008.Linux Untuk Orang Awam.
Palembang :Penerbit Maxikom.
[5] Iztok Humar, Janez BeSter.2003. Computer as
a tool for IP network traffic measurement.
IEEE: 0-7803-7763-X/03
[6] Joko I. Mumpuni dan Adisuryo Wardono.
2006. Meningkatkan Kemampuan Jaringan
Komputer. Yogyakarta : ANDI.
 Seminar Nasional Informatika 2014

ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN

MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN
ALGORITMA APRIORI
Harris Kurniawan1, Fujiati2, Alfa Saleh3

STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
ch0c0_pahmen@yahoo.com, fujiati.00@gmail.com, alfasoleh1@gmail.com

Abstrak

Rumah Sakit adalah tempat untuk menangani pasien dari berbagai daerah dan jenis penyakit pasien tersebut
berbeda-beda, karena cara hidup dan lingkungan berperan dalam perjalanan penyakit. Berdasarkan hal tersebut
untuk meningkatkan upaya menurunkan angka kesakitan dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem yang dapat mendeteksi
timbulnya penyakit sehingga dapat dilakukan upaya prefentif serta upaya rehabilitatif bagi penderita
penyakit dengan pendekatan yang menyeluruh, sehingga dampak terjadinya berbagai penyakit
menahun, seperti penyakit jantung koroner, penyakit pada mata, ginjal dan syaraf dapat dikurangi. Dalam
usaha peningkatan kesehatan, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi
dengan sistem informasi dan data yang akurat bagi kepentingan dinas kesehatan maupun instansi terkait
untuk pengambilan kebijakan. Salah satu alternatif sebagai solusi dari masalah tersebut adalah membuat
suatu pencarian pola atau hubungan Association rule (aturan asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang dapat digunakan untuk menemukan aturan-aturan tertentu
yang mengasosiasikan data yang satu dengan data yang lainnya dengan Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk mengidentifikasi pola data yang didasarkan pada sifat-sifat
yang teridentifikasi sebelumnya. Informasi yang dihasilkan untuk selanjutnya bisa digunakan oleh Dinas
Kesehatan setempat maupun dokter sebagai dasar untuk melakukan tindakan-tindakan yang diperlukan.

Kata Kunci : Data Mining, Association rule dan algoritma apriori

1. Pendahuluan syaraf dapat dikurangi.

Dengan bertambahnya angka harapan
hidup bangsa Indonesia perhatian masalah
kesehatan beralih dari penyakit infeksi ke
penyakit degenerative. Pada umumnya penyakit
tidak mengenal usia, karena penyakit bisa
menyerang siapapun. karena itu perlu di waspadai
serangan dari penyakit tersebut. Penyakit manusia
banyak jenisnya seperti, anemia, diabetes, jantung,
kulit, kanker, demam berdarah, typus, ginjal dan
sebagainya.
Rumah Sakit adalah tempat untuk
menangani pasien dari berbagai daerah dan jenis
penyakit pasien tersebut berbeda-beda, karena cara
hidup dan lingkungan berperan dalam perjalanan
penyakit. Berdasarkan hal tersebut untuk
meningkatkan upaya menurunkan angka kesakitan
dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang
mengarah pada pembuatan sistem yang dapat
mendeteksi timbulnya penyakit sehingga dapat
dilakukan upaya prefentif serta upaya rehabilitatif
bagi penderita penyakit dengan pendekatan yang
menyeluruh, sehingga dampak terjadinya
berbagai penyakit menahun, seperti penyakit
jantung koroner, penyakit pada mata, ginjal dan
Dalam usaha peningkatan kesehatan,
penguasaan teknologi perlu ditingkatkan. Selain itu,
juga perlu diimbangi dengan sistem informasi dan
data yang akurat bagi kepentingan dinas kesehatan
maupun instansi terkait untuk pengambilan
kebijakan. Misalnya informasi mengenai daerah
pemberantasan penyakit dan potensi adanya
penyakit dalam suatu daerah tertentu sehingga
informasi-informasi ini dapat mengarahkan
paramedis melakukan usaha pemberantasan
penyakit tersebut. Untuk mengatasi masalah dalam
pemberantasan penyakit ini, diperlukan analisa
terhadap data penyakit yang terlah didapat dari
setiap daerah yang pernah dirawat pada rumah
sakit, sehingga dapat diketahui penyakit apa yang
paling banyak dalam masing-masing daerah dan
daerah mana yang jenis penyakitnya paling
berbahaya. Dengan demikian, daerah yang utama
untuk pemberantasan penyakit tersebut dapat di
tentukan.
Salah satu alternatif sebagai solusi dari
masalah tersebut adalah membuat suatu pencarian
pola atau hubungan Association rule (aturan
asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang
dapat digunakan untuk menemukan aturan-aturan

195
Seminar Nasional Informatika 2014
tertentu yang mengasosiasikan data yang satu
dengan data yang lainnya dengan suatu metode
algoritma. Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk
mengidentifikasi pola data yang didasarkan pada
sifat-sifat yang teridentifikasi sebelumnya.
Kemudian dapat diberikan alternatif pengobatan
atau pencegahan bila ditemukan indikasi yang
mengarah pada timbulnya penyakit. Informasi
yang dihasilkan untuk selanjutnya bisa
digunakan oleh Dinas Kesehatan setempat
maupun dokter sebagai dasar untuk melakukan
tindakan-tindakan yang diperlukan.
2. Tinjauan Pustaka
Data Mining (DM)
Data mining adalah proses pengolahan
informasi dari sebuah database yang besar,
meliputi proses ekstraksi, pengenalan,
komprehensif, dan penyajian informasi sehingga
dapat digunakan dalam pengambilan keputusan
bisnis yang krusial”.[1][3]
Metodologi Data Mining
Langkah-langkah yang dibutuhkan untuk
mengerjakan implementasi Data Mining :
1. Problem Analysis, langkah ini untuk
menganalisa permasalahan dalam bisnis yang
hendak diatasi dengan menggunakan Data
Mining. Dari sini harus dibuat penilaian pada
ketersediaan data, teknologi yang dipakai dan
hasil yang diinginkan sebagai bagian dari
keseluruhan solusi.
2. Data Preparation, langkah ini untuk
mengekstrasi data dan mentransformasikannya
ke dalam format yang dibutuhkan oleh
algoritma Data Mining, termasuk di dalamnya
join tabel, menambah field baru,
membersihkan data dan sebagainya.
3. Data Exploration, langkah ini mendahului
langkah pencarian pola yang sesungguhnya.
Didalamnya terdapat proses eksplorasi secara
visual dan memberikan pengguna kemudahan
untuk menemukan kesalahan yang terjadi
dalam proses data preparation.
4. Pattern Generation, langkah ini menggunakan
cara induksi dan mengumpulkan algoritma
penelusuran untuk membuat pola-pola
tertentu.
5. Pattern Deployment, langkah ini
pengembangan pola-pola yang ditemukan
yang didesain dalam langkah problem
analysis. Pola-pola ini khusus digunakan
dalam Decision Support System (DSS), untuk
membuat laporan-laporan atau buku petunjuk,
atau memfilter data untuk tujuan pemrosesan.
6. Pattern Monitoring, kesimpulan utama dari
hasil pengembangan Data Mining adalah
kesamaan pola-pola di waktu yang lalu dapat
196
diaplikasikan untuk kondisi-kondisi yang
terjadi di masa depan. [1]
Association Rule
Association rule merupakan salah satu
teknik data mining yang paling banyak
digunakan dalam penelusuran pola pada
sistem pembelajaran unsupervised . Metodologi
ini akan mengambil seluruh kemungkinan pola -
pola yang diamati dalam basis data. Association
rule menjelaskan kejadian–kejadian yang sering
muncul dalam suatu kelompok. Bentuk umum
aturan
B1,B2,…,Bm, yang berarti jika item Ai muncul,
item Bj juga muncul dengan peluang tertentu.
Misalkan X adalah itemset. transaksi T dikatakan
mengandung X jika dan hanya
transaksi dengan tingkat kepercayaan
(confidence ) C, jika C % dari transaksi dalam
D yang mengandung X juga mengandung Y.
transaksi set D jika S% dari transaksi dalam basis
Y. Tingkat kepercayaan
menunjukkan kekuatan implikasi, dan support
menunjukkan seringnya pola terjadi dalam rule.
Mining association rule dilakukan dalam dua
tahap yaitu :
1. Mencari semua association rule yang
mempunyai minimum support (S min) dan
minimum confidence Cmin. Itemset dikatakan
sering muncul (frequent) jika Support(A)
min.
2. Menggunakan itemset yang besar untuk
menentukan association rule untuk basis
data yang mempunyai tingkat kepercayaan C
di atas nilai minimum yang telah ditentukan
(Cmin.). [2][3][4][5]
3. Analisa dan Pembahasan
Analisa Association Rule
Penerapan data mining dengan association
rule bertujuan menemukan informasi item-item
yang saling berhubungan dalam bentuk rule,
dengan demikian association rule di terapkan
pada pola data penyakit yang paling sering
muncul dengan menggunakan algoritma apriori.
Dengan demikian proses untuk menemukan
hubungan antar item ini mungkin
memerlukan pembacaan data penyakit secara
berulang-ulang dalam jumlah data penyakit yang
besar untuk menemukan pola-pola hubungan
yang berbeda, maka waktu dan biaya komputasi
tentunya juga akan sangat besar, sehingga untuk
menemukan hubungan tersebut diperlukan suatu
algoritma yang efisien.
 Seminar Nasional Informatika 2014

Tabel 1. Association Analysis pada data Analisa pola frekuensi tinggi

penyakit pasien Tahap ini mencari kombinasi item yang
NO ITEM
memenuhi syarat minimum dari nilai support dari
data penyakit. Nilai support sebuah item
1 Dyspepsia, Febris, DHF
diperoleh dengan rumus 1 berikut :

2 Vertigo, Febris, Dyspepsya

Support(A)= [rumu
RULL dditemukan
3 Vertigo, Dispepsya s 1]
{Dispepsya } {Vertigo }
{ Febris, Dispepsia {DHF}

4 CHF, Astmah, Vertigo, Dispepsya

Nilai support dari 2 item diperoleh dari rumus 2
berikut:
5 DHF, Dispepsya, Febris, Astmah
Support(A,B) =P(A B)=
..[rumus 2]

Analisis asosiasi atau association rule Data dari Penyakit pasien seperti
mining adalah teknik data mining untuk ditunjukkan dalam tabel 2 berikut :
menemukan aturan assosiatif antara suatu
kombinasi item. Aturan assosiatif dari penyakit Tabel 2. Penyakit Pasien
pasien di rumah sakit adalah dapat diketahuinya Pasien Item Penyakit
berapa besar kemungkinan seorang pasien dapat 1 Febris, Dispepsya, Anemia
mengidap penyakit TB. Paru bersamaan dengan 2 Anemia, Febris, DM
Febris. Dengan pengetahuan tersebut Dokter 3 DM, DHF, Dispepsya
yang merawat dapat mengambil tindakan 4 Dispepsya, Febris, Anemia
penolongan pertama pada pasien. 5 Febris, Anemia, Dispepsya
Khususnya salah satu tahap dari analisis 6 Dispepsya, Febris, DHF
asosiasi yang disebut analisis pola frequensi 7 Febris, Anemia, DM
tinggi (frequent pattern mining) menarik 8 Febris, DM, DHF
perhatian banyak peneliti untuk menghasilkan 9 Anemia, Dispepsya, Thyphoid
algoritma yang efisien. Penting tidaknya suatu 10 Febris, Hypertensi, Dyspepsia
aturan assosiatif dapat diketahui dengan dua 11 Hypertensi, Dispepsya. Febris
parameter, support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam Data tersebut diatas dalam database
database dan confidence (nilai kepastian) yaitu Pasien direpresentasikan dalam bentuk seperti
kuatnya hubungan antar item dalam aturan tampak pada tabel 3. berikut:
assosiatif.
Aturan assosiatif biasanya dinyatakan Tabel 3. Representasi Data Penyakit Pasien
dalam bentuk : JlhPasien Item Penyakit
2 Hypertensi
{Febris, TB.Paru} -> {Dispepsya} (support = 8 Dispepsya
40%, confidence = 50%) 6 Anaemia
4 DM
Yang artinya : "50% dari transaksi di database 9 Febris
yang memuat item Febris dan TB.Paru juga 3 DHF
memuat item Dispepsya. Sedangkan 40% dari 1 Thyphoid
seluruh transaksi yang ada di database memuat
ketiga item itu." Dapat juga diartikan : "Seorang Dan bila di bentuk dalam bentuk tabular, data
pasien yang mengidam penyakit Febris dan Penyakit Pasien akan tampak seperti pada tabel 4
TB.Paru kemungkinan 50% punya penyakit berikut:
Dispepsya. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."
Analisis asosiasi didefinisikan suatu proses untuk
menemukan semua aturan assosiatif yang
memenuhi syarat minimum untuk support
(minimum support) dan syarat
minimum untuk confidence (minimum
confidence). Dasar analisis asosiasi terbagi
menjadi dua tahap :

197
Seminar Nasional Informatika 2014

Tabel 4. Format Tabular Data Penyakit Pasien Anaemia 2 Febris 1

Hy Dis Thy Hypertensi, 0 Anaemia, 3
Ane
Pasien pert pep mia
DM Febris DHF pho DM 0 DHF 2
ensi sya id Hypertensi, 4 Anaemia, 0
1 0 1 1 0 1 0 0 Febris 1 Thypoid 2
2 0 0 1 1 1 0 0 Hypertensi, 6 DM, Febris 0
DHF 2 DM, DHF 0
3 0 1 0 1 0 1 0
Hypertensi, 1 DM,
4 0 1 1 0 1 0 0 Thypoid Thypoid
5 0 1 1 0 1 0 0 Dispepsya, Febris, DHF
Anaemia Febris,
6 0 1 0 0 1 1 0
Dispepsya, Thypoid
7 0 0 1 1 1 0 0 DM DHF,
Dispepsya, Thypoid
8 0 0 0 1 1 1 0
Febris
9 0 1 1 0 0 0 1 Dispepsya,
10 1 1 0 0 1 0 0
DHF
Dispepsya,
11 1 1 0 0 1 0 0 Thypoid

Misalkan D adalah Pasien yang

direperesentasikan dalam tabel 1, dimana masing- Tabel 6. berikut ini menujukkan calon 2-
masing Pasien T dalam D merepresentasikan itemset dari data Penyakit pada tabel 1. Dari data
himpunan item yang berada dalam I. Himpunan tersebut diatas, jika ditetapkan nilai ф = 3 maka
items A (Febris dan Dispepsya) dan himpunan F2 = { { Dispepsya, Anaemia}, { Dispepsya,
item lain B (Anemia). Kemudian aturan asosiasi Febris}, { Anaemia, Febris}{ DM, Febris}}
akan berbentuk :
Tabel 6. Calon 3-Itemset
Jika Febris dan Dispepsya Maka Febris. Combination Count
Dispepsya, Anemia, 3
Dimana antecedent A dan consequent B Febris 1
merupakan subset dari I, kemudian A dan B Dyspepsia, Febris, DHF
merupakan mutually exclusive. Definisi ini tidak
berlaku untuk aturan trivial seperti :
Dengan demikian F3 = {{ Dispepsya,
Anemia, Febris}}, karena hanya kombinasi inilah
Jika A, maka B ( A_B)
yang memiliki frekeunsi kemunculan >= ф.
Penulis hanya akan mengambil aturan
Pembentukan aturan assosiatif
yang memiliki support dan/atau confidence yang
Setelah semua pola frekuensi tinggi
tinggi. Aturan yang kuat adalah aturan-aturan
ditemukan, barulah dicari aturan assosiatif yang
yang melebihi kriteria support dan/atau
memenuhi syarat minimum untuk confidence
confidence minimum. Aturan yang memiliki
dengan menghitung confidence aturan assosiatif
support lebih dari 20 % dan confidence lebih dari
Nilai confidence
35 %. Sebuah itemset adalah himpunan item-item
diperoleh dari rumus 3 berikut:
yang ada dalam I, dan k-itemset adalah itemset
yang berisi k item. Misalnya {Febris, Dispepsya)
Confidence = P(B | A)=
adalah sebuah 2-itemset dan {Tb. Paru, Anemia,
DM) merupakan 3-itemset. Frequent Itemset
menunjukkan itemset yang memiliki frekuensi
kemunculan lebih dari nilai minimum yang telah Dari F3 yang telah ditemukan, dapat
ditentukan (ф). Misalkan ф = 3, maka semua dilihat besarnya nilai support dan confidence dari
itemset yang frekuensi kemunculannya lebih dari calon aturan asosiasi seperti tampak pada tabel 7
3 kali disebut frequent. Himpunan dari frequent k- berikut:
itemset dilambangkan dengan Fk .

Tabel 5. Calon 2-itemset

Combinasi Count Combinasi Count
Hypertensi, 2 Anaemia, 2
Dispepsya 0 DM 5
Hypertensi, 0 Anaemia, 0

198

Tabel 7. Calon Aturan Asosiasi dari F3
Confidence minimal adalah 75% maka
aturan yang bisa terbentuk adalah aturan dengan 1
antecedent berikut:
“IF Mengidam Dispepsya end Anaemia, Then
Mengidam Febris”
Sementara itu calon aturan asosiasi dari F2 bisa
dilihat pada tabel 8. berikut:
Tabel 8. Calon Aturan Asosiasi dari F2
Aturan asosiasi final terurut berdasarkan
Support x Confidence terbesar dapat dilihat pada
table 9. berikut:
Tabel 9. Aturan Asosiasi Final
Analisa Penerapan Algoritma Apriori
Apriori adalah suatu algoritma yang
sudah sangat dikenal dalam melakukan
Seminar Nasional Informatika 2014
pencarian frequent itemset, dengan association
rule. Sesuai dengan namanya, algoritma ini
menggunakan knowledge mengenai frequent
itemset yang telah diketahui sebelumnya, untuk
memproses informasi selanjutnya. Algoritma
apriori memiliki beberapa prinsip dasar yaitu :
1. Kumpulan jumlah item tunggal, dapatkan
item besar.
2. Dapatkan kandidat pairs, hitung => large
pair dari item-item.
3. Dapatkan candidate triplets, hitung => large
triplets dari item-item dan seterusnya.
4. Sebagai petunjuk : setiap sumset dari sebuah
frequent itemset harus menjadi frequent.
Pada gambar 2 adalah ilustrasi penerepan
apriori
Gambar 2. ilustrasi penerapan apriori
Bila dilihat pada Gambar 2 dimana dari
5 candidat dari 1-itemset yang memenuhi
support ≥ 2 hanya 4 candidat atau calon dari 1-
itemset ini memenuhi support yaitu 1, 2, 3, dan
5 sedangkan item 4 tidak memenuhi syarat
minimum support karena memiliki jumlah 1.
Selanjutnya dari ke 4 item yang memenuhi
syarat minimum support di gunakan untuk
mencari atau menemukan 2-itemset maka di
peroleh 6 pasang item yang menjadi candidat
dari 2-itemset, setelah itu dicari kembali item
yang memenuhi syarat minimum support.
selanjutnya 2-itemset digunakan untuk mencari
3-itemset begitu seterusnya sehingga algortitma
tidak dapat menemukan lagi frequent dan
algoritma berhenti setelah menemukan semua
frequent itemset.
Berikut table penerapan cara kerja
Apriori :
Table 10. Data pasien
Code Item Penyakit
Pasien
1 Febris, Dispepsya, Anemia
2 Anemia, Febris, DM
3 DM, DHF, Dispepsya
4 Dispepsya, Febris, Anemia
5 Febris, Anemia, Dispepsya
6 Dispepsya, Febris, DHF
7 Febris, Anemia, DM
8 Febris, DM, DHF
9 Anemia, Dispepsya, Thyphoid
10 Febris, Hypertensi, Dyspepsia
11 Hypertensi, Dispepsya. Febris
199
Seminar Nasional Informatika 2014

1. Pada iterasi pertama dari algoritama , setiap Anaemia, DM 2

item adalah anggota dari set calon 1- Anaemia, Febris 5
itemset, C1. Algoritma akan secara langsung
memeriksa semua penyakit yang ada untuk Anaemia, DHF 0
dapat menghitung kejadian munculnya Anaemia, 1
setiap item. Jika diasumsikan bahwa Thypoid
minimum support yang dibutuhkan adalah 2 DM, Febris 3
( misalnya min_sup = 3/11=27,3%. Set dari DM, DHF 2
1-itemset, L1, dapat ditentukan yaitu semua
DM, Thypoid 0
calon 1-itemset yang memenuhi minimum
support. Febris, DHF 2
Febris, Thypoid 0
Table 11. C1 dan L1 Untuk mencari 1- DHF, Thypoid 0
itemset
C1 L1
Juml Item Penyakit Juml Item 3. Set dari 2-itemset, L2, dapat ditentukan,
Pasien Pasien Penyakit yaitu semua candidate 2-itemset yang
2 Hypertensi 8 Dispepsya memenuhi minimum support. Proses untuk
8 Dispepsya 6 Anaemia menghasilakan suatu set candidate dari 3-
6 Anaemia 4 DM itemset, C2, dijelaskan secara lebih detail
4 DM 9 Febris pada table 10, 11, 12 Pertama dapatkan C3,
9 Febris 3 DHF yaitu dengan cara mengkombinasikan L2
3 DHF dengan C2, maka menhasilkan { Dispepsya,
1 Thyphoid Anemia, Febris}berdasarkan pada algoritma
apriori, maka semua sumset dari frequent
2. Untuk menemukan 2-itemset, L2, algorima itemset diatas, harus juga frequent, dapat
ini menggunakan pengkombinasian C1 dipastikan kemudian ke-empat candidate
dengan L1 untuk menghasilkan candidate set terakhit tidak mungkin akan frequent. Oleh
dari 2-itemset, C2. C2 merupakan hasil karena itu harus disingkirkan dari C3,
kombinasi dari L1. Penyakit yang ada dalam dengan demikian dapat menghemat usaha
database D diperiksa dan support count dari yang tidak diperlukan untuk melakukan
setiap calon itemset yang ada di C2 perhitungan terhadap database, ketika akan
ditambahkan, seperti yang diajukkan pada menentukan L3. Penyakit yang ada di D di
table. periksa untuk menentukan L3, yaitu terdiri
dari candidate 3-Itemset di C3 yang
Tabel 12. C2 dan L2, Untuk mencari 2- memenuhi minimum support yang sudah
itemset ditentukan.
C2 L2 4. Algoritma akan melakukan kombinasi antara
Combinasi Count Combinasi count C3 dengan L3 untuk menghasilkan candidate
dari 4-itemset, C4. Dengan demikian , C4 ?,
Hypertensi, 2 Dispepsya, 4 dan algoritma berhenti karena telah
Dispepsya Anaemia menemukan semua frequent itemset.
Hypertensi, 0 Dispepsya,
Anaemia Febris Table 13. final proses 3-itemset
Hypertensi, DM 0 Anaemia, 6 Combination Count
Febris Dispepsya, Anemia, Febris 3
Hypertensi, 2 DM, 5 Dyspepsia, Febris, DHF 1
Febris Febris
Hypertensi, DHF 0 3 4. Kesimpulan
Hypertensi, 0 Atas analisis dan pembahasan yang
Thypoid dilakukan pada Pola Data Penyakit Rumah Sakit
Dispepsya, 4 dengan menerapkan Metode Association Rule
Anaemia Menggunakan Algoritma Apriori, maka dapat
Dispepsya, DM 1 diambil kesimpulan sebagai berikut:
Dispepsya, Febris 6 1. Metode Association Rule Menggunakan
Dispepsya, DHF 2 Algoritma Apriori dapat membantu Rumah
Sakit untuk melakukan penelusuran pada data
Dispepsya, 1
historis Penyakit untuk mengidentifikasi pola
Thypoid

200
 Seminar Nasional Informatika 2014

data yang didasarkan pada sifat-sifat yang Daftar Pustaka

teridentifikasi sebelumnya.
2. Penggunaan Metode Association Rule [1] Abdallah Alashqur, “Mining Association
Menggunakan Algoritma Apriori sangat Rule: A Database Perspective”,
membantu dalam memperkirakan Penyakit International Journal of Computer Science
Pasien yang harus ditangani oleh Rumah Sakit and Network Security, Vol 8 No. 12,
dalam periode yang akan datang. December 2008, Page 69 – 74, HTTP://
3. Penggunaan aplikasi Data Mining dapat paper.ijcsns.org/07_book/200812/20081211.
membantu dalam pengambilan keputusan pdf
untuk pengklasifikasian untuk banyak data. [2] D,Suryadi, (2001) Pengantar Data Mining,
4. Penggunaan Metode Association Rule Andi, Yogyakarta
Menggunakan Algoritma Apriori dalam [3] Kusrini (2007), “Penerapan Algoritma
menemukan penyakit telah menemukan semua Apriori pada Data Mining untuk
frequent itemset untuk penyakit Dispepsya, Mengelompokkan Barang Berdasarkan
Anemia, Febris sebanyak 3. Kecenderungan Kemunculan Bersama
5. Metode ini dapat diterapkan pada dalam Satu Transaksi”, Page 1 – 16,
permasalahan yang berkaitan dalam pencarian HTTP://dosen.amikom.ac.id/.../Publikasi%2
informasi dimasa yang akan datang. 0Apriori-Kusrini_Feb-07_.pdf
[4] Susanto. (2010). Pengantar Data Mining.
Informatika. Jakarta
[5] Therling K. (2006).“ An Introduction to
DataMining: Discovering hidden value in
your data warehouse”, www.thearling.com,
diakses tanggal 21 Mei 2013.

201
Seminar Nasional Informatika 2014

APLIKASI KALKULATOR AIR SOLUSI UNTUK MENGETAHUI

KEBUTUHAN CAIRAN DALAM TUBUH BERBASIS ANDROID
I Komang Setia Buana1, I Ketut Dedy Suryawan2
1,2
Sistem Komputer, STMIK STIKOM Bali
3
Jln Raya Puputan Renon No 86, Denpasar - Bali
1
buana@stikom-bali.ac.id, 2 dedy_meng@stikom-bali.ac.id

Abstrak

Cairan merupakan kebutuhan terpenting dari tubuh manusia. Hampir 90% penyusun tubuh manusia adalah
air. Kebutuhan cairan sehari-hari pada setiap orang bisa berbeda, tergantung kondisi tubuh, usia, jenis
kelamin, suhu lingkungan, jenis makanan yang dikonsumsi, maupun jenis aktivitasnya. Sebagai contoh,
orang yang banyak melakukan aktivitas fisik seperti olahragawan akan berbeda kebutuhannya akan cairan
dibandingkan dengan orang kantoran yang lebih banyak duduk. Kelompok usia lanjut yang tidak aktif
memiliki kebutuhan cairan lebih sedikit dibandingkan orang dewasa yang masih sangat aktif secara fisik.
Berdasarkan permasalahan diatas maka peneliti membuat sebuah aplikasi android yang berfungsi untuk
menghitung kebutuhan cairan tubuh berdasarkan rumus dari referensi yang sesuai. Untuk input data awal,
user perlu memasukkan usia, jenis kelamin, kriteria aktivitas yang sedang dilakukan (aktivitas ringan, sedang,
atau berat), dan suhu tubuh. Maka akan muncul tampilan kadar kebutuhan cairan tubuhnya. Untuk
mengetahui apakah jumlah cairan yang masuk seimbang dengan jumlah cairan yang keluar dapat digunakan
rumus dari jumlah cairan yang masuk sama dengan jumlah cairan yang keluar ditambah IWL (Insensible
Water Loss). Awalnya user diminta untuk menginput data jumlah cairan yang masuk dengan memasukkan
data jumlah air yang diminum, terapi cairan tambahan (misalnya infus), kandungan cairan dalam makanan
pasien, volume obat-obatan yang sedang dipakai atau diminum. Setelah itu untuk jumlah cairan keluar, user
diminta menginput data jumlah urine dalam 24 jam (jika urine tidak diukur, dapat diisi frekuensi buang air
kecil dalam 24 jam), kemudian buang air besar atau tidak dalam 24 jam terakhir, berapa kali buang air besar
dalam 24 jam. Hasil akhirnya akan muncul kebutuhan cairan kita defisit (kurang) atau excess (berlebih).

Kata kunci : cairan tubuh, IWL, android

1. Pendahuluan tersinggung, muntah dan diare. Tahap akhir dari

Cairan merupakan kebutuhan terpenting
dari tubuh manusia. Hampir 90% penyusun tubuh
manusia adalah air. Manusia dapat bertahan hidup
selama 8 minggu tanpa makanan, namun tanpa air
manusia hanya dapat bertahan selama 3-5 hari
saja. Manusia sangat membutuhkan air untuk bisa
bertahan hidup, karena setiap hari orang
kehilangan cairan melalui keringat, urin, feses
bahkan saat bernapas hingga 1,5 liter per hari
(Potter & Perry, 2010). Air sangat penting untuk
organ-organ dalam tubuh agar bisa bekerja
dengan baik. Begitu pentingnya cairan bagi tubuh
manusia hingga ketika manusia kekurangan
cairan (atau disebut dengan dehidrasi) seperti
misalnya pada keadaan diare, kepanasan, atau
demam dapat menyebabkan kematian yang
mendadak. Risiko utama orang hidup tanpa air
dan kondisi panas adalah suhu tubuh akan terus
meningkat dan orang tersebut bisa mengalami
‘heat stroke’. Tapi jika orang tersebut minum air
maka menurunkan suhu inti dan dapat
mendinginkannya. Orang yang kehilangan banyak
cairan akan ditandai dengan mulut kering, mata
cekung, jantung berdetak cepat, mudah
dehidrasi adalah tubuh mengalami shock yang
ditandai dengan kulit biru keabu-abuan dan dingin
jika disentuh.
Kebutuhan cairan sehari-hari pada setiap
orang bisa berbeda, tergantung kondisi tubuh,
usia, jenis kelamin, suhu lingkungan, jenis
makanan yang dikonsumsi, maupun jenis
aktivitasnya. Sebagai contoh, orang yang banyak
melakukan aktivitas fisik seperti olahragawan
akan berbeda kebutuhannya akan cairan
dibandingkan dengan orang kantoran yang lebih
banyak duduk. Kelompok usia lanjut yang tidak
aktif memiliki kebutuhan cairan lebih sedikit
dibandingkan orang dewasa yang masih sangat
aktif secara fisik. Orang yang mengalami
gangguan ginjal sangat dibatasi asupan cairannya
dibanding mereka yang ginjalnya sehat. Karena
itulah setiap orang hendaknya memahami
kebutuhan cairan tubuhnya masing-masing, sesuai
dengan kondisinya sehingga diperlukan seuah
aplikasi yang dapat memudahkan masyarakat
untuk menghitung kebutuhan cairannya (Sulakhe,
Thakare, & Aute, 2013).

202
 Seminar Nasional Informatika 2014

2. Metode Penelitian Untuk input data awal, user perlu

2.1 Alur Analisis
Aplikasi Kalkulator air adalah aplikasi
sederhana yang membantu anda dalam
menghitung konsumsi air yang harus diminum per
hari dan menghitung kebutuhan cairan kita. Hasil
penghitungan dapat disimpan dan dapat dilihat
kembali pada menu Riwayat. Dibawah ini adalah
flow chart system kerja aplikasi.
Sistem Kerja Apliaksi:
a. Kebutuhan cairan ideal
start
Inputkan usia, jenis
kelamin, aktifitas yang
sedang dilakukan, berat
badan, dan suhu
Perhitungan rumus
kebutuhan cairan tubuh
Hasil
perhitungan
cairan
Stop
b. Konsumsi cairan harian
start
Inputkan cairan yang
masuk
Inputkan cairan yang
keluar
memasukkan usia, jenis kelamin, kriteria aktivitas
yang sedang dilakukan (aktivitas ringan, sedang,
atau berat), berat badan dan suhu tubuh. Maka
akan muncul tampilan kadar kebutuhan cairan
tubuhnya. Untuk mengetahui apakah jumlah
cairan yang masuk seimbang dengan jumlah
cairan yang keluar dapat digunakan rumus dari
jumlah cairan yang masuk sama dengan jumlah
cairan yang keluar ditambah IWL (Insensible
Water Loss). Awalnya user diminta untuk
menginput data jumlah cairan yang masuk dengan
memasukkan data jumlah air yang diminum,
terapi cairan tambahan (misalnya infus),
kandungan cairan dalam makanan pasien, volume
obat-obatan yang sedang dipakai atau diminum.
Setelah itu untuk jumlah cairan keluar, user
diminta menginput data jumlah urine dalam 24
jam (jika urine tidak diukur, dapat diisi frekuensi
buang air kecil dalam 24 jam), kemudian buang
air besar atau tidak dalam 24 jam terakhir, berapa
kali buang air besar dalam 24 jam. Hasil akhirnya
akan muncul kebutuhan cairan kita defisit
(kurang) atau excess (berlebih) (Sulakhe,
Thakare, & Aute, 2013)
2.1.1 Diagram Unified Modeling Language
(UML)
Berikut ini adalah diagram-diagram yang
merepresentasikan rancangan dari modul yang
akan dibuat, meliputi use case diagram, activity
diagram, class diagram, dan sequence diagram
(DiMarzio, 2008)
a. Use case diagram
Use case diagram menggambarkan
fungsionalitas yang diharapkan dari sebuah
sistem. Yang ditekankan adalah “apa” yang
diperbuat sistem, dan bukan “bagaimana”. Dapat
dilihat bahwa ada sebuah actor yaitu user ,
dimana user memiliki 4 aktifitas yang dapat
dilakukan, yaitu melakukan pencarian hasil dari
kebutuhan cairan ideal yang didapat dari
perhitungan (Murphy, 2011). Kemudian yang
kedua mengetahui berapa konsumsi cairan yang
anda minum. Selain itu user juga bisa melihat
riwayat dari perhitungan sebelumnya. Dibawah
ini merupakan usecase diagram dari aplikasi ini

Perhitungan rumus
cairan harian

Hasil perhitungan
cairan harian

Stop

203
Seminar Nasional Informatika 2014

d. Class diagram
class diagram dari aplikasi ini terdapat 6
class. Class KalkulatorAir merupakan kelas utama
yang akan dipanggil terlebih dahulu, kemudian
kelas utama tersebut akan memanggil kelas lain
sesuai dengan reques dari user.

b. Activity diagram
Activity diagram dari aplikasi ini,
dimulai dari menu utama (kalkulator air) sampai
aplikasi ditutup. Terlihat pada gambar dibawah,
user bisa melakukan proses untuk mendapatkan
kebutuhan cairan ideal, konsumsi cairan harian,
berita kesehatan dan dapat membuka menu
tentang (about).
c. Sequence Diagram
3. Hasil dan Pembahasan
3.1 Menu utama (Kalkulator Air)
Tampilan menu utama merupakan
tampilan utama dari sistem. Pada saat pertama
kali dibuka, akan memunculkan tampilan ini.
Pertama kali masukan nama user si pengguna.
Fungsi memasukan user adalah supaya data nama
tersebut bisa dilihat di menu riwayat yang akan
digunakan untuk mengetahui riwayat-riwayat
siapa saja yang pernah menggunakan aplikasi
tersebut. Riwayat disimpan hanya pada platform
tersebut dan juga ketika aplikasi diinstal ulang,
riwayat tadi akan dihapus. Setelah melakukan
pengisian nama. Pilih salah satu radio button dan
tekan proses. Jika di tekan keluar maka aplikasi
akan keluar.

Sequence diagram dari aplikasi yang dibuat

menceritakan proses yang dialami sistem.
Pertama kali user akan masuk ke menu
KalkulatorAir. Dalam menu tersebut terdapat
pilihan untuk mencari nilai kebutuhan cairan
ideal, mengetahui konsumsi carian harian, melihat
informasi berita kesehatan, riwayat, dan ada juga
pilihan tentang aplikasi (about).

204
 Seminar Nasional Informatika 2014

3.2 Kebutuhan Cairan Ideal Rumus 3 terlihat dibawah ini

Kebutuhan cairan ideal merupakan menu
yang digunakan untuk mendapatkan cairan ideal AKTIVITAS FAKTOR
yang dibutuhkan tubuh kita. Untuk mendapatkan AKTIVITAS
hasil, user harus memasukan tinggi badan, usia, Ringan
memilih jenis kelamin, aktivitas yang dilakukan, - Laki-laki 1,56
berat badan, dan suhu tubuh. - Perempuan 1,55
Sedang
- Laki-laki 1,76
- Perempuan 1,70
Berat
- Laki-laki 2,10
- Perempuan 2,00
(4)
AMB laki-laki :
66,5+(13,7XBB)+(5,0XTB)-(6,8Xumur)
AMB perempuan :
65,5+(9,6XBB)+(1,8XTB)-(4,7Xumur)
Total Kalori (kkal) :
Faktor aktivitas X AMB
*Kebutuhan cairan : 1 kkal Total Kalori
: 1 ml cairan

Rumus 4 terlihat dibawah ini :

USIA < 17 TAHUN

untuk 10 Kg pertama x 100ml
untuk 10 Kg kedua x 50ml
untuk 10 Kg selanjutnya x 25ml
Contoh: Hitung kebutuhan cairan anak jika
(5)BB 26 Kg
Setelah dimasukan semua, lalu klik proses, maka Keb. Cairan : (10×100)+(10×50)+(6×25)
terjadi perhitungan untuk mendapatkan jumlah : 1000+500+150
kebutuhan cairan tubuh dengan rumus : :1650 ml
Kebutuhan cairan ideal = (Rumus 1 + Rumus 2 + USIA >17 TAHUN
Rumus 3 + Rumus 4) / 4 + Rumus 5………….(1) =50 X BB

Rumus 1. terlihat dibawah ini :

USIA < 17 TAHUN Rumus 5 terlihat dibawah ini :

untuk BB ≤10 Kg pertama x 100
untuk BB 11-20kg1000+50x(20-BB)
(2)untuk BB 21-70kg 1500+20x(70-BB) SUHU NORMAL 36-37,5 C
Contoh: Hitung kebutuhan cairan anak
jika BB 26 Kg jika suhu tubuh meningkat lebih dari normal
(6)maka kebutuhan cairan di tambah 12% nya
Keb. Cairan : 1500+20x(70-26)
: 1500+880 Rumus = (suhu tubuh-37,5)X 12% X rata2
: 2380 ml jumlah kebutuhan per hari
USIA >17 TAHUN
=50 X BB
Untuk rumus 5, ketika suhu tubuh normal
*BB = berat badan ataupun dibawah normal, untuk menghitung
cairan ideal, rumus 5 diabaikan.
Rumus 2 terlihat dibawah ini :
Dalam pengujiannya, diambil 3 orang sebagai
sample dengan hasil seperti dibawah ini :
Pria
Rumus 2 = 57 % X BB
Wanita (3)
Rumus 2 = 55 % X BB

205
Seminar Nasional Informatika 2014

Jika di klik proses akan muncul hasil dari

kebutuhan cairan ideal
Jika di klik proses akan muncul hasil dari
kebutuhan cairan ideal

206
 Seminar Nasional Informatika 2014

KONSUMSI CAIRAN HARIAN

CAIRAN MASUK
MINUM
1 gelas= 240 ml
MAKAN MAKANAN
BERKUAH DALAM 1 HARI
1 kali makan=100 ml
CAIRAN INFUS
YA, ML/HARI
 TIDAK
KONSUMSI CAIRAN HARIAN
CAIRAN KELUAR
BUANG AIR KECIL
1 kali BAK=200 ml
BUANG AIR BESAR
1 kali BAB=500 ml
MUNTAH
1 kali muntah=50 ml
DRAIN
YA, ML/HARI
 TIDAK

Jika di klik proses akan muncul hasil dari

kebutuhan cairan ideal
IWL = 15 ML X BB
KONSUMSI CAIRAN HARIAN
ANDA
=JUMLAH CAIRAN YANG
MASUK-(JUMLAH CAIRAN
YANG KELUAR+IWL)

4. Kesimpulan dan Saran

4.1 Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini
adalah :
1. Aplikasi kalkulator air, berjalan lancar di
sistem operasi android 4.0
2. Dengan menggunakan aplikasi kalkulator
air, penghitungan kubutuhan cairan menjadi
lebih mudah
3. Dengan menggunakan aplikasi ini, dapat
mengetahui konsumsi cairan perhari.

3.3 Konsumsi Cairan Harian
Konsumsi cairan harian ini digunakan
untuk Mengetahui konsumsi cairan harian anda.
Rumus untuk mencari konsumsi cairan harian
adalah sebagai berikut :
4.2 Saran
Saran yang dapat diberikan untuk penelitian ini
adalah :
1. Design tampilan perlu dibuat lebih
menarik lagi
2. Adanya web service yang digunakan
untuk memanipulasi data, sehingga
selain melakukan perhitungan, adanya
informasi-informasi yang penting bagi
user, bisa dimasukan kesana.

207
Seminar Nasional Informatika 2014
3. Adanya penambahan kasus, selain
melakukan penghitungan kebutuhan
cairan dan konsumsi cairan perhari, juga
ditambah untuk melakukan perhitungan
untuk penggantian cairan, kebutuhan
cairan untuk pasien gagal jantung, gagal
ginjal dan diare.
5. Daftar Pustaka
Khodja, M., Khodja-Saber, M., Canselier, J.P.,
Cohaut, N., & Bergaya, F. (2010). Drilling
fluid technology: performances and
environmental considerations. Intech
Journal, Vol. 307, pp. 53-978
Sulakhe, V.N., Thakare, C.Y., & Aute, P.V.
(2013). Fluid and its application.
International Journal of Research in
Aeronautical and Mechanical Engineering,
Vol. 1, Issue 7, pp. 125-133
Bhimani, V.L., Rathod, P.P., & Sorathiya, A.A.
(2013). Experimental study of heat transfer
enhancement using water based
nanofluids. International Journal of
emerging Technology and Avance
Engineering, Vol. 3, Issue 6.
Kadir, Abdul. (2008). Dasar Pemrograman Java 2.
Andi: Yogyakarta.
Irawan. (2012). Membuat aplikasi android untuk
orang awam. Maxikom: palembang.
Potter & Perry (2009). Fundamental of nursing.
Elsevier Mosby : USA.
208
Buud, Timoty (2009). Understanding Object-
Oriented Programming With Java.
Material : USA
DiMarzio, J.F. (2008). Android: A Programmer's
Guide. New York: Mc Graw Hill
Murphy, M.L. (2011). Android Programming
Tutorials. USA: Commons Ware
Blackmon, MD (2012). 10 Useful apps for
everyday pediatric use. Pediatric Annals
Journal, Vol. 41, Issue 5, pp. 209-211
Tran, J., Tran, R., & White, J.R. (2012).
Smartphone-based glucose monitors and
applications in the management of
diabetes: an overview of 10 salient "apps"
and a novel smartphone-connected blood
glucose monitor. Clinical Diabetes Journal,
Vol. 30, No. 4., pp. 173-178
Forget, P. (2013). Non-invasive fluid
responsiveness monitoring: Patients
selection considerations. Saudi Journal
Anaesthest, Vol. 7, pp. 227-228
Arya, V.K. (2012). Basics of fluid and blood
transfusion therapy in paediatric surgical
patients. Indian Journal anaesthest, Vol.
56, pp. 454-462.
Chan, B. (2012). Pedi QuikCalc app is true to its
name, a quick and easy medical calculator
for pediatricians. iMedicalApps Journal.
Rehrer, N. J., and L. M. Burke. Sweat losses
during various sports. Australian Journal
of Nutrition and Dietetics. 53(4): S13-S16,
1996.
 Seminar Nasional Informatika 2014

ANALISIS PERBANDINGAN TINGKAT MATURITY LEVEL

SISTEM OTOMASI PERPUSTAKAAN BERBASIS OPENSOURCE
DAN PROPRIETARY MENGGUNAKAN
FRAMEWORK COBIT 5.0
(STUDY KASUS : PERPUSTAKAAN STMIK POTENSI UTAMA)
Fhery Agustin

Program Studi Sistem Informasi, STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia - Medan
fhery@potensi-utama.ac.id

Abstrak

Sistem otomasi perpustakaan telah menjadi bagian penting dalam penyelenggaraan pendidikan. Sehingga
tingkat kelayakannya pun perlu untuk diuji agar mahasiswa mendapatkan pelayanan dan manfaat terbaik dari
implementasi sistem otomasi perpustakaan tersebut. STMIK Potensi Utama telah menggunakan 2 jenis
sistem otomasi perpustakaan, yang berbasis opensource (2010-2012) dan kemudian diganti menjadi berbasis
proprietary (2012-2014). Namun kelayakan kedua sistem otomasi perpustakaan tersebut belum pernah diuji.
Sehingga penggantian sistem berbasis opensource ke proprietary pun hanya berdasarkan kepentingan bisnis
semata, bukan berdasarkan perhitungan analisis kelayakan. Penelitian ini mencoba melakukan perhitungan
analisis kelayakan berdasarkan tingkat maturity level dengan menggunakan COBIT 5.0 sehinggan dapat
diketahui secara matematis, sistem mana yang lebih layak untuk diterapkan di STMIK Potensi Utama. Hasil
penelitian menunjukkan nilai maturity level sistem otomasi perpustakaan berbasis opensource memperoleh
point 2,9923 sedangkan sistem yang berbasis proprietary 3,0423. Sehingga sistem otomasi perpustakaan yang
dianggap layak untuk diterapkan di STMIK Potensi Utama adalah Proprietary, meskipun gap antara
keduanya cukup kecil hanya 0,05 dan keduanya telah melampaui standar internasional yang berada pada
skala 2,5 serta telah mencapai level Defined.

Kata Kunci : Sistem otomasi perpustakaan, Opensource, Proprietary, Framework COBIT 5.0,
Maturity Level.

1. Pendahuluan

STMIK Potensi Utama telah menerapkan

Sistem Otomasi Perpustakaan sejak tahun 2010
hingga sekarang. Selama masa 4 tahun tersebut,
terdapat 2 jenis sistem otomasi yang telah
digunakan, yaitu :
a. Sistem Otomasi Perpustakaan Berbasis
Opensource (2010-2012)
b. Sistem Otomasi Perpustakaan Berbasis Gambar 1. Aplikasi Perpustakaan STMIK
Proprietary (2012-2014) Potensi Utama Berbasis Opensource

Sistem otomasi opensource yang digunakan
adalah SliMS (Senayan Libary Management
System). Merupakan sebuah sistem yang bersifat
bersifat gratis dan berbasis opensource di bawah
lisensi GPL versi 3. Aplikasi ini menggunakan
bahasa pemrograman PHP dan database Mysql.
Fitur-fitur yang dimiliki SliMS diantaranya
adalah bibliografi database, fungsi sirkulasi,
manajemen keanggotaan, dan lain sebagainya
yang dapat memenuhi kebutuhan tugas-tugas
pustaka. Pada tahap awal, SLiMS dirancang oleh
Pepustakaan Depdiknas dan terus mengalami
perkembangan hingga saat ini. Release terbaru
dari aplikasi ini adalah SliMS 7 – Cendana. [1]
Kemudian setelah 2 tahun berjalan, STMIK
Potensi Utama mengganti Sistem Otomasi
Perpustakaannya menjadi berbasis Proprietary
dengan memesannya pada sebuah perusahaan
software. Istilah proprietary software merujuk
kepada aplikasi yang memiliki hak cipta,
sehingga untuk dapat menggunakannya
dibutuhkan lisensi dengan membelinya kepada
pihak pemilik hak cipta tersebut. Proprietary
software adalah perangkat lunak komputer
berlisensi di bawah hak hukum eksklusif dari
pemegang hak cipta dengan maksud bahwa lisensi
diberikan hak untuk menggunakan perangkat
lunak hanya dalam kondisi tertentu, dan dibatasi

209
Seminar Nasional Informatika 2014

dari penggunaan lain, seperti modifikasi, berbagi,
belajar , redistribusi, atau reverse engineering.
Biasanya kode sumber dari perangkat lunak
tersebut tidak tersedia. [2]
bisnis, kontrol, dan teknis. Hal-hal yang berkaitan
dengan COBIT dapat diakses melalui
http://www.isaca.org. [5]
Versi COBIT sendiri diawali pada tahun
1996 dan terus mengalami perkembangan
mengikuti kebutuhan stakeholder dan jangkauan
atau scope audit terhadap sistem informasi secara
lebih luas. COBIT versi terbaru adalah COBIT
5.0 yang dirilis pada tahun 2012.

Gambar 2. Aplikasi Perpustakaan STMIK

Potensi Utama Berbasis Proprietary

Kedua aplikasi tersebut telah digunakan

masing-masing selama 2 tahun di STMIK Potensi Gambar 3. Versi COBIT Framework. [6]
Utama. Berdasarkan evaluasi yang telah
dilakukan oleh user, dalam hal ini pustakawan di
STMIK Potensi Utama. Ternyata masing-masing 2.2. Kerangka Kerja COBIT 5
aplikasi memiliki kelebihan dan kekurangannya COBIT 5.0 dibagi menjadi dua area, yaitu :
masing-masing, sehingga sulit untuk menentukan Governance of IT Process dan Management of
aplikasi mana yang dianggap lebih baik. Hal ini Enterprise IT. Kedua area tersebut masih dibagi
sangat penting untuk pengembangan perpustakaan lagi ke dalam lima buah domain dengan total 37
STMIK Potensi Utama di masa yang akan datang. proses. [7]
Apakah akan terus menggunakan Proprietary
atau kembali ke Opensource ? Tabel 1. Area COBIT 5
Berdasarkan hal tersebut di atas, maka
No. Area Domain Jumlah
penelitian ini akan mengkaji tingkat kematangan
Proses
atau maturity level dari kedua sistem otomasi
tersebut dengan menggunakan Framework 1 Governance Evaluate, 5
COBIT 5.0. Sehingga dapat diketahui sistem of IT Process Direct, and
mana yang lebih unggul. Monitor
(EDM)
2. Tinjauan Pustaka 2 Management Align, Plan, 13
of Enterprise and Organise
2.1. Konsep Dasar COBIT IT (APO)
COBIT adalah sebuah kerangka kerja yang Build, Acquire, 10
mengkombinasikan pemikiran modern dalam and Implement
pengelolaan perusahaan dan teknik manajemen, (BAI)
serta menyajikan konsep yang dapat diterima Deliver, 6
secara global, praktek penggunaan alat-alat Servive, and
analisis serta pemodelan untuk meningkatkan Support (DSS)
nilai dan kepercayaan terhadap sebuah sistem Monitor, 3
informasi. [3] Evaluate, and
Control Objectives For Information and Assess (MEA)
Related Technologi (COBIT) merupakan suatu Total 37
metode dalam penerapan IT Governance
menggunakan beberapa kontrol objective dalam Sedangkan 37 proses tersebut terlihat pada
pelaksanaan audit. Secara lebih spesifik COBIT gambar berikut :
diperuntukkan bagi audit Sistem Informasi yang
diterapkan pada sebuah organisasi. [4]
COBIT juga berupa dokumentasi serta
panduan yang dalam IT governance untuk
membantu auditor, manajemen, dan user dalam
menjembatani gap atau pemisah antara resiko

210
 Seminar Nasional Informatika 2014

2.3. Maturity Model

Merupakan sebuah metode untuk mengukur

tingkat atau level pengembangan manajemen
proses, yaitu mengukur sejauh mana kapabilitas
manajemen berdasarkan pencapaian tujuan
COBIT. Tingkat maturity level dapat dilihat pada
tabel berikut :

Gambar 4. Domain Process COBIT 5.0. [8]

Untuk lebih jelasnya, Domain Process dari

COBIT 5.0 seperti ditampilkan pada tabel berikut
:
Gambar 5. Level of Maturity Model. [9]
Tabel 2. Domain Process COBIT 5.0. [8]
No Dom Proses Masing-masing level tersebut dapat
. ain dijelaskan seperti berikut : [8]
1 ED
M a. Initial, terdiri dari :
Maturity Process : biasanya masih bersifat ad
2 APO hoc dan masih kacau. Hasil dari proses tidak
bisa ditebak, sering melebihi alokasi anggaran
dan keterlambatan jadwal. Terdapat
kecenderungan untuk meninggalkan proses
pada saat krisis.

Automotion Maturity : Tidak ada otomatisasi

proses atau bahkan kegiatan, sehingga proses
yang berulang tidak terkontrol dan lambat.

3 BAI Collaboration Maturity : ditandai dengan yang

kurangnya komunikasi ad-hoc dan koordinasi
antara tim. Peran dan tanggung jawab tim
tidak didefinisikan dengan baik. Tim
memberikan informasi melalui saluran
komunikasi formal. Keputusan dibuat secara
independen oleh pihak yang bertanggung
jawab pada proses dan kemudian
4 DSS dikomunikasikan kepada tim lain.

b. Managed, terdiri dari :

5 ME
A dari proyek yang sama. Standar, deskripsi dan
Pada proses audit ataupun pengukuran
terhadap implementasi sistem informasi dapat
digunakan semua atau sebagian indikator saja,
disesuaikan dengan tujuan dan scope audit yang
ingin dicapai.
Maturity Process : proses dikelola tapi tidak
standar di seluruh proyek atau bahkan di
seluruh tahapan siklus hidup yang berbeda
prosedur proses dapat bervariasi dalam setiap
contoh spesifik dari proses (yaitu dalam
kelompok kerja yang berbeda).
Automotion Maturity : sebuah proses
didokumentasikan dan sebagian otomatis.
Terdapat siled (tugas proses vs) otomatisasi
tanpa infrastruktur pusat.

211
Seminar Nasional Informatika 2014
Collaboration Maturity : pertemuan rutin
diadakan, rilis dikomunikasikan dan
dikoordinasikan antara pembangunan dan
operasi. Tim berbagi informasi dan - dalam
beberapa kasus - bahkan sumber daya, peran
para pemangku kepentingan didefinisikan
dengan baik. Sering terjadi komunikasi antara
tim. Terdapat beberapa pengambilan
keputusan bersama, tapi sebagian besar
keputusan masih diambil secara terpisah, dan
dikoordinasikan atau dikomunikasikan setelah
itu dengan tim lain.
c. Defined, terdiri dari :
Maturity Process : terdapat penilaian
berkelanjutan dari keseluruhan proses (sebagai
lawan optimalisasi kegiatan terpisah) yang
bertujuan untuk mencapai tujuan bisnis
dengan biaya dan resiko minimal.
Automotion Maturity : terdapat perbaikan
secara terus-menerus dari proses otomatis
dengan menggunakan analisis metrik,
pembelajaran mandiri dan perbaikan mandiri.
Otomatisasi self-service yang diberikan
kepada pemangku kepentingan yang berbeda
dalam organisasi.
Collaboration Maturity : kolaborasi
dioptimalkan untuk keefektifan dan
kesinambungan dalam berbagi pengetahuan
serta pemberdayaan individu.
Berdasarkan maturity model tersebut, maka
dapat diidentifikasi sistem informasi yang
diimplementasikan pada suatu organisasi
sesungguhnya berada di level mana. Sehingga
dapat diukur tingkat kematangannya.
3. Penelitian Rujukan
Terdapat beberapa penelitian rujukan yang
menggunakan Framework COBIT untuk
mengukur tingkat maturity level terhadap
penerapan dan pengelolaan sistem informasi.
Adapun penelitian-penelitian tersebut, antara lain
: pengujian, tingkat maturity levelnya berada
a. Penelitian yang dilakukan oleh Fransiskus
Adikara tentang penggunaan COBIT 5 pada
pengelolaan TI Laboratorium RPL di
Universitas Esa Unggul. Penelitian ini
bertujuan untuk menciptakan sebuah model tata
kelola teknologi informasi (IT Governance)
untuk perguruan tinggi di Indonesia dengan
menggunakan COBIT 5. Sehingga dapat
dievaluasi pencapaian yang diperoleh antara
sebelum dan sesudah penerapan model tata
kelola tersebut. Hasil akhir penelitian adalah
212
rekomendasi untuk institusi berupa :
“diperlukannya pemanfaatan sistem informasi
untuk pengelolaan asset dan aktifitas
perawatannya”. [6]
Perbedaan penelitian ini dengan penelitian
penulis terletak pada objek yang dibandingkan,
dimana pada penelitian ini yang dibandingkan
adalah kondisi sebelum dan sesudah penerapan
tata kelola. Sedangkan pada penelitian penulis
membandingkan antara 2 sistem informasi yang
sama-sama telah diterapkan. Sehingga dapat
diketahui mana yang lebih baik berdasarkan
pengukuran tingkat maturity levelnya.
b. Penelitian yang dilakukan oleh Indah Mayang
Sari, Ahmad Holil Nur Ali, dan Indah Kurnia
tentang metode evaluasi kematangan proyek
menggunakan COBIT 5 domain BAI 1.11 DAN
MEA 1.04 dengan Best Practice PMBOK 4th.
Analisa yang digunakan dalam penelitian ini
adalah PMBOK 4th dan COBIT 5 Framework
untuk memperoleh point objektif antara
keduanya untuk melakukan evaluasi tehadap
tingkat kematangan proyek pada DPSI Bank
Indonesia. Nilai maturity level yang dihasilkan
pada penelitian ini mencapai angka 0,221 yang
berarti lebih tinggi jika dibandingkan dengan
penelitian yang pernah dilakukan sebelumnya.
Penelitian terdahulu yang dimaksudka tersebut
hanya dengan menggunakan PMBOK 4TH. [7]
Perbedaan penelitian ini dengan penelitian
penulis terletak pada metode analisa yang
digunakan, dimana penelitian penulis hanya
menggunakan COBIT 5 Framework untuk
mengevaluasi tingkat maturity levelnya.
c. Penelitian yang dilakukan oleh Agusriandi dan
Idria Maita tentang perhitungan maturity level
pada Universitas Islam Riau menggunakan
COBIT 4.1 yang disampaikan pada KNSI 2013.
Penelitian ini bertujuan untuk mengukur tingkat
kematangan tata kelola penerapan Sistem
Informasi Perpustkaan terhadap keselarasan
tujuan organisasi. Sistem informasi
perpustakaan yang dievaluasi adalah Senayan
yang merupakan sistem otomasi perpustakaan
berbasis opensource. Berdasarkan hasil
pada posisi 3 (Defined) dan ternyata telah
melampaui standar international maturity level
untuk sistem informasi perpustakaan. [10]
Perbedaan penelitian ini dengan penelitian
penulis terletak pada versi framework COBIT
yang digunakan. Penelitian ini menggunakan
framework COBIT 4.1, sedangkan penelitian
penulis menggunakan COBIT 5.0. Sedangkan
persamaannya adalah bidang yang diteliti yaitu
Sistem Otomasi Perpustakaan, dan pada
penelitian penulis yang diuji salah satunya
 Seminar Nasional Informatika 2014

adalah SLiMS (Senayan Library Management 5.1. Hasil

System). Berdasarkan hasil penyebaran kuesioner
kepada 20 orang responden yang terlibat dengan
4. Metode Penelitian implementasi sistem otomasi perpustakaan di
STMIK Potensi Utama, maka diperoleh hasil
Penelitian ini menggunakan mekanisme sebagai berikut :
pengumpulan data dan mengikuti tahapan
evaluasi yang sistematis sehingga hasil penelitian
yang diperoleh memiliki tingkat legitimasi yang
dapat dipertanggungjawabkan.

4.1. Teknik Pengumpulan Data

Teknik pengumpulan data dilakukan
dengan cara penyebaran kuesioner kepada pihak-
pihak yang berkaitan dengan implementasi sistem
otomasi perpustakaan di STMIK Potensi Utama
sebanyak 20 orang responden, yaitu terdiri dari : 2
orang pustakawan, 1 orang staff IT, 1 orang
tenaga administrasi, 2 orang bagian akademik, 2
orang bagian keuangan, 3 orang kaprodi, 3 orang
sekprodi, dan 6 orang mahasiswa. Pertanyaan
yang diajukan pada kuesioner tersebut mengacu
kepada domain process COBIT 5.0.

4.2. Tahapan Penelitian

Tahapan penelitian yang digunakan dalam
penelitian ini mengacu kepada studi perbandingan Tabel 4. Hasil Quesioner Sistem Otomasi
antara penerapan dua buah sistem otomasi Perpustakaan Berbasis Opensource
perpustakaan dengan menggunakan analisa
COBIT 5.0. Adapun tahapan penelitian tersebut
seperti berikut :

Identifikasi Masalah

Analisa Domain Process

COBIT 5.0

Kuesioner Sistem Otomasi Kuesioner Sistem Otomasi

Perpustakaan Berbasis Opensource Perpustakaan Berbasis Proprietary

Perhitungan Maturity level

Analisa Perbandingan

Rekomendasi

Gambar 6. Tahapan Penelitian

Tabel 5. Hasil Quesioner Sistem Otomasi
Perpustakaan Berbasis Proprietary
5. Hasil dan Analisa

Hasil yang dimaksud dalam penelitian ini

NB. Domain yang tidak berkaitan dengan
meliputi perhitungan hasil kuesioner sehingga
implementasi sistem otomasi perpustakaan tidak
menghasilkan nilai maturity level dari
diperhitungkan.
implementasi sistem otomasi perpustakaan.
Sedangkan analisa berisi pengujian perbandingan
hasil maturity level antara sistem otomasi
perpustakaan berbasis opensource dan
proprietary.

213
Seminar Nasional Informatika 2014

5.2. Analisa
Perhitungan tersebut diperoleh dengan cara
mencari nilai rata-rata dari masing-masing item
kuesioner. Misalnya pada item quesioner yang
pertama dari 20 orang responden yang menjawab,
terdapat :
 5 orang memberi skor 2
 12 orang memberi skor 3
 3 orang memberi skor 4

Maka hasil perhitungan rata-ratanya adalah :

= (2*5+3*12+4*3)/20 Gambar 7. Grafik Maturity Level
= (10+36+12)/20
= 58/20 Grafik di atas menunjukkan nilai maturity
= 2,9 level yang diperoleh oleh sistem otomasi
perpustakaan berbasis opensource sebesar 2,9923.
Kemudian total dari rata-rata keseluruhan Sistem otomasi perpustakaan berbasis proprietary
dirata-ratakan kembali. 3,0423 dan sistem otomasi berdasarkan standar
internasional sebesar 2,5.
Dari hasil perhitungan tersebut, maka dapat
dibuat tabulasi tingkat maturity level
dibandingkan dengan standar internasional 6. Kesimpulan dan Saran
sebesar 2,5. [10]
Terdapat beberapa kesimpulan yang dapat
Tabel 6. Analisa Maturity Level diambil dalam penelitian ini, yaitu :
N Nama Maturity Keterangan
o Level a. Tingkat maturity level sistem otomasi
. perpustakaan yang diterapkan di STMIK
1 Sistem 2,9923 Tingkat maturity Potensi Utama berada pada level Defined,
Otomasi (Defined) level sistem otomasi yang berarti proses terstandar dengan baik
Perpustaka perpustakaan berbasis pada keseluruhan sistem. Terdapat proses-
an Berbasis opensource mencapai proses standar yang digunakan untuk
Opensourc 2,9923 dapat menetapkan konsistensi di seluruh organisasi
e digenapkan menjadi serta terdapat infrastruktur otomatis
3, yang berarti berada tersentralisasi yang mendukung proses secara
pada level Defined menyeluruh.
dan telah melampaui b. Nilai maturiy level sistem otomasi
standar internasional. perpustakaan yang diterapkan di STMIK
Potensi Utama, baik yang berbasis
2 Sistem 3,0423 Tingkat maturity
opensource (2,9923) maupun proprietary
Otomasi (Defined) level sistem otomasi
(3,0423) keduanya telah melampaui standar
Perpustaka perpustakaan berbasis
internasional (2,5) sehingga kedua sistem
an Berbasis proprietary mencapai
tersebut masih dianggap layak.
Proprietar 3,0423 dan dapat
c. Sistem otomasi perpustakaan berbasis
y digenapkan menjadi
proprietary memperoleh nilai maturity level
3 juga, yang berarti
yang lebih tinggi dibandingkan opensource.
juga berada pada
Sehingga sistem otomasi perpustakaan
level Defined.
berbasis proprietary dianggap lebih layak
Berhasil melampaui
(direkomendasikan) untuk digunakan.
standar internasional
Meskipun gap antara keduanya cukup kecil,
serta lebih tinggi
hanya sebesar 0,05.
hasilnya
dibandingkan dengan
Sementara saran yang dapat penulis berikan
sistem otomasi
untuk pengembangan penelitian ini di masa yang
perpustakaan berbasis
akan datang adalah :
opensource meskipun
gap-nya hanya 0,05.
1. Sebaiknya jumlah responden dari kalangan
mahasiswa ditingkatkan dengan
memperhatikan jumlah mahasiswa yang
menjadi anggota perpustakaan.

214

2. Diperlukan penyesuaian item-item pada
domain process COBIT 5.0 agar sesuai
dengan bidang kajian perpustakaan.
Daftar Pustaka
[1] Blog SliMS, 2014. http://slims.web.id/web.
Diakses tgl : 28 Maret 2014, Jam : 10.51
WIB.
[2] Wikipedia, 2014.
http://en.wikipedia.org/wiki/Proprietary_soft
ware. Diakses tgl : 28 Maret 2014, Jam :
11.36 WIB.
[3] Isaca, 2014.
http://www.isaca.org/cobit/pages/default.asp
x. Diakses tgl : 28 Maret 2014, Jam : 12.18
WIB.
[4] Campbell, Philip L., 2005. A COBIT
Primer. USA, Sandia National.
[5] Gondodiyoto, Sanyoto, 2007, Audit Sistem
Informasi + Pendekatan COBIT, Penerbit
Mitra Wacana Media, Jakarta.
[6] Adikara, Fransiskus, 2013. Implementasi
Tata Kelola Teknologi Informasi Perguruan
Tinggi Berdasarkan COBIT 5 Pada
Laboratorium Rekayasa Perangkat Lunak
Universitas Esa Unggul. SESINDO, Institut
Teknologi Sepuluh November.
Seminar Nasional Informatika 2014
[7] Sari, Indah Mayang, et.all, 2013. Pembuatan
Metode Evaluasi Kematangan Pelaksanaan
Proyek dengan Menggabungkan COBIT 5
Domain BAI 1.11 dan MEA 1.04 dengan
Best Practice PMBOK 4th. Studi Kasus :
Direktorat Pengelolaan Sistem Informasi
(DPSI) Bank Indonesia, Jurnal Teknik
Pomits, Vol. 1 No.1.
[8] Qualified Advice Partners. 2013. CobiT
Domains and Processes (COBIT 5/4.1).
http://www.qualified-audit-
partners.be/index.php?cont=463, Diakses tgl
: 29 Maret 2014, Jam : 10.28 WIB.
[9] Topham, B, 2013. DevOps and OpsDev:
How Maturity Model Works.
http://h30499.www3.hp.com/t5/Business-
Service-Management-BAC/DevOps-and-
OpsDev-How-Maturity-Model-Works/ba-
p/6042901, Diakses tgl : 29 Maret 2014, Jam
11.13 WIB.
[10] Agusriandi dan Idria Maita, 2013. Analisis
Maturity Level Sistem Informasi
Perpustakaan Dengan Framework COBIT
4.1 (Studi Kasus : Perpustakaan Universitas
Islam Riau). KNSI 2013, STMIK Bumigora.
215
Seminar Nasional Informatika 2014

SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI

UNSUR HARA PADA TANAMAN KELAPA SAWIT
Linda Wahyuni1, Surya Darma2, M. Rhifky Wayahdi3
1
Dosen STMIK Potensi Utama
2,3
Mahasiswa Jurusan Sistem Informasi, STMIK Potensi Utama
1,2,3
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com, 3 rhifky.wayahdi@yahoo.com

Abstrak

Kelapa sawit merupakan tumbuhan tropis yang tergolong dalam family Palmea dan berasal dari Afrika Barat.
Meskipun demikian, dapat tumbuh di luar daerah asalnya termasuk Indonesia, tanaman dengan nilai
ekonomis yang cukup tinggi ini merupakan salah satu tanaman penghasil minyak nabati, di samping itu salah
satu hambatan utama dalam pembudidayaan kelapa sawit yaitu kekurangan atau defisiensi unsur hara
tanaman. Melihat kondisi ini penulis membuat suatu aplikasi sistem pakar mengidentifikasi gejala defisiensi
unsur hara pada tanaman kelapa sawit dengan metode forward chaining yang bisa digunakan sebagai
pengganti pakar yang sebenarnya, hasil penelitian ini berupa program aplikasi sistem pakar yang mampu
mengidentifikasi gejala defisiensi unsur hara pada tanaman kelapa sawit.

Kata kunci : sistem pakar, defisiensi unsur hara, forward chaining, kelapa sawit.

1. Pendahuluan gejala defisiensi unsur hara pada tanaman kelapa

Kelapa sawit merupakan tumbuhan tropis
yang tergolong dalam family Palmea dan berasal
dari Afrika Barat. Meskipun demikian, dapat
tumbuh di luar daerah asalnya, termasuk di
Indonesia. Hingga kini tanaman ini telah
diusahakan dalam bentuk perkebunan dan pabrik
pengolahan kelapa sawit. Kelapa sawit
merupakan tanaman dengan nilai ekonomis yang
cukup tinggi karena merupakan salah satu
tanaman penghasil minyak nabati. Bagi
Indonesia, kelapa sawit memiliki arti penting
karena mampu menciptakan kesempatan kerja
bagi masyarakat dan sebagai sumber perolehan
devisa negara.
Salah satu tindakan perawatan tanaman yang
berpengaruh besar terhadap pertumbuhan dan
produksi tanaman adalah pemupukan. Pemupukan
bertujuan untuk menambah ketersediaan unsur
hara di dalam tanah terutama agar tanaman dapat
menyerapnya sesuai dengan kebutuhan. Dengan
pemupukan dapat meningkatkan produktivitas
tanaman, kekurangan atau defisiensi unsur hara
tanaman, dapat diketahui dari gejala-gejala yang
tampak pada tanaman. Defisiensi unsur hara yang
berlebihan dapat menurunkan produktivitas
tanaman bahkan dapat menyebabkan kematian.
[1]
Sistem pakar adalah sistem berbasis
komputer yang menggunakan pengetahuan, fakta
dan teknik penalaran dalam memecahkan masalah
yang biasanya hanya dapat dipecahkan oleh
seorang pakar dalam bidang tersebut [2], dalam
hal ini adalah permasalahan mengidentifikasi
sawit.
Pada penelitian ini penulis melakukan
penelitian untuk mengidentifikasi gejala defisiensi
unsur hara pada tanaman kelapa sawit dengan
metode forward chaining. Data yang tersimpan
dalam database akan menginformasikan suatu
keluhan dengan akurat dan dapat menyimpulkan
kekurangan unsur hara pada tanaman kelapa sawit
tersebut.
2. Dasar Teori
2.1 Sistem Pakar
Bidang sistem pakar merupakan
penyelesaiaan pendekatan yang sangat berhasil
dan bagus untuk permasalahan AI (Artificial
Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan
solusi AI bagi masalah pemrograman pintar
(intelligent). Profesor Edward Feigenbaum dari
Stanford University yang merupakan pionir dalam
teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program kamputer pintar
(intelligent computer program) yang
memanfaatkan pengetahuan (knowledge) dan
prosedur inferensi (inference procedure) untuk
memecahkan masalah yang cukup sulit sehingga
membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem
komputer yang ditujukan untuk meniru semua
aspek (emulates) kemampuan pengambilan
keputusan (decision making) seorang pakar.
Sistem pakar memanfaatkan secara maksimal

216

pengetahuan khusus selayaknya seorang pakar
untuk memecahkan masalah. [3]
2.2 Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang
dapat diambil dengan adanya sistem pakar, antara
lain [4]:
7. Membuat seorang yang awam bekerja seperti
layaknya seorang pakar.
8. Meningkatkan produktivitas akibat
meningkatnya kualitas hasil pekerjaan,
mengingkatnya kualitas pekerjaan ini
disebabkan meningkatnya efisiensi kerja.
9. Menghemat waktu kerja.
10. Menyederhanakan pekerjaan.
11. Merupakan arsip terpercaya dari sebuah
keahlian, sehingga bagi pemakai sistem pakar
seolah-olah berkonsultasi langsung dengan
sang pakar, meskipun mungkin sang pakar
telah tiada.
12. Memperluas jangkauan, dari keahlian seorang
pakar. Di mana sebuah sistem pakar yang
telah disahkan, akan sama saja artinya dengan
seorang pakar yang tersedia dalam jumlah
besar (dapat diperbanyak dengan kemampuan
yang persis sama), dapat diperoleh dan dipakai
di mana saja.
2.3 Metode Forward Chaining
Metode forward chaining adalah teknik
pencarian yang dimulai dengan fakta yang
diketahui, kemudian mencocokkan fakta-fakta
tersebut dengan bagian IF dari rules IF-THEN.
Bila ada fakta yang cocok dengan bagian IF,
maka rule tersebut dieksekusi. Bila sebuah rule
dieksekusi, maka sebuah fakta baru (bagian
THEN) ditambahkan kedalam database. Setiap
kali pencocokan, dimulai dari rule teratas. Setiap
rule hanya boleh dieksekusi sekali saja. Proses
pencocokan berhenti bila tidak ada lagi rule yang
bisa dieksekusi.[5]
2.4 Sekilas Sejarah Kelapa Sawit
Kelapa sawit pertama kali diperkenalkan di
Indonesia oleh pemerintah Belanda pada tahun
1848. Ketika itu ada empat batang bibit kelapa
sawit yang dibawa dari Mauritius dan Amsterdam
dan ditanam di Kebun Raya Bogor. Tanaman
kelapa sawit mulai diusahakan dan dibudidayakan
secara komersial pada tahun 1911. Perintis usaha
perkebunan kelapa sawit di Indonesia adalah
Adrien Hallet, seorang Belgia yang telah belajar
banyak tentang kelapa sawit di Afrika. Budi daya
yang dilakukannya diikuti oleh K. Schadt yang
menandai lahirnya perkebunan kelapa sawit di
Indonesia. Sejak saat itu perkebunan kelapa sawit
di Indonesia mulai berkembang. Perkebunan
kelapa sawit pertama berlokasi di Pantai Timur
Sumatera (Deli) dan Aceh. Luas areal
perkebunannya mencapai 5.123 ha. Indonesia
Seminar Nasional Informatika 2014
mulai mengekspor minyak sawit pada tahun 1919
sebesar 567 ton ke negara-negara Eropa,
kemudian tahun 1923 mulai mengekspor minyak
inti sawit sebesar 850 ton.[1]
2.5 Pemupukan
Salah satu tindakan perawatan tanaman yang
berpengaruh besar terhadap pertumbuhan dan
produksi tanaman adalah pemupukan. Pemupukan
bertujuan untuk menambah ketersediaan unsur
hara di dalam tanah terutama agar tanaman dapat
menyerapnya sesuai dengan kebutuhan. Dengan
pemupukan dapat meningkatkan produktivitas
tanaman.
Kekurangan atau defisiensi unsur hara
tanaman, dapat diketahui dari gejala-gejala yang
tampak pada tanaman. Defisiensi unsur hara yang
berlebihan menurunkan produktivitas tanaman
bahkan dapat menyebabkan kematian.
Pemberian pupuk pada tanaman harus
memperhatikan beberapa hal yang menjadi kunci
keefektifan pemberian pupuk, waktu pemberian,
serta jenis dan dosis pupuk. [1]
2.6 Keunggulan dan Manfaat Kelapa Sawit
Berbagai hasil penelitian mengungkapkan
bahwa minyak sawit memiliki keunggulan
dibandingkan dengan minyak nabati lainnya.
Menurut Yan Fauzi (2002) beberapa keunggulan
minyak sawit, yaitu [1] :
1. Tingkat efisiensi minyak sawit tinggi sehingga
mampu menempatkan CPO menjadi sumber
minyak nabati termurah.
2. Produkivitas minyak sawit tinggi yaitu 3,2
ton/ha, sedangkan minyak kedelai, lobak,
kopra, dan minyak bunga matahari masing-
masing 0,34, 0,51, 0,57, dan 0,53 ton/ha.
3. Memiliki sifat yang cukup menonjol
dibanding dengan minyak nabati lainnya,
karena memiliki keluwesan dan keluasan
dalam ragam kegunaan baik di bidang pangan
maupun non pangan.
4. Sekitar 80% dari penduduk dunia khususnya
di negara berkembang masih berpeluang
meningkatkan konsumsi per kapita untuk
minyak dan lemak terutama minyak yang
harganya murah (minyak sawit).
Menurut Yan Fauzi (2002), pemanfaatan
minyak sawit yaitu [1]:
1. Minyak kelapa sawit untuk industri pangan,
minyak kelapa sawit antara lain digunakan
dalam bentuk minyak goreng, margarin,
butter, dan bahan untuk membuat kue-kue.
2. Minyak kelapa sawit untuk industri non-
pangan, dalam hal ini minyak kelapa sawit
antara lain digunakan sebagai bahan baku
untuk industri farmasi, kandungan minor
antara lain karoten dan tokoferol sangat
berguna untuk mencegah kebutaan (defisiensi
217
Seminar Nasional Informatika 2014

vitamin A) dan pemusnahan radikal bebas G013 Tanaman lambat berbuah

yang selanjutnya juga bermanfaat untuk G014 Tanaman lambat pertumbuhan dan
mencegah kanker, arterosklerosis, dan
memperlambat proses penuaan. Minyak
perkembangan
kelapa sawit juga digunakan sebagai bahan G015 Kualitas biji dan buah jelek, kecil,
baku oleokimia; sebagai bahan baku industri dan cepat masak
kosmetik, aspal, dan detergen, dll. G016 Daun tua akan mengerut atau
keriting
3. Analisa dan Perancangan
G017 Pada keadaan parah, tanaman
Untuk mengidentifikasi gejala defisiensi menjadi layu dan mati
unsur hara pada tanaman kelapa sawit perlu G018 Timbul klorosis pada tepi daun
diketahui terlebih dahulu gejala-gejala yang yang sudah tua
timbul, Meskipun dari gejala klinis (gejala-gejala G019 Timbul bercak kuning transparan
yang terlihat langsung). Ada 4 tabel untuk pada daun dan berubah merah
membantu Rule basis pengetahuan untuk gejala
defisiensi unsur hara yaitu tabel gejala, tabel jenis kecoklatan serta mengering seperti
defisiensi unsur hara, tabel penanganan defisiensi hangus terbakar
usur hara, table keputusan ( pada lampiran ). G020 Rentan terhadap penyakit
Adapun table tersebut dapat dilihat sebagai G021 Kondisi yang berat, jaringan daun
berikut : akan kering dan mati
Tabel 1. Gejala Defisiensi Unsur Hara
G022 Daun kecoklat-coklatan dan merah
keungu-unguan
Kode G023 Pada kondisi yang berat, daun tua
Gejala Defisiensi Unsur Hara
Gejala akan menguning secara merata
G001 Warna daun menjadi pucat tetapi tulang daun berwarna hijau
G002 Warna daun hijau tua dan G024 Ukuran buah kecil-kecil
permukaannya terlihat mengkilap G025 Buah cepat rusak atau membusuk
kemerah-merahan G026 Pembentukan perakaran kurang
G003 Warna di sekitar daun kuning sempurna
terang serta klorosis terutama G027 Sering terjadi jaringan mati pada
pada daun muda, tetapi tulang sisi pinggir helaian daun sampai ke
daun tetap hijau masing-masing anak daun
G004 Daun kekuning-kuningan bahkan G028 Daun muda berwarna kuning dan
kemerah-merahan terutama pada terkadang tidak merata
daun yang agak tua-kondisi parah G029 Tanaman kerdil dan daun hijau
G005 Tepi daun banyak timbul gejala kekuning-kuningan bahkan
klorosis dan menjalar ketulang kemerah-merahan, tetapi tulang
daun daun tetap hijau
G006 Jaringan daun menjadi kering dan G030 Pada kondisi berat, jaringan daun
mati mati
G007 Kuncup daun yang masih muda G031 Pembentukan gizi tidak sempurna
sering mengalami kematian G032 Daun menjadi klorosis dan bagian
G008 Helaian daun menjadi pendek dan ujungnya berwarna putih
keras G033 Pertumbuhan tajuk mengering
G009 Daun berbentuk pendek-pendek atau membelok
G0010 Pertumbuhan tanaman terhambat G034 Ujung pelepah melingkar dan
dan kerdil membuka
G011 Bagian tepi daun, cabang, dan G035 Kuncup daun muda sulit membuka
batang mengecil dan berwarna dan pelayuannya cepat
merah keunguan dan lambat laun G036 Daun yang baru muncul bentuknya
berubah menjadi kuning kerdil dan berkerut
G012 Bagian pucuk akan banyak daun G037 Daun dan pelepah mengering
yang gugur dan mati

218

Tabel 2. Jenis Defisiensi Unsur Hara
Kode
Kekurang
Jenis Defisiensi Unsur Hara
an Unsur
Hara
J001 Defisiensi Nitrogen (N)
J002 Defisiensi Fosfor (P)
J003 Defisiensi Besi (Fe)
J004 Defisiensi Kalium (K)
J005 Defisiensi Kalsium (Ca)
J006 Defisiensi Magnesium (Mg)
J007 Defisiensi Sulfur (S)
J008 Defisiensi Mangan (Mg
J009 Defisiensi Tembaga (Cu)
J010 Defisiensi Seng (Zn)
J011 Defisiensi Boron (B)
Tabel 3. Penanganan Defisiensi Unsur Hara
Kode
Penanga
nan Penanganan Defisiensi Unsur
Defisien Hara
si Unsur
Hara
S001 Aplikasi pupuk secara merata
dipinggiran pada saat kondisi tanah
lembab, tambah urea pada tanaman
kelapa sawit, kendalikan gulma
S002 Berikan pupuk P secukupnya pada
masa pembibitan, waktu penanaman
di lahan dan selama masa TBM, baik
kelapa sawit maupun LCC untuk
membangun persediaan phospat
dalam tanah. RP dapat diberikan
secara besar-besaran 1 ton/ha pada
LCC.
S003 Dengan menambahkan pupuk organik
yang tinggi, pemberian pupuk organik
cair untuk pemupukan susulan, serta
penyemprotan pupuk daun dengan
kandungan mikro lengkap.
S004 Memberikan pemupukan K yang
cukup, mendaur ulang K yang terambil
sebagai produksi, berupa pemupukan
dengan abu tandan atau mulching
dengan tandan kosong, Mulching
dengan tandan kosong sangat
diutamakan pada tanah berpasir, guna
membangun daya simpan tanah
terhadap makanan yang diberikan
S005 Dengan menambahkan pupuk kimia
kieserite, menambahkan pupuk kapur
Seminar Nasional Informatika 2014
dolomite (Mg=18%), serta pupuk daun
yang mengandung unsur Mg.
S006 Aplikasi Pupuk Mg dengan dosis yang
cukup dapat memperbaiki tekstur
tanah, Aplikasi Pupuk Mg secara
merata pada pinggir piringan,
pencegahan erosi terutama pada
tanah berpasir dengan curah hujan
yang tinggi, pada tanah yang beraksi
sangat masam dolomite dipakai
sebagai sumber utama pupuk Mg,
karena ada efek samping menaikkan
pH tanah, bagaimanapun juga
sebenarnya kiesrite lebih mudah
tersedia bagi tanaman
S007 Dengan menambahkan pupuk kimia
ZA (S=20%), Phonska(S=10%), serta
pupuk daun yang mengandung unsur
S.
S008 Dengan menambahkan pupuk kimia
kieserite, kapur dolomite (Mg=18%),
serta pupuk daun yang mengandung
unsur Mg.
S009 Inspeksi lapangan agar gejala awal
dapat terdeteksi secara dini, defisiensi
Cu di Nursery dilakukan drenching
dengan 0.05 % larutan CuSO4 (0.5
gram dalam 1 liter air), pemupukan
koreksi terhadap defisiensi K pada
tanah gambut maupun tanah berpasir,
dapat memperbaiki pengambilan Cu,
basahi tajuk dengan 200 ppm Cu SO4.
S010 Pemberian pupuk lewat tanah
sebaiknya dilakukan saat tanaman
masih muda, sebelum gejala
kekurangan Zn terlihat, menambahkan
pupuk organic yang tinggi, pemberian
pupuk organic cair untuk pemupukan
susulan, penyemprotan pupuk daun
dengan kandungan mikro lengkap
S011 Memberikan pemupukan HGF Borate
sebanyak 100 – 200
gram/pokok/tahun, berikan HGF
Borate pada pangkal batang atau pada
ketiak daun/pelepah.
1. Desain Sistem
Perancangan desain sistem yang akan
dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan kali ini hanya use case diagram
saja.
Use Case Diagram
Diagram ini menggambarkan interaksi
beberapa aktor dengan sistem digambarkan pada
gambar 1 berikut ini :
219
Seminar Nasional Informatika 2014

pengetahuan dibutuhkan untuk menangkap sifat-

SISTEM PAKAR MENGIDENTIFIKASI GEJALA DEFISIENSI UNSUR HARA PADA TANAMAN
KELAPA SAWIT
sifat penting masalah dan mempermudah
prosedur pemecahan masalah dalam mengakses
Login pakar
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu
<<include>> mengekspresikan pengetahuan (fakta), namun
<<include>>

<<include>>
semua cara tersebut harus mengacu pada dua
Melihat informasi
Manipulasi entitas berikut.
<<include>> jenis unsur hara
1. Fakta, yaitu kejadian sebenarnya. Fakta inilah
Manipulasi
Mengisi data user <<include>>
gejala yang akan kita representasikan.
Pakar
Mengolah basis 2. Representasi dari fakta. Berdasarkan
<<include>> pengetahuan

<<extend>>
representasi inilah kita dapat mengolah
Konsultasi
fakta.[5]
User
<<include>>
Manipulasi hasil
Representasi pengetahuan, kaidah produksi
dibentuk dari pengubahan tabel keputusan.
Melihat hasil konsultasi
Pembuatan suatu kaidah dilakukan dengan
Mengolah data pakar
beberapa tahapan. Sebagai contoh perhatian
<<extend>> pembuatan kaidah konklusi ini akan dapat
tercapai bila kondisi – kondisi yang mendukung
<<include>>

Cetak laporan
hasil konsultasi
Login admin
terpenuhi. Pembuatan kaidah menggunakan goal
<<include>>

<<include>> dan kondisi yang telah diperolah, seperti pada

Admin
Mengolah data admin tabel 1 di bawah ini :
<<include>>
(tabel dilampiran)
Setiap spektrum di atas akan di buat
Melihat laporan
kombinasi untuk setiap kemungkinan gejala
hasil konsultasi
terpenuhi dan disesuaikan dengan jenis
kekurangan unsur hara. Berikut ini akan di
Gambar 1. Use Case Diagram gambarkan dalam pohon keputusan pada gambar
4 di bawah ini.
Pada use case diagram di atas terdapat 3 aktor
yaitu User, Pakar, dan Admin. Dari ketiga aktor Y
G006
T

tersebut memiliki peranan masing-masing, yaitu Y

G008 G002
T
Y
tugas user yang melakukan konsultasi, sebelum G010 G009 G016

user melakukan aktifitas konsultasi user G001

Y

T G011
Y Y

G019
T

G003

diwajibkan mengisi data user terlebih dahulu, Y

G028
Y Y Y T
J001 G020
dikarenakan agar seorang admin dapat Y
Y
G013
Y Y
G012

Y
G005
T

mengetahui pengguna sistem tersebut, setelah J007

Y
G015
Y
G024 G014
G007 G018
Y
user melakukan konsultasi, user dapat melihat J002 G025 J003 G021
Y

G022
Y T

G004
langsung hasil konsultasi tersebut dan perintah Y
Y Y Y T
J004
terakhir yaitu sistem mengijinkan user untuk Y
G026
Y
G023
G037
Y
G017
Y T
dapat langsung mencetak laporan ataupun tidak J005 G027 J010 G032 G029
T
mencetak laporan hasil konsultasi user tersebut. J006
Y

J009
Y Y

G030
G033

Pakar di sini bertindak sebagai manipulasi jenis Y Y

G031
unsur hara, manipulasi gejala, mengolah basis Y Y
G034

pengetahuan, manipulasi hasil setelah sebelumnya J008

Y
G035

telah melakukan login pakar terlebih dahulu, G036

Y
sedangkan admin bertugas sebagai pengolah data
J011
pakar, mengolah data admin, dan melihat laporan
hasil konsultasi untuk keperluan akses sistem.
Gambar 4. Pohon Keputusan
4. Pembahasan
Dalam perancangan basis pengetahuan ini
digunakan kaidah produksi sebagai sarana untuk
Representasi Pengetahuan
Representasi pengetahuan (knowledge representai pengetahuan. Kaidah produksi
representation) adalah cara untuk menyajikan dituliskan dalam bentuk pernyataan JIKA
pengetahuan yang diperoleh ke dalam suatu [premis] MAKA [konklusi]. Pada perancangan
skema/diagram tertentu sehingga dapat diketahui basis pengetahuan sistem pakar ini premis adalah
relasi antara suatu pengetahuan dengan gejala dan konklusi adalah jenis unsur hara,
pengetahuan yang lain dan dapat dipakai untuk sehingga bentuk pernyataannya adalah JIKA
menguji kebenaran penalarannya. Representasi [gejala] MAKA [jenis unsur hara].
Bentuk pernyataannya adalah :

220
 Seminar Nasional Informatika 2014

JIKA [gejala 1] membusuk,

JIKA [gejala 2] THEN Defisiensi Kalium (K)
DAN [gejala 3]
MAKA [Jenis unsur hara]
Dan Untuk kaidah produksinya dapat dilihat 5. Kaidah untuk Defisiensi Kalsium (Ca)
di bawah ini :
IF Tepi daun banyak timbul gejala
1. Kaidah untuk Defisiensi Nitrogen (N)
klorosis dan menjalar ketulang
IF Warna daun menjadi pucat,
daun,
AND Jaringan daun menjadi kering
AND Kuncup daun yang masih muda
dan mati,
sering mengalami kematian,
AND Helaian daun menjadi pendek
AND Kondisi yang berat, jaringan
dan keras,
daun akan kering dan mati,
AND Pertumbuhan tanaman
AND Pembentukan perakaran kurang
terhambat dan kerdil,
sempurna,
THEN Defisiensi Nitrogen (N)
THEN Defisiensi Kalsium (Ca)
2. Kaidah untuk Defisiensi Fosfor (P)
6. Kaidah untuk Defisiensi Magnesium (Mg)
IF Warna daun hijau tua dan
IF Timbul klorosis pada tepi daun
permukaannya terlihat
yang sudah tua,
mengkilap kemerah-merahan,
AND Daun kecoklat-coklatan dan
AND Daun berbentuk pendek-
merah keungu-unguan,
pendek,
AND Pada kondisi yang berat, daun
AND Bagian tepi daun, cabang, dan
tua akan menguning secara
batang mengecil dan berwarna
merata tetapi tulang daun
merah keunguan dan lambat
berwarna hijau,
laun berubah menjadi kuning,
AND Sering terjadi jaringan mati
AND Tanaman lambat berbuah,
pada sisi pinggir helaian daun
AND Kualitas biji dan buah jelek,
sampai ke masing-masing anak
kecil, dan cepat masak,
daun,
THEN Defisiensi Fospor (P)
THEN Defisiensi Magnesium (Mg)
3. Kaidah untuk Defisiensi Besi (Fe)
7. Kaidah untuk Defisiensi Sulfur (S)
IF Warna di sekitar daun kuning
IF Pertumbuhan tanaman
terang serta klorosis terutama
terhambat dan kerdil,
pada daun muda, tetapi tulang
AND Daun muda berwarna kuning
daun tetap hijau,
dan terkadang tidak merata,
AND Tanaman lambat pertumbuhan
AND Helain daun menjadi pendek
dan perkembangannya,
dan keras,
AND Bagian pucuk akan banyak daun
AND Jaringan daun menjadi kering
yang gugur dan mati,
dan mati,
THEN Defisiensi Besi (Fe)
THEN Defisiensi Sulfur (S)
4. Kaidah untuk Defisiensi Kalium (K)
8. Kaidah untuk Defisiensi Mangan (Mn)
IF Daun tua akan mengerut atau
IF Tanaman kerdil dan daun hijau
keriting,
kekuning-kuningan bahkan
AND Timbul bercak kuning
kemerah-merahan, tetapi
transparan pada daun dan
tulang daun tetap hijau,
berubah merah kecoklatan
AND Pada kondisi berat, jaringan
serta mengering seperti hangus
daun mati,
terbakar,
AND Pembentukan gizi tidak
AND Rentan terhadap penyakit,
sempurna,
AND Ukuran buah kecil-kecil,
THEN Defisiensi Mangan (Mg)
AND Buah cepat rusak atau

221
Seminar Nasional Informatika 2014

9. Kaidah untuk Defisiensi Tembaga (Cu) 6. Kesimpulan

IF Daun menjadi klorosis dan
bagian ujungnya berwarna
putih,
AND Pada keadaan parah, tanaman
menjadi layu dan mati,
THEN Defisiensi Tembaga (Cu)
10. Kaidah untuk Defisiensi Seng (Zn)
IF Daun kekuning–kuningan
bahkan kemerah–merahan
terutama pada daun yang agak
tua-kondisi parah,
AND Daun dan pelepah mengering,
THEN Defisiensi Seng (Zn)
11. Kaidah untuk Defisiensi Boron (B)
IF Pertumbuhan tajuk mengering
atau membelok,
AND Ujung pelepah melingkar dan
membuka,
AND Daun yang baru muncul
bentuknya kerdil dan berkerut,
AND Kuncup daun muda sulit
membuka dan pelayuannya
cepat,
THEN Defisiensi Boron (B).
5. Hasil
Halaman ini merupakan tampilan data hasil
konsultasi user yang telah menjawab beberapa
pertanyaan dari sistem yang dibangun. Hasilnya
berupa data diri user, gejala defisiensi unsur hara,
penanganan, dan gambar dari kekurangan gejala
defisiensi unsur hara tersebut. Gambar 5. Berikut
ini menampilkan halaman hasil konsultasi user.
Berdasarkan selesainya penyusunan makalah
ini, maka dapat diambil kesimpulan sebagai
berikut:
1. Sistem pakar yang dibangun membantu
para petani atau asisten perkebunan
industri kelapa sawit dalam memberikan
kesimpulan tentang kekurangan unsur hara
pada tanaman kelapa sawit tersebut, dan
keakuratannya mencapai 83% dengan
membandingkan gejala-gejala yang ada
serta di lengkapi gambar sebagai contoh
kekurangan unsur hara tersebut.
2. Penggunaan sistem pakar dalam sistem ini
adalah berdasarkan hasil penelitian yang
dilakukan, dirancang agar dapat
menyelesaikan suatu permasalahan
tertentu dengan meniru kerja para ahli, dan
dapat menjawab pertanyaan yang
menyangkut bidang keahliannya.
3. Sistem pakar yang dibangun menggunakan
metode forward chaining.
4. Perancangan sistem pakar
mengidentifikasi gejala defisiensi unsur
hara pada tanaman kelapa sawit
menggunakan bahasa pemrograman PHP
dengan database MySQL
5. Aplikasi sistem pakar mengidentifikasi
gejala defisiensi unsur hara pada tanaman
kelapa sawit menampilkan interface yang
menarik dan user friendly sehingga
memudahkan pengguna dalam pemakaian
aplikasi ini.
6. Pada aplikasi sistem pakar ini telah jelas
batasan antara user, admin dan Pakar.
Daftar Pustaka
[1] Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
[2] Kusrini, 2006, Sistem Pakar : Teori dan
Aplikasi, Yogyakarta, Andi Offset.
[3] Rosnelly Rika, 2012, Sistem Pakar Konsep
dan Teori, Yogyakarta, Andi Offset.
[4] Sari Ria Eka, 2013, Sistem Pakar Untuk
Mendeteksi Penyakit THT Dengan
Menggunakan Metode Forward Chaining,
Prosiding SNIf STMIK Potensi Utama
2013.
[5] Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.

Gambar 5. Halaman Data Hasil Konsultasi

222
 Seminar Nasional Informatika 2014

TEKNIK PEMBELAJARAN DASAR PENGENALAN ALPHABET

PADA ANAK PAUD DENGAN MENGGUNAKAN GAME ANDROID
Rahadi Deli Saputra1, Asep Parid Soleh Hambali2, Royyan Fuad Mulyana3
1,2
Jurusan Teknik Informatika
3
STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya
1
rahadisianipar@gmail.com, 2aspardwi@yahoo.co.id, 3royyanfuadmulyana@yahoo.co.id

Abstrak

Pada umumnya pengenalan pembelajaran akademik di setiap sekolah paud sama saja. Salah satu
permasalahan yang sering timbul yaitu dalam proses penyampaian pembelajaran. Pembelajaran yang harus
disampaikan menjadi membosankan, dan kurang menarik karena hanya mengandalkan buku saja. Maka dari
itu, Penulis berusaha untuk mengurangi permasalahan yang timbul dalam penyampaian pembelajaran
tersebut dengan dibuatkan game android. Metode yang digunakan yaitu metode penelitian kualitatif, karena
Penulis langsung mengamati dan kemudian membuat pemecahan masalah. Penulis menggunakan Eclips dan
Android SDK dalam proses pembuatan aplikasi ini. Dengan dibuatkannya Game Android ini Penulis
berharap dapat membantu pihak sekolah dan pihak sekolah pun bisa memberikan pelayanan yang maksimal
dalam penyampaian pembelajarannya.

Kata kunci : Pengolahan aplikasi, Penelitian Kualitatif Eclips,Game Android.

1. PENDAHULUAN 3. Mengetahui sejauh mana sistem informasi

Dalam suatu perkembangan teknologi
informatika yang semakin bekembang pada saat
ini banyak sekali cara untuk dapat
mengembangkan sesuatu. Salah satu contohnya
adalah dengan permainan atau game yang dapat
cepat di tangkap oleh daya ingat anak - anak
untuk dalam masa perkembangannya.
Di sekolah alphabet dimana sekolah
tersebut merupakan sekolah anak – anak sebelum
memasuki pra TK ( Taman Kanak-kanak ),
dimana permasalahan sekolah tersebut adalah
cara mengangajar yang masih menggunakan buku
biasa tanpa adanya bentuk - bentuk permainan di
dalamnya.
Dari latar belakang di atas maka penyusun
dapat mengidentifikasi masalah yaitu siswa sulit
menangkap pelajaran dan seringnya siswa bosan
terhadap metode yang biasa.
Penelitian ini pada bagaimana
memudahkan anak dalam membaca huruf
alphabet dengan mudah, bagaimana membuat
metode pembelajaran formal menjadi
pembelajaran sekaligus menghibur, sehingga
dapat mengatasi kesulitan anak saat belajar
membaca huruf melalui program aplikasi android.
Maksud dari penelitian ini adalah :
1. Untuk mempermudah pembelajaranmembaca
huruf alphabet .
2. Menerapkan ilmu yang di dapat di bangku
kuliah dengan memperaktekan dalam
kenyataan yang sebenarnya.
berbasis komputer dengan teknik basis data
untuk pembuatan game android.
Tujuan dari penelitian ini adalah :
1. Dengan adanya penerapan game ini,
diharapkan memudahkan anak dalam belajar
membaca huruf alphabet.
2. Memberikan hiburan kepada anak supaya tidak
jenuh belajar membaca huruf alphabet.
“Aplikasi adalah suatu kelompok file (form, class,
report) yang bertujuan untuk melakukan aktivitas
tertentu yang saling terkait.”
“Program Aplikasi adalah penerapan dari
kumpulan intruksi atau perintah terperinci yang
sudah dipersiapkan supaya komputer melakukan
fungsinya dengan cara yang sudah di tentukan.”
“Data adalah bahan baku informasi di
definisikan sebagai kelompok teratur symbol-
simbol yang memiliki kualitas, tindakan, benda
dan sebagainya. Data terbentuk dari karakter,
yang dapat berupa alphabet, angka, maupun
simbol-simbol khusus seperti *, $ dan /. Data
disusun untuk di olah dalam bentuk struktur
data, struktur file, dan database.”
“Secara konseptual data adalah deskripsi tentang
benda, kejadian, aktifitas, dan transaksi yang
tidak mempunyai makna atau tidak berpengaruh
secara langsung kepada pemakai.”
“Kata data dalam bahasa inggris berasal
dari kata bahasa latin yang berarti fakta”
“Data juga didefinisikan sebagai
deskripsi dari sesuatu dan kejadian yang kita
hadapi (the description of things and events that
we face)”

223
Seminar Nasional Informatika 2014

Jadi penyusun dapat menyimpulkan Rancangan sistem secara umum dilakukan

bahwa data adalah keterangan-keterangan atau dengan maksud untuk memberikan gambaran
fakta-fakta yang bisa berbentuk angka, tulisan umum tentang sistem yang baru atau sistem yang
atau suara yang akan dijadikan suatu sumber akan diusulkan. Rancangan ini mengidentifikasi
informasi dan berguna bagi yang membutuhkan. komponen-komponen sistem informasi yang
“Pengolahan data adalah suatu proses dirancang secara rinci.
penerima data sebagai masukan (input),
memproses (processing) menggunakan program A. Use Case Diagram
tertentu, dan mengeluarkan hasil proses data
tersebut dalam bentuk informasi (output).”
“Pengolahan data (data processing) adalah
manipulasi dari data ke dalam bentuk yang lebih
berguna dan lebih berarti. Berupa suatu
informasi.”
“Pengertian koperasi secara sederhana
berawal dari kata ”co” yang berarti bersama dan
”operation” (Koperasi operasi) artinya bekerja.
Jadi pengertian koperasi adalah kerja sama.
Sedangkan pengertian umum koperasi adalah :
suatu kumpulan orang-orang yang mempunyai Gambar 1. Use Case Diagram
tujuan sama, diikat dalam suatu organisasi yang
berasaskan kekeluargaan dengan maksud Pada diagram use case online ini terdapat
mensejahterakan anggota. duaaktor yakni admin, pengunjung umum ( yaitu
guru dan murid ).
2. METODE PENELITIAN
B. Default Use Case
Dalam penyusunan Penelitian ini, Penulis
melakukan perancangan dengan menggunakan Tabel 1. Default Use Case Guru
Metode Deskriftif dan Kualitatif, “Metode Usecase Name : Admin
Deskriftif adalah menggambarkan secara tepat Skenario : Masuk dan membuka
sifat-sifat suatu individu, keadaan, gejala atau hal- aplikasi game
hal yang terjadi.“Metodologi Kualitatif sebagai Brief Deskription : Admin mempelajari dan
prosedur penelitian yang menghasilkan data memahami game.
deskriptif berupa kata – kata tertulis atau lisan Actors : Admin
dari orang – orang dan perlilaku yang diamati. Relate use case : -
Dalam penelitian ini Metode Deskriptif dan Stake holder : Admin
kualitatif dijadikan sebagai landasan untuk
Precondition : admin harus sudah bisa
mengajarkan Huruf Alphabet guna mempermudah
menguasai game ini
dalam membaca alphabet pada anak-anak serta
sehingga dapat
mengurangi kejenuhan dalam belajar melalui
menerangakan dengan
penerapan aplikasi game android, serta pengajar
baik dan benar
dapat mengajar dengan lebih mudah.
Postcondition : -
Flow of event : Actor Sistem
Admin Sistem
3. HASIL PEMBAHASAN melihat melakukan
huruf, pengeceka
3.1. Deskripsi Perancangan angka dan n data
Dengan menggunakan sistem informasi ini gambar game.
diharapkan dapat mengatasi kekurangan- ,belajar
kekurangan yang terjadi pada sistem yang telah menulis
berjalan sebelumnya. Adapun inovasi yang baru huruf dan
meliputi : memberika
1. Sebagai sarana untuk menyampaikan sn tugas,
informasi hasil pengolahan data akademik melihat
selain bisa didapatkan langsung dengan aplikasi
mengunjungi lokasi. dan keluar
2. Mempermudah sistem kerja bagian
akademik dalam penyampaian informasi.
3.2. Perancangan Sistem

224
 Seminar Nasional Informatika 2014

Tabel 2. Default Use Case Murid D. Struktur Tabel

Usecase Name : User
Skenario : Masuk dan membuka 1. File User
aplikasi game Nama : user
Brief Deskription : User mempelajari dan Deskripsi : Tempat penyimpanan guru.
memahami game. Tabel 3 Fieldna Typ Siz Actio
Actors : User Penyimpan me e e n
Relate use case : - an GuruNo
Stake holder : User 1 Nama_gu Strin 20 Primar
Precondition : user harus sudah bisa ru g y key
menguasai game ini 2 NIP Int 30
sehingga dapat 3 Alamat Strin 30
menerangakan dengan baik g
dan benar 4 Jenis_Kel Strin 10
Postcondition : - g
Flow of event : Actor Sistem 5 Tgl_lahir Int
User melihat Sistem
huruf, melakukan 2. File User
angka, pengeceka Nama : user
gambar dan n data Deskripsi : Tempat penyimpanan siswa.
memainkan game.
game tugas, Tabel 4. Penyimpanan Siswa
dan keluar No Fieldname Type Size Action
1 Nma_siswa String 20 Primary
C. Activity Diagram key
2 NIS Int 30
Activity diagram merupakan suatu bentuk 3 Alamat String 30
flow diagram yang memodelkan alur kerja 4 Jenis_Kel String 10
(workflow) sebuah proses sistem informasi dan 5 Tgl_lahir Int
urutan aktifitas sebuah proses. Diagram ini sangat
mirip dengan sebuah flowchart karena kita dapat
memodelkan sebuah alur kerja dari suatu aktifitas E. Class Diagram
ke aktifitas lainnya atau dari suatu aktifitas
kedalam keadaan sesaat. Activity diagram akan Class Diagram adalah aplikasi edukasi
lebih bermanfaat apabila terlebih dahulu kita pembelajaran dasar pengenalan anak paud dengan
memodelkan sebuah proses untuk membantu kita menggunakan game android.Class Diagram ini
memahami proses secara keseluruhan. menggunakan Plug-in Eclipse untuk membuat
class diagram secara otomatis berdasarkan
program yang kita buat dalam Eclipse IDE.

Gambar 4. Class Digram

Gambar 2. Diagram Activity Admin

225
Seminar Nasional Informatika 2014
F. Square Diagram
Square Diagram adalah penggambarkan urutan
interaksi proses yang berlangsung antara aplikasi
dengan pengguna / user.
Gambar 5. Square Diagram
G. Perancangan User Interface
Gambar 6. Rancangan Main Menu
H. Rancangan Menu Belajar Huruf
Gambar 7. Rancangan Menu Belajar Huruf
226
4. KESIMPULAN
Setelah penyusun membahas dan
memaparkan hasil observasi yang telah penyusun
lakukan di Sekolah Alphabet Kota Tasikmalaya,
khususnya di bagian pengajaran maka penyusun
dapat mengambil kesimpulan sebagai berikut :
1. Untuk mempermudah dalam membaca
alphabet pada anak-anak serta mengurangi
kejenuhan dalam belajar.
2. Dengan adanya menerapkan aplikasi game
android ini, pengajar dapat mengajar dengan
lebih mudah.
5. SARAN
Berdasarkan hasil analisis terhadap sistem
yang ada , maka penyusun mengajukan beberapa
saran sebagai berikut :
1. Untuk meningkatkan kinerja pengajar dalam
mengajar, maka diperlukan sistem yang baik
serta adanya program aplikasi game android
khusus ini dapat memudahakan cara
pengajaranya.
2. Pemilihan orang yang ahli dibidangnya dan
dapat menguasai minimal gadget smartphone
android karena sebelum aplikasi digunakan,
perlu adanya pelatihan dalam penggunaannya.
3. Dilakukan backup data untuk mengantisipasi
kerusakan data.
DAFTAR PUSTAKA
[1] Kristanto, Cara Mudah Membuat Sebuah
Aplikasi Market, Yogyakarta: 2009, hal 60.
[2] Tim Penelitian dan Pengembangan Wahana
Computer, Pedoman Praktis Pemrograman
Visual Foxpro 9.0, Yogyakarta: Cetakan
2010, Hal. 15
[3] Gordon B. Davis, Kerangka Dasar Sistem
Informasi Manajemen BagianPengantar.
(Jakarta : PT. Gramedia, 2011), hal 29
[4] Kadir Abdul Pengenalan sistem informasi.
(Yogyakarta : Andi Ofset. 2009), Hal. 29
[5] Wahyudi, Bambang., S.Kom., MMSi.,
Konsep Sistem Informasi dari BIT Sampai
ke DATABASE, Andi, Yogyakarta, 2010,
hal. 15
[6] Bin Ladjamuddin,AL-Bahra., Analisis dan
Desain Sistem Informasi,(GRAHA
ILMU:Yogyakarta,2011),HAL.8.
[7] Tata, Sutabri, S.Kom., MM, Sistem
Informasi Manajemen, (Jakarta : Andi.
2010) hal. 109
[8] Jogianto. H.M, Pengantar Komputer,
(Yogyakarta, Andi Offset 2010), hal 3”
 Seminar Nasional Informatika 2014

APLIKSASI TES BILANGAN PRIMA MENGUNAKAN RABIN-

MILLER, GCD, FAST EXPONENSIAL DAN FAKTORISASI PRIMA
UNTUK DASAR MATEMATIS KRIPTOGRAFI
Budi Triandi

STMIK Potensi Utama, Jl. K.L Yos Sudarso Km.6.5 No.3A Tanjung Mulia Medan
buditriandi@gmail.com

Abstrak

Keamanan data merupakan suatu hal yang sangat penting dan merupakan kebutuhan bagi setiap orang yang
melakukan transaksi data melalui media online. Dalam kriptografi terdapat beberapa model untuk melakukan
pengamanan data, salah satunya adalah penggunaan kunci dalam mengamankan data, kunci yang digunakan
dalam teknik penyandian terbagi menjadi dua yaitu public key dan private key. Penggunaan kunci pablik
pada kriptografi dihadapkan pada permasalahan yang sulit seperti faktorialisasi, algoritma diskrit, kurva
elips, problema Knapsack dan lainnya. Perpangkatan modulo, faktorialisasi dan penggunaan bilangan prima
merupakan hal yang sangat mendasar dalam matematika kriptografi dalam pembentukan kunci pablik.
Makalah ini membahas tentang implementasi algoritma Rabin–Miller, Fast Exponentiation, GCD (Greatest
Common Divisor) dan faktorisasi prima kedalam alpikasi bantu yang dapat membantu dalam proses
pemahaman untuk dasar perhitungan matematis kriptografi untuk proses pembelajaran. Algoritma Tes
bilangan prima Rabin – Miller, Fast Exponentiation dan GCD (Greatest Common Divisor) dapat digunakan
untuk bilangan yang besar hingga 15 digit.

Kata Kunci : GCD, Fast Exponentiation, Rabin–Miller, faktorisasi prima

1. Pendahuluan demi tahap untuk menentukan dan menjelaskan

Keamanan data saat ini sudah menjadi
kebutuhan bagi setiap orang yang melakukan
transaksi data melalui media online, banyak
teknik keamanan yang dirancang sedemikian rupa
sehingga memunculkan bebagai asfek kerumitan
dalam hal pemahaman konsep dan teknik
pengamana data. Dalam kriptografi terdapat
beberapa model dalam melakukan pengamanan
data, salah satunya adalah penggunaan kunci
dalam mengamankan data, kunci dalam
kriptografi digunakan untuk melakukan otentikasi
data pada saat melakukan enkripsi dan depkripsi
data, kunci yang digunakan dalam teknik
penyandian terbagi menjadi dua yaitu public key
dan private key. Penggunaan kunci pablik pada
kriptografi dihadapkan pada permasalahan yang
sulit seperti faktorialisasi, algoritma diskrit, kurva
elips, problema Knapsack dan lainnya.
Perpangkatan modulo, faktorialisasi dan
penggunaan bilangan prima merupakan hal yang
sangat mendasar dalam matematika kriptografi
dalam pembentukan kunci pablik.
Dalam hal pemahaman faktorialisasi,
perpangkatan modulo dan pengujian bilangan
prima dengan mengunakan teknik perhitungan
manual dan konversi oral terkadang sering
mengalami hambatan, sebagai contoh mencari
hasil dari 410000 dan 3500 berdasarkan
permasalahan tersebut dalam hal ini dibutuhkan
aplikasi bantu yang dapat menguraikan tahap
langka pencarian faktorialisasi, perpangkatan
modulo dan pengujian bilangan prima.
Proses kerja dari aplikasi bantu tersebut akan
dibahas secara terperinci dan diakhir pembahasan
akan diuraikan hasil kinerja aplikasi bantu, dari
hasil tersebut nantinya diharapkan dapat dijadikan
bahan dalam pengembangan ilmu pengetahuan
dalam bidang teknologi keamanan data yang
dapat mendukung dalam proses belajar mengajar.
2. Landasan Teori
2.1. Bilangan
Di antara sistem bilangan, yang paling
sederhana adalah bilangan-bilangan asli yaitu 1,
2, 3, 4, 5, …. Dengan bilangan ini kita dapat
menghitung buku-buku kita, teman-teman kita,
dan uang kita. Jika menggandengkan negatifnya
dan nol, diperoleh bilangan-bilangan bulat yaitu
…, -3, -2, -1, 0, 1, 2, 3, ….
Dalam pengukuran panjang, berat atau
tegangan listrik, bilangan-bilangan bulat tidak
memadai. Bilangan ini terlalu kurang untuk
memberikan ketelitian yang cukup. Oleh karena
itu dituntun juga untuk mempertimbangkan hasil
bagi (rasio) dari bilangan-bilangan bulat yaitu ¾,
½, dan sebagainya. Bilangan-bilangan yang dapat
dituliskan dalam bentuk m/n dimana m dan n
adalah bilangan-bilangan bulat dengan n ≠ 0,
disebut bilangan-bilangan rasional.

227
Seminar Nasional Informatika 2014
Bilangan-bilangan rasional tidak berfungsi
untuk mengukur semua panjang. Fakta yang
mengejutkan ini ditemukan oleh orang Yunani
kuno beberapa abad sebelum Masehi. Mereka
memperlihatkan bahwa meskipun √2 merupakan
panjang sisi miring sebuah segitiga siku-siku
dengan sisi-sisi 1, bilangan ini tidak dapat
dituliskan sebagai suatu hasil bagi dari dua
bilangan bulat. Jadi √2 adalah suatu bilangan tak
rasional. Demikian juga bentuk-bentuk akar
lainnya.
Sekumpulan bilangan (rasional dan tak
rasional) yang dapat mengukur panjang, bersama-
sama dengan negatifnya dan nol dinamakan
bilangan-bilangan riil. Bilangan-bilangan riil
dapat dipandang sebagai pengenal (label) untuk
titik-titik sepanjang sebuah garis mendatar. Di
sana bilangan-bilangan ini mengukur jarak ke
kanan atau ke kiri (jarak berarah) dari suatu titik
tetap yang disebut titik asal dan diberi label 0.
Walaupun tidak mungkin memperlihatkan semua
label itu, tiap titik memang mempunyai sebuah
label tunggal bilangan riil. Bilangan ini disebut
koordinat titik tersebut. Dan garis koordinat yang
dihasilkan diacu sebagai garis riil.
Gambar 1. Sistem Bilangan
Sistem bilangan masih dapat diperluas lebih
jauh lagi ke bilangan yang disebut bilangan
kompleks. Bilangan-bilangan ini berbentuk a +
b√-1, dimana a dan b adalah bilangan-bilangan
riil.
2.2. Konsep Dasar Matematis Kriptografi
Dasar matematis yang mendasari proses
enkripsi dan dekripsi adalah relasi antara dua
himpunan yaitu himpunan berisi elemen plaintext
dan himpunan berisi elemen ciphertext. Enkripsi
dan dekripsi merupakan fungsi tranformasi antara
dua himpunan tersebut. Bila himpunan plaintext
dinotasikan dengan P dan himpunan ciphertext
dinotasikan dengan C, sedang fungsi enkripsi
dinotasikan dengan E dan fungsi dekripsi dengan
D maka proses enkripsi-dekripsi dapat dinyatakan
dalam notasi matematis dengan :
E(P) = C dan
D(C) = P
Karena proses enkripsi-dekripsi
bertujuan memperoleh kembali data asal, maka :
D(E(P)) = P
Relasi antara himpunan plaintext dengan
himpunan ciphertext harus merupakan fungsi
korespondensi satu-satu (one to one relation). Hal
ini merupakan keharusan untuk mencegah
228
terjadinya ambigu dalam dekripsi yaitu satu
elemen ciphertext menyatakan lebih dari satu
elemen plaintext.
Pada metode kriptografi simetris atau
konvensional digunakan satu buah kunci. Bila
kunci dinotasikan dengan ‘K’ maka proses
enkripsi-dekripsi metode kriptografi simetris
dapat dinotasikan dengan :
Ek(P) = C dan
Dk (C) = P
Dan keseluruhan sistem dinyatakan sebagai :
Dk(Ek(P))=P
Pada metode kriptografi asimetris digunakan
kunci umum untuk enkripsi dan kunci pribadi
untuk dekripsi. Bila kunci umum dinotasikan
dengan ‘PK’ dan kunci pribadi dinotasikan
dengan ‘SK’ maka proses enkripsi-dekripsi
metode kriptografi asimetris dapat dinotasikan
dengan :
EPK (P) = C dan
DSK (C) =P
Dan keseluruhan sistem dinyatakan sebagai :
DSK(EPK(P)) = P
3. Pembahasan
Secara garis besar, proses penyelesaian
aplikasi dapat dibagi menjadi tiga bagian besar
yaitu :
1. Melakukan Perpangkatan Modulo
dengan Fast Exponentiation.
2. Melakukan Faktorisasi Persekutuan
Terbesar dengan GCD (Greatest
Common Divisor).
3. Tes Prima dengan Metoda Rabin –
Miller.
4. Faktorisasi Prima dari Bilangan
Selain itu, aplikasi yang dibuat mampu
membangkitkan bilangan acak prima dengan
bantuan algoritma tes prima dengan metoda Rabin
– Miller dan perhitungan perpangkatan modulo
dengan Fast Exponentiation.
3.1. Menghitung Perpangkatan Modulo
dengan Fast Exponentiation
Sebelum mempelajari proses
pembangkitan bilangan acak prima dengan
metoda Rabin – Miller, pada bagian ini akan
diuraikan proses pencarian tahap demi tahap
dengan perhitungan manual .
Agar lebih memahami proses perhitungan
perpangkatan modulo dengan Fast
Exponentiation, diambil contoh kasus 1123829 mod
95317 dengan proses sebagai berikut :
A1 = 11
B1 = 23829
Product = 1
While 23829 <> 0  True
While 23829 mod 2 = 0  False
B1 = 23829 - 1 = 23828

Product = (1 * 11) mod 95317 = 11
While 23828 <> 0  True
While 23828 mod 2 = 0  True
B1 = 23828 div 2 = 11914
A1 = (11 * 11) mod 2 = 121
While 11914 mod 2 = 0  True
B1 = 11914 div 2 = 5957
A1 = (121 * 121) mod 2 = 14641
While 5957 mod 2 = 0  False
B1 = 5957 - 1 = 5956
Product = (11 * 14641) mod 95317 = 65734
While 5956 <> 0  True
While 5956 mod 2 = 0  True
B1 = 5956 div 2 = 2978
A1 = (14641 * 14641) mod 2 = 86265
While 2978 mod 2 = 0  True
B1 = 2978 div 2 = 1489
A1 = (86265 * 86265) mod 2 = 61401
While 1489 mod 2 = 0  False
B1 = 1489 - 1 = 1488
Product = (65734 * 61401) mod 95317 = 30286
While 1488 <> 0  True
While 1488 mod 2 = 0  True
B1 = 1488 div 2 = 744
A1 = (61401 * 61401) mod 2 = 9500
While 744 mod 2 = 0  True
B1 = 744 div 2 = 372
A1 = (9500 * 9500) mod 2 = 80118
While 372 mod 2 = 0  True
B1 = 372 div 2 = 186
A1 = (80118 * 80118) mod 2 = 56510
While 186 mod 2 = 0  True
B1 = 186 div 2 = 93
A1 = (56510 * 56510) mod 2 = 69966
While 93 mod 2 = 0  False
B1 = 93 - 1 = 92
Product = (30286 * 69966) mod 95317 = 93366
While 92 <> 0  True
While 92 mod 2 = 0  True
B1 = 92 div 2 = 46
A1 = (69966 * 69966) mod 2 = 45987
While 46 mod 2 = 0  True
B1 = 46 div 2 = 23
A1 = (45987 * 45987) mod 2 = 5890
While 23 mod 2 = 0  False
B1 = 23 - 1 = 22
Product = (93366 * 5890) mod 95317 = 41967
While 22 <> 0  True
While 22 mod 2 = 0  True
B1 = 22 div 2 = 11
A1 = (5890 * 5890) mod 2 = 92029
While 11 mod 2 = 0  False
B1 = 11 - 1 = 10
Product = (41967 * 92029) mod 95317 = 31520
While 10 <> 0  True
While 10 mod 2 = 0  True
B1 = 10 div 2 = 5
A1 = (92029 * 92029) mod 2 = 40123
While 5 mod 2 = 0  False
Seminar Nasional Informatika 2014
B1 = 5 - 1 = 4
Product = (31520 * 40123) mod 95317 = 11004
While 4 <> 0  True
While 4 mod 2 = 0  True
B1 = 4 div 2 = 2
A1 = (40123 * 40123) mod 2 = 46316
While 2 mod 2 = 0  True
B1 = 2 div 2 = 1
A1 = (46316 * 46316) mod 2 = 62771
While 1 mod 2 = 0  False
B1 = 1 - 1 = 0
Product = (11004 * 62771) mod 95317 = 65102
While 0 <> 0  False
FastExp(11, 23829, 95317) = 65102
3.2. Menghitung Faktorisasi Persekutuan
Terbesar dengan GCD
Untuk menghitung faktorisasi persekutuan
terbesar antara dua buah bilangan dapat
digunakan algoritma GCD. Proses
perhitungannya dapat dilihat pada contoh berikut
ini :
GCD(4356, 6538)
P = 4356
Q = 6538
While 6538 <> 0  True
R = 4356 mod 6538 = 4356
P = 6538
Q = 4356
While 4356 <> 0  True
R = 6538 mod 4356 = 2182
P = 4356
Q = 2182
While 2182 <> 0  True
R = 4356 mod 2182 = 2174
P = 2182
Q = 2174
While 2174 <> 0  True
R = 2182 mod 2174 = 8
P = 2174
Q=8
While 8 <> 0  True
R = 2174 mod 8 = 6
P=8
Q=6
While 6 <> 0  True
R = 8 mod 6 = 2
P=6
Q=2
While 2 <> 0  True
R = 6 mod 2 = 0
P=2
Q=0
While 0 <> 0  False
GCD(4356, 6538) = 2
3.3. Tes Prima dengan Metoda Rabin – Miller
Inti dari proses pembangkitan bilangan acak
prima adalah melakukan pengetesan apakah
229
Seminar Nasional Informatika 2014
bilangan acak yang dibangkitkan tersebut
merupakan bilangan prima atau bukan.
Agar lebih memahami proses pembangkitan
bilangan acak prima, diambil contoh untuk
bilangan 95317 dengan A = 11, maka proses
penyelesaiannya adalah sebagai berikut :
C = 95317 - 1 = 95316
nTemp = 0
95316 mod (2^0) = 0 And ((2^0) < 95317) - True
nTemp = 0 + 1 = 1
95316 mod (2^1) = 0 And ((2^1) < 95317) - True
nTemp = 1 + 1 = 2
95316 mod (2^2) = 0 And ((2^2) < 95317) - True
nTemp = 2 + 1 = 3
95316 mod (2^3) = 0 And ((2^3) < 95317) - False
B=3-1=2
M = 95316 / (2^2) = 23829
J=0
Z = FastExp(11, 23829, 95317) = 65102
(65102 = 1) Or (65102 = (95317 - 1)) = False
(0 > 0) And (65102 = 1) = False
J=0+1=1
(1 < 2) And (65102 <> (95317 - 1)) = True
Z = FastExp(65102, 2, 95317) = 95316
(1 > 0) And (95316 = 1) = False
J=1+1=2
(2 < 2) And (95316 <> (95317 - 1)) = False
(95316 = (95317 - 1)) = True
TesRabinMiller = True
Dari hasil proses penetuan maka dapat
disimpulkan bahwa 95317 lulus Tes Prima Rabin
– Miller untuk A = 11.
3.4. Implementasi Pembangkit Bilangan Prima
Dalam dunia nyata, implementasi
pembangkitan bilangan prima dapat berlangsung
dengan sangat cepat. Salah satu
implementasinya adalah sebagai berikut :
1. Bangkitkan bilangan acak p sepanjang n
bit.
2. Set bit MSB (Most Significant Bit) dan
LSB (Least Significant Bit) nya ke “1”.
Atau set bit paling kiri dan kanannya ke
bit satu. Pengesetan bit MSB menjamin
panjang bit bilangan prima yang
dihasilkan sesuai dengan yang
diinginkan. Pengesetan bit LSB
menjamin agar bilangan acak adalah
bilangan ganjil, karena bilangan prima
pasti harus bilangan ganjil.
3. Periksa apakah p tidak dapat dibagi
bilangan prima kecil : 2,3,5,7,11, dan
seterusnya hingga bilangan prima
tertinggi yang lebih kecil dari 256.
Pemeriksaan ini akan mengurangi 80 %
peluang bahwa bilangan yang dipilih
bukan bilangan prima. Artinya bila
bilangan yang dipilih tidak dapat dibagi
bilangan prima kecil di atas, peluang
230
bilangan yang dipilih merupakan
bilangan prima adalah 80 %.
4. Lakukan tes Rabin – Miller untuk
beberapa nilai a. Bila p lolos tes untuk
satu nilai a, bangkitkan nilai a lainnya.
Pilih nilai a yang kecil agar perhitungan
lebih cepat. Lakukan tes dengan minimal
5 macam nilai a. Bila p gagal dalam
proses uji coba, bangkitkan p lainnya
dan ulangi langkah (2).
Agar lebih memahami proses kerja dari
pembangkit bilangan prima, berikut ini contoh
proses pembangkitan bilangan prima :
1. Bilangan Acak P = 95316
2. P = 95316  genap, P = 95316 + 1 = 95317
3. P = 95317 tidak dapat dibagi oleh bilangan
prima kecil dari 3, 5 ... 251.
95317 lolos tes 80% dan merupakan prima.
Tes dilanjutkan.
4. Tes Rabin-Miller untuk beberapa nilai A.
TES-1. Tes Rabin Miller untuk P = 95317 dengan
A = 11, telah dirincikan pada bagian Tes Prima
Rabin – Miller di atas, dan hasilnya bilangan
95317 lolos tes.
TES-2. Tes Rabin Miller untuk P = 95317 dengan
A = 12
C = 95317 - 1 = 95316
nTemp = 0
95316 mod (2^0) = 0 And ((2^0) < 95317) - True
nTemp = 0 + 1 = 1
95316 mod (2^1) = 0 And ((2^1) < 95317) - True
nTemp = 1 + 1 = 2
95316 mod (2^2) = 0 And ((2^2) < 95317) - True
nTemp = 2 + 1 = 3
95316 mod (2^3) = 0 And ((2^3) < 95317) - False
B=3-1=2
M = 95316 / (2^2) = 23829
J=0
Z = FastExp(12, 23829, 95317) = 1
(1 = 1) Or (1 = (95317 - 1)) = True
TesRabinMiller = True
Hasilnya bilangan 95317 juga lulus tes, sehingga
bilangan 95317 kemungkinan besar merupakan
bilangan prima.
3.5. Faktorisasi Prima dari Bilangan
Suatu bilangan dapat dituliskan dalam
bentuk produk dari unsur pokok primanya. Proses
ini disebut dengan faktorisasi prima. Faktorisasi
prima dari suatu bilangan dapat dihasilkan dengan
melakukan proses berikut ini :
1. Set nilai X = bilangan yang akan
difaktorkan.
2. Set nilai I = 2.
3. Jika I merupakan bilangan prima maka :
a. Jika X habis dibagi I maka :
i. Set nilai X = X / I.
 Seminar Nasional Informatika 2014

ii. Simpan nilai I sebagai

faktor prima dari
bilangan.
b. Ulangi langkah (4) hingga X
tidak habis dibagi I.
4. Jika X = 1 maka proses selesai.
5. Jika X merupakan bilangan prima maka
simpan X sebagai faktor prima dari
bilangan dan proses selesai.
6. Set nilai I = I + 1.
Gambar 3. Bilangan ‘1551’ tidak lulus tes
7. Jika nilai I lebih kecil dari nilai X maka
prima
kembali ke langkah (3).
Agar lebih jelas mengenai proses di atas,
simaklah contoh berikut ini :  Algoritma Pembangkit Bilangan Prima Acak
Misalkan akan dicari faktor prima dari bilangan Rabin Miller menghasilkan bilangan acak
252, maka proses penyelesaiannya adalah sebagai prima (5 digit) yaitu bilangan ‘46181’.
berikut :
1. Set X = 252.
2. Set I = 2.
3. 2 merupakan bilangan prima, maka :
a. 252 habis dibagi 2, maka :
i. X = 252 / 2 = 126.
ii. Faktor prima = 2
b. 126 habis dibagi 2, maka :
i. X = 126 / 2 = 63.
ii. Faktor prima = 2 x 2 Gambar 4. Algoritma pembangkit bilangan
4. Set I = 2 + 1 = 3. prima acak menghasilkan bilangan prima
5. 3 merupakan bilangan prima, maka : ‘46181’
a. 63 habis dibagi 3, maka :
i. X = 63 / 3 = 21.  Algoritma Pembangkit Bilangan Prima Acak
ii. Faktor prima = 2 x 2 x Rabin Miller menghasilkan bilangan acak
3 prima (8 digit) yaitu bilangan ‘55184879’.
b. 21 habis dibagi 3, maka :
i. X = 21 / 3 = 7.
ii. Faktor prima = 2 x 2 x
3x3
6. 7 merupakan bilangan prima maka faktor
prima = 2 x 2 x 3 x 3 x 7, dan proses
selesai.
Dari proses diatas didapatkan faktor prima dari
bilangan 252 adalah 2 x 2 x 3 x 3 x 7.
4. Hasil Pengujian Program
Algoritma Tes Prima Rabin Miller dengan Gambar 5. Algoritma pembangkit bilangan
bilangan yang dites = ‘739’ prima acak menghasilkan bilangan prima
 Algoritma Tes Prima Rabin Miller dengan ‘55184879’
bilangan yang dites = ‘739’.
 Algoritma Fast Exponentiation dengan a =
‘10123’, b = ‘230402’ dan c = ‘349384’.

Gambar 2. Bilangan ‘739’ lulus tes prima

Rabin Miller untuk A = 6 Gambar 6. Algoritma Fast Exponentiation
dengan a = ‘10123’, b = ’230402’ dan c =
 Algoritma Tes Prima Rabin Miller dengan ‘349384’, didapat hasil ‘13273’
angka yang dites = ‘1551’.

231
Seminar Nasional Informatika 2014
 Algoritma Fast Exponentiation dengan a =
‘7287342’, b = ‘5327543’ dan c = ‘2394992’.
Gambar 7. Algoritma Fast Exponentiation
dengan a = ‘7287342’, b = ’ 5327543’ dan c =
‘2394992’, didapat hasil ‘862400’
 Algoritma GCD dengan a = ‘151654’ dan b =
‘1252’.
Gambar 8. Algoritma GCD dengan a =
‘151654’, b = ’ 1252’, didapat hasil ‘2’
 Algoritma GCD dengan a = ‘426995712’ dan
b = ‘56’.
Gambar 9. Algoritma GCD dengan a =
‘426995712’, b = ’ 56’, didapat hasil ‘8’
Aplikasi Tes Bilangan Prima adalah
implementasi prosedur kerja algoritma Rabin
Miller dalam menentukan apakah suatu bilangan
yang di-input merupakan bilangan prima atau
bukan. Dari hasil pengujian yang dilakukan
algoritma Rabin-Miller dapat menetukan apakah
bilangan yang diinputkan kedalam aplikasi
merupakan bilangan prima atau bukan merupakan
232
bilangan prima berdasrkan prosedur kerja
algoritma tersebut.
5. Simpulan
Aplikasi tes bilangan prima mengunakan
rabin-miller, fast exponentiation, dan GCD dapat
dijadikan alternatip pengujian bilangan prima
yang besar, aplikasi ini dapat menampilkan hasil
proses perhitungan (analisa) algoritma sehingga
dapat membantu dalam proses pemahaman untuk
dasar matematika kriptografi. Aplikasi ini juga
dapat digunakan untuk pemahaman masalah
faktorisasi, perpangkatan modulo dan bilangan
prima Dari pembahasan diatas dapat disimpulkan
pada dasarnya pengujian bilangan prima dapat
dilakukan dan dipahami dengan mudah dengan
mengunakan aplikasi bantu.
6. Pustaka
1. Bruce Schneier, Applied Crytography,
Second Edition, John Willey and Sons Inc.,
1996.
2. Jennifer Seberpy, Jojef Pieprzyk,
Cryptography : An Introduction to
Computer Security.
3. K. Jusuf Ir, M.T., Kriptografi, Keamanan
Internet dan Jaringan Komunikasi,
Penerbit Informatika Bandung, 2002
4. Security Algorithms Group of Experts
(SAGE), Report on the Evaluation of 3GPP
Standard Confidentialty and Integrity
Algorithms, 2000.
5. Matsui, Mitsuru, Toshio Tokita, MISTY,
KASUMI and Camellia CipherAlgorithm
Development, 2002.
6. William Stallings, Cryptography and
Network Security, Third Edition, 2003.
7. David Cereso’s Weblog, “On GSM
Security”,
URL:http://www.cerezo.name/weblog/
8. Encryption
security.com/directory/international-data-
encryption-algorithm.
9. http://www.cs.nps.navy.mil/curricula/tracks/s
ecurity/notes/chap04_43.html.
10. http://www-
unix.ecs.umass.edu/~ccowell/projects/VLSI
%20Projects/ IDEA%20overview.htm.
11. http://eprint.iacr.org/2001/065.pdf, tanggal
11 Juli 2010.
12. www.cs.ru.nl/~petervr/library/
html/security/gb_2001_cryptography.pdf
(Tanggal akses: 28 Juli 2010).
 Seminar Nasional Informatika 2014

PERANCANGAN SISTEM E-CAREERUNTUK MEMPERMUDAH

DALAM MENDAPATKAN LOWONGAN PEKERJAAN
GAT

Jurusan Sistem Informasi, STMIK Pontianak

Jln. Merdeka No. 372 Pontianak, Kalimantan Barat
E-mail : gutsy0818@yahoo.com dan gutsy1802@gmail.com

Abstrak

Kontribusi yang diberikan oleh institusi pendidikan terhadap lulusan terutama yang terkait dengan lowongan
pekerjaan dan cara mendapatkan pekerjaan dengan mudah dan cepat adalah hal yang perlu untuk perhatikan
bagi setiap calon lulusan. Pengembangan aplikasi e-career dapat membantu menjawab permasalahan
kebutuhan akan informasi lowongan pekerjaan dan kemudahan untuk mendapatkan pekerjaan. Aplikasi e-
career menggabungkan berbagai perusahaan yang bertujuan mensentralisasikan setiap lowongan pekerjaan
kedalam satu sistem.Bentuk penelitian berbentuk studi kasus dengan variabel tunggal yaitu perancangan
sistem e-career untuk mempermudah dalam mendapatkan lowongan pekerjaandan metode perancangan
menggunakan RAD (Rapid Application Development) yang merupakan sebuah strategi pengembangan sistem
yang menekankan kecepatan melalui keterlibatan user.Penelitian ini menghasilkan sebuah aplikasi e-career
yang dapat dipergunakan oleh STMIK Pontianak untuk menghimpun perusahaan dan melalui sistem ini
perusahaan dapat mengisikan lowongan pekerjaan. Setiap lowongan yang telah diisikan dapat dilihat oleh
pengunjung namun hanya pengunjung yang telah terdaftar sebagai member yang dapat mendaftar pada
lowongan tersebut. Semakin banyak perusahaan yang bergabung pada sistem ini maka peluang alumni untuk
mendapatkan pekerjaan juga semakin besar.

Kata Kunci: e-career, research and development method, RAD

1. Pendahuluan dalam mempertimbangkan masa depan

STMIK Pontianak selain berkewajiban
mendidik dan menghasilkan lulusan yang
terampil dan berkualitas, juga diharapkan dapat
berperan aktif dalam membantu calon lulusan
untuk bisa mendapatkan pekerjaan dengan cepat.
Keterlibatan STMIK Pontianak dalam membantu
setiap lulusan dalam memperoleh pekerjaan
adalah sebuah kontribusi yang sangat positif
dimana setiap lulusan merasa ada suatu perhatian
khusus dari institusi dan bukan hanya
berkontribusi dalam memberikan ilmu
pengetahuan saja. Mendapatkan perusahaan yang
memerlukan karyawan sangatlah sulit dan
semakin banyaknya persaingan juga
menyebabkan peluang untuk mendapatkan
pekerjaan juga semakin sulit. Oleh sebab itu perlu
adanya kerja sama antara STMIK Pontianak
dengan beberapa perusahaan agar setiap lulusan
memiki kesempatan untuk dapat bekerja dengan
cepat setelah mereka lulus nanti.
Salah satu sistem yang bisa menjawab
permasalahan tersebut adalah sistem informasi
electronic career (e-career). Sistem informasi e-
careeryang penulis maksud adalah sistem
informasi berbasis web yang akan menghimpun
setiap perusahaan untuk mengiklankan lowongan
pekerjaan. Bimbingan pendidikan dan karir
merupakan bentuk dukungan kepada individu
pendidikan dan profesional mereka[12]. E-
recruitment merupakan suatu manifestasi dari
kemajuan teknologi yang telah membawa manfaat
besar untuk perekrutan dan telah menjadi bagian
penting dari strategi perekrutan[9].Erecruitment
dapat memberikan beberapa manfaat yang luar
biasa dalam hal efisiensi dan biaya [2]. Dari sisi
calon pelamar, mereka dapat dengan leluasa
menemukan pekerjaan yang cocok buat mereka
dan mencoba sebanyak-banyaknya kesempatan di
berbagai perusahaan dengan biaya yang minim.
Rekrutmen elektronikmerubah cara kerja yang
telah diterapkan dan juga telah menjadi sangat
sederhana sehingga siapa pun bisa melakukannya
[3]. Perusahaan di masa depan akan melihat e-
recruitment sebagai alat bisnis utama, alat yang
dapat mengontrol peluang kerja dan ini
kemungkinan besar akan memberi mereka
keunggulan kompetitif di pasar tenaga kerja
[5].Perusahaan perlu membangune-recruitment
sebagai bagian dari operasional dan merupakan
strategi pengembangan sumber daya [7]. Proses
rekrutmen dan seleksi yang tidak tepat sasaran
dapat mempengaruhi pengembangan individu dan
organisasi dalam mencapai tujuan yang telah
ditetapkan[8].
Penelitian sejenis hanya membahas tentang
praktek e-recruitment yang bertujuan untuk
mengeksplorasi efisiensi dan kekurangan yang

233
Seminar Nasional Informatika 2014
dihadapi oleh perusahaan yang menggunakan e-
recruitment [6]. Dengan bantuan e-
recruitmentperusahaan dapat mencapai sejumlah
besar tenaga kerja dan dapat mengidentifikasi
tenaga terampil dengan mudah dan membuat
proses lebih efisien dan efektif. E-recruitment
efektif dalam hal penghematan biaya, mengurangi
waktu untuk merekrut dan membantu perusahaan
dalam mengembangkan daya saing [1,4].
Penelitian hanya menyelidiki efektivitas
penggunaan e-recruitment dalam organisasi dan
tidak membahas bagaimana suatu sistem e-
recruitment dapat dimanfaatkan sebagai media
untuk menjalin kerja sama dengan institusi
pendidikan untuk mendapatkan tenaga kerja yang
sesuai dengan bidang ilmu yang diperlukan.
Tujuan penelitian ini adalah menghasilkan sistem
e-careeryang berfokus pada kolaborasi antara
perusahaan dengan pencari kerja dan pihak
STMIK Pontianak. Dengan sistem e-career, dapat
membantu pencarikerja untuk mendapatkan
peluang kerja dengan mudah dan pihak
perusahaan juga dapat menemukan calon
karyawan yang sesuai dengan kebutuhan. Sistem
e-careeryang dibangun bukan semata perekrutan
karyawan secara online oleh pihak perusahaan
seperti pada sistem e-recruitment, akan tetapi
lebih mengarah kepada kerja sama antara STMIK
Pontianak sebagai penyedia tenaga kerja dengan
pihak perusahaan sebagai pengguna tenaga kerja.
Penelitian ini berbentuk studi kasus dan
metode penelitiannya menggunakan Research &
Development. Metode perancangan sistem e-
careermenggunakan Rapid Application
Development (RAD) yang merupakan sebuah
strategi pengembangan sistem yang menekankan
kecepatan melalui keterlibatan user. Melibatkan
user pada proses desain menyebabkan kebutuhan
user dapat terpenuhi dengan baik dan secara
otomatis kepuasan user sebagai pengguna sistem
semakin meningkat[14]. Teknik pengumpulan
data yang penulis gunakan wawancara dan
observasi.Data yang diperoleh digambarkan
dengan menggunakan metode pemodelan
berorientasi objek yaitu UML (Unified Modelling
Language). Tahapan pengembangan e-
careermelibatkan perusahaan, calon lulusan dan
pihak pengelola STMIK Pontianak dimana pada
tahap ini akan dirumuskan kebutuhan dari
masing-masing pihak. Pada tahap perancangan e-
career, penulis menggunakan beberapa
komponen seperti DataTables yang merupakan
plug-in untuk jQuery Javascript library.
Penggunaan komponen tidak memerlukan
pengembangan sistem dari awal sehingga proses
pengembangan menjadi lebih cepat.
Sepengetahuan penulis, konsep e-careerbelum
banyak yang meneliti sehingga untuk kebutuhan
teori penulis mengacu kepada konsepe-
recruitment.
234
2. Konsep E-career
E-careerSTMIK Pontianak adalahsebuah
sistem yang mengorganisir semua
informasimengenai lowongan pekerjaan bagi
calon lulusan maupun lulusan STMIK Pontianak.
Dengan adanya sistem ini,akan memberikan
kemudahan bagi lulusan untuk
mengetahuilowongan yang sesuai dengan minat
masing-masing dan sekaligus memberikan
kemudahan bagiinstansi-instansi yang ingin
merekrut lulusan STMIK Pontianak yang
berkualitas dan sesuai dengan kebutuhan mereka.
3. Recruitment
Recruitment memiliki makna sebagai sebuah
proses mengumpulkan kandidat-kandidat pekerja
baru yang memenuhi persyaratan dan kualifikasi
untuk mengisi posisi yang dibutuhkan. Dengan
demikian hanya kandidat yang memenuhi
persyaratan yang dapat melamar ke perusahaan
tersebut. Pada proses ini belum memastikan
apakah kandidat sudah diterima sebagai bagian
dari perusahaan, setelah proses
recruitmentperusahaan melakukan seleksi
terhadap calon yang menyerahkan surat lamaran.
Apabila kandidat memenuhi kualifikasi maka
akan berlanjut ke tahap selanjutnya yaitu
sosialisasi. Proses sosialisasi adalah proses
orientasi karyawan baru kepada lingkungan
perusahaan agar karyawan dapat mengenal
budaya dan struktur organisasi dengan lebih
baik[11].
E-recruitment merupakan istilah bagi
aktivitas rekruitmen yang dilakukan dengan
menggunakan sarana internet dan elektronik.
Faktor yang vital dalam keberhasilan penerapan
teknologi tergantung pada implementasi sistem
dan perencanaan yang dilakukan secara
menyeluruh [10].E-recruitmentmerupakan salah
satu solusi terselenggaranya sistem perekrutan
karyawan menjadi lebih efektif, dan efisien
sehingga mendatangkan manfaat seperti mampu
menjangkau berbagai tempat diseluruh dunia,
meminimalisir proses administrasi secara manual
karena data kandidat telah tersimpan secara
elektronik, mendapatkan kandidat yang tepat
sesuai dengan kebutuhan organisasi dan
memberikan perlakuan secara pribadi kepada para
kandidat karena akan langsung diinformasikan
melalui alamat email maupun melalui
website[13].
4. Rapid Application Development (RAD)
Pemilihan model perangkat lunak yang
cocok untuk digunakandalam sebuah organisasi
sangat penting untuk keberhasilan proyek.
Pemilihan salah satu model terhadap yang lain

adalahdidorong oleh ukuran proyek, anggaran,
ukuran team dan banyak faktor
lainnya[5].Penggunaan kembali komponen yang
ada dalam pengembangan sistem informasi e-
careermenjadikan RADadalah pilihan yang
ideal.Rapid Application Development (RAD)
terdiri dari tiga fase yaitu [1]:
1. Requirement Planning.
Pengguna dan analis bertemu untuk
mengidentifikasi tujuan dari aplikasi atau
sistem untuk mengidentifikasi kebutuhan
informasi. Pada tahap ini membutuhkan
keterlibatan intens dari kedua kelompok.
2. Design
Menghasilkan suatu dokumentasi sistem dan
desain database, serta desain alur dalam
kegiatan operasionalnya. Selama fase ini,
pengguna merespon prototipe dan analis
memperbaiki modul berdasarkan respon dari
pengguna.
3. Implementation.
Tahap implementasi meningkatkan kecepatan
pembangunan melalui prototyping cepat,
utilitas pengguna akhir yang lebih baik,
kesederhanaan dan kegunaan dari desain
Graphical User Interface (GUI).
5. Hasil Penelitian
Sistem informasi e-careeradalah sebuah
sistem yang menjadi pusat dari lowongan
pekerjaan dari berbagai perusahaan yang telah
menjalin kerja sama dengan STMIK Pontianak
selaku pemilik sistem dan sekaligus penyedia
tenaga kerja yaitu lulusan dan calon lulusan
mahasiswa STMIK Pontianak. Aktor utama dari
sistem ini adalah ICT (Information and
communications technology) STMIK Pontianak,
pencari kerja dan perusahaan. Oleh karena itu
sistem yang dibangun akan didesain sesuai
dengan kebutuhan dari masing-masing bagian.
Pendefenisian kebutuhan dari masing-masing
bagian ini akan dijelaskan pada tahap
perencanaan kebutuhan dari model
pengembangan RAD.
5.1 Perencanaan Kebutuhan
ICT melakukan kontrol secara penuh
terhadap sistem informasi e-careeryang berisikan
data perusahaan, data lowongan, data pencari
kerja dan informasi lainnya yang berhubungan
dengan permintaan kerja sampai kepada
penempatan kerja. Berikut ini adalah fitur yang
diperlukan oleh ICT untuk mengelola sistem
informasi e-career:
a. Form untuk meregistrasi perusahaan.
b. Form daftar lowongan, daftar perusahaan
c. Form daftar pencari kerja
d. Informasi lowongan dapat di non-
aktifkan
Seminar Nasional Informatika 2014
e. Account pencari kerja dapat di non-
aktifkan
Adanya hak ICT untuk mengontrol secara
penuh terhadap data lowongan, perusahaan dan
pencari kerja dimaksudkan apabila ada data yang
tidak valid dan melanggar dari ketentuan seperti
pemalsuan data maka ICT dapat menghilangkan
keanggotaan dari pencari kerja maupun
perusahaan.Perusahaan memiliki kewenangan
untuk melakukan perubahan terhadap profil
perusahaan, mengisikan data lowongan dan
melihat data pencari lowongan yang sudah
mendaftarkan diri pada lowongan tersebut.
Berikut ini adalah fitur yang diperlukan oleh
perusahaan untuk mengelola sistem informasi e-
career:
a. Form update profil perusahaan
b. Form pengisian data lowongan
c. Form daftar lowongan
d. Form daftar pencari kerja yang melamar
e. Form detil pencari kerja yang melamar
Tersedianya informasi secara detil dari profil
pencari kerja dimaksudkan agar perusahaan dapat
melihat dengan jelas biodata dari setiap pelamar
karena dengan kelengkapan biodata inilah
perusahaan dapat mengambil kebijakan untuk
melakukan pemanggilan secara langsung terhadap
calon karyawan.
Pencari kerja juga memiliki kewenangan
untuk melakukan perubahan terhadap biodata
mereka, bisa mengakses seluruh lowongan yang
diberikan oleh perusahaan, bisa mendaftar pada
lowongan, bisa melihat lowongan secara detil
dan lain-lain. Berikut ini adalah fitur yang
diperlukan oleh pencari kerja untuk mengelola
sistem informasi e-career:
a. Form update profil pencari kerja
b. Form status diterima
c. Form daftar lowongan dan penerimaan
lowongan
d. Form daftar lowongan yang dilamar
Pencari kerja harus bisa melihat informasi
data lowongan secara detil untuk mengetahui
seperti apa syarat dan ketentuan dari setiap
lowongan yang ada. Selain data lowongan, data
perusahaan juga harus bisa dilihat secara detil
untuk mengetahui identitas dan bidang usaha dari
setiap perusahaan.
5.2 Perancangan
Kegiatan perancangan sistem e-careerakan
berfokus pada unsur-unsur kebutuhan seperti
yang telah dijabarkan pada tahap perencanaan
kebutuhan. Untuk mempermudah dalam
pemahaman model arsitektur dari sistem
informasie-career, perlu disajikan model dari
arsitektur e-careertersebut yang berfokus pada
pengguna dan kebutuhan pengguna. Perancangan
arsitektur sistem e-careermempresentasikan
framework dari sistem perangkat lunak yang
235
Seminar Nasional Informatika 2014

dibangun. Deskripsi arsitektur mengadopsi Perusahaan Sistem

spesifikasi sistem, model analisis, dan interaksi

subsistem yang telah didefenisikan pada tahap Login Menampilkan Form Login

analisis perencanaan kebutuhan. Berikut ini

Mengisikan username dan
adalah arsitektur pengembangan sistem password

informasie-career(lihat gambar 1): Validasi

T
Gagal Masuk

Y
Pengisian Data Menampilkan Halaman Perusahaan
Lowongan

Submit Data Telah Berhasil Disimpan

Gambar 3. Activity Diagram Pengisian

Lowongan

Activity diagram pengisian lowongan

Gambar 1. Arsitektur e-career
Perancangan model sistem informasie-
careermengacu kepada perancangan berbasis
obyek yang disebut sebagai OOD (Object
Orianted Design) dan dianggap menjadi strategi
perancangan paling modern. Dalam penelitian ini
penulis menggunakan model UML (Unified
dilakukan oleh perusahaan sebagai tahap awal
untuk mendapatkan respon dari pencari kerja.
Pengisian data disesuaikan dengan item yang
tersedia pada aplikasi dan setelah mengisikan data
maka perlu disubmit untuk memasukkan data
tersebut kedalam database (lihat gambar 3).
Pencaker Sistem

Modeling Language). Use case diagram

menjelaskan manfaat sistem jika dilihat menurut Menampilkan Form Login
Login
pandangan orang yang berada di luar sistem atau
actor. Diagram ini menunjukkan fungsionalitas Mengisikan username dan password

suatu sistem atau kelas dan bagaimana sistem Validasi

berinteraksi dengan dunia luar. Perancangan T Gagal Masuk
proses yang terjadi dalam sistem informasi e-
careerdengan use case diagram sebagai berikut Y
Pilih Daftar Lowongan Menampilkan Halaman Pencaker
(lihat gambar 2).
Profil Perusahaan Menampilkan Daftar Lowongan
Pekerjaan
<<include>>

Validasi Submit Lowongan

Perusahaan Submit Lowongan
Perusahaan
Menampilkan Pesan Lowongan Anda
<<include>> Sudah Mendaftar

Validasi Lowongan

ICT

Validasi
Submit Terima
Lowongan
Gambar 4. Activity Diagram Submit Lowongan
Pencaker

<<include>>
Profil Pencaker
Gambar 2. Use Case Diagram e-career
Activity diagram memiliki pengertian yaitu
lebih fokus kepada menggambarkan proses bisnis
dan urutan aktivitas dalam sebuah proses yang
dipergunakan untuk memperlihatkan urutan
aktifitas proses bisnisyang sedang dirancang,
bagaimana masing-masing alir berawal, decision
yang mungkin terjadi, dan bagaimana mereka
berakhir.
Pencaker Activity diagram
submitlowonganmemberikan penjelasan
bagaimana aktivitas seorang pencaker yang ingin
melihat dan mendaftarkan diri pada setiap
lowongan yang ada dengan cara menampilkan
daftar lowongan lalu memilinya (lihat gambar
4).Sequence diagram menggambarkan interaksi
antar objek di dalam dan di sekitar sistem
(termasuk pengguna, display, dan sebagainya)
berupa message yang digambarkan terhadap
waktu. Sequence diagram terdiri atar dimensi
vertikal (waktu) dan dimensi horizontal (objek-
objek yang terkait).Masing-masing objek,
termasuk aktor, memiliki lifeline vertikal.
Message digambarkan sebagai garis berpanah dari
satu objek ke objek lainnya. Pada fase desain

236
 Seminar Nasional Informatika 2014

berikutnya, message akan dipetakan menjadi interface, yaitu kumpulan layanan yang
operasi/metoda dari class. disediakan sebuah komponen untuk komponen
a. Sequence diagram pengisian lowongan lain. Berikut adalah component diagram yang
Sequence diagram pengisian lowongan dibutuhkan dalam perancangan sistem e-
memperlihatkan bagaimana perusahaan career(lihat gambar 7).
berinteraksi langsung dengan sistem. Ketika
perusahaan melakukan proses submit dari data Login

yang telah diisikan, maka sistem akan melakukan Ajax

Datatables

control terhadap data yang telah diinputkan. Database

JQuery

Koneksi
Pesan error akan ditampilkan apabila ada
kesalahan pada data isian dan pesan sukses akan
ditampilkan apabila data yang diinputkan benar Form Isi
Lowongan
Form Daftar
Lowongan
IKoneksi
(lihat gambar 5).
<<boundary>> <<control>> <<entity>>
: Form Input Lowongan : Kontrol Input : Data Lowongan Telp Contact Form Submit
Lowongan

: Perusahaan Email Contact

1 : Open()
Gambar 7. Komponen Diagram E-career
2 : Input data lowongan()

3 : Get data lowongan() 4 : Validasi()

5 : Pesan eror()
8 : Tampilkan pesan sukses()
Gambar 5. Sequence Diagram Pengisian
Lowongan
b. Sequence Diagram Submit Lowongan
Sequence diagram submit lowongan
memperlihatkan bagaimana pencaker berinteraksi
langsung dengan sistem. Ketika pencaker
melakukan proses submit dari data lowongan
yang telah dipilih, maka sistem akan melakukan
control terhadap data yang telah dipilih. Pesan
error akan ditampilkan apabila ada kesalahan
pada data isian dan pesan sukses akan
ditampilkan apabila data yang diinputkan benar
(lihat gambar 6).
<<boundary>>
: Daftar Lowongan
Diagram hubungan entitas adalah suatu
dokumentasi data dengan mengidentifikasi entiti
data dan memperhatikan hubungan yang ada
6 : Cek koneksi() 7 : Eksekusi Sql() diantara entiti. Website e-careerlebih fokus
kepada informasi berupa lowongan pekerjaan,
profil perusahaan dan profil pencari kerja.
9 : Save() Dengan demikian tidak semua tabel database
yang ada pada web ini memiliki keterkaitan
dengan tabel yang lainnya, untuk itu dalam
pembuatan diagram hubungan entitas penulis
hanya menampilkan tabel yang memiliki
keterkaitan dengan tabel yang lainnya (lihat
gambar 8):
<<control>> <<entity>>
: Kontrol : Data Lowongan

: Pencaker 1 : Open() Gambar 8. Diagram Hubungan Entitas

2 : tampilkan daftar lowongan()

3 : pilih lowongan()
5.3 Implementasi
Kegiatan implementasi merupakan kegiatan
4 : Get data()
5 : cek validasi() implementasi dari prototype sistem yang sudah
buat dalam bentuk Graphical User Interface
(GUI). Merancang antarmuka merupakan bagian
6 : Pesan error() 7 : Cek koneksi()
yang paling penting dari merancang sistem.
8 : Eksekusi Query() Biasanya hal tersebut juga merupakan bagian
9 : Tampilkan pesan sukses()
yang paling sulit karena dalam merancang
antarmuka harus memenuhi tiga persyaratan
Gambar 6. Sequence Diagram Submit sebuah antarmuka yaitu sederhana, lengkap, dan
Lowongan harus memilki kinerja yang cepat. Alasan utama
mengapa antarmuka sulit untuk dirancang adalah
Componentdiagram menggambarkan karena setiap antarmuka adalah sebuah bahasa
struktur dan hubungan antar komponen piranti pemrograman yang kecil. Antarmuka
lunak, termasuk juga ketergantungan di antara menjelaskan sekumpulan objek-objek dan
komponen. Komponen dapat juga berupa operasi-operasi yang bisa digunakan.

237
Seminar Nasional Informatika 2014
a. Antarmuka Pengisian Data Lowongan
Antarmuka pengisian data lowongan
dipergunakan oleh pihak perusahaan untuk
memberikan informasi. Dengan form ini maka
informasi lowongan pekerjaan dapat dilihat oleh
setiap pencari kerja(lihat gambar 9).
Gambar 9. Form Pengisian Data Lowongan
b. Antarmuka Daftar Lowongan
Antarmuka daftar lowongan dipergunakan
oleh pencari kerja untuk mendapatkan informasi
lowongan pekerjaan yang telah dipostingkan oleh
perusahaan. Pada form tersebut, pencari kerja
tinggal mengklik judul dari lowongan jika
berminat dengan lowongan tersebut(lihat gambar
10).
Gambar 10. Form Daftar Lowongan
c. Antarmuka Informasi Lowongan
Antarmuka informasi lowongan dipergunakan
oleh admin untuk mengontrol lowongan yang
telah dipostingkan oleh perusahaan. Pada form ini
admin dapat meng-aktifkan lowongan maupun
meng-nonaktifkan lowongan(lihat gambar 11).
Gambar 11. Form Informasi Lowongan
238
6 Kesimpulan
Perekrutan karyawan secara online oleh
perusahaan yang masuk ke dalam grup sistem
informasi e-career STMIK Pontianak dapat
membantu, mempermudah dan memberikan
prioritas kepada lulusan STMIK Pontianak untuk
mendapatkan pekerjaan dengan mudah tanpa
harus mengunjungi berbagai situs perusahaan
yang menyediakan layanan lowongan pekerjaan.
Kebutuhan pengembangan e-careerdengan cepat
dan pemakaian komponen dijadikan sebagai
acuan dalam menggunakan metode RAD dan juga
adanya respon pengguna saat dalam perancangan
menjadikan sistem ini sesuai dengan
kebutuhan.Berdasarkan hasil pengujian, sistem
dapat dipergunakan untuk registrasi perusahaan,
mengisikan lowongan dan setiap lowongan yang
dikelompokkan berdasarkan perusahaan bisa
diakses oleh setiap pengunjung web. Namun
hanya pengunjung yang telah terdaftar sebagai
member yang bisa mendaftar pada setiap
lowongan.Keberhasilan dari sistem ini sangat
tergantung pada keterlibatan perusahaan dan
semakin banyak perusahaan yang bergabung
maka peluang kerja bagi para alumni juga akan
semakin besar.
Daftar Pustaka
[1] Dacuycuy-Pacio, Rochelle. Online Student
Information System of Benguet State
University (OSIS-BSU), Philippines.
[2] Dhamija, Pavitra. E-recruitment: a
roadmap towards e-human resource
management. Journal of Arts, Science&
Commerce 3.2 (2012): 33-39.
[3] Du Plessis, AJ, and Howard
Frederick.Effectiveness of e-recruiting:
empirical evidence from the Rosebank
business cluster in Auckland, New
Zealand. Science Journal of Business
Management 2012 (2012).
[4] Du Plessis, AJ, and Howard Frederick.
Effectiveness of e-recruiting: empirical
evidence from the Rosebank business
cluster in Auckland, New Zealand. Science
Journal of Business Management 2012
(2012).
[5] Khan, Asif Irshad, Rizwan Jameel
Qurashi, and Usman Ali Khan. A
comprehensive study of commonly
practiced heavy and light weight software
methodologies. arXiv preprint
arXiv:1111.3001 (2011).
[6] Lakshmi, SL. E-RECRUITMENT: A
BOOM TO THE ORGANIZATIONS IN ...
2014.
[7] Malik, Zulqarnain. The Role of E-
recruitment Towards Attraction of

Workforce: A Case of Telecom Sector
Organization. Abasyn University Journal
of Social Sciences 6.1 (2013).
[8] MUSTAPHA, Adeniyi Mudashiru, OA
ILESANMI, and M AREMU. The Impacts
of well Planned Recruitment and Selection
Process on Corporate Performance in
Nigerian Banking Industry (A Case Study
of First Bank Plc 2004-2011).
[9] Purnomo, Tommy Septian. Rekrutment
online (e-recruitment) sebagai suatu
inovasi dalam perekrutan perusahaan.
Jurnal JIBEKA 7 (2013).
[10] Parry, E., & H, W. (2009). Factors
Influencing the Adoption of Online
Recruitment. Personnel Review.
[11] R. Gómez-Mejía, B. Balkin, & L.
Cardy.(2011). Managing Human
Seminar Nasional Informatika 2014
Resources. Seventh Edition. United
Kingdom: Prentice Hall.
[12] Ranerup, Agneta. eCareer Guidance in
Quasi Markets for Education: Roles and
Controversies. ECIS 2003 Proceedings
(2002): 25.
[13] Sharma, Vinky, 2010, Impact Of e-
recruitment On Human Resource Supply
Chain Management: An Empirical
Investigation Of Service Industry In Indian
Context, India, Jaypee Institute of
Information.
[14] Whitten, J. L., Bentley, L. D., and
Dittman, K. C. (2004). Systems Analysis
and Design Methods: Sixth Edition.
McGraw-Hill Irwin.
239
Seminar Nasional Informatika 2014

SISTEM PENUNJANG KEPUTUSAN PEMBERIAN BEASISWA

BIDIKMISI
(STUDI KASUS : STMIK POTENSI UTAMA)
Edy Victor Haryanto

STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan
edyvictor@gmail.com

Abstrak

Beasiswa adalah hak setiap orang atau mahasiswa selama mahasiswa tersebut aktif dalam sebuah perguruan
tinggi. Bidikmisi adalah beasiswa yang disediakan oleh pemerintah atau Dikti untuk mahasiswa baik untuk
perguruan tinggi negeri maupun swasta. Beasiswa tersebut digunakan untuk biaya perkuliahan dan biaya
hidup selama mahasiswa tersebut aktif dari sudah menjadi mahasiswa sampai tamat. Ada beberapa kriteria
yang telah ditentukan untuk mendapatkan beasiswa tersebut, di dalam paper ini penulis mencoba membuat
sebuah system, bagaimana kriteria penerima beasiswa bidik misi tersebut dengan metode AHP dan dengan
bantuan software super decision.

Kata kunci : bidik misi, beasiswa, AHP, super desicion

Pendahuluan Ada beberapa kriteria yang ditetapkan untuk

Beasiswa adalah hak dari setiap mahasiswa
yang sedang mengikuti perkuliahan di sebuah
perguruan tinggi, beasiswa tersebut dapat
digunakan untuk membantu mahasiswa dalam hal
biaya pendidikan, dan semua biaya yang terkait
dengan perkuliahan.
Ada banyak beasiswa yang disediakan oleh
Pemerintah khususnya Dikti diantaranya adalah
beasiswa Bidik Misi, beasiswa ini diberikan
kepada mahasiswa yang kurang mampu dari segi
ekonomi, beasiswa ini diberikan dari awal
perkuliahan sampai dengan selesai mahasiswa
kuliah dan biaya hidup mahasiswa juga
ditanggung.
Bidik misi adalah program pemerintah melalui
Direktorat Jenderal Pendidikan Tinggi (Ditjen
Dikti) Kementerian Pendidikan Nasional
Republik Indonesia yang diluncurkan pada tahun
2012, tujuannya untuk memberikan bantuan biaya
penyelenggaraan pendidikan dan bantuan biaya
hidup kepada 42.000 mahasiswa termasuk 2.000
perguruan tinggi swasta yang memiliki potensi
akademik memadai dan kurang mampu secara
ekonomi di 117 perguruan tinggi penyelenggara.
[1].
Penyeleksian yang dilakukan terhadap
mahasiswa untuk mendapatkan beasiswa bidik
misi selama ini dilakukan secara manual, agar
lebih terstruktur dan baik maka dibuat sebuah
system dengan menggunakan metode AHP agar
dalam pemilihan mahasiswa yang mendapatkan
beasiswa berdasarkan system yang akan dibuat
tersebut. Diharapkan dengan system yang
diterapkan ini dapat membantu mengurangi
masalah yang manual selama ini.
memperoleh beasiswa bidik misi, dan kriteria
tersebut ditetapkan oleh pemerintah. Adapun
kriteria dalam penyusunan ini adalah indeks
prestasi, penghasilan orang tua, jumlah
tanggungan orang tua, dan nilai UN.
Penelitian Terkait
Umami Pesos dalam penelitiannya membuat
sebuah program yang terstruktur agar lebih
mudah dalam menentukan mahasiswa yang
mendapatkan beasiswa bidik misi berdasarkan
criteria yang telah ditentukan oleh pemerintah
atau Dikti bagi mahasiswa Universitas Bina
Darma[2].
Program SIMBA yang dibuat agar dapat
menentukan siapa calon mahasiswa ITS yang
berhak mendapatkan beasiswa berdasarkan
kriteria tertentu dengan wawancara[3].
Dengan metode Analytical Hirearchy Process
yang digunakan untuk menentukan siswa-siswi
SMA yang berhak untuk mendapatkan beasiswa
berdasarkan kriteria yang telah ditentukan oleh
sekolah dan untuk membantu para siswa yang
kurang mampu secara tersistem[4].
Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah :
4. Membuat sebuah system dalam mengambil
keputusan dalam pemberian beasiswa.
5. Mempermudah dalam menentukan
pemberian beasiswa kepada mahasiswa.
6. Proses penentuan pemberian beasiswa
dilakukan secara adil.

240
 Seminar Nasional Informatika 2014

2. Pembahasan Matriks Perbandingan Berpasangan Kriteria

Data yang didapatkan adalah dari hasil Tahapan ini pemberian bobot masing-masing
wawancara dengan pihak humas dan bagian kriteria menggunakan model AHP (Analytical
kemahasiswaan. Hieracrchy Process)
Data tersebut kemudian dijadikan sebagai dasar
untuk perbandingan kriteria dan alternatif. Semua Tabel 1. Matriks Perbandingan Berpasangan
data yang ada akan diolah dan dilanjutkan dengan Kriteri Indeks Penghasil Tanggun Nilai
menggunakan metode Analitycal Hierarchy a Prestasi an Orang gan UN
Process (AHP) dimana software yang akan Tua Orang
digunakan dalam membantu mendapatkan hasil Tua
keputusan adalah Software Super Decisions dan Indeks 1/1 5/1 7/1 3/1
Microsoft Excel. Prestasi
Pengha 1/5 1/1 2/1 1/4
Analisis Kebutuhan Data Kriteria silan
Data didapatkan dari proses wawancara dengan Orang
bagian Kemahasiswaan selaku penanggung jawab Tua
untuk masalah beasiswa bidik misi tersebut, dan Tanggu 1/7 1/2 1/1 1/6
adapun kriteria yang digunakan dalam penentuan ngan
penerimaan beasiswa tersebut sudah ditentukan, Orang
pada penetapan tujuan ini terdapat beberapa Tua
kriteria yang ditetapkan oleh Dikti antara lain : Nilai 1/3 4/1 6/1 1/1
1. Indeks Prestasi mahasiswa selama disekolah, UN
2. Kriteria nilai UN yang didapat dari hasil ujian
mahasiswa waktu disekolah. Menghitung Nilai Matriks Kriteria
3. Penghasilan orang tua
4. Jumlah tanggungan orang tua Maktriks ini diperoleh dengan rumus berikut :
Nilai baris kolom baru = nilai baris-
Analisa Proses Metode AHP kolom lama / jumlah masing-masing kolom lama.

Analytical Hierarcy Process (AHP) adalah suatu Tabel 2. Hasil Matriks Perbandingan Kriteria
metode analisis dan sintesis yang dapat membantu Berpasangan
proses pengambilan keputusan. AHP merupakan
alat pengambil keputusan yang akurat karena
adanya skala atau bobot yang telah ditentukan dan
menggunakan hirarki yang terdiri dari tiga level
yaitu tujuan atau goal, kriteria dan alternatif.

Beasiswa
Goal
menghitung hasil kriteria berpasangan kedalam
matrik perbandingan berpasangan yang diubah
kedalam bentuk desimal.

Tabel 3. Hasil Perhitungan Matriks

Berpasangan dan Normalisasi
Penghasil Tanggun
Kriteria Indeks an gan Nilai
Prestasi Orang Orang UN
tua tua

Untuk nilai hasil normalisasi, hasil penjumlahan

Alternatif Mahasisw Mahasisw Mahasis Mahasiswa baris dibagi dengan jumlah keseluruhannya.
a1 a2 wa3 4

Gambar 1. Hirarki AHP Penentuan Penerima

Beasiswa Bidik Misi

241
Seminar Nasional Informatika 2014

Gambar 2. Hasil Bobot Akhir Perbandingan

Diperoleh skala prioritas untuk masing- Kriteria Indeks Prestasi
masing kriteria. Pada baris pertama untuk Indeks
Prestasi dengan nilai 0.5626 atau 56%, baris Nilai eigen maksimum :
kedua adalah Penghasilan Orang Tua dengan nilai = (0.3579 *2.833) + (0.0913 *11.000) + (0.3320
0.0922 atau 9%, baris ketiga adalah Tanggungan *3.700) + (0.2186*4.500)
Orang Tua dengan nilai 0.0543 atau 5% dan baris = 4.2035
keempat adalah Nilai UN dengan nilai 0.2909
atau 29%. Kemudian dilakukan perhitungan nilai Nilai Consistency Index yaitu :
eigen maksimum yang diperoleh dengan CI = 4.2035 – 4 = 0.2035 = 0.0786
menjumlahkan hasil perkalian nilai eigen dengan
jumlah kolom. 4–1 3

Nilai eigen maksimum : Untuk n = 4 , RI (random index) = 0,900 ( tabel

= (0.5626 *1.676) + (0.0922 *10.500) + (0.0543 saaty ), maka dapat diperoleh nilai consistency
*16.000) + (0.2909*4.417) ratio (CR) yaitu :
= 0.9430 + 0.9685 + 0.8683 + 1.2848 CR = 0.0786 = 0.0854 < 0.100
= 4.0646 0.900
Karena CR < 0.1000 berarti konsisten
Nilai Consistency Index yaitu :
CI = 4.0646 – 4 = 0.0646 = 0.0215

4–1 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel

saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0215 = 0.0239 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten
Gambar 3. Hasil Prioritas Indeks Prestasi
Matriks Perbandingan Berpasangan Kriteria
dengan Super Decisions
Indeks Prestasi
Matriks Perbandingan Berpasangan Kriteria
Pada tahap ini alternatif dibandingkan sesuai
Nilai UN
dengan kriteria indeks prestasi yang datanya
didapatkan dari hasil wawancara dan kuesioner
Pada tahap ini alternatif dibandingkan sesuai
kemudian diolah kedalam matriks perbandingan
dengan kriteria Nilai UN yang datanya didapatkan
berpasangan sesuai kriteria. dari hasil wawancara dan kuesioner kemudian
diolah ke dalam matriks perbandingan
Tabel 4. Hasil Perbandingan Berpasangan berpasangan sesuai kriteria.
Kriteria Indeks Prestasi
Indeks Maha Tabel 5. Hasil Perbandingan Berpasangan
Mahas Mahasi Mahasi
Prestasi siswa Kriteria Nilai UN
iswa1 swa3 swa4
2 Nilai UN Mahasis Mahasi Mahasi Mahasis
Mahasiswa1 1/1 3/1 2/1 1/1 wa1 swa2 swa3 wa4
Mahasiswa2 1/3 1/1 1/5 1/2 Mahasiswa1 1/1 1/2 1/3 1/1
Mahasiswa3 1/2 5/1 1/1 2/1 Mahasiswa2 2/1 1/1 1/3 1/2
Mahasiswa4 1/1 2/1 1/2 1/1 Mahasiswa3 3/1 3/1 1/1 2/1
Mahasiswa4 1/1 2/1 1/2 1/1

242
 Seminar Nasional Informatika 2014

Menghitung Nilai Matriks Kriteria Tabel 6. Hasil Perbandingan Berpasangan

Kriteria Penghasilan Orang Tua
Maktriks ini diperoleh dengan rumus berikut :
Nilai baris kolom baru = nilai baris- Penghasilan Maha
Mahas Mahasi Mahasi
kolom lama / jumlah masing-masing kolom lama. Orang Tua siswa
iswa1 swa2 swa3
4
Mahasiswa1 1/1 1/3 1/2 1/4
Mahasiswa2 3/1 1/1 1/2 1/2
Mahasiswa3 2/1 2/1 1/1 1/4
Mahasiswa4 4/1 2/1 4/1 1/1
Gambar 4. Hasil Bobot Akhir Perbandingan
Kriteria Nilai UN Menghitung Nilai Matriks Kriteria

Nilai eigen maksimum : Maktriks ini diperoleh dengan rumus berikut :

= (0.1469 *7.000) + (0.1758 *6.500) + (0.4492 Nilai baris kolom baru = nilai baris-
*2.166) + (0.2281*1.000) kolom lama / jumlah masing-masing kolom lama.
= 4.1704

Nilai Consistency Index yaitu :

CI = 4.1704 – 4 = 0.1704 = 0.0568

4–1 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel
saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0568 = 0.0631 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten
Gambar 6. Hasil Bobot Akhir Perbandingan
Kriteria Penghasilan Orang Tua
Nilai eigen maksimum :
= (0.0916 *10.000) + (0.1948 *5.333) + (0.2151
*6.000) + (0.4985*2.000)
= 4.2426

Nilai Consistency Index yaitu :

CI = 4.2426 – 4 = 0.2426 = 0.0809

4–1 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel

Gambar 5. Hasil Prioritas Nilai UN dengan
Super Decisions
saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0809 = 0.0898 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten

Matriks Perbandingan Berpasangan Kriteria

Penghasilan Orang Tua

Pada tahap ini alternatif dibandingkan sesuai

dengan kriteria Penghasilan Orang Tua yang
datanya didapatkan dari hasil wawancara dan
kuesioner kemudian diolah ke dalam matriks
perbandingan berpasangan sesuai kriteria.

Gambar 7. Hasil Prioritas Nilai Penghasilan

Orang Tua dengan Super Decisions

243
Seminar Nasional Informatika 2014

Matriks Perbandingan Berpasangan Kriteria

Tanggungan Orang Tua

Pada tahap ini alternatif dibandingkan

sesuai dengan kriteria Tanggungan Orang Tua
yang datanya didapatkan dari hasil wawancara
dan kuesioner kemudian diolah ke dalam matriks
perbandingan berpasangan sesuai kriteria.

Tabel 7. Hasil Perbandingan Berpasangan

Kriteria Tanggungan Orang Tua
Tanggungan Maha Maha
Mahas Mahasi
Orang Tua siswa siswa
iswa1 swa2 Gambar 9. Hasil Prioritas Nilai Tanggungan
3 4
Mahasiswa1 1/1 1/2 1/4 1/3 Orang Tua dengan Super Decisions
Mahasiswa2 2/1 1/1 1/2 1/4
Mahasiswa3 4/1 2/1 1/1 1/3
Analisa Hasil Metode Analytical Hierarchy
Mahasiswa4 3/1 4/1 3/1 1/1 Process
Setelah mendapatkan kriteria penentuan
Menghitung Nilai Matriks Kriteria kualitas kulit terpenting dari masing-masing
kriteria, langkah selanjutnya adalah mengalikan
Maktriks ini diperoleh dengan rumus berikut : nilai tersebut dengan nilai akhir dari bobot
Nilai baris kolom baru = nilai baris- kriteria. Hasilnya dapat dilihat pada Tabel 8.
kolom lama / jumlah masing-masing kolom lama.
Tabel 8. Hasil Nilai Masing-Masing Kriteria

Gambar 8. Hasil Bobot Akhir Perbandingan

Kriteria Tanggungan Orang Tua

Nilai eigen maksimum :

= (0.0949 *10.000) + (0.1395 *7.500) + (0.2589
*4.750) + (0.5067*1.917)
= 4.1963

Nilai Consistency Index yaitu :

CI = 4.7167 – 4 = 0.1963 = 0.0654
Gambar 10. Hasil Pengujian Computation Full
4–1 3 Report dengan Super Decisions

Untuk n = 4 , RI (random index) = 0,900 ( tabel

saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0654 = 0.0727 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten
Hasil Pengujian
Hasil perhitungan data sampel untuk
menentukan ranking mahasiswa yang paling
menentukan mendapatkan beasiswa bidikmisi
tersebut dapat dilihat pada tabel 9

244

Tabel 9. Bobot Final dan Ranking Alternatif
1. Tabel 9 merupakan perbandingan hasil
perhitungan dengan cara manual, dan dengan
perhitungan Super Decisions, dari hasil yang
dibandingkan terdapat nilai pada beberapa
kriteria. Perbedaan yang terjadi pada empat
digit angka dibelakang koma, sehingga hasil
akhir antara perhitungan analisis manual
dengan perhitungan analisis Super Decisions
dapat dikatakan konsisten.
2. Dari hasil perbandingan, didapatkan hasil
akurasi manual dan dengan software terendah
85% dan akurasi tertinggi 100%.
3. Kesimpulan
Dari hasil penelitian diatas, maka didapat
kesimpulan adalah sebagai berikut :
1. Dengan menggunakan sebuah sistem maka
akan lebih mudah menentukan keputusan
penerima beasiswa.
2. Dengan super decision akan lebih mudah
membuat sebuah sistem penunjang keputusan.
3. Sistem yang dibuat akan lebih transparan
untuk menentukan siapa mahasiswa yang
berhak untuk menerima beasiswa.
Seminar Nasional Informatika 2014
Daftar Pustaka
[1] Kementerian Pendidikan dan Kebudayaan
Direktorat Jenderal Pendidikan Tinggi
Direktorat Pembelajaran Dan
Kemahasiswaan, Pedoman Bidik Misi,
Jakarta, 2012.
[2] Umami, Pesos, dkk, 2012, “Sistem
Penunjang Keputusan Pemberian Beasiswa
Bidik Misi”, Semantik, Semarang
[3] Dalu Nuzul Kirom, dkk, “Sistem Informasi
Manajemen Beasiswa ITS Berbasis Sistem
Penunjang Keputusan Menggunakan
Analytical Hirearchy Process”, Jurnal
Teknik ITS, Vol. 1, No. 1, 2012
[4] Aulia Vitari, Said M. Hasibuan “Sistem
Penunjang Keputusan Penerimaan Beasiswa
Menggunakan Metode Analytical Hirearchy
Process”, KNS&I, Bali, 2010
[5] Dina Andayati (2010), “Sistem Pendukung
Keputusan Pra-Seleksi Penerimaan Siswa
Baru (PSB) Online Yogyakarta“, Jurnal
Teknologi Vol.3 No.2.
[6] Efraim Turban, Jay E. Aronson, Ting Peng
Liang (2005), “Decision Support System
and Intelligent Systems Edisi 7 Jilid 1”,
Yogyakarta : Andi Offset.
[7] Kusrini (2007), “Konsep dan Aplikasi
Sistem Pendukung Keputusan”,
Yogyakarta : Andi Offset.
[8] Nila Susanti, Sri Winiarti (2013), “ Sistem
Pendukung Penentuan Kualitas Kayu
Untuk Kerajinan Meubel ”, Jurnal Sarjana
Teknik Informatika e-ISSN : 2338:5197
Volume 1 Nomor 1
[9]
https://bidikmisi.zendesk.com/entries/22
585523-Apakah-Bidikmisi-Itu-Kenapa-
bukan-disebut-Beasiswa. diunduh tanggal
9 April 2012.
245
Seminar Nasional Informatika 2014

ANALISA PERFORMANSI VIDEO STREAMING

PADA JARINGAN WIRELESS 802.11n
I Gede Putu Krisna Juliharta1, Gede Wisnu TeguhSaputra2, I Wayan Ardiyasa3

Prodi Sistem Komputer, STMIK STIKOM Bali

Jl. Raya Puputan Renon No. 86 Denpasar Bali. Telp. (0361) 244445
1
krisna.juliharta@gmail.com, 2xxx@gmail.com, 3ardibinus@gmail.com

Abstrak

Dengan meningkatnya jenis jenis file video menyebabkan berkembangnya aplikasi video streaming untuk
media pengiriman video berbasis jaringan kabel dan nirkabel. Streaming memungkinkan menampilkan media
tanpa harus menunggu keseluruhan media diterima lengkap terlebih dahulu oleh client. untuk mengetahui
performansi aplikasi video streaming, tiga buah skenario telah dilakukan. Pengukuran Quality of Service
seperti Delay, Jitter, throughput,dan packet data loss dilakukan pada saat pengujian jaringan infrastruktur
(skenario 1), pada mode Wireless Distribution System (skenario 2), dan pada saat client bergerak dari access
point 1 ke access point 2 (skenario 3). Wireless Distribution System adalah sebuah sistem untuk memperluas
jaringan wireless dengan menggunakan dua access point atau lebih. Pengukuran dilakukan dengan cara
streaming video dari server ke client dengan menggunakan aplikasi VLC, kemudian menangkap paket-paket
tersebut dengan menggunakan aplikasi wireshark.

Katakunci : Video Streaming, Delay, Jitter, Throughput, Wireless.

1. PENDAHULUAN disebut Wireless Distribution System (WDS).

Penggunaan WLAN sebagai perpanjangan
dari infrastruktur kabel LAN yang sudah ada
menawarkan kenyamanan mobilitas bagi para
pengguna terutama dalam lingkungan bisnis dan
perusahaan.Dengan semakin murahnya harga-
harga produk WLAN berdampak pada
peningkatan jumlah pengguna di kalangan
rumahan.Penyebaran pengguna WLAN di
lingkungan rumahan ini adalah faktor utama yang
menyebabkan produk WLAN tumbuh dengan
pesat. WLAN banyak digunakan untuk transfer
data, namun dengan standar WLAN baru seperti
IEEE802.11n dan standar IEEE802.11ac yang
akan datang menyediakan channelbandwidth
yang lebih besar dibandingkan dengan
IEEE802.11a/b/g akhirnya akan mengarah pada
meningkatnya tuntutan untuk penggunaan pada
aplikasi multimedia.
802.11n adalah standarisasi wireless terkini
dari standar 802.11. Standar 802.11n ini sendiri
telah diperkenalkan pada tahun 2007 silam.
Dengan standarisasi yang baru ini tentunya
terdapat perbaikan-perbaikan yang signifikan
terhadap kemajuan dari teknologi wireless itu
sendiri, seperti halnya kemajuan dalam hal
Quality Of Service(QoS) dan kemajuan dalam hal
keamanan. Maka dengan standart 802.11n ini juga
diharapkan pengguna dapat menjalankan aplikasi
atau transfer data dengan jumlah besar seperti
aplikasi video streaming dengan lebih baik.
Teknologi wireless 802.11 kemudian
menciptakan sebuah topologi jaringan yang
Dimana WDS ini menghubungkan dua atau lebih
jaringan LAN baik kabel ataupun nirkabel secara
nirkabel untuk membangun jaringan yang besar.
Dalam proses menjalankan video streaming
ada beberapa factor yang yang perlu
diperhitungkan untuk menentukan baik buruknya
kualitas gambar dan suara. Diantaranya
bandwidth yang cukup, infrasurtuktur
jaringannya, semakin jauh jarak pengguna dari
node utama pemberi bandwidth tentunya semakin
rendah kualitasnya. Selain itu factor yang tidak
lah penting adalah delay, jitter, dan packet loss
pada infrastruktur jaringan tersebut.
Pada Penelitian ini akan dilakukan
pengujian performa dari video streaming melalui
jaringan wireless. Standar yang digunakan adalah
802.11n dengan model jaringan infrastructure dan
Wireless Distribution System (WDS). Dengan
kedua model jaringan tersebut akan diuji
performansinya melalui pengukuran delay, jitter,
packet loss, dan throughput.
Proses pengujian dilakukan dengan
membangun jaringan infrastructure dan WDS.
Selanjutnya akan dijalankan video streaming
melalui jaringan tersebut dan diukur
performansinya menggunakan tools wireshark.
Format video adalah avidan MPEG menggunakan
bandwidth 512 Kbps dan 1 Mbps.
Tujuannyauntuk menunjukkan dampak user
mobility terhadap performansi video streaming
pada jaringan wireless 802.11n.

246
 Seminar Nasional Informatika 2014

2. LANDASAN TEORI Topologi jaringan wireless yang kedua

A. Wireless Local Area Network (WLAN)
WLAN adalah suatu jaringan area lokal
nirkabel dimana media transmisinya
menggunakan frekuensi radio, untuk memberi
sebuah koneksi jaringan ke seluruh pengguna
dalam area disekitarnya.WLAN memiliki
beberapa standar seperti 802.11 a/b/g dan n.
adalahPoint-to-multipoint,yang dapat diartikan
sama dengan distribusi . Satu base station dapat
melayani ratusan dari pelanggan yang berbeda-
beda baik yang bersangkutan dengan bandwith
dan layanan yang disediakan (gambar 2.2).

Tabel 2.1 Perbandingan Standarisasi Wireless

802.11[4].
802.11 802.11 802.11 802.11
a b g n
Max Data 54 11 54 600
Rates Mbps Mbps Mbps Mbps Gambar 2.2 Topologi Point to Multipoint
DSSS
Modulati OFD / OFD C. Streaming
DSSS
on M OFD M Streaming adalah sebuah teknik yang
M digunakan untuk melakukan transfer data
2.4 sehingga dapat diproses secara tetap dan
5.4 2.4 2.4 GHz kontinyu[1]. Dalam videostreaming ada beberapa
RF Band
GHz GHz GHz &5 hal yang menjadi tolak ukur kualitas dari proses
GHz streaming tersebut seperti Qos, Parameter-
83.5 parameter pengujian jaringan, dan aplikasi
Available 580 83.5 83.5 Mhz / videostreaming.
BW Mhz Mhz Mhz 580 Beberapa protokol yang digunakan dalam
Mhz teknologi streaming adalah:
20 i. SessionDescriptionProtocol (SDP) :
Channel 20 20 20 Mhz / Gambaran format media yang digunakan
Width Mhz Mhz Mhz 40 untuk menggambarkan session multimedia
Mhz untuk tujuan pengumuman session, session
No. of undangan, dan bentuk-bentuk inisiasi session
1,2,3
Spatial 1 1 1 multimedia.
&4
Streams ii. RealTimeTransportProtocol (RTP) : Sebuah
paket dengan format UDP dan seperangkat
B. Topologi Jaringan Wireless LAN konvensi yang menyediakan fungsi jaringan
(WLAN) transportasi end-to-end, cocok untuk aplikasi
Point to Point Protocol atau yang biasa transmisi data real-time seperti audio, video
disingkat PPP merupakan enkapsulasi atau data simulasi, melalui layanan jaringan
multiprotocol datagram dalam jaringan yang multicast atau unicast.
sering digunakan pada jaringan WAN, Point to iii. Real-timeControlProtocol (RTCP) : RTCP
Point Protocol menggunakan arsitektur berlapis adalah protokol kontrol yang bekerja sama
dengan model logis dan desain yang membantu dengan RTP. Paket kontrol RTCP secara
komunikasi diantara lapisan interkoneksi. Point berkala dikirimkan oleh masing-masing paket
to Point Protocol juga menyediakan enkapsulasi dalam sesi RTP untuk semua paket lainnya.
datagram melalui jalur point to point dan RTCP digunakan untuk mengontrol kinerja
menggunakan lapisan data link untuk mengetes dan untuk tujuan diagnostik.
koneksi (Gambar 2.1). iv. HypertextTransferProtocol (HTTP) : Sebuah
protokol level aplikasi yang terdistribusi,
kolaboratif, dengan sistem informasi
hypermedia. Ini adalah protokol berorientasi
objek yang dapat digunakan untuk banyak
tugas, seperti servernama dan sistem
manajemen objek terdistribusi, melalui
perpanjangan metode permintaannya.
v. RealTimeStreamingProtocol (RTSP) :
Sebuah protokol level aplikasi untuk kontrol
Gambar 2.1 Topologi Point to Point atas pengiriman data dengan sifat real-time.
RTSP menyediakan kerangka extensible

247
Seminar Nasional Informatika 2014

untuk mengaktifkan kendali pada pengiriman ii. Delay

data real-time, seperti audio dan video, Delay adalah waktu tunda yang
dengan menggunakan Transmission Control disebabkan oleh proses transmisi dari satu
Protocol (TCP) atau User Data Protocol titik ke titik lain yang menjadi tujuannya.
(UDP). iii. Jitter
Jitter adalah variasi waktu dari sinyal
D. Wireless Distribution System periodik dalam elektronik dan
Wireless distribution system (WDS) adalah telekomunikasi, sering kali dalam
sebuah sistem untuk memperluas jangkauan kaitannya dengan sumber referensi jam.
jaringan wireless dengan menggunakan dua atau iv. Packet loss
lebih Access point. Dengan teknik WDS ini, Packet loss, adalah perbandingan seluruh
penggunaan kabel sebagai backbone jaringan paket IP yang dikirimkan dengan seluruh
tidak dibutuhkan, sehingga lebih mudah, murah, paket IP yang diterima antara source dan
dan efisien untuk instalasinya.Access point destination. Salah satu penyebab packet
tersebut bisa berupa main, relay, atau remote base loss adalah antrian yang melebihi kapasitas
station. buffer pada setiap node.
Syarat untuk membangun Wireless
distribution system (WDS) : 3. METODELOGI
i. Access point utama maupun Access
pointRepeater harus mendukung fitur A. Pemodelan Sistem
WDS Untuk analisa performansi dari video
ii. Masing-masing IP AddressAccess point streaming pada jaringan 802.11n
tidak boleh sama. dibutuhkanperancangan dan pemodelan dengan
iii. Sebagian besar Authentication access point tiga skenario sebagai berikut :
yang didukung dalam WDS adalah WEP i. Skenario 1
64/128 bit. Dan semua Access point yang
terlibat dalam 1 koneksi harus Start
menggunakan Metoda Inkripsi /
Authentication yang sama.
iv. Channel Radio yang digunakan harus Konfigurasi Access Point
sama. Misal Channel 10. pada topologi infrastructure

v. Matikan layanan DHCP Server pada

Access pointRepeater, karena DHCP akan
diambil alih Access point utama yang Konfigurasi VLC Server
sebagai default gateway.
vi. Ada kemungkinan WDS tidak berfungsi
jika Access point utama dan Access point
Capture packet dengan
Repeater berbeda merk. menggunakan Wireshark

E. Quality of Service (QoS)

QoS adalah kemampuan suatu jaringan Start Streaming
untuk menyediakan layanan yang baik dengan
menyediakan kapasitas jaringan, mengatasi jitter
dan QoS dirancang untuk membantu pengguna
menjadi lebih produktif dengan memastikan End

bahwa pengguna mendapatkan kinerja yang Gambar 3.1.Flowchart Skenario satu

handal dari aplikasi-aplikasi berbasis
jaringan[2]. Ada beberapa tolak ukur untuk
menilai QoS dari jaringan, diantaranya adalah :
i. Throughput
Throughput adalah salah satu ukuran pasti
dari performa sebuah jaringan wireless.
Dengan nilai throughput inilah kita bisa
melihat sebaik apa jaringan tersebut.
Definisi throughput adalah kemampuan
untuk mentransfer packetdata dalam waktu
tertentu. Dengan kata lain, semakin besar
nilai throughput dari jaringan tersebut,
maka semakin baik pula kualitas dari
jaringan tersebut.
Gambar 3.1. Menggambarkan alur proses
untuk skenario 1. skenario 1 dilakukan pengujian
kualitas topologi jaringan infrastruktur dengan
cara streamingvideo saat client terhubung dengan
access point 1 yang memiliki directaccess ke
server. Kemudian diambil data parameter-
parameter Qos seperti Delay, Jitter, Packet Loss
dan Throughput. Di sisi client dan server
ditanamkan aplikasi VLC (Video Lan Client) dan
Wireshark yang telah terkonfigurasi.Dan bentuk
topologi jaringanya dapat dilihat pada gambar 3.2.

248

Access Point 1
LAN IP : 192.168.1.1
WAN IP : 66.85.172.171
Server Subnet : 255.255.255.0
IP : 66.85.172.170 Gateway: 66.85.172.1
Subnet : 255.255.255.0
Gateway :66.85.172.1
Gambar 3.2.Topologi jaringan Infrastruktur
ii. Skenario 2
Start
Konfigurasi Access Point
pada topologi infrastructure
Konfigurasi Access Point
pada topologi WDS
Topologi WDS
Terhubung
Ya
Konfigurasi VLC Server
Capture packet dengan
menggunakan Wireshark
Start Streaming
End
Gambar 3.3.Flowchart Skenario dua
Pada skenario kedua (gambar 3.3 dan
gambar 3.4)client terhubung pada topologi
Wireless Distribution System (WDS). Di skenario
kedua ini juga akan dilakukan pengujian kualitas
jaringan berupa video streaming untuk
mendapatkan data parameter-parameter Qos
seperti Delay, Jitter, Packet Loss dan Throughput.
Access Point 1
LAN IP : 192.168.1.1
WAN IP : 66.85.172.171
Subnet : 255.255.255.0
Gateway: 66.85.172.1
Server
IP : 66.85.172.170
Subnet : 255.255.255.0
Gateway :66.85.172.1
Gambar 3.4.topologi jaringan WDS
iii.
Laptop Client
IP : 192.168.1.91
Subnet : 255.255.255.0
Gateway : 192.168.1.1
Tidak
Access Point 2
Laptop Client
IP : 192.168.1.91
Subnet : 255.255.255.0
Gateway : 192.168.1.1
Seminar Nasional Informatika 2014
Skenario 3
Start
Konfigurasi Access Point
pada topologi infrastructure
Konfigurasi Access Point
pada topologi WDS
Topologi WDS
Tidak
Terhubung
Ya
Konfigurasi VLC Server
Capture packet dengan
menggunakan Wireshark
Start Streaming
Client Berpindah Jaringan
End
Gambar 3.5.Flowchart skenario tiga
Skenario ketiga (gambar 3.5) adalah
pengukuran kualitas jaringan ketika client
melakukan streaming saat berpindah dari access
point 2 menuju access point 1 dan sebaliknya.
Pengukuran parameter Qos seperti Delay, Jitter,
Packet Loss dan Throughput dilakukan dengan
aplikasi Wireshark.Untuk topologinya dapat
dilihat di gambar 3.6.
Access Point 2
IP : 192.168.1.3
Server
IP : 66.85.172.170
Subnet : 255.255.255.0
Laptop Client
Gateway : 66.85.172.1
Access Point 1 IP : 192.168.1.91
Subnet : 255.255.255.0
LAN IP : 192.168.1.1
WAN IP : 66.85.172.171 Gateway : 192.168.1.1
Subnet : 255.255.255.0
Gateway: 66.85.172.1 Laptop Client
IP : 192.168.1.91
Subnet : 255.255.255.0
Client bergerak
Gateway : 192.168.1.1
Gambar 3.6.Topologi Jaringan WDS
4. Hasil dan Pembahasan
Seperti yang sudah disebutkan pada
pendahuluan, jaringan yang dibangun didukung
oleh koneksi internet berkecepatan 1Mbps dan
512Kbps. Dalam pengujian jaringan dilakukan
tiga skenario.Yang kemudian didapatkan data
parameter QoS seperti delay, jitter, throughput,
dan packet loss.
i. Delay
Gambar 4.1 menunjukkan hasil pengukuran
yang menunjukkan kenaikan nilai delay pada
skenario dua dan tiga bila dibandingkan dengan
skenario satu. Kenaikan delay terbesar terjadi
pada skenario tiga. Hal ini disebabkan karena
249
Seminar Nasional Informatika 2014
skenario tiga merupakan proses handover. Saat
terjadihandover, komunikasi akan terputus untuk
beberapa saat. Hal ini menyebabkan paket yang
sedang dikirimkan akan berhenti untuk beberapa
saat sehingga paket tersebut akan terlambat
datang. Komunikasi akan terhubung kembali
setelah Client terhubung pada network barunya.
Gambar 4.1. Pengujian Delayfile Avi
sedangkan hasil pengukuran pada file uji MPEG
tidak mengalami perubahan signifikan bila
dibandingkan dengan file uji AVI (gambar 4.2).
Gambar 4.2. Pengujian Delayfile MPEGJitter
Untuk mendapatkan nilai QoS jaringan yang
baik, nilai jitter harus dijaga seminimum
mungkin.
Gambar4.3. Pengujian Jitter File Avi
Dari gambar 4.3. Menyatakan tentang
grafik hasil pengukuran Jitter pada file uji AVI
dapat dilihat terjadinya kenaikan nilai jitter pada
skenario dua dan skenario tiga. Besar nilai jitter
dipengaruhi oleh delay yang terjadi pada paket
selama berada di router. Oleh karena itu, besar
250
nilai jitter yang terukur pada skenario satu,
skenario dua, dan skenario tiga, jauh lebih kecil
dari nilai 30 ms yang merupakan standar jitter
yang baik.
Gambar 4.4. Pengujian Jitter File MPEG
Mengunakan file MPEG (Gambar 4.4.)
hasilnya tidak jauh beda dengan file Avi dengan
nilai jitter masih memenuhi standar untuk Quality
of Service. Hal ini terjadi karena adanya buffer
yang digunakan oleh aplikasi real-time video
streaming.Oleh karena itu, jitter tidak terlalu
mempengaruhi video yang dijalankan oleh
aplikasi real-time video streaming.
ii. Packet Loss
Gambar 4.5.Menunjukkan bahwa nilai
packet loss terbesar terjadi pada skenario ketiga.
Ini disebabkan oleh client yang melakukan proses
handover. Packet loss terjadi karena client
langsung memutuskan koneksi dengan network
yang lama sebelum membangun koneksi dengan
network yang baru.Nilai packet loss yang terukur
masih dibawah batas toleransi yaitu 10%.
Gambar 4.5. Pengujian Packet Loss File Avi
Berdasarkan gambar 4.5.dan gambar 4.6
dapat terlihat besarnya packet loss yang terjadi
dari setiap skenario. Packet loss terbesar terjadi
pada skenario 3 baik itu menggunakan file Avi
ataupun MPEG. Hal tersebut disebabkan karena
client melakukan proses handover. Packet loss
terjadi karena client langsung memutuskan
koneksi dengan network yang lama sebelum
membangun koneksi dengan network yang baru.

Gambar 4.6. Pengujian Packet Loss File
MPEG
iii. Throughput
Gambar 4.7. Dan Gambar 4.8.
Menunjukkan bahwa nilai throughput pada
skenario ketiga merupakan nilai throughput
terkecil.Hal ini disebabkan karena pengaruh dari
delay yang lebih besar pada skenario tiga
dibandingkan dengan uji coba yang lainnya.
Terdapat hubungan berbanding terbalik antara
throughput dengan delay dimana semakin kecil
nilai throughput maka semakin besar nilai delay.
Gambar 4.6. Pengujian Throughput File Avi
Nilai throughput yang didapatkan dari
semua percobaan baik di skenario satu, skenario
dua maupun skenario tiga tidak mengalami
perubahan yang signifikan.
Gambar 4.7. Pengujian Throughput File
MPEG
Seminar Nasional Informatika 2014
5. KESIMPULAN
Topologi infrastruktur yang diuji coba
pada skenario satu memiliki kualitas QoS paling
baik dibandingkan dengan skenario dua dan
tiga.Hal ini terjadi karena prinsip topologi yang
memberikan bandwidth langsung ke client tanpa
dibagi pada access point lain seperti yang terjadi
pada topologi WDS.
Topologi jaringan WDS bisa dipergunakan
dengan baik pada implementasi aplikasi video
streaming yang menggunakan protokol
RealTimeStreamingProtocol (RTSP).Nilai-nilai
parameter QoS saat terjadi pergerakan client
(usermobility) masih dalam batas toleransi nilai
QoS yang baik.
Secara umum QoS pada skenario satu yang
berupa jaringan infrastruktur dan skenario dua
yang berupa jaringan wireless distribution system
(WDS) yang tidak berpindah networklebih baik
dibandingkan skenario tiga dimana terjadi proses
handover atau perpindahan network pada client.
Format file tidak memiliki dampak yang
signifikan terhadap hasil pengukuran. Hal in
disebabkan karena saat proses streaming, file
dibagi sesuai dengan tingkatan pada layer OSI.
Untuk kedepannya topologi yang
dibandingkan dapat lebih dikembangkan. Sebagai
contoh adalah topologi WDS dengan Mesh.Kedua
topologi ini memiliki kesamaan dan perbedaan di
beberapa sisi yang menjadikan kedua topologi ini
bisa menjadi bahan analisis yang baik.
DAFTAR PUSTAKA
[1] Andreas Handojo, Robin Chandra, Justinis
Andjarwirawan, Aplikasi Video
Conference dengan Kemampuan
Beroprasi Pada IPV4 dan IPV6, Seminar
Nasional Aplikasi Informasi (SNATI),
2009
[2] Bryan Yonathan, Yoanes Bandung,
Armein Z.R. Langi, Analisis Kualitas
Layanan (QOS) Audio-Video Layanan
Kelas Virtual di Jaringan Digital Learning
Pedesaan, Koferensi Teknologi Informasi
dan Komunikasi untuk Indonesia, 2011
[3] HP Innovation, ProCurve Networking,
Planning a Wireless Network, 2006.
[4] Nor Khairiah Ibrahim, Abdul Halim Ali,
Mohd Raziff Abdul Razak And Mohd Faiz
Azhar, “The Performance Of Video
Streaming Over Wireless-N”, Ieee
Symposium On Wireless Technology And
Applications (Iswta), 2012
[5] Wifi Aliance, “Wi-Fi Certified™ N
Longer-Range, Faster-Throughput,
Multimedia-Grade Wi-Fi® Networks”,
2009.
251
Seminar Nasional Informatika 2014

[6] Cisco Systems, Inc., Configuring Cisco Ios [8] Videolan Organization, "Videolan Client
Ip Slas Udp Jitter Operations For Voip, Documentation",
2010. Http://Www.Videolan.Org/Doc/, Diakses
[7] Itu-T G.1010, Series G: Transmission Maret 2014.
Systems And Media, Digital Systems And
Networks Quality Of Service And
Performance, 2011.

252
 Seminar Nasional Informatika 2014

PEMANFAATAN METODE AHP SEBAGAI MODEL PEMILIHAN

MASKAPAI SEBAGAI TEMPAT KERJA BERDASARKAN MINAT
BAGI LULUSAN LPP PENERBANGAN
Lili Tanti

STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan
lili@potensi-utama.ac.id

Abstrak

Bekerja di sebuah maskapai yang sesuai dengan minat adalah merupakan keinginan sebagian besar lulusan
dari LPP Penerbangan. LPP Penerbangan merupakan salah satu lembaga yang bergerak dibidang Pelatihan
dan Pendidikan dalam bidang penerbangan yang meluluskan siswa setiap tahunnya dalam bidang
penerbangan. Menempatkan lulusan siswa bekerja di sebuah maskapai yang sesuai dengan minat siswa
adalah merupakan salah satu program LPP Penerbangan. Terkadang Siswa yang lulus dari LPP Penerbangan
bekerja tidak sesuai dengan maskapi yang diinginkannya dikarenakan ada beberapa program pendidikan dan
pelatihan yang ada di LPP penerbangan tidak sesuai dengan kriteria yang diinginkan oleh maskapai yang
diminati oleh siswa tersebut. Oleh karena itu penulis memanfaatkan AHP dalam penelitian ini adalah
menentukan urutan prioritas maskapai yang diminati siswa lulusan LPP Penerbangan sebagai tempat
kerja yang bertujuan untuk membantu pihak LPP Penerbangan dalam memberikan Pendidikan dan Pelatihan
dalam bidang penerbangan yang sesuai dengan kriteria yang diinginkan oleh maskapai tersebut. Sehingga
pada saat siswa tersebut lulus maka siswa tersebut dapat ditempatkan / bekerja sesuai dengan minat yang
dimiliki oleh siswa tersebut. Maskapai yang menjadi perioritas siswa lulusan LPP Penerbangan adalah
Garuda Air (M-1), Citilink (M-2), Airasia (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5). Analytical
Hierarchy Process (AHP) merupakan suatu metode pengambilan keputusan terhadap masalah
penentuan prioritas pilihan dari berbagai alternatif. Penggunaan AHP dimulai dengan membuat
struktur hirarki dari permasalahan yang ingin diteliti. Matriks perbandingan berpasangan digunakan
untuk membentuk hubungan di dalam struktur. Pada matriks perbandingan berpasangan tersebut akan
dicari bobot dari tiap-tiap kriteria dengan cara menormalkan rata-rata geometrik (geometric mean) dari
pendapat responden. Nilai eigen maksimum dan vektor eigen yang dinormalkan akan diperoleh dari
matriks ini. Pada proses menentukan faktor pembobotan hirarki maupun faktor evaluasi, uji
konsistensi harus dilakukan (CR < 0,100). Dengan bantuan aplikasi Expert Choice untuk mendapatkan
Hasil dari analisis AHP yang akan diperoleh kesimpulan bahwa Garuda Air merupakan urutan prioritas
pertama bagi siswa lulusan LPP Penerbangan

Kata kunci : Maskapai, Lembaga Pelatihan dan Penerbangan (LPP), AHP, Expert Choice

1. Pendahuluan kriteria pilihan serta penyediaan satu skala

Setiap orang pasti ingin mendapatkan
pekerjaan yang layak untuk memenuhi
kebutuhan hidupnya. Di masa sulit seperti
sekarang ini, untuk mendapatkan pekerjaan yang
sesuai dan layak bukanlah suatu hal yang
mudah. Dibutuhkan kualitas dan kemampuan
yang lebih unggul untuk dapat bersaing di dunia
kerja.
LPP Penerbangan merupakan salah satu
lembaga yang bergerak dibidang Pelatihan dan
Pendidikan dalam bidang penerbangan yang
meluluskan siswa setiap tahunnya dalam bidang
penerbangan. Bekerja di sebuah maskapai adalah
merupakan keinginan sebagian besar lulusan dari
LPP Penerbangan.
Metode AHP merupakan metode yang
tepat dalam merangking jenis maskapai, dengan
melibatkan sejumlah preferensi dan responden,
penilaian tertentu, yang disusun dalam suatu
kuesioner sehingga hasil dari evaluasi dengan
metode AHP ini dapat memberikan hasil
mengenai maskapai mana yang menjadi minat
siswa lulusan LPP Penerbangan. Sehingga LPP
Penerbangan dapat memberikan Pendidikan dan
Pelatihan dalam bidang penerbangan yang sesuai
dengan kriteria yang diinginkan oleh maskapai
tersebut. Sehingga pada saat siswa tersebut lulus
maka siswa tersebut dapat ditempatkan / bekerja
sesuai dengan minat yang dimiliki oleh siswa
tersebut.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk menentukan
urutan prioritas Maskapai yang akan dipilih
siswa lulusan LPP Penerbangan sebagai tempat
bekerja dan mengarahkan siswa untuk

253
Seminar Nasional Informatika 2014
menentukan di maskapai manakah peluang
mereka lebih besar untuk mendapatkan pekerjaan.
2. Pembahasan
Analisis Kebutuhan Alternatif dan Kriteria
Data didapatkan dari hasil kuesioner dan
wawancara dari atasan responden adalah sebagai
berikut :
5. Data Alternatif
Maskapai yang diminati dari kuisioner yang
disebarkan kepada responden meliputi Garuda
Air, Lion Air, Sriwijaya Air, City Link Air
dan Air Asia.
6. Data Kriteria
Adapun Data Kriteria yang didapat dari hasil
wawancara yang diinginkan oleh siswa LPP
Penerbangan adalah Gaji, Jenjang Karir dan
Fasilitas
Analisis Kebutuhan Fungsional
Kebutuhan fungsional dari sistem pendukung
keputusan terhadap pemilihan maskapai adalah
Sistem Memungkinkan LPP Penerbangan untuk
mendapatkan informasi alternatif –alternatif
keputusan berupa maskapai yang diminati oleh
siswa lulusan LPP Penerbangan agar nantinya
bisa menjadi bahan masukan terhadap program
pendidikan dalam bidang penerbangan yang
sesuai dengan keinginan maskapi yang paling
banyak diminati oleh siswa LPP tersebut.
Analisis Perhitungan Analytic Hierarchy
Process (AHP).
1. Mendefiniskan Masalah Dan Menetukan
Solusi Yang Diinginkan
Banyak metoda yang dapat digunakan
dalam mengambil keputusan untuk menentukan
maskapai yang diminati sebagai tempat kerja bagi
lulusan LPP Penerbangan. Dalam ilmu
manajemen, tugas yang paling sulit adalah
pengambilan keputusan yang handal dan
efisien. Ada beberapa teori dan teknik untuk
membantu individu atau kelompok dalam
membuat keputusan. AHP adalah salah satu
metode yang dapat digunakan untuk
menanganinya. Hasil akhir dari proses AHP
adalah prioritas - prioritas dari alternatif -
alternatif yang menjadi pilihan. Prioritas
tersebut dapat digunakan untuk menentukan
alternatif terbaik atau untuk mendistribusikan
sumber daya (dana) secara proporsional. Output
dari Proses AHP dapat digunakan sebagai alat
untuk mendukung keputusan (DSS-Decision
Support System) seperti disampaikan Scott-
Morton pada awal 1970-an, yang
mendefinisikan DSS (Decision Support System)
sebagai "sistim berbasis komputer yang
interaktif, yang membantu pembuat keputusan
254
memanfaatkan data dan model untuk
memecahkan masalah yang tidak terstruktur".
Dengan AHP, proses keputusan kompleks
dapat diuraikan menjadi keputusan-keputusan
lebih kecil yang dapat ditangani dengan
mudah. AHP (Analytic Hierarchy Process)
mampu menjawab permasalahan tersebut. Oleh
karena itu untuk mengatasi penentuan bidang
kerja bagi lulusan penerbangan secara cepat dan
akurat, maka diperlukan suatu tool/alat bantu
yang memiliki kecepatan dan akurasi tinggi yang
dapat membantu memecahkan masalah tersebut.
Cara kerja AHP adalah dengan
menyederhanakan suatu permasalahan kompleks
yang tidak terstruktur, strategik dan dinamik
menjadi bagian-bagian yang lebih sistematis.
Prinsip kerja AHP adalah sebagai berikut:
1. Menentukan Tujuan/Sasaran, Kriteria dan
Alternatif
2. Menyusun hirarki dari Kriteria dan Alternatif
3. Memberi nilai Alternatif dan Kriteria
4. Memeriksa Konsistensi Penilaian Alternatif
dan Kriteria
5. Menentukan Prioritas Kriteria dan Alternatif
Sesuai permasalahan dalam menentukan
bidang kerja terbaik.
Secara umum Sistem Pendukung
Keputusan menentukan maskapai yang diminati
sebagai tempat kerja bagi lulusan LPP
Penerbangan dengan menggunakan metode AHP
memiliki tahapan yang ditunjukkan pada gambar
1.
Gambar 1. Blok Diagram Sistem Pendukung
Keputusan
Blok diagram pada gambar 1 tampak terdapat
masukan berupa data Goal, kriteria, alternatif dan
bobot masing-masing kriteria untuk penentuan
maskapai. Masukan tersebut untuk selanjutnya
dijadikan sebagai acuan dalam melakukan
penilaian pada masing-masing maskapai. Setelah
penilaian terhadap bidang kerja, seluruh data
diproses dengan menggunakan metode AHP.
Output yang disajikan berupa nilai ranking bidang
kerja yang dapat digunakan oleh pengambil
keputusan dalam menentukan perioritas maskapai
sebagai tempat kerja bagi siswa lulusan LPP
Penerbangan.
2. Membuat Struktur Hirarki Analytic
Hierarchy Process (AHP)
Struktur hirarki dengan menggunakan metode
Analytic Hierarchy Process (AHP) digunakan
untuk penentuan maskapai yang diminati oleh
 Seminar Nasional Informatika 2014

siswa lulusan LPP Penerbangan. Struktur hirarki Tabel 2. Matriks Faktor Pembobotan Hirarki
ditunjukkan pada Gambar 2. untuk Semua Kriteria
Gaji Jenjang Karir Fasilitas
Gaji 1 6 4
Jenjang
Karir 1/6 1 1/3
Fasilitas 1/4 3 1

Tabel 3. Matriks Faktor Pembobotan Hirarki

Gambar 2. Struktur Hirarki AHP untuk Semua Kriteria yang disederhanakan
Jenjang
Gaji Fasilitas
Model Analytic Hierarchy Process Karir
(AHP) pada gambar 2 terdapat level 1 digunakan Gaji 1,00 6,00 4,00
untuk mengetahui bobot dan persentase nilai Jenjang
kriteria yang dimiliki oleh maskapai yaitu Gaji, Karir 0,17 1,00 0,33
Jenjang Karir dan Fasilitas. Level 2 digunakan
Fasilitas 0,25 3,00 1,00
untuk mengetahui bobot dan persentase nilai
alternatif maskapai berdasarkan nilai Air Asia, ∑ 1,42 10,00 5,33
City Link, Garuda Air, Lion Air dan Sriwijaya
Air. Menjumlahkan Level 1 dan Level 2 untuk Tabel 4. Matriks Faktor Pembobotan Hirarki
memperoleh goal yaitu pemilhan maskapai untuk Semua Kriteria yang dinormalkan
sebagai tempat kerja berdasarkan minat siswa Jenjang Vector
Gaji Fasilitas
LPP Penerbangan. Karir Eigen
Gaji 0,71 0,60 0,75 0,69
3. Penilaian Kriteria dan Alternatif Jenjang
Kriteria dan alternatif dinilai melalui 0,12 0,10 0,06 0,09
Karir
perbandingan berpasangan. Menurut Saaty Fasilitas 0,18 0,30 0,19 0,22
(1988), untuk berbagai persoalan, skala 1 sampai
9 adalah skala terbaik dalam mengekspresikan
pendapat. Nilai dan definisi pendapat kualitatif
α maksimum : 3,09
dari skala perbandingan Saaty dapat dilihat pada
n :3
Tabel 1.
RI : 0,58
Tabel 1. Skala Penilaian Perbandingan CI : 0,04
Berpasangan CR : 0,07

Karena CR < 0,100 berarti preferensi responden

adalah konsisten.

Dari hasil perhitungan pada tabel di atas

menunjukkan bahwa: kriteria gaji merupakan
kriteria yang paling penting bagi siswa lulusan
LPP Penerbangan yang ingin bekerja di
perusahaan maskapai dengan bobot 0,69 atau
69 %, berikutnya adalah kriteria fasilitas dengan
nilai bobot 0,22 atau 22 %, kemudian kriteria
jenjang karir dengan nilai bobot 0,09 atau 9%.

4. Perhitungan Faktor Pembobotan Hirarki

untuk Semua Kriteria
Hasil analisis preferensi gabungan dari
responden ditunjukkan pada matriks
perbandingan hasil preferensi pada Tabel 2
menunjukkan perbandingan antara kriteria
didalam memilih maskapai.
Gambar 2. Kuesioner Kriteria dengan Expert
Choice

255
Seminar Nasional Informatika 2014

M-2 0,06 0,04 0,03 0,02 0,02 0,03

M-3 0,19 0,28 0,21 0,31 0,31 0,26
M-4 0,08 0,12 0,04 0,06 0,03 0,07
M-5 0,11 0,20 0,07 0,18 0,10 0,13

α maksimum : 5,37
Gambar 3. Hasil Prioritas Kriteria dengan n :5
Expert Choice
RI : 1,12
5. Perhitungan Faktor Pembobotan Hirarki CI : 0,09
untuk Kriteria dengan Alternatif CR : 0,08
a. Matriks Perbandingan Berpasangan Karena CR < 0,100 berarti preferensi
Kriteria Gaji responden adalah konsisten.
Perbandingan berpasangan untuk kriteria
gaji pada 5 Jenis Perusahaan Maskapai yaitu Dari hasil perhitungan pada tabel diatas
Garuda Air (M-1), Citilink (M-2), Airasia (M-3), diperoleh urutan prioritas untuk kriteria gaji
Lion Air (M-4) dan Sriwijaya Air (M-5) sehingga yakni Garuda Air (M-1) menjadi prioritas
diperoleh hasil preferensi rata-rata dari pertama dengan nilai bobot 0,50 atau 50%,
responden dalam matriks resiprokal sebagai kemudian Airasia (M-5) menjadi prioritas ke-2
berikut: dengan nilai bobot 0,26 atau 26%, Sriwijaya Air
(M-5) menjadi prioritas ke-3 dengan nilai bobot
Tabel 5. Matriks Faktor Evaluasi untuk 0,13 atau 13%, sedangkan Lion Air (M-2) dan
Kriteria Gaji Citilink (M-2), menjadi
pr ioritas ke-4 dan ke-5 dengan nilai bobot
Gaji M-1 M-2 M-3 M-4 M-5
yang sama sebesar 0,07 (7%) dan 0,03 (3%).
M-1 1 9 3 7 5
M-2 1/9 1 1/7 1/3 1/5
M-3 1/3 7 1 5 3
M-4 1/7 3 1/5 1 1/3
M-5 1/5 5 1/3 3 1

Perhitungan matriks untuk kriteria gaji

adalah:

Tabel 6. Matriks Faktor Evaluasi untuk Gambar 4. Kuesioner Kriteria dengan Expert
Kriteria Gaji yang disederhanakan Choice

Gaji M-1 M-2 M-3 M-4 M-5

M-1 1,00 9,00 3,00 7,00 5,00
M-2 0,11 1,00 0,14 0,33 0,20
M-3 0,33 7,00 1,00 5,00 3,00
M-4 0,14 3,00 0,20 1,00 0,33
Gambar 3. Hasil Prioritas Kriteria dengan
M-5 0,20 5,00 0,33 3,00 1,00 Expert Choice
∑ 1,79 25,00 4,68 16,33 9,53
b. Matriks Perbandingan Berpasangan
Tabel 7. Matriks Faktor Evaluasi untuk Kriteria Jenjang Karir
Kriteria Gaji yang dinormalkan Perbandingan berpasangan untuk kriteria
Jenjang Karir pada 5 Jenis Perusahaan Maskapai
yaitu Garuda Air (M-1), Citilink (M-2), Airasia
Vector
Gaji M-1 M-2 M-3 M-4 M-5 (M-3), Lion Air (M-4) dan Sriwijaya Air (M-5)
Eigen
sehingga diperoleh hasil preferensi rata-rata
M-1 0,56 0,36 0,64 0,43 0,52 0,50 dari responden dalam matriks resiprokal sebagai
berikut:

256
 Seminar Nasional Informatika 2014

Tabel 8. Matriks Faktor Evaluasi untuk pr ioritas ke-4 dan ke-5 dengan nilai bobot
Kriteria Jenjang Karir yang sama sebesar 0,06 (6%) dan 0,03 (3%).
Jenjang
M-1 M-2 M-3 M-4 M-5
Karir
M-1 1 9 7 3 5
M-2 1/9 1 1/3 1/7 1/5
M-3 1/7 3 1 1/5 1/5
M-4 1/3 7 5 1 3
M-5 1/5 5 5 1/3 1

Perhitungan matriks untuk kriteria Jenjang

Karir adalah: Gambar 4. Kuesioner Kriteria dengan Expert
Choice
Tabel 9. Matriks Faktor Evaluasi untuk
Kriteria Jenjang Karir yang disederhanakan
Jenjang
M-1 M-2 M-3 M-4 M-5
Karir
M-1 1,00 9,00 7,00 3,00 5,00
M-2 0,11 1,00 0,33 0,14 0,20
M-3 0,14 3,00 1,00 0,20 0,20 Gambar 5. Hasil Prioritas Kriteria dengan
M-4 Expert Choice
0,33 7,00 5,00 1,00 3,00
M-5 0,20 5,00 5,00 0,33 1,00
∑ 1,79 25,00 18,33 4,68 9,40 c. Matriks Perbandingan Berpasangan
Kriteria Fasilitas
Tabel 10. Matriks Faktor Evaluasi untuk Perbandingan berpasangan untuk kriteria
Kriteria Jenjang Karir yang dinormalkan Fasilitas pada 5 Jenis Perusahaan Maskapai yaitu
Garuda Air (M-1), Citilink (M-2), Airasia (M-3),
Jenjang Vector Lion Air (M-4) dan Sriwijaya Air (M-5) sehingga
M-1 M-2 M-3 M-4 M-5
Karir Eigen
diperoleh hasil preferensi rata-rata dari
M-1 0,56 0,36 0,38 0,64 0,53 0,49 responden dalam matriks resiprokal sebagai
M-2
berikut:
0,06 0,04 0,02 0,03 0,02 0,03
M-3 0,08 0,12 0,05 0,04 0,02 0,06 Tabel 11. Matriks Faktor Evaluasi untuk
M-4 0,19 0,28 0,27 0,21 0,32 0,25 Kriteria Fasilitas
Jenjang
M-5 M-1 M-2 M-3 M-4 M-5
0,11 0,20 0,27 0,07 0,11 0,15 Karir
M-1 1 7 1/3 3 1
α maksimum 5,37 M-2 1/7 1 1/9 1/5 1/7
n 5 M-3 3 9 1 5 3
RI 1,12 M-4 1/3 5 1/5 1 1/3
CI 0,09 M-5 1 7 1/3 3 1
CR 0,08
Perhitungan matriks untuk kriteria Fasilitas
Karena CR < 0,100 berarti preferensi adalah:
responden adalah konsisten.
Tabel 12. Matriks Faktor Evaluasi untuk
Dari hasil perhitungan pada tabel diatas Kriteria Jenjang Karir yang disederhanakan
diperoleh urutan prioritas untuk kriteria Jenjang Jenjang Karir M-1 M-2 M-3 M-4 M-5
Karir yakni Garuda Air (M-1) menjadi prioritas
M-1 1,00 7,00 0,33 3,00 1,00
pertama dengan nilai bobot 0,49 atau 49%,
kemudian Lion Air (M-4) menjadi prioritas ke-2 M-2 0,14 1,00 0,11 0,20 0,14
dengan nilai bobot 0,25 atau 25%, Sriwijaya Air M-3 3,00 9,00 1,00 5,00 3,00
(M-5) menjadi prioritas ke-3 dengan nilai bobot
M-4 0,33 5,00 0,20 1,00 0,33
0,15 atau 15%, sedangkan Airasia (M-3) dan
Citilink (M-2), menjadi M-5 1,00 7,00 0,33 3,00 1,00
∑ 5,48 29,00 1,98 12,20 5,48

257
Seminar Nasional Informatika 2014

Tabel 113. Matriks Faktor Evaluasi untuk Tabel 14. Hasil Evaluasi Kriteria Maskapai
Kriteria Jenjang Karir yang dinormalkan Kriteria Hasil
Jenjang Vector Gaji 0,69
M-1 M-2 M-3 M-4 M-5
Karir Eigen
Jenjang Karir 0,09
M-1 0,18 0,24 0,17 0,25 0,18 0,20
Fasilitas 0,22
M-2 0,03 0,03 0,06 0,02 0,03 0,03
M-3 0,55 0,31 0,51 0,41 0,55 0,46 Hasil evaluasi untuk 3 kriteria pada 5 jenis
M-4
maskapai dapat dilihat pada tabel 15.
0,06 0,17 0,10 0,08 0,06 0,10
M-5 0,18 0,24 0,17 0,25 0,18 0,20 Tabel 15. Hasil Evaluasi Kriteria Terhadap
Alternatif
Jenjang
α maksimum : 5,24 Maskapai Gaji
Karir
Fasilitas
n :5 Garuda Air (M-1) 0,50 0,49 0,20
RI : 1,12 Citilink (M-2) 0,03 0,03 0,03
CI : 0,06
Airasia (M-3) 0,26 0,06 0,46
CR : 0,05
Lion Air (M-4) 0,07 0,25 0,10
Karena CR < 0,100 berarti preferensi Sriwijaya Air (M-5) 0,13 0,15 0,20
responden adalah konsisten.
Dari seluruh evaluasi yang dilakukan
Dari hasil perhitungan pada tabel diatas terhadap ke-3 kriteria yakni Gaji, Jenjang Karir
diperoleh urutan prioritas untuk kriteria fasilitas dan Fasilitas yang selanjutnya dikalikan dengan
yakni Airasia (M-3) memiliki prioritas pertama evaluasi terhadap alternatif. Dengan demikian kita
dengan nilai bobot 0,46 atau 46% dan Garuda Air peroleh tabel hubungan antara kriteria dengan
(M-1) dan Sriwijaya (M-5) memiliki urutan alternatif.
prioritas yang sama yaitu urutan kedua dengan
nilai bobot 0,20 atau 20%, kemudian Lion Air Tabel 16. Hasil Persentase Maskapai
(M-4) memiliki urutan ke-3 dengan bobot nilai Jenjang
Maskapai Gaji Fasilitas Total
0,10 atau 10% sedangkan citilink (M-2) memiliki Karir
urutas ke-5 dengan bobot nilai 0,03 atau 3%. Garuda Air (M-1) 0,34 0,05 0,05 0,44
Citilink (M-2) 0,02 0,00 0,01 0,03
Airasia (M-3) 0,18 0,01 0,10 0,29
Lion Air (M-4) 0,05 0,02 0,02 0,09
Sriwijaya Air (M-5) 0,09 0,01 0,05 0,15

Dari perhitungan pada masing-masing

tabel 16. diperoleh Garuda Air (M-1) 0,44 atau
44 %, Citilink (M-2) 0,03 atau 3%, Airasia (M-3)
Gambar 6. Kuesioner Kriteria dengan Expert 0,29 atau 29%, Lion Air (M-4) 0,09% atay 9%
Choice danSriwijaya Air (M-5) 0,15 atau 15%. Dan
Maskapai yang diminati oleh siswa lulusan LPP
Penerbangan adalah GARUDA AIR.

Gambar 7. Hasil Prioritas Kriteria dengan

Expert Choice

Hasil Penelitian Gambar 8. Hasil Prioritas Maskapai dengan

Expert Choice
Dari seluruh evaluasi yang dilakukan terhadap ke-
3 kriteria yakni gaji, jenjang karir dan prioritas.
Dengan demikian kita peroleh tabel hubungan
antara kriteria dengan alternatif.

258
 Seminar Nasional Informatika 2014

ranking yang layak untuk mendapatkan maskapai

yang diminati.

3. Kesimpulan

Dari hasil penelitian dapat diketahui nilai

Gambar 9. Hasil Prioritas Maskapai dalam
bentuk Graph dengan Expert Choice
akhir (total rangking) masing-masing Maskapai
dan berdasarkan total rangking tersebut dapat
dibuat urutan prioritas Maskapai yang diminati
siswa lulusan LPP Penerbangan sebagai tempat
kerja berdasarkan Minat adalah
- Gaji yaitu Garuda Air (M-1), Airasia (M-5),
Sriwijaya Air (M-5), Lion Air (M-2) dan
Citilink (M-2)
- Jenjang Karier yaitu Garuda Air (M-1), Lion
Air (M-4), Sriwijaya Air (M-5), Airasia (M-
3) dan Citilink (M-2)
- Fasilitas yaitu Airasia (M-3), Garuda Air (M-
1), Sriwijaya (M-5), Lion Air (M-4), Citilink
(M-2).

Daftar Pustaka

[1] Saaty, T. L. 1999. Decision Making for

Leaders. RWS Publications, 4922 Ellsworth
Avenue: Pittsburgh, PA 15213
[2] Hidayati, novi, “Sistem E-Learning untuk
meningkatkan Proses Belajar Mengajar
Gambar 10. Hasil Prioritas Kriteria dan Studi Kaus pada SMA Negeri 10 Bandar
Alternatif dalam memilih Maskapai dalam Lampung”, Jurnal Sistem Informasi, Vol. 2,
bentuk Graph dengan Expert Choice No. 2, September 2010.
[3] Utari, lis, “Rancang Bangun Memilih
Hasil Pengujian Kendaraan (Mobil) dengan Metode Analytic
Hierarchy Process (AHP) dan
Hasil perhitungan data sampel untuk Superdecision”, Jurnal Ilmiah Teknologi dan
menentukan maskapai sebagai tempat kerja siswa Informasi Volume 2 – Mei 2011.
lulusan LPP Penerbangan dapat dilihat pada tabel [4] Vitari & Hasibuan, ”Sistem Pendukung
17. Keputusan Penerimaan Beasiswa
menggunakan metode Analytical Hierarchy
Process (Studi Kasus Penerimaan Beasiswa
di SMAN2 Metro)”, Konferensi Nasional
Tabel 17. Bobot Final dan Ranking Alternatif Sistem dan Informatika 2010, Bali,
No Alternatif Pengujian Pengujian Ranking November 13, 2010.
Software Manual
1 Garuda Air 44 % 44 % 1
[5] Efraim Turban, Jay E. Aronson, Ting Peng
(M-1) Liang 2005, Decision Support System and
2 Airasia (M- 29,1 % 29 % 2 Intelligent System, Jilid 2.
3) [6] Kusrini, 2007, Konsep dan Aplikasi Sistem
3 Sriwijaya 14,8 % 15 % 3 Pendukung Keputusan, Yogyakarta.
Air (M-5)
4 Lion Air (M- 8,8 % 9% 4 [7] Fitriyani, 2012, ”Aplikasi AHP sebagai
4) Model Sistem Pendukung Keputusan
5 Citilink (M- 3,3 % 3% 5 Pemilihan Tempat Kuliah di Bangka
2) Belitung”, Seminar Nasional Aplikasi
Teknologi Informasi 2012 (SNATI 2012),
Dari hasil perbandingan, didapatkan hasil akurasi Yogyakarta, 15-16 Juni 2012.
manual dan dengan software terendah 90% dan
akurasi tertinggi 100%. Dari hasil pengujian baik
dengan manual ataupun software dapat dihasilkan

259
Seminar Nasional Informatika 2014

APLIKASI PERAMALAN PENGADAAN BARANG DENGAN

METODE TREND PROJECTION DAN METODE SINGLE
EXPONENTIAL SMOOTHING
(STUDI KASUS DI TOKO PIONIR JAYA)
Evi Dewi Sri Mulyani1, Egi Badar Sambani2, Rian Cahyana3
1,2
Jurusan Teknik Informatika
3
STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya
e-mail : 1eviajadech@gmail.com, 2egibadar@gmail.com, 3rianchek2@gmail.com

Abstrak

Peramalan adalah suatu prediksi untuk memperkirakan keadaan dimasa mendatang dengan menggunakan
data-data lama. Dalam penjualan, peramalan bertujuan untuk memperkirakan berapa basar kebutuhan barang
yang akan terjual. Dengan adanya peramalan ini maka semuan kegiatan dalam pembuatan suatu barang bisa
berjalan dengan lancar dan optimal.Akan tetapi untuk sebelum melakukan peramalan ada satu tahap yang
harus dilewati yaitu pemilihan metode sebelum melakukan peramalan. Metode peramalan yang digunakan
sebaiknya menggunakan lebih dari satu metode dalam permalannya , karena dengan menggunakan metode
lebih dari hasil peramalan akan lebih flexibel terhadap perubahan pola data-data sebelumnya sebelum
melakukan peramalan. Aplikasi peramalan ini menggunakan 2 metode yaitu metode trend projection dan
metode single exponential smoothing. Metode trend projection sangat cocok untuk pola data bersifat bergerak
naik atau turun dalam peramalannya, sedangkan metode single exponential smoothing sangat cocok untuk
pola data bersifat fluktuatif (random), tetapi ketika data yang digunakan untuk peramalan bersifat bergerak
naik atau turun maka metode yang digunakan pun akan berbeda. Dengan menggunakan kedua metode
tersebut dalam peramalannya, maka hasil ramalannya pun akan lebih flexibel terhadap perubahan pola data
sebelumnya sebelum melakukan peramalan. Aplikasi ini pun akan menunjukan hasil perbandingan peramalan
dari kedua metode tersebut, sehingga dapat diketahui mana yang memiliki tingkat kesalahan yang paling
kecil.

Kata Kunci : Peramalan , Metode Trend Projection , Metode Single Exponential Smoothing

1. PENDAHULUAN ataupun berapa barang yang dipesan untuk

Suatu perusahaan , terutama perusahaan
yang bergerak di bidang penjualan, informasi
sangat penting sekali, apalagi informasi tentang
data barang yang keluar.informasi ini
berpengaruh terhadap suatu keputusan seorang
manajer dalam menentukan berapa barang yang
di pesan untuk penjualan pada periode
berikutnya[1]. Jika menejer dalam pengambilan
keputusan ini terjadi suatu kesalahan maka dapat
menyebabkan menumpuknya suatu barang
ataupun kekurangan stok barang yang dapat
menyebabkan kerugian pada perusahaan tersebut,
karena penumpukan persediaan yang terlalu
banyak akan memerlukan modal kerja yang
makin banyak pula, hal ini memungkinkan
investasi modal untuk kegiatan lain jadi
terhambat. sedangkan persediaan yang sedikit
memungkinkan perusahaan tidak dapat memenuhi
kebutuhan pelanggannya.
Untuk itulah di dalam suatu perusahaan
tersebut diperlukannya suatu aplikasi peramalan
yang baik yang dapat membantu seorang menejer
dalam pengambilan keputusannya dalam
penentuan berapa barang yang akan di produksi
penjualan pada periode berikutnya. Dalam
penelitian sebelumnya, karangan Aswin Nurman
Pradana yang berjudul Sistem peramalan
persediaan Unit Mobil Mitsubishi PT.Wicaksana
Berlian Motor , digunakan untuk membantu dan
mempermudah dalam menentukan berapa banyak
unit mobil yang harus disediakan untuk
memenuhi permintaan konsumen[2]. metode
peramalan yang digunakan pada sistem tersebut
ialah metode single exponential smoothing,
menggunakan metode single exponential
smoothing karena pada saat itu pola data yang ada
bersifat fluktuatif (random). Tapi ketika pola data
pada perusahaan tersebut berubah menjadi
bergerak naik , maka metode yang digunakan pun
harus berubah .Perlunya ada pengembangan
sistem ini dikarenakan kemungkinan ada
perubahan pola data barang yang keluar menjadi
berubah yang mengakibatkan metode peramalan
yang digunakan menjadi kurang tepat..
Berdasarkan beberapa persoalan diatas,
perlu adanya solusi pemecahan masalah untuk
mendapatkan hasil peramalan yang lebih akurat ,
yaitu dibuatkannya aplikasi peramalan dengan
menggunakan 2 metode yang berbeda , agar hasil

260

peramalan dari ke dua metode tersebut dapat
dibandingkan agar hasil ramalan menjadi lebih
objektif dan akurat. Metode yang digunakan ialah
Metode Trend Projection dan Metode Single
Exponential Smoothing, menggunakan kedua
metode ini dikarenakan untuk Metode Trend
Projection sangat cocok ketika pola data bersifat
naik atau turun , sedangkan Metode Single
Exponential Smoothing sangat cocok ketika pola
data bersifat fluktuatif.
Sistem ini diharapkan dapat membantu
seorang menejer dalam pengambilan
keputusannya dalam penentuan berapa barang
yang akan di produksi ataupun berapa barang
yang dipesan untuk penjualan pada periode
berikutnya menjadi lebih tepat
2. METODE PENELITIAN
Metode penelitian yang digunakan
adalah metode kualitatif, karena “masalah” yang
dibawa oleh peneliti masih kompleks dan
dinamis. Oleh karena itu, “masalah” dalam
penelitian kualitatif masih bersifat sementara, dan
akan berkembang atau berganti setelah peneliti
berada di lapangan[3]. Penulis menjabarkan
permasalahan yang ada serta membuat
pemecahan masalah mengenai peramalan
pengadaan barang yaitu peramalan suatu produksi
atau penjualan dengan merancang Aplikasi untuk
pengadaan barang. Dengan metode ini dapat
membantu Penulis dalam proses merancang
Aplikasi peramalan untuk pengadaan barang
sehingga hasil ramalan lebih akurat.
Metode Perancangan dalam penulisan
penelitian menggunakan metode System
Development Life Cycle (SDLC), dengan melalui
tahapan analisis, desain, code, implementasi, dan
pengujian.
2.1 Pengacuan Pustaka
2.1.1 Peramalan
Peramalan adalah seni dari ilmu
memprediksi sesuatu yang belum terjadi dengan
tujuan untuk memperkirakan peristiwa-peristiwa
yang akan terjadi dimasa depan nantinya dengan
selalu memerlukan data-data dari masa lalu
yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa. Sehingga
dengan peramalan, maka kemungkinan terjadinya
peristiwa-peristiwa yang tidak sesuai dengan
tujuan yang diharapkan diikuti dengan kesiapan
untuk mengantisipasinya. [1]
2.1.2 Metode Trend Projection
Metode trend projection merupakan
metode peramalan kuantitatif, dimana metode
kuantitatif adalah metode yang didasarkan pada
Seminar Nasional Informatika 2014
data kuantitatif pada massa lalu. Hasil peramalan
yang dibuat sangat bergantung kepada metode
peramalan yang digunakan.[2]
Metode trend projection merupakan
metode peramalan yang menyesuaikan sebuah
garis tren pada sekumpulan data masa lalu dan
kemudian diproyeksikan dalam garis untuk
meramalkan masa depan.
Metode trend projection bisa disebut
juga metode tren garis lurus. Adapun persamaan
trend linier menurut J.Supranto, dapat ditulis
sebagai berikut :[3]
………(1)
Dimana:
Y’ =data berkala (time series data),
a dan b= konstanta
X= waktu (hari, minggu, bulan, tahun)
Sebelum mmenentukan nilai a dan b
maka harus ditentukan nilai (=X) terlebih
dahulu,sedemikian rupa,sehingga jumlah nilai
variable waktu adalah nol (0).
∑ ……… (2)
Pada umumnya yang diberi nilai 0
adalah variable waktu yang letaknya ditengah
Untuk mencari nilai variable waktu adalah
sebagai berikut :
1. Untuk nilai variable waktu (= X) adalah
nol ( 0 )
a. Untuk nilai n ganjil adalah :
……… (3)
……… (4)
b. Untuk nilai n genap adalah :
……… (5)
……… (6)
2.1.3 Metode Single Exponential Smoothing
Metode exponential smoothing
merupakan pengembangan dari metode moving
averages. Dalam metode ini peramalan
dilakukan dengan mengulang perhitungan secara
terus menerus dengan menggunakan data terbaru.
Setiap data diberi bobot, data yang lebih baru
diberi bobot yang lebih besar. Salah satu
metode dalam exponential smoothing
diantaranya single exponential smoothing
1. Single Exponential Smoothing
Metode ini adalah pengembangan dari
metode moving average (MA) menggunakan
rumus sebagai berikut:
……… (7)
Keterangan :
Ft+1 : Ramalan untuk periode ke t + 1
XT : Nilai riil periode ke t
T : Jangka waktu rata – rata bergerak
Metode moving average memang
mudah menghitungnya akan tetapi metode ini
memberikan bobot yang sama pada setiap data .
261
Seminar Nasional Informatika 2014

Untuk mengatasi hal ini maka digunakan metode yaitu metode single exponential
metode single exponential smoothing. Pada smoothing dan metode trend projection , dengan
metode single exponential smoothing bobot yang adanya kedua metode ini akan terlihat hasil
diberikan pada data yang ada adalah sebesar α perbandingan peramalan, mana yang memiliki
untuk data yang terbaru, α(1 -α) untuk data yang tingkat kesalahan yang paling kecil.
lama, α(1-α)2 untuk data yang lebih lama, dan
seterusnya. Besarnya α adalah antara 0 dan 1. Contoh Kasus :
Semakin mendekati 1 berarti data terbaru lebih Sampel data diambil dari toko pionir jaya
diperhatikan. Secara matematis besarnya untuk penjualan folio perbulan (perperiode).
Peramalan adalah:
Ft+1 = α Xt + (1 – α) Ft……… (8) Tabel 1. Contoh Kasus
Jumlah Barang
Bulan Tahun
Ft+1 : Ramalan untuk periode ke t+1 ( Terjual )
Xt: Nilai riil periode ke t April 2013 100
Ft : Ramalan untuk periode ke t
Mei 2013 123
Dengan demikian dapat dikatakan bahwa Juni 2013 145
peramalan pada periode yangakan datang adalah
Juli 2013 160
ramalan sebelumnya ditambah α (alpha) dikalikan
dengan kesalahan ramalan periode sebelumnya. Agustus 2013 201
Dalam melakukan peramalan dengan September 2013 239
menggunakan metode single exponential
Oktober 2013 232
smoothing (SES), besarnya α (alpha) ditentukan
secara trial dan error sampai ditemukan α November 2013 273
(alpha) yang menghasilkan forecast error Desember 2013 137
terkecil. Metode ini lebih cocok digunakan untuk
Januari 2014 140
meramal data-data yang fluktuatif secara random
(tidak teratur).[4] Februari 2014 101
Maret 2014 142
2.1.4 Mean Absolute Percent Error (MAPE)
April 2014 140
Formulasi yang akan digunakan dalam
Dari tabel 1 diatas dapat dilihat bahwa
menghitung kesalahan ialah Mean Absolute
Precentage Error (MAPE). MAPE merupakan penjualan folio pada bulan april 2014 sebanyak
suatu nilai tengah atau rata-rata jumlah seluruh 140 , maka disini akan diuji keakuratan kedua
persentasi kesalahan untuk sebuah susunan data metode yaitu metode trend projection dan metode
single exponential smoothing dalam
yang diberikan. Ia merupakan ialah satu ukuran
peramalannya.
ketepatan yang digunakan dalam metode
kuantitatif atau peramalan. MAPE dihitung
sebagai rata-rata diferensiasi absolut antara nilai 1) Pengujian Dengan Metode Trend
yang diramal dan aktual, dinyatakan sebagai Projection
Untuk memudahkan perhitungan dibuatkan table
persentase nilai aktual. jika kita memiliki nilai
pembobotan sebagai berikut:
yang diramal dan aktual untuk n periode, MAPE
dihitung sebagai :
∑ | | Tabel 2. Tabel Penjualan Folio Setelah Diberi
Bobot
………
Bulan x y xy x^2
(9)
April -5.5 100 -550 30.25
MAPE mungkin merupakan Mei -4.5 123 -553.5 20.25
perhitungan yang paling mudah diartikan.
Sebagai contoh, MAPE merupakan pernyataan Juni -3.5 145 -507.5 12.25
yang jelas, yang tidak bergantung pada Juli -2.5 160 -400 6.25
permasalahan seperti banyaknya data input.[5] Agustus -1.5 201 -301.5 2.25

3. ANALISIS DAN PERANCANGAN September -0.5 239 -119.5 0.25

SISTEM Oktober 0.5 232 116 0.25
November 1.5 273 409.5 2.25
3.1 Analisis Pemecahan Masalah
Program Aplikasi Ini dibuat agar hasil Desember 2.5 137 342.5 6.25
peramalan menjadi lebih objektif dan akurat Januari 3.5 140 490 12.25
karena metode peramalan yang digunakan 2

262
 Seminar Nasional Informatika 2014

Februari 4.5 101 454.5 20.25 2) Pengujian Dengan Metode Single

Exponential Smoothing
Maret 5.5 142 7781 30.25 Berikut perhitungan untuk konstanta
Jumlah
∑ ∑ ∑ alpha (α = 0.9)
y=1993 xy=161.5 x^2=143 F2 = α X1+ (1 – α) F1
= ( 0.9 * 100 ) + ( 0.1 * 100 )
Y’ = a + bx (x variable waktu yang akan = 100
di ramalkan ) F3 = α X2+ (1 – α) F2
Diketahui : = ( 0.9 * 123 ) + ( 0.1 * 100 )
∑ y =1993 = 120.7  121
∑ xy =161.5
∑ x2 =143 Tabel 4. Hasil Peramalan dengan Metode
Cari: Single Exponential Smoothing dengan Alpha
a = ∑y/n = 1993/12 = 166.08 =0.9
b = ∑xy / ∑x2 = 161.5/143 = 1.13 Data Hasil
|Data aktual
y’ = 166.08 + (1.13 * 13) (“13 waktu yang di Periode Aktua Ramala
- Hasil
ramalkan bulan ke 13 “) l n
Ramalan| /
y’ = 180.77 ( dibulatkan ) data aktual
Jadi hasil ramalan untuk folio bulan April 2014 = April 100 0
181 buah.
Mei 123 100 0.19
Juni 145 121 0.17
Tabel 3. Hasil Peramalan dengan Metode Juli 160 143 0.11
Trend Projection
| Data aktual Agustus 201 158 0.21
Data Hasil - Hasil September 239 197 0.18
Periode
Aktual Ramalan ramalan | Oktober 232 235 0.01
/ data aktual
November 273 232 0.15
April 100 167.21 0.67
Desember 137 269 0.96
Mei 123 168.34 0.37
Januari 140 150 0.07
Juni 145 169.47 0.17
Februari 101 141 0.40
Juli 160 170.60 0.07
Maret 142 105 0.26
Agustus 201 171.73 0.15
April 138
September 239 172.86 0.28
Jumlah 2.71
Oktober 232 173.99 0.25
November 273 175.12 0.36 ∑ | |
Desember 137 176.25 0.29
Januari 140 177.38 0.27
Februari 101 178.51 0.77
Jadi kesalahan rata – rata dari metode single
Maret 142 179.64 0.27
exponential smoothing dengan alpha = 0.9 sekitar
April 180.77 22.58 % dengan hasil ramalan (table 4) untuk
Jumlah ∑ = 3.89 bulan April = 138.

3) Hasil Ramalan Dengan Perbandingan

∑ | | MAPE
Setelah melakukan peramalan dengan
kedua metode di dapat hasil MAPE dari kedua
metode tersebut.

Jadi kesalahan rata – rata dari metode trend

projection ini sekitar 32.42 %.

263
Seminar Nasional Informatika 2014

Tabel 5. Hasil MAPE Metode Trend Projection

dan Metode Single Exponential Smoothing
Single
Trend
Exponential
Barang Projection
Smoothing a=0.9
(%)
(%)
Folio 32.42 22.58

Dilihat dari tabel 3 diatas diketahui

bahwa nilai dengan MAPE terkecil ialah
penggunaan metode peramalan dengan metode
single exponential smoothing dengan alpha=0.9,
maka untuk hasil peramalan bulan april 2014 =
138 , ini dikarenakan data yang digunakan untuk
peramalan bersifat fluktuatif ( secara random ) ,
tetapi ketika data yang digunakan untuk
peramalan bersifat bergerak naik atau turun maka
metode yang digunakan pun akan berbeda.
Gambar 2. Diagram Activity Peramalan
a. Perancangan Sistem
i. Use case Diagram Gambar 2 diatas menjelaskan diagram aktivitas
melakukan permalan.

b. Perancangan Basis Data

i. Entity Relationship Diagram (ERD)
Diagram ERD digunakan untuk
mengembangkan model tingkat tinggi sistem
yang menggambarkan sebagian besar objek
sistem serta interaksi antara obyek dan atribut-
atributnya. Objektif utama dari pembuatan ER
diagram adalah untuk menunjukan objek-objek
(himpunan entitas) apa saja yang ingin dilibatkan
dalam sebuah basis data dan bagaimana hubungan
yang terjadi diantara objek-objek tersebut.[6]

Gambar 1. Use Case Diagram Sistem

Peramalan

ii. Activity Diagram Peramalan

Aktor masuk ke form peramalan
,memilih barang yang ingin diramal, sistem
memeriksa kecukupan data barang perperiode jika
tidak cukup ada pesan bahwa data yang dipilih
kurang mencukupi untuk dihitung peramalannya,
jika mencukupi sistem melakukan proses Gambar 3. ERD Peramalan Barang
peramalan.
Kamus data :
- Akun : { usrnm, pwd,stat}
- Tahun Periode : { thn_periode}
- Data Barang :{
kd_barang,nm_barang}
- Detail Barang :{
kd_barang,jumlah,bulan.thn_periode}
- Hasil Ramal :{
kd_barang,bulan,thn_periode,hasil1,hasil2}

264

ii. Relasi Tabel
Gambar 4. Relasi Tabel Peramalan Barang
Gambar 2 menjelaskan hubungan antar
tabel yang dalam database permalan.
c. Implementasi
Implementasi merupakan langkah yang
dilakukan setelah perancangan. Program ini
dimulai dengan tampilnya menu login, jika
pemakai sebagai admin memiliki hak penuh
terhadap sistem ini dengan memasukan username
dan password yang sudah terdaftar secara default
dengan username admin dan password admin.
Admin dapat menambah, merubah maupun
menghapus user, tambah data barang, tambah
tahun periode, tambah data untuk peramalan,
melakukan peramalan , cetak laporan.
Sedangkan jika pemakai sebagai user
biasa tidak dapat menambah , merubah maupun
menghapus user.
Program aplikasi Peramalan ini terdiri
dari beberapa halaman, diantaranya dapat dilihat
pada sub bab di bawah ini.
i.
Halaman Login
Halaman login merupakan halaman yang
pertama kali muncul pada saat kita menjalankan
program ini. Halaman log-in berfungsi untuk
memasukkan data pengguna yang ingin
menggunakan sistem.
Gambar 5. Implementasi Antar Muka Login
ii.
Halaman Utama
Halaman utama ini terdiri dari beberapa
menu yaitu: menu akun, menu master data , menu
peramalan, menu maintenance user, menu.
Seminar Nasional Informatika 2014
Berikut tampilan form halaman utama pada
sistem ini.
Gambar 6. Implementasi Antar Muka Menu
Utama
iii. Form Input Data Peramalan
Form input data peramalan berada pada
menu master data. Form input data peramalan
adalah form yang digunakan unutk memanipulasi
data untuk peramalan berdasarkan nama jenis
barang , seperti menambah data penjualan barang
pada bulan berikutnya , merubah data penjualan
barang pada bulan yang dipilih. Berikut tampilan
Form Input Data Peramalan.
Gambar 7. Implementasi Antar Muka Input
Data Peramalan
iv. Form Peramalan
Form peramalan adalah form yang
digunakan untuk melakukan peramalan barang
untuk bulan berikutnya berdasarkan nama barang
dan data peramalan barang yang ada. Pada form
ini juga memperlihatkan hasil peramalan
berdasarkan kedua metode yang digunakan, dan
menampilkan hasil peramalan yang
terbaik.Berikut tampilannya.
265
Seminar Nasional Informatika 2014
Gambar 8. Implementasi Antar Muka
peramalan
d. Laporan
Pada Gambar 9 menggambarkan laporan
yang merupakan grafik dari data penjualan dan
hasil peramalan berdasarkan nama barang dan
tahun periode. Seperti pada gambar di bawah :
Gambar 9. Laporan Barang dan
Peramalannya
4. KESIMPULAN
Dari hasil penelitian yang dilakukan
maka dapat diambil kesimpulan, Dengan
menggunakan kedua metode tersebut dalam
peramalannya, maka hasil ramalannya pun akan
lebih flexibel terhadap perubahan pola data
sebelumnya sebelum melakukan peramalan.
Aplikasi ini pun akan menunjukan hasil
perbandingan peramalan dari kedua metode
266
tersebut, sehingga dapat diketahui mana yang
memiliki tingkat kesalahan yang paling kecil.
5. SARAN
Berdasarkan hasil penelitian, ada
beberapa saran yang dapat dilakukan guna
pengembangan sistem ini menjadi lebih baik lagi
diantaranya sebagai berikut:
1. Sistem ini harus disinkronkan dengan
manajemen stok barang agar ketika
untuk memproduksi atau pembelian
barang untuk dijual dapat
memperhitungkan berapa stok barang
yang tersisa,dan berapa banyak barang
yang harus di produksi atau dibeli ,
nantinya agar tidak terjadi penumpukan
barang
2. Dalam proses peramalannya bisa
melakukan peramalan dengan beberapa
barang sekaligus.
3. Perlunya membandingkan dengan
beberapa metode lainnya untuk
mengetahui akurasi metode mana yang
memiliki tingkat kesalahan yang paling
kecil.
DAFTAR PUSTAKA
[1] Fauzi Muhammad, 2009, Analisis
Peramalan Penjualan Rokok Skt ( Sigaret
Kretek Tangan ) Pada Pt. Djitoe Indonesian
Tobacco Coy, Skripsi, Universitas Sebelas
Maret, Surakarta.
[2] Nurman Pradana, Aswin, 2013, Sistem
peramalan persediaan Unit Mobil Mitsubishi
PT.Wicaksana Berlian Motor, Skripsi
[3] Kurniawan,Dadang, 2011, Sistem Informasi
Peramalan Persediaan Logistik Bahan Baku
Pada Perusahaan CV. Jatisari Furniture
Indigosova, Skripsi, Universitas Komputer
,Bandung.
[4] Fatansyah. 2012 Basis Data. Bandung:
Informatika.
 Seminar Nasional Informatika 2014

PERANCANGAN APLIKASI STATISTIK PENDETEKSI

PLAGIARISME DOKUMEN TEKS DENGAN ALGORITMA
SMITH-WATERMAN
Rofiqoh Dewi

STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No.3A
dezie.wie@gmail.com

Abstrak

Algoritma Smith-Waterman adalah sebuah metode klasik yang membandingkan dua buah string dengan
mengindentifikasikan apakah terdapat bagian-bagian yang sama diantara kedua string. Algoritma ini
digunakan secara luas dalam menentukan kemiripan yang dekat di dalam rangkaian biolog. Plagiarisme
merupakan tindakan yang harus dihindari, tetapi masih banyak orang yang belum mengenal dan mengerti
plagiarisme. Selain mencegah, mendeteksi plagiarisme merupakan merupakan salah satu usaha untuk
mengurangi tindakan plagiat. Permasalahan plagiarisme yang sering ditemukan dikalangan pelajar adalah
pelagiarisme pada dokumen teks. Kajian ini bertujuan membangun sistem pendeteksi plagiarisme pada
dokumen teks dengan menggunakan algoritma Smith-Waterman secara terkomputerisasi. Sistem pendeteksi
plagiarisme ini bersifat membantu tindakan plagiat dengan memberikan sugesti kepada pengguna berupa
bobot/nilai kemiripan dan kesamaan sekuens dari dua dokumen yang dibandingkan. Sistem yang
dibandingkan merupakan proses dasar yang dapat dikembangkan lebih lanjut untuk membangun aplikasi
pendeteksi tindakan plagiat yang lebih baik.

Kata kunci : Plagiarisme, Algoritma Smith-Waterman, Kesamaan Sekuens, Netbeans 7.0.

1. PENDAHULUAN menjadi permasalahannya adalah bagaimana cara

Pada dasarnya manusia menginginkan
kemudahan dalam segala hal. Sifat tersebut akan
memicu tindakan negatif apabila dilatarbelakangi
oleh motivasi untuk berbuat curang dan
rendahnya kemampuan masyarakat berkreasi dan
berinovasi menciptakan suatu karya yang
original. Dalam hal ini tindakan negatif yang
dimaksud adalah plagiarisme.
Fenomena plagiarisme yang lebih spesifik
sering terjadi di dunia akademis. Hal ini
dikarenakan kegiatan tulis-menulis sering
dilakukan oleh mahasiswa untuk menyelesaikan
tugas kuliah. Praktik menduplikasikan beberapa
bagian atau keseluruhan tulisan milik orang lain
tanpa mencantumkan sumbernya secara teliti dan
lengkap merupakan hal yang sering ditemui
dalam penulisan laporan, tugas, makalah ataupun
skripsi mahasiswa.
Ada dua cara untuk mengatasi permasalahan
plagiarisme, yaitu dengan mencegah dan
mendeteksi. Mencegah berarti menjaga atau
menghalangi agar plagiarisme tidak dilakukan.
Usaha seperti ini harus dilakukan sedini mungkin
terutama pada sistem pendidikan dan moral
masyarakat. Mendeteksi berarti melakukan usaha
untuk menemukan tindakan plagiat yang telah
dilakukan.
Banyak institusi dan tenaga pengajar
menerapkan sanksi akademis terhadap pelaku
plagiat untuk mengurangi plagiarisme. Yang
untuk mengetahui apakah seorang mahasiswa
melakukan plagiarisme atau tidak dalam
membuat suatu karya tulis. Untuk mengetahuinya
perlu dilakukan pengecekan secara teliti terhadap
hasil tulisan mahasiswa tersebut, kemudian
dibandingkan dengan hasil tulisan mahasiswa
yang lainnya. Tetapi usaha tersebut akan
memerlukan waktu yang lama dan ketelitian yang
tinggi jika pembandingan tersebut dilakukan
secara manual. Oleh karena itu diperlukan suatu
sistem pendeteksian plagiarisme pada dokumen
teks yang dilakukan secara terkomputerisasi.
2. METODE PENELITIAN
2.1 Pengertian Plagiarisme
Plagiarisme sesuai dengan pendapat Ir. Balza
Achamd, M.Sc.E adalah berbuat sesuatu seolah-
olah karya orang lain tersebut adalah karya kita
dan mengakui hasil karya tersebut adalah milik
kita, sedangkan menurut Brotowidjoyo (1993:86)
plagiarisme merupakan pembajakan berupa fakta,
penjelasan, ungkapan, dan kalimat orang lain
secara tidak sah. Plagiarisme dianggap tindakan
kriminal karena merupakan tindakan mencuri hak
cipta orang lain. Di Indonesia perlindungan hak
cipta diatur dalam Undang-Undang Republik
Indonesia Nomor 19 Tahun 2002 Tentang Hak
Cipta. Oleh karena itu kegiatan plagiarisme atau
yang lebih dikenal dengan kata plagiat harus
dihindari.

267
Seminar Nasional Informatika 2014
2.1.1 Bentuk Plagiarisme
Kepustakaan atau kesusasteraan
(plagiarisme dalam literatur). Bentuk-bentuk
plagiarisme yang sering terjadi di dunia akademis
berdasarkan artikel Clough (2003:2) adalah:
1. Plagiarisme kata per kata, merupakan
penyalinan kalimat secara langsung dari
sebuah dokumen teks tanpa adanya
pengutipan atau perizinan.
2. Plagiarisme parafrase, merupakan penulisan
ulang dengan mengubah kata atau sintaksis,
tetapi teks aslinya masih dapat dikenali.
3. Plagiarisme sumber sekunder, merupakan
perbuatan mengutip kepada sumber asli yang
didapat dari sumber sekunder dengan
menghiraukan teks asli dari sumber yang
sebenarnya.
4. Plagiarisme struktur sumber, merupakan
penyalinan/penjiplakan struktur suatu
argumen dari sebuah sumber.
5. Plagiarisme ide, merupakan penggunaan ulang
suatu gagasan/pemikiran asli dari sebuah
sumber teks tanpa bergantung bentuk teks
sumber.
6. Plagiarisme authorship, merupakan
pembubuhan nama sendiri secara langsung
pada hasil karya orang lain.
Bila dilihat dari berbagai macam bentuk-
bentuk plagiarisme diatas, dapat disimpulkan
bahwa tindakan plagiarisme yang terjadi di dunia
akademis lebih cenderung kepada tindakan
menggunakan kembali suatu bagian dokumen
teks berupa kata/kalimat dari suatu sumber yang
tidak mengikuti tata aturan hak cipta, seperti
aturan pengutipan (citation) ataupun
ketidakjelasan sumber/pengarang asli
(bibliography).
2.1.2 Jenis Pendeteksi Plagiarisme
Berdasarkan batasan ruang lingkup
pemeriksaan lokasi dokumen, pendeteksian
plagiarisme dapat dibagi menjadi dua jenis, yaitu:
1. Intra-Corporal Detection
Jenis pendeteksian ini dilakukan secara
offline, yang berarti dokumen teks yang
diidentifikasi plagiat (copy documents) diperiksa
dengan dokumen teks yang dianggap asli (source
documents) dibatasi pada sebuah lokasi (folder)
tertentu yang terdiri dari beberapa dokumen
(corpus) yang akan dibandingkan, dimana proses
pengumpulan koleksi dokumen dilakukan secara
manual. Biasanya jenis pendeteksian seperti ini
digunakan untuk mendeteksi hasil kerja berupa
karya tulis siswa/mahasiswa atau peneliti dalam
bidang tertentu.
268
Gambar 1. Proses kerja Intra-Corporal
Detection
2. Internet-based Detection
Jenis pendeteksian ini dilakukan secara online,
yang berarti dokumen teks yang diidentifikasi
plagiat (copy documents) diperiksa dengan
dokumen teks (source documents) yang berada
tersebar pada jaringan World Wide Web. Salah
satu teknik yang digunakan adalah exhaustive
searching (Knight, 2003) yaitu pencarian dengan
membandingkan keseluruhan copy dokumen teks
dengan source dokumen teks yang berada di
internet. Pendekatan yang lain adalah window
based, yaitu proses memecah dokumen teks ke
dalam beberapa kalimat tunggal dan menjadikan
kalimat tunggal tersebut menjadi sebuah query
yang akn berfungsi sebagai keyword pecarian
dokumen yang relevan yang tersebar di internet.
Gambar 2. Proses Kerja Internet-based
Detection
2.2. Algoritma Smith-Waterman
Algoritma Smith-Waterman adalah sebuah
metode klasik yang membandingkan dua buah
string dengan mengindentifikasikan apakah
terdapat bagian-bagian yang sama diantara kedua
string. Algoritma ini digunakan secara luas dalam
menentukan kemiripan yang dekat di dalam
rangkaian biologis.
Algoritma Smith-Waterman pertama kali
diusulkan oleh Temple Smith dan Michael
Waterman pada tahun 1981. Algoritma Smith-
Waterman memiliki proses sequence alignment
yang mengaplikasikan secara dasar dynamic
programming. Secara umum langkah-langkah
yang biasa digunakan dalam mengaplikasikan
pemrograman dinamis adalah:

1. Memecahkan suatu permasalahan umum
menjadi sub-permasalahan yang lebih
sederhana.
2. Memecahkan semua sub-permasalahan secara
optimal.
3. Mengonstruksikan pemecahan optimal
subpermasalahan sebagai pemecahan optimal
permasalahan secara umum.
Menurut artikel yang terdapat dalam situs
wikipedia.org berbahasa Indonesia, algoritma
Smith-Waterman merupakan algoritma klasik
yang telah dikenal luas dalam bidang
bioinformatika sebagai metode yang dapat
mengidentifikasi local similarities (penyejajaran
sekuens) yaitu proses penyusuna dua local
sequences (rangkaian/susunan atau rentetan)
nucleotide atau protein sequences sehingga
kemiripan antara dua sequence tersebut akan
terlihat. Berdasarkan fungsi proses penyejajaran
sekuens tersebut, maka algoritma ini dapat
dikonversikan ke dalam pemrograman komputer
untuk digunakan membantu proses pendeteksian
dokumen teks yang dianggap cenderung plagiat
dengan cara melihat kesamaan isi (local
similarities) dari beberapa dokumen teks.
Gambar 3. Ilustrasi Konversi Algoritma
Smith-Waterman dari Bidang Bioinformatika
ke Pemrograman Komputer
Anggap simbol X dan simbol Y merupakan dua
sequence string yang masing-masing berasal dari
dokumen yang berbeda, dengan panjang X dan Y
masing-masing sebagai m dan n. Dari dua string
ini dapat dihitung nilai goodness of fit yang
diperoleh dari pembandingan substring X dari
string X dengan substring Y dari string Y. Proses
pembandingan ini akan menghasilkan
penyejajaran yang identik/mirip (hit) dengan atau
tanpa perubahan sekuens seperti penghilangan
(deletion), penyisipan (insertion) dan penggantian
(replacement). Anggap h adalah kontribusi positif
yang merepresentasikan hit atau cocok. d untuk
kontribusi negatif yang merepresentasikan
insertion atau deletion (atau bisa disebut indel),
sedangkan r adalah kontribusi negative yang
dibuat dengan menggantikan satu simbol dengan
simbol yang lain (replacement). Model yang lebih
umum pada khususnya digunakan di dalam
bidang biologi komputasional.
Seminar Nasional Informatika 2014
Dengan menggunakan nilai positif untuk hit dan
nilai negative untuk deletion dan replacement,
maka pembentukan nilai dari tiap-tiap simbol dari
dua buah string tersebut dapat direpresentasikan
di dalam bentuk matriks. Tetapi masih belum
diketahui secara jelas nilai hubungan h, d, dan r.
Pada intinya di dalam mengidentifikasi kesamaan
string ini memakai prinsip reward and
punishment. H merupakan simbol yang
mengimplementasikan reward, sedangkan d dan r
merepresentasikan punishment. Dapat
diasumsikan bahwa reward dan punishment
memiliki bobot yang sama. Dengan demikian
dapat dianggap nilai dari masing- masing h, d,
dan r adalah 1. Sebagai contoh, bila substring X =
abcbadbca dan substring Y = abbdbda, dengan
alignment yang optimal didapatkan 6 hit, 2 indel,
dan 1 replacement, seperti yang ditunjukkan pada
gambar di bawah ini, dan didapatkan nilai untuk
dua string yang diberikan ini, yaitu 6h - 2d - r,
atau 6 - 2 - 1 = 3 untuk kasus h = d = r = 1 dengan
keterangan tanda “|” menunjukan kecocokan atau
match, sedangkan tanda “-“ menunjukan adanya
kesenjangan atau gap di antara dua sekuens string.
Abcbadbca
| | | | | | | | |
Ab-b-dbda
Gambar .4 Optimal Alignment dari dua
substring
3. HASIL DAN PEMBAHASAN
Dalam suatu pembangunan aplikasi, analisis
perlu dilakukan sebelum tahap perancangan
dilakukan. Perancang aplikasi harus menganalisis
kebutuhan apa saja yang diperlukan untuk
membangun suatu perangkat lunak. Bagian desain
proyek berarti pengetahuan dan keterampilan
mengenai komputer, keahlian dalam perancangan
program yang logis melalui informasi, semuanya
difokuskan untuk membuat sesuatu yang nyata.
Mendesain berarti berpikir, memilih, membuat,
dan mengerjakan. Kebutuhan utama dalam
perancangan aplikasi pendeteksi plagiarisme
perangkat lunak yang digunakan untuk
membangun aplikasi yaitu: Netbeans 7. Semua
kebutuhan itu harus dapat dituangkan ke dalam
perancangan agar hasil aplikasi dapat sesuai
dengan konsep pembangunan.
3.1. Perancangan Aplikasi
Perancangan tampilan menu atau rancangan
Jframe dalam program ini sangat diperlukan
dalam pemrograman visual karena Jframe ini
merupakan bentuk tampilan saat program
dijalankan. Pada aplikasi pendeteksi plagiarisme
ini terdapat 2 form yang dirancang yaitu:
269
Seminar Nasional Informatika 2014

1. Tampilan JFrame Aplikasi Program 3.2. Logika Program

Pada tampilan Jframe program aplikasi Berikut ini adalah diagram alir (flowchart)
pendeteksi plagiarisme ini berfungsi sebagai yang penulis gunakan dalam menggambarkan
pengujian aplikasi program pendeteksi logika program, adalah sebagai berikut :
plagiarisme. Jframe aplikasi program ini dapat
dilihat pada gambar 5 di bawah ini. 1. Flowchart Proses Algoritma Smith
Waterman
Mulai Cek Jenis Kata

Dokumen
Kata Tergolong Class
Ya Hapus kata
Word & Stop Word
Tidak

Parsing Tidak

Steamming

Ambil Sebuah Kata

Dokumen==Null

Ya Dokumen +=kata

Dokumen

Selesai
Gambar 5. Tampilan JFrame Utama

Pada gambar 5 adalah tampilan Jframe aplikasi Gambar 7. Flowchart Proses Algoritma Smith
program yang akan pertama kali muncul saat Waterman
program dijalankan. Fungsi Jframe ini sendiri
untuk menguji program pendeteksi plagiarisme Algoritma flowchart Pembobotan Algoritma
yaitu dengan membuka file .txt pertama dan Smith Waterman :
membuka file .txt kedua. Lalu di klik kalkulasi a. Dokumen
plagiarisme dan akan muncul hasil persentasi b. Memparsingkan dokumen (memecahkan
tingkat kesamaan teks pertama dan teks kedua. dokumen)
c. Ambil sebuah kata
2. Tampilan Jframe About d. Jika Dokumen sama dengan null maka
Pada tampilan about ini berfungsi sebagai dokumen adalah kata
tampilan tentang data diri penulis. Tampilan e. Jika dokumen sama dengan tidak null maka
Jframe about dapat di lihat pada gambar III.2. cek jenis kata
dibawah ini: f. Selesai

2. Flowchart Pembobotan Algoritma Smith

Waterman

Mulai

Pembandingan Bobot
kalimat tokenisasi dengan algoritma plagiarisme dan
smith waterman local similarities

Selesai

Gambar 6. Tampilan Jframe About Gambar 8. Flowchart Pembobotan Algoritma

Smith Waterman

270
 Seminar Nasional Informatika 2014

Algoritma flowchart Pembobotan Algoritma Algoritma flowchart buka dokumen I :

Smith Waterman : a. Pilih buka file dokumen 1
a. Kalimat b. Pilih dokumen teks 1 yang berformat *.txt
b. Mempresentasikan tiap kata (Tokenisasi) c. File teks yang di ambil di set menjadi
c. Membandingkan dengan algoritmas smith priview teks
waterman d. Teks dokumen 1 ditampilkan
d. Bobot nilai plagiarisme dan kesamaan teks
(kalimat) 5. Flowchart Buka Dokumen II
e. Selesai
H2
3. Flowchart Menu Utama
User Memilih file_2 *.txt yang
Start
akan deteksi dan simpan
kedalam variabel F
A

Pilih Menu
F=open.Dialog()

File_2 yang dipilih user

File Y
Pilih Submenu kemudian di Buffer
File

Message H1
Y
Buka Dokumen
I
BufFile_2=F.readText()
Box Y Help
Tentang
T
Hasil Buffering File_2 di
T
H2
Y
Buka Dokumen Konversi menjadi File.Txt
II

H3 Deteksi
Y Plagiarisme File_2=KonversiTeks(BufTeks)
T
File_2 diset untuk Label
Keluar T Preview Text

setLabelPreviewText=FileText
End

Gambar 9. Flowchart Menu Utama Program Preview Text di Tampilkan

Algoritma Flowchart Utama:

Preview Text dan
a. User memilih menu utama; menu file dan Keterangannya
help.
b. Pilih sub menu file; buka dokumen 1, buka
dokumen 2, deteksi plagiarisme dan keluar.
c. Keluar dari menu program. A

4. Flowchart Buka Dokumen I

H1
Gambar 11. Flowchart Buka Dokumen II
User Memilih file_1 *.txt yang
akan deteksi dan simpan
kedalam variabel F Algoritma flowchart buka dokumen I :
F=open.Dialog()
a. Pilih buka file dokumen 2
File_1 yang dipilih user
b. Pilih dokumen teks 2 yang berformat *.txt
kemudian di Buffer
c. File teks yang di ambil di set menjadi priview
BufFile_1=F.readText()
teks
Hasil Buffering File_1 di d. Teks dokumen 2 ditampilkan
Konversi menjadi File.Txt

File_1=KonversiTeks(BufTeks)

File_1 diset untuk Label

Preview Text

setLabelPreviewText=FileText

Preview Text di Tampilkan

Preview Text dan

Keterangannya

Gambar 10. Flowchart Buka Dokumen I

271
Seminar Nasional Informatika 2014

6. Flowchart Deteksi Plagiarisme Tabel 1. Dokumen Contoh

H3 Hitung Kesamaan N Dok Isi Dokumen

Dokumen Nilai Kesamaan Struktual
Baca Dokumen
Hitung Kesamaan
Error
Tidak
Tidak
Ya Parsing Dokumen Nilai Kesamaan Struktual
Selesai
Gambar 12. Flowchart Deteksi Plagiarisme
Algoritma flowchart Deteksi Plagiarisme :
a. Dokumen 1 dan dokumen 2
b. Baca dokumen
c. Jika error maka ke selesai, jika tidak maka
akan menguraikan (parsing) dokumen.
d. Hitung kesama struktual dokumen 1
e. Nilai kesamaan struktual
f. Uraikan kalimat
g. Hitung kesamaan struktual dokumen 2
h. Nilai kesamaan struktual
i. Mengoptimasikan nilai kesamaan teks
j. Hitung bobot
k. Cek kalimat selanjutnya
l. Kalimat sama dengan null
m. Maka menampilkan nilai bobot
n. Selesai
Adapun hasil dan uji coba dari aplikasi pendeteksi
plagiarisme. Berikut ini tampilan tabel hasil uji
coba menentukan nilai ke akurasian similirities
atau tingkat kesamaan teks.
Struktual I
o
1 Á1 Akustik adalah ilmu yang
mempelajari perilaku bunyi dan
sangat penting pada ruangan.
Dinding yang keras dan polos dari
sebuah ruangan akan
Ya memantulkan bunyi dan membuat
ruangan tersebut bergema.
Parsing Kalimat
Ruangan yang kecil akan terbantu
mencegah hal ini bila ada bahan
pada dinding dan langit-langit
yang menyerap bunyi. Tirai dan
Struktual II Tidak karpet yang tebal juga akan
membantu. Pada ruangan yang
besar seperti gedung konser,
Tidak
diperlukan permukaan yang halus
dan keras di belakang para
pemina atu penyanyi untuk
membantu membawa bunyi ke
arah penonton, dan bahan yang
menyerap bunyi di belakang
Optimasi Hitung Bobot
gedung untuk mencegah gema.
2 À2 Akustik adalah ilmu yang
mempelajari perilaku bunyi dan
sangat penting pada ruangan.
Dinding yang keras dan polos dari
Cek Kalimat Selanjutnya
sebuah ruangan akan
memantulkan bunyi dan membuat
ruangan tersebut bergema.
Ruangan yang kecil akan terbantu
Bobot Ya Kalimat == null
mencegah hal ini bila ada bahan
pada dinding dan langit-langit
yang menyerap bunyi. Tirai dan
karpet yang tebal juga akan
membantu. Pada ruangan yang
besar seperti gedung konser,
diperlukan permukaan yang halus
dan keras di belakang para
pemain atau penyanyi untuk
membantu membawa suara ke
arah penonton, dan bahan yang
menyerap bunyi di belakang
gedung untuk mencegah suara
gema.
3 B1 Begitu hebatnya kekagetanku
sehingga aku hampir pingsan.
Darah berdesir cepat di kepalaku,
membuatku terhuyung-huyung.
Jo-An meraihku saat aku terjatuh.
Kedua tangannya tampak cukup
nyata, kuat, dan padat, berbau
kulit hewan. Bumi dan langit
berputar-putar di sekitarku dan
titik-titik hitam menggelapkan
pandanganku. Dia menurunkan
aku di tanah dan mendorong
kepalaku ke antara kedua lututku.

272

Sesuatu menjerit di telingaku,
menulikanku. Aku meringkuk
dengan posisi kepala seperti itu,
tangannya memegang kepalaku,
sampai jeritan mereda dan
kegelapan susut dari
penglihatanku. Aku menatap ke
tanah. Embun membeku di
dedaunan dan butiran es masuk di
sela-sela bebatuan. Angin
berhembus di pepohonan cedar.
Selain itu, satu- satunya suara
adalah gemeretuk gigiku.
4 B2 Begitu hebatnya kekagetanku
sehingga aku hampir pingsan.
Darah berdesir cepat di kepalaku.
Hal ini membuatku terhuyung-
huyung. Jo-An meraihku saat aku
terjatuh. Kedua tangannya tampak
cukup nyata, kuat, dan padat.
Kedua tangannya juga berbau
kulit hewan. Bumi dan langit
berputar-putar di sekitarku. Titik-
titik hitam menggelapkan
pandanganku. Dia menurunkan
aku di tanah. Dia mendorong
kepalaku ke antara kedua lututku.
Sesuatu menjerit di telingaku,
menulikanku. Aku meringkuk
dengan posisi kepala seperti itu.
Tangannya memegang kepalaku.
Tangannya memegang sampai
jeritan mereda dan kegelapan
susut dari penglihatanku. Aku
menatap ke tanah. Embun
membeku di dedaunan. Butiran es
masuk di sela-sela bebatuan.
Angin berhembus di pepohonan
cedar. Selain itu, satusatunya
suara adalah gemeretuk gigiku.
5 C1 Ini adalah teks yang di plagiat
6 C2 Ini teks yang akan di plagiat
7 D1 Apakah ini teks yang akan di
ujicoba untuk test plagiarisme
8 D2 Apakah ini teks yang akan di
ujicoba untuk test plagiarisme.
9 É1 Ibunya masih hidup di pedesaan
bersama dua kakak laki-lakinya
yang selamat. Mereka tidak lagi
menganggap diri mereka sebagai
bagian dari keluarga ksatria.
Makoto mengunjungi ibunya
sekali atau dua kali setahun. Kami
berbincang-bincang dengan
lancar, dan aku teringat betapa
aku merindukan teman seperti ini
saat melakukan perjalanan
bersama Akio. Makoto selalu
bertindak dengan penuh
pertimbangan, sifat yang
Seminar Nasional Informatika 2014
berlawanan dengan sifat nekadku.
Kelak aku tahu kalai dia kuat dan
berani, masih seorang ksatria,
biarawan dan juga pelajar. Dia
juga bercerita tentang ketakutan
dan kemarahan penduduk
Yamagata dan Terayama ketika
mendengar kematian Shigeru.
10 È2 Ibunya masih hidup di pedesaan
bersama dua kakak laki-lakinya
yang selamat. Mereka tidak lagi
menganggap diri mereka sebagai
bagian dari keluarga ksatria.
Makoto mengunjungi ibunya
sekali atau dua kali setahun. Kami
berbincang-bincang dengan
lancar, dan aku teringat betapa
aku merindukan teman seperti ini
saat melakukan perjalanan
bersama Akio. Makoto selalu
bertindak dengan penuh
pertimbangan, sifat yang
berlawanan dengan sifat nekadku.
Kelak aku tahu kalai dia kuat dan
berani, masih seorang ksatria,
biarawan dan juga pelajar. Dia
juga bercerita tentang ketakutan
dan kemarahan penduduk
Yamagata dan Terayama ketika
mendengar kematian Shigeru.
11 F1 Betapa sulit mengatakan cinta
ketika ia ada. Dalam setiap
momen dalam pertemuan kami,
selalu ada saat dimana cinta terasa
begitu kuat. Pancaran matanya,
senyuman khasnya, guratan pada
wajahnya. Semuanya
memantapkan hati ini untuk
semakin jatuh cinta. Namun tetap
tidak membuat bibirku dapat
bergerak untuk mengatakannya.
Ah, padahal aku tahu bahwa
pertemuan kami tidak akan
berlangsung lama. Segera setelah
ia menyelesaikan studinya, ia
akan pergi lagi ke kota lain. Dan
aku tak mungkin menahannya.
Aku hanya ingin dia tahu diriku
akan sangat merindukan
kehadirannya.
12 F2 Pancaran matanya, senyuman
khasnya, guratan pada wajahnya.
Semuanya memantapkan hati ini
untuk semakin jatuh cinta. Dalam
setiap momen dalam pertemuan
kami, selalu ada saat dimana cinta
terasa begitu kuat. Namun tetap
tidak membuat bibirku dapat
bergerak untuk mengatakannya.
Ah, padahal aku tahu bahwa
273
Seminar Nasional Informatika 2014

pertemuan kami tidak akan 9

berlangsung lama. Segera setelah 1
F 9,
ia menyelesaikan studinya, ia 0
2 9
akan pergi lagi ke kota lain. Dan 0
9
aku tak mungkin menahannya.
Aku hanya ingin dia tahu diriku
4. KESIMPULAN
akan sangat merindukan
kehadirannya. Betapa sulit
Sebagai penutup dari penulisan ini, maka
mengatakan cinta ketika ia ada.
ada beberapa hal yang dapat dijadikan
kesimpulan, antara lain :
Tabel 2. Hasil Pengujian Akurasi Similarities 1. Algoritma Smith-Waterman memiliki
atau Tingkat Kesamaan dengan Algoritma keakuratan yang lebih baik pada saat
Smith-Waterman membandingkan dokumen yang
A A B B C C D D E E F F mengandung pengubahan struktur kalimat di
1 2 1 2 1 2 1 2 1 2 1 2 dalam paragraf dari pada pengubahan
9 struktur kata di dalam kalimat.
1 2. Dengan bantuan proses tambahan pre-
A 9,
0 processing, sistem pendeteksi plagiarisme
1 9
0 dapat menghasilkan bobot/nilai
8
kecenderungan terjadinya tindakan plagiat
9 yang lebih akurat.
1
A 9, 3. Selain menghasilkan bobot/nilai hasil
0
2 9 pembandingan, sistem pendeteksi
0
8
plagiarisme juga menghasilkan local
9 alignment yang menggambarkan local
1
B 9, similarities sebagai pendukung bobot/nilai
0
1 9 kecenderungan terjadinya tindakan plagiat.
0
4 4. Sistem dapat menghasilkan bobot/nilai
9 plagiarisme yang tidak maksimal apabila
1 terdapat keambiguan dokumen dalam hal
B 9,
0 penulisan kata ataupun kalimat.
2 9
0
4
Saran
9 Berkaitan dengan telah terselesaikannya penulisan
1
C 9, ini, ada beberapa masukan dan saran-saran yang
0
1 9 disampaikan sebagai berikut :
0
3 1. Perlu dilakukan penelitian lebih lanjut dalam
9 tata bahasa, terutama mengenai aturan
1
C 9, penambahan imbuhan, pendeteksian kutipan
0
2 9 langsung dan bentuk penulisan kata yang
0
3 berbeda tetapi memiliki makna yang sama
1 1 ataupun penulisan kata yang sama tetapi
D memiliki makna yang berbeda.
0 0
1 2. Perlu dilakukan penelitian lebih lanjut untuk
0 0
mendeteksi plagiarisme selain manipulasi
1 1 teks seperti rumus dan simbol matematika
D
0 0 maupun identifikasi plagiarisme pada
2
0 0 gambar dan tabel.
1 1 3. Perlu dikembangkan proses tambahan pre-
E
0 0 processing yang memiliki performa yang
1
0 0 lebih baik.
1 1 4. Perlu dikembangkan sistem yang lebih user
E friendly dengan menerapkan bentuk
0 0
2 Graphical User Interface (GUI) pada
0 0
antarmuka sistem.
9
1
F 9, DAFTAR PUSTAKA
0
1 9
0
9 Clough, P. 2000. Plagiarism in Natural and
Programming Languages : an Overview of

274

Current Tools and Technologies 2000.
Sheffield, UK Department of Computer
Science, University of Sheffield.
Clough, P. 2003. Old and New Challenges in
Automatic Plagiarism Detection. Sheffield,
UK : Department of Information Studies,
University of Sheffield.
Hoad, T. Zobel, J. 2003. Methods for
Identifying Versioned and Plagiarised
Documents. Melbourne, Australia : School of
Computer Science and Information
Technology, RMIT University.
Seminar Nasional Informatika 2014
Human Genome Sequencing Center, One Baylor
Plaza, Houston, TX.
http://searchlauncer.bcm.tmc.edu/help/Smith
Waterman.html, diakses tanggal 27 mei 2011.
Rosyidi, A. 2007. Plagiarisme merugikan semua
pihak.http://rosyidi.com/plagiarisme-
merugikan-semua-pihak, diakses tanggal 27
mei 2011.
Sulistiani, Sri. “Membangun GUI dengan Java
Netbeans 6.5”. Yogyakarta. Penerbit: Andi
Offset.
275
Seminar Nasional Informatika 2014

SISTEM PENUNJANG KEPUTUSAN KELAYAKAN PENERIMA

BANTUAN DANA RUTILAHU DENGAN METODE AHP
Ikbal Jamaludin1, Nono Sudarsono2, Ai Ika Mustika3
1,2
Jurusan Teknik Informatika
3
STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya
e-mail : 1ikbaljamaludin@gmail.com, 2nonoznonzsudar@gmail.com, 3mustikaaiika89@gmail.com

Abstrak

Bantuan dana pembangunan rumah tidak layak huni (RUTILAHU) merupakan program pemerintah untuk
penanggulangan kemiskinan dari segi kebutuhan papan (tempat tinggal). Program tersebut telah dijalankan di
berbagai daerah, termasuk di Kelurahan Panyingkiran Kota Tasikmalaya. Dalam pemberian bantuan tersebut,
terlebih dahulu diperlukan penilaian indikator secara teliti dan terinci, agar menghasilkan suatu keputusan
yang sesuai dengan keadaan yang sebenarnya. Dalam penelitian ini akan dibuat sebuah sistem penunjang
keputusan (SPK) untuk memudahkan dalam pemilihan masyarakat yang layak medapatkan bantuan, serta
memanfaatkan Analytical Hierarchy Process (AHP) sebagai metode keputusannya. Karena AHP adalah
sebuah hirarki fungsional yang memecahkan masalah kompleks dengan menstrukturkan suatu hirarki kriteria
(indikator), penilaian indikator dilakukan dengan perbandingan berpasangan berdasarkan kepentingan dari
masing-masing indikator tersebut. Jadi, penggunaan metode AHP sesuai dengan permasalahan RUTILAHU
yang sedang dihadapi, yaitu permasalahannya belum terstruktur dan penggunaan indikator belum begitu
terinci. Indikator yang akan dijadikan penghitungan adalah penghasilan, tanggungan, aset lain, luas rumah
dan jenis rumah. Penghitungan tersebut akan diimplementasikan pada bahasa pemrograman Visual Basic 6.0
dan database menggunakan Microsoft Access 2003. SPK ini bisa membantu pihak kelurahan dalam
melakukan penilaian calon penerima bantuan dana RUTILAHU, sehingga akan didapatkan suatu keputusan
terhadap masyarakat yang paling layak mendapatkan bantuan.

Kata Kunci : RUTILAHU, SPK, AHP dan Indikator

1. PENDAHULUAN tepat sasaran. Terlebih dahulu diperlukan data

1.1. Latar Belakang Masalah
Perekonomian yang sedang terjadi di
Indonesia tidak seimbang karena kesenjangan
ekonomi yang cukup jauh antara satu wilayah
dengan wilayah lain, hal ini terlihat jelas dari
penghasilan masyarakat yang belum merata dan
masalah kemiskinan yang terjadi baik dari segi
sandang, pangan maupun papan.
Masyarakat mempunyai hak untuk
mendapat sandang, pangan dan papan yang layak
demi terciptanya masyarakat yang sejahtera.
Apabila salah satunya masih ada yang belum
terpenuhi, maka kesejahteraan tidak akan
tercapai. Untuk terealisasinya hal tersebut,
pemerintah mengadakan berbagai program
penanggulangan kemiskinan, salah satunya
berupa bantuan dana sosial yang diberikan kepada
masyarakat miskin, seperti Program bantuan
untuk rumah tidak layak huni. Di Kelurahan
Panyingkiran Kecamatan Indihiang Kota
Tasikmalaya, program tersebut diberi nama
RUTILAHU, bantuan ini diberikan kepada
masyarakat miskin untuk merehabiitasi
rumahnya. Dalam pemilihan target harus teliti dan
dapat dipercaya agar bantuan bisa diterima oleh
masyarakat yang benar-benar memerlukan atau
kemiskinan yang akurat dan penggunaan
indikator penilaian harus benar-benar terkonsep
demi mendapatkan suatu keputusan yang sesuai
dengan keadaan sebenarnya.
Di Kelurahan Panyingkiran penilaian
indikator yang digunakan belum begitu terinci
(detail) yaitu penilaian kondisi rumah hanya
dilihat dari banyaknya kerusakan tanpa
mempertimbangkan jenis rumah dan
penghitungan kelayakan belum menggunakan
suatu metode keputusan, sehingga penilaian antar
calon penerima masih menggunakan prediksi atau
perkiraan. Hal tersebut, dikhawatirkan dapat
menimbulkan penilaian yang bersifat subjektif
dan kecemburuan sosial antar masyarakat
kemungkinan besar terjadi. Dari penilaian
kelayakan yang berjalan ditemukan berbagai
permasalahan seperti :
1. Proses penilaian terhadap masyarakat
penerima bantuan dana pembangunan rumah
di Kelurahan Panyingkiran belum begitu detail
(rinci) hanya meliputi keadaan rumah,
penghasilan dan hak milik rumah. Cara
penilaian seperti ini bersifat subjektif, yang
dapat menimbulkan kecemburuan sosial bagi
masyarakat yang tidak menerima.

276
 Seminar Nasional Informatika 2014

2. Tidak adanya metode penghitungan serta 2.2. Analytical Hierarchy Process

indikator-indikator yang pasti dalam Metode AHP (Analytical Hierarchy
pengambilan keputusan dan belum tersedianya Process) merupakan metode untuk memecahkan
alat (aplikasi) khusus untuk mendukung suatu-situasi yang kompleks tidak terstruktur ke
penilaian tersebut. dalam beberapa komponen dalam susunan yang
3. Data yang diperoleh masih diproses di buku hirarki, dengan memberi nilai subjektif tentang
catatan, sehingga untuk melakukan pentingnya setiap variabel secara relatif, dan
perhitungan kelayakannya membutuhkan menetapkan variabel mana yang memiliki
waktu yang lama dan memungkinkan prioritas paling tinggi guna mempengaruhi hasil
terjadinya kehilangan data serta proses pada situasi tersebut.[4]
pencarian data akan mengalami kesulitan. Adapun langkah-langkah dalam metode
Permasalahan di atas, bisa diselesaikan AHP adalah sebagai berikut[1] :
dengan memanfaatkan teknologi komputer untuk 1. Mendefinisakan masalah dan menentukan
membuat sebuah Sistem Penunjang Keputusan solusi yang di inginkan, lalu menyusun hirarki
(SPK) dan Salah satu alternatif penghitungan dari permasalahan yang dihadapi. Penyusunan
prosesnya menggunakan metode Analytical hirarki adalah dengan menetapkan tujuan yang
Hierarchy Process (AHP). Karena pada dasarnya merupakan sasaran sistem secara keseluruhan
SPK digunakan untuk membantu pengambilan pada level teratas.
keputusan dalam situasi yang semi terstruktur 2. Membuat perbandingan matriks berpasangan
atau situasi yang tidak terstruktur serta indikator yang digunakan, berdasarkan
penggunaan penilaian indikator yang kurang kepentingan relatif dari masing-masing
jelas[1]. Sedangkan AHP merupakan sebuah indikator. Menurut Saaty (1988) untuk
hirarki fungsional yang memecahkan masalah berbagai persoalan, skala 1 sampai 9 adalah
kompleks dengan menstrukturkan suatu hirarki skala terbaik untuk mengekspresikan
kriteria (indikator), penilaian kriteria dilakukan pendapat. Adapun skala perbandingannya
dengan perbandingan berpasangan berdasarkan adalah sebagai berikut :
kepentingan dari masing-masing kriteria tersebut.
Hasil dari sistem yang dibangun ini diharapkan Tabel. 1.Skala Dasar Penilaian
bisa membantu pihak Kelurahan dalam menilai Perbandingan Berpasangan
kelayakan masyarakat yang berhak menerima Tingkat
Definisi
bantuan dana RUTILAHU secara obyektif. Kepentingan
Kedua elemen sama
2. METODE PENELITIAN 1
pentingnya
Elemen yang satu sedikit
2.1. Sistem Penunjang Keputusan 3 lebih penting dari pada
Menurut Keen dan Scoot Morton elemen yang lainnya
(2006:15): “Sistem Penunjang Keputusan Elemen yang satu lebih
merupakan penggabungan sumber-sumber 5
penting dari pada yang lain.
kecerdasan individu dengan kemampuan Satu elemen jelas lebih
komponen untuk memperbaiki kualitas 7 mutlak penting dari pada
keputusan”. Sistem Penunjang Keputusan juga elemen lainnya
merupakan sistem informasi berbasis komputer Satu elemen mutlak penting
untuk manajemen pengambilan keputusan yang 9
dari pada elemen lainnya
menangani masalah-masalah semistruktur[2]. Nilai-nilai antara dua nilai
Sistem penunjang keputusan berfungsi 2,4,6,8 pertimbanganyang saling
dalam berbagai macam cara. Bisa digunakan berdekatan
untuk mengatur informasi dari situasi-situasi Jika suatusifat (X)
keputusan, berinteraksi dengan para pembuat Kebalikan dibandingkan dengan
keputusan, mengembagkan horizon pembuat nya sifat(y), maka nilainya saling
keptusan, menyediakan informasi-informasi untuk berkebalikan.
para pembuat keputusa, menambah struktur untuk
keputusan-keputusan tersebut, serta menggunakan 3. Membuat matriks nilai indikator.
model pembuatan keputusan kriteria-ganda. Matriks ini diperoleh dengan rumus berikut :
Model kriteria-ganda meliputi proses-proses Nilai baris kolom baru = nilai baris kolom
kekurangan, metode pembobotan dan metode lama / jumlah dari setiap kolom lama.
eliminasi sekuensial, yang semuanya sangat Untuk mencari nilai prioritas, jumlah dari
sesuai untuk mengendalikan kerumitan dan sifat setiap baris pada kolom baru dibagi dengan
semiterstruktur dari berbagai problem yang jumlah indikator yang digunakan.
didukung lewat SPK[3].

277
Seminar Nasional Informatika 2014
Khusus untuk sub indikator terdapat sub
prioritas, dimana rumusnya adalah prioritas
dibagi prioritas tertinggi.
4. Penghitungan rasio konsistensi.
Penghitungan ini digunakan untuk mengetahui
apakah penilaian perbandingan kriteria
bersifat konsisten atau tidak. Adapun langkah-
langkahnya adalah sebagai berikut :
a. Mengalikan matriks dengan prioritas
bersesuaian.
b. Menjumlahkan hasil perkalian per baris.
c. Hasil penjumlahan tiap baris dibagi
prioritas bersangkutan dan hasilnya
dijumlahkan.
d. Hasil dari langkah 3 dibagi jumlah elemen,
dan akan didapat λ maks.
e. Indeks Konsistensi.
(CI) = (λmaks-n) / (n-1)
f. Rasio Konsistensi.
(CR) = CI/ RI
Di mana RI adalah indeks random
konsistensi. Jika CR ≤ 0.1, hasil
perhitungan data dapat dibenarkan.
Tabel. 2. Nilai RI
Ukuran Matriks Nilai RI
1,2 0,00
3 0,58
4 0,90
5 1,12
6 1,24
7 1,32
8 1,41
9 1,45
10 1,49
11 1,51
12 1,48
13 1,56
14 1,57
15 1,59
2.3. Metode Perancangan Perangkat Lunak
Metode yang digunakan dalam penelitian
ini adalah metode SDLC (System Development
Life Cycle).
Dalam rekayasa sistem dan rekayasa
perangkat lunak, SDLC berupa suatu proses
pembuatan sistem serta model dan metodologi
yang digunakan untuk mengembangkan sistem-
sistem tersebut. Dalam rekayasa perangkat lunak,
konsep SDLC mendasari berbagai jenis
metodologi yang membentuk suatu kerangka
kerja untuk perencanaan dan pengendalian
pembuatan sistem informasi, yaitu proses
pengembangan perangkat lunak[6].
Tahapan kerangka kerja SDLC adalah
sebagai berikut :
1. Tahap Perencanaan (Planning)
Tahap ini Menyangkut study tentang
kebutuhan pengguna (User Spesification),
278
studi-studi kelayakan baik secara teknis
maupun secara teknologi.
2. Tahap Analisis (Analysis)
Yaitu tahap untuk berusaha mengenali
permasalahan yang muncul pada pengguna,
komponen sistem/perangkat lunak, objek dan
sebagainya.
3. Tahap Perancangan (Design)
Pada tahap ini, perancang mencoba mencari
solusi permasalahan yang didapat dari tahap
analisis. diantaranya :
a. Tahap perancangan yang lebih
menekankan pada platform apa hasil dari
tahap analisis kelak akan
diimplementasikan.
b. Tahap perancangan dimana kita
melakukan penghalusan (refinement)
kelas-kelas yang didapat pada tahap
analisis, menambahkan dan memodifikasi
kelas-kelas yang akan mengefisienkan
serta mengefektifkan sistem yang akan
dikembangkan.
4. Tahap implementasi
Tahap implementasi ialah tahap
mengimplementasikan perancangan sistem ke
situasi nyata (pemilihan perangkat keras dan
penyusunan perangkat lunak aplikasi).
5. Tahap Pengujian (Testing)
Dapat digunakan untuk menentukan apakah
sistem atau perangkat lunak yang dibuat sudah
sesuai dengan kebutuhan pengguna atau
belum.
6. Tahap pemeliharaan
Pada tahap pemeliharaan atau perawatan,
mulai melakukan pengoperasian sistem dan
melakukan perbaikan-perbaikan kecil (jika
diperlukan).
3. HASIL DAN PEMBAHASAN
3.1. Penghitungan Indikator menggunakan
Metode AHP
Sebelum melakukan proses penghitungan
kelayakan, terlebih dahulu menentukan indikator,
diantaranya :
1. Penghasilan (P), Sub indikatornya :
a. P < Rp.550.000 (A)
b. P = Rp.550.000 - Rp.1.250.000 (B)
c. P > Rp.1.250.000 (C)
2. Tanggungan (T), Sub indikatornya :
a. T > P (A)
b. T = P (B)
c. T < P (C)
3. Aset lain (As), Sub indikatornya :
a. As < Rp.1.000.000 (A)
b. As= Rp.1.000.000- Rp.3.000.000 (B)
c. As > Rp.3.000.000 (C)
4. Luas rumah (L), Sub indikatornya :
a. L < 7m2/orang (A)
b. L = 7m2/orang - 12 m2/orang (B)
 Seminar Nasional Informatika 2014

c. L > 12m2/orang (C) 2. Menentukan nilai prioritas

5. Jenis rumah (Jr), Sub Indikatornya :
a. Panggung (A) Matrik Nilai Prioritas Indikator
b. DudukJendela (B)
c. Gedong (C) Tabel. 6. Matrik Nilai Prioritas Indikator
6. Ketentuan untuk sub indikator ke2 pada In Jml Prio
P T As L Jr
indikator jenis rumah : d .
a. RB (Rusak Berat) >70% 0,2 0,2 0,2 0,2 0,2 1,3 0,2
b. R (Rusak ) = 40,1%-70% P
6 6 7 5 6 0 6
c. RR (Rusak Ringan) = 1%-40% 0,2 0,2 0,2 0,2 0,2 1,3 0,2
d. TR (Tidak Rusak) <1% atau 0% T
6 6 7 5 6 0 6
7. Ketentuan nilai kelayakan : 0,1 0,1 0,1 0,1 0,1 0,6 0,1
a. Layak = Ʃpoint > 0,55 As
3 3 3 7 3 9 4
b. Dipertimbangkan = Ʃpoint 0,45-0,55 0,0 0,0 0,0 0,0 0,0 0,4 0,0
c. Tidak layak = Ʃpoint<45 L
9 9 7 8 9 1 8
8. Untuk semua sub indikator pada masing- 0,2 0,2 0,2 0,2 0,2 1,3 0,2
masing indikator mempunyai nilai Jr
6 6 7 5 6 0 6
perbandingan kepentingan yang sama, jadi sub
indikator tersebut dimisalkan dengan simbol Matrik Nilai Prioritas Sub Indikator ke 1
A,B,C (berlaku untuk semua indikator).
Kemudian semua indikator yang terpilih Tabel. 7. Matrik Nilai Prioritas Sub Indikator
diproses dengan penghitungan AHP, dan rincian Sub
penghitunganya adalah sebagai berikut : Sub1 A B C Jml Prio.
Prio.
1. Menentukan nilai perbandingan
A 0,55 0,57 0,50 1,62 0,54 1
Perbandingan Indikator B 0,27 0,29 0,33 0,89 0,30 0,55
C 0,18 0,14 0,07 0,49 0,16 0,30
Tabel. 3. Perbandingan Indikator
Indikator P T As L Jr Matrik Nilai Prioritas Sub Indikator Ke 2
P 1 1 2 3 1 Untuk Jenis Rumah
T 1 1 2 3 1
Tabel. 8. Matrik Nilai Prioritas Sub Indikator
As 0,5 0,5 1 2 0,5
Ke2 Jenis Rumah
L 0,33 0,33 0,5 1 0,33 Sub
Pri
Jr 1 1 2 3 1 Sub2 RB R RR TR Jml Pri
o.
Jumlah 3,83 3,83 7,50 12 3,83 o.
R 0,4 0,5 0,4 0,4 1,9 0,4
B 9 2 6 5 3 8 1
Perbandingan Sub Indikator ke 1.
0,2 0,2 0,3 0,2 1,0 0,2 0,5
R
Tabel. 4. perbandingan Sub Indikator 5 6 1 7 9 7 6
Sub Indikator A B C R 0,1 0,1 0,1 0,1 0,6 0,1 0,3
A 1 2 3 R 6 3 5 8 3 6 3
B 0,5 1 2 T 0,1 0,0 0,0 0,0 0,3 0,0 0,1
R 0 9 8 9 5 9 8
C 0,33 0,5 1
Jumlah 1,83 3,5 6
2. Membuat matriks penjumlahan setiap baris
Perbandngan Sub Indikator ke 2. Jenis Rumah
Matrik Penjumlahan Setiap Baris Indikator
Tabel. 5. perbandingan Sub Indikator Ke2
Tabel. 9. Matrik Penjumlahan Setiap Baris
Jenis Rumah
Indikator
Sub Indikator2 RB R RR TR
Jml per
RB 1 2 3 5 Ind P T As L Jr
brs
R 0,5 1 2 3
P 0,26 0,26 0,52 0,78 0,26 2,08
RR 0,33 0,5 1 2
TR 0,2 0,33 0,5 1 T 0,26 0,26 0,52 0,78 0,26 2,08
Jml 2,03 3,83 6,5 11 As 0,07 0,07 0,14 0,28 0,07 0,62
L 0,03 0,03 0,04 0,08 0,03 0,20
Jr 0,26 0,26 0,52 0,78 0,26 2,08

279
Seminar Nasional Informatika 2014

Matrik Penjumlahan Setiap Baris Sub Untuk n = 3 dan IR = 0,58

Indikator λ maks = jumlah hasil : n
= 5,58 : 3
Tabel. 10. Matrik Penjumlahan Setiap = 1,86
BarisSub Indikator CI = (λ maks-n) : n
Jml per = (1,86-3) : 3
Sub1 A B C
brs = -1,14 : 3
A 0,54 1,08 1,62 3,24 = -0,38
CR = CI : RI
B 0,15 0,30 0,59 1,04
= -0,38 : 0,58
C 0,05 ,08 0,16 0,30 = -0,66
CR < 0,1 jadi konsisten
Matrik Penjumlahan Setiap Baris Sub
Indikator Ke 2 Jenis rumah Nilai Rasio Konsistensi Untuk Sub Indikator
Ke 2 Jenis Rumah
Tabel. 11. Matrik Penjumlahan Setiap Baris
Sub Indikator K2 Jenis Rumah Tabel. 14. Perhitungan CR Sub Indikator Ke2
Jml per Jenis Rumah
Sub2 RB R RR TR
brs Sub Ind2 Jml per brs Prioritas Hasil
RB 0,48 0,97 1,45 2,41 5,31 RB 5,31 5,7
0,48
R 0,14 0,27 0,54 0,82 1,77 R 1,77 0,27 2,04
RR 0,05 0,08 0,16 0,31 0,60 RR 0,60 0,16 0,76
TR 0,02 0,03 0,04 0,09 0,18 TR 0,18 0,09 0,27
Jumlah 8,06
3. Penghitungan rasio konsistensi
Untuk n = 4, dan RI = 0,90
Nilai Rasio Konsistensi Untuk Indikator λ maks = jumlah hasi : n
= 8,86 : 4
Tabel. 12. Perhitungan CR Indikator = 2,22
CI = (λ maks-n) : n
Indikator Jml per brs Prioritas Hasil
= (2,22-4) : 4
P 2,08 0,26 2,34 = -1,79 : 4
T 2,08 0,26 2,34 = -0,45
As 0,62 0,14 0,76 CR = CI : RI
= -0,45 : 0,90
L 0,20 0,08 0,28
= -0,50
Jr 2,08 0,26 2,34 CR < 0,1 jadi konsisten
Jumlah 8,06 Dari perhitungan di atas, maka di dapat prioritas
n = 5 dan IR = 1,12 hasil seperti di bawah ini :
λ maks = Hasil jumlah perbaris : n
= 8,06 : 5 Tabel. 15. Prioritas Hasil
= 1,61 Prioritas P T As L Jr
CI = (λ maks-n) : n Indikator 0,26 0,26 0,14 0,08 0,26
= (1,61-5) : 5 Prioritas A 1 1 1 1 1
= -3,39 : 5
= -0,68 Prioritas B 0,55 0,55 0,55 0,55 0,55
CR = -0,68 : 1,12 Prioritas C 0,30 0,30 0,30 0,30 0,30
= -0,61 Prioritas RB 1
Karena nilai CR < 0,1 jadi konsisten. Prioritas R 0,56
Nilai Rasio Konsistensi UntukSub Indikator Prioritas RR 0,33
Prioritas TR 0,18
Tabel. 13. Perhitungan CR Sub Indikator
Sub Ind Jml per brs Prioritas Hasil
A 3,24 0,54 3,78
B 1,04 0,30 1,34
C 0,30 0,16 0,46
Jumlah 5,58

280
 Seminar Nasional Informatika 2014

3.2. Use Case ADMIN

SPK Kelayakan Penerima Bantuan Dana

RUTILAHU
Masuk Halaman Utama Sistem

Login

<<include>>
Login Data Masyarakat Menghitung Bobot Perbandingan

Input Data masyarakat

<<extend>>
Laporan
Hitung Kelayakan

<<extend>>
Simpan Data Masyarakat
Halaman Utama
Sistem
Hapus Data Masyarakat
<<extend>>

About <<extend>> Tambah Data Masyarakat Ubah Data Masyarakat

Kelurahan
Admin
Petunjuk

Gambar. 4. Activity Diagram Spesifikasi Data

Gambar. 1. Use case SPK penerima dana
Masyarakat
RUTILAHU
3.4. Sequence Diagram
Use Case Spesifikasi Data Masyarakat

<<include>>
Data Masyarakat Login

Form :About
Admin Halaman Utama Sistem Form : Login Laporan Form : Petunjuk
Kelurahan
Indikator : Penghasilan,
Menghitung Bobot GoTo() Display()
Tanggungan, Jenis Rumah, Aset
Perbandingan Lain, Luas Rumah Display()
Admin
Sub Indikator ke1 (untuk semua
Input Data indikator) : A, B, C
Display()
Masyarakat
Sub Indikator ke2 (hanya untuk
jenis rumah) : RB, R, R, TR Display()

Simpan

Tambah
Gambar. 5. Sequence Diagram SPK Penerima
Bantuan Dana RUTILAHU
Ubah

Hapus

Hitung
Kelayakan
Form : Bobot Form : Input Data
Admin Database :
Simpan Perbandingan Masyarakat
RUTILAHU
Kelayakan

GoTo()

Gambar. 2. Use Case Spesifikasi Data LinkToCalculate

Masyarakat CalculatePriority() Eligibility()
Save()

Input()
3.3. Activity Diagram Save()

Edit()
Diagram aktivitas admin, dimulai dari Save()

admin masuk ke halaman utama sistem penilaian Delete() Save()

kelayakan penerima bantuan dana RUTILAHU Save()

baru bisa memilih menu yang diinginkan, dan CalculateEligibility()

untuk melakukan pengupdatean data admin harus Gambar. 6. Sequence DiagramSpesifikasi Data
melakukan login terlebih dahulu yaitu Masyarakat
pengupdatean user, hitung prioritas indikator,
input data masyarakat dan menghitung kelayakan
masyarakat yang berhak menerima bantuan dana 3.5. Class Diagram
RUTILAHU.Adapun alurnya bisa dilihat seperti Login dt_masyarakat dt_kelayakan
di bawah ini : - KodeUser - no_kk - id_layak
- user - nama_kk - p_penghasilan
ADMIN
- pass - alamat - p_tanggunga
- rt - p_jnsrmh
- rw - p_aset
+ simpan() - h_milik - p_luas
+ Tambah() - penghasilan
Masuk Halaman Utama Sistem - n_layak
+ ubah() - t_anak - ket
+ Hapus() - t_pokok - no_kk
- t_total - per
- aset
- luas_p
+ Hitung()
Login
- luas
Laporan About Kelurahan Petunjuk + Simpan()
- penghuni
- jnsrmh
- r_atap
- r_dinding
- r_lantai
- r_total
Add User Data Masyarakat
- per

+ Tambah()
+ Simpan()
+ Ubah()
+ Hapus()

Gambar. 3. Activity Diagram SPK Penerima Gambar 7. Class Diagram

Bantuan Dana RUTILAHU

281
Seminar Nasional Informatika 2014

3.6. Implementasi Sistem 5. Laporan Data Kelayakan Masyarakat

Program dibuat dengan mengikuti
indikator-indikator yang ada, mudah dioperasikan
(User Friendly), dan dapat menyelesaikan
permasalahan yang telah dibahas sebelumnya.
Adapun gambaran umum program yang diajukan
adalah sebagai berikut :
1. Tampilan halaman utama sistem

Gambar 12. Laporan Kelayakan Masyarakat

3.7. Pengujian Sistem

Pada tahapan ini, penyusun mengadakan
black-box testing untuk menguji aplikasi yang
telah dibuat. Pengujian black-box digunakan
untuk memperlihatkan bahwa fungsi-fungsi
perangkat lunak adalah operasional; bahwa input
diterima dengan baik dan output dihasilkan
Gambar. 8. Halaman Utama Sistem dengan tepat, serta integritas informasi eksternal
(seperti file data) dipelihara.[5]
2. Form Login Tabel 18. pengujian Sistem
Pengujian Yang Pengamat Hasil
Diharapkan -an
Admin Menampil
melakukan kan form
login, maka add user,
form add penghitun
user, gan
penghitunga prioritas
Form login n prioritas indikator Ok
dan penghi- dan
tungan penghitun
kelayakan gan
masyarakat kelayakan
Gambar 9. Form Login akan masyarak
ditampilkan at.
3. Form Penghitungan Indikator Dapat Menamba
Form add menambahk hkan data
Ok
user an data user user ke
ke database database
Data
diproses
Form
untuk di Nilai
hitung
hitung dan prioritas Ok
prioritas
menghasilka muncul
indikator
n nilai
prioritas
Gambar 10. Form HitungPrioritas Indikator
Data yang di
Menghasi
inputkan di
4. Form Penghitungan Kelayakan lkan nilai
Form proses
kelayakan
penghitung dengan
dan data Ok
an penghitunga
tersimpan
kelayakan n AHP, lalu
ke
disimpan ke
database
database

Gambar 11. Form Penghitungan kelayakan

282

4. KESIMPULAN
Dari penelitian tentang kelayakan
penerima bantuan dana RUTILAHU, dapat
diambil beberapa kesimpulan sebagai berikut :
1. Indikator-indikator yang digunakan secara
pasti dengan pembobotan penilaian kepada
setiap indikator, menjadikan penilaian
kelayakan penerima RUTILAHU menjadi
lebih obyektif.
2. Penilaian berdasarkan indikator dengan
pembobotan penilaian dengan memanfaatkan
metode AHP menjadikan penilaian
RUTILAHU lebih efektif.
3. Program SPK ini memberikan keputusan
yang tepat, cepat dan obyektif.
5. SARAN
Berdasarkan penelitian di Kelurahan
Panyingkiran Kota Tasikmalaya, penyusun
memeberikan beberapa saran, diantaranya sebagai
berikut :
1. Indikator yang digunakan dalam penelitian
ini, berdasarkan kebutuhan dan keadaan
dikecamatan Panyingkiran yang dapat
dijadikan sebagai indikator penilaian. Hasil
penelitian ini bisa jadi tidak cocok untuk
diterapkan di daerah lain yang memiliki
kondisi sosial yang berbeda. Oleh karena itu
penulis menyarankan para peneliti untuk
Seminar Nasional Informatika 2014
mengembangkan hasil penelitian ini dengan
metode yang lain dan indikator yang lebih
banyak, sehingga akan ditemukan metode
yang tepat untuk untuk kasus seperti ini.
2. Diharapkan hal ini dapat menjadi pemicu
bagi peneliti-peneliti selanjutnya untuk terus
mengembangkan penelitian ini, sehingga
ditemukan hasil yang maksimal.
DAFTAR PUSTAKA
[1] Kusrini M.kom, 2007, “Konsep Dan
Aplikasi Sistem Pendukung Keputusan”,
Andi, Yogyakarta.
[2] Kusrini M.Kom, 2008,“Konsep Dan
Aplikasi Sistem Pendukung Keputusan”,
Andi, Yogya.
[3] Kendall, Kenneth E. – Kendall, Julie E.,
“Analisis dan Perancangan Sistem Edisi
Krlima jilid 1”, PT. INDEKS, Jakarta.
[4] Kusrini M.Kom, 2007, “Strategi
Perancangan dan Pengolahan Basis
Data,Yohanes D.Jati Purnama”,Andi,
Bandung.
[5] Pressman, Roger S., 2002, “Rekayasa
Perangkat Lunak pendekatan praktisi”,
Andi Offset, Yogyakarta.
283
Seminar Nasional Informatika 2014

DECISION SUPPORT SYSTEM UNTUK PROMOSI KENAIKAN

JABATAN DI PT. XYZ
Edy Victor Haryanto

STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan
edyvictor@gmail.com

Abstrak

Promosi Jabatan kenaikan jabatan adalah hak setiap orang atau staf dalam sebuah perusahaan, untuk saat ini
dalam hal promosi jabatan penilaiannya masih dilakukan secara manual dan tentunya akan mengakibatkan
tidak adil dalam penilaian kinerja seorang staf, dalam penelitian ini penulis membuat sebuah system untuk
mengambil sebuah keputusan dalam promosi jabatan tersebut agar staf/pegawai yang lain dapat mengikuti
dan dilaksanakan secara fair dan transparan, dan dalam system ini aspek yang dinilai adalah kualitas kerja,
kemampuan memimpin, ketelitian dan tanggungg jawab serta inisiatif, dan system ini dibuat dengan metode
AHP dan software super decision.
Kata kunci : promosi jabatan, staf/pegwai, kriteria, AHP, super desicion

1. Pendahuluan Tujuan Penelitian

Perusahaan pada saat sekarang ini berlomba-
lomba untuk menjadi yang terbaik dan menjadi
sebuah perusahaan yang top di Indonesia, kinerja
perusahaan yang baik tentunya didukung oleh
kinerja para staf/pegawainya dalam hal segala
bidang, baik itu keuangan, marketing atau
pemasaran, manager, staf dan lain-lain.
Dalam sebuah perusahaan tentunya ada berbagai
macam jabatan, baik itu level yang tinggi maupun
yang rendah, setiap karyawan ditempatkan pada
posisinya masing-masing sesuai dengan
kemampuan dan perilaku dari staf/pegaawi
tersebut.
Staf/Pegawai merupakan bagian yang sangat
penting dari sebuah perusahaan yang amat
penting, dan merupakan SDM yang harus
didukung kinerjanya. Apabila baik kinerja dari
staf/pegawainya maka kinerja perusahaan tersebut
akan makin baik.
Penelitian Terkait
Adapun tujuan dari penelitian ini adalah :
1. Membuat sebuah system dalam mengambil
keputusan dalam penentuan promosi jabatan
untuk sebuah perusahaan.
2. Mempermudah dalam menentukan promosi
jabatan.
3. Proses penentuan promosi jabatan dapat
dilakukan secara adil dan transparan.
2. Pembahasan
Data yang didapatkan adalah dari hasil dan
penilaian dari atasan masing-masing dan staf yang
lain.
Data tersebut kemudian dijadikan sebagai dasar
untuk perbandingan kriteria dan alternatif. Semua
data yang ada akan diolah dan dilanjutkan dengan
menggunakan metode Analitycal Hierarchy
Process (AHP) dimana software yang akan
digunakan dalam membantu mendapatkan hasil
keputusan adalah Software Super Decisions dan
Microsoft Excel.

Menurut Dian dalam penelitiannya merancang Analisis Kebutuhan Data Kriteria

sebuah system atau program aplikasi system
penunjang keputusan dalam menentukan promosi,
enumerasi dan mutasi pegawai, untuk menjamin
penilaian yang adil maka penilaian dilakukan oleh
atasan langsung, rekan dan bawahan dari pegawai
yang akan dinilai dengan menggunakan AHP[1].
Endang dalam penelitiannya merancang sebuah
system dengan bantuan software Expert Choice
dan menggunakan metode AHP membantu PT. X
dalam menentukan promosi berdasarkan kinerja
karyawan tersebut[2].
Data didapatkan dari hasil penilaian dan
wawancara dari atasan masing-masing dan staf
yang lain, dengan kriteria sebagai berikut :
7. Kualitas Kerja
8. Kemampuan Memimpin
9. Ketelitian dan Tanggung Jawab
10. Inisiatif
Analisa Proses Metode AHP
Analytical Hierarcy Process (AHP) adalah suatu
metode analisis dan sintesis yang dapat membantu
proses pengambilan keputusan. AHP merupakan
alat pengambil keputusan yang akurat karena

284
 Seminar Nasional Informatika 2014

adanya skala atau bobot yang telah ditentukan dan yaitu tujuan atau goal, kriteria dan alternatif.
menggunakan hirarki yang terdiri dari tiga level

Goal Promosi

Kemampuan Ketelitian &

Kriteria Kualitas Kerja Inisiatif
Memimpin Tanggung Jawab

Alternatif Staf 1 Staf 2 Staf 3 Staf 4

Gambar 1. Hirarki AHP Penentuan Promosi Jabatan

Matriks Perbandingan Berpasangan Kriteria

Tahapan ini pemberian bobot masing-masing menghitung hasil kriteria berpasangan kedalam
kriteria menggunakan model AHP (Analytical matrik perbandingan berpasangan yang diubah
Hieracrchy Process) kedalam bentuk desimal.

Tabel 1. Matriks Perbandingan Berpasangan Tabel 3. Hasil Perhitungan Matriks

Kriteria Kuali Kemamp Keteliti Inisiatif Berpasangan dan Normalisasi
tas uan an &
Kerja Memimp Tanggu
in ng
Jawab
Kualitas 1/1 7/1 4/1 5/1
Kerja
Kemamp 1/7 1/1 2/1 1/4
uan Untuk nilai hasil normalisasi, hasil penjumlahan
Memimp baris dibagi dengan jumlah keseluruhannya.
in
Ketelitia 1/4 1/2 1/1 1/5
n&
Tanggun
g Jawab
Inisiatif 1/5 4/1 5/1 1/1 Diperoleh skala prioritas untuk masing-
masing kriteria. Pada baris pertama untuk
Kualitas Kerja dengan nilai 0.6274 atau 63%,
Menghitung Nilai Matriks Kriteria baris kedua adalah Kemampuan Memimpin
dengan nilai 0.0773 atau 8%, baris ketiga adalah
Maktriks ini diperoleh dengan rumus berikut : Ketelitian dan Tanggung Jawab dengan nilai
Nilai baris kolom baru = nilai baris- 0.0626 atau 6% dan baris keempat adalah Inisiatif
kolom lama / jumlah masing-masing kolom lama. dengan nilai 0.2327 atau 23%. Kemudian
dilakukan perhitungan nilai eigen maksimum
Tabel 2. Hasil Matriks Perbandingan Kriteria yang diperoleh dengan menjumlahkan hasil
Berpasangan perkalian nilai eigen dengan jumlah kolom.

Nilai eigen maksimum :

= (0.6274 *1.593) + (0.0773 *12.500) + (0.0626
*12.000) + (0.2327*6.450)
= 0.9993 + 0.9667 + 0.7541 + 1.5008
= 4.2182

Nilai Consistency Index yaitu :

CI = 4.2182 – 4 = 0.2182 = 0.0727

4–1 3

285
Seminar Nasional Informatika 2014

Untuk n = 4 , RI (random index) = 0,900 ( tabel Nilai eigen maksimum :

saaty ), maka dapat diperoleh nilai consistency = (0.4851 *2.033) + (0.0867 *11.000) + (0.2757
ratio (CR) yaitu : *3.750) + (0.1525*8.333)
CR = 0.0727 = 0.0808 < 0.100 = 4.2452
0.900
Karena CR < 0.1000 berarti konsisten Nilai Consistency Index yaitu :
CI = 4.2452 – 4 = 0.2452 = 0.0871
Matriks Perbandingan Berpasangan Kriteria
Kualitas Kerja 4–1 3

Pada tahap ini alternatif dibandingkan sesuai
dengan kriteria kualitas kerja yang datanya
didapatkan dari hasil wawancara dan kuesioner
kemudian diolah kedalam matriks perbandingan
berpasangan sesuai kriteria.
Tabel 4. Hasil Perbandingan Berpasangan
Kriteria Kualitas Kerja
Untuk n = 4 , RI (random index) = 0,900 ( tabel
saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0871 = 0.0908 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten

Kualitas
Kerja Staf 1 Staf 2 Staf 3 Staf 4

Staf 1 1/1 3/1 2/1 5/1

Staf 2 1/3 1/1 1/4 1/3
Staf 3
Gambar 3. Kuesioner Kualitas Kerja dengan
1/2 4/1 1/1 2/1
Staf 4 1/5 3/1 1/2 1/1
Super Decisions

menghitung hasil kriteria berpasangan kedalam

matrik perbandingan berpasangan yang diubah
kedalam bentuk desimal.

Hasil matriks berpasangan dan normalisasi

matriks tahap 1

Gambar 4. Hasil Prioritas Kualitas Kerja

dengan Super Decisions

Matriks Perbandingan Berpasangan Kriteria

Kemampuan Memimpin

Normalisasi matriks tahap 2 Pada tahap ini alternatif dibandingkan sesuai

dengan kriteria Kemampuan Memimpin yang
datanya didapatkan dari hasil wawancara dan
kuesioner kemudian diolah ke dalam matriks
perbandingan berpasangan sesuai kriteria.
Normalisasi matriks tahap 3 Tabel 5. Hasil Perbandingan Berpasangan
Kriteria Kemampuan Memimpin
Kemampuan
Staf 1 Staf 2 Staf 3 Staf 4
Memimpin
Staf 1 1/1 1/2 1/2 1/3
Staf 2 2/1 1/1 1/2 1/2
Staf 3 2/1 2/1 1/1 2/1
Staf 4 3/1 2/1 1/2 1/1

menghitung hasil kriteria berpasangan kedalam

Gambar 2. Hasil Bobot Akhir Perbandingan matrik perbandingan berpasangan yang diubah
Kriteria Kualitas Kerja kedalam bentuk desimal.

286
 Seminar Nasional Informatika 2014

Hasil matriks berpasangan dan normalisasi

matriks tahap 1

Gambar 7. Hasil Prioritas Kemampuan

Memimpin dengan Super Decisions

Matriks Perbandingan Berpasangan Kriteria

Normalisasi matriks tahap 2 Ketelitian dan Tanggung Jawab

Pada tahap ini alternatif dibandingkan sesuai

dengan kriteria Ketelitian dan Tanggung Jawab
yang datanya didapatkan dari hasil wawancara
dan kuesioner kemudian diolah ke dalam matriks
Normalisasi matriks tahap 3 perbandingan berpasangan sesuai kriteria.

Tabel 6. Hasil Perbandingan Berpasangan

Kriteria Ketelitian dan Tanggung Jawab

Ketelitian dan
Menghitung Nilai Matriks Kriteria Tanggung Staf 1 Staf 2 Staf 3 Staf 4
Jawab
Maktriks ini diperoleh dengan rumus berikut : Staf 1 1/1 2/1 3/1 4/1
Nilai baris kolom baru = nilai baris- Staf 2 1/2 1/1 2/1 1/2
kolom lama / jumlah masing-masing kolom lama. Staf 3 1/3 1/2 1/1 1/2
Staf 4 1/4 2/1 2/1 1/1

menghitung hasil kriteria berpasangan kedalam

Gambar 5. Hasil Bobot Akhir Perbandingan matrik perbandingan berpasangan yang diubah
Kriteria Kemampuan Memimpin kedalam bentuk desimal.

Nilai eigen maksimum : Hasil matriks berpasangan dan normalisasi

= (0.1235 *8.000) + (0.1881 *5.500) + (0.3889 matriks tahap 1
*2.500) + (0.2995*3.833)
= 4.1431

Nilai Consistency Index yaitu :

CI = 4.1431 – 4 = 0.1431 = 0.0477

4–1 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel

saaty ), maka dapat diperoleh nilai consistency Normalisasi matriks tahap 2
ratio (CR) yaitu :
CR = 0.0477 = 0.0530 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten

Normalisasi matriks tahap 3

Gambar 6. Kuesioner Kemampuan Memimpin

dengan Super Decisions

287
Seminar Nasional Informatika 2014

Menghitung Nilai Matriks Kriteria Tabel 7. Hasil Perbandingan Berpasangan

Kriteria Inisiatif
Maktriks ini diperoleh dengan rumus berikut : Inisiatif Staf 1 Staf 2 Staf 3 Staf 4
Nilai baris kolom baru = nilai baris-
kolom lama / jumlah masing-masing kolom lama. Staf 1 1/1 1/4 1/3 1/3
Staf 2 4/1 1/1 1/2 1/2
Staf 3 3/1 2/1 1/1 1/2
Staf 4 3/1 2/1 2/1 1/1

menghitung hasil kriteria berpasangan kedalam

Gambar 8. Hasil Bobot Akhir Perbandingan matrik perbandingan berpasangan yang diubah
Kriteria Ketelitian dan Tanggung Jawab kedalam bentuk desimal.
Nilai eigen maksimum : Hasil matriks berpasangan dan normalisasi
= (0.4886*2.083) + (0.1797 *5.500) + (0.1125 matriks tahap 1
*8.000) + (0.2193*6.000)
= 4.2216

Nilai Consistency Index yaitu :

CI = 4.2216 – 4 = 0.2216 = 0.0739

4–1 3

Untuk n = 4 , RI (random index) = 0,900 ( tabel

saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu : Normalisasi matriks tahap 2
CR = 0.0739 = 0.0821 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten

Normalisasi matriks tahap 3

Gambar 9. Kuesioner Ketelitian dan Tanggung

Jawab dengan Super Decisions

Menghitung Nilai Matriks Kriteria

Maktriks ini diperoleh dengan rumus berikut :

Nilai baris kolom baru = nilai baris-
kolom lama / jumlah masing-masing kolom lama.

Gambar 10. Hasil Prioritas Nilai Ketelitian

dan Tanggung Jawab dengan Super Decisions

Matriks Perbandingan Berpasangan Kriteria

Inisiatif
Gambar 11. Hasil Bobot Akhir Perbandingan
Kriteria Inisiatif
Pada tahap ini alternatif dibandingkan
sesuai dengan kriteria Inisiatif yang datanya
Nilai eigen maksimum :
didapatkan dari hasil wawancara dan kuesioner
= (0.0896 *11.000) + (0.2208 *5.250) + (0.2865
kemudian diolah ke dalam matriks perbandingan
*3.833) + (0.4031*2.333)
berpasangan sesuai kriteria.
= 4.1833

Nilai Consistency Index yaitu :

288

CI = 4.1833 – 4 = 0.1833 = 0.0611
4–1 3
Untuk n = 4 , RI (random index) = 0,900 ( tabel
saaty ), maka dapat diperoleh nilai consistency
ratio (CR) yaitu :
CR = 0.0611 = 0.0679 < 0.100
0.900
Karena CR < 0.1000 berarti konsisten
Gambar 12. Kuesioner Inisiatif dengan Super
Decisions
Gambar 13. Hasil Prioritas Inisiatif dengan
Super Decisions
Analisa Hasil Metode Analytical Hierarchy
Process
Setelah mendapatkan kriteria penentuan
kualitas kulit terpenting dari masing-masing
kriteria, langkah selanjutnya adalah mengalikan
nilai tersebut dengan nilai akhir dari bobot
kriteria. Hasilnya dapat dilihat pada Tabel 8.
Tabel 8. Hasil Nilai Masing-Masing Kriteria
Seminar Nasional Informatika 2014
Gambar 10. Hasil Pengujian Computation Full
Report dengan Super Decisions
Hasil Pengujian
Hasil perhitungan data sampel untuk
menentukan staf yang paling menentukan
mendapatkan promosi jabatab tersebut dapat
dilihat pada tabel 9
Tabel 9. Bobot Final dan Ranking Alternatif
N Alternati Pengujia Pengujia Rankin
o f n n Manual g
Software
1 Staf 1 0.3605 0.3651 1
2 Staf 2 0.1339 0.1316 4
3 Staf 3 0.2762 0.2767 2
4 Staf 4 0.2294 0.2264 3
1. Tabel 9 merupakan perbandingan hasil
perhitungan dengan cara manual, dan
perhitungan Super Decisions, dari hasil yang
dibandingkan terdapat nilai pada beberapa
kriteria. Perbedaan yang terjadi pada empat
digit angka dibelakang koma, sehingga hasil
akhir antara perhitungan analisis manual
dengan perhitungan analisis Super Decisions
dapat dikatakan konsisten.
2. Dari hasil perbandingan, didapatkan hasil
akurasi manual dan dengan software terendah
85% dan akurasi tertinggi 100%.
3. Dari hasil pengujian baik dengan manual
ataupun software dapat dihasilkan ranking
yang layak untuk mendapatkan promosi
jabatan.
4. Kesimpulan
Dari hasil penelitian diatas, maka didapat
kesimpulan adalah sebagai berikut :
1. Dengan menggunakan sebuah sistem maka
akan lebih mudah menentukan keputusan
siapa yang layak untuk mendapatkan promosi
jabatan.
2. Dengan super decision akan lebih mudah
membuat sebuah sistem penunjang keputusan.
3. Sistem yang dibuat akan lebih transparan
untuk menentukan siapa staf atau pegawai
yang dapat promosi jabatan.
289
Seminar Nasional Informatika 2014
Daftar Pustaka
[1] Novian, Dian, “Sistem Penunjang
Keputusan Mutasi, Enumerasi dan Promosi
Pegawai Menggunakan Metode AHP”,
Jurnal Media Elektrik, Vol. 5, No. 2,
Desember 2010,.
[2] Lestari, ending, “Analisa Sistem Penunjang
Keputusan untuk Proses Kenaikan Jabatan
pada PT. X”, Jurnal Sistem Informasi, Vol.
1, No. 3, Desember 2009.
[3] Andika Gusdha, Eka, dkk, “Sistem Promosi
Jabatan Karyawan dengan Metode
Analytical Hierarchy Process (AHP) dan
Multi-Attribute Utility Theory (MAUT)
(Studi Kasus pada PT. Ginsa Inti Pratama)”
290
[4] Dina Andayati (2010), “Sistem Pendukung
Keputusan Pra-Seleksi Penerimaan Siswa
Baru (PSB) Online Yogyakarta“, Jurnal
Teknologi Vol.3 No.2.
[5] Efraim Turban, Jay E. Aronson, Ting Peng
Liang (2005), “Decision Support System
and Intelligent Systems Edisi 7 Jilid 1”,
Yogyakarta : Andi Offset.
[6] Kusrini (2007), “Konsep dan Aplikasi
Sistem Pendukung Keputusan”,
Yogyakarta : Andi Offset.
[7] Nila Susanti, Sri Winiarti (2013), “ Sistem
Pendukung Penentuan Kualitas Kayu
Untuk Kerajinan Meubel ”, Jurnal Sarjana
Teknik Informatika e-ISSN : 2338:5197
Volume 1 Nomor 1
 Seminar Nasional Informatika 2014

SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN BIDANG

PEKERJAAN BAGI LULUSAN LPP PENERBANGAN
MENGGUNAKAN METODE ANP
Syafrizal

STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Medan
Rizalsyl75@yahoo.co.id

Abstrak

Kebutuhan akan sumber daya manusia yang berkualitas berdasarkan standar operasional perusahaan masih
terasa sulit dipenuhi oleh para lulusan dunia pendidikan yang perkembangannya semakin pesat. Bahkan
berdirinya lembaga-lembaga pendidikan dan pelatihan yang diharapkan akan mampu membentuk kualitas
sumber daya manusia terkadang masih menggunakan sistem penilaian yang kurang akurat sehingga tidak
membentuk sumber daya manusia yang sesuai dengan apa yang diharapkan oleh perusahaan-perusahaan
khususnya dunia penerbangan. Saat ini, khususnya bandara Kualanamu membutuhan sumber daya manusia
yang berkualitas yang sesuai dengan bidang keahlian yang dibutuhkan. LPP QLTC Medan adalah salah satu
lembaga pendidikan penerbangan yang mendidik para siswanya agar dapat bersaing di dunia kerja khususnya
di bandara. Untuk itu perlu adanya sebuah Sistem Pendukung Keputusan (SPK) yang akan membantu
mengolah data. Metode tersebut dianggap baik karena dapat membandingkan antara kriteria yang ditetapkan
dengan alternatif. Penerapan metode Analytical Network Process (ANP) menjadi suatu kerangka untuk
mengambil keputusan dengan efektif atas persoalan yang kompleks dengan menyederhanakan dan
mempercepat porses pengambilan keputusan dengan memecahkan pesoalan tersebut kedalam bagian-
bagiannya untuk mempengaruhi hasil. Software yang dapat digunakan untuk memecahkan masalah
berdasarkan ANP adalah Super Desicion yaitu sebuah perangkat lunak yang mendukung collaborative
decision dan sistem perangkat keras yang memfasilitasi grup pembuatan keputusan yang lebih efisien,
analitis, dan yang dapat dibenarkan. Hasil dari analisis ANP yang akan diperoleh kesimpulan bahwa
Bidang Pekerjaan yang disesuaikan dengan keahlian yang dimiliki oleh siswa lulusan LPP Penerbangan.

Kata kunci : Bidang Kerja, Lembaga Pelatihan dan Penerbangan (LPP), ANP, super desicion

1. Pendahuluan Sebagaimana yang kita telah ketahui

Industri Penerbangan di Indonesia
menunjukkan perkembangan yang sangat pesat
dari tahun ke tahun, dengan meningkatnya
permintaan terhadap pelayanan transportasi udara.
Hal ini juga didukung dengan kondisi Geografi di
Indonesia sebagai negara kepulauan dan dengan
pertumbuhan konsisten ekonomi nasional sangat
mendukung perkembangan dari industri
transportasi udara. Kebutuhan akan layanan
transportasi memberikan dampak meningkatnya
kebutuhan akan transportasi pesawat udara dan
fasilitas pendukung lainnya. Meningkatnya
jumlah pesawat udara berdampak terhadap
kebutuhan atas sumber daya manusia yang sangat
tinggi.
Seiring dengan semakin pesatnya
pertumbuhan dibidang transportasi udara, maka
permintaan dan kebutuhan sumber daya manusia
yang handal dan siap pakai semakin besar pula.
Sayangnya pada saat ini SDM yang tersedia
umumnya belum siap pakai karena dibutuhkan
keterampilan, kreatifitas, pendidikan,
pengetahuan, serta keahlian khusus untuk
menjawab peluang yang ada.
bersama adalah bahwa salah satu elemen penting
dari sebuah perusahaan adalah Sumber Daya
Manusia (SDM) yang berkualitas. Pengelolaan
SDM dari suatu perusahaan sangat mempengaruhi
banyak aspek penentu keberhasilan kerja dari
perusahaan tersebut. Jika SDM dapat diorganisir
dengan baik, maka diharapkan perusahaan dapat
menjalankan semua proses usahanya dengan baik.
Terdapat beberapa kendala pengelolaan SDM,
salah satunya adalah basic ilmu yang dimiliki
oleh karyawan terkadang berbeda dengan apa
yang diterapkan oleh karyawan tersebut di
perusahaan. Yang mengakibatkan lambatnya
proses perkembangan diri karyawan sehingga
berdampak dengan perkembangan perusahaan.
Beberapa tahun terakhir khususnya di
Medan mulai banyak berdiri lembaga-lembaga
pendidikan khususnya yang bergerak dalam dunia
penerbangan. Hal ini dikarenakan semakin
banyaknya permintaan kebutuhan tenaga kerja di
bidang tersebut. Namun banyak lembaga
pendidikan yang belum memperhatikan tingkat
kemampuan yang dimiliki oleh para siswa yang
akan bekerja sehingga mengakibatkan seringnya

291
Seminar Nasional Informatika 2014

terjadi masalah pada saat telah memasuki dunia Security, persentase Basic Fare & Ticketing,
kerja tersebut. persentase Dangerous Goods & Cargo
Oleh karena itu penulis tertarik membantu Knowledge, English For Hospitality, Grooming,
permasalahan yang terjadi pada lembaga-lembaga Pasanger And Bagage Handling, dan Tour And
pendidikan dalam menentukan bidang pekerjaan Package.
yang tepat, yang pada akhirnya juga akan
berdampak baik pada siswa dalam memilih Bobot Nilai Kriteria Siswa
bidang pekerjaan yang sesuai dengan bidang ilmu Berikut adalah bobot nilai siswa dengan masing-
yang dimilikinya. masing kriteria yang dapat dilihat pada Tabel 1.
Analytic Network Process (ANP) adalah
salah satu metode pengambilan keputusan yang Tabel 1. Bobot Nilai Kriteria Siswa
sesuai untuk menyelesaikan permasalahan Kriteria Nilai
pengambilan keputusan pemilihan bidang kerja Jenjang Pendidikan (B-JP) 3
yang dapat memberikan beberapa alternatif Usia (B-US) 5
pilihan bidang kerja. Metode ANP adalah Tinggi Badan (B-TB) 3
pengembangan dari metode Analytic Hierarchy Penampilan (B-PN) 2
Process (AHP) sehingga lebih kompleks dan Kesehatan (B-KS) 1
mampu memperbaiki kelemahan AHP, yaitu Anouncement (P-AC) 1
mengabaikan keterkaitan antar kriteria [1]. Aviation Knowledge (P-AK) 5
Metode ANP ini mempunyai kemampuan untuk Aviation Security(P-AS) 5
memecahkan masalah yang mempunyai Basic Fare & Tiketing (P-FT) 1
multiobjective dan multicriteria.
Dangerous Goods & Cargo Knowledge 3
Berdasarkan latar belakang yang telah
(P-CK)
dikemukakan di atas, Oleh karena itu penulis
English for Hospitality (P-EH) 2
tertarik membantu permasalah yang terjadi pada
Grooming (P-GR) 1
lembaga-lembaga pendidikan dalam menentukan
bidang pekerjaan yang tepat, yang pada akhirnya Pasanger and Bagage handling (P-PB) 3
juga akan berdampak baik pada siswa dalam Tour and Package (P-TP) 3
memilih bidang pekerjaan yang sesuai dengan
bidang ilmu yang dimilikinya dengan Pembobotan Hirarki
menggunakan metode ANP. Hasil analisis untuk kriteria siswa pada LPP yang
terdapat pada tabel 2 dan table 3, maka matriks
Tujuan Penelitian perbandingan hasil preferensi gabungan
Adapun tujuan dari penelitian ini adalah : menunjukkan bahwa kriteria Usia 5 kali lebih
a. Membantu pihak lembaga pendidikan dan penting dari kriteria Jenjang Pendidikan. Jenjang
pelatihan penerbangan dalam memutuskan Pendidikan sama penting dengan Tinggi Badan, 3
untuk menempatkan siswa yang sesuai kali lebih penting dari Penampilan, 5 kali lebih
dengan kebutuhan perusahaan penerbangan. penting dari Kesehatan dan Announcement,
b. Menentukan urutan prioritas kriteria sedangkan Aviation Knowledge dan Aviation
pekerjaan yang akan dipilih siswa lulusan Security 5 kali lebih penting dari Jenjang
lembaga pendidikan dan pelatihan Pendidikan. Jenjang Pendidikan 5 kali lebih
penerbangan pada perusahaan penerbangan. penting dari Basic Fare & Ticketing, sama
penting dengan Dangerous Goods & Cargo
2. Pembahasan Knowledge, 3 kali lebih penting dari English For
Data Alternatif Hospitality, 5 kali lebih penting dari Grooming,
Data alternatif diambil dari data Bidang Kerja serta sama penting dengan Passanger & Baggage
LPP Penerbangan yang diperuntukan untuk siswa. Handling dan Tour Package. Begitu juga tingkat
Ada 3 bidang kerja yang dijadikan sebagai kepentingan untuk 14 kriteria lainnya.
perbandingan dalam pengujian yaitu Cabin Staff,
Airlines Staff dan Travel Agent Staff. Tabel 2. Bobot Hirarki untuk cluster berkas

Data Kriteria
Data Kriteria diambil dari data dari hasil
wawancara dari LPP Penerbangan, Maskapai dan
Travel yang ada dikota Medan. Adapun data
kriteria yang telah dianalisa yaitu berupa Cluster
Seleksi Berkas meliputi Jenjang Pendidikan, Usia,
Tinggi Badan, Penampilan dan Kesehatan.
Cluster Mata pelajaran meliputi Anouncement,
Aviation Knowledge, persentase Aviation

292
 Seminar Nasional Informatika 2014

Tabel 3. Bobot Hirarki untuk cluster mata

pelajaran

Gambar 3. Perbandingan antar Alternatif

dengan Cluster Mata Pelajaran

Metode ANP

Berikut adalah gambar metode ANP dalam

penentuan bidang kerja siswa LPP Penerbangan
melalui software SuperDecision:

Gambar 4. Perbandingan antar node dengan

Cluster Berkas

Gambar 1. ANP Penentuan Bidang Kerja

Perbandingan dalam cluster dan perbandingan

antar cluster didapat dari kuesioner yang disebar
ke responden. Berikut adalah gambar
perbandingan antar alternatif dalam kriteria dan
perbandingan antar kriteria yang didapat dari
kuesioner:

Gambar 2. Perbandingan antar Alternatif

dengan Cluster Berkas
Gambar 5. Perbandingan antar Node dengan
Cluster Mata Pelajaran

293
Seminar Nasional Informatika 2014

Hasil Penelitian

Dalam penelitian ini, digunakan metode ANP

dengan bantuan software Superdecision untuk
mentukan Bidang Kerja Siswa LPP Penerbangan.
Alternatif :
a) Cabin Staff
b) Airlines Staff
c) Travel Agent Staff
Gambar 10. Hasil penelitian prioritas
alternatif Bidang Kerja dalam cluster Mata
Hasil penelitian dari masing-masing cluster
pelajaran
adalah sebagai berikut :

Gambar 11. Hasil penelitian rangking untuk

alternatif Bidang Kerja dalam cluster Mata
Pelajaran
Gambar 6. Hasil penelitian prioritas node
Bidang Kerja dalam cluster Berkas 3. Hasil pengujian

Dari hasil perhitungan dengan metode ANP

dengan menggunakan Sofware Super decition
maka diperoleh kesimpulan Cabin Staff 0,18 atau
18 %, Airlines Staff 0,74 atau 74% dan Travel
Agent Staff 0,07 atau 7 %. Dan rekomendasi
untuk bidang kerja siswa 1 adalah AIRLINES
STAFF.
Gambar 7. Hasil penelitian prioritas alternatif
Bidang Kerja dalam cluster Berkas

Gambar 12. Hasil Ranking Pemilihan Bidang

Kerja
Gambar 8. Hasil penelitian rangking untuk
alternatif Bidang Kerja dalam cluster Berkas 4. Kesimpulan

Dari hasil penelitian diatas, maka didapat

kesimpulan adalah sebagai berikut :
1. Sistem Pendukung Keputusan ini mampu
mengolah data inputan berupa data
kualifikasi yaitu jenjang pendidikan (B-JP),
usia (B-US), tinggi badan (B-TB), dan
Penampilan (B-PN). Data pendidikan yaitu
Anouncement (P-AC), Aviation Knowledge
(P-AK), Aviation Security (P-AS), Basic
Fare & Ticketing (P-FT), Dangerous Goods
& Cargo Knowledge (P-CK), English For
Hospitality (P-EH), Grooming (P-GR),
Pasanger And Bagage Handling (P-PB), dan
Gambar 9. Hasil penelitian prioritas node Tour And Package (P-TP), menjadi sebuah
Bidang Kerja dalam cluster Mata Pelajaran proses penilaian sehingga memberikan

294

perhitungan skala alternatif penilaian. Hal ini
dapat memberikan konstribusi dalam
pemilihan kriteria pekerjaan.
2. Metode ANP (Analytic Network Process)
dapat membantu pemilihan kriteria pekerjaan
siswa. Ketika LPP sulit dalam menentukan
kriteria pekerjaan yang cocok dengan
kemampuan siswa, dengan ANP dapat
diperoleh nilai perioritas pemilihan kriteria
pekerjaan berdasarkan bobot nilai kualifikasi
dan nilai pendidikan.
3. Sistem Pendukung Keputusan sudah bisa
memberikan hasil rekomendasi siswa lulusan
untuk menentukan kriteria pekerjaan yang
cocok dengan menggunakan metode metode
Analitical Network Process (ANP).
Daftar Pustaka
[1] Saaty, T. L. 1999. Decision Making for
Leaders. RWS Publications, 4922 Ellsworth
Avenue: Pittsburgh, PA 15213
Seminar Nasional Informatika 2014
[2] Hidayati, novi, “Sistem E-Learning untuk
meningkatkan Proses Belajar Mengajar
Studi Kaus pada SMA Negeri 10 Bandar
Lampung”, Jurnal Sistem Informasi, Vol. 2,
No. 2, September 2010.
[3] Iriani & Herawan, “Pemilihan Supplier
Bahan Baku Benang dengan menggunakan
Metode Analytic Network Process (ANP)
studi kasus Home Industry Nedy”,
Simposium Nasional RAPI XI FT UMS –
2012
[4] Rahendi, Robert Eka. Dkk, ”Sistem
Pendukung Keputusan Pemilihan Bidang
studi di Perguruan Tinggi menggunakan
Metode Analytic Network Process (ANP),
18 Juli 2014.
[5] Efraim Turban, Jay E. Aronson, Ting Peng
Liang 2005, Decision Support System and
Intelligent System, Jilid 2.
[6] Kusrini, 2007, Konsep dan Aplikasi Sistem
Pendukung Keputusan, Yogyakarta.
295
Seminar Nasional Informatika 2014

IDENTIFIKASI HAMBATAN ORGANISASI DENGAN SISTEM

PENDUKUNG KEPUTUSAN MENGGUNAKAN METODE TOPSIS
Adnan Buyung Nasution1
1,2
Sistem Informasi, STMIK Potensi Utama
3
STMIK Potensi Utama, Jl. K.L. Yosudarso Km, 6.5 No.3A Tanjung Mulia-Medan
1
adnan.buyung01@gmail.com

Abstrak

Perkembangan bisnis dan persaingan bebas serta dampak dari krisis moneter yang pernah terjadi membuat
suasana pasar di Indonesia semakin sulit. Sebagian besar pengusaha Indonesia bertahan di dalam suasana
tersebut dengan cara-cara yang kurang baik yang pada akhirnya menimbulkan masalah atau hambatan di
dalam organisasi usahanya, sehingga mengakibatkan kinerja perusahaan tersebut menjadi terhambat. Pakar
psikologi meneliti masalah-masalah yang terjadi dan mengelompokkan masalah-masalah yang disebut
blockage. Blockage dapat diketahui dan dicari alternatif solusinya dengan Sistem Pendukung Keputusan
menggunakan metode Topsis yang diharapkan akan memperbaiki kinerja karyawan yang berdampak pada
kelancaran system pada perusahan.

Kata kunci : Blockage, Topsis

1. Pendahuluan 2. Tinjauan Pustaka

Unjuk kerja organisasi ditentukan antara 2.1. Sistem Pendukung Keputusan

lain oleh manusia yang berada dalam organisasi
tersebut, agar dapat mengembangkan manusia
tersebut secara efektif dan efisien, perlu
diketahui kekuatan dan kelemahannya sehingga
akan lebih mudah menempatkan mereka dengan
tugas-tugas yang sesuai atau mengembangkan
mereka sesuai dengan tugas-tugas yang telah
disandangnya. Pengetahuan akan permasalahan
yang sesungguhnya terjadi pada
perusahaan sebagai organisasi menjadi sangat
penting sebagai upaya perusahaan dalam
memikirkan strategi dan arah perkembangan
perusahaan.
Perkembangan bisnis dan persaingan bebas
serta dampak dari krisis moneter yang pernah
terjadi membuat suasana pasar di Indonesia
semakin sulit. Sebagian besar pengusaha
Indonesia bertahan di dalam suasana tersebut
dengan cara-cara yang kurang baik yang pada
akhirnya menimbulkan masalah atau hambatan di
dalam organisasi usahanya, sehingga
mengakibatkan kinerja perusahaan tersebut
menjadi terhambat.
Pakar psikologi meneliti masalah-masalah
yang terjadi dan mengelompokkan masalah-
masalah yang disebut blockage. Blockage dapat
diketahui dan dicari alternatif solusinya dengan
menjawab kuesioner yang telah dirancang khusus.
Dengan adanya kuesioner secara
terkomputerisasi berbasis web diharapkan
masalah-masalah tersebut dapat diketahui dan
dapat dicari solusinya sehingga kerja organisasi
menjadi lebih optimal.
Sistem pendukung keputusan ( decision
support systems disingkat DSS) adalah bagian
dari sistem informasi berbasis komputer termasuk
sistem berbasis pengetahuan (manajemen
pengetahuan) yang dipakai untuk mendukung
pengambilan keputusan dalam suatu organisasi
perusahaan atau lembaga pendidikan. Menurut
Moore and Chang, Sistem Pendukung keputusan
dapat digambarkan sebagai sistem yang
berkemampuan mendukung analisis data, dan
pemodelan keputusan, berorientasi keputusan,
orientasi perencanaan masa depan, dan digunakan
pada saat-saat yang tidak biasa.
Kegiatan merancang sistem pendukung
keputusan merupakan sebuah kegiatan untuk
menemukan, mengembangkan dan menganalisis
berbagai alternatif tindakan yang mungkin untuk
dilakukan. Tahap perancangan ini meliputi
pengembangan dan mengevaluasi serangkaian
kegiatan alternatif. Sedangkan kegiatan memilih
dan menelaah ini digunakan untuk memilih satu
rangkaian tindakan tertentu dari beberapa yang
tersedia dan melakukan penilaian terhadap
tindakan yang telah dipilih[1].
2.4. Teori Blockage
Sistem ini di analisa dengan menggunakan
teori blockage dengan metode deskriptif untuk
menganalisa faktor-faktor hambatan dan metode
pembobotan untuk menghitung hasil kuesioner.
1. Inadequate Recruitment & Selection.
Merupakan hambatan dalam hal perekrutan

296

dan proses seleksi yang dilakukan
perusahaan, menurut persepsi karyawan.
Masalah-masalah tersebut antara lain seperti
cara perekrutan yang tidak standar,
kualifikasi pegawai yang menurun, pegawai
yang dijaring ternyata tidak cocok untuk
jabatannya, dan kurangnya kemampuan
untuk membedakan antara kandidat yang
baik dan yang buruk.
2. Confused Organizational Sructure
Merupakan hambatan dalam struktur
organisasi yang kurang efisien, kegiatan
kurang terkoordinasi dengan baik, kerangka
kerja yang kurang jelas, terdapat masalah dan
pekerjaan-pekerjaan yang sering tidak
terselesaikan, menurut persepsi karyawan di
sebuah perusahaan.
3. Inadequate Control
Merupakan hambatan dalam kendali akan
perusahaan, kurang informasi yang relevan
untuk penyelesaian masalah, kurangnya
kesempatan untuk melakukan diskusi terbuka
dalam rangka penyelesaian masalah,
kurangnya peninjauan akan kebijakan yang
telah dibuat, siklus kerja yang kurang efektif
dan efisien, menurut persepsi karyawan di
sebuah perusahaan.
4. Poor Training
Merupakan hambatan dalam pengembangan
keterampilan karyawan, kurangnya pelatihan
yang tepat sasaran dan sistematis, kurangnya
perancangan program pelatihan yang tepat
bagi perusahaan, menurut persepsi karyawan
di sebuah perusahaan.
5. Low Motivation
Merupakan hambatan kurangnya kepedulian
atau komitmen karyawan pada pekerjaan dan
perusahaan, tidak terpenuhinya kebutuhan-
kebutuhan dan harapan-harapan karyawan,
menurut persepsi karyawan di sebuah
perusahaan.
6. Low Creativity
Merupakan hambatan penerimaan ide-ide
dari karyawan, perusahaan yang menyukai
keseragaman pemikiran, kurang berani
mengambil resiko untuk menerapkan ide-ide
baru, menurut persepsi karyawan di sebuah
perusahaan.
7. Poor Teamwork
Merupakan hambatan dalam penyelesaian
pekerjaan secara optimal, banyaknya
pertengkaran maupun pertikaian
tersembunyi, sikap kerja yang individualis,
menurut persepsi karyawan di sebuah
perusahaan.
8. Inappropriate Management Philosophy
Merupakan hambatan dalam hal kesalahan
prinsip kerja yang digunakan oleh atasan
dalam menjalankan perusahaan menurut
Seminar Nasional Informatika 2014
persepsi karyawan di sebuah perusahaan.
Pihak atasan hanya menganggap para
pegawainya sebagai orang-orang malas yang
mementingkan uang, sehingga dengan gaji
yang standar para pegawai diharapkan
menjadi penghasil uang bagi perusahaan.
Pimpinan tidak memikirkan kepuasan kerja,
dan kualitas hidup pegawainya.
9. Lack of Succession Planning and
Management Development Merupakan
hambatan dalam kesulitan penetapan sasaran
dan pemilihan cara untuk mencapai sasaran-
sasaran tersebut, kesulitan dalam
mengorganisasi karyawan dan sumber daya
yang ada secara efektif, kesulitan dalam
memprediksikan karir karyawan di masa
mendatang, menurut persepsi karyawan di
sebuah perusahaan.
10. Unclear Aims Merupakan hambatan
perumusan tujuan perusahaan, kurangnya
pemahaman mengenai tujuan yang harus
dicapai, kesenjangan antara kerja yang
diharapkan pimpinan dan apa yang dilakukan
karyawan, menurut persepsi karyawan di
sebuah perusahaan. [2]
2.5. TOPSIS (Technique For Order Preference
by Similiarity to Ideal Solution)
TOPSIS adalah salah satu metode
pengambilan keputusan multikriteria yang
pertama kali diperkenalkan oleh Yoon dan Hwang
(1981). Topsis menggunakan prinsip bahwa
alternatif yang terpilih harus mempunyai jarak
terdekat dari solusi ideal positif dan terjauh dari
solusi ideal negatif dari sudut pandang geometris
dengan menggunakan jarak Euclidean untuk
menentukan kedekatan relatif dari suatu alternatif
dengan solusi optimal. Solusi ideal positif
didefinisikan sebagai jumlah dari seluruh nilai
terbaik yang dapat dicapai untuk setiap atribut,
sedangkan solusi negatif-ideal terdiri dari seluruh
nilai terburuk yang dicapai untuk setiap atribut.
Topsis mempertimbangkan keduanya,
jarak terhadap solusi ideal positif dan jarak
terhadap solusi ideal negatif dengan mengambil
kedekatan relative terhadap solusi ideal positif.
Berdasarkan
perbandingan terhadap jarak relatifnya, susunan
prioritas alternatif bisa dicapai. Metode ini
banyak
digunakan untuk menyelesaikan pengambilan
keputusan. Hal ini disebabkan konsepnya
sederhana, mudah dipahami, komputasinya
efisien, dan memiliki kemampuan mengukur
kinerja relatif dari alternatifalternatif
keputusan[3].
297
Seminar Nasional Informatika 2014

3. Pembahasan 2. Responden2  sangat setuju, setuju,

kurang setuju, tidak setuju, sangat tidak
3.1. Teknik Scoring setuju.
Cara skoring atau penilaian dari Blockage Begitu seterusnya sampai responden ke-8.
Questionnaire adalah sebagai berikut:
1. Pengisian kuesioner secara komputerisasi. Fase 2.
2. Setiap item yang diberi tanda check (√) akan Menentukan beberapa alternatif yang akan
dikalkukasikan sesuai dengan pengelompokan menjadi pilihan atau menjadi hambatan yang telah
teridentifikasi yang dialami oleh perusahaan,
setiap area masalah.
adapun beberapa alternatif tersebut yang terdiri
3. Setiap tanda check (√) akan diberi skor dari 10(sepuluh) alternatif tersebut meliputi :
berdasarkan levelnya seperti level “sangat
setuju” akan mendapat skor 5, atau level Tabel1:Alternatif
“setuju” akan mendapat skor 4, dan level NO ALTERNATIF
“kurang setuju” akan mendapat level 3, dan Inadequate Recruitment &
level “tidak setuju” dengan skor 2, dan level 1
Selection.
“sangat tidak setuju” akan dengan skor 1, 2 Confused Organizational Sructure
pernyataan dalam kuesioner sesuai dengan 3 Inadequate Control
persepsi dari karyawan atau partisipan di 4 Poor Training
sebuah perusahaan. 5 Low Motivation
4. Tidak ada tanda check (√) akan diberi skor 0
6 Low Creativity
Dari ke-10 area alternatif yang ada, skor
7 Poor Teamwork
5. masing-masing area akan dikalkulasikan. Skor
Inappropriate Management
minimum untuk tiap area masalah atau 8
Philosophy
alterntif
9 Lack of Succession Planning and
3.2. Analisis Permasalahan dan Pemecahan 10 Management Unclear Aims
Masalah dengan Metode TOPSIS
Kegiatan dalam mengidentifikasi Membangun sebuah matriks keputusan. Pada
hambatan atau permasalahan dalam perusahaan matriks keputusan, kolom matriks menyatakan
dengan menggunakan metode Topsis, dalam hal atribut yaitu kriteria-kriteria yang ada, sedangkan
ini penelitian yang pertama sekali dilakukan baris matriks menyatakan alternatif. Matriks
adalah dengan memberikan kuisoner kepada keputusan mengacu terhadap m alternatif yang
responden untuk dijawab berdasarkan aturan akan dievaluasi berdasarkan n kriteria. Matriks
diatas lalu selanjutnya hasil kuisoner akan keputusan dapat dilihat pada tabel 2.
diproses dan dikalkulasi dengan menggunakan
metode topsis, fase awal sistem menentukan Tabel2:Matriks
beberapa kriteria untuk penilaian dalam hal ini
kriteria adalah suatu pertanyaan yang akan
dijawab oleh responde, semakin banyak
responden yang menjawab kuisoner maka banyak
nilai skor untuk alternati yang dihasilkan dari
kriteria yang dijawab.
Menentukan Kriteria pada sistem, dalam hal ini
kriteria adalah para responden itu sendiri, dan
kriteria inilah yang akan dijawab oleh responden
sehingga alternatif mendapat skor berdasarkan
jawaban dari responden, maka kriteria tersebut
diberikan maksimal sebanyak 8 kriteria /
responden, dan setiap kriteria akan diberikan
wewenang untuk memberikan skor pada masing-
masing alternatif lihat contoh dibawah
ini :

1. Responden1  sangat setuju, setuju,

kurang setuju, tidak setuju, sangat tidak
setuju.

298
 Seminar Nasional Informatika 2014

K1 K2 K3 K4 K5 K6 K7 K8 r ij adalah elemen dari matriks keputusan yang

ternormalisasi R,
X X X X X X X X x ij adalah elemen dari matriks keputusan,
A1 11 12 13 14 15 16 17 18
i = 1, 2, 3, ..., m,
X X X X X X X X j = 1, 2, 3, ..., n.
A2 21 22 23 24 25 26 27 28
Matriks keputusan ternormalisasi dapat dilihat
X X X X X X X X pada penyelesaian berikut :
A3 31 32 33 34 35 36 37 38

X X X X X X X X Setelah matriks ternormalisasi dibuat, selanjutnya

A4 41 42 43 44 45 46 47 48 adalah membuat matriks keputusan ternormalisasi
X X X X X X X X terbobot V yang elemen-elemennya ditentukan
A5 51 52 53 54 55 56 57 58 dengan menggunakan rumus berikut :
X X X X X X X X (2)
A6 61 62 63 64 65 66 67 68

X X X X X X X X Dimana :
A7 71 72 73 74 75 76 77 78 v ij adalah elemen dari matriks keputusan yang
X X X X X X X X ternormalisasi terbobot V,
A8 81 82 83 84 85 86 87 88 Bobot w ij (w1, w2, w3, ..., wn) adalah bobot dari
X X X X X X X X kriteria ke-j
A9 91 92 93 94 95 96 97 98 r adalah elemen dari matriks keputusan yang
ternormalisasi R Dengan i = 1, 2, 3, ..., m ; dan
X X X X X X X X j = 1, 2, 3, ..., n.
A10 10 1 10 2 10 3 10 4 10 5 10 6 10 7 10 8
Matriks keputusan ternormalisasi terbobot.
Tabel3: Hasil Perhitungan Matriks
K1 K2 K3 K4 K5 K6 K7 K8
A1 4 5 4 2 5 3 5 5
A2 4 5 3 2 5 3 5 5
A3 4 3 3 2 5 4 5 5
A4 4 5 4 4 5 3 5 5
A5 4 5 3 2 5 3 5 5
A6 5 5 4 4 5 3 5 5
A7 4 3 3 2 5 3 5 5
A8 4 5 3 4 5 5 5 5
A9 4 5 3 4 5 3 3 5
A10 4 5 3 2 5 5 3 5

Menentukan bobot preferensi untuk setiap

kriteria.
Bobot kriteria1 = 4,1
Bobot kriteria2 = 4,6
Bobot kriteria3 = 3,3
Bobot kriteria4 = 2,8
Bobot kriteria5 = 5
Bobot kriteria6 = 3,5
Bobot kriteria7 = 4,6
Bobot kriteria8 = 5

Fase5
Setelah matriks keputusan dan bobot
kriteriadibuat, selanjutnya adalah membuat
matriks keputusan yang ternormalisasi R yang
fungsinya untuk memperkecil range data. Adapun
elemenelemennya ditentukan dengan rumus
berikut :

(1)

Dimana :

299
Seminar Nasional Informatika 2014

Demikian seterusnya sampai didapat hasil

perhitungan matriks keputusan ternormalisasi.

Selanjutnya menetukan matriks solusi ideal

positif(A+) dan solusi ideal negatif (A-)

Tabel 10 : Hasil Perhitungan Separasi Positif

Alternatif S+
A1 0.9334
Tabel 5 : Solusi Ideal Positif A2 0.8789
A3 0.6932
A4 1.0617
A5 0.8789
A6 1.1511
A7 0.6215
Tabel 6 : Hasil Penentuan Solusi Ideal Positif A8 1.2264
A9 0.8608
A10 1.0573

Tabel 7 : Solusi Ideal Negatif Setelah menghitung jarak alternatif dari solusi
ideal positif (S+) dan jarak alternatif dari solusi
ideal negatif (S-), selanjutnya adalah menghitung
kedekatan relatif terhadap solusi ideal positif.

Tabel 13 : NilaI C+

Tabel 8 : Hasil Penentuan Solusi Negatif

Selanjutnya menghitung jarak alternatif dari

solusi ideal positif (S+ ) dan jarak alternatif dari
solusi ideal negatif (S-). Perhitungan jarak
alternatif dari solusi ideal positif (S+)

Tabel 9 : Separasi Positif

300
 Seminar Nasional Informatika 2014

A4 0.6061
A10 0.5218
A1 0.5059
A5 0.4769
A2 0.4759
A9 0.4675
A3 0.4055
A7 0.3514

Pada tabel diatas dapat dilihat bahwa alternatif

yang menempati urutan pertama alternatif A8
yaitu “Training – (Unclear Aims)” dengan Nilai
0.7338, Selanjutnya alternatif yang menempati
urutan kedua yaitu A6 “Rekrutmen dan seleksi
yang tidak tepat – (Inadequate Recruitment and
Selection)” dengan nilai 0.6522, dan dilanjutkan
sampai urutan ke 10. Dengan nilai terendah yaitu
0.3514.

3. Penutup

4.1 Kesimpulan
Berdasarkan pembahasan, maka dapat
ditarik kesimpulan sebagai berikut:

1. Metode TOPSIS yang merupakan metode

sistem pendukung keputusan yang bisa
memecahkan berbagai masalah pengambilan
Tabel 14 : Hasil Perhitungan Kedekatan keputusan multikriteria dapat juga
Relatif digunakan untuk memecahkan masalah
hambatan organisasi.

Alternatif S+ 2. Hasil perhitungan metode TOPSIS yang

A1 0.5059 didapatkan secara manual sama dengan hasil
perhitungan yang didapatkan secara
A2 0.4759 komputerisasi.
A3 0.4055
A4 0.6061 4.1 Saran
A5 0.4769 Berikut adalah beberapa saran untuk
pengembangan lebih lanjut terhadap penelitian
A6 0.6522 ini:
A7 0.3514
A8 0.7338 1. Metode TOPSIS diharapkan dapat
A9 0.4675 diimplementasikan ke dalam perangkat lunak
yang lebih userfriendly, dimana user dapat lebih
A10 0.5218 mudah menggunakannya.

Berikutnya alternatif diurutkan dari nilai C+ Daftar Pustaka

terbesar ke nilai C+ terkecil. Alternatif dengan
nilai C+ terbesar merupakan solusi yang terbaik. [1]. Kadarsah S, 1998, Sistem Pendukung
Keputusan, Jakarta.
Tabel 15 : Hasil Pengurutan Alternatif [2]. Makmur, Syarif. 2008. Pemberdayaan
Sumber Daya Manusia dan Efektivitas
Alternatif Nilai Organisasi, Jakarta
[3]. Desiana A, M. Arhami, 2006, Konsep
A8 0.7338 Kecerdasan Buatan, Yogyakarta.
A6 0.6522

301
Seminar Nasional Informatika 2014

PENGEMBANGAN SISTEM INFORMASI SUMBER DAYA

MANUSIA
STUDI KASUS: PERUSAHAAN DISTRIBUTOR SEPEDA MOTOR
Fandi Halim1, Gunawan2, Linda3
1,2,3
Program Studi S-1 Sistem Informasi, STMIK Mikroskil
Jl. Thamrin No. 140, Sei Rengas II, Medan Area, Medan 20212, Sumatera Utara, Indonesia
1
fandi@mikroskil.ac.id, 2gunawan@mikroskil.ac.id, 3lindachin92@gmail.com

Abstrak

Salah satu unsur penting dalam menentukan keberhasilan suatu perusahaan adalah Sumber Daya Manusia
(SDM). SDM memiliki kekuatan sebagai penggerak suatu perusahaan. Tanpa adanya suatu koordinasi SDM
secara efektif dan efisien, maka tujuan organisasi tidak akan tercapai. Sehubungan dengan adanya kemajuan
teknologi komputer saat ini, maka sistem informasi yang terkomputerisasi dirasakan sangatlah penting
keberadaannya dalam sebuah perusahaan dengan tujuan dapat mempermudah proses pembuatan laporan
karyawan, mempercepat proses perhitungan gaji karyawan, dan sebagainya. Bagi perusahaan yang
berkecimpung di dunia bisnis otomotif, dalam mengelola data sumber daya manusia, umumnya masih
menggunakan sistem semi-terkomputerisasi. Seiring berjalannya waktu, jumlah data yang diolah semakin
banyak sehingga sistem semi-terkomputerisasi dianggap tidak lagi memenuhi kebutuhan perusahaan. Melalui
penelitian ini diusulkan sebuah sistem informasi untuk menyelesaikan permasalahan yang dihadapi
perusahaan dengan menggunakan metodologi pengembangan sistem Systems Development Life Cycle
(SDLC). Hasil penelitian berupa aplikasi sistem informasi yang dapat digunakan untuk meningkatkan
efektifitas dan efisiensi dalam pengolahan data yang dapat digunakan sebagai penunjang pengambilan
keputusan.

Kata kunci : SDM, Sistem informasi, SDLC

1. PENDAHULUAN segala bentuk data sumber daya manusia masih

Sebuah perusahaan terdiri dari sejumlah
sumber daya yang disatukan untuk menghasilkan
suatu produk dengan tujuan mencapai keuntungan
sebesar-besarnya demi mempertahankan
kelangsungan hidup perusahaan. Salah satu unsur
penting dalam menentukan keberhasilan suatu
perusahaan adalah Sumber Daya Manusia (SDM).
Sebagai kekuatan penggerak suatu perusahaan,
maka perlu adanya koordinasi SDM secara efektif
dan efisien, serta diperlukan kualitas SDM yang
baik agar tujuan organisasi tercapai. Untuk
mengembangkan dan mengarahkan SDM yang
berkualitas diperlukan pendidikan dan pelatihan
dari organisasi yang bersangkutan.
Komputer dalam hal ini dalam bentuk sistem
informasi yang terkomputerisasi dirasakan
sangatlah penting keberadaannya dalam sebuah
perusahaan. Penerapan sistem informasi yang
terkomputerisasi dapat mempermudah proses
pembuatan laporan karyawan, mempercepat
proses perhitungan gaji karyawan, serta
menghemat waktu kerja, tenaga, dan pikiran,
khususnya dalam memproses data karyawan.
Perusahaan distributor, terutama yang bergerak di
bidang otomotif khususnya sepeda motor,
umumnya akan memiliki jumlah karyawan yang
banyak. Akan tetapi, hingga saat ini umumnya
diolah secara semi-terkomputerisasi. Pada awal
didirikannya perusahaan, karena jumlah SDM
masih sangat sedikit, tentu belum menimbulkan
masalah. Akan tetapi, dengan bertambahnya
jumlah SDM dalam perusahaan, akan membuat
data yang akan diolah menjadi informasi secara
tidak langsung juga bertambah banyak. Dengan
adanya suatu sistem informasi berbasis komputer
dalam menangani masalah karyawan, maka hasil
yang diperoleh juga dapat lebih cepat dan akurat.
Laporan juga dapat dihasilkan dan dapat diformat
dalam berbagai bentuk sesuai dengan keperluan
manajerial atau user yang menggunakannya.
Berdasarkan hal tersebut, penelitian ini
bertujuan untuk mengembangkan sebuah sistem
informasi SDM untuk mempermudah pengolahan
data guna menghasilkan laporan yang dapat
dipergunakan dalam pengambilan suatu
keputusan. Penelitian dalam bentuk
pengembangan sistem informasi ini difokuskan
pada proses-proses SDM yang meliputi proses
Perencanaan SDM, Perekrutan dan Seleksi SDM,
Pelatihan dan Pengembangan SDM, Penilaian
Prestasi Kerja, Pemindahan SDM, dan Pemutusan
Hubungan Kerja.

302

2. TINJAUAN PUSTAKA
2.1. Pengertian Manajemen Sumber Daya
Manusia (SDM)
Manajemen SDM merupakan proses
mendayagunakan manusia sebagai tenaga kerja
secara manusiawi agar potensi fisik dan psikis
yang dimilikinya berfungsi maksimal bagi
pencapaian tujuan organisasi atau perusahaan [3].
Sebagaimana disebutkan sebagai sebuah proses,
maka tentu saja memiliki tahapan dalam kegiatan
pengelolaannya. Proses tersebut meliputi proses
perencanaan, pengorganisasian, pengarahan, dan
pengawasan kegiatan-kegiatan pengadaan,
pengembangan, pemberian kompensasi,
pengintegrasian, pemeliharaan, dan pelepasan
SDM sehingga berbagai tujuan individu,
organisasi, dan masyarakat dapat dicapai [4].
2.2. Fungsi Manajemen SDM
Fungsi operasional manajemen SDM dapat dibagi
menjadi 5 (lima), yakni [7]:
1) Fungsi Perencanaan (Planning)
Merupakan fungsi manajemen SDM yang
sangat esensial. Hal ini karena menyangkut
rencana pengelolaan SDM organisasi /
perusahaan, baik dalam jangka pendek maupun
jangka panjang. Perencanaan SDM perlu diawali
dengan kegiatan inventarisasi terkait SDM yang
terdapat dalam perusahaan. Inventarisasi tersebut
meliputi:
a) Jumlah karyawan yang ada
b) Berbagai kualifikasinya
c) Masa kerja masing-masing karyawan
d) Pengetahuan dan keterampilan yang dimiliki,
baik pendidikan formal maupun program
pelatihan kerja yang pernah diikuti
e) Bakat yang masih perlu dikembangkan
f) Minat karyawan, terutama yang berkaitan
dengan kegiatan di luar tugas pekerjaan
Hasil inventarisasi tersebut selain berguna
untuk pemanfaatan SDM dalam melaksanakan
tugas-tugas sekarang, juga berhubungan dengan
kegiatan di masa depan, yakni:
a) Promosi karyawan tertentu untuk mengisi
lowongan jabatan yang lebih tinggi, jika
karena berbagai sebab terjadi kekosongan
b) Peningkatan kemampuan melaksanakan tugas
yang sama
c) Dalam hal terjadinya alih wilayah kerja, yang
berarti seseorang ditugaskan ke lokasi baru,
tetapi sifat tugas jabatannya tidak mengalami
perubahan.
2) Fungsi Pengadaan (Procurement)
Merupakan fungsi manajemen SDM dalam
usaha untuk memperoleh jenis dan jumlah
SDM yang tepat, melalui proses pemanggilan,
Seminar Nasional Informatika 2014
seleksi, penempatan, orientasi, dan induksi
untuk mendapatkan SDM yang diperlukan
sesuai dengan tujuan organisasi dan
perusahaan.
3) Fungsi Pengembangan (Development)
Merupakan fungsi manajemen SDM dalam
proses peningkatan keterampilan teknis,
teoritis, konseptual, dan moral SDM melalui
pendidikan dan pelatihan. Pendidikan dan
pelatihan yang diberikan harus sesuai dengan
kebutuhan masa kini dan masa mendatang.
4) Fungsi Kompensasi
Merupakan fungsi manajemen SDM dalam
proses pemberian balas jasa langsung dan
tidak langsung kepada SDM sebagai imbal
jasa (output) yang diberikan kepada organisasi
atau perusahaan.
5) Fungsi Pengintegrasian
Merupakan fungsi manajemen SDM dalam
mempersatukan kepentingan organisasi/
perusahaan dengan kebutuhan SDM, sehingga
akan dapat tercipta kerja sama yang saling
menguntungkan.
6) Fungsi Pemeliharaan
Merupakan fungsi manajemen SDM untuk
memelihara dan meningkatkan kondisi fisik,
mental, dan loyalitas SDM agar tercipta
hubungan jangka panjang.
2.3. Proses Manajemen SDM
Gambaran proses manajemen SDM [6] dapat
dilihat pada Gambar 1 berikut ini.
PROSES MANAJEMEN SDM DALAM ORGANISASI
PRENCANAAN SUMBER
REKRUTMEN SELEKSI
DAYA MANUSIA
PELATIHAN DAN
PENGEMBANGAN
SOSIALISASI
PENILAIAN PRESTASI
KERJA
PROMOSI, MUTASI, DEMOSI, DAN PHK
Gambar 1. Proses Manajemen SDM
1) Perencanaan SDM
Perencanaan kebutuhan personel sebuah
organisasi perlu memperhatikan aktivitas
internal dan berbagai faktor dalam lingkungan
eksternal dengan memperhatikan 4 (empat)
aspek dasar [6], yaitu:
a) Perencanaan untuk kebutuhan masa depan
dengan memutuskan berapa banyak orang
dengan keterampilan tertentu yang
dibutuhkan organisasi
b) Perencanaan keseimbangan masa depan
dengan membandingkan jumlah karyawan
yang dibutuhkan dengan jumlah karyawan
303
Seminar Nasional Informatika 2014
yang ada sekarang yang dapat diharapkan
masih tetap bekerja
c) Perencanaan untuk merekrut atau
memberhentikan karyawan
d) Perencanaan pengembangan karyawan
2) Rekrutmen
Yaitu mengalokasikan, mengidentifikasikan,
dan menarik para pelamar kerja yang
kompeten [5].
3) Seleksi
Yaitu menyaring pelamar agar memastikan
bahwa kandidat yang paling layaklah yang
diterima. Seleksi melibatkan perkiraan
pelamar mana yang akan berhasil jika
diterima. Keputusan seleksi apapun dapat
memberikan 4 (empat) kemungkinan hasil –
dua hasil yang benar dan dua kesalahan (error)
[5].
4) Pelatihan Karyawan
Merupakan aktivitas manajemen SDM yang
penting. Ketika permintaan pekerjaan
berubah, kemampuan karyawan pun harus
berubah. Terdapat beberapa metode pelatihan,
meliputi [5]:
a) Metode Pelatihan Tradisional, biasanya
meliputi on-the-job, rotasi kerja, mentoring
dan coaching, latihan pengalaman, manual/
buku kerja, dan kelas pelatihan
b) Metode Pelatihan Berbasis Teknologi,
biasanya meliputi CD-
ROM/DVD/rekaman video/audio/podcast,
videoconference/tele conference/TV
satelit, dan e-learning.
5) Manajemen Kinerja Karyawan
Manajer harus mengetahui apakah
karyawannya telah melaksanakan
pekerjaannya secara efisien dan efektif, atau
apakah ada yang perlu diperbaiki. Inilah yang
dilakukan sistem manajemen kinerja. Sistem
ini menetapkan standar kinerja yang
digunakan dalam mengevaluasi kinerja
karyawan. Terdapat beberapa metode dalam
melakukan evaluasi kinerja, seperti menulis
esai, peristiwa penting, skala penilaian grafis,
Behaviorally Anchored Rating Scale (BARS),
perbandingan multi karyawan, MBO, dan
penilaian 360 derajat [5].
6) Promosi, Mutasi, Demosi, dan Pemutusan
Hubungan Kerja
Promosi (kenaikan jabatan), yakni menerima
kekuasaan dan tanggung jawab lebih besar
dari kekuasaan dan tanggung jawab
sebelumnya. Mutasi, yaitu memindahkan
karyawan dari suatu jabatan yang lain dalam
satu tingkatan organisasi secara horizontal
tanpa adanya peningkatan tanggung jawab,
kekuasaan, maupun gaji. Demosi atau dikenal
dengan penurunan jabatan, yakni menerima
kekuasaan dan tanggung jawab lebih kecil dari
kekuasaan dan tanggung jawab sebelumnya
304
[6]. Pemberhentian adalah pemutusan
hubungan kerja seseorang dengan suatu
organisasi perusahaan. Dengan pemberhentian
berarti berakhirnya keterikatan kerja karyawan
terhadap perusahaan [1].
3. METODOLOGI PENELITIAN
Metodologi penelitian yang digunakan mengacu
pada tahapan pengembangan sistem Systems
Development Life Cycle (SDLC) [2] dengan
tahapan seperti Gambar 2 berikut ini.
Gambar 2. Proses Manajemen SDM
Tahapan-tahapan penelitian yang dilakukan
adalah:
1. Mengidentifikasi Masalah, Peluang, dan
Tujuan
a) Merumuskan masalah yang dihadapi
b) Mendefinisikan tujuan yang ingin dicapai
2. Menentukan Syarat-Syarat Informasi
a) Mewawancarai beberapa perusahaan
sejenis untuk mengetahui informasi yang
diperlukan
3. Menganalisis Kebutuhan-Kebutuhan Sistem
a) Menganalisis proses bisnis sistem berjalan
b) Menganalisis contoh dokumen-dokumen
keluaran dan masukan
Mengidentifikasi kebutuhan sistem usulan
4. Merancang Sistem Yang Direkomendasikan
a) Merancang proses bisnis sistem usulan
b) Merancang format laporan (output),
masukan (input), dan struktur menu sistem
usulan
c) Merancang basis data yang akan
digunakan oleh sistem usulan
5. Mengembangkan dan Mendokumentasikan
Perangkat Lunak
Pengembangan sistem menggunakan bahasa
pemrograman Microsoft Visual Basic 2012,
DBMS Microsoft SQL Server 2008, dan
Business Objects Crystal Report 11 untuk
pembuatan laporan.
 Seminar Nasional Informatika 2014

4. HASIL DAN PEMBAHASAN 2. Penyediaan informasi lebih

akurat
4.1. Analisis Kebutuhan Sistem Ekonomi Biaya yang dikeluarkan relatif
lebih rendah karena kesalahan
Kebutuhan sistem meliputi kebutuhan fungsional pencetakan laporan dapat
dan kebutuhan non fungsional. Kebutuhan diminimalkan
fungsional merupakan jenis kebutuhan yang Kontrol 1. Keamanan data terjaga
berisikan proses-proses apa saja yang diberikan 2. Adanya batasan sistem
oleh perangkat lunak yang akan dikembangkan. sehingga akses data hanya
Analisis kebutuhan non fungsional dilakukan dapat dilakukan oleh bagian
untuk mengetahui spesifikasi kebutuhan untuk yang berwenang
sistem. Efisiensi Efisiensi penggunaan waktu
Gambar 3 berikut ini merupakan use case dalam peng-input-an data,
diagram yang menggambarkan kebutuhan pencarian data, maupun dalam
fungsional sistem usulan. penyediaan laporan-laporan
yang dibutuhkan
Servis Penyajian data lebih cepat

4.2. Rancangan Sistem Usulan

Rancangan sistem usulan meliputi rancangan

proses, rancangan basis data, dan rancangan
struktur menu.
Gambar 4 berikut ini merupakan Data Flow
Diagram (DFD) yang menggambarkan rancangan
proses sistem usulan.
Laporan Karyawan

Laporan
Manajer HR Karyawan
Kebutuhan Pelatihan Surat
Pengangkatan
Laporan
Permintaan Karyawan
Surat
Pemindahan
Laporan Hasil
Penilaian Prestasi Kerja Data
Karyawan Data
Pengunduran Diri

Data
Jabatan 0
Data
Data
Data Pelatihan Surat Referensi
Jenis
Departemen
PHK Sistem Informasi
Manajemen Sumber Daya Manusia

Data Performance
Apraissal
Data Kebutuhan
Data Permintaan Pelatihan
Karyawan
Laporan
Rekomendasi Data Pemindahan
Peserta Karyawan
Pelatihan Manajer Divisi

Laporan
Hasil
Penilaian
Prestasi Kerja

Gambar 4. Diagram Konteks Sistem Usulan

Gambar 3. Kebutuhan Fungsional Sistem
Usulan Sedangkan basis data yang dirancang memiliki 18
tabel dengan rincian sebagai berikut:
Tabel 1 berikut ini merupakan daftar kebutuhan 1. Tabel Department: menyimpan data
non fungsional sistem usulan yang departemen
dikelompokkan berdasarkan klasifikasi PIECES. 2. Tabel Position: menyimpan data jabatan
3. Tabel Training: menyimpan data pelatihan
Tabel 2. Kebutuhan Non Fungsional Sistem 4. Tabel Termination Type: menyimpan data
Usulan jenis pemutusan hubungan kerja
5. Tabel Employee Request: menyimpan data
permintaan karyawan
Performan-si 1. Pengelolaan data dapat
6. Tabel Employee Request Details: menyimpan
ditangani oleh 1 (satu)
data detil permintaan karyawan
administrator
7. Tabel Employee: menyimpan data karyawan
2. Pencarian data hanya
8. Tabel Employee Dependent: menyimpan data
membutuhkan waktu 1 (satu)
relasi karyawan
menit
9. Tabel Employee Job: menyimpan data histori
Informasi 1. Data karyawan diperbaharui
pekerjaan karyawan
senantiasa

305
Seminar Nasional Informatika 2014

10. Tabel Employee Qualification Working 4.3. Tampilan Interface Aplikasi

Experience: menyimpan data latar belakang
pekerjaan karyawan Sistem informasi SDM dikembangkan
11. Tabel Employee Qualification Education: berdasarkan hasil rancangan sebelumnya dengan
menyimpan data latar belakang pendidikan menggunakan aplikasi Microsoft Visual Basic
karyawan 2012.
12. Tabel Employee Qualification Gambar 7 merupakan tampilan utama dari
Courses/Trainings: menyimpan data sistem informasi yang dikembangkan. Terdapat
kursus/pelatihan yang pernah diikuti karyawan beberapa menu yang dirancang yang disesuaikan
13. Tabel Employee Qualification Languages: dengan proses SDM sesuai dengan tinjauan
menyimpan data penguasaan bahasa asing pustaka yang telah dijabarkan sebelumnya. Menu
karyawan Master dan Employee adalah bagian dari fungsi
14. Tabel Training Request: menyimpan data sistem yang digunakan untuk mengelola data
permintaan pelatihan master karyawan, daftar karyawan, termasuk
15. Tabel Training Request Details: menyimpan permintaan karyawan.
data detil permintaan pelatihan Gambar 8 merupakan tampilan form yang
16. Tabel Performance Appraisal: menyimpan digunakan untuk merekam rincian data karyawan,
data penilaian kinerja karyawan meliputi identitas, pendidikan, pengalaman kerja,
17. Tabel Transfer: menyimpan data pemindahan hingga bahasa yang dikuasai, serta training yang
karyawan pernah diikuti karyawan.
18. Tabel Termination: menyimpan data Gambar 9 merupakan tampilan form yang
pemutusan hubungan kerja digunakan untuk merekam permintaan training
karyawan pada unit kerja tertentu dalam
Gambar 5 berikut ini merupakan relasi antar tabel perusahaan.
dari rancangan basis data sistem usulan.

Gambar 7. Tampilan Utama

Gambar 5. Relasi Antar Tabel Basis Data

Sistem Usulan

Gambar 6 berikut ini merupakan rancangan

struktur menu dari aplikasi yang dikembangkan,
dimana terdiri dari 7 (tujuh) menu utama, yaitu Gambar 8. Tampilan Form Karyawan
Master, Employee, Training, Performance
Appraisal, Transfer, Termination, dan Settings.

MENU

PERFORMANCE
MASTER EMPLOYEE TRAINING TRANSFER TERMINATION SETTINGS
APPRAISAL

Department Employee Request Employee Request Reports

Position Employee List Employee Reports

Training Training Request Reports

Training Member
Termination Type
Recommendation Reports

Performance Appraisal
Reports

Gambar 6. Struktur Menu Sistem Usulan

306

Gambar 9. Tampilan Form Permintaan
Pelatihan
Gambar 10 merupakan tampilan form
performance appraisal yang digunakan untuk
merekam hasil evaluasi kinerja karyawan.
Gambar 10. Tampilan Form Performance
Appraisal
Gambar 11 merupakan tampilan form transfer
yang digunakan untuk merekam data pemindahan
karyawan.
Gambar 11. Tampilan Form Transfer
Gambar 12 merupakan tampilan form termination
yang digunakan untuk merekam data pemutusan
hubungan kerja karyawan.
Seminar Nasional Informatika 2014
Gambar 12. Tampilan Form Termination
Dengan adanya aplikasi sistem informasi SDM ini
diharapkan permasalahan yang ada pada
perusahaan sebelumnya dapat diatasi, serta dapat
membantu sistem kerja manajemen perusahaan.
Kelebihan dari sistem yang dikembangkan adalah
sebagai berikut:
1. Pengelolaan data baik penambahan,
pengubahan, maupun penyajian laporan lebih
cepat sehingga lebih hemat waktu.
2. Pengaturan departemen, jabatan, pelatihan,
dan jenis pemutusan kerja dibuat masing-
masing kodenya agar tidak ada penggunaan
kata yang berbeda dengan makna yang sama.
Sedangkan kelemahan dari sistem yang
dikembangkan adalah sebagai berikut:
1. Segala jenis informasi dalam aplikasi ini
masih harus di-input manual oleh staf HR
berdasarkan form-form yang diisi terlebih
dahulu oleh karyawan, manajer HR, maupun
manajer departemen.
2. Sistem yang dikembangkan masih termasuk
dalam kategori Transaction Processing System
(TPS) sehingga informasi yang disajikan
dalam laporan masih terbatas.
3. Belum lengkapnya proses manajemen SDM
dalam sistem ini, yaitu absensi, lembur, dan
penggajian.
4. Belum adanya kaitan antara penentuan jabatan
dengan departemen, sehingga pengguna
sistem tidak dapat mengetahui jumlah jabatan
kosong dalam suatu departemen dalam
periode tertentu.
5. KESIMPULAN
Adapun kesimpulan yang dapat ditarik dari
penelitian ini adalah:
1. Rancangan sistem usulan ini merupakan hasil
analisis terhadap permasalahan yang timbul
pada perusahaan distributor sepeda motor
serta identifikasi kebutuhan dan solusi dari
permasalahan yang timbul sehingga rancangan
sistem ini dapat mendukung perusahaan dalam
307
Seminar Nasional Informatika 2014
mengolah proses bisnis perusahaan dengan
baik.
2. Adanya fitur untuk mengelola data master
sehingga mengurangi perulangan penggunaan
kata yang memiliki makna sama.
3. Telah terdapat basis data untuk menyimpan
data. Dengan adanya basis data, sistem
informasi ini sangat membantu user dalam
pencarian data.
Daftar Pustaka
[1] Hasibuan, H. dan Malayu, S. P., 2001,
Manajemen Sumber Daya Manusia, Jakarta,
PT Bumi Aksara.
[2] Kendall, K. E. and Kendall, J. E., 2011,
Systems Analysis and Design, New Jersey,
Pearson Education.
308
[3] Paulus, Khrisbianto, A., dan Setiawan, E. B.,
2005, Sistem Informasi, Bandung, Penerbit
Informatika.
[4] Rachmawati, I. K., 2008, Manajemen Sumber
Daya Manusia, Yogyakarta, Penerbit Andi.
[5] Robins, S. P. dan Coulter, M., 2010,
Management, Jakarta, Penerbit Erlangga.
[6] Stoner, J. A. F., Freeman, R. E., and Gilbert,
D. R., 1995, Management, New Jersey,
Prentice Hall Inc.
[7] Yani, M., 2012, Manajemen Sumber Daya
Manusia, Jakarta, Mitra Wacana Media.
 Seminar Nasional Informatika 2014

PERANCANGAN WEB PORTAL PADA JARINGAN INTRANET

(STUDY KASUS : STMIK POTENSI UTAMA)
Fhery Agustin

Program Studi Sistem Informasi, STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No. 3A Tanjung Mulia-Medan
fhery@potensi-utama.ac.id

Abstrak

Teknologi jaringan telah menjadi standar bagi semua kalangan, baik industri maupun pendidikan. Begitu juga
dengan pemanfaatan sistem berbasis web juga telah menjadi standar dalam pemrograman berbasis jaringan.
Namun koneksi internet yang masih belum memadai dari sisi kecepatan telah menjadi kendala tersendiri
dalam implementasi pemrograman berbasis jaringan. Penelitian ini menghasilkan sebuah solusi dengan
perancangan web portal pada jaringan intranet sebagai pintu gerbang bagi subsistem-subsistem yang ada di
STMIK Potensi Utama. Polling awareness terhadap implementasinya juga menghasilkan angka yang cukup
baik yaitu 77,33% yang dilakukan terhadap 100 orang responden. Jadi sistem ini dapat dianggap berhasil
berdasarkan hasil polling tersebut dan implementasinya sejak tahun 2011.

Kata Kunci : Teknologi Jaringan, Web Portal, Intranet.

1. Pendahuluan Berkaitan dengan hal tersebut di atas, dapat

Sebagai kampus yang masih dalam tahap
perkembangan, STMIK Potensi Utama
membutuhkan banyak sistem informasi dalam
menunjang aktifitasnya sehari-hari. Sistem-sistem
tersebut tentunya diharapkan mampu
menghubungkan para penggunanya secara real
time dan bebas gangguan. Salah satu konsep
untuk menerapkan sistem tersebut adalah
pemrograman berbasis web.
Namun dalam hal ini, pemrograman berbasis
web selalu dihadapkan pada ketergantungan
sistem pada kestabilan jaringan internet yang
ternyata belum dapat diwujudkan sepenuhnya
oleh provider. Sehingga STMIK Potensi Utama
mencari solusi yang benar-benar handal dan
stabil.
Solusinya adalah dengan membangun web
portal pada jaringan intranet kampus. Hal ini
berdasarkan analisa bahwa ternyata STMIK
potensi Utama memiliki infrastruktur jaringan
intranet yang sangat baik serta menjangkau semua
bagian dan divisi. Bukan hanya itu, jaringan
intranet yang ada juga telah terintegrasi secara
wireless dengan menggunakan perangkat wifi dan
telah menjangkau seluruh area kampus.
Dengan memanfaatkan jaringan intranet yang
ada, maka sistem yang dibangun akan stabil dan
tidak tergantung kepada provider jasa layanan
internet. Lagipula sistem tersebut hanya
dibutuhkan di dalam area kampus saja, sehingga
tidak diperlukan jaringan internet. Web portal
tersebut juga berguna untuk menguji sistem
informasi yang masih dalam tahap pengembangan
bagi programmer.
didentifikasi bahwa STMIK Potensi Utama masih
membutuhkan banyak sistem informasi yang
berbasis jaringan dalam skala internal. Kemudian
jaringan internet yang disediakan oleh provider
ISP terkadang berjalan sangat lambat, sehingga
mengganggu aktifitas pengguna sistem.
Penelitian ini bertujuan untuk merancang
sebuah web server pada jaringan intranet sehingga
dapat memenuhi kebutuhan pengguna sistem
yang menginginkan agar sistem tersebut dapat
diakses dengan cepat secara real time serta tidak
bergantung kepada provider internet yang
cenderung lambat.
2. Tinjauan Pustaka
Berisi beberapa teori pendukung dan
penelitian rujukan yang akan menguatkan hasil
penelitian ini.
1. Web Portal
Web portal merupakan suatu ruang yang
dapat menampung informasi dalam jaringan
internet pada sebuah web browser, dengan
menggunakan kemampuan untuk mengolah kode-
kode tertentu secara umum yang dinamakan tag-
tag (delimeter) dan kemampuan untuk meloncat
(link) dari halaman satu ke halaman yang lainnya.
[1].
Jadi dapat dikatakan bahwa web portal
merupakan sebuah pintu gerbang untuk membuka
atau meloncat (link) ke bagian lain. Dalam hal ini
bukan hanya meloncat ke halaman lain, namun
juga ke website lain yang dituju.

309
Seminar Nasional Informatika 2014
2. Web Server
Untuk membangun sebuah web portal pada
sebuah jaringan intranet dibutuhkan aplikasi web
server. Terdapat beberapa pilihan aplikasi web
server yang dapat digunakan, tergantung kepada
basis pemrogramannya. Apabila sistem informasi
yang akan dibangun berbasis PHP dan Mysql
maka sebaiknya web server yang digunakan
adalah Apache. Selain aplikasi ini bersifat
opensource yang artinya gratis, Apache juga
dapat diandalkan. [2]
Apache bersifat opensource, namun
dibutuhkan pengetahuan khusus untuk melakukan
instalasinya. Maka untuk itu, banyak programmer
yang menggunakan paket instalasi dari pihak
ketiga seperti : Appserv, Xampp, dan lain-lain.
Gambar 1. Website Penyedia Appserv
(www.appserv.net)
Website appserv menyediakan paket
download untuk instalasi Apache beserta aplikasi
pendukung lainnya. Sebaiknya memilih paket
instalasi yang sudah tidak berstatus alpha maupun
beta untuk di-dowonload, sehingga hasil instalasi
web server akan stabil untuk digunakan.
Gambar 2. Website Penyedia Xampp
(www.apachefriends.org)
Xampp memiliki fasilitas yang lebih
kompleks dibandingkan Appserv, serta memiliki
paket instalasi lintas platform sepeti untuk
Windows, Linux, dan Apple. Selain itu Xampp
juga menyediakan Add-ons yang cukup melimpah
310
sehingga dapat langsung diujicoba setelah
dilakukan instalasi.
Gambar 3. Add-ons yang disediakan oleh
Xampp
Add-ons tersebut sangat berguna untuk
membangun aplikasi-aplikasi dengan spesialisai
khusus, seperti Wordpress, Joomla, Moodle, dan
lain-lain. Add-ons tersebut dapat di-download
secara gratis.
3. Jenis-Jenis Jaringan
Beberapa jenis jaringan yang dapat
diklasifikasikan berdasarkan karakteristikya,
termasuk berdasarkan jarak antar komputer yang
saling terhubung, yaitu : [3]
1. Local Area Network (LAN)
Umumnya jaringan LAN hanya dapat
mengakomodir area seluas 1 km persegi,
seperti kampus, perkantoran, warnet, dll.
2. Metropolitan Area Network (MAN)
Menghubungkan beberapa jaringan kecil ke
jaringan yang lebih besar, misalnya beberapa
kantor cabang ke kantor pusat dalam satu kota
3. Wide Area Network (WAN)
Merupakan jaringan yang lebih luas lintas kota
atau bahkan propinsi.
4. Internet
Merupakan jaringan global atau dunia yang
tidak memungkinkan lagi dengan sambungan
kabel.
4. Jaringan Intranet
Sebenarnya jaringan intranet hanya
merupakan istilah bagi jaringan lokal yang
dibangun berdasarkan teknologi internet dengan
memanfaatkan protocol TCP/IP. Dimana konsep
pembangunan jaringan ini diperuntukkan bagi
sistem lokal yang lebih aman, sehingga berbagai
sumber daya di dalamnya hanya dapat diakses
dari dalam. Tujuaannya adalah sistem yang lebih
cepat, lebih aman, dan lebih hemat tentunya.
 Seminar Nasional Informatika 2014

4. Metode Penelitian

Penelitian ini menggunakan konsep

kualitatif dengan pelaksanaan tahapan penelitian
sebagai berikut :

Analisis Kebutuhan Sistem

Perancangan Sistem

Perancangan Interface
Gambar 4. Skema Jaringan Intranet
Ujicoba
Mapping jaringan intranet tersebut
menunjukkan bahwa terdapat Network Server Gambar 5. Tahapan Penelitian
yang berada pada jaringan. Server tersebut
tentunya dapat dimanfatkan sebagai sumber daya
internal untuk menyediakan sebuah web server. 5. Hasil dan Analisa
3. Penelitian Rujukan Sesuai dengan tahapan penelitian, maka
Terdapat beberapa penelitian rujukan yang langkah selanjutnya dalam penelitian ini adalah
berkaitan dengan penelitian ini. Adapun sebagai berikut :
penelitian-penelitian tersebut, antara lain :
1. Analisis Kebutuhan Sistem
1. Makalah Mukhamad Nurkamid yang
berjudul “Analisa Keefektifan Jaringan i. Mempersiapkan sebuah komputer dengan
Local Area Network (Intranet) Universitas spesifikasi yang cukup tinggi yang akan
Muria Kudus”. Makalah ini membahas digunakan sebagai web server. Minimal
mengenai konsep pembangunan jaringan dan menggunakan processor Core i3 dengan
ujicoba berbagai perangkat pendukung. Hasil RAM 2 GB.
penelitian ini menunjukkan hasil yang ii. Menyediakan sebuah UPS sebagai backup
efektif, meskipun dalam beberapa kondisi power apabila terjadi pemutusan listrik
masih terjadi peningkatan time line. Namun dari PLN.
pengingkatan tersebut masih dikatakan cukup iii. Melakukan instalasi web server, dalam
wajar mengingat bertambanya jumlah user hal ini yang digunakan adalah paket
dan perangkat yang terhubung ke sistem instalasi dari Xampp.
jaringan.[4]
2. Makalah Muhammad Arya Priasatama Putra,
Dahlan Susilo, dan Agus Purwo Handoko
yang berjudul “Perancangan Intranet
Untuk Pembelajaran Di Universitas Sahid
Surakarta Menggunakan Open Source
Software (Studi Kasus: File Server
Universitas Sahid Surakarta)”. Makalah ini
membahas pembangunan jaringan intranet
pada Universitas Sahid Surakarta dengan
menggunakan topologi star pada Sistem
Operasi Linux. Kemudian untuk
mempermudah pengeloaan server digunakan
Samba Tools. [5]
Gambar 6. Instalasi Xampp
3. Makalah Fahrul Agus, Addy Suyatno, dan
Supianto yang berjudul “Optimalisasi
Instalasi web server sebaiknya dilakukan
Manajemen Bandwidth Pada Jaringan
di drive D, agar apabila terjadi kerusakan sistem
Intranet Universitas Mulawarman”.
dan membutuhkan instalasi ulang sistem operasi
Makalah ini membahas bentuk topologi baru
maka data Anda akan tetap aman.
yang terbukti efektif untuk mengoptimalisasi
bandwidt pada jaringan intranet.[6]

311
Seminar Nasional Informatika 2014

Tampilan interface web portal sengaja

dirancang sangat sederhana agar lebih mudah
dipahamiserta lebih cepat diakses tanpa loading
time yang berarti.

Gambar 7. Hasil Instalasi Xampp

Setelah Xampp berhasil di-instalasi, maka

akan ditampilkan sebuah alaman website sistem
yang berfungsi sebagai kontrol terhadap aplikasi
web server.
2. Perancangan Sistem
Gambar 10. Interface Subsistem KRS Online
Di dalam web portal juga terdapat sistem
pengisian KRS Online versi yang pertama dengan
konsep yang sangat sederhana.

Web portal yang akan dirancang

ditunjukkan seperti pada gambar Use Case
Diagram berikut :

WEB PORTAL
STMIK POTENSI UTAMA

Feature Link

Download
Link
Staff Mahasiswa Gambar 11. Interface Subsistem Otomasi
Perpustakaan
Selected Site

Di dalam web portal juga terdapat

subsistem otomasi perpustakaan yang dibangun
Gambar 8. UseCase Diagram Web Portal dengan menggunakan Senayan Library
Management System.
Use case diagram di atas menunjukkan
web portal STMIK Potensi Utama sebagai pintu
gerbang dari beberapa sub sistem lainnya. Web
Portal tersebut dapat diakses oleh Staf dan
Mahasiswa, namun untuk untuk sub sistem
lainnya memiliki login khusus.

3. Perancangan Interface

Langkah selanjutnya adalah perancangan

interface untuk masing-masing sub sistem yang
dibutuhkan, yaitu :
Gambar 12. Interface Subsistem Pengajuan
Judul TA & Skripsi

Sub sistem pengajuan judul berfungsi

metode pencegahan terhadap plagiarisme
penyusunan TA & Skripsi.

4. Ujicoba

Selain subsistem-subsistem di atas, masih

terdapat Link untuk download materi-materi
Gambar 9. Interface Web Portal Main Page
panduan proposal, tugas akhir, dan skripsi.

312
 Seminar Nasional Informatika 2014

Tentunya web portal adalah sebuah pintu gerbang 2. Diperlukan sistem backup power
untuk menuju subsistem-subsistem yang ada di menggunakan UPS dengan kapasitas yang
STMIK Potensi Utama. lebih besar untuk mengatasi pemadaman
listrik sehingga web portal dapat selalu
Kemudian untuk menguji tingkat diakses.
awareness terhadap fungsi web portal di STMIK 3. Perlu dikembangkan lagi interface web
Potensi Utama, maka dilakukan polling terhadap portal yang lebih dinamis agar lebih
mahasiswa, staff, dan dosen setelah sistem ini interaktif.
diimplementasikan sejak tahun 2011. Polling
tersebut melibatkan 100 orang responden yang Daftar Pustaka
terdiri dari unsur mahasiswa, staff, dan dosen.

Tabel 1. Hasil Polling Awareness Terhadap [1] Adelin dan Fatmariani, 2012. Web Portal
Ujicoba Fungsi Web Portal Jurnal Ilmiah Online Kopertis Wilayah II
Palembang. Jurnal teknologi dan
No. Pertanyaan Ya Tidak Informatika (Teknomatika) Vol. 2 No. 2 Mei
1 Apakah anda merasakan 2012, STMIK PalComTech, Palembang.
manfaat keberadaan web 83 17 [2] Andi Wahju Rahardjo Emanuel, 2006.
portal ? Instalasi Apache Web Server, MySQL
2 Apakah web portal dapat Database, dan PHP pada Sistem Operasi
62 58 Fedora Core 5. Jurnal Informatika Vol. 2
diakses setiap waktu ?
3 Apakah web portal dapat No. 3 Juni 2006, Universitas Kristen
diakses secara real time Maranata, Bandung.
87 13 [3] Muhammad Ikhsan dan Yunita Syahfitri,
tanpa waktu tunggu yang
berarti ? 2009. Memahami Jaringan Komputer
Untuk Membangun Local Area Network
Berdasarkan hasil polling di atas, apabila (LAN). Jurnal Sanitikom Vol 7 No. 2
dirata-ratakan maka terdapat 77,33 % responden Agustus 2009, STMIK Triguna Dharma,
yang telah memiliki awarness terhadap manfaat Medan.
web portal. Jadi berdasarkan hasil tersebut maka [4] Mukhamad Nur, 2011. Analisa Keefektifan
keberadaan web portal dapat dianggap telah Jaringan Local Area Network (Intranet)
memenuhi kebutuhan para pengguna sistem di Universitas Muria Kudus. Jurnal Sanins
STMIK Potensi Utama. dan Teknologi Vol. 4 No. 2 Desember 2011,
Universitas Muria Kudus, Jawa Tengah.
6. Kesimpulan dan Saran [5] Muhammad Arya Priasatama Putra, Dahlan
Susilo, dan Agus Purwo Handoko, 2011.
Adapun kesimpulan yang dihasilkan dalam Perancangan Intranet Untuk
penelitian ini antara lain, yaitu : Pembelajaran Di Universitas Sahid
1. Web portal yang dirancang merupakan pintu Surakarta Menggunakan Open Source
gerbang untuk mengakses subsistem- Software (Studi Kasus: File Server
subsistem lainnya yang ada di STMIK Universitas Sahid Surakarta). Jurnal
Potensi Utama. Gaung Informatika Vol. 4 No. 1, Universitas
2. Tingkat awarness pengguna sistem Sahid Surakarta, Jawa Tengah.
mencapai 77,33 % dari polling yang [6] Fahrul Agus, Addy Suyatno, dan Supianto,
dilakukan terhadap terhadap 100 orang 2010. Optimalisasi Manajemen
responden. Bandwidth Pada Jaringan Intranet
3. Sistem ini telah digunakan di STMIK Universitas Mulawarman. Jurnal
Potensi Utama dari tahun 2011. Informatika Mulawarman Vol. 1 No. 1
Februari 2010, Program Studi Ilmu
Adapun saran untuk pengembangan Komputer Universitas Mulawarman,
penelitian ini di masa yang akan datang adalah : Samarinda.
1. Perlu dipertimbangkan penggunaan
processor sekelas Intel Xeon untuk komputer
server.

313
Seminar Nasional Informatika 2014

ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI

PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN
METODE ROUGH SET PADA CV SAMA SENANG
Helmi Kurniawan

Jurusan Teknik Informatika, STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
Email : helmikurniawan77@gmail.com

Abstrak

CV Sama Senang adalah sebuah usaha dagang yang bergerak pada penjualan kebutuhan bahan pokok baik
dikota medan dan diluar kota Medan. Dengan banyaknya permintaan kebutuhan bahan pokok didalam dan
diluar kota CV Sama Senang memiliki kesulitan dalam pendistribusian penjualan kebutuhan bahan pokok
untuk memenuhi kebutuhan pasar. Sulitnya memprediksi kebutuhan pasar, serta persaingan bisnis yang
semakin ketat, merupakan kendala yang dihadapi CV Sama Senang sehingga manajemen harus dapat
mengambil keputusan yang tepat dan cepat guna memberikan pelayanan yang baik serta kepuasan kepada
konsumen maupun menjaga konsistensi permintaan kebutuhan bahan pokok di pasar. Keputusan yang
diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki, terutama yang berkaitan
erat dengan sistem distribusi. Dalam mengatasi masalah tersebut, salah satu solusi yang dapat digunakan
adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian penjualan kebutuhan bahan
pokok. Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka
dibutuhkan metode analisis data yang tepat. Adapun metode yang digunakan dalam pengambilan keputusan
adalah Metode Rough Set. Metode Rough Set menawarkan dua bentuk representasi data yaitu Information
Systems (IS) dan Decision Systems (DS). Adapun perangkat lunak (Software) yang menerapkan Metode
Rough Set ini adalah Rosetta. Hasil penelitian yang diperoleh berupa informasi perkiraan permintaan
kebutuhan bahan pokok pada periode yang akan datang dan menjadi informasi keputusan manajemen dalam
pendistribusian penjualan kebutuhan bahan pokok.

Kata Kunci : Sistem Penunjang Keputusan, Data Mining, Metode Rough Set

Pendahuluan Produk-produk dan jasa-jasa akan banyak

Masalah distribusi seringkali masih
menjadi kendala terbesar terutama bagi
perusahaan yang memproduksi secara massal.
Semakin luas wilayah pemasaran, semakin
banyak pula kendala yang dihadapi sehingga
perlu pembagian wilayah pemasaran pada setiap
era dengan penempatan distributor.
CV Sama Senang, sebagai salah satu
perusahaan distribusi yang bergerak dalam
distribusi penjualan kebutuhan bahan pokok yang
sedang berkembang, juga memerlukan satu sistem
distribusi yang baik untuk menjaga ketersediaan
produknya di pasar, disamping juga untuk dapat
memenuhi dan mengembangkan pasar yang telah
ada. Untuk itu peramalan distribusi yang baik
dengan menggunakan data-data yang telah ada di
masa lalu untuk memprediksi kebutuhan distribusi
dimasa yang akan datang sangat diperlukan oleh
perusahaan ini.
Sistem distribusi produk pada CV Sama
Senang dihadapkan pada beberapa masalah yang
berhubungan dengan besar produk yang harus
didistribusikan pada wilayah-wilayah. Pada
umumnya, kemacetan dalam mendistribusikan
menimbulkan kesulitaan baik dipihak konsumen
maupun produsen. Kesulitan yang akan terjadi di
pihak produsen meliputi terganggunya
penerimaan penjualan sehingga target penjualan
yang telah di tentukan tidak dapat terpenuhi. Hal
ini akan menyebabkan arus pendapatan yang
dibutuhkan oleh perusahaan untuk
melangsungkan kontinuitasnya tidak dapat
diharapkan. Sedangkan kesulitan yang akan
timbul di pihak konsumen akan menyebabkan
tendensi harga yang meningkat. Tendensi harga
yang meningkat terjadi akibat berkurangnya
Produk yang ditawarkan di pasar. Oleh karena itu
sangatlah tepat apabila perusahaan memahami
kebijaksanaan distribusi terutama yang
menyangkut pemilihan saluran distribusi dan
penentuan distribusi fisik.
Dalam menganalisa hal tersebut di atas,
salah satu solusi yang dapat digunakan adalah
data mining mengenai kriteria - kriteria tertentu di
dalam pendistribusian produk. . Data mining
tersebut akan menjadi tolak ukur ataupun acuan
untuk mengambil keputusan. Pengolahan data
mining dapat dilakukan dengan beberapa teknik

314

diantaranya adalah Metode Rough Set, Fuzzy,
Algoritma Apriori dan lain - lain.
Metode Rough Set salah satu dari metode di
atas yang memungkinkan untuk mengambil
keputusan dalam pendistribusian penjualan
kebutuhan bahan pokok karena di dalam metode
ini ada rumusan atau tahapan-tahapan pemecahan
masalah dan adanya sebuah Result (keputusan)
dari kombinasi yang mungkin terjadi dari kriteria-
kriteria diatas. Dari Result (keputusan) yang
berasal dari hasil olahan data mining tersebut,
dapat di jadikan sebagai acuan pengambilan
keputusan. Berdasarkan permasalah tersebut
penulis melakukan penelitian yang berkaitan
dengan sistem pengambilan keputusan untuk
distribusi penjualan kebutuhan pokok dengan
menggunakan metode Rough Set.
Metode Penelitian
Tahapan dalam metode penelitian ini dapat
dimodelkan pada diagram alir berikut ini:
Gambar 1. Diagram Alir Distribusi dengan
Metode Rought set
Tinjauan Pustaka
Data Mining (DM)
Kemajuan Data Mining merupakan salah
satu teknik yang dapat digunakan karena telah
menggabungkan teknik klasik dengan algoritma
yang canggih seperti teknik Artificial Intelligence
untuk memproses data dalam skala besar . Data
mining adalah proses pengolahan informasi dari
sebuah database yang besar, meliputi proses
ekstraksi, pengenalan, komprehensif, dan
penyajian informasi sehingga dapat digunakan
dalam pengambilan keputusan bisnis yang
krusial”.[1][3][6]
Teori Rough Set
Teori ini memberikan pendekatan
matematika baru untuk permasalahan dengan
tingkat ketidakpastian yang tinggi. Teori ini
menjadi dasar penting untuk kecerdasan buatan,
pembelajaran mesin, perolehan informasi, analisis
keputusan, data mining, sistem pakar, hingga
pengenalan pola. Kelebihan teori ini adalah tidak
diperlukannya preliminary dan juga informasi
tambahan mengenai data dalam melakukan
analisis suatu data. Tujuan dari analisis Rough Set
adalah untuk mendapatkan perkiraan rule yang
Seminar Nasional Informatika 2014
singkat dari suatu tabel. Hasil dari analis Rough
Set dapat digunakan dalam proses data mining
dan knowledge discovery. Teknik ini digunakan
untuk menangani masalah uncertainly, missing
data, uncompleted, inconsistency data,
imprecision, dan vagueness (tidak pasti, data
hilang, tidak lengkap, tidak selaras,
ketidaktepatan, ketidakjelasan).[2][3][4][5]
Perancangan
Berdasarkan hasil pengamatan langsung
pada CV Sama Senang, sistem yang sedang
berjalan pada saat ini masih dilakukan manual,
yaitu pencatatan pada buku untuk pemesanan dari
suppliers dan penjualan kebutuhan bahan Pokok
dari konsumen, proses pendistribusian juga
dilakukan atas kerjasama dan kepercayaan antara
ke dua belah pihak. Oleh karena itu sangatlah
tepat apabila perusahaan memahami
kebijaksanaan distribusi terutama yang
menyangkut pemilihan saluran distribusi dan
penentuan distribusi fisik.
Rancangan Umum Dalam Pendistribusian
Arsitektur dari sistem pendukung keputusan
dalam analisis data Pendistribusian CV. Sama
Senang terdiri dari rancangan umum dan
komponen-komponennya. Dalam bagian ini,
diasumsikan database berisi dari data yang tidak
lengkap (incomplete data) untuk mendapatkan
keputusan (decision) yang tepat dan akurat, data
yang tidak lengkap diproses untuk mendapatkan
data lengkap dengan menggunakan metode data
cleaning, seperti teknik remove incomplete data.
Selanjutnya data lengkap tersebut
ditransformasikan dengan menggunakan metode
data transformation. Dari hasil data transformasi
dilakukan proses pencarian knowledge / rules
dengan cara generating rules sehingga
menghasilkan keputusan (decision) yang lebih
singkat dan mudah dipahami. rancangan
umumnya dapat dilihat pada gambar 1.
Gambar 2. Rancangan Umum Pendistribusian
Produk dengan Metode Rough set
315
Seminar Nasional Informatika 2014
Use Case Diagram
Use Case system pengambil keputusan
dapat dilihat dalam gambar 2.
user
Gambar 3. Use Case Sistem Pengambil
Keputusan
Dari Use Case di atas terlihat user dalam
pembentukan sistem pendukung keputusannya,
dan hasil laporan yang diperoleh dari analisa
sistem tersebut
Gambar 4. Use Case Diagram Proses
Pengambil Keputusan
Analisa Metode Yang Digunakan
Information System
Dalam Rough Set, sebuah set data
direpresentasikan sebagai sebuah tabel, dimana
baris dalam tabel merepresentasikan objek dan
kolom-kolom merepresentasikan atribut dari
objek-objek tersebut. Tabel tersebut disebut
dengan information system yang dapat
digambarkan sebagai:
S = (U,A)…… ……………..[1]
Dimana U adalah set terhingga yang tidak
kosong dari objek yang disebut dengan universe
dan A set terhingga tidak m kosong dari atribut
dimana:
a : U  Va)……………….. [2]
Untuk tiap a € A. SetVa disebut value set dari a.
information system dalam penelitian ini dapat
ditunjukkan dalam tabel 1.
Tabel 1. Laporan Distribusi Barang per Kota
316
Pada Tabel tersebut yang merupakan U
adalah {nama Barang} yang merupakan produk
yang akan didistribusikan kebeberapa wilayah
Sedangkan A adalah {Medan, Langkat, Brastagi,
Tebing Tinggi} yang merupakan faktor atau
kriteria yang menentukan tinggi rendahnya
pendistribusian produk tersebut Dalam
Penggunaan Information System, terdapat
outcome dari klasifikasi yang telah diketahui yang
disebut dengan atribut keputusan. Information
system tersebut disebut dengan Decision System.
Decision System dapat digambarkan pada tabel 2
berikut:
Tabel 2. Laporan Distribusi Barang per Kota
Pada tabel 2. tersebut, atribut A mengalami
perluasan atribut, yaitu Keterangan (Ket) yang
merupakan atribut keputusan dari Decision
System.
Keterangan : 200 – 400 : Turun
401– 600 : Naik
Indescernibility Relation
Dalam decision system, sebuah objek
dapat memiliki nilai yang sama untuk sebuah
atribut kondisionalnya. Contohnya Beras, Telur
memiliki nilai atribut distribusi pada kota Langkat
yang sama, yaitu “80”. Hubungan tersebut
disebut dengan indiscernible (tidak dapat
dipisah).
Misalkan S = (U,A) adalah Information
System, dan B  A. Maka Sebuah indiscrenibility
relation objek-objek menurut atribut B yang
dilambangkan dengan INDs (B), dapat
didefenisikan sebagai:
INDs (B) ={( x,x’) ∈ U2 | ∀ a ∈ B a (x) = a (x’)}.
[3]
 disebut sebagai B- Indescernibility relation,
INDs (B) merupakan Equivalent Relation. Jika (
x,x’) ∈ INDs (B) maka objek x dan x’ adalah
objek yang tidak dapat dibedakan (indiscernible)
satu sama lain oleh atribut B. kelas-kelas yang
equivalent dengan B- Indescernibility relation
dinotasikan dengan [x]B dan disebut dengan
equivalent class.
Berdasarkan tabel 2 maka didapatkan
indiscernibility Relation sebagai berikut:
IND A (Medan)
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}

={{178},{80},{120},{140},{300},{70},{134}}
IND B (Langkat)
={{B1,B5}{B2},{B3},{B4,B6},{B7}}
={{80,80},{60},{90},{60,60},{160}}
IND C ()
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
={{240},{106},{80},{100},{70},{156},{100}}
IND D (Berastagi)
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
={{60},{76},{160},{130},{100},{110},{70}
IND ABCD
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
Pengolahan Data Dengan Teknik Data
Transformation
Data telah didapat akan disederhanakan
dengan menggunakan teknik data transformasi
berdasarkan Algoritma Fungsi Interval .Sesuai
dengan Algoritma Fungsi Interval, maka untuk
masing-masing variabel ditentukan nilai terbesar,
nilai terkecil dan range nilai, jumlah kelas dan
nilai intervalnya. Dari hasil yang diperoleh
tersebut maka dilakukan proses
Transformasi untuk data lengkap, seperti berikut:
1. Untuk Kota Medan
a. Nilai terbesar (Xmax)= 300
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 300 - 70 = 230
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 230/1.52 = 152
Transfomasi Data [Xmin +Int] :
Range antara 70 – 222 ditransformasikan
menjadi angka = 1
Range antara 224 – 374 ditransformasikan
menjadi angka = 2
2. Untuk Kota Langkat :
a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil(Xmin) = 60
c. Range Nilai (Xrange )= 160– 60 =100
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 100/1.52 = 64
Transfomasi Data [Xmin +Int] :
Range antara 30 – 94 ditransformasikan
menjadi angka = 1
Range antara 96 – 160 ditransformasikan
menjadi angka = 2
3. Untuk Kota Berastagi :
a. Nilai terbesar (Xmax)= 240
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 240 – 70 = 170
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int) = 170/1.52 = 112
Transfomasi Data [Xmin +Int] :
Range antara 70 – 182 ditransformasikan
menjadi angka = 1
Seminar Nasional Informatika 2014
Range antara 184– 256 ditransformasikan
menjadi angka = 2
4. Untuk Nilai Tebing Tinggi :
a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil (Xmin) =60
c. Range Nilai (Xrange )= 160 – 60 = 100
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int) = 100/1.52 =64
Transfomasi Data [Xmin +Int] :
Range antara 60 – 124 ditransformasikan
menjadi angka = 1
Range antara 126– 190 ditransformasikan
menjadi angka = 2
Berdasarkan pengolahan data transformasi diatas,
maka didapat hasil data transformasinya seperti
pada tabel 3.
Tabel 3. Data Dengan Teknik Data
Transformation
Data
Generating Rules
Berdasarkan data hasil transformasi yang
telah didapatkan, maka data-data tersebut akan
diolah sehingga menghasilkan suatu rules /
knowledge yang dapat dipahami untuk
pengambilan suatu keputusan. Dari data
transformasi yang didapat pada tabel 4.3 maka
dapat dilakukan proses pencarian knowledge
seperti langkah-langkah ini :
1. Discernibility Matrix
Dalam Discernibility Matrix maka variabel-
variabel kondisi yang terdiri dari Medan,
Binjai, Siantar, Kisaran
Dan Variabel keputusan terdiri dari :
Naik = 1
Turun= 2
Kemudian masing-masing nama dikelompokkan
dalam bentuk Equivalence Class disederhanakan
namanya menjadi EC1, EC2, EC3, EC4, EC5,
EC6 dan EC7, sehingga hasilnya dapat dilihat
seperti pada tabel 4.
Tabel 4. Data Transformation Yang
Disederhanakan
317
Seminar Nasional Informatika 2014

Dari hasil data transformasi yang telah EC4 = (D)^(D)

disederhanakan pada tabel 5 kemudian EC5 = (A)^(AvD)^(A)
dibandingkan data-data yang terdapat dalam EC6 = (BvC)^(D)^(A)
masing-masing Equivalence Class. Dalam proses EC7 = (D)
perbandingan ini, yang diperhatikan hanya
variabel-variabel kondisinya saja, tanpa Tabel 7. Reduct
memperhatikan variabel keputusan, dan yang
dibandingkan adalah antara data-data pada
variabel kondisi yang sama. Dari proses
perbandingan ini dihasilkan tabel Discernibility
Matrix seperti tabel 5.

Tabel 5. Discernibility Matrix

Dari hasil reduct yang diperoleh maka didapatkan

suatu rules / knowledge. Seperti contoh di atas,
rules yang didapatnya adalah :
Rules :
D1  E1, B1,C1E2, D1A2 E2, D2,A1  E2
2. Discernibility Matrix Modulo D D2 E2, A2,D1  E1, B1,C1  E2, D1,A1  E2
Dari hasil pengolahan data dengan cara D1  E 1
Discernibility Matrix sesuai tabel.6, maka EC1 : If D =1 Then E=1
selanjutnya data diolah dengan cara Discernibility If TebingTinggi = 60 Then Keputusan = Naik
Matrix Modulo D, dalam pengolahan dengan cara EC2 : If B =1, C=1 Then E=2, D=1, A=1 Then
ini variabel kondisi dan keputusannya harus E=2 If Langkat = 130 & Berastagi = 106 Then
dibandingkan. Sehingga jika variabel keputusan Keputusan = Turun
juga dibandingkan maka hasilnya menjadi seperti If TebingTinggi = 76 & Medan = 80 Then
pada tabel 6. Keputusan = Turun
EC3 : If D=2, A=1 Then E= 2
Tabel 6. Discernibility Matrix Module D If TebingTinggi =160 & Medan =120 Then
E EC Keputusan = Turun
EC EC EC
EC2 C EC6 7 EC4 : If D=2 Then E = 2 :
1 3 5
4 If TebingTinggi = 130 Then Keputusan =
EC1 - BC D - - BC - Turun
EC2 BC - - D A - - EC5 : If A=2 , D=1 Then E=1
EC3 D - - - AD - D If Medan= 150, TebingTinggi =100 Then
EC4 - D - - - D - Keputusan=Naik
EC5 - A AD - - A - EC6 : If B =1, C=1 Then E=2, D=1, A=1 Then
EC6 BC - - D A - - E=2 :
EC7 - - D - - - - If Lankat =60 & Berastagi = 156 Then
Keputusan =Turun
Keterangan : Jika nilai decision Atribut sama = If TebingTinggi= 110 & Medan =70 Then
kosong decision Atribut berbeda = terisi Keputusan = Turun
EC7 : If D=1 Then E=1
3. Reduction If TebingTinggi = 70 Then Keputusan = Naik
Reduct adalah himpunan dari atribut yang dapat
menghasilkan klasifikasi sama seperti jika semua Pengujian Metode Rough Set
atribut digunakan. Sedangkan atribut yang bukan Untuk menguji kebenaran dari hasil
reduct adalah atribut yang tidak berguna dalam pengolahan data yang dikerjakan secara manual
proses klasifikasi. tersebut dapat digunakan salah satu software
Pada proses Reduct ini dilakukan proses aplikasi Rough Set, yaitu Rosetta. Hasil pengujian
penyeleksian variabel minimal dari sekumpulan dapat terlihat pada gambar
variabel kondisi dengan cara Prime Implicant
fungsi Boolean, dengan cara berikut ini :
EC1 = (BvC)^(D)^(BvC)
EC2 = (BvC)^(D)^(A)
EC3 = (D)^(A)^(D)^(D)

318
 Seminar Nasional Informatika 2014

keputusan untuk pengalokasian produk pada

setiap lokasi.

DAFTAR PUSTAKA

[1] D,Suryadi, (2001) Pengantar Data Mining,

Andi, Yogyakarta
[2] K. Thangavel and Q. Shen (2006),
“Application of Clustering for Feature
Selection Based on Rough Set Theory
Approach”, AIML Journal, 19-27
[3] Li, T, Ruan, D Geert, W, Song, W, & Xu,Y.
(2007). A rough set based characteristic
relation approach for dynamic attribute
Gambar 5. Hasil Proses Generating Rules
generalization in data mining,
Knowledge Based System 20 (2007) 485-
Dari hasil data lengkap, Reduct, dan
494
Rules yang didapat, terbukti hasilnya sesuai
[4] Marcin, Kierczak. (2009). Rosetta a rough
dengan hasil perhitungan secara manual
set toolkit for analysis of data.
http://www.lcb.uu.se/tools/rosetta/. April 21
4. Kesimpulan
Atas analisis dan pembahasan yang 2012
[5] Suraj, Z. (2004). An Introduction to Rough
dilakukan pada sistem pendukung keputusan,
Set Theory and It’s Applications.
maka dapat diambil kesimpulan sebagai berikut:
ICENCO’2004, December 27-30, 2004,
1. Sistem pengambilan keputusan dengan metode
[6] Susanto. (2010). Pengantar Data Mining.
rough set dapat membantu distribusi
Penjualan kebutuhan bahan Pokok pada CV. Informatika. Jakarta
[7] Therling K. (2006).“ An Introduction to
Sama Senang untuk memenuhi kebutuhan
DataMining: Discovering hidden value in
pasar.
your data warehouse”, www.thearling.com,
2. Penggunaan metode rough set sangat
diakses tanggal 21 Mei 2013.
membantu dalam memperkirakan kebutuhan
produk yang harus dipenuhi oleh perusahaan
dalam periode yang akan datang.
3. Penggunaan aplikasi Data Mining Seperti
Rosetta dapat membantu dalam pengambilan

319
Seminar Nasional Informatika 2014

PERANCANGAN NAVIGASI ROBOT BERBASIS SUARA

MENGGUNAKAN ANDROID
Iwan Fitrianto Rahmad, Vidi Agung Fragastia

Teknik Informatika Komputer STMIK Potensi Utama

STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No.3A Tanjung Mulia Medan, Sumatera Utara
iwanfitrah@yahoo.com, vidiagoeng@gmail.com

Abstrak

Saat ini, pengembangan teknologi memotivasi manusia untuk berpikir kreatif, tidak hanya mencoba lebih
atas penemuan baru, tetapi juga mengoptimalkan kinerja teknologi sebelumnya. Berdasarkan uraian di atas,
penelitian ini akan membahas bagaimana mengontrol navigasi robot menggunakan teknologi mikrokontroler,
smartphone Android, bluetooth, dan pengenalan suara. Sistem yang dimaksud adalah sistem yang dapat
mengontrol navigasi robot secara nirkabel menggunakan smartphone Android. Tujuan dari penelitian ini
adalah untuk mengoptimalkan fungsi smartphone Android yang dapat digunakan sebagai pusat kendali,
mengambil keuntungan dari pengenalan suara yang ada pada smartphone Android yang memungkinkan
pengguna untuk melakukan perintah melalui input suara, dan memudahkan pengguna mengendalikan dan
memantau robot via smartphone menggunakan umpan balik dari mikrokontroler. Berdasarkan hal ini, metode
penelitian yang dilakukan pada tiga hal, khususnya: desain antarmuka hardware, desain program pada
perangkat keras, dan desain program pada Android. Komunikasi antara smartphone Android dengan
mikrokontroler dapat dilakukan tanpa kabel menggunakan bluetooth. Untuk sistem mikrokontroler dapat
dikontrol oleh smartphone Android, bisa dilakukan dengan mengirimkan kode karakter ASCII untuk diterima
dan diterjemahkan oleh mikrokontroler. Untuk memberikan umpan balik, sistem mikrokontroler harus dapat
menerima masukan dari output sendiri. Ada fitur pengenalan suara pada smartphone Android dapat
digunakan untuk mengontrol robot menggunakan perintah suara. Hal ini dapat dilakukan dengan memulai
spektrum perintah dalam suara string menjadi kode karakter ASCII yang telah diakui oleh mikrokontroler.

Kata kunci : Android, Arduino, Bluetooth, Mikrokontroler, Navigasi, Robot, Suara

1. Pendahuluan saluran data sehingga dapat bekerja dan mampu

Berkembangnya teknologi terutama pada
bidang komunikasi menyebabkan penggunaannya
menjadi kebutuhan pokok. Teknologi yang
banyak beredar di pasaran, salah satunya android.
Pengunaan smartphone terutama yang berbasis
sistem operasi android masih tergolong baru di
Indonesia. Kebanyakan dari pemakai smartphone
android hanya sebagai pengguna saja, tidak
melakukan pengembangan ataupun
memaksimalkan penggunaannya, secara
hardware ataupun penggunaan software
(aplikasi). Sehingga smartphone android lebih
banyak lagi kegunaannya salah satunya adalahnya
sebagai sistem navigasi robot menggunakan
suara. Robot yang dibahas berupa robot mobil.
Penulis disini mencoba untuk
memaksimalkan penggunaan smartphone android
dan menggabungkannya dengan teknologi
mikrokontroler (arduino). Melalui komunikasi
bluetooth, smartphone android dapat
mengirimkan perintah suara dan berkomunikasi
dengan mikokontroler dalam bentuk pengendalian
robot yang menyerupai mobil. Dimana di
dalamnya telah terdapat RAM, ROM atau
EPROM, timer, oscilator, ADC, buffer I/O port ,
melakukan koneksi antar perangkat
mikrokontroler (arduino) dengan smartphone
android melalui Bluetooth dan menganalisanya.
2. Dasar Teori
Smartphone Android
Menurut Nazrudin Safaat H (2011:1,
“Android adalah sebuah sistem operasi untuk
perangkat mobile berbasis linux yang mencakup
sistem operasi, middleware, dan aplikasi.”.
Android adalah sistem operasi untuk telepon
seluler yang berbasis Linux. Android
menyediakan platform terbuka bagi para
pengembang untuk membuat aplikasi mereka
sendiri. Pada awalnya dikembangkan oleh
Android Inc, sebuah perusahaan pendatang baru
yang membuat perangkat lunak untuk ponsel yang
kemudian dibeli oleh Google Inc. Untuk
pengembangannya, dibentuklah Open Handset
Alliance (OHA), konsorsium dari 34 perusahaan
perangkat keras, perangkat lunak, dan
telekomunikasi termasuk Google, HTC, Intel,
Motorola, Qualcomm, T-Mobile, dan Nvidia.[1]

320

Gambar 1. Smartphone Android
Module Bluetooth
Bluetooth adalah sebuah teknologi antarmuka
radio yang beroperasi dalam pita frekuensi 2,4
Ghz unlincensed ISM (Industrial, Scientific an
Medical) yang mampu menyediakan layanan
komunikasi data dan suara secara real-time antara
host-host Bluetooth dengan jarak jangkauan
layanan yang terbatas (sekitar 10 meter) dengan
kecepatan transfer data 723,2 Kbps.
Pengembangan teknologi ini dipromotori oleh
lima perusahaan yaitu Erricson, IBM, intel nokia
dan Toshiba yang membentuk sebuah Special
Interest Group (SIG) pada bulan mei 1998.
Teknologi Bluetooth tidak dirancang untuk
melakukan komunikasi data dan suara yang
memerlukan kapasitas yang besar. Karena
bluetooth dapat menggantikan LAN, WAN
maupun kabel backbone. Teknologi Bluetooth
memang khusus dirancang unutk mendukung
pengguna peralatan mobile seperti notebook
beserta peralatan pendukungnya seperti printer,
scanner, maouse dan peralatan komunikasi seperti
ponsel dan PDA.
Dibawah ini Module bluetooth yang
merupakan alat penghubung antara smartphone
android dengan perangkat yang ada pada sepeda
motor. Module bluetooth ini juga dapat
berkomunikasi secara dua arah.[2]
Gambar 2. Module Bluetooth
Mikrokontroler
ATMEL sebagai salah satu vendor yang
mengembangkan dan memasarkan produk
mikroelektronika telah menjadi suatu teknologi
standar bagi para desainer sistem elektronika
masa kini. Dengan perkembangan terakhir, yaitu
generasi AVR (Alf and Vegard’s Risc processor),
para desainer sistem elektronika telah diberi suatu
teknologi yang memiliki kapabilitas yang amat
maju, tetapi dengan biaya ekonomis yang cukup
minimal.
Mikrokontroler AVR memiliki arsitektur
Seminar Nasional Informatika 2014
RISC 8 bit, dimana semua instruksi dikemas
dalam kode 16-bit (16-bits word) dan sebagian
besar instruksi dieksekusi dalam 1 (satu) siklus
clock, berbeda dengan instruksi MCS51 yang
membutuhkan 12 siklus clock. Tentu saja itu
terjadi karena kedua jenis mikrokontroler tersebut
memiliki arsiektur yang berbeda. AVR
berteknologi RISC (Reduced Instruction Set
Computing), sedangkan MCS51 berteknologi
CISC (Complex Instruction Set Computing).
Secara umum, AVR dapat dikelompokan menjadi
4 kelas, yaitu keluarga ATtiny, keluarga
AT90Sxx, keluarga ATMEGA, dan AT86RFxx.
Pada dasarnya yang membedakan masing –
masing kelas adalah memori, peripheral, dan
fungsinya. Dari segi arsitektur dan instruksi yang
digunakan, mereka bisa dikatakan hampir sama.[3]
Arduino
Arduino Uno adalah board mikrokontroler
berbasis ATMega328. Memiliki 14 pin input dari
output digital dimana 6 pin input tersebut dapat
digunakan sebagai output PWM (Pulse Widht
Modulation) dan 6 pin input analog, 16 MHz
osilator kristal, koneksi USB, jack power, ICSP
header, dan tombol reset. Untuk mendukung
mikrokontroler agar dapat digunakan, cukup
hanya menghubungkan board Arduino Uno ke
komputer dengan menggunakan kabel USB dan
AC adaptor sebagai suplay atau baterai untuk
menjalankannya.[4]
Kelebihan Arduino diantaranya adalah tidak
perlu perangkat chip programmer karena
didalamnya sudah ada bootloader yang akan
menangani upload program dari komputer,
Arduino sudah memiliki sarana komunikasi USB,
sehingga pengguna laptop yang tidak memiliki
port serial/RS323 bisa menggunakannya. bahasa
pemrograman relatif mudah karena software
Arduino dilengkapi dengan kumpulan library
yang cukup lengkap, dan Arduino memiliki modul
siap pakai (shield) yang bisa ditancapkan pada
board Arduino. Misalnya shield GPS, Ethernet,
SD Card, dll. [5]
Gambar 4. Minimum Sistem Arduino R3
Keterangan:
1. Port USB
2. IC Konverter Serial-USB (ATmega 8 U2)
3. Led untuk test output kaki D13
4. Kaki-kaki Input Output Digital (D8 – D13)
5. Kaki-kaki input Output Digital (D0 – D7)
6. LED Indikator catu daya
7. Tombol Reset
321
Seminar Nasional Informatika 2014

8. Mikrokontroller ATmega 328 START

9. Kaki-kaki input analog (A0 – A5)

10. Kaki-kaki catu daya (5V, GND) Inisialisasi

11. Terminal Catudaya (6 – 9V)

Hidupkan Perangkat
Buka Aplikasi Android
Suara
Suara adalah pemampatan mekanis
Melakukan Koneksi
atau gelombang longitudinal yang merambat
melalui medium. Medium atau zat perantara ini
TIDAK
dapat berupa zat cair, padat, gas. Jadi, gelombang Connect = 1?
bunyi dapat merambat misalnya di dalam air, batu
YA
bara, atau udara. Kebanyakan suara adalah
Kirimkan Perintah
merupakan gabungan berbagai sinyal, tetapi suara
murni secara teoritis dapat dijelaskan dengan TIDAK
kecepatan osilasi atau frekuensi yang diukur Maju=1? Maju

dalam Hertz (Hz) dan amplitudo atau kenyaringan YA

bunyi dengan pengukuran dalam desibel (dB). TIDAK
Mundur=1? Mundur
Manusia mendengar bunyi saat gelombang
bunyi, yaitu getaran di udara atau medium lain, YA
sampai ke gendang telinga manusia. Batas TIDAK
Kiri=1? Kiri
frekuensi bunyi yang dapat didengar
YA
oleh telinga manusia kira-kira dari 20Hz sampai
TIDAK
20kHz pada amplitudo umum dengan berbagai Kanan=1? Kanan
variasi dalam kurva responsnya. Suara di atas
YA
20kHz disebut ultrasonik dan di bawah 20Hz
Berhenti
disebut infrasonik.
FINISH
3. Metode Penelitian
Gambar 6. Flowchart Sistem
Dalam sistem ini, user melakukan input dari
aplikasi AMR_Voice yang ada pada pada Algoritma Flowchart
perangkat Android. Data yang di-input-kan 1. Start.
berupa perintah suara dikirim ke mikrokontroler 2. Inisialisasi Perangkat, ini dimaksudkan
melalui bluetooth. Data yang dikirim dari Android apakah perangkat sudah terpasang dengan
akan diterima oleh modul bluetooth yang ada benar sesuai dengan skematik rangkaian.
pada sistem mikrokontroler Arduino. Data serial 3. Hidupkan perangkat, dengan memberikan
tersebut diterjemahkan oleh mikrokontroler tegangan pada rangkaian serta mengaktifkan
menjadi data. Data yang diterima akan diproses saklar. Jalankan juga aplikasi pada
oleh mikrokontroler, kemudian diteruskan ke smartphone android.
driver motor DC. Kemudian driver motor dc akan 4. Melakukan proses koneksi bluetooth antara
meneruskan data yang digunakan untuk perangkat dengan aplikasi pada smartphone
mengerakan motor DC pada robot sesuai perintah. android.
Berikut ini gambar diagram blok prinsip kerja 5. Jika proses koneksi bluetooth dengan aplikasi
sistem secara garis besar, ditunjukan pada gambar pada smartphone android berhasil maka
5 dibawah ini : aplikasi bisa mengirimkan data ke perangkat,
jika belum maka proses koneksi akan diulang
Android Robot kembali.
Aplikasi
6. Jika perintah suara yang dikirimkan “maju”,
Arduino maka perangkat akan mengeksekusi dengan
Listen Button
menjalankan motor sehingga mobil robot
Pengenalan Suara Module Driver Motor bergerak maju, hingga perintah suara
Bluetooth berikutnya.
Motor DC 7. Jika perintah suara yang dikirimkan
Bluetooth “mundur”, maka perangkat akan
mengeksekusi dengan menjalankan motor
Gambar 5. Diagram Blok Sistem sehingga mobil robot bergerak mundur,
hingga perintah suara berikutnya.
Flowchart 8. Jika perintah suara yang dikirimkan “kiri”,
Adapun flowchart pada sistem ini ditunjukan maka perangkat akan mengeksekusi dengan
pada gambar 6 : menjalankan motor sehingga mobil robot

322

bergerak kiri, hingga perintah suara
berikutnya.
9. Jika perintah suara yang dikirimkan “kanan”,
maka perangkat akan mengeksekusi dengan
menjalankan motor sehingga mobil robot
bergerak kanan, hingga perintah suara
berikutnya.
10. Jika perintah suara yang dikirimkan
“berhenti” atau jika tidak ada perintah suara
yang dikirimkan oleh aplikasi pada
smartphone android, mobil robot akan
berhenti atau pada posisi diam.
11. Perangkat akan berada pada posisi standby
atau posisi dimana perangkat siap menerima
perintah.
12. Finish
4. Hasil Dan Pembahasan
4.1. Hasil
Berikut adalah tampilan dari hasil
perancangan robot mobil ditunjukan pada gambar
7 dibawah ini.
Gambar 7. Robot Mobil
Berikut adalah tampilan dari hasil
perancangan aplikasi pada android ditunjukan
pada gambar 8 dibawah ini.
Gambar 8. Aplikasi AMR_Voice Pada
Android
4.2. Pembahasan
4.2.1. Pengujian Jarak Transmisi Bluetooth
Pengukuran jarak transmisi bertujuan untuk
mengetahui seberapa jauh bluetooth dapat
berhubungan dan mampu membawa perintah dari
Seminar Nasional Informatika 2014
smartphone ke mikrokontroler. Pada saat yang
bersamaan pengukuran waktu eksekusi
dilakukan dengan menggunakan stopwatch.
Tabel 1. Pengujian jarak transmisi
(Transmision Distance)
4.2.2. Power Supply
Power supply adalah sumber daya yang
digunakan untuk memasok tegangan pada semua
komponen yang terdapat pada alat. Power supply
disini terdiri dari baterai yang terdapat pada
robot, diode, kapasitor dan regulator 7805. Power
supply pada alat ini menghasilkan tegangan 5
Volt. Dengan tegangan tersebut sudah bisa
memasok semua komponen yang digunakan pada
alat. Baterai yang digunakan berjenis lithium
polimer (lipo).
4.2.3. Software
Sistem ini memerlukan beberapa software
supaya alat dapat bekerja dengan baik
diantaranya:
a. Aplikasi DSC terminal
DSC terminal adalah program apliaksi yang
digunakan pada smartphone sebagai command
pembuat perintah/input yang terinstal pada
smartphone. Pada alat ini menggunakan dsc test
.apk. dsc terminal sudah dapat berfungsi dengan
baik dibuktikan dengan alat yang mampu
beroperasi sesuai program.
b. Arduino IDE
Arduino adalah multi platform open source
software. Arduino dapat dijalankan pada linux,
windows atau juga mac. Pada alat ini arduino
dijalankan menggunakan windows. Bahasa
pemrograman yang digunakan pada arduino
adalah bahasa C, tetapi arduino sudah lebih
dipermudah dengan fungsi yang sederhana.
Dengan menggunakan aplikasi dsc terminal dan
software Arduino yang diterapkan pada
pembuatan pengaman kendaraan, ini dapat
berfungsi dengan baik dibuktikan dengan
algoritma yang terdiri atas: (1) Program
inisialilasi, (2) program setup, (3) program
scanning dan (4) program masukan. Sudah
berfungsi sesuai program dan alat sudah dapat
beroperasi.
323
Seminar Nasional Informatika 2014

5. Kesimpulan 4. Sumber daya pada perangkat menggunakan

baterai pada kendaraan itu sendiri, sehingga
Dari hasil pengujian yang dilakukan dapat mengurangi umur baterai.
disimpulkan beberapa hal sebagai berikut:
1. Komunikasi antara smartphone Android Daftar Pustaka
dengan mikrokontroler dapat dilakukan
secara wireless menggunakan bluetooth, yang [1] Safaat H, Nazruddin 2011. “Pemrograman
mana antara bluetooth pada smartphone Aplikasi Mobile Smartphone dan Tablet PC
Android dan module bluetooth pada sistem Berbasis Android”. Informatika Bandung:
mikrokontroler berkomunikasi menggunakan Bandung
data serial. [2] Datasheet HC-05. (2014). [Online]
2. Merealisasikan pembuatan software Tersedia:
pengendali navigasi robot menggunakan http://www.wlelectronix.com/p/137/bluetoo
suara yang terdiri atas : (1) program th-to-serial-module-hc-05.html
inisialisasi yaitu program untuk [3] Ary Heryanto, dan Adi P., Wisnu, 2008
menginialisasi variabel, (2) setup program “Pemrograman Bahasa C untuk
yaitu program untuk memasukan pin yang Mikrokontroller ATMega8535”. Andi:
diinginkan sebagai output, (3) program Yogyakarta.
scanning yaitu program untuk memindai [4] Arduino Home Page. (2014). Arduino Uno.
perintah yang dimasukan (4) program [Online]. Tersedia :
masukan yaitu program untuk menentukan http://www.arduino.cc/en/Main/arduinoBoa
karakter kode yang akan digunakan rdUno [5 Juli 2014]
sebagai masukan. Semua program tersebut [5] Kelas Mikrokontrol. (2014). Arduino.
sudah dapat berfungsi. [Online] Tersedia: http://www.kelas-
3. Untuk kerja jarak transmisi maksimum mikrokontrol.com/elearning/mikrokontroler
adalah 10 meter pada ruang terbuka. /pengantar-arduino.html [5 Juli 2014]

324
 Seminar Nasional Informatika 2014

PENERAPAN KNOWLEDGE SHARING AND TRANSFER PADA

PT. DUNIA KIMIA UTAMA
Fransiska Prihatini Sihotang

Program Studi Sistem Informasi, STMIK MDP

STMIK MDP, Palembang
fransiskaps@mdp.ac.id

Abstrak

Pengetahuan merupakan hal yang sangat penting untuk menunjang proses bisnis. Pengetahuan yang dimiliki
oleh karyawan sebaiknya dapat dibagikan kepada rekan kerja, bawahan, bahkan dari bawahan kepada atasan,
agar tercipta suasana kerja yang lebih nyaman dan produktif. PT. Dunia Kimia Utama merupakan perusahaan
penghasil bahan kimia yang mempekerjakan lebih dari seratus karyawan. Setiap karyawan bekerja secara
individu dan secara tim dengan bantuan komputer dan mesin, sehingga diperlukan kerja sama yang baik.
Salah satu bentuk kerjasama dalam perusahaan adalah berbagi pengetahuan. Akan tetapi, pekerja yang adalah
manusia memiliki kecenderungan malas untuk berbagi pengetahuan atau melakukan knowledge sharing and
transfer kepada rekan kerja ataupun bawahannya di dalam perusahaan. Metode yang digunakan dalam
pengumpulan data pada penelitian ini adalah wawancara dan observasi. Hasil dari penelitian ini adalah
diketahui bahwa pada PT. Dunia Kimia Utama telah menerapkan proses knowledge sharing and transfer yang
berupa Job Shadowing Program, Process Documentation, Storyboard, Mentoring Program, Information
exchange, Best Practices Studies, Job rotation, dan Lesson learned debriefing, sedangkan proses yang lain
belum diterapkan. Penelitian ini diharapkan dapat menjadi pertimbangan bagi PT. Dunia Kimia Utama
ataupun perusahaan lain dalam melakukan proses knowledge sharing and transfer sebagai penunjang proses
bisnis.

Kata kunci : pengetahuan, knowledge sharing and transfer, perusahaan kimia

1. Pendahuluan melakukan sesuatu), tidak ada media yang

Pengetahuan adalah keseluruhan
keterampilan yang digunakan oleh manusia untuk
memecahkan masalah[1]. Pengetahuan
merupakan data dan informasi yang digabung
dengan kemampuan, intuisi, pengalaman, gagasan
serta motivasi dari sumber yang kompeten.
Terdapat dua tipe pengetahuan, yaitu tacit
knowledge dan explicit knowledge. Tacit
knowledge adalah sesuatu yang tersimpan dalam
otak manusia, sedangkan explicit knowledge
adalah sesuatu yang terdapat dalam dokumen atau
tempat penyimpanan lain selain di otak
manusia[9].
Di dalam organisasi, pengetahuan
merupakan hal yang penting untuk menunjang
proses bisnis. Pengetahuan sebaiknya dibagikan
kepada rekan kerja, kepada bawahan, bahkan dari
bawahan kepada atasan, agar tercipta suasana
kerja yang lebih nyaman dan produktif di dalam
melakukan pekerjaan. Akan tetapi manusia
memiliki kecenderungan malas untuk berbagi
pengetahuan atau melakukan knowledge sharing
and transfer kepada rekan kerja ataupun
bawahannya di dalam perusahaan. Biasanya
kemalasan tersebut diakibatkan oleh alasan yang
sangat sederhana, yaitu agar tidak tersaingi (agar
bertahan menjadi yang terpandai dalam
dianggap nyaman dalam berbagi pengetahuan
yang dimiliki, bahkan takut tersingkirkan dari
jabatannya karena digantikan oleh orang lain.
Sifat manusia yang seperti itu menjadi tantangan
bagi perusahaan, terutama di Indonesia yang
kebanyakan dari perusahaan yang ada memiliki
budaya malas dalam melakukan melakukan
knowledge sharing and transfer.
PT. Dunia Kimia Utama adalah salah satu
anak perusahaan dari kelompok usaha PT. Lautan
Luas, Tbk yang bergerak di bidang industri kimia
dasar pertama dan satu-satunya di Provinsi
Sumatera Selatan yang memproduksi asam sulfat
(H2SO4) teknis dan aluminium sulfat
(Al2(SO4)3.xH2O) dengan jumlah karyawan
tetap sebanyak 119 orang dan buruh borongan
sebanyak 52 orang. PT. Dunia Kimia Utama
memiliki visi menjadi produsen asam sulfat dan
alumunium sulfat terbaik di wilayah Sumatera,
dan misi menjadi produsen asam sulfat dan
alumunium sulfat terutama di wilayah Sumatera
dengan nilai jual dan purna jual terbaik, melalui
peningkatan kinerja kualitas, kesehatan dan
keselamatan kerja, serta lingkungan secara
berkesinambungan untuk menunjang
pengembalian bagi stakeholder[2].
Karyawan pada PT. Dunia Kimia Utama
berasal dari jenjang pendidikan yang berbeda,

325
Seminar Nasional Informatika 2014
mulai dari tamatan sekolah dasar (SD), menengah
(SMP dan SMA), sampai perguruan tinggi. Selain
jenjang pendidikan, karyawan juga berasal dari
berbagai daerah di Indonesia yang memiliki latar
belakang budaya yang berbeda. Mengingat
jumlah karyawan pada perusahaan cukup banyak
dan berasal dari berbagai bidang dan budaya
tersebut, maka penulis tertarik untuk mengetahui
bagaimana strategi perusahaan dalam mempererat
komunikasi antar karyawan dan antara karyawan
dengan atasan terutama dalam kegiatan bisnis
sehari-hari. Penelitian ini dimaksudkan untuk
mengetahui bagaimana PT. Dunia Kimia Utama
dalam menerapkan knowledge sharing and
transfer untuk mendukung kegiatan bisnis di
dalam perusahaan.
2. Metode Penelitian
Bagian ini berisi tentang metode dan dasar
teori yang digunakan pada tulisan ini.
2.1 Pengumpulan Data
Penulis memperoleh data primer dengan
melakukan wawancara kepada beberapa
narasumber dari PT. Dunia Kimia Utama
Palembang. Wawancara dilakukan secara
langsung dan tidak langsung. Secara langsung
dilakukan dengan tatap muka, sedangkan secara
tidak langsung dilakukan melalui media
telekomunikasi seperti telepon dan percakapan
online. Selain itu digunakan pula teknik observasi
untuk mengetahui secara langsung proses bisnis
yang terjadi pada PT. Dunia Kimia Utama.
Observasi yang penulis lakukan diantaranya
melakukan pengamatan terhadap aplikasi yang
digunakan dan kegiatan bisnis yang dilakukan
perusahaan.
2.2 Pengetahuan
Menurut Hendrik (2003) pengetahuan
merupakan data dan informasi yang digabung
dengan kemampuan, intuisi, pengalaman, gagasan
serta motivasi dari sumber yang kompeten[3].
Sedangkan menurut Becerra, pengetahuan adalah
keseluruhan keterampilan yang digunakan oleh
manusia untuk memecahkan masalah[1]. Terdapat
2 (dua) tipe pengetahuan, yaitu tacit knowledge
dan explicit knowledge. Tacit knowledge adalah
sesuatu yang tersimpan dalam otak manusia,
sedangkan explicit knowledge adalah sesuatu yang
terdapat dalam dokumen atau tempat
penyimpanan lain selain di otak manusia[9].
2.3 Manajemen Pengetahuan
Menurut Uriarte (2008), knowledge
management (manajemen pengetahuan)
merupakan suatu proses konversi tacit knowledge
menjadi explicit knowledge yang kemudian
dibagikan kepada anggota dalam sebuah
326
organisasi. Manajemen pengetahuan merupakan
proses suatu organisasi menciptakan nilai yang
bersumber dari aset organisasi yang berbasis pada
pengetahuan dan intelektual[8]. Sedangkan
menurut Peraturan menteri negara pendayagunaan
aparatur negara dan reformasi birokrasi nomor 14
tahun 2011, manajemen pengetahuan atau
knowledge management merupakan upaya untuk
meningkatkan kemampuan organisasi dalam
mengelola aset intelektualnya: pengetahuan dan
pengalaman yang ada. Tujuannya tentu saja
adalah memanfaatkan aset tersebut untuk
mencapai kinerja organisasi yang lebih baik untuk
mempercepat pencapaian tujuan pelaksanaan
reformasi birokrasi [5].
Menurut Priambada, manajemen
pengetahuan bertujuan untuk meningkatkan dan
memperbaiki pengoperasian perusahaan dalam
meraih keuntungan kompetitif dan meningkatkan
marjin atau keuntungan perusahaan. Konsep
manajemen pengetahuan pada sebuah perusahaan
juga bertujuan untuk meningkatkan kinerja
karyawan dengan cara menumbuhkan budaya
berbagi pengetahuan di lingkungan perusahaan,
dan menjadikan pengetahuan sebagai aset yang
dapat dikelola sehingga dapat dikomunikasikan
dan digunakan secara bersama[6].
Menurut Becerra, manajemen pengetahuan
terdiri dari empat proses,yaitu [1]:
1. Knowledge Discovery: proses tranformasi
pengetahuan tacit yang berasal dari data
dan informasi atau perkembangan
pengetahuan sebelumnya, untuk
meningkatkan basis pengetahuan yang
masih ada dan pemamfaatan pengetahuan
dalam organisasi.
2. Knowledge Capture: mengambil
pengetahuan baik tacit atau eksplisit yang
ada disekitarnya. Proses ini bisa dilakukan
dengan menangkap dari pengetahuan atau
pengalaman orang lain baik secara
langsung ke sumber atau melalui perantara
artefak. Salah satu contoh Knowledge
Capture adalah membaca buku.
3. Knowledge sharing:proses yang meliputi
transfer pengetahuan yang terjadi
dikelompok orang, baik pengetahuan tacit
maupun explicit. Dari semua proses
manajemen pengetahuan berbagi
pengetahuan adalah proses yang paling
sulit, karena banyak orang yang berpikir
berbagi pengetahuan akan membuat diri
mereka tidak unggul lagi.
4. Knowledge Application: proses penerapan
pengetahuan seseorang baik pengetahuan
tacit atau explicit pada kehidupan nyata.
Manajemen pengetahuan dalam sebuah
organisasi akan berjalan dengan baik apabila
terbentuk budaya knowledge sharing. Budaya

knowledge sharing dapat dilaksanakan melalui
beberapa tahapan, yaitu menciptakan
pengetahuan, menangkap pengetahuan, menjaring
pengetahuan, menyimpan pengetahuan, mengolah
pengetahuan, dan mendistribusikan pengetahuan.
Priambada menjelaskan bahwa berdasarkan SECI
model, suatu transfer pengetahuan berlangsung
berulang-ulang dan membentuk suatu siklus yang
menyebabkan pengetahuan menjadi berkembang.
Gambar 1 memperlihatkan bahwa terjadi empat
proses dalam transfer pengetahuan, yaitu
socialization, externalization, combination dan
internalization[6].
Gambar 1. Transfer pengetahuan menurut
SECI model[6]
2.4 Knowledge Sharing and Transfer
Menurut Priambada, knowledge sharing
and transfer dapat diartikan sebagai proses
pertukaran pengetahuan antara beberapa orang
yang saling berkepentingan atau yang tergabung
di dalam komunitas[6]. Sedangkan menurut
Sofian, secara sederhana knowledge sharing and
transfermerupakan proses pertukaran
pengetahuan antara beberapa orang yang saling
berkepentingan atau yang tergabung di dalam
komunitas. Perusahaan sadar akan pentingnya
pengetahuan sebagai aset intangible yang sangat
berharga untuk menciptakan dan
mempertahankan keunggulan kompetitif
perusahaan[7].
Pengetahuan adalah aset intangible yang
sangat berharga untuk menciptakan dan
mempertahankan keunggulan kompetitif
perusahaan. Banyak faktor yang mempengaruhi
keberhasilan sebuah proses knowledge sharing
and transfer, antara lain teknologi, budaya
organisasi, kepercayaan, dan intensif. Yang dapat
menghambat jalannya knowledge sharing and
transfer dapat timbul dari berbagai faktor, antara
lain masalah dalam berkomunikasi, salah
penafsiran, bahasa, teknologi, dan teknik yang
digunakan.
Salah satu faktor yang dapat
mempengaruhi kesuksesan penerapan knowledge
sharing and transfer dalam suatu perusahaan
adalah pemilihan strategi yang tepat. Banyak cara
yang dapat dilakukan oleh perusahaan dalam
Seminar Nasional Informatika 2014
mengidentifikasi, menyimpan, dan mentransfer
pengetahuan. Strategi yang berhasil diterapkan
pada satu perusahaan belum tentu dapat berhasil
jika diterapkan untuk perusahaan lainnya.
2.4.1 Hambatan Dalam Berbagi Pengetahuan
Berbagi pengetahuan di dalam perusahaan
merupakan hal yang tidak bisa dianggap mudah.
Akan tetapi pekerja dengan segala sifat
kemanusiaannya memiliki kecenderungan malas
untuk berbagi pengetahuan atau melakukan
knowledge sharing and transfer kepada rekan
kerja ataupun bawahannya di dalam perusahaan.
Biasanya kemalasan tersebut diakibatkan oleh
alasan yang sangat sederhana, yaitu agar tidak
tersaingi (agar bertahan menjadi yang terpandai
dalam melakukan sesuatu), tidak ada media yang
dianggap nyaman dalam berbagi pengetahuan
yang dimiliki,merasa hal berbagi pengetahuan
tidak menguntungkan secara pribadi, bahkan takut
tersingkirkan dari jabatannya karena digantikan
oleh orang lain. Uriarte (2008) berpendapat
bahwa hambatan utama implementasi manajemen
pengetahuan adalah perusahaan mengabaikan
faktor budaya dan manusia. Dalam sebuah
organisasi, pengetahuan individu merupakan hal
yang sangat bernilai,oleh karena itu harus tercipta
sebuah budaya saling berbagi tacit knowledge
yangdimiliki oleh setiap karyawan kepada
karyawan yang lain[8].
2.4.2 Strategi Keberhasilan Knowledge
Sharing and Transfer
Menurut William J Rothwell, ada 12
strategi untuk keberhasilan knowledge sharing
and transfer yaitu [9]:
1. Job Shadowing Program, strategi
knowledge sharing and transfer dari satu
orang atau grup ke orang atau grup
lainnya. Dalam penerapannya, orang yang
sudah mempunyai pengalaman (veteran)
akan dipasangkan dengan orang baru. Para
veteran ini akan diminta untuk
membagikan pengetahuannya dalam
menghadapi permasalahan-permasalahan
sulit yang pernah dihadapinya kepada
orang baru yang telah dipasangkan
dengannya.
2. Communities of Practice (COP), sebuah
grup yang dibentuk untuk membagikan
informasi tentang suatu masalah, isu, atau
topik. Komunitas ini dapat melakukan
pertemuannya secara langsung atau online.
3. Process Documentation, meliputi
pembuatan flowchart tentang bagaimana
pekerjaan tersebut dikerjakan. Proses
dokumentasi yang jelas akan sangat
bermanfaat dalam menyimpan dan
mentransfer pengetahuan dari pekerja yang
327
Seminar Nasional Informatika 2014
berpengalaman kepada pekerja yang
mempunyai sedikit pengalaman.
4. Critical Incident Interview, teknik ini
diterapkan pada tahun 1950an yang
merupakan proses penggalian pengetahuan
tentang kejadian-kejadian penting yang
dialami oleh para pekerja melalui sebuah
proses wawancara atau pengisian
kuesioner. Pengetahuan yang didapat dari
proses ini antara lain adalah tindakan apa
saja yang dilakukan dalam menghadapi
situasi yang terjadi dan apa hasil dari
tindakan tersebut. Critical incident
interview sangat bermanfaat bagi
perusahaan dalam menghadapi situasi sulit
yang kemungkinan akan terjadi kembali
dalam waktu yang akan datang.
5. Expert System (ES), biasanya bersifat
otomatis dan telah dimodelkan. ES berisi
masalah – masalah yang sering terjadi atau
masalah umum dan bagaimana cara
mengatasi masalah tersebut.
6. Job Aids, segala sesuatu yang dapat
membantu orang dalam bekerja. Misalnya
sebuah check list. Pengetahuan dapat
disimpan pada job aid dan dapat diakses
kapan saja oleh orang lain pada saat
kebutuhan timbul.
7. Storyboard, kumpulan dari gambar
berurutan yang menceritakan sebuah
kejadian atau proses. Teknik ini dapat
diaplikasikan untuk pembuatan gambar
atau diagram tentang apa yang harus
dilakukan dan bagaimana caranya.
8. Mentoring Program. Mentor biasanya
orang yang mempunyai pengalaman yang
banyak. Biasanya orang-orang yang sukses
mempunyai beberapa mentor dalam
hidupnya. Mentor ini memberikan saran
tentang apa yang harus dilakukan,
bagaimana melakukannya, dan mengapa
itu penting untuk dilakukan di dalam
kondisi yang sedang dihadapi.
9. Storytelling. Teknik ini
 bersifat kurang
terstruktur apabila dibandingkan dengan
critical incident
tetapi menghasilkan hasil
yang sama.
10. Information exchange. 
Strategi ini
diterapkan dengan cara pekerja yang telah
berpengalaman duduk dalam suatu tempat
dan memberikan pengetahuan kepada para
pekerja yang belum berpengalaman yang
mendatanginya dalam tempat tersebut.
11. Electronic Performance Support System
(EPSS), sebagian besar orang menilai
bahwa EPSS adalah strategi atau metode
yang paling memuaskan untuk menyimpan
dan mentransfer pengetahuan. EPSS
adalah sebuah sistem yang
menggabungkan artificial intelligence,
328
expert system, real time e-learning system,
dan computer-based referencing system.
Ketika sebuah pengguna mengalami
masalah, dia dapat mengakses sluruh
kebijakan atau prosedur melalui
referencing system, mendapatkan masukan
dari pengalaman pendahulunya melalui
expert system, dan dapat juga belajar
melalui komponen pelatihan yang ada
dalam sistem.
12. Best Practices Studies. Best practices
tidak selalu berasal dari perusahaan lain,
tetapi juga bisa didapat dari dalam
perusahaan itu sendiri. Best practice dapat
dibagikan melalui rapat-rapat yang
diadakan.
2.4.3 Strategi Tambahan Departemen Tenaga
Kerja New York Amerika Serikat
Selain 12 strategi yang telah dijelaskan
sebelumnya, terdapat juga beberapa strategi lain
yang dapat diterapkan pada proses knowledge
sharing and transfer. Departemen Tenaga Kerja
New York Amerika Serikat beranggapan bahwa
ada 17 strategi yang dapat diterapkan dalam
proses knowledge sharing and transfer[4].
Tambahan strategi tersebut adalah:
1. Expert interview. Sebuah sesi dimana para
expert meluangkan waktunya untuk
bertemu dengan orang lain untuk
membagikan pengetahuan yang
dimilikinya.
2. Internship. Sebuah pengaturan formal
dimana para expert memberikan
pengetahuannya kepada pemula pada
waktu yang lamanya telah diatur.
3. Job rotation. Sebuah pelatihan dengan
cara melakukan rotasi pekerjaan kepada
para pekerja yang ada dalam organisasi.
4. Knowledge audit. Kegiatan ini dapat
membantu sebuah perusahaan dalam
mengidentifikasi aset pengetahuan yang
dimiliki oleh perusahaan tersebut,
termasuk juga pengetahuan apa yang
dimiliki dan pengetahuan apa yang
dibutuhkan.
5. Knowledge fair, merupakan sebuah acara
yang menampilkan informasi tentang
perusahaan atau informasi tentang sebuah
topik. Acara ini dapat dilakukan secara
internal untuk memberikan sebuah forum
untuk membagikan informasi, atau dapat
dilakukan secara eksternal untuk melatih
pelanggan atau para pemegang saham akan
infromasi penting yang diperlukan.
6. Knowledge map. Katalog informasi atau
pengetahuan ini berada di dalam
perusahaan yang memberikan keterangan
dimana letak informasi atau pengetahuan

tersebut. Katalog ini hanya menunjukan
informasi atau pengetahuan tetapi tidak
berisi tentang informasi atau pengetahuan
tersebut.
7. Lesson learned debriefing. Merupakan
kegitaan tanya jawab untuk
mengidentifikasi, menganalisis, dan
menangkap pengalaman apa yang berhasil
dan apa yang butuh untuk dikembangkan
sehingga orang lain dapat belajar dari
pengalaman yang telah terjadi.
Strategi yang telah dipaparkan di atas
dapat diterapkan pada perusahaan dengan tingkat
keberhasilan yang berbeda satu dengan yang lain.
Perbedaan ini terjadi karena ada faktor-faktor
yang mempengaruhi akan keberhasilan sebuah
knowledge sharing and transfer, yaitu teknologi,
budaya organisasi, kepercayaan, dan intensif.
Pedoman penting dalam kesuksesan sebuah
knowledge sharing and transfer adalah
menciptakan sebuah lingkungan yang dapat
dipercaya dalam sebuah perusahaan.
3. Hasil dan Pembahasan
Bagian ini berisi tentang profil perusahaan
dan hasil dari penelitian yang telah dilakukan
pada PT. Dunia Kimia Utama terkait knowledge
sharing and transfer.
3.1 Profil PT. Dunia Kimia Utama
PT. Dunia Kimia Utama adalah salah satu
anak perusahaan dari kelompok usaha PT. Lautan
Luas, Tbk. Perusahaan berlokasi di Palembang
dan Indralaya. Kantor pemasaran berada di
Palembang, sedangkan kantor pusat dan pabrik
yang berada di Indralaya. Perusahaan bergerak di
bidang industri kimia dasar dan merupakan
perusahaan manufaktur bahan kimia dasar
pertama dan satu-satunya di Provinsi Sumatera
Selatan. Perusahaan memproduksi asam sulfat
(H2SO4) teknis dan aluminium sulfat
(Al2(SO4)3.xH2O) dengan jumlah karyawan
tetap sebanyak 119 orang dan buruh borongan
sebanyak 52 orang. PT. Dunia Kimia Utama
memiliki visi menjadi produsen sulfuric acid dan
alumunium sulfat terbaik di wilayah Sumatera,
dan misi menjadi produsen sulfuric acid dan
alumunium sulfat terutama di wilayah Sumatera
dengan nilai jual dan purna jual terbaik, melalui
peningkatan kinerja kualitas, kesehatan dan
keselamatan kerja, serta lingkungan secara
berkesinambungan untuk menunjang
pengembalian bagi stakeholder[2].
Untuk menjalankan visi dan misi tersebut,
PT. Dunia Kimia Utama memiliki strategi bisnis,
yaitu menjaga kepercayaan pelanggan dan
berusaha memiliki integritas yang terbaik.
Sebagai satu-satunya perusahaan penghasil asam
Seminar Nasional Informatika 2014
sulfat dan alumunium sulfat di Sumatera Selatan,
PT. Dunia Kimia Utama memiliki kesempatan
besar untuk meningkatkan hasil produksi dan
memperluas pangsa pasar ke seluruh wilayah
Sumatera khususnya Sumatera bagian Selatan.
Hal ini terbukti dengan banyaknya perusahaan
besar daerah yang mengandalkan PT. Dunia
Kimia Utama sebagai pemasok bahan baku
diantaranya PT. Pusri, PT. Pertamina, GGPC
Lampung, PT. TEL, PT. Lontar Papyrus, CV. Sari
Dunia, PD. Cahaya Obor, dan beberapa PDAM
seperti PDAM Tirta Musi, PDAM Tirta Mayang,
PDAM Ogan Komering Ulu, PDAM Ogan Ilir,
dll[2].
3.2 Knowledge Sharing and Transfer pada
PT. Dunia Kimia Utama
Berdasarkan penelitian yang telah
dilakukan melalui observasi dan wawancara pada
staff yang bekerja pada PT. Dunia Kimia Utama,
manajemen telah memilih cara sendiri dalam
pentransferan pengetahuan di lingkungan
perusahaan. Cara-cara yang dilakukan oleh PT.
Dunia Kimia Utama dalam mendukung proses
knowledge sharing and transfer dapat
dikelompokkan sebagai berikut:
1. Job Shadowing Program
Perusahaan telah menggunakan cara ini
sejak lama, yaitu mempertahankan
pegawai yang sudah pensiun di dalam
perusahaan dengan memberikan intensif
kepada pensiunan terkait sebagai
imbalannya. Tujuannya adalah agar
pensiunan dapat membagikan
pengetahuannya terkait pekerjaan kepada
penerusnya. Saat penulis melakukan
wawancara, masih ada satu orang
pensiunan yang dipertahankan walaupun
seharusnya sudah pensiun sejak September
2013 lalu.
2. Process Documentation
Perusahaan menugaskan orang tertentu
untuk melakukan pendokumentasian
bagaimana sebuah pekerjaan dikerjakan.
Hal tersebut dituangkan dalam dokumen
WI (work instruction) dan segala kegiatan
di dalam perusahaan, baik di pabrik
ataupun kantor harus mengikuti prosedur
yang tercatat dalam dokumen WI tersebut.
3. Storyboard
Beberapa prosedur kerja di dalam
perusahaan juga dituangkan ke dalam
bentuk gambar seperti prosedur evakuasi
bila terjadi kebakaran, prosedur
menggunakan alat berat, prosedur
mengangkat beban, prosedur pemesanan
bahan baku, dan prosedur penjualan.
Gambar-gambar tersebut ditempelkan di
beberapa tempat yang mudah dilihat
pekerja.
329
Seminar Nasional Informatika 2014
4. Mentoring Program
Perusahaan giat melakukan kegiatan
mentoring seperti pelatihan dan seminar
bagi pihak manajemen dan karyawannya.
Selain pelatihan dan seminar terkait
dengan bisnis, perusahaan juga
menyediakan pelatihan dan seminar yang
terkait dengan kehidupan sosial seperti
mengikutsertakan karyawannya dalam
seminar kepribadian yang diselenggarakan
oleh School of Life Palembang. Seminar ini
diadakan tiap satu semester sekali oleh
hampir seluruh karyawan. Pelatihan rutin
lainnya yaitu dari PMI, Lloyd, ISO,
OHSAS, pelatihan keamanan bekerja,
pelatihan bahan berbahaya, dan berbagai
pelatihan internal.
5. Information exchange
Perusahaan beberapa kali mengirimkan
karyawannya untuk belajar pada
perusahaan induknya di Jakarta yaitu PT.
Lautan Luas, Tbk untuk belajar kepada
karyawan yang telah berpengalaman di
bidang tertentu. Program yang terbaru
diadakan pada bulan Desember tahun
2013.
6. Best Practices Studies
Yang menjadi Best Practises bagi PT.
Dunia Kimia Utama adalah perusahaan
induknya sendiri, yaitu PT. Lautan Luas,
Tbk. Proses kerja, kebijakan, dan peraturan
yang diterapkan pada perusahaan
mengarah pada perusahaan induk.
7. Job rotation
Hal ini biasa dilakukan oleh beberapa
perusahaan di Indonesia, begitu juga di PT.
Dunia Kimia Utama. Hal ini ditujukan agar
karyawan bisa menguasai tidak hanya satu
bidang pekerjaan saja dan juga sebagai
refreshing bagi karyawan yang
bersangkutan.
8. Lesson learned debriefing
Kegiatan seperti ini dilakukan perusahaan
dalam bentuk rapat bulanan untuk
membahas hal-hal yang terjadi selama satu
bulan, sebagai sarana evaluasi bersama,
dan sebagai acuan jika hal yang sama
terjadi lagi di lain waktu. Hasil dari rapat
bulanan tersebut didokumentasikan oleh
yang bertugas dalam bentuk notulen rapat.
Selain rapat bulanan, perusahaan juga
melakukan briefing harian bagi pekerja di
pabrik yang biasa dipimpin oleh manajer
pabrik atau supervisor pabrik.
4. Kesimpulan
Berdasarkan uraian sebelumnya dapat
disimpulkan bahwa PT. Dunia Kimia Utama telah
menganggap bahwa proses transfer dan berbagi
330
pengetahuan merupakan hal yang penting dan
harus dilakukan secara terus menerus untuk
kemajuan perusahaan. Beberapa hal yang telah
dilalakukan perusahaan terkait dengan knowledge
sharing and transferdi antaranya adalah Job
Shadowing Program, Process Documentation,
Storyboard, Mentoring Program, Information
Eexchange, Best Practices Studies, Job Rotation,
dan Lesson Learned Debriefing.
Kegiatan-kegiatan tersebut merupakan
kegiatan yang sangat positif dan harus
dipertahankan oleh perusahaan agar perusahaan
dapat bertahan dalam persaingannya dengan
perusahaan sejenis dan perusahaan dapat
mewujudkan visinya.Perusahaan dapat
menjalankan beberapa proses knowledge sharing
and transfer yang belum dilakukan dengan
menyesuaikan keadaan pada perusahaan.
5. Saran
Penelitian ini tidak lepas dari kekurangan,
metode yang digunakan dalam mengumpulkan
masalah hanya wawancara dan observasi sehingga
diharapkan ada penelitian sejenis yang dilakukan
oleh peneliti selanjutnya terkait hal yang sama di
perusahaan yang sama dengan metode penelitian
yang lain, misalnya dengan menggunakan
kuisioner yang diisi oleh populasi di dalam
perusahaan. Penulis selanjutnya juga dapat
melakukan penelitian dengan metode yang sama
pada perusahaan lain sehingga dapat memperkaya
referensi di bidangknowledge sharing and
transfer.
Daftar Pustaka:
[1] Becerra-Fernandez, et al, 2004,Knowledge
Management: Challenge, Solutions, and
Technologies, New Jersey, Prentice Hall.
[2] Dokumen PT. Dunia Kimia Utama, 2012.
[3] Hendrik, 2003, Sekilas Tentang Knowledge
Management, Ilmukomputer.com.
[4] New York State Departement of Civil
Service,2004, Knowledge Transfer
Strategies, IPMA New.
[5] Peraturan menteri negara pendayagunaan
aparatur negara dan reformasi birokrasi
nomor 14 tahun 2011.
[6] Priambada D. Boy, 2010, Implementasi
Knowledge Management System di
Perusahaan, Bogor, Program Pascasarjana
Ilmu Komputer IPB.
[7] Sofian, J. 2013. Menilik Strategi Knowledge
Sharing & Transfer Dalam Perusahaan.
Tersedia [online]:
http://jsofian.wordpress.com/2013/01/01/pili
h-pilih-strategi-knowledge-sharing-transfer-
dalam-perusahaan/. Diakses: 27 Oktober
2013.
 Seminar Nasional Informatika 2014

[8] Uriarte A. Filemon, 2008, Introduction to [9] Rothwell J William, 2004, Knowledge
Knowledge Management, Jakarta, ASEAN Transfer: 12 Strategies for Succession
Foundation. Management, Virginia, IPMA-HR News.

331
Seminar Nasional Informatika 2014

PERANCANGAN DAN PEMBUATAN BAHAN AJAR PEMETAAN

KEKAYAAN BUDAYA INDONESIA MENGGUNAKAN PROGRAM
JAVA NEATBEANS 6.9
Evri Ekadiansyah

STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
Email : evrie1409@gmail.com

Abstrak

Mengingat banyaknya perangkat lunak pembelajaran berwawasan asing, membuat ketakutan akan hilangnya
wawasan nusantara pada siswa dan siswi yang umumnya, khususnya mengenai budaya dan adat istiadat yang
ada pada tiap tiap provinsi di Indonesia yang jumlahnya cukup banyak dan memiliki ribuan budaya yang sulit
untuk diingat secara keseluruhan. Saat ini media pembelajaran bukan hal baru untuk dikembangkan dan
diaplikasikan, karena aplikasi media pembelajaran tersebut merupakan bagian dari segala bentuk informasi
yang mampu menyajikan komponen suara, gambar, animasi, video dan teks menjadi sesuatu yang bermanfaat
untuk suatu kepentingan. Media pembelajaran sebagai segala sesuatu yang dapat menyampaikan dan
menyalurkan pesan dari sumber secara terencana sehingga tercipta lingkungan belajar yang kondusif dimana
penerimanya dapat melakukan proses belajar secara efisien dan efektif. Aplikasi ini dibuat untuk
meningkatkan wawasan siswa dan siswi terhadap kekayaan kebudayaan Indonesia yang merupakan bentuk
untuk meningkatkan rasa nasionalisme bagi siswa dan siswi.

Kata Kunci : Media Pembelajaran, Pemetaan Kekayaan Budaya Indonesia dan Java Neatbean 6.9

1. Pendahuluan 2. Tinjauan Pustaka

Dalam perkembangan teknologi hal yang Konsep Dasar Media Pembela

paling mendasar dapat dilihat dari seberapa
peranan teknologi dapat mengubah pola pikir
manusia untuk bertindak. Begitu juga dengan
perkembangan teknologi perangkat lunak, dimana
manusia selalu memiliki kebutuhan tersendiri
untuk menyelesaikan masalahnya baik dalam hal
membantu menyusun pekerjaan, pemberian
solusi, penentuan keputusan serta sampai pada
perangkat lunak yang sifatnya memberikan
didikan. Kemampuan daya mengingat manusia
yang sifatnya terbatas semakin menjadikan
perkembangan teknologi perangkat lunak meluas.
Mengingat banyaknya perangkat lunak
pembelajaran dari pengembang dan perusahaan
asing yang membangun perangkat lunak
pembelajaran berwawasan asing. Meningkatkan
ketakutan akan hilangnya wawasan nusantara
pada siswa dan siswi yang umumnya
menggunakan perangkat pembelajaran berbahasa
dan bergaya asing. Khususnya mengenai budaya
dan adat istiadat yang ada pada tiap tiap provinsi
di Indonesia yang jumlahnya cukup banyak dan
memiliki ribuan budaya yang sulit untuk diingat
secara keseluruhan.
Awal perkembangannya media
pembelajaran hanya dianggap sebagai alat bantu
mengajar guru. Alat bantu yang dipakai adalah
alat bantu visual, misalnya gambar, model, objek
dan alat alat lain yang dapat memberikan
pengalaman kongkrit, motivasi belajar serta
mempertinggi daya serap dan retensi belajar
siswa..
Media pembelajaran sebagai “segala
sesuatu yang dapat menyampaikan dan
menyalurkan pesan dari sumber secaraterencana
sehingga tercipta lingkungan belajar yang
kondusif dimana penerimanya dapat melakukan
proses belajar secara efisien dan efektif”.[4]
Mendeskripsikan “secara lebih khusus,
pengertian media dalam proses belajar mengajar
cenderung diartikan sebagai alat-alat grafis,
photografis, atau elektronis untuk menangkap,
memproses, dan menyusun kembali informasi
visual atau verbal. Ringkasnya, media adalah alat
yang menyampaikan atau menghantarkan pesan-
pesan pembelajaran”.[1]
Dalam bukunya yang dikutip dari Gagne
(1970) menyatakan bahwa media adalah berbagai
jenis komponen dalam lingkungan siswa yang
dapat merangsangnya untuk belajar.[8]
Media adalah bentuk-bentuk komunikasi
baik tercetak maupun audio visual serta
peralatannya. Media hendaknya dapat

332

dimanipulasi, dapat dilihat, dapat didengar dan
dibaca. Apa pun batasan yang diberikan, ada
persamaan di antara batasan tersebut yaitu bahwa
media adalah segala sesuatu yang dapat
digunakan untuk menyalurkan pesan dari
pengirim ke penerima sehingga dapat merangsang
pikiran, perasaan, perhatian dan minat serta
perhatian siswa sedemikian rupa sehingga proses
belajar terjadi.
3. Analisa dan Perancangan Sistem
a. Analisis Sistem
Analisis sistem adalah kegiatan untuk
melihat sistem yang sudah berjalan, melihat
bagian mana yang harus dan tidak bagus, dan
kemudian mendokumentasikan kebutuhan yang
akan dipenuhi dalam sistem yang baru.[6]
Analisis sistem merupakan suatu
prosedur yang dilakukan untuk pemeriksaan
masalah dan penyusunan alternatif pemecahan
masalah yang timbul serta membuat spesifikasi
sistem yang baru atau sistem yang akan diusulkan
dan memodifikasi.[9]
Analisis sistem didefinisikan oleh sebagai
“penguraian dari suatu sistem informasi yang utuh
ke dalam bagian-bagian komponennya dengan
maksud untuk mengindentifikasikan dan
mengevaluasi permasalahan- permasalahan,
kesempatan-kesempatan, hambatan-hambatan
yang terjadi, dan kebutuhan-kebutuhan yang
diharapkan sehingga dapat diusulkan perbaikan-
perbaikannya”.[2]
b. Perancangan Sistem
Desain atau perancangan dalam pembangunan
perangkat lunak merupakan upaya untuk
mengonstruksi sebuah sistem yang memberikan
kepuasan (mungkin informal) dan spesifikasi
kebutuhan fungsional, memenuhi target,
memenuhi kebutuhan secara implisit atau eksplisit
dari segi performansi maupun penggunaan
sumber daya, kepuasan batasan pada proses
desain dari segi biaya, waktu, dan perangkat.
Kualitas perangkat lunak biasanya dinilai dari
segi kepuasan pengguna perangkat lunak terhadap
perangkat lunak yang digunakan. [7]
Maksud dari pembuatan desain sistem ini
adalah untuk memperbaiki kekurangan atau
masalah-masalah yang ada pada sistem informasi
yang lama.[3]
c. Pengembangan Sistem
Pengembangan sistem (system development)
dapat berarti menyusun suatu sistem yang baru
untuk menggantikan sistem yang lama secara
keseluruhan atau memperbaiki sistem yang telah
ada. [7]
Seminar Nasional Informatika 2014
d. Kekayaan Budaya
1) Budaya
Kata Kebudayaan atau budaya adalah kata
yang sering dikaitkan dengan Antropologi. Secara
pasti, Antropologi tidak mempunyai hak eksklusif
untuk menggunakan istilah ini. Konsep ini
memang sangat sering digunakan oleh
Antropologi dan telah tersebar kemasyarakat luas
bahwa Antropologi bekerja atau meneliti apa
yang sering disebut dengan kebudayaan.
Seringnya istilah ini digunakan oleh Antropologi
dalam pekerjaan-pekerjaannya bukan berarti para
ahli Antropolgi mempunyai pengertian yang sama
tentang istilah tersebut. Seorang Ahli Antropologi
yang mencoba mengumpulkan definisi yang
pernah dibuat mengatakan ada sekitar 160
defenisi kebudayaan yang dibuat oleh para ahli
Antropologi. Tetapi dari sekian banyak definisi
tersebut ada suatu persetujuan bersama diantara
para ahli Antropologi tentang arti dari istilah
tersebut. Salah satu definisi kebudayaan dalam
Antropologi dibuat seorang ahli bernama Ralph
Linton yang memberikan defenisi kebudayaan
yang berbeda dengan pengertian kebudayaan
dalam kehidupan sehari-hari.
Kebudayaan adalah seluruh cara kehidupan dari
masyarakat dan tidak hanya mengenai sebagian
tata cara hidup saja yang dianggap lebih tinggi
dan lebih diinginkan.[5]
2) Dasar Kekayaan Budaya
Sejak tahun 1945, Indonesia beserta
seluruh penduduknya telah menyatakan diri dan
diakui oleh hampir seluruh Negara yang ada
di dunia sebagai suatu Negara yang merdeka
dan berkedaulatan; tahun 1945 sebenarnya
adalah proses kesinambungan dari tahun-tahun
sebelumnya yang dimulai dari berbagai
pemikiran dan pergerakan sebelum tahun 1928
yang secara resmi seluruh penduduk pribumi
Indonesia menyatakan diri sebagai satu bangsa :
bangsa Indonesia; satu tanah air : tanah air
Indonesia; satu bahasa : bahasa Indonesia, yang
semuanya dituangkan dalam kesepakatan para
pemuda Indonesia. Ini disebut sebagai
kebudayaan – kebudayaan bersama, kebudayaan
nasional. Pada saat-saat menjelang kemerdekaan,
keinginan untuk merdeka dari penguasaan orang
asing (Belanda) dan hak untuk menentukan
nasibnya sendiri sedemikian kuat, sampai-
sampai segenap orang seolah melupakan
perbedaan yang tajam diantara mereka apakah
itu latar belakang budaya (kelompok etnik),
agama, ras, golongan dan perbedaan lain yang
dalam keadaan normal sebenarnya sangat potensil
sebagai sumber pertentangan. Setelah
kemerdekaan, semangat untuk menjungjung
nilai-nilai persatuan dan kesatuan dijadikan
modal dasar dalam menggalang kehidupan
bersama dan bernegara, hanya saja sekarang
tujuannya tidak lagi membebaskan diri dari
333
Seminar Nasional Informatika 2014

cengkraman penjajahan asingmelainkan Keterangan :

meneruskan cita-cita perjuangan untuk menjadi Dalam penguraian diagram konteks diatas
Negara dan bangsa Indonesia yang kuat dan terdapat beberaapa komponen inti dalam aplikasi
besar sesuai dengan nilai-nilai hakiki seperti yang bahan ajar pemetaan kekayaan budaya Indonesia,
tertuang dalam Pancasila dan UUD 1945. Konsep adapun diantaranya adalah sebagai berikut :
tentang kebudayaan Indonesia yang kemudian 1) Pelajar : pelajar merupan entitas yang
diperjelas menjadi kebudayaan nasional memberikan input kepada media
(Indonesia) atau kebudayaan bangsa bukan pembelajaran.
merupakan pembahasan baru dalam konteks 2) Pengajar : merupakan entitas yang
kehidupan masyarakat Indonesia.[5] memberikan kontrol nilai dan evaluasi soal
Analisa Kebutuhan aplikasi Media kedalam
Pembelajaran
Saat ini media pembelajaran bukan hal klik pilihan Provinsi
baru untuk dikembangkan dan diaplikasikan, <<extend>>
karena aplikasi media pembelajaran tersebut
view informasi konten
merupakan bagian dari segala bentuk informasi Pelajar budaya

yang mampu menyajikan komponen suara,

gambar , animasi, video dan teks menjadi sesuatu
yang bermanfaat untuk suatu kepentingan. Stelan suara masukan pilihan

Penggunanaan media pembelajaran sebagai alat <<include>>

bantu pembelajaran merupakan hal yang menarik proses perhitungan hasil

dan perlu dikembangkan sehingga sesuatu yang
akan disampaikan lebih mudah dan dimengerti <<include>>

Rancangan aplikasi ini dirancang dengan Pengajar modul materi

menggunakan kombinasi dari beberapa software Gambar 2. Use Case Diagram

sangat banyak program aplikasi yang
dikembangkan untuk menciptakan sebuah media Keterangan :
pembelajaran yang interaktif. Namun, software Dalam penjabaran bahan ajar pemetaan
utama yang digunakan untuk menyajikan berbagai kekayaan budaya indonesia terdapat pemecahan
output dari software lainnya adalah bahasa aktor menjadi dua yaitu aktor pelajar dan
pemrograman Java Netbenas 6.9. pengajar. Terdapat dua subsistem yaitu subsistem
pemberi informasi dan pengevaluasi. Dan terdapat
1. Analisa Pengguna Media Pembelajaran case yang dilakukan oleh masing masing aktor
Pengguna terhadap media kedalam sistem.
pembelajarankekayaan budaya sendiri terbatasi
oleh pemahaman, dimana pengguna nantinya Perancangan Sistem
yang dapat menggunakan adalah kalangan pelajar Perancangan perangkat lunak sangat diperlukan
yang mulai bisa paham membaca dan mengingat karena rancangan tersebut adalah langkah awal
akan bentuk dan warna. Media pembelajaran bagaimana program itu akan dibuat dan
kekayaan budaya ini dirancang untuk menuangkannya kedalam bahasa pemrograman.
mempermudah bagi mereka yang ingin belajar Dalam media pembelajaran perancangan yang
untuk mengingat kekayaan budaya yang dimiliki benar menjadi sebuah keharusan sebab tanpa
indonesia tanpa harus membaca buku yang perancangan dan desain interface yang baik
sifatnya hanya menyajikan teks. Yang dimana pengguna tidak akan mendapat informasi yang
kebanyakan dari para pelajar saat ini maksimak dalam media pembelajaran wawasan
membutuhkan sebuah media yang lebih kekayaan budaya indonesia.Pembangunan ini
menyenangkan. dimanfaatkan untuk membangun media
pembelajaran, seperti dalam hal pembuatan
2. Analisa Kerja Media Pembelajaran basisdata kekayaan budaya tiap-tiap provinsi di
Kekayaan Budaya indonesia, sedangkan bagian yang memberikan
evaluasi adalah bagian yang bertindak sebagai
Perancangan dan pemberipengevaluasi dengan beberapa ketentuan
Pembuatan Bahan variabel yang telah ditetapkan. Untuk lebih
Ajar Pemetaan
Pelajar Kekayaan Budaya
Pengajar jelasnya Perancangan perangkat lunak media
Indonesia pembelajaran dapat dilihat pada gambar berikut:

Gambar 1. Diagram Konteks

334
 Seminar Nasional Informatika 2014

Antarmuka

Menampilkan informasi

Evaluasi pengetahuan

Hasil evaluasi

Gambar 3. Arsitektur Media Pembelajaran Gambar 5. Tampilan halaman awal

Rancangan Antarmuka
Perancangan antarmuka merupakan
sarana yang menghubungkan antara sistem
dengan pengguna. Perancangan antar muka
memungkinkan pengguna untuk berinteraksi
dengan sistem.meskipun kekuatan dari sebuah
aplikasi bahan ajar terletak pada informasi yang
diberikan, tetapi tanpa interface yang baik maka
sistem tidak akan optimal memberikan informasi
dan wawasan kebudayaan bagi pengguna. Berikut
ini adalah interface yang akan digunakan :
1) Perancangan Form awal
Merupakan rancangan tampilan awal dimana Gambar 6. Tampilan halaman suara
sistem menampilkan menu untuk main kedalam
bahan ajar dan melakukan evaluasi pengetahuan. 2) Rancangan halaman main
Dihalaman awan terdapat beberapa setelan awal Rancangan halaman main merupakan halaman
untuk bermain seperti suara dan kecerahan layar. yang menampilkan bentuk peta Indonesia yang
tiap provinsinya dibedakan atas warna dan dapat
a. Flowchart halaman awal di klik untuk menampilkan informasinya.
START
a) Flowchart halaman main

START

Halaman awal : Halaman main

1. klik peta
1. main 2. evaluasi
3. keluar

2. tentang
3. suara
4. bantuan
Klik provinsi evaluasi keluar

Proses main

1. main 2.tentang 3. suara 4.bantuan

Informasi kontent
kebudayaan

Main lagi

Halaman
Proses main Halaman tentang Setelan suara
bantuan
END

Gambar 7. Flowchart Halaman Main

END

Gambar 4. Flowchart halaman awal

b. Rancangan halaman awal

335
Seminar Nasional Informatika 2014

b) Rancangan halaman main START

Proses pembacaan soal

evaluasi

Input jawaban

Proses pengecekan
jawaban

Hasil menampilkan
tingkat pengetahuan

Gambar 8. Halaman Main Ulang evaluasi main keluar

3) Rancangan halaman konten informasi END

Rancangan halaman konten informasi Gambar 10. Flowchart halaman evaluasi

merupakan halaman yang menampilkan seluruh
konten informasi yang berkaitan tiap tiap b) tampilan halaman evaluasi
provinsi.

a) Flowchart halaman konten informasi

START

Informasi kontent
1, evaluasi
2. kembali / main

Gambar 11. Tampilan halaman evaluasi

Prosem menampilkan 3.1 Demontrasi Bahan Ajar

konten kekayaan
budaya Demontrasi program merupakan tahap
penyajian tampilan program yang telah dirancang,
dimana nantinya tampilan ini dijadikan sebagai
alat acuan untu mendemonstrasikan aplikasi
Kembali main evaluasi
bahan ajar pemetaan kekayaan budaya Indonesia
1. Tampilan Halaman Utama

END

Gambar 9. Flowchart konten informasi

4) Rancangan halaman evaluasi

Rancangan halaman evaluasi adalah halaman
yang menampilkan soal soal evaluasi dalam
bentuk pilihan berganda yang nantinya akan
menghasilkan informasi wawasan evaluasi
kebudayaan Indonesia.
Gambar 12. Hamalam Utama
a) flowchart halaman evaluasi
Halaman utama merupakan halaman dimana
terdapat uraian gambar komponen yang akan
digunakan dalam pengoperasian sistem. Terdapat

336

kontrol volume suara, latarbelakang musik dan
pengaturan layer.
Gambar 13. Hamalam kontrol Suara
Tampilan halaman suara merupakan
halaman untuk memanggil atau memilih suara
yang akan melatarbelakangi pengguna saat
bermain suara ini dibagi atas lagu –lagu daerah
yang mewakili tiap-tiap provinsi.
2. Tampilan Halaman Main
Halaman ini merupakan halaman dimana
sistem memodelkan peta Indonesia yang tebagi
atas tiga puluh tiga provinsi. Dimodelkan dalam
bentuk yang dibedakan atas warna. Dimana saat
tiap provinsi dilakukan klik gambar maka konten
informasi akan menampilkan informasi kekayaan
budaya yang terkait tentang provinsi tersebut.
Dalam halaman Main terdapat beberapa sub menu
yang berkaitan dengan penambahan kontent. Sub
menu berkaitan dengan menu tambah, Bantuan,
Keluar.
Gambar 14. Halaman Main
3. Tampilan Halaman Evaluasi
Tampilan halaman evalusi wawasan
kebudayaan merupakan halaman untuk
menampilkan seluruh soal latihan yang akan
digunakan untuk melatih pengguna, dimana
nantinya pengguna yang bertindak sebagai user
akan mengetahui seberapa wawasab
pengetahuannya terhadap wawasan kebudayaan di
Indonesia yang telah pengguna baca dan lihat
pada halaman main.
Seminar Nasional Informatika 2014
Gambar 15. Halaman Soal Evaluasi
Gambar 16. Halaman Skor
4. Kesimpulan
Setelah menyelesaikan perancangan dan
pembuatan bahan ajar pemetaan kekayaan budaya
Indonesia dengan Java Netbeans 6.9, penulis
menarik kesimpulan sebagai berikut :
a. Bahan ajar kekayaan budaya ini dapat
digunakan untuk memahami pembagian
kebudayaan dan budaya berdasarkan
pembagian provinsi diwilayah Indonesia
serta suku dan hasil kebudayaannya.
b. Bahan ajar kekayaan budaya dapat dijadikan
sebagai media pendukung dalam proses
pembelajaran imlu kebudayaan dasar.
c. Bahan ajar kekayaan budaya mampu
memenuhi kebutuhan funsional proses
pembelajaran interaktif yang mulai
dikembangnkan di Indonesia.
d. Bahan ajar kekayaan budaya mampu
memberikan penilaian dasar tentang
pengguna mengenai seberapa besar wawasan
yang mereka dapat atas penggunaan bahan
ajar ini.
e. Disimpulkan bahwa model peta yang
digunakan dibagi atas provinsi yang ada
diindonesia dan dibagi berdasarkan warna.
f. Membantu penghematan dan memperkecil
produksi buku khasanah budaya Indonesia.
337
Seminar Nasional Informatika 2014
Daftar Pustaka
[1] Arsyad, Azhar. 2011. Media Pembelajaran.
Jakarta : Raja Grafindo Persada
[2] Jogiyanto, H.M. 2005. Analisis Dan Desain
Sistem Informasi. Yogyakarta : Penerbit
Andi.
[3] Komputer Wahana, 2011, Membangun
Aplikasi Bisnis Dengan Ide Netbeans 7,
Semarang : Penerbit Andi.
[4] Kurnia, Dendi Novy. 2012, Upaya Guru
Dalam Pengunaan Media Pembelajaran
Seni Budaya Sebagai Sarana Pendukung
Dalam Pembelajaran Seni lukis Di SMA
Negeri 2 Situbondo. Universitas Negeri
Malang : Malang.
338
[5] Maryati Rita. 2012. Adat dan Budaya Khas
Nusantara. Jakarta : Praninta Offset
[6] Nugroho, A., 2005, Analisis dan
Perancangan Sistem Informasi Dengan
Metodologi Berorientasi Objek, Penerbit
Informatka : Bandung.
[7] Rosa As dan M.Shalahudin, 2013, Rekayasa
Perangkat Lunak Pendekantan Terstruktur,
Bandung : Informatika.
[8] Sadiman, Arif.S . 2006. Media Pendidikan,
Pengertian, Pengembangan, dan
Pemanfaatannya Jakarta : PT Raja
GrafidoPersada.
[9] Sutabri, Tata. 2012. Analisa \ Sistem \
Informasi.Yogyakarta : Penerbit Andi.
 Seminar Nasional Informatika 2014

SISTEM INFORMASI INVENTORI BARANG LABORATORIUM

KOMPUTER BERBASIS ANDROID DI STMIK TASIKMALAYA
Fitri Nuraeni 1, Teuku Mufizar2, Novan Ganda Holis Suparman3
1,2
Jurusan Teknik Informatika
3
STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya
e-mail: 1nenk_ufit@gmail.com, 2fizargama@gmail.com, 3ganda.holis92@gmail.com

Abstrak

Mobilitas pengolahan data sangat diperlukan untuk mempercepat pengolahan data inventori barang yang
mencakup pendataan barang masuk, peminjaman dan pengembalian barang sampai informasi kondisi barang
yang selalu di lakukan oleh bagian Pusat Komputer (PUSKOM) STMIK Tasikmalaya dalam hal pengelolaan 5
laboratoium komputer yang terletak di dua gedung yang berjauhan. Dengan populernya aplikasi berbasis android
memungkinkan informasi inventori barang tersebut yang dapat diakses melalui perangkat smartphone kapan saja
dan dimana saja. Sistem informasi inventori barang berbasis android ini dirancangan dengan menerapkan metode
berorientasi objek yaitu Unified Modeling Language (UML) untuk dapat menggambarkan data dan proses
menjadi kesatuan yg dinamakan objek[1]. Dengan adanya sistem inventori barang berbasis android ini, mampu
memberikan solusi untuk menangani masalah penyajian informasi inventori barang karena pengolahan data
inventori bias dilakukan dimana saja dengan perangkat smartphone tiap pegawai serta menampilkan informasi
barang kapan saja saat dibutuhkan.

Kata kunci : Mobilitas, Laboratorium Komputer, Inventori, Android

1. PENDAHULUAN merupakan sistem operasi berbasis linux yang

Pengolahan data inventori barang di suatu
instansi sangat penting bagi manajemen maupun
staf yang mengelolanya. Sebuah sistem yang
khusus mengolah keluar masuknya barang, serta
laporan-laporannya sangatlah diperlukan bagi
suatu instansi untuk keberlangsungan
produktifitas di instansi tersebut. Adapun
pentingnya di adakan sistem informasi inventori
barang di suatu instansi untuk manajemen barang
dalam jumlah yang banyak agar barang yang ada
dapat terdokumentasi secara baik dan menyeluruh
untuk menghindari kerugian di instansi terkait.
Di STMIK Tasikmalaya, sistem informasi
inventori barang di bagian Pusat Komputer
(PUSKOM) khususnya di laboratorium sudah
menggunakan komputer. Namun, hanya dengan
aplikasi pengelola inventori barang yang bersifat
stand alone mengurangi fleksibilitas kerja staf di
bagian laboratorium komputer. Hal tersebut,
terdapat 5 laboratorium komputer yang letaknya
saling berjauhan sehingga dapat berakibat
pengolahan data yang dilakukan akan memakan
waktu lebih lama.
Berdasarkan permasalahan tersebut, mobilitas
dalam hal pengolahan data inventori barang tentu
harus diperhatikan karena menyangkut kepada
efektifitas kerja dan efisiensi waktu.
Baru-baru ini hadir perangkat yang memiliki
potensi dalam hal membantu menyelesaikan
permasalahan tersebut, yaitu android yang
mendukung penggunaan smartphone. Android ini
dirancang untuk perangkat layar sentuh seperti
smartphone atau tablet[2]. Sistem operasi ini
bersifat open source yang memungkinkan
penggunanya dapat memanipulasi sistem bahkan
menambahkan aplikasi secara bebas. Hal tersebut
merupakan kesempatan untuk pengguna android
membuat aplikasi yang dapat di akses secara
bebas dan lebih luas. Dengan adanya teknologi
ini, maka dapat dibuat sistem informasi inventori
barang yang dapat diakses menggunakan
smartphone berbasis android.
Sistem yang dibuat menyimpan data pada
server yang diakses menggunakan aplikasi yang
dibuat berbasis web berfungsi sebagai penerima
data. Sedangkan untuk fasilitas inputan data
inventori barang dan menyajian informasinya
dapat dilakukan melalui aplikasi yang dibuat
berbasis android dan diakses menggunakan
perangkat mobile. Dengan adanya sistem
informasi tersebut sehingga pengolahan data dan
penyajian informasi inventori barang dari 5
laboratorium komputer yang ada di STMIK
Tasikmalaya dengan lebih mudah.
Pada proses perancangan sistem ini
menggunakan Unified Modeling Language
(UML) yaitu bahasa standar yang digunakan
untuk menjelaskan dan memvisualisasikan artifak
dari proses analisis dan desain berorientasi objek.
Pemodelan secara visual ini membantu untuk
menangkap struktur dan kelakukan dari obyek,
mempermudah penggambaran interaksi antar
elemen dalam sistem dan mempertahankan

339
Seminar Nasional Informatika 2014

konsistensi antara desain dan implementasi dalam

pemrograman[3]. Diagram yang digunakan untuk Perencanaan
pemodelan sistem ini adalah use case diagram,
activity diagram, class diagram, dan entity
relationship diagram. Analisis
Use case diagram digunakan untuk
memodelkan proses bisnis berdasarkan persfektif
pengguna sistem. Diagram ini terdiri dari use case
dan actor. Actor menggambarkan orang yang Perancangan
mengoperasikan atau orang yang berinteraksi
dengan sistem aplikasi. Use case
merepresentasikan operasi-operasi yang dilakukan implementasi
oleh actor[4].
Activity Diagram menggambarkan berbagai
alur aktifitas dalam sistem yang sedang dirancang,
bagaimana masing-masing alur berawal, decision
pengujian
yang mungkin terjadi dan bagaimana mereka
berakhir. Activity Diagram juga dapat
menggambarkan proses parallel yang mungkin Pemeliharaan
terjadi pada beberapa eksekusi. Sama seperti State
Diagrams, standar UML menggunakan segiempat
dengan sudut membulat untuk menggambarkan Gambar 1. Kerangka Kerja SDLC
aktifitas. Decicion digunakan untuk
menggambarkan behavior pada kondisi tertentu. 1. Tahap Perencanaan
Dalam tahap ini, dilakukan studi kebutuhan
Untuk mengilustrasikan proses-proses parallel
dari semua elemen sistem dan menganalisa
(fork dan join) diggunakan titik sinkronisasi yang
dapat berupa titik, garis horizontal atau vertikal. keinginan user. meliputi input, proses hingga
Class diagram menunjukan hubungan antar output, waktu pengerjaan , ukuran dan
jumlah data yang ditangani dengan
class dalam sistem yang sedang dibangun dan
melakukan wawancara kepada kordinator
bagaimana mereka saling berkolaborasi untuk
inventori barang untuk mendapatkan data
mencapai suatu tujuan[3]. Class sesungguhnya
yang akurat. Pada tahapan ini, digunakan use
merupakan deskripsi dari konsep yang dating dari
bidang aplikasi yang sedang dikembangkan[5]. case diagram untuk menangkap kebutuhan
Entity relationship diagram (ERD) dan harapan pengguna[5].
berhubungan dengan data didalam entitas dan 2. Tahapan Analisis
Tahapan analisa ini bertujuan mengenali
hubungan antar entitas. Entitas adalah kumpulan
segenap permasalahan pada sistem yang
konseptual field-field data yang saling
berjalan di bagian PUSKOM STMIK
berhubungan. Dengan ERD dapat
mengungkapkan entitas-entitas mana yang Tasikmalaya, mengenali komponen-
sebaiknya secara konseptual dihubungkan dengan komponen system, objek-objek dan
hubungan antar objek tersebut.
entitas yang lain[6].
3. Tahapan Perancangan
Dalam tahapan perancangan sistem
2. METODE PENELITIAN
informasi inventori barang ini digunakan
Metode yang digunakan dalam perancangan tool Usecase, class diagram, ERD dan
rancangan antar muka (interface).
system informasi ini adalah metode berorientasi
objek dengan menggunakan tool Unified 4. Implementasi
Dalam tahap ini penulis merancang program
Modeling Language (UML) namun untuk
dengan menggunakan coding berbasis
langkah-langkah pengerjaannya mengadopsi
proses pada system development life cycle bahasa pemrograman php dan java.
(SDLC) seperti pada gambar 1 berikut.
Bahasa pemrograman PHP digunakan untuk
merancang web yang berfungsi sebagai penerima
data inputan dari mobile android, sedangkan
bahasa pemrograman java digunakan untuk
merancang form yang bisa di akses secara mobile
untuk melakukan proses input dalam pengolahan
data inventori barang.

340
 Seminar Nasional Informatika 2014

5. Pengujian
Dalam tahap ini setelah sistem selesai
dirancang, dilakukan pengetesan terhadap
sistem yang telah dibuat menggunakan
metode black box. Pengujian ini bertujuan
untuk mengetahui apakah sistem yang telah
dibuat berjalan sesuai keinginan atau tidak.
6. Pemeliharaan
Setelah proses pengetesan sistem yang telah
dibuat, maka tahap selanjutnya adalah
pemeliharaan. Dalam tahap pemeliharaan,
akan ada tahap perbaikan apabila sewaktu-
waktu terjadi kegagalan sistem dan jika ada
peningkatan sistem sebagai kebutuhan yang
Gambar 3. Diagram Activity Olah Data
baru.
Barang Masuk
3. HASIL DAN PEMBAHASAN
2. Olah Data Jenis Barang
Activity Diagram yang diusulkan untuk
A. Use Case Diagram
perancangan sistem informasi inventori barang
Sistem ini memiliki actor yaitu a)
laboratorium di STMIK TASIKMALAYA di
koordinator barang yang bertugas untuk mengolah
bagian Olah Data Jenis Barang seperti gambar 4.
data barang secara keseluruhan, b) koordinator
setiap laboratorium yang bertanggung jawab
untuk setiap barang yang ada dimasing2 lab dan
c) ketua Puskom yang bertugas untuk mengawasi
pengelolaan inventori barang.

Gambar 4. Diagram Activity Olah Data Jenis

Barang

3. Olah Data Peminjaman Barang

Activity Diagram yang diusulkan untuk
perancangan sistem informasi inventori barang
Gambar 2. Use Case Diagram laboratorium di STMIK TASIKMALAYA di
bagian Olah Peminjaman Barang seperti gambar
Pada usecase diagram pada gambar 2, 5.
dapat dilihat bahwa setiap actor dapat melakukan
pengolahan data inventori. Untuk setiap barang
baru datang akan diinput oleh koordinator barang.
Untuk pengelolaan peminjaman dan
pengembalian barang serta pengecekan keadaan
barang dilakukan oleh setiap koordinator lab.
Sedangkan untuk pengaturan hak akses user
dilakukan oleh Ketua PUSKOM.

B. Activity Diagram
1. Olah Data Barang Masuk
Activity Diagram yang diusulkan untuk
perancangan sistem informasi inventori barang
laboratorium di STMIK TASIKMALAYA di
bagian Olah Data Barang seperti gambar 3. Gambar 5. Diagram Activity Olah Data
Peminjaman Barang

341
Seminar Nasional Informatika 2014

4. Olah Data Cek Barang Class Diagram adalah sebuah grafik

Activity Diagram yang diusulkan untuk
perancangan sistem informasi inventori barang
laboratorium di STMIK TASIKMALAYA di
bagian Olah Data Cek Barang seperti seperti
gambar 6.
Koordinator
Lab (Aktor)
presentasi dari gambaran yang statis yang
menunjukan sekumpulan model elemen yang
terdeklarasi (statis), seperti kelas, tipe, dan isinya
serta hubungannya. Untuk merancang sistem
informasi inventori barang ini, dibuat class
diagram seperti pada gembar 8.
D. ERD (Entity Relationship Diagram)
Sedangkan untuk perancangan basis
datanya menggunakan alat bernama ERD, yang
menghasilkan gambaran entitas dan relasinya
seperti pada gamabar 9.
Id_jenis_barang

Jenis_barang
Dt_jenis_barang

Id_lab
Terdiri

Nama_lab Dt_lab

Merk Id_jenis_barang posisi

Id_pengecekan Tanggal_masuk
Kode_barang
Terletak

Gambar 6. Diagram Activity Olah Data Tanggal_pengecekan

Dt_pengecekan
Memiliki
Dt_barang

Peminjaman Barang kondisi

Kode_barang
spesifikasi Id_lab

5. Olah Data Pengguna Id_peminjaman

Activity Diagram yang diusulkan untuk Kode_barang

perancangan sistem informasi inventori barang Memiliki

Nama_peminjam
Dt_peminjaman
laboratorium di STMIK TASIKMALAYA di Tanggal_pinjam

bagian Olah Data Pengguna seperti gambar 7. Kondisi_kembali

Tanggal_kembali
Kondisi_pinjam

Ketua
Puskom
Gambar 9. ERD Inventori Barang
(Aktor)
Desain database Sistem Informasi
Inventori Barang menggunakan 5 entitas, yaitu
data barang, data jenis barang, data lab, data
pengecekan barang, dan data peminjaman barang.
Entitas data barang memiliki hubungan one to
many dengan entitas data pengecekan dan data
peminjaman. Entitas data jenis barang memiliki
hubungan one to one dengan entitas data barang.
Entitas data lab memiliki hubungan one to one
dengan entitas data barang.

Gambar 7. Diagram Activity Olah Data D. Interface

Peminjaman Barang Pengolahan data inventori barang
menggunakan aplikasi berbasis android yang
C. Class Diagram dapat diakses menggunakan perangkat mobile.
Aplikasi tersebut dibuat menggunakan bahasa
java pada editor Eclipse yang merupakansebuah
IDE (Integrated Development Environment)
untuk mengembangkan perangkat lunak dan dapat
dijalankan di semua platform (platform-
independent). Layout program dapat dilihat pada
gambar 10.

Gambar 8. Class Diagram

342

Gambar 10. Layout program
4. KESIMPULAN
Dengan adanya sistem informasi inventori
barang dengan berbasis android ini, telah dapat
menyelesaikan masalah pengolahan data barang di
setiap laboratorium komputer yang ada di STMIK
Tasikmalaya, karena data dapat diinputkan pada
satu server data dan informasi yang dibutuhkanpun
Seminar Nasional Informatika 2014
dapat diakses dengan mudah menggunakan media
perangkat mobile.
5. SARAN
Sistem yang dirancangan masih memiliki
kekurangan dari sisi pengguna, karena pengguna
masih dibatasi untuk staf Puskom saja. Sedangkan
untuk unit kerja lain di STMIK Tasikmalaya belum
dapat mengakses langsung informasi data barang
pada saat akan melakukan peminjaman barang ke
bagian Puskom. Untuk pengembangan selanjutnya,
diharapkan dapat memberikan fasilitas penyajian
informasi data barang untuk unit kerja lainnya yang
berhubungan.
DAFTAR PUSTAKA
[1] H. Al-Fatta, Analisis dan Perancangan
Sistem Informasi. ANDI, 2007, p. 91 .
[2] J. Enterprise, Step By Step Ponsel
Android. Jakarta: PT. Elex Media
Komputindo, 2010, p. 1.
[3] J. Hermawan, Analisa Desain dan
Pemograman Berorientasi Obyek dengan
UML dan Visual Basic.NET. .
[4] M. F. Azis, Object Oriented Programming
dengan PHP 5. Jakarta: PT. Elex Media
Komputindo, 2005.
[5] A. Nugroho, Rekayasa Perangkat Lunak
Berorientasi Objek dengan Metode USDp.
Yogyakarta: ANDI, 2010, p. 318.
[6] R. Mc Leod and G. Sc P Shell, Sistem
Informasi Manajemen. Jakarta: Salemba
Empat, 2008, p. 572.
343
Seminar Nasional Informatika 2014

IMPLEMENTASI METODE ROUGH SET UNTUK PROMOSI

RUMAH BERSALIN (STUDI KASUS : BIDAN SRI WAHYUNI
KECAMATAN MEDAN MARELAN)
Adil Setiawan

Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan

Email : adilsetiawan65@gmail.com

Abstrak

Rumah Bersalin merupakan tempat persalinan dan pengobatan, semakin banyak jumlah pasiennya maka akan
semakin banyak pasien yang dapat ditolong dalam proses persalinan dan pengobatan. Jika semakin banyak
jumlah pasien yang dapat ditolong proses persalinannya maka semakin sedikit resiko bayi yang dilahirkan
dan ibu yang melahirkan meninggal dunia. Penelitian pada data mining saat ini akan menggunakan metode
Rough Set yang akan digunakan untuk melakukan analisis data dari hasil pengelompokan data, sehingga
dapat mengetahui calon pasien lebih akurat dan upaya yang harus dilakukan untuk melakukan promosi
medicine lebih akurat, efektif, dan sempurna, dengan adanya pengelompokan yang sudah terkomputerisasi
menjadi lebih baik.

Kata kunci : Data Mining, Promosi, Rought Set.

1. Pendahuluan Sebagai contoh untuk mengubah database

LatarBelakang
Rumah Bersalin Bidan Sri Wahyuni
memiliki jumlah pasien yang melahirkan dan
berobat sangat sedikit pada dua tahun terakhir ini
dikarenakan banyaknya Rumah Sakit Umum
Medan yang banyak memiliki peralatan yang
lebih lengkap sehingga dibutuhkan promosi
tempat persalinan tersebut. Agar pasien dapat
mengetahui apa saja fasilitas dan layanan yang
ada pada rumah bersalin tersebut. Oleh karena itu
dilakukan suatu cara Untuk melakukan
perhitungan yang ada dalam penelitian ini maka
digunakan metode Rought Set. Yaitu dengan
mengelompokan data-data calon pasien dalam satu
kecamatan sehingga dapat diketahui tempat-
tempat yang akan dilakukan promosi untuk
Rumah Bersalin tersebut.
Data mining merupakan langkah besar
dalam Discovery Pengetahuan pada Database
(KDD) proses yang terdiri dari penerapan teknik
komputasi yang di bawah keterbatasan efisiensi
komputasi dapat diterima dapat menghasilkan
beberapa model pecahan tertentu pada pola atau
model data (Umarani dan Punitthavali, 2010).
Relation Database yang merupakan salah satu
jenis data dalam data mining yaitu sebuah sistem
database, atau disebut juga database management
system (DBMS), mengandung sekumpulan data
yang saling berhubungan, dikenal sebagai sebuah
database, dan satu set program perangkat lunak
untuk mengatur dan mengakses data tersebut.
Distribusi data mining bertujuan pada
pengekstraksian pola yang berguna dari
pendistribusian database yang bermacam-macam.
menjadi sebuah pengetahuan dasar dan berguna
untuk membuat keputusan (Rao dan Vidyavathi,
2010) [1].
Teori Rough Set (RST) merupakan bagian
dari data mining. Menurut Rao dan Vidyavathi
(2010), teori Rough Set dikembangkan oleh
Zdzislaw Pawlak pada tahun 1980-an dan
digunakan untuk analisis klasifikasi data dalam
bentuk tabel. Teori Rough Set adalah alat
matematika yang berguna untuk berurusan dengan
pengetahuan yang tidak tepat dan tidak cukup
untuk menemukan pola yang tersembunyi dalam
data dan mengurangi ukuran dataset (Adebayo,
2008). Data yang digunakan biasanya data diskrit.
Tujuan dari analisis rough set adalah untuk
mendapatkan perkiraan rule yang singkat dari
suatu tabel. Hasil dari analis rough set dapat
digunakan dalam proses data mining dan
knowledge discovery[2].
Sejauh pengamatan yang dilakukan oleh penulis,
beberapa bagian pada tempat penelitian
khususnya pada bagian promosi masih belum
efektif sebagai media pengolahan data, sehingga
masih ditemukan beberapa kendala yang
berpengaruh terhadap efektifitas kinerja sistem
yang diterapkan, akan menggunakan metode
Rough Set yang akan digunakan untuk melakukan
analisis data dari hasil pengelompokan data,
sehingga dapat mengetahui calon pasien lebih
akurat dan upaya yang harus dilakukan untuk
melakukan promosi Rumah Bersalin Sri
Wahyuni.

344

Perumusan Masalah
Masalah yang di bahas dalam jurnal ini
adalah sebagai berikut :
1. Bagaimana melakukan pengolahan data dan
melakukan analisis data dengan
menggunakan metode Rough Set dalam
mengelompokkan data calon pasien?
2. Bagaimana rancangan ini dapat
memudahkan Rumah bersalin dalam hal
penentuan Penentuan letak promosi ?
3. Bagaimana menentukan prioritas calon
pasien untuk promosi agar dapat
meningkatkan jumlah pasien?
Tujuan
Tujuan penelitian ini adalah sebagai berikut:
1. Mengelompokkan kriteria calon pasien dan
menganalisa masalah yang ada pada data
calon pasien.
2. Menguji hasil dari perhitungan
menggunakan metode Rought Set yang telah
dilakukan.
3. Untuk melakukan analisis data
menggunakan software pendukung Rosetta
1.4.41.
4. Melakukan upaya yang dapat meningkatkan
jumlah pasien Rumah Bersalin berdasarkan
hasil dari calon pasien yang prioritas.
2. Metodologi Penelitian
Dalam rangka pengumpulan data-data
guna penyusunan Jurnal ini, penulis mengajukan
beberapa metode penelitian yaitu:
1. Riset Lapangan (Field Research) yaitu
metode pengumpulan data yang dilakukan
dengan cara mengamati dan menangani
secara langsung tugas-tugas yang
berhubungan dengan materi.
a. Pengamatan (observasi), yaitu
pengumpulan data yang dilakukan
dengan cara terjun langsung ke lapangan
untuk mengamati cara dan prosedur
dalam melakukan pengambilan data-data
yang diperlukan.
b. Wawancara (interview) yaitu dengan
cara mengajukan pertanyaan langsung
kepada pegawai PT. Sumber Alfaria
Trijaya, yang memahami dan menguasai
masalah-masalah sistem yang berkaitan
dengan kebutuhan penulis.
2. Riset Perpustakaan (Library Research) yaitu
dengan membaca buku-buku yang isinya
berhubungan dengan isi penulisan. Cara ini
bertujuan untuk:
a. Mengumpulkan data teoritis sebagai
perbandingan didalam menganalisis dan
mengevaluasi.
Seminar Nasional Informatika 2014
b. Memperoleh sumber data dari buku-buku
yang berkaitan dengan judul yang
diangkat.
3. Tinjauan Pustaka
Definisi Knowledge Discovery in Database
(KDD)
Menurut Beta Noranita dan Nurdin Bahtiar
(2010) di dalam jurnalnya Knowledge Discovery
in Database (KDD) adalah kegiatan yang meliputi
pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan
dalam set data berukuran besar. Sedangkan
menurut Widodo (2008) [3] di dalam jurnalnya
data mining merupakan proses penemuan pola
yang merupakan salah satu tahap dalam
Knowledge Discovery in Database (KDD). Dalam
KDD tersebut secara garis besar terdapat tiga
tahap yaitu pre processing, process (data mining),
post processing. Jadi data mining sebenarnya
merupakan proses utama dalam KDD.
Menurut Sunjana (2010) data mining
sering dianggap sebagai bagian dari knowledge
Discovery in Database (KDD) yaitu sebuah
proses mencari pengetahuan yang bermanfaat dari
data, proses KDD secara garis besar dapat
dijelaskan sebagai berikut.
1. Data Selection
Pemilihan (seleksi) data dari sekumpulan
data operasional perlu dilakukan sebelum tahap
penggalian informasi dalam KDD dimulai. Data
hasil seleksi yang akan digunakan untuk proses
data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional.
2. Pre-processing/ Cleaning
Sebelum proses data mining dapat
dilaksanakan, perlu dilakukan proses cleaning
pada data yang menjadi fokus KDD. Proses
cleaning mencakup antara lain membuang
duplikasi data, memeriksa data yang inkonsisten
dan memperbaiki kesalahan pada data, seperti
kesalahan cetak (tipografi). Selain itu dilakukan
proses enrichment, yaitu proses “memperkaya”
data yang sudah ada dengan data atau informasi
lain yang relevan dan diperlukan untuk KDD,
seperti data atau informasi eksternal.
3. Transformation
Coding adalah proses transformasi pada
data yang telah dipilih, sehingga data tersebut
sesuai untuk proses Data mining. Proses coding
dalam KDD merupakan proses kreatif dan sangat
tergantung pada jenis atau pola informasi yang
akan dicari dalam basis data.
345
Seminar Nasional Informatika 2014
4. Interpretation/ Evaluation
Pola informasi yang dihasilkan dari proses
data mining perlu ditampilkan dalam bentuk yang
mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari
proses KDD yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan apakah pola
atau informasi yang ditemukan bertentangan
dengan fakta atau hipotesa yang ada
sebelumnya[4].
Menurut Han dan Kamber (2006) di dalam
jurnal Eko Nur Wahyudi, et al (2011) Data
mining adalah bagian integral dari penemuan
pengetahuan dalam database (KDD), yang
merupakan proses keseluruhan mengubah data
mentah menjadi informasi yang bermanfaat.
Berdasarkan definisi-definisi tersebut dapat
ditarik kesimpulan bahwa data mining merupakan
bagian dari knowledge discovery in database
(KDD) adalah penyaringan data pada sebuah
database yang terdapat informasi yang potensial.
Definisi Data Mining
Menurut Sunjana (2010) data mining
adalah proses mencari pola atau informasi
menarik dalam data terpilih dengan menggunakan
teknik atau metode tertentu. Teknik, metode, atau
algoritma dalam data mining sangat bervariasi.
Pemilihan metode atau algoritma yang tepat
sangat bergantung pada tujuan dan proses KDD
secara keseluruhan. Data mining mampu
menganalisa data yang besar menjadi informasi
berupa pola yang mempunyai arti bagi pendukung
keputusan.
Menurut Nilakant (2004) di dalam
jurnalnya Mewati Ayub (2007) menjelaskan
Kerangka proses data mining yang akan dibahas
tersusun atas tiga tahapan, yaitu pengumpulan
data (data collection), transformasi data (data
transformation) dan analisis data (data analysis).
Proses tersebut diawali dengan preprocessing
yang terdiri atas pengumpulan data untuk
menghasilkan data mentah (raw data) yang
dibutuhkan oleh data mining, yang kemudian
dilanjutkan dengan transformasi data untuk
mengubah data mentah menjadi format yang
dapat diproses oleh kakas data mining, misalnya
melalui filtrasi atau agregasi. Hasil transformasi
data akan digunakan oleh analisis data untuk
membangkitkan pengetahuan dengan
menggunakan teknik seperti analisis statistik,
machine learning dan visualisasi informasi[5] .
Pada gambar di bawah ini merupakan
diagram yang menggambarkan aliran informasi
dalam proses data mining. Proses data mining
pada gambar tersebut ditunjukkan sebagai proses
yang iteratif. Hasil evaluasi pengetahuan yang
dihasilkan data mining dapat menimbulkan
kebutuhan pengetahuan yang lebih lengkap,
346
perbaikan kumpulan data (dataset) atau
perubahan pada sistem.
Data mentah Dataset Pengetahuan
Pengumpulan Tranformasi
Analisis Data Evaluasi
Data Data
Pengetahuan Kurang
Perbaikan Dataset
Perubahan sistem
Gambar Aliran Informasi Data Mining
Dari definisi-definisi di atas dapat diambil
kesimpulan data mining adalah proses
pengelompokan data pada sebuah database yang
berukuran besar, yang mempunyai karakteristik
yang sama untuk menghasilkan pengetahuan yang
tersembunyi untuk membantu dalam pengambilan
keputusan.
Karakteristik Data Mining
Menurut Beta Noranita dan Nurdin Bahtiar
(2010) karakteristik data mining ada dua antara
lain sebagai berikut :
1. Data mining berhubungan dengan penemuan
sesuatu yang tersembunyi dan pola data
tertentu yang tidak diketahui sebelumnya.
2. Data mining biasa menggunakan data yang
sangat besar. Biasanya data yang besar
digunakan untuk membuat hasil lebih
dipercaya.
3. Data mining berguna untuk membuat
keputusan yang kritis, terutama dalam strategi.
Sebagai suatu rangkaian proses, data
mining dapat dibagi menjadi beberapa tahap yang
diilustrasikan pada gambar berikut ini (Beta
Noranita dan Nurdin Bahtiar, 2010)[6] :
Gambar Proses Data Mining
Tahap-Tahap Data Mining
Tahap-tahap data mining menurut Beta
Noranita dan Nurdin Bahtiar (2010), yaitu :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan.

2. Integrasi data (data intergration)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru.
3. Seleksi data (data selection)
Data yang ada di dalam database
seringkali tidak dipakai, oleh karena itu hanya
data yang sesuai untuk dianalisis yang akan
diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam
format yang sesuai untuk diproses dalam data
mining.
5. Aplikasi teknik data mining
Merupakan proses utama di mana metode
diterapkan untuk menemukan pengetahuan
berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik
untuk direpresentasikan ke dalam knowledge
based yang ditemukan.
7. Presentasi pengetahuan (knowledge
presentation).
Metode Rough Set
Menurut Girish Kumar Singh dan
Sonajharia Minz (2007) teori Rough Set
diperkenalkan oleh Pawlak pada awal tahun 1980-
an, adalah teknik untuk berurusan dengan
ketidakpastian dan untuk mengidentifikasi
hubungan sebab-akibat dalam database sebagai
bentuk data mining dan pembelajaran basis data.
Hal ini juga telah digunakan untuk peningkatan
pencarian informasi dan ketidakpastian
manajemen dalam database relasional.
Pendekatan Rough Set untuk analisis data
memiliki banyak kelebihan utama. diantaranya
adalah:
1. Menyediakan algoritma efisien untuk
menemukan pola yang tersembunyi dalam
data.
2. Menemukan set minimal data (reduksi data).
3. Mengevaluasi signifikansi data.
4. Menghasilkan set decision rule dari data.
5. Menawarkan interpretasi langsung dari hasil
yang diperoleh.
6. Sebagian besar algoritma didasarkan pada
teori Rough Set sangat cocok untuk
pemrosesan parallel.
Seminar Nasional Informatika 2014
4. Pembahasan
Arsitektur Sistem
Data Mining memiliki beberapa teknik
pengolahan data untuk menghasilkan information
system atau decision system. Salah satu metode
yang biasa digunakan yaitu Metode Rough Set.
Langkah-langkah penyelesaian masalah dengan
metode Rough Set dapat dilihat pada gambar
berikut dan penjelasannya adalah sebagai sebagai
berikut:
1. Decision System merupakan Information
System dengan mempresentasikan hasil akhir
dari klasifikasi yang diketahui.
2. Equivalence Class adalah proses mengolah
data berdasarkan kesamaan nilai atribut
(mengelompokkan objek yang sama).
3. Kemudian dilakukan proses Discernibility
Matrik atau Discernibility Matrik Module D,
merupakan proses untuk menjadi acuan di
dalam pengambilan keputusan.
4. Proses Reduct, merupakan proses
penyeleksian atribut minimal (interesting
attribute) dari sekumpulan kondisi dengan
menggunakan prime implicant fungsi
boolean.
5. Untuk memperoleh hasil akhir adalah proses
Generate Rule, yang merupakan proses
penemuan pengetahuan terbaru dalam
database untuk mendukung pengambilan
keputusan[7].
Information System /
Decision System
Equivalence Class
Discernibility Matrik
Discernibility Matrik
Module D
Reduct
Generate Rule
Gambar Langkah –Langkah Metode Rough
Set
Pengumpulan Data
Metode pengumpulan data dilakukan
dengan cara melakukan pengamatan langsung dan
dilakukan wawancara ke Rumah Bersalin Sri
Wahyuni dan Kantor Kecamatan Medan Marelan
Kota. Pengisian data kuisioner kepada penduduk
di Kecamatan Medan Marelan yang terkait dalam
penelitian ini. Berikut ini adalah data penduduk
yang diambil dari Kecamatan Medan marelan dan
data kuisioner pendapatan perorangan.
347
Seminar Nasional Informatika 2014

Tabel Data Kuisioner Pendapatan Perorangan

No NAMA KEP_ KELUARGA KELURAHAN PEKERJAAN PENDAPATAN JARAK
1 RAHMAT HIDAYAT Marelan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
2 ADE PRIA Marelan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
3 MUHAMAD YASYAH Marelan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
4 RASYIDIN SYAH ALAM Marelan PNS ≥ Rp. 2500000 0-<1 Km
5 CHRISNANTO Marelan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
6 RUDI HARYONO Titi Papan PNS ≥ Rp. 2500000 0-<1 Km
7 RONALDO Titi Papan Swasta ≥ Rp. 2500000 0-<1 Km
8 AHMAD SUBANDI Titi Papan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
9 ARMANSYAH Titi Papan Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
10 SYAMSIR Titi Papan Swasta < Rp.1.000.000 0-<1 Km
11 ZONLIARDI Kota Bangun Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
12 MONTASIR Kota Bangun Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
13 IRWANSYAH Kota Bangun Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
14 HENDRA Kota Bangun Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
15 JON EKA PUTRA Kota Bangun PNS ≥ Rp. 2500000 0-<1 Km
16 YUSMAR TITO HENDRA Kota Bangun Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
17 RABIUL MUHAMMAD Helvetia Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
18 NANDA EKA PUTRA Helvetia Swasta ≥ Rp. 1000000 - < Rp. 2500000 0-<1 Km
19 HARDI Helvetia Swasta < Rp.1.000.000 0-<1 Km
20 HENDRA ZAINI Helvetia Swasta < Rp.1.000.000 0-<1 Km
21 JAUHARI Helvetia Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
22 RISKI KURNIAWAN Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
23 BAHARUDDIN Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
24 WAN ABDUL RAHMAN Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
25 ANDRIANTO Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
26 R.A. SETIA DEWANTORO Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km
27 AHMAD SOLEH Belawan Swasta ≥ Rp.1.000.000 - < Rp.2.500.000 ≥ 1-3 Km

Ada beberapa kriteria yang dapat menyimpulkan
kelurahan mana yang akan diprioritaskan untuk
promosi, yaitu:
1. Kelurahan
Data Kelurahan diambil dari kantor
Kecamatan marelan Kota, berdasarkan atribut
ini dapat dilihat informasi yang akan dijadikan
sampel data yang akan diproses.
2. Pendapatan
Data pendapatan diambil dari data kuisioner
pendapatan perorangan. Pendapatan terbagi
atas 3 kategori antara lain:
a. Jika jumlah pendapatan perorangan >
Rp. 2.500.000 maka pendapatannya
besar.
b. Jika jumlah pendapatan perorangan >
Rp. 1.000.000 - < Rp. 2.500.000
maka pendapatannya sedang.
c. Jika jumlah pendapatan perorangan <
Rp. 1.000.000 maka pendapatannya
kecil.
3. Jarak
Data jarak diambil dari data kuisioner
pendapatan perorangan. Jarak terbagi atas 2
kategori antara lain sebagai berikut:
a. Jika jarak rumah rumah calon pasien
ke Rumah Bersalin Sri Wahyuni 0
- < 1 Km maka jaraknya dekat.
b. Jika jarak rumah rumah calon pasien
ke Rumah Bersalin Sri Wahyuni >
1 - 3 Km maka jaraknya jauh.
4. Hasil
Atribut hasil merupakan kesimpulan dari
atribut-atribut kondisi seperti kelurahan,
pendapatan dan jarak. Hasil terbagi atas 3
antara lain:
a. Jika pendapatannya besar atau sedang
dan jarak dekat atau jauh maka
hasilnya prioritas.
b. Jika pendapatannya kecil dan
jaraknya dekat maka hasilnya
prioritas atau tidak prioritas.
c. Jika pendapatan kecil dan jaraknya
jauh maka tidak prioritas
Reduct
Proses Reduct, merupakan proses
penyeleksian atribut minimal (interesting
attribute) dari sekumpulan kondisi dengan
menggunakan prime implicant fungsi Boolean.
Langkah-langkah dalam pencarian reduct adalah
sebagai berikut:
1. Dengan cara membuat persamaan aljabar
Boolean berdasarkan dari tabel 4.6 hasil
Discernibility Matrix Module D, Misalnya
E1 = B. ABC. ABC, karena ABC na ada
dua maka dipilih satu saja, E1 = B. ABC.
Persamaan aljabar Boolean-nya (ABC).
2. Setelah itu melakukan penyederhanaan
persamaan tersebut dengn prinsip atau
konsep aljabar Boolean. Misalnya B 

348

(ABC), maka B * (A + B + C). Tanda 
artinya kali, dan tanda  artinya tambah.
Sehingga dilakukan perkalian distributif AB
+ BB + BC = B.
3. Kemudian jadikan hasil penyederhanaan
tersebut sebagai reduct, Jika Tanda  maka
reduct-nya dalam satu ke kurung kurawal,
misalnya (A  B) reduct-nya adalah {A,
B}. Jjika tanda  maka reduct-nya terpisah,
misalnya (A B) reduct-nya adalah{A},
{B}.
Tabel Penyeleksian CNF Of Bolean Function
(Reduct)
CLASS CNF Of Bolean Function
E1 B  (ABC)
E2 B  (ABC)  (AB)  A
E3 (ABC)  B  (AB)
E4 (ABC)  B  (AB)  (AC)
E5 (ABC)  (AB)
E6 A  (AC)
Berdasarkan hasil di atas Jumlah Generate
Rule yang didapat adalah 28 keputusan atau
pengetahuan baru. Berdasarkan hasil dari
Generate Rule tersebut dapat diambil kesimpulan,
bahwa Kelurahan pada Kecamatan marelan yang
menjadi prioritas untuk penyelenggaraan promosi
Rumah Bersalin adalah Kelurahan Marelan,
Helvetia dan Titi Papan. Sedangkan kelurahan
Belawan dan Rimba Kota Bangun hanya tempat-
tempat tertentu yang menjadi tempat promosi.
Tabel Data Responden
Dari data Responden yang di dapatkan tampak
jelas Bahhwa Responden yang setuju jumlahnya
lebih banyak dibandingkan dengan yang tidak
setuju, 6,6% / 3,4% , dengan Persentasi demikian
Diharapkan Kedepannya akan Menjadikan Sistem
ini mendapat apresiasi yang baik, bagi
Masyarakat kita saat ini dan dapat tersalurkan
tempat prioritas dalam menyebaran promosi di
kawasan medan marelan.
5. Kesimpulan
Dari hasil pengujian sistem pendukung
keputusan ini, didapat beberapa kesimpulan
sebagai berikut :
Seminar Nasional Informatika 2014
a. Pengolahan data dan melakukan analisis data
dengan menggunakan metode Rough Set
dalam mengelompokkan data calon pasien
dibangun dengan 5 tahapan, di mana masing
masing lapisan memiliki fungsi aktivasi sesuai
dengan konsep dari metode Rough Set yang
menghasilkan rule-rule yang mendukung
untuk sebuah keputusan.
b. Dalam menentukan prioritas calon pasien
untuk promosi agar dapat meningkatkan
jumlah pasien menggunakan metode Rough
Set maka dapat memberikan pengetahuan
(knowledge) baru dalam menentukan prioritas
calon pasien untuk penyelenggaraan promosi
Rumah Bersalin Sri Wahyuni di Kecamatan
Medan Marelan.
6. Saran
Adapun saran yang berkaitan dengan sistem
pendukung keputusan ini adalah sebagai berikut :
a. Penelitian ini masih jauh dari sempurna dan
hanya diimplementasikan pada data penduduk
untuk promosi Rumah Bersalin. Pada suatu
saat nantinya penelitian ini mungkin bisa
dikembangkan lagi menjadi penelitian yang
lebih kompleks dan diimplementasikan untuk
semua bentuk implementasi pada sistem
informasi yang kompleks.
b. Penulis mengharapkan agar hasil dari
penelitian ini dapat bermanfaat bagi penulis
dan khususnya bagi Rumah Bersalin Bidan Sri
Wahyuni Medan dalam pengambilan
keputusan dan dunia pendidikan lain pada
umumnya.
DaftarPustaka
[1] Vuda Srinivasa Rao and S Vidyavathi (2010).
“A Novel Approach Of Rough Set Analysis In
Distributed Data Mining.” International
Journal of Engineering Science and
Technology. Volume 2 No 6. 1758-1759.
[2] Adebayo, O. dan Adetunmbi (2008).
“Network Intrusion Detection Based On
Rough Set and K-Nearest Neighbour.”
International Journal of Computing and ICT
Research. Volume 2 No 1. 62.
[3] Widodo (2008). “Prediksi Mata Kuliah Pilihan
dengan Aturan Asosiasi.” E-Indonesia
Initiative Konferensi dan Temu Nasional
Teknologi Informasi dan Komunikasi untuk
Indonesia. 1.
[4] Sunjana (2010). “Aplikasi Mining Data
Mahasiswa dengan Metode Klasifikasi
Decision Tree.” Seminar Nasional Aplikasi
Teknologi Informatika. 24.
349
Seminar Nasional Informatika 2014

[5] Mewati Ayub (2007). “Proses Data Mining Mahasiswa.” Seminar dan Call For Paper
dalam Sistem Pembelajaran Berbantuan Munas Aptikom. 156-157.
Komputer.” Jurnal Sistem Informasi. Volume [7] Oladipupo O, O. dan Oyelade O, J. (2009).
2 No 1. 21-23. “Knowledge Discovery from Students Result
[6] Beta Noranita dan Nurdin Bahtiar (2010). Repository : Association Rule Mining
“Implementasi Data Mining untuk Approach .” International Journal of Computer
Menemukan Pola Hubungan Tingkat Scienceand Security (IJCSS). Volume 4. 199.
Kelulusan Mahasiswa dengan Data Induk

350
 Seminar Nasional Informatika 2014

APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA

JARINGAN SARAF TIRUAN BACKPROPAGATION
Arwin Halim, Humuntal Rumapea, Deny Saputra G, Sutan Chairul Hasbi L
1
Program Studi Teknik Informatika, STMIK Mikroskil Medan
Jl. Thamrin No. 112, 124, 140 Medan, Sumatera Utara
arwin@mikroskil.ac.id, hrumapea16@yahoo.com, manik.ginting@yahoo.com, hasby_sutan@yahoo.com

Abstrak

Grafologi merupakan salah satu cabang ilmu psikologi yang mempelajari tentang karakter / sifat seorang
manusia melalui pola tulisan tangannya. Dalam menganalisa tulisan tangan, seorang grafolog (ahli grafologi)
membutuhkan waktu yang relatif lama. Sehingga pekerjaan ini dapat diefisienkan dengan membangun suatu
aplikasi grafologi menggunakan kecerdasan buatan (Artificial Intelligence). Backpropagation merupakan
algoritma Jaringan Saraf Tiruan (JST) yang digunakan untuk pengenalan pola pada citra digital. Algoritma
backpropagation akan menentukan nilai bobot - bobot pada proses pelatihan kemudian disimpan ke dalam
database. Nilai bobot tersebut akan digunakan pada proses pengujian. Sebelum informasi citra diproses oleh
algortima maka terlebih dahulu dilakukan proses noise filtering, binerisasi, cropping, dan resizing sehingga
akan dihasilkan citra pola untuk masing - masing huruf. Setiap citra huruf akan dilakukan ekstraksi pola
(feature extraction) yang menghasilkan 100 bit data dan akan dilatih dengan menggunakan algortima
backpropagation. JST bakcpropagation dilatih dengan menggunakan 170 citra huruf dari 7 abjad yaitu a, g, i,
j, o, t, dan y dengan kategori huruf yang berbeda dan diuji dengan 255 citra huruf yang terdiri atas 170 huruf
data latih / data set dan 85 huruf di luar data set, 5 kata dan 2 kalimat dengan panjang tulisan dan jenis tulisan
yang berbeda.

Kata kunci : Grafologi, Jaringan Saraf Tiruan, Backpropagation

1. Pendahuluan analisis grafologi mengenai karakteristik sifat

Teknik identifikasi biometrik didasarkan
pada karakteristik alami manusia, yaitu
karakteristik fisiologis dan karakteristik perilaku
seperti wajah, sidik jari, suara, telapak tangan, iris
mata, retina mata, DNA, dan tulisan tangan. Pola
tulisan tangan yang ditulis oleh setiap orang
memiliki keunikan tersendiri. Saat seseorang
menulis dengan gerakan tangan, orang tersebut
didorong oleh alam bawah sadarnya, sehingga
sangat sulit bagi seseorang untuk menulis sama
persis dengan tulisan yang dibuat oleh orang lain.
Ilmu yang mempelajari karakter seseorang dengan
cara menganalisa tulisan tangannya disebut
grafologi.
Menurut penelitian Nugroho [1], keakuratan
dari hasil analisa grafologi terhadap karakteristik
seseorang mencapai 80% - 90%. Untuk
menganalisa tulisan tangan seseorang dibutuhkan
seorang ahli grafologi (grafolog). Dalam
pekerjaannya, seorang grafolog membutuhkan
waktu yang relatif lama untuk menganalisa tulisan
tangan seseorang. Hal ini dikarenakan grafolog
harus menganalisis tulisan seseorang dengan teliti
berdasarkan ukuran huruf, kategori setiap huruf
dengan kombinasi huruf yang berbeda-beda pada
setiap huruf, kata dan kalimat. Kesalahan pada
analisis huruf yang diakibatkan oleh human-error
dari grafolog dapat berakibat pada kesalahan hasil
seseorang. Oleh karena itu, diperlukan sebuah
aplikasi yang mampu menganalisa pola tulisan
berdasarkan ukuran huruf dan kategori huruf yang
dapat digunakan untuk mendeteksi karakteristik
sifat seseorang berdasarkan tulisan tangan
tersebut. Huruf pada tulisan tangan yang
dianalisis dapat berupa satu huruf (karakter), satu
kata atau sebuah kalimat.
Proses pengenalan pola huruf pada tulisan
tangan dapat dianalisis dengan menggunakan
kecerdasan buatan. Hasil tulisan tangan pada
kertas di-scan terlebih dahulu untuk diolah
menjadi suatu citra digital. Setiap citra huruf
dilakukan proses ekstraksi pola (feature
extraction) dan hasil ekstraksi pola akan dilatih
dan dapat dikenali dengan menggunakan jaringan
saraf tiruan. Salah satu algoritma dalam JST yang
dapat digunakan untuk pengenalan pola adalah
backpropagation. Dengan membangun aplikasi
pengenalan pola tulisan tangan menggunakan
algoritma backpropagation, kita dapat
mendapatkan hasil analisis grafologi dengan
waktu yang lebih efisien. Pada penelitian ini
dibangun sebuah aplikasi grafologi yang mampu
menganalisa tulisan tangan yang ditulis dengan
huruf kecil tidak bersambung. Aplikasi dapat
menganalisa huruf berdasarkan ukuran dan
kategori huruf. Selain itu, proses analisis karakter

351
Seminar Nasional Informatika 2014
orang berdasarkan tulisan tangan dapat dilakukan
melalui kalimat yang dituliskan.
2. Kajian Pustaka
2.1 Citra
Citra (image) adalah gambar pada bidang
dwimatra (dua dimensi). Ditinjau dari sudut
pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada
bidang dwimatra. Citra sebagai keluaran dari
suatu sistem perekaman data dapat bersifat optik
berupa foto, analog berupa sinyal video seperti
gambar pada monitor televisi dan digital yang
dapat langsung disimpan pada suatu pita magnetik
[2].
2.2 Grafologi
Secara etimologis, kata grafologi berasal
dari bahasa yunani, yaitu “grapho” yang berarti
menulis, dan “logos” yang berarti sebuah cabang
studi ilmiah. Sehingga grafologi dapat diartikan
sebagai suatu cabang ilmu yang mempelajari dan
menganalisis tulisan tangan yang secara khusus
berkaitan dengan psikologis manusia [3]. Tulisan
tangan yang dapat dianalisis dalam grafologi
antara lain ukuran (besar dan kecil) tulisan dan
kategori huruf [1,4,5].
a. Ukuran Huruf
Ukuran merupakan cerminan dari konsentrasi
dan keterbukaan seseorang. Berikut adalah
penganalisaan berdasarkan ukuran huruf :
1. Ukuran Huruf Besar. Ukuran huruf besar
menunjukkan seseorang memerlukan
pengakuan dari orang lain. Orang ini
senang untuk diperhatikan dan dipuji.
2. Ukuran Huruf Kecil. Jika seseorang
menulis dengan ukuran huruf kecil,
berarti orang itu memiliki konsentrasi
yang baik dalam rentang waktu yang
panjang terhadap suatu hal. Individu
dengan ukuran huruf kecil biasanya
menempatkan diri dibawah kontrol yang
ketat dan mampu menyelesaikan
pekerjaannya dengan baik.
3. Ukuran Huruf Normal. Apabila tulisan
seseorang berukuran normal maka
kepribadiannya dianggap stabil.
b. Kategori Huruf
1. Huruf “i”
- Huruf “i” dengan titik berada disebelah
kanan. Menunjukkan perhatian yang fokus
ke masa depan.
- Huruf “i” dengan titik berada di sebelah
kiri. Menunjukkan fokus perhatian pada
masa lalu dan membutuhkan waktu dalam
berproses dan berpikir.
352
- Huruf “i” dengan titik berada tepat di atas
batang. Menunjukkan fokus penulis pada
kondisi yang sekarang sedang dijalani dan
memiliki pribadi yang stabil dan sabar.
2. Huruf “a”
- Huruf “a” terbuka di atas. Seorang yang
fasih dalam berbicara, bahkan kadang kala
berbicara tanpa terlebih dahulu berpikir apa
yang akan dibicarakan, dermawan, jujur
dan tulus.
- Huruf “a” tertutup rapat. Mengindikasikan
seseorang yang tertutup dalam hal yang
berhubungan dengan perasaan. Individu ini
akan jujur dan terus terang jika ditanya
mengenai pendapatnya.
- Huruf “a” balok. Mengindikasikan
individu yang termasuk kedalam golongan
yang menyukai bidang seni, musik, budaya
dan sastra.
3. Huruf “t”
- t-bar naik ke atas. Menunjukkan individu
yang optimis, dinamis, dan termotivasi.
Selain itu menggambarkan pribadi yang
bersemangat, percaya diri, dan antusias.
- t-barHorizontal. Menunjukkan individu
yang tenang, dapat mengendalikan diri
dalam berfikir dan bertindak.
- t-barMenurun. Menunjukkan individu
yang suka bergantung pada orang lain,
mudah putus asa dan pasrah, serta kurang
termotivasi
4. Huruf “o”
- Huruf “o” tertutup. Mengindikasikan
seseorang yang terkadang suka memotong
Pembicaraan.
- Huruf “o” tidak tertutup penuh / terbuka.
Mengindikasikan seseorang yang suka
berkata bohong
5. Huruf “j”
- Huruf “j” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keingin-
annya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “j” tanpa titik. Menunjukkan penulis
adalah seorang yang pelupa.
6. Huruf “g”
- Huruf “g” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keingin-
annya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “g” garis lurus. Menunjukkan
individu yang mandiri dan percaya diri.
7. Huruf “y”
- Huruf “y” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keingin-

annya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “y” garis lurus. Menunjukkan
penulis yang berkepribadian mandiri dan
materialism.
2.3 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan suatu
sistem pemrosesan informasi yang memiliki
karakteristik - karakteristik menyerupai jaringan
saraf biologi. JST dibentuk sebagai generalisasi
model matematika dari jaringan saraf biologi,
dengan asumsi bahwa [6] :
1. Pengolahan informasi terdiri dari elemen -
elemen sederhana yang disebut neuron /
simpul.
2. Setiap simpul tersebut berfungsi untuk
menerima atau mengirim sinyal dari atau ke
simpul - simpul lainnya melalui hubungan
koneksi.
3. Tiap hubungan koneksi mempunyai nilai
bobot sendiri. Nilai bobot ini menyediakan
informasi yang akan digunakan oleh jaringan
untuk memecahkan masalah.
4. Tiap simpul mempergunakan fungsi aktivasi
terhadap input yang diterimanya untuk
menentukan sinyal keluaran.
2.4 Algoritma Backpropagation
Backpropagation merupakan suatu teknik
pembelajaran atau pelatihan yang paling banyak
digunakan dalam menangani masalah pengenalan
pola - pola kompleks. Ketika jaringan diberikan
pola masukan sebagai pola pelatihan, maka
pola tersebut menuju unit - unit lapisan
tersembunyi untuk selanjutnya diteruskan pada
unit - unit di lapisan keluaran. Kemudian unit -
unit lapisan keluaran akan memberikan respon
sebagai keluaran JST. Saat hasil keluaran tidak
sesuai dengan yang diharapkan, maka keluaran
akan disebarkan mundur (backward) pada lapisan
tersembunyi kemudian dari lapisan tersembunyi
menuju lapisan masukan [6].
Kemapuan komputasi dari backpropagation
sebagai pola universal dikembangkan menjadi 3
kelompok lapisan perceptron:
1. Lapisan input, yang terdiri dari 1 hingga n
unit input.
2. Lapisan tersembunyi (minimal 1 buah), yang
terdiri dari 1 hingga p unit tersembunyi.
3. Lapisan output, yang terdiri dari 1 hingga n
unit output.
Gambar 1 menunjukkan contoh arsitektur
backpropagation dengan 3 unit masukan X1, Xi,
Xn, 3 unit layer tersembunyi Z1, Zj, Zp dan 2 unit
keluaran Y1, Yk, Ym
Seminar Nasional Informatika 2014
Gambar 1. Arsitektur Backpropagation
Algoritma Pelatihan Backpropagation meliputi 3
fase, antara lain:
1. Tahap umpan maju (feedforward)
Pola masukan dihitung maju mulai dari layar
masukan hingga layar keluaran menggunakan
fungsi aktivasi yang ditentukan.
2. Tahap umpan mundur (backpropagation)
Selisih antara keluaran jaringan dengan target
yang diinginkan merupakan kesalahan yang
terjadi. Kesalahan tersebut dipropagasikan
mundur, dimulai dari garis yang berhubungan
langsung dengan unit - unit di layar keluaran
3. Tahap pengupdatean bobot dan bias.
Pada fase ini dilakukan modifikasi bobot
untuk menurunkan kesalahan yang terjadi.
Ketiga fase tersebut diulang - ulang terus
hingga kondisi penghentian dipenuhi.
3. Metode Penelitian
Tahapan pengembangan aplikasi grafologi
dengan algoritma backpropagation adalah:
1. Pengumpulan data
Data yang dikumpulkan dalam penelitian
berupa data tulisan tangan dalam bentuk
sampel huruf, kata dan kalimat. Setiap data
akan digitalisasi untuk dijadikan sebagai data
training dan data testing.
2. Analisis
Pada tahapan ini dilakukan kajian terhadap
semua teori dan penelitian lain yang
mendukung untuk pengembangan aplikasi
grafologi yang dilakukan. Tahapan ini
mencakup analisis proses pengenalan
grafologi dengan algoritma backpropagation.
3. Desain dan implementasi
Pada tahapan ini dilakukan pengembangan
sistem berdasarkan hasil analisis yang telah
dilakukan sebelumnya.
4. Pengujian dan hasil
Pada tahapan ini dilakukan pengujian
terhadap aplikasi yang telah dikembangkan
untuk mengetahui keakuratan aplikasi
grafologi dengan algoritma backpropagation.
Tahapan pengenalan grafologi dengan
algoritma backpropagation pada penelitian ini
terbagi menjadi beberapa subproses yaitu:
1. Proses Noise Filtering
353
Seminar Nasional Informatika 2014

Metode noise filtering yang digunakan dalam digunakan untuk mendapatkan hasil analisis
aplikasi ini yaitu metode pixel neighborhood. grafologi seperti yang telah dijelaskan pada
Pixel neighborhood merupakan istilah dalam Bagian 2.2.
image processing yang artinya pixel tetangga.
2. Proses Binerisasi
Hasil dari proses noise filtering menyebabkan
citra menjadi kabur, sehingga dilakukan
proses binerisasi agar informasi pixel pada
citra menjadi jelas kembali. Untuk
menjalankan proses binerisasi dilakukan
proses grayscale terlebih dahulu
3. Proses Croping (segmentasi karakter)
Proses croping dilakukan untuk memisahkan Gambar 2. Tampilan Proses Pelatihan Aplikasi
setiap pola huruf yang ada di dalam citra Grafologi dengan Algoritma Backpropagation
menjadi citra huruf yang baru. Untuk
menentukan posisi dari huruf yang akan di Tampilan form pengujian aplikasi grafologi dapat
crooping, maka akan dilakukan 2 tahapan dilihat pada Gambar 3.
yaitu penelusuran secara vertikal dan
penelusuran secara horizontal.
4. Proses resizing
Masing - masing citra huruf yang baru akan
melalui proses resizing. Proses resizing
dilakukan dengan mengubah ukuran setiap
citra huruf menjadi ukuran 10 x 10 pixel.
5. Proses ekstraksi pola
Proses ekstraksi pola bertujuan untuk
mengubah nilai dari setiap pixel menjadi 0
atau 1. Ekstraksi pola untuk masing - masing Gambar 3. Tampilan Proses Pengujian
citra huruf menghasilkan 100 bit data dan Aplikasi Grafologi dengan Algoritma
akan dipakai pada proses pelatihan dan Backpropagation
proses pengujian.
6. Algoritma backpropagation 4.2 Pengujian
Aloritma backpropagation mempunyai dua 4.2.1 Pengujian Per-Huruf
tahapan yaitu proses pelatihan dan proses
pengujian. Sebelum melakukan proses Tabel 1 menunjukkan hasil pengujian per
pengujian harus dilakukan proses pelatihan huruf citra tulisan tangan terhadap 255 citra huruf
terlebih dahulu. Pada proses pelatihan, semua yang terdiri dari 170 data set dan 85 huruf (diluar
data pola yang telah disimpan kedalam data data set) dari 17 kategori dengan masing – masing
set akan dilatih secara bersamaan. Pada kategori sebanyak 5 huruf.
proses pengujian, semua pola yang telah
disimpan di dalam database akan diambil Tabel 1. Hasil Pengujian Per-Huruf
kembali dan dihitung dengan nilai input dari Test Test
data yang diuji. Huruf Dataset Diluar (data- (data
train) diluar)
A 30 15 100% 73%
4. Hasil dan Pengujian G 20 10 95% 70%
I 30 15 93% 80%
Perangkat lunak dirancang menggunakan J 20 10 80% 70%
Microsoft Visual Basic 2008 dan SQL Server O 20 10 95% 80%
2008 R2 digunakan sebagai basis data (database) T 30 15 90% 73%
serta DotNetBar, sebagai tools tambahan untuk Y 20 10 90% 70%
mendesain antarmuka aplikasi. Rata-rata 92% 74%
4.1 Hasil Dari data pengujian per-huruf secara keseluruhan
data (170 data set dan 85 data diluar) dapat
Tampilan form pelatihan aplikasi grafologi
disimpulkan bahwa nilai keakuratan aplikasi
dapat dilihat pada Gambar 2. Pada penelitian ini,
grafologi menggunakan algoritma jaringan saraf
aplikasi telah melakukan proses pelatihan untuk
tiruan backpropagation untuk data set mencapai
170 huruf dari 17 kategori, dimana setiap kategori
92 % dan data diluar mencapai 74 %.
terdiri dari 10 huruf. Setiap huruf yang dilatih

354
 Seminar Nasional Informatika 2014

4.2.2 Pengujian Per-Kata backpropagation berdasarkan huruf yang diamati

Tabel 2 menunjukkan hasil pengujian per mencapai 67.75 % dan secara keseluruhan
kata berdasarkan hasil citra tulisan tangan mencapai 84 %.
terhadap 5 sample kata yang berbeda.
5. Kesimpulan
Tabel 2. Hasil Pengujian Per-Kata
Huruf yang Beberapa kesimpulan yang dapat ditarik dari
No Kata Overall
diamati hasil pengujian yang telah dilakukan antara lain:
1. Aplikasi grafologi menggunakan JST
1 Backpropagation mampu mengenali pola
60 % 67 %
ukuran huruf dan kategori huruf
2
75 % 85 % ’i’,’a’,’t’,’o’,’j’,’g’,’y’ serta pola hurufnya,
yang dapat digunakan untuk mendeteksi
3 67 % 85 %
karakteristik seseorang.
4 75 % 83 % 2. Adanya tingkat kemiripan pola antara huruf
5 67% 85% yang satu dengan yang lain seperti: i titik di
tengah dengan i titik di kiri dan kanan, a
Rata-rata 68,8% 81% terbuka dengan a tertutup, o terbuka dengan
u, t-bar mendatar dengan t¬-bar naik dan
Dari data pengujian per-kata secara turun, serta huruf l dengan i, menyebabkan
keseluruhan data (5 data uji) dapat disimpulkan aplikasi grafolog sulit untuk membedakan
bahwa nilai keakuratan aplikasi grafologi pola hurufnya.
menggunakan algoritma jaringan saraf tiruan 3. Hasil pengujian aplikasi grafolog dengan
backpropagation berdasarkan huruf yang diamati algoritma JST Backpropagation yang
mencapai 68.8 % dan secara keseluruhan dibangun, mampu mendeteksi huruf untuk
mencapai 81 %. analisis grafologi dengan rata-rata
keakuratan sebesar 74% per-huruf, 68% per-
4.2.3 Pengujian Per-Kalimat kata dan 67% per-kalimat untuk huruf yang
Data pengujian per-kalimat berupa dua berada didalam dan diluar dataset pelatihan.
sampel tulisan dengan jenis dan panjang kalimat
yang berbeda dapat dilihat pada Gambar 4. Daftar Pustaka

[1] Nugroho, Kartiko., 2012, 1 Jam Belajar

Grafologi, Semarang, Effhar Offset.
[2] Munir, R., 2004, Pengolahan Citra Digital,
Informatika, Bandung.
[3] Achsinfina., 2008, Menguak Rahasia
Gambar 4. Dua Data Sampel Pengujian Per- Tulisan Tangan, Jakarta, Puspa Populer.
Kalimat [4] Shofiyati Nur Karimah., 2012,
Pengembangan Prototipe Aplikasi Grafologi
Tabel 3 menunjukkan hasil pengujian per Terkomputerisasi Menggunakan Algoritma
kalimat berdasarkan hasil citra tulisan tangan Jaringan Saraf Tiruan Propagasi,
terhadap dua sample pada Gambar 4. Yogyakarta, Teknik Informatika/S1, STMIK
AMIKOM.
Tabel 3. Hasil Pengujian Per-Kalimat [5] Amanda Karatika Hubeis, 2012, Analisis
Huruf yang Grafologi Berdasarkan Huruf a Dan t
No Kalimat Overall Menggunakan Algoritme K-Nearst
diamati
Saya membuat Neighbor, Bogor, Matematika Dan Ilmu
1 62.5% 83% Pengetahuan Alam/S1, Institut Pertanian
laporan
Analisa tulisan Bogor.
2 73% 85% [6] Puspitaningrum, Diyah, 2006, Pengantar
tangan
Jaringan Saraf Tiruan, Yogyakarta, Penerbit
Rata-rata 67.75% 84% Andi.

Dari data pengujian per-kalimat secara

keseluruhan data (2 data uji) dapat disimpulkan
bahwa nilai keakuratan aplikasi grafologi
menggunakan algoritma jaringan saraf tiruan

355
Seminar Nasional Informatika 2014

SISTEM INFORMASI PENGADAAN LOGISTIK BENCANA

BERBASIS WEB
Sri Lestari Rahayu

STMIK Potensi Utama, Jl. K.L Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia Medan
E-mail: aiyu.lestari13@gmail.com

Abstrak

Secara geografis Indonesia terletak pada pertemuan 3 lempeng yaitu, lempeng Asia, lempeng Pasifik, dan
lempeng Australia sehingga menyebabkan sebagian wilayahnya rawan terhadap bencana. jumlah bencana
termasuk sangat tinggi jika dibandingkan Negara-negara lainnya. Para korban bencana sangat membutuhkan
bantuan dari pemerintah ataupun donator-donatur perseorangan atau pun instansi. Selama ini proses
pengadaan barang dari pemerintah masih kurang sesuai dengan kebutuhan korban bencana. penyebab kurang
sesuainya bantuan antara lain kurang cepat atau akuratnya informasi kebutuhan yang dibutuhkan korban
bencana. Hasil penelitian ini adalah merancang aplikasi berbasis Web dalam memberikan informasi tentang
kebutuhan korban bencana pada saat bencana terjadi ada Pasca bencana sehingga barang logistik yang masuk
sesuai dengan kebutuhan korban baik dari segi jumlah korban, usia dan jenis kelamin korban bencana.

Kata Kunci : Bencana Alam, Logistik, Aplikasi.

1. Pendahuluan 2. Landasan Teori

Negara kepulauan Indonesia berada 2.1. Sistem Informasi

dalam wilayah Pacific Ring of Fire yaitu deretan
gunung berapi Pasifik yang bentuknya
melengkung dari utara pulau Sumatera-Jawa-
Nusa Tenggara sampai ke Sulawesi Utara.
Kepulauan Indonesia terletak pada pertemuan 3
lempeng yaitu, lempeng Asia, lempeng Pasifik,
dan lempeng Australia. Kedua factor tersebut
menyebabkan Indonesia rawan bencana. Bencana
yang dimaksud adalah bencana gempa bumi
ataupun gunung meletus. Indonesia merupakan
kepulauan yang sering terkena bencana.
banyaknya jumlah korban bencana menjadi
banyak perhatian untuk masyarakat luar yang
tidak terkena dampak bancana alam.
Memberikan bantuan adalah usaha untuk
menolong korban bencana alam, baik itu bantuan
berupa barang ataupun jasa. Proses
penganggulangan bencana tentunya memerlukan
pengelolaan yang efektif sehingga tepat sasaran
dan sesuai dengan kebutuhan korban bencana.
Pertimbangan tingkat pemenuhan barang yang
dibutuhkan menjadi hal terpenting dalam
pemenuhan kebutuhan barang di lokasi bencana.
Peran sistem manajemen ini menjadi sangat
penting agar barang yang masuk sesuai dengan
kebutuhan korban. Dalam proses pengadaan
barang yang harus dilakukan adalah pertukaran
informasi melalui web yang akurat dan sesuai
dengan kebutuhan korban terutama informasi
mengenai jumlah dan jenis barang bantuan yang
akan dibutuhkan.
Sistem informasi adalah suatu sistem
didalam suatu organisasi yang mempertemukan
kebutuhan pengolahan transaksi harian,
mendukung operasi, bersifat manajerial, dan
strategi dari suatu organisasi dan menyediakan
pihak luar tertentu dengan laporan-laporan yang
diperlukan.[3]
2.2. Logistik
Sebagaimana dipahami, logistik
merupakan komponen utama dari rantai pasok.
Rantai pasok dalam sistim manajemen logistik
bencana terdiri dari lokasi masuknya logistik,
gudang utama, gudang penyalur dan gudang
penyimpanan terakhir di pos komando. Proses
manajemen logistik dan peralatan dalam
penanggulangan bencana meliputi delapan
tahapan terdiri dari perencanaan dan inventarisasi
kebutuhan, pengadaan dan/atau penerimaan,
pergudangan dan/atau penyimpanan,
pendistribusian, pengangkutan, penerimaan di
tujuan, penghapusan dan pertanggungjawaban.[1]
3. Metode Penelitian
Metode yang digunakan pada penelitian
ini adalah merujuk pada penelitian sebelumnya
yang ada pada Naskah Publikasi yang berjudul
“Sistem Informasi Pendistribusian Bantuan
Korban Bencana Alam Berbasis Web pada
Paguyuban Jalin Merapi” pada tahun 2012,
dimana pada penelitian tersebut terdapat
kekurangan yaitu belum membahas tentang

356
 Seminar Nasional Informatika 2014

permintaan barang dan pengadaan barang. Oleh Lembaran Negara Republik Indonesia
karena itu pada penelitian itu akan di Nomor 4829);[2]
sempurnakan dengan melakukan penambahan
sistem permintaan dan pengadaan barang. 3.2. Perancangan Database

3.1. Feasibility Analisis

Analisa kelayakan dari analisa diatas adalah
sebagai berikut :
1. Kelayakan opersional
a. Permintaan barang yang sesuai dengan
kebutuhan korban dapat dilakukan
secara cepat karena semua sistem
terintegrasi dan dapat di akses secara
luas
b. Korban bisa mendapatkan kebutuhan
mereka secara cepat
c. Donatur dapat mengetahui barang apa
saja yang dibutuhkan korban sehingga
barang yang diberikan donator tepat
sasaran
2. Kelayakan Culture
a. Kebudayaan bangsa Indonesia pada
saat bencana terjadi adalah sering Gambar 1. Perancangan Database
terjadi kekurangan pasokan logistik
sehingga korban tidak bisa ditangani 3.3. Struktur Database
secara cepat Struktur database terdiri dari penjelasan-
b. Seringnya terjadi keterlambatan dalam penjelasan dari tabel yang ada pada sistem
memberikan logistik kepada korban ini.
yang membutuhkan. 1. Tabel Donatur

3. Kelayakan Teknis Tabel 1. Struktur Tabel Donatur

a. Jaringan infrastruktur teknologi yang N Nama Typ Leng Constraint
diterapkan belum memenuhi standar o Field e th
kelayakan pada sistem ini 1 id_donatur Int 10 Primary
b. Sumber daya manusia yang terdapat Key, Not
pada posko-posko pengungsian masih Null, update
banyak yang belum mengerti teknologi cascade,
dan sistem yang diterapkan delete no
c. Jaringan koneksi internet belum merata action,
pada pedesaan ataupun daerah terpencil. 2 nama_don Cha 50 Not null
4. Kelayakan Jadwal atur r
a. Jangka waktu pengaplikasian dan 3 alamat_do Cha 50 Not null
pembangunan sistem yang berjangka 2 natur r
tahun atau sampai 2016 4 JK Cha 10 Not null
b. Metode yang digunakan pada r
pembuatan sistem ini adalah metode 5 telp int 15 Not null
waterfall sehingga membutuhkan
waktu yang lama tetapi dokumentasi 2. Tabel Relawan
tercatat dengan baik.
5. Kelayakan Hukum Tabel 2. Struktur Tabel Relawan
a. Penyalagunaan penggunaan N Nama Field Typ Leng Constrain
kewenangan yang dilakukan oleh o e th t
perusahaan-peusahaan swasta dapat 1 id_relawan Int 10 Primary
diatasi dengan ada kebijakan hukum Key, Not
yang mengatur. Null,
b. Peraturan Pemerintah Nomor 22 Tahun update
2008 tentang Pendanaan dan cascade,
Pengelolaan Bantuan Bencana delete no
(Lembaran Negara Republik Indonesia action,
Tahun 2008 Nomor 43, Tambahan 2 nama_relaw Cha 50 Not null

357
Seminar Nasional Informatika 2014

an r delete no
3 tempat_lahir Cha 50 Not null action,
r 2 id_barang int 10 Foreign
4 Tgl_lahir date - Not null Key
5 alamat char 50 Not null 3 jumlah int 10 CHECK
6 JK char 50 Not null jumlah>
7 telp int 15 Not null =0
8 email char 50 Not null
6. Tabel Distribusi
3. Tabel Posko
Tabel 6. Struktur Tabel Distribusi
Tabel 3. Struktur Tabel Posko N Nama Field Type Leng Constr
N Nama Typ Leng Constraint o th aint
o Field e th 1 id_keluar Int 10 Primar
1 id_posko Int 10 Primary y Key,
Key, Not Not
Null, update Null,
cascade, update
delete no cascade
action, , delete
2 nama_posk Cha 50 Not null no
o r action,
3 tempat_po Cha 50 Not null 2 id_relawan int 10 Foreign
sko r Key
4 id_kecama int 10 Foreign Key 3 id_posko int 10 Foreign
tan Key
5 nama_koor char 50 Not null 1 id_permintaa Int 10 Foreign
dinasi n Key
6 telp int 15 Not null 2 tgl date - Not
null
4. Tabel Penerimaan 3 jam time - Not
null
Tabel 4. Struktur Tabel Penerimaan
N Nama Typ Leng Constraint 7. Tabel Permintaan
o Field e th
1 id_masuk Int 10 Primary Tabel 7. Struktur Tabel Permintaan
Key, Not N Nama Typ Leng Constraint
Null, update o Field e th
cascade, 1 id_permint Int 10 Primary
delete no aan Key, Not
action, Null, update
2 id_relawan int 10 Foreign Key cascade,
3 id_donatur int 10 Foreign Key delete no
4 id_posko int 10 Foreign Key action,
5 tgl Dat - Not null 2 id_relawan int 10 Foreign Key
e 3 id_posko int 10 Foreign Key
6 jam tim - Not null 4 Nama_bara char 50 Not null
e ng
5 tgl date - Not null
5. Tabel Detail Penerimaan
8. Tabel Detail Permintaan
Tabel 5. Struktur Tabel Detail Penerimaan
N Nama Type Leng Constrai Tabel 8. Struktur Tabel Detail Permintaan
o Field th nt N Nama Typ Len Constraint
1 id_masuk Int 10 Primary o Field e gth
Key, Not 1 id_permint Int 10 Primary Key,
Null, aan Not Null,
update update
cascade, cascade, delete

358
 Seminar Nasional Informatika 2014

Laporan Korban Bencana Informasi kebutuhan korban

no action, Posko Donatur

2 id_barang int 10 Foreign Key Laporan Barang Masuk

Laporan Barang Keluar
3 jumlah int - Not Null, Laporan Stok Barang
Laporan permintaan barang
CHECK Data
jumlah>= 0 permintaan
barang
Data Komando
Data Korban
Data Barang
9. Tabel Barang Data Relawan
Sistem Manajemen
Pengadaan Logistik
Informasi Donatur
Data Donatur
Bencana

Tabel 9. Struktur Tabel Barang

N Nama Typ Leng Constraint
o Field e th Laporan Daftar Kebutuhan Informasi Bantuan
Informasi Kebutuhan Korban
1 id_barang Int 10 Primary
Key, Not
Null, update BPBD

cascade,
delete no Gambar 2. Diagram Konteks
action,
2 nama_bara char 50 Not Null 3.4.2. DFD Level I
ng Gambar dibawah ini merupakan gambar DFD
3 id_jenis int 10 Foreign Key level 1 pada sistem ini proses Sistem
Manajemen Pengadaan Logistik Bencana
10. Tabel Jenis_Barang dipecah menjadi 5 proses yaitu : sistem
informassi korban bencana, sistem informasi
Tabel 10. Struktur Tabel Jenis_Barang barang, sistem informassi permintaan, sistem
informasi kebutuhan, sistem informasi
N Nama Typ Leng Constraint
donator.
o Field e th Input data Korban
1 id_jenis Int 10 Primary Posko Data_korban

Key, Not
Null, update Sistem Informasi
Korban bencana
cascade, Laporan Korban Bencana

delete no Barang_masuk

action, Input data Barang

Sistem Informasi
2 nama_jenis char 50 Not Null Laporan Stok Barang
Laporan Barang Masuk
Barang
Stok_Brg

Laporan Barang Keluar

11. Tabel Detail_Keluar Barang_Keluar

Input data permintaan barang

Tabel 11. Struktur Tabel Detail_keluar Sistem Informasi

Pemintaan
Permintaan_Brg
Laporan data permintaan
N Nama Typ Leng Constraint
o Field e th BPBD
Informasi Bantuan
1 id_keluar Int 10 Primary Informasi kebutuhan korban

Key, Not Sistem Informasi

Kebutuhan
Null, update
cascade,
Informasi Donatur
delete no Donatur

action,
2 id_barang int 10 Foreign Key Sistem Informasi
Donatur
Data_Donatur
Informasi Kebutuhan korban
3 jumlah int - Not Null,
CHECK
jumlah>= 0 Gambar 3. DFD Level 1

3.4. Perancangan Sistem

3.4.1. Diagram Konteks
Gambar dibawah ini merupakan gambar
diagram konteks pada sistem ini mempunyai
satu proses yaitu proses Sistem Manajemen
Pengadaan Logistik Bencana.
4. Implementasi Dan Pembahasan
Setelah melakukan analisa terhadap sistem
dan perancangan sistem, maka yang selanjutnya
yaitu melakukan implementasi sistem. Pada
implementasi beberapa inputan masih merujuk ke
sistem yang awal yaitu pada Naskah Publikasi di
STMIK AMIKOM Yogyakarta yang berjudul

359
Seminar Nasional Informatika 2014
“Sistem Informasi Pendistribusian Bantuan
Korban Bencana Alam Berbasis Web pada
Paguyuban Jalin Merapi” pada tahun 2012. Pada
implementasi ini penulis hanya menampilkan
fitur-fitur tambahan yang dianalisa dan dirancang
sebelumnya.
4.1. Halaman Input Permintaan
Gambar dibawah ini merupakan gambar
untuk menginputkan permintaan barang apa saja
yang sesuai dengan kebutuhan korban, baik itu
obat-obatan, selimut, susu atau pakaian. Dimana
form ini di isi oleh kepala posko yang sebelumnya
melakukan survey untuk mengetahui kebutuhan
korban sehingga barang yang di inputkan akurat
dan sesuai dengan kebutuhan korban.
Gambar 4. Halaman Input Permintaan
4.2. Halaman Detail permintaan
Gambar dibawah ini merupakan gambar
untuk menginputkan permintaan
Gambar 5. Halaman Detail Permintaan
360
4.3. Halaman Output Permintaan
Gambar ini merupakan halaman cetak
laporan yang akan di print perperiode. Laporan ini
diberikan kepada Posko sehingga mengetahui
apa-apa saja permintaan barang perperiode.
Gambar 3. Halaman Output Permintaan
5. Kesimpulan
Berdasarkan penelitian dan perancangan
yang penulis kerjakan dan berdasarkan dari
rumusan masalah yang ada pada jurnal
sebelumnya yaitu Naskah Publikasi di STMIK
AMIKOM Yogyakarta yang berjudul “Sistem
Informasi Pendistribusian Bantuan Korban
Bencana Alam Berbasis Web pada Paguyuban
Jalin Merapi” kesimpulan yang di dapat yaitu:
1. Perancangan sistem ini dapat menghemat
biaya dan waktu dalam penyampaian
informasi yang dibutuhkan
2. Sistem ini memberikan informasi kepada
user sehingga informasi dapat dilakukan
secara terbuka
3. Sistem ini menampilkan permintaan barang
logistik, pendistribusian barang logistik dan
laporan barang logistik sehingga ada
transparansi informasi barang logistik.
6. Saran
Beberapa saran untuk sistem yang dirancang ini
adalah :
1. Sistem ini harus dilengkapi dengan fitur-
fitur terkait sehingga penggunaan sistem ini
menjadi lebih optimal.
2. Setiap inputan harus disertai dengan fitur
laporan sehingga data diolah secara
transparansi dan akurat.
Daftar Pustaka
[1] Faya Mahdia dan Fiftin Noviyanto, 2013,
Pemanfaatan Google Maps Api Untuk
Pembangunan Sistem Informasi
Manajemen Bantuan Logistik Pasca
Bancana Alam Berbasis Mobile Web”
Jurnal Sarjana Teknik Informatika Volume
1 Nomor 1, hal 162-171
[2] Peraturan Kepala Badan Nasional
Penanggulangan Bencana No 20 Tahun
2011 “Pedoman Monitoring Dan Evaluasi
 Seminar Nasional Informatika 2014

Manajemen Logistik Penanggulangan Kasus Di Kota Padang, Jurnal Teknik

Bencana” Industri, Vol. 13 No.2, hal 116-125
[3] Rika Ampuh Hadiguna Dan Agus [4] Robert K. Leitch dan K. Roscoe Davis,
Wibowo, 2012, Simulasi Sistim Logistik 1983, Accounting Information Systems,
Bantuan Bencana Gempa–Tsunami: Studi Prentice-Hall, New Jersey.

361
Seminar Nasional Informatika 2014

PERBANDINGAN KINERJA WIRESHARK DAN CAIN DALAM

ANALISIS JARINGAN INTERNET
Edy Victor Haryanto1 , Anderian2
1,2
STMIK Potensi Utama
Jl. K. L Yos Sudarso Km.6,5 No.3A Tanjung Mulia Medan
Email : edyvictor@gmail.com, the.dark.heart19@gmail.com

Abstrak

Pengamanan data pada saat sangat dibutuhkan sekali, apalagi dalam hal jaringan komputer, siapapun dan
dimanapun jaringan kita dapat dibobol atau diakses orang lain tanpa kita sendiri ketahui, maka dari itu perlu
diketahui bagaimana seseorang dapat mengakses jaringan komputer kita atau orang lain, dalam penelitian ini
akan dibahas mengenai metode wireshark dan cain dalam penggunaan jaringan internet

Kata Kunci : Jaringan komputer, sniffing, jaringan nirkabel, Cain.

1. PENDAHULUAN tidaklah tepat diterapkan dalam distributor atau

sebagai inti dalam jaringan.
Seiring dengan semakin berkembangnya
teknologi internet, kejahatan yang memanfaatkan
teknologi ini juga semakin meningkat. Hal ini
ditambah lagi dengan semakin banyaknya
peredaran aplikasi gratis yang dapat digunakan
untuk melancarkan usaha pembobolan suatu
sistem berbasis teknologi jaringan internet. Akan
tetapi internet bukan tanpa resiko, karena
maraknya kegiatan cyber crime akhir-akhir ini
yang bisa mencuri data dan penyadapan transmisi Gambar 1. Akses role dari wireless LAN
pada jaringan. Oleh karena itulah dibutuhkan
suatu aplikasi penganalisa jaringan yang bernama 3. Analisis Hasil Pengujian
Cain dan Wireshark .
Cain adalah suatu aplikasi pemulihan sandi 3.1 Hasil Pengujian Cain
untuk sistem operasi Microsoft. Untuk itu Cain Pengujian yang dilakukan disini adalah
dapat melakukan pemulihan password dengan pada Wifi yang ada, yaitu SSID Wi-Fi. Ujicoba
mengendus protocol jaringan yang ada, membuka yang dilakukan adalah seperti berikut :
password yang didekripsi melalui kamus, Untuk melakukan analisis dengan Cain, maka
merekam percakapan VoIP, memecahkan kode terlebih dahulu dibuka program aplikasi Cain, klik
secara acak, dan memulihkan kunci jaringan kanan pada shortcut Cain, lalu pilih Run As
nirkabel. Administrator.

2. Landasan Teori

2.2 Aplikasi Wireless LAN

2.2.1 Akses Role
Wireless LAN kebanyakan menyebar dalam
suatu lapisan akses,maksudnya mereka digunakan
sebagai suatu titik masukan ke dalam suatu
kabeljaringan. Di masa lalu, akses telah
digambarkan sebagai dial-up, ADSI, kabel /
telegram, selular, Ethernet, Token Ring, Frame
Relay, ATM, dan lain lain. Wireless cara
sederhana yang lain untuk para user dalam Gambar 7. Membuka aplikasi Cain pada
mengakses jaringantersebut. Wireless LAN Windows 7
adalah lapisan jaringan Data-Link seperti cara
akses semuanya hanya mendaftar saja. Dalam
kaitan dengan kecepatan, jaringan nirkabel

362
 Seminar Nasional Informatika 2014

Hasilnya dapat dilihat seperti pada gambar berikut

:

Gambar 8. Tampilan Menu Utama Cain
Selanjutnya, pilih menu Configure, lalu akan
muncul menu Configure seperti berikut :
Gambar 11. Menghidupkan Sistem Sniffer
Pada Cain
Lalu klik tombol add to list yang berwarna biru
untuk menambahkan host yang akan di sniffing,
lalu klik ok.

Gambar 9. Tampilan Letak Menu Configure

pada Cain

Penulis akan melakukan suatu teknik penyadapan

Gambar 12. Memasukkan Host yang Ada Pada
yang dinamakan ARP Poisoning atau yang lebih
Jaringan
dikenal dengan istilah Man In The Middle Attack.
Selanjutnya klik configure lalu tentukan interface
Maka Cain akan menampilkan semua host yang
yang digunakan, disini penulis menggunakan
terdapat pada jaringan, seperti berikut :
wireless. Untuk melihat lebih jelas apakah
tersebut adalah LAN atau wireless, dapat di scroll
ke kanan, lalu klik OK.

Gambar 13. Tampilan dari Semua Host Dalam

Kondisi Idle

Bila dilihat pada gambar di atas, maka status dari

Gambar 10. Tampilan Pemilihan Interface
yang Ingin Digunakan
Lalu pilih tab sniffer, dan juga klik button
sniffer
semua host adalah idle artinya belum ada aktifitas
yang didapat oleh Cain terhadap setiap host yang
ada. Untuk itu, selanjutnya blok semua host dan
klik button arp yang berwarna kuning sebelah
atas, sehingga status semua host menjadi
poisoning.

363
Seminar Nasional Informatika 2014
Gambar 14. Melakukan ARP Poisoning pada
Host yang Sudah Didapat Oleh Cain
Pilih tab password yang berada di sebelah bawah,
sehingga dapat terlihat apakah ada host yang
melakukan login ke dalam suatu situs. Pada
gambar di bawah di dapatkan username dan
password dari salah satu host yang melakukan
login ke situs http://www.ziddu.com, dengan
username the.dark.heart19@gmail.com dan
password krm236
Gambar 15. Hasil Dari Host yang Melakukan
Login
Dari hasil percobaan di atas, maka dapat diketahui
bahwa Cain sangat berguna jika digunakan
dengan baik oleh seorang administrator jaringan.
hitung untuk kenaikan rata kuat sinyal wireless
dari perangkat access point yang kuat sinyalnya
dikuatkan dengan penguat sinyal yang
menggunkaan kaleng minuman bekas dapat
mempengaruhi penguatan sinyal sebesar 15.84158
% dari nilai kuat sinyal access point standart.
Nilai sebesar 15.84158 merupakan nilai hasil rata
– rata penguatan sinyal yang dilakukan terhadap
20 kali pengujian kuat sinyal. Hasil nilai
prosentasi 15.84158 % dapat disimpulkan bahwa
kaleng minuman bekas dapat menaikkan kuat
sinyal transmisi wireless sebesar prosentasi
penghitungan.
3.2. Hasil Pengujian Wireshark
3.2.1. Sniffing Paket HTTP
Uji coba analisis jaringan komputer
melalui komputer user/sniffer mail server
dilakukan melalui sistem operasi Ubuntu Dekstop
12.04, sedangkan client menggunakan sistem
operasi windows, bisa juga digunakan sistem
operasi lain, tetapi penulis pada uji coba
364
perancangan client menggunakan sistem operasi
windows. Disini penulis akan menjelaskan cara
melakukan sniffing pada protocol HTTP
(Hypertext Transfer Protocol), pada akses point
WIFI. Protokol HTTP adalah protokol yang
digunakan untuk transfer data di dalam internet
antara server dan client.
Langkah pertama yang harus dilakukan
adalah masuk sebagai root user dari terminal
linux, ketik ctrl+alt+t dari keyboard untuk
membuka terminal, lalu ketikkan sudo su untuk
masuk sebagai root user, lalu masukkan
passwordnya, dan ketik sudo wireshark untuk
memanggil aplikasi Wireshark seperti pada
gambar berikut ini :
Gambar 16. Tampilan Perintah dan Menu
Utama Wireshark
Setelah tampilan Wireshark muncul, pilih tab
capture lalu capture option untuk memilih
interface jaringan yang kita gunakan, disini
penulis memakai LAN, sehingga interface dipilih
adalah eth0.
Gambar 17. Tampilan Capture Options
Wireshark
Setelah itu, maka akan muncul hasil record yang
didapat secara real time oleh Wireshark, tetapi
karena Wireshark merekam semua lalu lintas
yang terdapat dalam jaringan, maka semua
informasi tersebut akan langsung di capture
dalam tampilan Wireshark. Untuk itu diperlukan
filter untuk menentukan paket apa saja yang ingin
diketahui oleh user. Ketikkan http pada kolom
filter sehingga paket yang muncul adalah yang
memakai protokol http.
 Seminar Nasional Informatika 2014

analisis paket pada protokol HTTPS. Masih dalam

live capture yang sama, penulis akan
menganalisis salah satu paket yang terekam dari
situs http://www.facebook.com yaitu paket logout
dari salah satu user, seperti terlihat dalam gambar
IV.5 berikut ini.

Gambar 18. Tampilan Wireshark dengan

Filter Http

Lalu setelah ditemukan paket protokol yang

diinginkan, seperti pada gambar, berasal dari situs
http://www.ziddu.com. klik kanan pada paket
tersebut, lalu klik Follow TCP Stream untuk
melihat detail informasi yang didapatkan dari
paket tersebut. Gambar berikut merupakan isi
detail paket tersebut. Gambar 20. Paket Logout dari Host Facebook

Klik kanan, dan pilih Follow TCP String untuk

melihat detailnya, dan akan muncul seperti
gambar berikut ini.

Gambar 19. Tampilan Detail Paket HTTP

yang Dicapture

3.2.1.1. Analisis Paket HTTP Gambar 21. Detail Paket dari Logout
Berdasarkan paket yang didapat, host Facebook
tujuan yang digunakan adalah
http://www.ziddu.com, hal tersebut berdasarkan Untuk melihat server enkripsi yang digunakan
pada baris informasi paket yaitu Referer: situs ini, maka dapat dilakukan dengan mengetik
http://www.ziddu.com/upload.php. Tanggal pada filter, sintaks berikut : ssl contains
pengambilan paket terlihat pada baris Date: Thu, "facebook". Maka akan muncul paket data
07 Nov 2013 16:16:36 GMT, yaitu hari Kamis, 7 protokol SSL ( Secure Socket Layer) yaitu
November 2013. Server host ziddu menggunakan protokol keamanan data yang digunakan untuk
Apache, sesuai dengan baris informasi Server: menjaga pengiriman data antar server dan client.
Apache. Pada baris yang diseleksi, terdapat
informasi mengenai akun pengguna yaitu
username : Poo22, dan email :
the.dark.heart19@gmail.com. Hal tersebut
merupakan salah satu kelemahan protokol HTTP,
karena tidak memiliki enkripsi, sehingga
seringkali username dan password pengguna
dapat tertangkap oleh pengguna yang tidak
berhak. Untuk itu tidak ada, transaksi internet
banking, dan pembayaran lainnya menggunakan
protokol ini.

3.3. Sniffing Paket HTTPS (HTTP Secure)

Untuk mengetahui perbedaannya dengan
protokol HTTP, maka penulis akan menjabarkan Gambar 22. Tampilan Filter SSL Facebook

365
 Seminar Nasional Informatika 2014

Daftar Rujukan

[1] Witono Timotius. 2006. Linux-Based

Access point Dalam Wireless LAN. (Jurnal
Informatika, Vol. 2, No.2). Bandung :
Sekretariat Jurnal Informatika UKM
[2] Arifin Zaenal. 2008. Sistem Pengamanan
Jaringan Wireless LAN. Yogyakarta :
ANDI
[3] Purbo, Onno.W, 1998, TCP/IP Standar,
Gambar 23. Detail Paket Protokol SSLv1 pada Desain dan Implementasi, PT. Elex Media
Facebook Komputindo, Jakarta.
[4] Joko I. Mumpuni dan Adisuryo Wardono.
3.3.1. Analisis Paket HTTPS (HTTP Secure) 2006. Meningkatkan Kemampuan Jaringan
Berdasarkan paket logout yang terekam, [5] Komputer. Yogyakarta : ANDI
maka dapat dilihat bahwa paket dalam keadaan
sudah terenkripsi, hal tersebut terlihat pada baris [6] Prakoso Samuel. 2005. Jaringan Komputer
yang diseleksi yaitu cookie, seperti datr = Linux Konsep Dasar, Instalasi, Aplikasi,
NG51Ugn8Md-RnipEwrEEIrM2, dan facebook Keamanan, dan Penerapan. Yogyakarta :
menulis data ID pengguna yaitu pada c_user = ANDI
100001236222422 dan selanjutnya. Facebook [7] Nuraksa Makodian dan Lingga Wardhana.
menggunakan jasa suatu server untuk keperluan 2009. Teknologi Wireless Communication
enkripsi. Hasilnya berdasarkan gambar, diketahui dan Wireless Broadband. Yogyakarta :
bahwa server yang mememberikan tanda tangan ANDI
digital dalam keperluan dekripsi, terlihat pada [8] Stalling W, Data and Computer
gambar, yaitu www.verisign.com. Communication, Macmillan Publishing,
Perbandingan antara Wireshark dan Cain 1985.
[9] Hartono,Jogianto.1999.Pengenalan
Wireshark Cain omputer, dasar ilmu komputer,
1. Untuk penggunaan 1. Tidak tersedia untuk pemrograman,sistem informasi dan
pada OS Linux, Linux, dan tidak intelegnsi buatan.Yogyakarta : Penerbit
dibutuhkan aplikasi memerlukan aplikasi lain ANDI
pendukung seperti sebagai pembantu. [10] Stalling, W.Local Network, Macmillan
Ettercap agar Publishing Company, 1985
mendapat hasil [11] Arifin Zainal.2005.Langkah Mudah
sniffing yang lebih Membangun Jaringan Komputer.
baik. Yogyakarta :Penerbit ANDI
2. Memiliki banyak Fungsinya lebih ke [12] IEEEb http://www.IEEE802.org/11/
fungsi seperti enkripsi kata sandi Diakses terakhir pada tanggal 11
pemeliharaan jaringan November 2012 , pukul 22.55 WITA
jaringan, mencari [13] Wireless Technology
pengguna arp [14] Hidayat Risanuri.2003. Wireless LAN.
poisoning, dll. Yogyakarta
[15] http://compnetworking.about.com/cs/wirel
ess80211/a/aa80211standard.htm/
4. Kesimpulan
Diakses terkahir pada tanggal 20
November 2012, pukul 18:05 Signal
Berdasarkan dari proses pengujian yang
Interferensi
telah dilakukan, dapat disimpulkan bahwa
[16] http://www.far-far-
keamanan yang dimiliki oleh jaringan tanpa kabel
away.com/~yousif/articles/wifi-sig.php
atau wireless cukup rentan akan penyadapan,
Diakses terakhir pada tanggal 25 Oktober
karena dengan melalui Cain, serangan Man In The
2012 , pukul 22.00 WITA.
Middle Attack dapat dilakukan tanpa adanya
rintangan atau kemanan yang harus dilalui.

366
 Seminar Nasional Informatika 2014

PENERAPAN CERTAINTY FACTOR DALAM SISTEM PAKAR

MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN PAPAYA
Khairul Ummi, Edi Kurniawan

STMIK Potensi Utama, Jl. K.L Yos Sudarso Km.6,5 No.3A Tanjung Mulia
ummi12gibmie@gmail.com

Abstrak

Pepaya merupakan salah satu buah yang banyak dinikmati, selain rasanya yang manis menyegarkan, pepaya
juga mengandung nutrisi yang sangat baik bagi kesehatan. Betakaroten, Vit C, Vit B1, B2, Kalsium, Fospor,
Kalium, dan Betakaroten berfungsi sebagai antioksidan. Sehubungan dengan upaya pembudidayaan pepaya,
terdapat beberapa kendala, diantaranya adalah hama dan penyakit. Menurut hasil wawancara dengan petani
pepaya, pengetahuan masyarakat, khususnya para petani pepaya sangat minim. Kurangnya informasi yang
didapat oleh para penyuluh pertanian untuk memberikan pengarahan pada para petani pepaya juga
merupakan permasalahan utama yang menjadi dasar dibangunnya Sistem Pakar untuk Mendiagnosis
Penyakit pada Tanaman Pepaya. Dalam menentukan keputusan jenis penyakit tanaman pepaya, sistem ini
menggunakan konsep Certainty Factor (CF). Sistem akan mencari nilai CF tertinggi, dari berbagai
kemungkinan jenis penyakit berdasarkan gejala yang dimasukkan user dan hasilnya ditampilkan kepada user.
Sistem Pakar untuk Mendiagnosis Penyakit pada Tanaman Pepaya menghasilkan keputusan penentuan jenis
penyakit berdasarkan gejala yang dimasukkan. Nilai CF yang mungkin dihasilkan adalah antara 0 sampai
dengan 1. Jika nilai CF yang dihasilkan semakin mendekati 1, maka semakin tinggi kepastian terkena
penyakit terkait. Sebaliknya, Jika nilai CF yang dihasilkan semakin mendekati 0, maka semakin rendah
kepastian terkena penyakit terkait. Hasil diagnosis yang ditampilkan bagi pengguna meliputi nama penyakit,
gejala, dan Solusi mengatasi hama dan penyakit pada tanaman pepaya.

Kata kunci : Certainty Factor, Tanaman Pepaya, Sistem Pakar

PENDAHULUAN dalam dunia kesehatan maupun kecantikan. Tidak

Perkembangan teknologi dan Ilmu
Pengetahuan yang pesat pada saat ini, menuntut
adanya kemudahan proses pada segala bidang
kerja. Komputer merupakan salah satu media
yang mempunyai banyak kelebihan diantaranya
kecepatan, keakuratan dan efisien dalam
pengolahan data dibanding dengan sistem manual.
Dalam kehidupan modern seperti sekarang ini,
informasi telah menempati posisi yang sangat
menentukan, karena kondisi seperti itu sehingga
banyak orang menyebut sebagai zaman informasi.
Pengembangan kecerdasan buatan khususnya
dibidang sistem pakar menjadi sesuatu yang
masih sangat sulit untuk di implementasikan. Hal
ini disebabkan karena masih adanya keterbatasan
sistem, baik perangkat keras maupun perangkat
lunak untuk melakukan pengolahan data berskala
besar, padahal kekuatan utama sistem pakar
adalah basis pengetahuan dan basis aturan yang
terdiri atas kumpulan data yang sangat banyak.
Pepaya merupakan salah satu buah yang
banyak dinikmati, selain rasanya yang manis
menyegarkan, pepaya juga mengandung nutrisi
yang sangat baik bagi kesehatan. Betakaroten, Vit
C, Vit B1, B2, Kalsium, Fospor, Kalium, dan
Betakaroten berfungsi sebagai antioksidan. Selain
itu Manfaat pepaya memang bisa digunakan
hanya buahnya saja yang bisa kita ambil
manfaatnya, namun daun pepaya juga sangat
berkhasiat dan baik untuk kesehatan tubuh sehari-
hari, mulai dari untuk menambah nafsu makan,
memperlancar pencernaan, hingga digunakan
sebagai masker untuk mengatasi jerawat. Tapi
Banyak masyarakat yang kurang paham tentang
penyakit tanaman pepaya. Untuk memperoleh
Informasi tentang penyakit, gejala dan cara
penanggulangan penyakit pada tanaman papaya.
LANDASAN TEORI
Sistem Pakar
Bidang sistem pakar merupakan
penyelesaiaan pendekatan yang sangat berhasil
dan bagus untuk permasalahan AI (Artificial
Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan
solusi AI bagi masalah pemrograman pintar
(intelligent). Profesor Edward Feigenbaum dari
Stanford University yang merupakan pionir dalam
teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program kamputer pintar
(intelligent computer program) yang
memanfaatkan pengetahuan (knowledge) dan
prosedur inferensi (inference procedure) untuk

367
Seminar Nasional Informatika 2014
memecahkan masalah yang cukup sulit sehingga
membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem
komputer yang ditujukan untuk meniru semua
aspek (emulates) kemampuan pengambilan
keputusan (decision making) seorang pakar.
Sistem pakar memanfaatkan secara maksimal
pengetahuan khusus selayaknya seorang pakar
untuk memecahkan masalah. [1]
Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang
dapat diambil dengan adanya sistem pakar, antara
lain [2]:
13. Membuat seorang yang awam bekerja seperti
layaknya seorang pakar.
14. Meningkatkan produktivitas akibat
meningkatnya kualitas hasil pekerjaan,
mengingkatnya kualitas pekerjaan ini
disebabkan meningkatnya efisiensi kerja.
15. Menghemat waktu kerja.
16. Menyederhanakan pekerjaan.
17. Merupakan arsip terpercaya dari sebuah
keahlian, sehingga bagi pemakai sistem pakar
seolah-olah berkonsultasi langsung dengan
sang pakar, meskipun mungkin sang pakar
telah tiada.
Memperluas jangkauan, dari keahlian seorang
pakar. Di mana sebuah sistem pakar yang telah
disahkan, akan sama saja artinya dengan seorang
pakar yang tersedia dalam jumlah besar (dapat
diperbanyak dengan kemampuan yang persis
sama), dapat diperoleh dan dipakai di mana saja.
Metode Certainty Factor
Dalam aplikasi sistem pakar terdapat suatu
metode untuk menyelesaikan
masalahketidakpastian data, salah satu metode
yang dapat digunakan adalah faktor kepastian
(certainty factor ) (Kusrini, 2008). Faktor
keyakinan diperkenalkan oleh ShortliffeBuchanan
dalam pembuatan MYCIN (Wesley).Certainty
factor (CF) merupakan nilaiparameter klinis yang
diberikan MYCIN untuk menunjukan besarnya
kepercayaan. Ada 2 macam faktor kepastian yang
digunakan, yaitu faktor kepastian yang diisikan
oleh pakarbersama dengan aturan dan faktor
kepastian yang diberikan oleh pengguna.Faktor
kepastian yang diisikan oleh pakar
menggambarkan kepercayaan pakarterhadap
hubungan antara antacedent dan konsekuen.
Sementara itu faktor kepastian daripengguna
menunjukan besarnya kepercayaan terhadap
keberadaan masing-masing elemen dalam
antecedent.
Penerapan Metode Certainty Factor
Certainty factor diperkenalkan oleh Shortliffe
Buchanan dalam pembuatan MYCIN (Wesley
1984).Certainty factor (CF) merupakan nilai
368
parameter klinis yang diberikanMYCIN untuk
menunjukkan besarnya kepercayaan.
Certainty factor didefinisikan sebagai berikut
(Giarattano dan Riley, 1994):
CF(H,E) = MB(H,E) - MD(H,E)……………[2.1]
CF(H,E): certainty factor dari hipotesis H yang
dipengaruhi oleh gejala (evidence) E.Besarnya CF
berkisar antara -1 sampai dengan 1. Nilai -1
menunjukanketidakpercayaan mutlak sedangkan
nilai 1 menunjukan kepercayaan mutlak.
MB(H,E): ukuran kenaikan kepercayaan (measure
of increased belief ) terhadaphipotesis H yang
dipengaruhi oleh gejala E.
MD(H,E): ukuran kenaikan ketidakpercayaan
(measure of increased disbelief )
terhadaphipotesis H yang dipengaruhi oleh gejala
E.
2.3. Menentukan CF Paralel
Menurut Kusrini (2008) pengertian mengenai
certainty factor paralel dan contoh penerapannya
adalah sebagai berikut.Certainty factor paralel
merupakan CF yangdiperoleh dari beberapa
premis pada sebuah aturan. Besarnya CF paralel
dipengaruhi olehCF user untuk masing-masing
premis dan operator dari premis. Rumus untuk
masing-masing operator adalah sebagai berikut :
CF (x Dan y)= Min(CF(x),CF(y)) .…….……[2.2]
CF (x Atau y)=
Max(CF(x),CF(y))……….…..[2.3]
CF (Tidak x)= -CF(x)..………………………[2.4]
Pengetahuan mengenai Tanaman Pepaya
Pepaya merupaka tanaman buah berupa herba dari
family Caricaceae yang berasal dari amerika
tengan dan Hindia barat, bahkan kawasan sekitar
meksiko dan kosta rika. Tanaman papaya ditanam
orang, baik didaerah tropis maupun subtropics,
disaerah-daerah basah dan kering, atau didaerah-
daerah dataran pegunungan (sampai 1.00 m dpl).
Buah papaya merupakan buah meja bermutu dan
bergizi tinggi. Papaya merupakan salah satu jenis
buah yang memiliki prospek yang baik untuk
dikembangkan di Indonesia.[4]
METODOLOGI PENELITIAN
Subjek penelitian ini adalah membuat aplikasi
sistem pakar penentuan penyakit pada tumbuhan
pepaya berdasarkan gejala yang ada dan
memberitahukan cara penanggulangan dari
penyakit tanaman pepaya dengan menggunakan
metode certainty factor. Langkah yang dilakukan
dalam penelitian ini meliputi analisis data:
mengumpulkan data dan mendiskripsikan data.
Perancangan Sistem : Mengidentifikasi masalah
dan kebutuhan, menentukan masalah yang cocok,
 Seminar Nasional Informatika 2014

akusisi Pengetahuan, rekayasa Pengetahuan : Factor dengan menentukan nilai CF untuk

tabel keputusan, pohon keputusan, tabel aturan, Penyakit dan Gejala. Metode penanganan
perancangan sistem : DVD level 0 dan flowchart ketidakpastian pada sistem pakar identifikasi
sistem. hasil program : form hasil konsultasi. penyakit Tanaman pepaya ini menggunakan
certainty factor dengan rentang CF antara -1
(definitely false) sampai +1 (definitely true)
ANALISA DAN PERANCANGAN SISTEM
Tabel 1. Nilai CF untuk Penyakit
Analisa Kode Nilai
Untuk mendiagnosa penyakit pada tanaman Nama Gangguan
Gangguan CF
pepaya perlu diketahui terlebih dahulu gejala- 0.6
P001 Kutu Putih
gejala yang timbul. Meskipun dari gejala klinis
(gejala-gejala yang terlihat langsung). Ada 3 tabel P002 Kutu Tanaman ( Aphid ) 0.7
untuk membantu Rule basis pengetahuan P003 Tungau ( Acarina ) 0.6
menentukan nilai CF untuk mendiagnosa penyakit P004 Lalat Buah 0.5
pada tumbuhan pepaya yaitu tabel penyakit, tabel
gejala, tabel solusi, serta akan digambarkan Tabel 2. Nilai CF untuk Tabel Gejala
dengan menggunakan pohon keputusan. Kode Nilai
Nama Gejala
Gejala CF
Perancangan Sistem G001 Terdapat bercak putih pada 0.7
Penggambaran perancangan sistem menggunakan belakang daun
DFD Level 0 dan Flowchart sebagai berikut :
G002 Daun terlihat layu 0.8
G003 Tumbuhan Sulit Berkembang 0.6
Gejala Penyakit Sistem Pakar
Konfirmasi Logon G004 Pucuk daun mengering 0.8
User mendiagnosa Pakar
Penyakit Tanaman G005 Daun menggulung 0.8
Nama Penyakit pepaya Nama Penyakit
Informasi Penyakit GejalaPenyakit G006 Bentuk bunga tidak sempurna 0.7
Informasi Penyakit
Aturan Nilai CF G007 Daun muda menjadi pucat 0.7
Konfirmasi Logon
ketika membesar
Gambar 1. DVD Level 0 G008 Bercak merah pada daun tua 0.6
G009 Ada tenunan seperti sarang 0.8
laba - laba pada permukaan
bawah daun
Mulai
G010 Sel - sel daun membesar karena 0.6
pengaruh enzim
G011 Buah membusuk di sebagian 0.8
Tampilkan Pilihan
gejala
tempat
G012 Busuk pada buah berair 0.7
G013 Banyak buah muda yang 0.5
rontok
Baca pilihan gejala
sesuaikan dengan aturan
Tabel 3. Tabel Solusi
Kode Kode
Solusi
Solusi Gangguan
Penyiraman tanaman
If solusi = 0 Solusi = kdpenyakit dengan pestidida dan
S001 P001
perhatian untuk
pemeliharaan lebih rutin
Tampilkan hasil Penyemprotan tepung deris
diagnosa S002 P002
atau tepung belerang
Penyemprotan tepung deris
S003 P003
atau tepung belerang
Selesai Menjaga kebersihan areal
S004 P004 pertanaman dan menginfus
tanaman dengan insektisida
Gambar 2. Flowchart sistem

Perencanaan pembuatan sistem meliputi

perencanaan sistem pakar dalam perancangan
sistem diagnosa menggunakan metode Certainty

369
Seminar Nasional Informatika 2014

Gambar 4. Form Konsultasi

Tabel 4. Tabel Keputusan Form hasil konsultasi
Kode Kode Gangguan
Gejala P001 P002 P003 P004
G001 *
G002 *
G003 *
G004 *
G005 *
G006 *
G007 *
G008 *
G009 *
G010 *
G011 *
G012 * Gambar 5. Form Hasil Konsultasi
G013 *

PEMBAHASAN

Dari tabel yang sudah dipaparkan sebelumnya

maka sebagai hasil uji coba sistem aplikasi yang
dibangun dihitung untuk tingkat keakuratan
menggunakan metode CF.

Tabel 5. Contoh perhitungan

No Gejala Penyakit Nilai
CF
1 Terdapat bercak Kutu Putih 0,7
putih pada belakang
daun
2 Daun terlihat layu Kutu Putih 0,8
Gambar 3. Pohon Keputusan 3 Tumbuhan Sulit Kutu Putih 0,6
Berkembang
HASIL dan PEMBAHASAN

Hasil
Dari hasil perancangan sistem yang sebelumnya CF(H,e) = CF (E,e) * CF(H,E)
terdapat hasil tampilah aplikas yang dibangun CF(E,e) = 1  nilai kepastian
sebagai berikut : CF(H,E) = min [ Rule CF(H,e)]
 nilai 1 jika menggunakan min, -1 jika
Form konsultasi menggunakan max untuk batas kepastian
CF(H,e) = 1 * min [0.7, 0.8, 0.6]
CF(H,e) = 0.6
Dari perhitungan di atas, didapatkan nilai faktor
kepastian dari masukan gejala untuk gangguan
hama kutu putih adalah 0,6

KESIMPULAN

Pada penelitian ini menggunakan metode

certainty factor dalam pengembangan sistem
pakar untuk mendiagnosa Tanaman Pepaya. Hasil
akhir yang didapat dalam aplikasi berupa jenis
penyakit berdasarkan gejala yang dipilih oleh
user. Pada penerapan certainty factor dalam

370
 Seminar Nasional Informatika 2014

permasalahan ini dikatakan sudah sesuai dengan [2] Sari Ria Eka, 2013, Sistem Pakar Untuk
hasil perhitungan manual dan hasil diberikan oleh Mendeteksi Penyakit THT Dengan
sistem. Berdasarkan hasil analisa yang dilakukan Menggunakan Metode Forward Chaining,
dengan teknik sampling menunjukkan hasil 80% Prosiding SNIf STMIK Potensi Utama
dengan nilai CF yang telah ditetapkan., pengguna 2013.
merasa pada aplikasi yang dibuat sangat baik [3] Kusrini, 2008, Menentukan Faktor
dengan presentase 80 %. Kepastian Pengguna dengan metode
kuantifikasi pertanyaan, Yogyakarta : Andi.
DAFTRA PUSTAKA [4] Tim Karya Tani Mandiri, 2011, Pedoman
Bertanam Pepaya, Bandung : Nusa Aulia
[1] Rosnelly Rika, 2012, Sistem Pakar Konsep
dan Teori, Yogyakarta, Andi Offset.

371
Seminar Nasional Informatika 2014

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN

MAHASISWA TUGAS BELAJAR
Cucut Susanto1, Abdul Ibrahim2
1,2
Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dipanegara Makassar
Jl. Perintis Kemerdekaan Km 9 Tamalanrea Makassar Telp. 0411-587194\
Email : cucut73@yahoo.com1, dg_b01m@yahoo.com2

Abstrak

Sistem Pendukung Keputusan Penentuan Mahasiswa Tugas Belajar merupakan program aplikasi yang dapat
dengan mudah dioperasikan dan digunakan guna menyeleksi para pegawai negeri sipil yang akan diberikan
penghargaan berupa tugas belajar ke perbagai jenjang pendidikan tinggi yang tersebar dibeberapa kota di
Indonesia dalam rangka peningkatan kualitas sumber daya aparatur. Hasil dari penelitian ini adalah bahwa
Sistem Pendukung Keputusan ini dibuat dengan pemodelan yang memperhatikan berbagai faktor yang
dipakai sebagai kriteria penilaian dan pemberian bobot diantaranya masa kerja, usia, kepangkatan, senioritas,
keadilan dan berbagai faktor lainnya yang dianggap relevan dengan kondisi dan realita pada Pemerintah
Kabupaten Maros. Model yang dibangun bersifat sederhana dan mudah untuk dioperasikan/digunakan serta
dilengkapi petunjuk penggunaan, memiliki kriteria-kriteria yang dapat dirubah bobot nilainya sesuai dengan
kesepakatan dan kebutuhan, dan sebagai penentu mahasiswa tugas belajar memberikan penilaian kepada
setiap calon mahasiswa guna membantu Pimpinan Daerah untuk menentukan Calon Mahasiswa tugas belajar
yang paling layak pada Pemerintah Kabupaten Maros.

Kata kunci : Sistem Pendukung Keputusan, Penentuan

1. Pendahuluan Pengembangan sumber daya manusia dalam suatu

Dengan telah diundangkannya UU No. 22
Tahun 1999 tentang Pemerintahan Daerah,
dimana daerah diberikan kewenangan yang luas,
nyata dan bertanggungjawab secara proporsional
yang diwujudkan melalui pengaturan dan
pemanfaatan sumber daya nasional yang
berkeadilan, muara dari pelaksanaan otonomi
daerah adalah terselenggaranya pemerintahan
yang baik (Good Governance) dan
bertanggungjawab. Pembaharuan berbagai
kebijaksanaan pemerintah untuk mengakselarasi
implementasi otonomi daerah secara umum dan
perwujudan visi dan misi Kabupaten Maros,
diharapkan dapat menjadi instrumen yang efektif
untuk mengoptimalkan pemberdayaan dan
pemanfaatan sumber daya daerah, sehingga pada
gilirannya daerah dapat meningkatkan kelancaran
dan kesinambungan pembangunan namun
keberhasilan penyelenggaraan otonomi daerah
sangat ditentukan oleh kesiapan dan kemampuan
daerah itu sendiri dalam mengelola dan
memberdayakan seluruh potensi dan sumberdaya
yang tersedia secara sinergi, untuk dimanfaatkan
bagi kepentingan pembangunan daerah khususnya
dan pembangunan nasional pada umumnya
(www.kominfo.com, 3/03/04). Pengembangan
dan peningkatan Sumber Daya Manusia
merupakan faktor yang sangat penting dalam
memberikan jawaban terhadap berbagai masalah
yang terjadi dalam suatu organisasi.
organisasi formal/birokrasi sudah merupakan
keharusan. Karena keterbatasan kemampuan dan
rendahnya profesionalisme pada gilirannya akan
memberikan sumbangan yang sangat terbatas bagi
pencapaian tujuan suatu organisasi, lebih khusus
pada pemerintahan di daerah.
Pengembangan sumber daya manusia pada
umumnya dan aparatur khususnya di daerah
dilaksanakan melalui pendidikan dan latihan yang
bertujuan meningkatkan semangat pengabdian,
kualitas, keahlian, keterampilan juga diarahkan
untuk mewujudkan pola pikir yang luas dan
berwawasan nusantara. Pengembangan dan
peningkatan aparatur mengacu pada Manajemen
Pegawai Negeri Sipil yang merupakan
keseluruhan upaya-upaya untuk meningkatkan
efisiensi, efektivitas dan derajat profesionalisme
penyelenggaraan tugas, fungsi dan kewajiban
kepegawaian yang meliputi perencanaan,
pengadaan, pengembangan kualitas, penempatan,
promosi, penggajian, kesejahteraan dan
pemberhentian. ( UU RI No. 43 Tahun 1999).
Seiring dengan perkembangan ilmu dan
teknologi, pemanfaatan komputer diberbagai
bidang sudah merupakan keharusan. Computer
Based Information System ( Sistem Informasi
Berbasis Komputer) yang salah satunya adalah
Sistem Pendukung Keputusan ( Decision Support
Systems) adalah suatu sistem informasi komputer
yang interaktif yang dapat memberikan alternatif
solusi bagi pembuat keputusan.

372

Keputusan oleh seorang pimpinan yang
berdampak luas bagi institusi secara keseluruhan,
memerlukan suatu kecermatan dan ketelitian.
Kesalahan dalam pengambilan keputusan
mengakibatkan kemunduran bahkan kehancuran
suatu institusi. Sistem pendukung keputusan
berbasis komputer saat ini banyak dikembangkan
untuk meningkatkan efektifitas pengambilan
keputusan dalam memecahkan permasalahan.
Dalam sistem ini yang memegang peranan
penting adalah pengambil keputusan karena
sistem hanya menyediakan alternatif keputusan,
sedangkan keputusan akhir tetap ditentukan oleh
pengambil keputusan.
Berdasarkan latar belakang diatas maka
perlu dibangun suatu sistem yang dapat
memudahkan dan menyederhanakan pekerjaan
dalam pengambilan keputusan (Decision making)
oleh Pimpinan Daerah pada Pemerintah
Kabupaten Maros dengan tetap
mempertimbangkan faktor-faktor pendukung
secara obyektif untuk menentukan Pegawai
Negeri Sipil yang berhak mendapat promosi tugas
belajar.
Penulisan ini bertujuan untuk membuat
rancang bangun sistem Pendukung Keputusan
Penentuan Mahasiswa Tugas Belajar pada
Pemerintah Kabupaten Maros, yang nantinya
dapat digunakan untuk pengembangan
selanjutnya.
2. Dasar Teori
Proses pengambilan keputusan pada
dasarnya adalah memilih suatu alternatif. Metode
Analitycal Hierarchi Proses (AHP) adalah sebuah
hirarki fungsional, dimana suatu masalah
kompleks dan tidak terstruktur dipecahkan ke
dalam kelompok-kelompoknya. Kemudian
kelompok-kelompok tersebut diatur menjadi suatu
bentuk hierarki. [4, 45-46].
Program Linear merupakan teknik yang banyak
digunakan dalam penelitian operasional
(operation research). Program Linear ini
dipandang sebagai teknik pengambilan keputusan
karena dengan pengintegrasian secara serentak
dan pelaksanaan operasi secara berurutan
waktunya, dengan menggunakan fasilitas-fasilitas
yang tersedia, keputusan diambil dengan
Seminar Nasional Informatika 2014
memperhitungkan segala kemungkinan sehingga
efisiensi optimal dapat tercapai [6, 67-68]
Pengembangan penggunaan teknologi
informasi dalam urusan kepegawaian pernah
dilakukan oleh P.S. Eka (2003) yang membuat
sistem informasi manajemen kepegawaian di
lingkungan Pemerintah Kabupaten Sleman
Yogyakarta. Sistem ini ditujukan untuk
menyediakan informasi kepegawaian yang cepat,
lengkap dan akurat juga Sistem Pendukung
Keputusan dengan pemodelan untuk Badan
Pertimbangan Jabatan dan Kepangkatan dengan
memanfaatkan data keluaran Simpeg ( Sistem
Informasi Manajemen Kepegawaian) pada Pemda
Propinsi Bengkulu [5, 35-36].
Perancangan Sistem Pendukung
Keputusan Perhitungan biaya pembuatan cetakan
plastik. SPK yang dibangun adalah Specific
Decision Support Systems (SDSS) yang dirancang
dengan cara cepat (quick hit) melalui pendekatan
iteratif dan pengembangan secara bertahap.
Teknik ini dipilih dengan mempertimbangkan
bahwa DSS (Decision Support Systems) yang
dibuat adalah sebuah DSS baru, dengan waktu
pembuatan yang singkat dan melibatkan
pengguna secara aktif [1, 29-30]
Juga Sistem Pendukung Keputusan
Pemandu Kenaikan Pangkat/Jabatan Dosen
dengan studi kasus Fakultas MIPA UGM, dimana
bertujuan untuk mendukung dan memudahkan
para dosen dan administrator sebagai pemandu
kenaikan pangkat/jabatan dengan melihat angka
kredit yang telah diperoleh [2, 100-101].
3. Metode Penelitian
Penelitian nantinya akan dilakukan melalui
metode – metode :
1. Studi Kepustakaan yaitu Penelusuran
informasi kepustakaan baik mengenai SPK
maupun PNS status tugas belajar.
2. Wawancara dan Observasi, mencari dan
mengumpulkan data-data yang ada
relevansinya dengan di Lingkungan
Pemerintah Kabupaten Maros.
3. Merancang, Implementasi dan pengujian
terhadap Sistem Pendukung Keputusan
Penentuan PNS Tugas Belajar.
373
Seminar Nasional Informatika 2014

4. Pembahasan

Kepegawaian

Data calon MTB

Data Pribadi PNS SPK Laporan Hasil
Penentuan penilaian
Mahasiswa
Kriteria, nilai dan tugas belajar Bupati
bobot

Admin

Gambar 1. DFD Diagram Konteks

Keterangan :
MTB : Mahasiswa Tugas Belajar
nilainya ada pada Bupati (admin). Gambar 4.
4.1 Desain Dialog Login ke Sistem menunjukan implementasi dari proses pengaturan
Form ini digunakan untuk mengatur hak kriteria dan bobot nilai.
akses pemakai terhadap sistem, dimana masing-
masing diberi kewenangan yang berbeda-beda
dalam pengelolaan sistem tersebut, dimana admin
diberi wewenang untuk perubahan settingan
komponen kriteria, nilai dan bobot sedangkan
user dibatasi hanya mengoperasikan sistem secara
keseluruhan.

Gambar 4. Dialog Sub Menu Set Bobot

Kriteria

Gambar 2. Desain dialog login 4.4 Dialog Sub Menu Set Kriteria Penilaian
Umum
4.2 Dialog Menu Utama Form setting kriteria ini berisi kriteria –
Form menu utama baru dapat kriteria selain daripada kriteria yang telah disebut
ditampilkan apabila kita telah melaksanakan login sebelumnya, di antaranya nilai dan krteria lama
sistem secara benar. Baik sebagai user biasa bekerja, DP3 selama 2 tahun, Status Pegawai, test
maupun sebagai admin. masuk dan sebagainya. Gambar 5. menunjukan
implementasi dari proses pengaturan kriteria
umum dan nilai-nilainya.

Gambar 3. Dialog Menu Utama

4.3 Dialog Sub Menu Set Bobot Kriteria

Form ini berfungsi untuk pengaturan bobot
dan kriteria penilaian secara khusus dan umum,
dimana hak perubahan jenis kriteria dan bobot

374

Gambar 5. Dialog Sub Menu Kriteria
Penilaian umum
4.5 Dialog Menu Aktivitas
Form menu aktivitas terdiri dari input data
pegawai, daftar data pegawai dan proses
penilaian. Gambar 6 menunjukan implementasi
dari menu proses pemasukan data pegawai dan
proses penilaian.
Gambar 6. Dialog Menu Aktivitas
4.6 Form Pemasukan Data Pribadi Pegawai
Form sub menu Input data pribadi
pegawai berisi identitas dari setiap pendaftar
sebagai calon mahasiswa. Gambar 7.
menunjukan implementasi dari proses
pemasukan data pribadi pegawai.
Gambar 7. Dialog Sub Menu Input Data
Pribadi Pegawai
4.7 Penilaian Masa Kerja
Kriteria masa kerja adalah masa kerja pegawai.
Rumus perhitungannya masa kerja keseluruhan
adalah:
Tanggal system - TMT CPNS = Masa Kerja
Keseluruhan
Mengacu pada gambar dengan masa kerja 24
tahun, maka dengan bobot 7 % dikalikan nilai 100
maka hasilnya adalah 7.
4.8 Analisa Penilaian Umum
Penilaian khusus merupakan penilaian
terhadap jenis kriteria khusus yang telah
ditentukan sebelumnya, yang terdiri dari :
a. Penilaian DP3 selama 2 tahun
Kriteria diberi bobot 5% dengan nilai
tertinggi adalah 100 dan nilai terendah adalah 0.
Dengan nilai 100 maka akan menghasilkan 5 ( 5
% dikalikan 100). Kemungkinan lainnya adalah 5
Seminar Nasional Informatika 2014
% dikalikan 90 menghasilkan nilai 4,5 atau 5 %
dikalikan 0 menghasilkan nilai 0.
Kriteria pemberian nilai DP3 sebagai berikut :
- Nilai DP3 sangat baik adalah 91 – 100 bernilai
100
- Nilai DP3 baik adalah 76 – 90 bernilai 90
- Nilai DP3 Kurang adalah kurang dari 76
bernilai 0
b. Penilaian Surat Keterangan Berkelakuan
Baik
Pembobotannya sebesar 4 % dengan nilai
tertinggi adalah 100 dan nilai terendah adalah 70.
Dengan nilai 100 maka hasilnya adalah 4
sedangkan kemungkinan hasil nilai lainnya
adalah 4 % dikalikan 70 bernilai 2,8.
c. Penilaian Kesempatan Tugas Belajar
Kriteria ini diberi bobot 3 % dengan nilai
tertinggi adalah 100 dan nilai terendah adalah 70.
Mengacu pada gambar 5.1 dengan nilai 100 maka
akan menghasilkan nilai 3 sedangkan
kemungkinan hasil nilai lainnya adalah 3 %
dikalikan 70 akan bernilai 2,1.
d. Penilaian Selisih Tugas Belajar Terakhir
Kriteria ini diberi bobot 2 % dengan nilai
tertinggi adalah 100 dan nilai terendah adalah 70.
Dimana bobot 2 % dikalikan 100 akan bernilai 2
sedangkan kemungkinan hasil nilai lainnya adalah
2 % dikalikan 70 akan bernilai 1,4.
4.13 Analisa Hasil Analisis Resiko
Bahwa dalan proses penilaian kriteria
khusus dan umum tentunya akan menghasilkan
nilai-nilai yang rendah, yang diakibatkan oleh
tidak terpenuhinya kriteria-kriteria standar, seperti
tidak terpenuhinya kebutuhan hasil analisa
jabatan, status kepegawaian yang masih CPNS
yang standarnya adalah harus PNS, tidak
memiliki surat keterangan berkelakuan baik dari
pimpinan, memiliki tanggungan hutang/kredit dan
sebagainya Gambar 8. dibawah ini menunjukan
analisa resiko yang dihasilkan.
375
Seminar Nasional Informatika 2014
Gambar 8. Hasil penilaian analisis resiko.
5. Kesimpulan
Beberapa kesimpulan yang dapat diberikan
pada penulisan Sistem Pendukung Keputusan
Penentuan Mahasiswa Tugas Belajar ini adalah :
1. Sistem Pendukung Keputusan ini dibuat
dengan pemodelan yang memperhatikan
berbagai faktor yang dipakai sebagai kriteria
penilaian dan pemberian bobot diantaranya
masa kerja, usia, kepangkatan, senioritas,
keadilan dan berbagai faktor lainnya yang
dianggap relevan dengan kondisi dan realita
pada Pemerintah Kabupaten Merauke.
376
2. Model Sistem Pendukung Keputusan yang
dibangun bersifat sederhana dan mudah untuk
dioperasikan/digunakan serta dilengkapi
petunjuk penggunaan.
3. Sistem Pendukung Keputusan ini memiliki
kriteria-kriteria yang dapat dirubah bobot
nilainya sesuai dengan kesepakatan dan
kebutuhan .
4. Sistem Pendukung keputusan penentuan
mahasiswa tugas belajar memberikan
penilaian kepada setiap calon mahasiswa guna
membantu Pimpinan Daerah untuk
menentukan Calon Mahasiswa tugas belajar
yang paling layak pada Pemerintah Kabupaten
Maros.
5. Sistem pendukung keputusan ini masih perlu
dikembangkan karena belum mengakomodir
perubahan-perubahan kriteria guna
pengembangan selanjutnya kearah yang lebih
baik dan lengkap.
Daftar Pustaka
[1] Daihani, D.U, 2001, Komputerisasi
Pengambilan Keputusan, Elex Media
Komputindo, Kelompok Gramedia, Jakarta.
[2] Desiani, Anita. 2003, Sistem Pendukung
Keputusan Pemandu Kenaikan
Pangkat/Jabatan Dosen dengan studi kasus
Fakultas MIPA UGM, Tesis, Program Pasca
Sarjana Ilmu Komputer Universitas Gajah
Mada, Yogyakarta.
[3] Permadi, B,2008, Analytical Hierarchy
Proses, Pusat Antar Universitas-Studi
Ekonomi, Universitas Indonesia, Jakarta.
[4] Permata. N, 2003, Sistem Pendukung
Keputusan dengan pemodelan untuk Badan
Pertimbangan Jabatan dan Kepangkatan
dengan memanfaatkan data keluaran
Simpeg ( Sistem Informasi Manajemen
Kepegawaian) pada Pemda Propinsi
Bengkulu, Tesis, Program Pasca Sarjana
Ilmu Komputer Universitas Gajah Mada,
Yogyakarta.
[5] Syamsi, I.2005,Pengambilan Keputusan dan
Sistem Informasi, Bumi Aksara, Jakarta.
 Seminar Nasional Informatika 2014

RANCANG BANGUN SISTEM INFORMASI PENDISTRIBUSIAN

LOGISTIK BENCANA ALAM
Fujiati, Harris Kurniawan, Ria Eka Sari

STMIK POTENSI UTAMA

Jl. KL. Yos Sudarso KM 6.5 No.3A Tanjung Mulia, Medan
Email : fujiati.00@gmail.com, ch0c0_pahmen@yahoo.com, ladiespure@gmail.com

Abstrak

Tujuan dari manajemen logistic adalah mendistribusikan barang jadi atau barang mentah kepada konsumen
pada waktu yang tepat dengan jumlah yang tepat dan lokasi yang tepat dengan biaya yang serendah mungkin.
Namun pada kenyataannya pendistribusian batuan kepada para korban tidak berjalan dengan lancar, masih
banyak yang tidak mendapatkan bantuan, kebutuhan teknologi sangat penting seperti sistem informasi yang
mendukung pendistribusian bantuan agar informasi menjadi cepat, dan mempermudah dalam proses
pendistribusian bantuan maka dari itu dalam penelitian ini akan menganalisa sistem sehingga dapat
menciptakan sebuah sistem informasi pendistribuasian logistic, dan dengan menggunakan constraint maka
data akan lebih akurat .

Kata Kunci : bencana alam, logistic, sistem informasi.

1. Pendahuluan dibutuhkan sehingga arus informasi tersebut

Secara etimologi, logistik berasal dari
bahan Yunani kuno yaitu logistikos yang berarti
terdidik atau pandai dalam memperkirakan
perhitungan. Definisi logistik dalam buku, The
World Book Encyclopedia Dictionary yang
dikutip oleh H. Subagya M. Suganda disebutkan
bahwa: "Logistics is the art of supply: logistics is
the arithmetical calculation".
(Subagya,Manajemen Logistics, 1988:4) [1]
Logistik adalah segala sesuatu yang
berujud dan dapat digunakan untuk memenuhi
kebutuhan dasar hidup manusia yang terdiri atas
sandang, pangan dan papan atau turunannya.
Termasuk dalam kategori logistik adalah barang
yang habis pakai atau dikonsumsi, misalnya:
sembako (sembilan bahan pokok), obatobatan,
pakaian dan kelengkapannya, air, tenda, jas tidur
dan sebagainya.[2] maka dari itu dibutuhkan
pengelolaan sistem manajemen logistic yang baik
untuk membantu korban bencana alam,
berdasarkan pengalaman dalam menangani
bantuan untuk korban bencana alam masih
terdapat banyak masalah, masih banyak korban
yang tidak mendapatkan bantuan secara merata
dan lamanya pengiriman bantuan samapai pada
lokasi terpencil. Penyebab tidak meratanya antara
lain terbatas nya informasi lokasi korban, dan
belum adanya sistem pendataan kebutuhan untuk
para korban. Saat ini manajemen pengolahan data
logistic masih bersifat manual belum
memanfaatkan sistem informasi, dengan masih
digunakan nya sistem manual maka munculah
masalah seperti yang diuraikan di atas, Oleh
sebab itu kebutuhan teknologi informasi sangat
menjadi sangat cepat penyampaianya dan
memudahkan dalam proses Logistic sehingga
bantuan cepat sampai sekalipun pada lokasi
terpencil.
Rantai pasokan dalam sistem manajemen
logistik dan peralatan penanggulangan bencana
berdasarkan kepada :[3]
1. Tempat masuknya logistik
2. Gudang Utama
3. Gudang Penyalur
4. Gudang penyimpanan terakhir di pos komando
2. Tinjauan Pustaka
2.1 Landasan Teori
2.1.1 Konsep Dasar Sistem
Menurut Alfattah (2007:3) sistem adalah
sekumpulan objek-objek yang saling berelasi dan
berinteraksi serta hubungan antar objek yang
biasa dilihat sebagai satu kesatuan yang dirancang
untuk mencapai satu tujuan. Sedangkan menurut
Jogiyanto (2005:1) sistem adalah suatu kerja dari
prosedur-prosedur yang saling berhubungan,
berkumpul bersama-sama untuk melakukan suatu
kegiatan atau untuk menyelesaikan suatu sasaran
tertentu.
Sistem Informasi berasal dari kata sistem dan
informasi, merupakan kegiatan atau aktifitas yang
melibatkan serangkaian proses, berisi informasi-
informasi yang digunakan untuk mencapai tujuan.
Hart (2005:fairuzelsaid) mendefinisikan : “Sistem
merupkan komponen-komponen atau subsistem-
subsistem yang saling berinteraksi satu sama lain,
dimana masing-masing bagian tersebut dapat
bekerja secara sendiri-sendiri (independent) atau

377
Seminar Nasional Informatika 2014
bersama-sama serta saling berhubungan
membentuk satu kesatuan sehingga tujuan atau
sasaran sistem tersebut dapat tercapai secara
keseluruhan.
2.1.2 Perancangan Sistem.
Metodologi Berorientasi Objek dapat di
definisikan sebagai berikut:
“Suatu strategi pembangunan perangkat lunak
yang mengorganisasikan perangkat lunak
sebagai kumpulan objek yang berisi data dan
operasi yang diberlakukan terhadapnya”,
(Nugroho,2005).
Sistem yang dibangun dengan metode berorientasi
objek adalah sebuah sistem yang komponennya
dienkapsulasi menjadi kelompok data dan fungsi.
Setiap komponen dalam sistem tersebut dapat
mewarisi atribut dan sifat dan komponen lainnya
serta dapat berinteraksi satu sama lainnya.
2.1.3 Perancangan Basis Data
Istilah "basis data" berawal dari ilmu
komputer. Meskipun kemudian artinya semakin
luas, memasukkan hal-hal di luar bidang
elektronika, artikel ini mengenai basis data
komputer. Konsep dasar dari basis data adalah
kumpulan dari catatan-catatan, atau potongan dari
pengetahuan. Sebuah basis data memiliki
penjelasan terstruktur dari jenis fakta yang
tersimpan di dalamnya: penjelasan ini disebut
skema. Skema menggambarkan obyek yang
diwakili suatu basis data, dan hubungan di antara
obyek tersebut. Ada banyak cara untuk
mengorganisasi skema, atau memodelkan struktur
basis data ini dikenal sebagai model basis data
atau model data.
Tahap Perancangan Database dilakukan dengan
cara sebagai berikut :
1. Perancangan secara konseptual
a. Diagram konteks
b. DFD
c. Model ER
2. Perancangan secara logis.
Translasi model ER ke Model Relasional
3. Perancangan secara fisik.
Penciptaan database, relasi, dan hal-halterkait ke
dalam bentuk fisik.[3]
Jenis-jenis Constrain yang digunakan :
1. Primary Key
Kunci primer adalah suatu atribut atau
satu set minimal atribut yang tidak hanya
mendefinisikan secara unik suatu kejadian
spesifik tetapi juga dapat mewakili setiap kejadian
dari suatu kejadian.
Nilai field yang menjadi primary key harus:
- Unik atau tidak boleh ganda
- Tidak boleh Null (kosong, tidak diketahui, tidak
dapat ditentukan)
378
- Key tersebut lebih natural untuk dijadikan acuan
2. Foreign Key
Foreign Key adalah satu set atribut atau
set atribut sebagai key penghubung kedua tabel
dan melengkapi satu relationship (hubungan)
terhadap primary key yang menunjukan
keinduknya.
Jika sebuah primary key terhubungan ke
table/entity lain, maka keberadaan primary key
pada entity tersebut di sebut sebagai foreign key.
3. Unique
Constraint unique fungsinya hamper sama dengan
constraint primary key, dimana keduanya
digunakan untuk menerapkan integritas
entitas/table.
4. Check
Constraint check digunakan untuk
menjamin bahwa nilai kolom berada dalam ruang
lingkup nilai tertentu.
3. Metode Penelitian
3.1. Analisa
Dalam penelitian ini penulis lebih
membahas analisa sistem pendistribusian logistic
dengan bantuan beberapa posko. Dalam
pembahasan jurnal sebelumnya model alokasi
yang digunakan adalah model pemrograman bulat
biner, untuk memilih suatu keputusan pembukaan
lokasi baru, model yang dikembangkan variable
keputusan akan bernilai 1 jika adanya pembukaan
lokasi, dan niai 0 jika tidak. Peneliti
menggunakan 3 posko utama yaitu BPBD, Posko
pembantu Lapangan sepak bola, dan tempat
evakuasi masing-masing masjid pada
kelurahan[4]. Hasil penelitian ini alokasi yang
dikembangkan dapat meminimasi biaya. Namun
penulis tidak ada membahas masalah analisa
sistem, analisa sistem sendiri sangat dibutuhkan
mengingat analisa sistem dapat mengidentifikasi
masalah atau hambatan yang terjadi dan
kebutuhan yang diharapkan sehingga muncul
perbaikan.
3.2. Metode Penelitian
Metode penelitian yang dilakukan adalah
metode literature dimana penulis mengumpulkan
informasi dari beberapa buku dan jurnal, dan
metode Penelitian yang digunakan mengacu pada
penelitian terdahulu yang di lakukan oleh nofa
ariyana “Model lokasi bantuan Logistik
chtastropic berbasis masjid di kota Padang”,
peneliti tersebut lebih menekankan pada
pendistribusian dana atau barang secara cepat dan
tepat dengan biaya yang serendah mungkin, maka
pada tulisan ini penulis ingin membahas
mengenai analisa sistem.
 Seminar Nasional Informatika 2014

4. Hasil Dan Pembahasan

4.1. Analisa Pembahasan

Dalam penelitian ini terdapat 3 posko yang
pertama posko BPBD, posko pembantu dan posko
evakuasi. Masing-masing posko berhubungan
langsung pada sistem logistic untuk meminta
kebutuhan yang dibutuhkan pada masing-masing
posko, yang kemudian barang yang dibutuhkan
akan dikirim ke posko BPBD, kemudian posko
BPBD akan mendistribusikannya ke posko
pembantu selanjutnya posko pembantu yang aka
mendistribusikan ke posko evakuasi. Dengan
adanya posko evakuasi akan mempermudah untuk
mendistribusikan bantuan logistic sampai ke
tempat terpencil sekalipun

4.2. DFD Level 0

Dalam menggambarkan alur kerja dalam
penelitian ini menggunakan Diagram Konteks.
Diagram konteks atau DFD level 0 Diagram
konteks merupakan gambaran kasar aliran
informasi dan data yang akan dilakukan oleh
system database yang akan dirancang. DFD
merupakan detail rancangan dari diagram konteks
yang sudah dibuat yang sudah memuat rancangan
table database yang akan diimplementasikan pada Gambar 2. DFD Level 0 pengolahan data
logistic bencana alam
database yang akan dibuat. Adapun Diagram
konteks yang dibuat dalam penelitian ini terlihat
pada gambar berikut.
4.3. Relasi Tabel

Relasi antar tabel adalah hasil dari model entity

relationship diagram. Relasi ini akan
memperlihatkan rancangan fisik basis data dan
juga akan menghasilkan tabel-tabel yang nantinya
dapat digunakan dalam proses implementasi
sistem. Adapun relasi table dalam penelitian ini
dapat dilihat dalam gambar berikut :
Gambar 1. Rancangan Diagram konteks
pengolahan data logistic bencana alam

Kemudian penulis membuat turunan dari diagram

kontek yaitu DFD level 0 sebagai berikut

Gambar 3. Relasi tabel pengolahan data

logistic bencana alam

4.4. Struktur Table

Struktur Table merupakan uraina rinci tiap-tiap

table atau file.

379
Seminar Nasional Informatika 2014

1. Table BPBD 4 Id_Barang Int - Foreign

Key,Not
Tabel 1. Struktur Tabel Posko BPBD
No Nama_Field Type Length Constraint
null ,
1 Id_BPBD Int - Primary update
Key, Not cascade,
Null,
update delete
cascade, no
delete no
action, action
2 Nama_BPBD Varchar 20 Not null
3 Cabang Varchar 20 Not null 5. Table Barang
4 Alamat Varchar 45 Not null
Tabel 5. Struktur Tabel Barang
2. Table Posko Pembantu No Nama_Field Type Length Constraint
1 Id_Barang Int - Primary
Tabel 2. Struktur Tabel Posko Pembantu Key, Not
No Nama_Field Type Length Constraint Null,
1 Id_PoskoPem Int - Primary update
bantu Key, Not cascade,
Null, delete no
update action,
cascade, 2 Nama_Barang Varchar 45 Not null
delete no 3 Jumlah Brg Int - Not null,
action, CHECK
2 Nama_Posko Varchar 20 Not null jlh>= 0
pemb
3 Cabang Varchar 20 Not null
6. Table Permintaan Barang
4 Alamat Varchar 45 Not null
Tabel 6. Struktur Tabel Posko BPBD
3. Table Posko Evakuasi
No Nama_Field Type Length Constraint
1 Id_Permintaan Int - Primary
Tabel 3. Struktur Tabel Posko Evakuasi Key, Not
No Nama_Field Type Length Constraint Null,
1 Id_PoskoEva Int - Primary update
kuasi Key, Not cascade,
Null, delete no
update action,
cascade, 2 Tanggal DateTime 45 Not null ,
delete no update
action, cascade,
2 Nama_Poskev Varchar 20 Not null delete no
ak action
3 Cabang Varchar 20 Not null 3 Jumlah Brg Int - Not null,
4 Alamat Varchar 45 Not null CHECK
jlh>= 0
4. Table Gudang 4 Status Varchar 45 Not null,
Check
Tabel 4. Struktur Tabel Gudang hanya
No Nama_Field Type Length Constraint terkirim
1 Id_Gudang Int - Primary atau
tertunda
Key, Not
Null,
7. Table Detail Permintaan Kebutuhan
update
cascade,
delete no Tabel 7. Struktur Tabel Posko BPBD
No Nama_Field Type Length Constraint
action,
1 Id_Detail Int - Primary
2 Nama_Guda Varchar 20 Not null Key, Not
ng Null,
3 Jumlah Brg Int - Not null, update
CHECK cascade,
delete no
jlh>= 0 action,

380
 Seminar Nasional Informatika 2014

2 Id_Permintaan Int - Foreign null ,

Key,Not update
null , cascade,
update delete no
cascade, action
delete no
action
3 Id_BPBD Int - Foreign 9. Struktur Table Detail Pengiriman
Key,Not
null , Tabel 9. Struktur Tabel Detail Pengiriman
update No Nama_Field Type Length Constraint
cascade, 1 Id_Detail Int - Primary
delete no Pengiriman Key, Not
action Null,
4 Id_PoskoPemb Int - Foreign update
Key,Not cascade,
null , delete no
update action,
cascade, 2 Id_Pengiriman Int - Foreign
delete no Key,Not
action null ,
5 Id_Poskoevak Int - Foreign update
Key,Not cascade,
null , delete no
update action
cascade, 3 Id_BPBD Int - Foreign
delete no Key,Not
action null ,
6 Id_Barang Int - Foreign update
Key,Not cascade,
null , delete no
update action
cascade, 4 Id_PoskoPemb Int - Foreign
delete no Key,Not
action null ,
7 Id_Gudang Int - Foreign update
Key,Not cascade,
null , delete no
update action
cascade, 5 Id_Poskoevak Int - Foreign
delete no Key,Not
action null ,
update
8. Table Pengiriman cascade,
delete no
Tabel 8. Struktur Tabel Posko BPBD action
No Nama_Field Type Length Constraint 6 Tanggal DateTime Not null ,
1 Id_Laporan Int - Primary update
Key, Not cascade,
Null, delete no
update action
cascade,
delete no 10. Table Laporan
action,
2 Id_DetailPermi Int - Foreign Tabel 10. Struktur Tabel Laporan
ntaan Key,Not No Nama_Field Type Length Constraint
null , 1 Id_Pengirima Int - Primary
update n Key, Not
cascade, Null,
delete no update
action cascade,
3 Id_DetailPengir Int - Foreign delete no
iman Key,Not action,

381
Seminar Nasional Informatika 2014
2 Id_DetailPer Int - Foreign
mintaan Key,Not
null ,
update
cascade,
delete no
action
3 Tanggal DateTime - Not null ,
update
cascade,
delete no
action
4 Jenis Varchar 45 Not null,
Pengiriman CHECK
haya Via
Udara,Via
Darat, Via
Laut
Pada pembahasan constraint di penelitian ini
penulis menggunakan (a)primary key, yaitu kunci
utama pada sebuah tabel untuk membatasi
pengisian record agar tidak terjadi duplikat, jadi
setiap table memiliki primary key masing-masing
yang unik. (b)foreign key, atau kunci tamu
merupakan penghubung antara satu tabel dengan
tabel lainnya, jadi apabila da 2 tabel yang saling
berelasi maka harus memiliki foreign key,
contohnya pada laporan ini pada tabel Laporan.
Tabel laporan memiliki Primary key yaitu
Id_Laporan tapi tabel laporan memiliki relasi
dengan tabel detail permintaan dan detail
pengiriman, jadi Id_DetaiPermintaan dan
Id_DetailPengiriman merupakan foreign key pada
tabel Laporan. (c)check, untuk memberi batasan
pada suatu tabel untuk menjamin keakuratan data,
pada penelitian ini salah satu tabel yang
menggunakan check adalah tabel detail
pengiriman, pada jenis pengiriman hanya ada
pengiriman via udara, darat atau laut. (d) on
update cascade delete no action, untuk
menentukan aksi apa yang akan dilakukan pada
sebuah baris dalam suatu tabel, pada penelitian ini
salah satu tabel yang menggunakan update
cascade, delete no action adalah tabel posko, pada
primary key untuk tabel posko menggunakan
update cascade, delete no action jadi apabila
penulis ingin mengupdate id posko pada tabel
posko evakuasi maka otomatis tabel yang
memiliki tabel yang memiliki relasi dengan tabel
382
posko evakuasi seperti tabel permintaan
kebutuhan akan mengupdate id_posko juga,
kemudian jika kita ingin menghapus Id_posko,
yang akan terhapus hanya id_Posko yang ada
pada tabel posko evakuasi saja tabel yang
memiliki relasi dengan tabel posko evakuasi tidak
akan menghapus id_posko karna kita
menggunakan delete no action.
5. Kesimpulan
Adapun kesimpulan dari penelitian ini adalah
1. Dengan adanya sistem informasi /
menaganalisa sistem dapat lebih mudah dan
cepat mengetahui daerah mana saja yang
belum mendapatkan bantuan karna pada
laporan pengiriman barang terdapat status
terkirim atau tertunda.
2. Dengan adanya analisa sistem dapat
mengidentifikasi masalah atau hambatan
yang terjadi dan kebutuhan yang diharapkan
sehingga muncul perbaikan.
3. Dengan Menggunakan Constraint dapat lebih
menjamin keakuratan data.
4. System yang dirancang telah digambarkan
dalam DFD level 0.
Daftar Pustaka
.
[1] Subagya, H.” Manajemen Logistik.
Belmont”, Jakarta: (1988)
[2] Badan Nasional Penanggulangan Bencana,
2008, Peraturan Kepala BNPB Nomor 13,
Jakarta.
[3] Rohmadi, 2008, Perancangan Basis Data
Sistem Informasi Pelayanan Medis Di
Rumah Bersalin Permata Hati Abadi Sragen,
Jurnal Kesehatan, ISSN 1979-9551, VOL.II,
NO.2, 2 Maret.
[4] Ariyana nofa, 2012, Model Lokasi-alokasi
bantuan logistic catastrophic berbasis masjid
di kota padang, Optimasi Sistem Industri,
ISSN 2088-4882
[5] Irawan hendri, 2012, Afrizal rancang bangun
sistem informasi administrasi pemeriksaan
jentik puskesmas,SEMANTIK 2012, ISBN
979 - 26 - 0255 – 0
 Seminar Nasional Informatika 2014

ANALISIS KINERJA ALGORITMA REDUKSI SIKLIS UNTUK

PENYELESAIAN SISTEM TRIDIAGONAL PADA SISTEM
MULTIPROSESOR BERBASIS PVM
Tri Prabawa

Program Studi Teknik Informatika, STMIK AKAKOM Yogyakarta

Jl. Raya Janti 143, Yogyakarta 55198
E-mail : tprabawa@akakom.ac.id

Abstrak

Tulisan ini membahas alternatif solusi sistem persamaan linier Au = d, dimana matriks koefisien A berupa
matriks tridiagonal, dengan metode reduksi siklis pada sistem multiprosesor. Sistem persamaan linier tersebut
diperoleh dari hasil diskritisasi persoalan yang berbentuk persamaan differensial parsial. Ide dasar metode
reduksi siklis adalah menurunkan baris-baris independen dengan cara reduksi baris berindeks ganjil atau
genap. Pemecahan masalah pada sistem komputasi paralel, adalah mencari letak paralelisme dari
permasalahan tersebut, dengan cara melakukan dekomposisi secara algoritmik atau geometrik, sehingga
dapat diidentifikasi karakteristik paralelisasinya. Karakteristik kinerja algoritma paralel dapat dilihat dari
pengukuran waktu eksekusi, rasio komputasi dan komunikasi, speed-up, dan tingkat efisiensi. Untuk
mengetahui karakteristik ini, maka algoritma reduksi siklis diimplementasikan pada sistem parallel virtual
machine (PVM). PVM adalah sebuah perangkat lunak yang digunakan untuk pembuatan jaringan komputer
paralel. Perangkat lunak ini didesain sedemikian rupa sehingga mengizinkan sebuah jaringan komputer yang
heterogen yang terdiri atas beberapa mesin yang menjalankan sistem operasi Windows atau Unix agar dapat
digunakan sebagai sebuah model prosesor paralel tunggal yang terdistribusi. Dari hasil uji coba terlihat
bahwa terjadi kenaikan percepatan seiring dengan bertambahnya jumlah prosesor yang dipakai. Percepatan
berkisar antara 1,61 (2 prosesor) sampai dengan 4,22 (8 prosesor). Rasio waktu komputasi dan komunikasi
tertinggi mencapai 10,50 (2 prosesor) dan terendahnya 1,16 (8 prosesor), hal ini menunjukkan bahwa waktu
komunikasi semakin tinggi yang disebabkan proses sinkronsasi terjadi berulang-ulang. Namun sebaliknya,
dengan bertambahnya jumlah prosesor yang dipakai terjadi penurunan efisiensi. Tingkat efisiensi mencapai
88,38% (2 prosesor) dan terendah 35,58% (8 prosesor).

Kata kunci : sistem tridiagonal, reduksi siklis, speed-up, efisiensi, dan PVM.

1. PENDAHULUAN persoalan yang cukup besar dan kompleks, serta

Dalam beberapa aplikasi, penggunaan model
matematika menjadi amat populer, karena teknik
ini banyak dipakai dalam pemodelan dari pelbagai
persoalan nyata. Dengan model matematika
bentuk persoalannya menjadi jelas dan sederhana,
serta metode dan analisisnya lebih dapat
dipertanggung jawabkan. Banyak pemodelan dari
suatu fenomena fisik; seperti mekanika fluida,
penjalaran panas dan lain sebagainya; biasanya
memberikan berbagai macam bentuk persamaan
differensial parsial (PDP). Pada umumnya,
kecuali dalam hal yang amat sederhana,
penyelesaian secara analitik dari suatu PDP sulit
diperoleh, sehingga perlu dicari solusi
numeriknya sebagai alternatif jawaban.
Meskipun solusi numerik memerlukan
banyak perhitungan, namun pada
perkembangannya metode numerik telah
memberikan hasil yang berarti, terutama setelah
didukung dengan pemakaian perangkat komputer
digital. Kebutuhan akan kecepatan penyelesaian
masalah menjadi amat penting terutama untuk
informasinya segera diperlukan. Penyelesaian
yang diinginkan dapat dikerjakan secara cepat,
dengan kontribusi komputer, dan jika
memungkinkan diproses secara paralel.
Komputer paralel adalah suatu perangkat
komputer yang mempunyai sejumlah alat
pemroses (disebut prosesor) yang saling bekerja
sama dalam suatu koordinasi program kendali [1].
Adanya arsitektur seperti ini memungkinkan suatu
masalah diselesaikan secara paralel. Dalam
menggunakan arsitektur komputer yang demikian
maka kecepatan algoritma sangat ditentukan oleh
jumlah prosesor yang dipakai serta pola hubungan
interkoneksi antara prosesor yang satu dengan
yang lain.
2. DASAR TEORI
Diberikan suatu sistem persamaan linier dari
sistem tridiagonal Au = d, dengan A matriks
tridiagonal dan dapat ditulis sebagai berikut:

383
Seminar Nasional Informatika 2014

secara singkat bentuk (3) dapat dinyatakan

dengan (…… a, b, a, …………). Dengan
melakukan operasi baris elementer terhadap baris
tengahnya, yaitu baris i dikalikan dengan
konstanta b, kemudian ditambahkan dengan –a
kali jumlahan baris ke i-1 dan i+1, maka
diperoleh bentuk :
Persoalannya adalah mencari vektor u yang i-1 a b a
memenuhi sistem persamaan Au = d. Model i a[1] 0 b[1] 0 a[1] (4)
tersebut banyak dijumpai sebagai hasil diskritisasi i+1 a b a
suatu PDP dengan memakai metode beda hingga
atau elemen hingga dengan kondisi syarat batas dengan memperhatikan baris tengah (4) diperoleh
tertentu. sistem persamaan baru yang dapat dinyatakan
Solusi analitis sistem persamaan tersebut ada (.............. a[1], 0, b[1], 0, a[1] ...............).
dan dapat ditulis sebagai u = A-1 d, jika matriks A
nonsingular [9]. Sistem persamaan (1) dapat Bentuk ini merupakan sistem tridiagonal
diselesaikan baik secara langsung maupun iteratif. dengan n = 2m-1, 2m, 2m+1, yang unsur-unsurnya
Penyelesaian secara langsung memerlukan θ(n2) hanya terdiri dari baris-baris berindeks ganjil atau
flops sedangkan iteratif θ(n) / langkah dan genap saja dari matriks awal A. Operasi ini juga
menjadi mahal jika terjadi konvergensi yang dikerjakan terhadap elemen-elemen pada vektor
lamban [7]. Nampak bahwa jika untuk n besar, ruas kanan d.
kedua cara ini memerlukan waktu komputasi yang Misalkan dari bentuk (4) sistem tridiagonal
besar dan kurang efisien. baru yang diperoleh terdiri dari baris genap.
Sedangkan baris ganjil dapat dieliminasi oleh
baris genap dengan substitusi balik. Jika proses
Metode Reduksi Siklis Untuk Sistem tersebut dilakukan berulang-ulang, akhirnya
Tridiagonal didapat sistem persamaan baru yang minimal,
Karena matriks koefisien memiliki struktur yang solusinya segera dapat dihitung. Untuk lebih
yang spesifik, maka dimungkinkan pemakaian jelasnya perhatikan contoh berikut
metode lain yang penyelesaiannya dapat
dikerjakan secara paralel. Metode yang dibahas 1 b a u1 d1
adalah metode reduksi siklis. Untuk 2 a b a u2 = d2 (5)
menyederhanakan persoalan pada kasus ini akan 3 a b u3 d3
ditinjau elemen matriks berupa tridiagonal
konstan simetri. Maka dengan tidak Lakukan proses operasi baris elementer pada
menghilangkan sifat umum sistem tersebut, persamaan (5), sehingga diperoleh hasil
sistem (1) dapat ditulis sebagai berikut :

b a u1 d1
1 b a u1 d1
a b a u2 d2 2 0 b’ 0 u2 = d’2 (6)
0 . . 3 a b u3 d3
…….. . = .
……. . . (2) Dari persamaan ini diperoleh hasil u2 = d’2/b’,
……. un-1 dn-1
0 a b a un dn selanjutnya nilai u1 dan u3 dapat dihitung (secara
a paralel) dengan substituís balik, yaitu u1 = (d1-a
b u2)/b dan u3 = (d3- a u2)/b.
Metode reduksi siklis memberikan komputasi
ide dasar metode reduksi siklis adalah yang cepat jika elemen subdiagonal dan
menurunkan baris-baris independen dengan cara superdiagonal bernilai satu. Hal ini dapat
reduksi pada baris yang berindeks ganjil atau diperoleh dengan melakukan normalisasi,
genap. Metode ini cocok dikembangkan untuk sehingga sistem persamaan berbentuk ( ............ 1,
matriks berukuran n = 2 m-1, 2m, 2m+1. b, 1, ...........).
Secara umum prosedur metode reduksi siklis Secara umum tahapan solusi metode reduksi siklis
dapat diturunkan sebagai berikut: terdiri dari dua tahapan utama yaitu (i) proses
Perhatikan 3 baris yang berdekatan, yaitu baris ke reduksi baris ganjil atau genap, dan (ii) proses
i-1, i, dan i+1 substitusi balik.

i-1 a b a
i a b a (3)
i+1 a b a

384
 Seminar Nasional Informatika 2014

1 3 5 7 dipandang terlalu besar [6]. Akhirnya timbul

pemikiran bagaimana membuat algoritma sistem
2 6 Proses paralel.
Substitusi Untuk melihat proses-proses yang dapat
Balik dikerjakan secara simultan, langkah pertama
4 adalah melakukan proses dekomposisi persoalan
sehingga akan diperoleh bagian-bagian yang
independen atau mencari letak paralelisme dari
4 suatu permasalahan. Setelah melakukan
Proses Reduksi dekomposisi terhadap permasalahan tersebut,
2 4 6 Ganjil Genap akan diperoleh beberapa submasalah yang lebih
sederhana dan dapat diselesaikan secara paralel.
Ada 2 macam cara melakukan dekomposisi
1 2 3 4 5 6 7
masalah, yaitu : (i) dekomposisi secara algoritmis
dan (ii) dekomposisi secara geometrik [2].
Gambar 1. Tahapan Prosedur Metode Reduksi
Dekomposisi secara algoritmis adalah
Siklis (n = 2m-1, m=3)
dekomposisi algoritma sekuensial yang ada atas
beberapa blok instruksi, dimana tiap blok
3. PEMECAHAN MASALAH SECARA
instruksi akan dikerjakan oleh prosesor yang
PARALEL
berbeda. Strategi ini biasanya cenderung melihat
alur pemecahan masalah yang dihadapi.
Komputer paralel adalah suatu perangkat
Sedangkan dekomposisi secara geometrik adalah
komputer yang mempunyai sejumlah alat
mendekomposisi masalah yang ada menjadi
pemroses (disebut prosesor) yang saling bekerja
beberapa submasalah dengan uturan tertentu
sama dalam suatu koordinasi program kendali [1].
dimana tiap submasalah bisa dipecahkan secara
Model komputer yang sering dipertimbangkan
paralel dan independen. Strategi ini biasanya
sebagai sistem multiprosesor didefinisikan
cenderung melihat struktur data dari persoalan
sebagai SIMD (single instruction multiple data)
yang dihadapi.
dan MIMD (multiple instruction multiple data).
Untuk memecahkan permasalahan sistem
Dalam menggunakan arsitektur komputer
tridiagonal diatas, digunakan strategi dekomposisi
yang demikian maka kecepatan algoritma sangat
secara geometrik, karena lebih banyak melihat
ditentukan oleh jumlah prosesor yang dipakai
pada masalah struktur data dari persoalan yang
serta pola hubungan interkoneksi antara prosesor
dihadapi, yaitu bagaimana mendekomposisi data
yang satu dengan yang lain. Mengingat bahwa
atas beberapa kelompok data yang akan diproses
komputasi pada sistem multi prosesor akan lebih
oleh prosesor yang berbeda.
cepat dibanding dari sistem komputer biasa (yang
Selain itu untuk mendapatkan model
disebabkan adanya tambahan prosesor), maka
algoritma paralel dapat ditempuh dengan cara
perlu didefinisikan suatu besaran yang merupakan
memodifikasi algoritma sekuensial, sehingga akan
ukuran peningkatan kecepatan yang sebenarnya.
diperoleh bentuk algoritma paralel. Sedangkan
Besaran ini antara lain adalah efisiensi dan
untuk memperoleh gambaran kinerjanya,
peningkatan kecepatan (speed-up) dari sistem
algoritma paralel perlu dibandingkan dengan
multiprosesor, yang didefinisikan sebagai berikut:
algoritma sekuensial. Berdasarkan dari
pertimbangan ini maka akan dibahas algoritma
E (efisisensi) = T(1) / p T(p)
reduksi siklis sekuensial dan teknik dekomposisi.
S (speed-up) = T(1) / T(p)
Algoritma Reduksi Siklis
Secara umum metode reduksi siklis terdiri
dimana T(1) = waktu yang diperlukan untuk
dari tahapan awal (proses reduksi ganjil genap)
menyelesaikan masalah dengan 1 prosesor, p =
dan tahapan substitusi balik. Proses komputasi
banyak prosesor yang dipakai, dan T(p) = waktu
kedua tahapan tersebut dapat dihitung dengan
yang diperlukan untuk menyelesaikan masalah
memakai procedure/subroutine berikut.
dengan p prosesor.
Suatu sistem paralel dapat digambarkan
Subroutine Reduksi Ganjil_Genap (m, a, b, d);
sebagai teknik pemrosesan secara simultan pada
Inisialisasi vektor a(1) = a, b(1) = b, d(1) = d;
subproses yang independen. Menurut Hwang dan
do i = 1, m-1;
Briggs, pemrosesan paralel didefinisikan sebagai
a(i+1) = [a(i) ] 2
bentuk pemrosesan yang efisien dengan
b(i+1) = 2 [a(i) ] 2 - [b(i) ] 2
menitikberatkan pada ekploitasi kejadian-kejadian
r = 2i
yang bersamaan [8]. Tujuan utamanya adalah
do j = 1, 2m-1 – 1
mereduksi waktu proses yang dibutuhkan atau (i+1)
d = a(i) [ d (i) + d (i) ] - b(i) d (i)
untuk penyelesaian masalah yang sebelumnya

385
Seminar Nasional Informatika 2014

jr jr-r/2 jr+r/2 jr
enddo;
enddo; enddo;
enddo;
Berdasarkan proses dekomposisi tersebut waktu
Subroutine Substitusi_Balik dialog antara 2 prosesor untuk menyelesaikan
do i = m-2, 0, -1 sistem tridiagonal, dapat disajikan sebagai
r = 2i berikut.
do j = 1, 2(m-i-1)
if ( j=1) then Prosesor master Prosesor Slave
(i+1)
c= d - a(i+1) u Waktu_awal = Start
(2j-1)r 2jr
Kerjakan partisi data dan
(m-i-1)
else if (j = 2 ) then kirim (data lokal) Terima (data loka)l
(i+1) (i+1)
c= d - a u Komputasi Secara
(2j-1)r (2j-2)r
Paralel : Kerjakan proses 3,
else Kerjakan proses 1, dengan
(i+1) (i+1)
c= d - a [u + u ] dengan subroutine/prosedur
(2j-1)r 2jr (2j-2)r
subroutine/prosedur reduksi ganjil genap
endif reduksi ganjil genap
hitung u(2j-1)r = c / b(i+1) Terima hasil (proses 3) Kirim hasil (proses 3)
enddo; Kerjakan proses 2,
enddo; dengan Kondisi “idle”
subroutine/procedure
hitung awal tengah dan
Proses 4 Proses 5 hitung nilai
1 3 5 7 u 2(m-1)
Kirim data (u 2(m-1) ) Terima data (u 2(m-1) )
2 6 Proses substitusi KomputasiSecara Paralel
balik : Kerjakan proses 5 dengan
4 Kerjakan proses 5 dengan subroutine/procedure
subroutine/procedure substitusi balik
substitusi balik
4 Terima hasil akhir Kirim hasil akhir
Proses reduksi Waktu_akhir = Selesai
2 4 6 Ganjil genap
Gambar 3. Waktu Dialog Antara 2 prosesor
1 2 3 4 5 6 7
Proses 1 Proses 3 4. HASIL DAN ANALISIS

Proses 2 Secara kualitatif komputasi pada metode

reduksi siklis cenderung fine grain, yaitu rasio
Gambar 2. Teknik Dekomposisi Metode komputasi dan komunikasi yang kecil. Hal ini
Reduksi Siklis disebabkan karena faktor granularitas, efek fork
and joint dan proses sinkronisasi berulang-ulang.
Dalam partisi ini diperoleh 5 subproses. Pada Menurut [11] berikut ini disajikan hasil
tahap perhitungan awal, yaitu proses reduksi pengukuran waktu eksekusi dan karakteristik
ganjil genap, terdiri dari proses 1, proses 2, dan kinerja algoritma reduksi siklis pada mesin paralel
proses 3. Sedangkan pada tahap kedua (proses berbasis transputer.
substitusi balik terdiri dari proses 4 dan proses 5.
Selanjutnya proses 2 akan bergantung pada hasil Tabel 1. Presentasi Pengukuran Waktu
proses 1 dan proses 3 yang dapat dikerjakan Eksekusi Algoritma Reduksi Siklis
secara paralel. Setelah proses 2 selesai maka
proses 4 dan proses 5 dapat dikerjakan secara N Ukura Waktu eksekusi (cf)
paralel. n
O Data P=1 P= P= P=8
Subroutine Hitung Awal Tengah 2 4
do i = 1, m-1 1 255 148 92 64 52
r = 2i 2 511 280 168 114 85
do j = 1, 2(m-1)-1 3 1023 540 317 206 149
(i+1)
d = a(i) [ d (i) + d (i) ] - (i) (i)
b d 4 2047 1057 610 388 274
jr jr-r/2 jr+r/2 jr

386
 Seminar Nasional Informatika 2014

5 4095 2089 119 750 520 1 4 4

6 7 16383 100 88,0 71,1 52,2
6 8191 4148 236 146 1006 4 8 8
2 8 8 32767 100 88,3 71,6 52,7
7 16383 8260 469 290 1975 8 0 8
1 1
8 32767 16513 934 576 3911 Dari tabel 1 dan table 2, terlihat bahwa terjadi
2 6 kenaikan percepatan seiring dengan
bertambahnya jumlah prosesor yang dipakai.
Tabel 2. Presentasi Pengukuran Rasio Waktu Percepatan berkisar antara 1,61 (2 prosesor)
Komputasi/Komunikasi Algoritma Reduksi sampai dengan 4,22 (8 prosesor).
Siklis Rasio waktu komputasi dan komunikasi
tertinggi mencapai 10,50 (2 prosesor) dan
N Ukura Rasio terendahnya 1,16 (8 prosesor), hal ini
n Komputasi/komunikasi menunjukkan bahwa waktu komunikasi semakin
O Data P=2 P=4 P=8 tinggi yang disebabkan proses sinkronsasi terjadi
1 255 10,50 4,33 2,47 berulang-ulang.
2 511 8,88 3,48 1,93 Namun sebaliknya, dari table 3 dan table 4,
3 1023 8,32 3,04 1,61 terlihat bahwa dengan bertambahnya jumlah
4 2047 8,10 2,84 1,38 prosesor yang dipakai terjadi penurunan efisiensi.
5 4095 7,86 2,69 1,28 Tingkat efisiensi mencapai 88,38% (2 prosesor)
6 8191 7,78 2,64 1,22 dan terendah 35,58% (8 prosesor).
7 16383 7,70 2,61 1,18
5. PENUTUP
8 32767 7,67 2,58 1,16
Berdasarkan uraian di atas dapat disimpulkan
beberapa hal berikut:
Tabel 3. Presentasi Perhitungan Speed-up
(1) Dengan menggunakan sistem multiprosesor
Algoritma Reduksi Siklis
waktu penyelesaian sistem persamaan linier
dari hasil diskritisasi suatu PDP dapat
N Ukur Speed-up (Sp = T1/Tp) dipercepat.
O Data P= P=2 P=4 P=8 (2) Pada metode reduksi siklis faktor
1 granularitas, efek fork dan join, dan proses
1 255 1 1,61 2,31 2,85 sinkronisasi akan berakibat dalam waktu
2 511 1 1,67 2,46 3,29 komputasi, hal ini disebabkan karena
3 1023 1 1,70 2,62 3,62 memiliki unsur dependensi data yang kuat
4 2047 1 1,73 2,72 3,86 dan jumlah komputasi tiap level berikutnya
5 4095 1 1,75 2,79 4,02 menurun.
6 8191 1 1,76 2,83 4,12 (3) Kinerja algoritama redukdi siklis mencapai
7 16383 1 1,76 2,85 4,18 percepatan tertinggi pada 8 prosesor (4,22)
8 32767 1 1,77 2,86 4,22 dan efisiensi terendahnya terjadi pada 8
prosesor (35,58%).
Tabel 4. Presentasi Perhitungan Efisiensi
Algoritma Reduksi Siklis DAFTAR PUSTAKA

N Ukura Efisiensi (Sp/p x 100%) [1] Akl, Selim G. 1989. The Design and
n Analysis of Parallel Algorithms, Prentice
O Data P= P=2 P=4 P=8 Hall International Inc.
1 [2] Askew, C.R., Carpenter, D.B., Chalker, J.T.,
1 255 100 80,4 57,8 35,5 Hey, A.J.G., Moore, M., Nicole, D.A, and
3 1 8 Pritchard, D.J., 1988. Monte Carlo
2 511 100 83,3 61,4 41,1 Simulation on transputer arrays. Parallel
3 0 8 Computing 6, pp 247-258.
3 1023 100 85,1 65,5 45,3 [3] Berstsekas and Tsitsiklis, 1989, Parallel and
7 3 0 Distributed Computation, Numerical
4 2047 100 86,6 68,1 48,2 Methods, Prentice Hall New Jersey.
4 1 2 [4] Evans, DJ., 1990, A Recursive Decoupling
5 4095 100 87,3 69,6 50,2 Method for Solving Tridiagonal Linier
3 3 2 Systems, International Journal Computer
6 8191 100 87,8 70,6 51,5 Mathematics.

387
Seminar Nasional Informatika 2014
[5] Evans, DJ., 1992, Design of Parallel
Numerical Algorithms, Elsevier Science
Publisher.
[6] Freman and Phillips, 1992, Parallel
Numerical Algorithms, Prentice Hall,
London
[7] Golub and Van Loan, 1989, Matrix
Computation, Second Edition, The John
Hopkins University Press
[8] Hwang, Kai and Briggs, FA., 1984.
Computer Architecture and Parallel
Pocressing. McGraw-Hill. Book Company
388
[9] Mitchell and Griffiths, 1989, The Finite
Difference Method in partial Differetial
Equations, John Wiley & Sons
[10] Tanembaum, 2002, Structured Computer
Organization, Prentice Hall International
Inc.
[11] Tri Prabawa, 1993, Implementasi Paralel
Algoritma Reduksi Siklis dan Pemisahan
Rekursif pada Mesin Paralel Berbasis
Transputer. Tesis S2, Universitas Indonesia,
Yakarta.
 Seminar Nasional Informatika 2014

SISTEM PAKAR DIAGNOSA PENYAKIT YANG DISEBABKAN

OLEH HEWAN ARTHROPODA METODE
DEMPSTER SHAFER
Yudi

Program Studi Sistem Informasi

Sekolah Tinggi Manajemen Informatika Komputer Potensi Utama
Email : Baday_imanwahyudi@yahoo.com

Abstrak

Penulisan thesis ini bertujuan untuk menerapkan bagian kecerdasan buatan yaitu sistem pakar untuk
mengetahui penyakit yang disebabkan oleh hewan arthropoda. Program sistem pakar ini dengan
menggunakan metode Dempster Shafer. Adapun Program yang digunakan dalam penulisan jurnal ini adalah
PHP dan MySQL. Tahapannya yaitu perancangan basis pengetahuan dan direpresentasikan dalam bentuk
aturan yang berlaku, kemudian dilanjutkan dengan perancangan basis data dan perancangan antar muka,
kemudian hasil perancangan diimplementasikan ke dalam bahasa pemrograman PHP dan basis datanya
menggunakan MySQL. Hasil program ini menunjukkan bahwa sistem pakar dapat dipergunakan sebagai
pedoman bagi penggunanya untuk menyelesaikan masalah-masalah yang dihadapi. Sistem pakar ini dapat
digunakan untuk mempercepat pencarian dan pengaksesan terhadap pengetahuan oleh orang-orang yang
membutuhkan informasi.

Kata Kunci: Sistem Pakar, Dempster Shafer, PHP, MySQL

1. Pendahuluan mudah, hemat biaya serta dapat digunakan kapan

Seiring perkembangan teknologi,
dikembangkan pula suatu sistem teknologi yang
mampu mengadopsi proses dan cara berpikir
manusia yaitu sistem pakar yang mengandung
pengetahuan tertentu sehingga setiap orang dapat
menggunakan untuk memecahkan masalah yang
bersifat spesifik, dalam hal ini adalah
permasalahan kesehatan mengenai penyakit yang
disebabkan oleh hewan arthropoda. Ketika terjadi
masalah kesehatan khususnya penyakit yang
disebabkan oleh hewan arthropoda lebih tepatnya
orang akan datang ke dokter atau yang ahli pada
bidang itu untuk berkonsultasi. Namun terdapat
kendala jika mempercayakan kepada dokter ahli
seperti terbatasnya jam praktek dan kejadian
banyak pasien yang memaksa harus melakukan
antrian.
Dalam hal ini, kita selaku orang yang
menggunakan jasa lebih membutuhkan seorang
pakar yang bisa memudahkan dalam
mendiagnosis penyakit yang disebabkan oleh
hewan arthropoda sebagai pencegahan awal.
Dengan demikian sebagai alternatif pemecahan
masalah yaitu dengan membuat aplikasi sistem
pakar dengan metode Dempster Shafer yang dapat
mengindentifikasi/mendiagnosa penyakit yang
disebabkan oleh hewan arthropoda berdasarkan
gejala yang ada. Yang ditampilkan dalam bentuk
website menggunakan pemrograman PHP dengan
database MySQL, sehingga konsultasi akan lebih
dan di mana saja.
Sistem pakar dapat diartikan sebagai sistem
yang mengadopsi pengetahuan manusia ke
komputer, agar komputer dapat menyelesaikan
masalah seperti yang biasa dilakukan oleh pakar,
sehingga sistem pakar dapat menjadi asisten dari
seorang pakar. Aplikasi yang dapat membantu
mendiagnosis suatu penyakit berbasis
pengetahuan biasa disebut kecerdasan buatan
(Artificial Intelligence),[4].
Ada berbagai macam penalaran dengan
model yang lengkap dan sangat konsisten, tetapi
pada kenyataannya banyak permasalahan yang
tidak dapat terselesaikan secara lengkap dan
konsisten. Ketidakkonsistenan tersebut adalah
akibat adanya penambahan fakta baru. Penalaran
yang seperti itu disebut dengan penalaran non
monotonis. Untuk mengatasi ketidakkonsistenan
tersebut maka dapat menggunakan penalaran
dengan teori Dempster Shafer,[4].
Teori Dempster-Shafer adalah suatu teori
matematika untuk pembuktian berdasarkan belief
functions and plausible reasoning (fungsi
kepercayaan dan pemikiran yang masuk akal),
yang digunakan untuk mengkombinasikan
potongan informasi yang terpisah (bukti) untuk
mengkalkulasi kemungkinan dari suatu
peristiwa,[5].
Disini penulis mencoba untuk memberikan
Informasi Eksekutif dalam mendiagnosis penyakit
yang disebabkan oleh hewan arthropoda. Selama
ini informasi mengenai diagnosis penyakit yang

389
Seminar Nasional Informatika 2014
disebabkan oleh hewan arthropoda yang diberikan
langsung dari pakarnya atau dokter ahli sehingga
informasi yang di dapat menjadi lebih lambat
karena harus menunggu atau mengantri dan juga
harus mengikuti jam praktek dari seorang pakar
tersebut. Oleh sebab itu maka penulis sangat
tertarik untuk mempermudah masyarakat dalam
mendapatkan informasi mengenai diagnosis
penyakit yang disebabkan oleh hewan arthropoda.
Analisa dan solusi ini akan diteliti lebih lanjut
serta dituliskan dalam bentuk jurnal yang diberi
judul ”Sistem Pakar Untuk Diagnosis Penyakit
Yang Disebabkan Oleh Hewan Arthropoda
Dengan Menggunakan Metode Dempster
Shafer Berbasis Web”
2. Sistem Pakar
Sistem pakar memiliki beberapa
komponen utama, yaitu antarmuka pengguna
(user interface), basis data sistem pakar (expert
system database), fasilitas akuisisi pengetahuan
(knowledge acquisition facility), dan mekanisme
inferensi (inference mechanism).
Antarmuka pengguna adalah perangkat
lunak yang menyediakan media komunikasi
antara pengguna dengan system.
Basis data system pakar berisi
pengetahuan setingkat pakar pada subyek tertentu.
Berisi pengetahuan yang dibutuhkan untuk
memahami, merumuskan, dan menyelesaikan
masalah.
Basis data ini terdiri dari 2 elemen dasar :
1. Fakta, situasi masalah dan teori yang terkait.
2. Heuristik khusus atau rules, yang langsung
menggunakan pengetahuan untuk
menyelesaikan masalah khusus.
Fasilitas akuisisi pengetahuan
merupakan perangkat lunak yang menyediakan
fasilitas dialog antara pakar dan sistem. Fasilitas
akuisisi digunakan untuk memasukkan fakta –
fakta dan kaidah – kaidah sesusi dengan
perkembangan ilmu.
Mekanisme inferensi merupakan
perangkat lunak yang melakukan penalaran
dengan menggunakan pengetahuan yang ada
untuk menghasilkan suatu kesimpulan atau hasil
akhir.
Fasilitas penjelasan berguna dalam
memberikan penjelasan kepada pengguna
mengapa komputer meminta suatu informasi
tertentu dari pengguna dan dasar apa yang
digunakan komputer sehingga dapat
menyimpulkan suatu kondisi.
390
Knowledge
Base
Database
Inference
Engine
User
Interface
User
Gambar 1. Arsitektur Sistem
Pakar
2.1 Dempster Shafer
Ada berbagai macam penalaran dengan
model yang lengkap dan sangat konsisten, tetapi
pada kenyataannya banyak permasalahan yang
tidak dapat terselesaikan secara lengkap dan
konsisten. Ketidakkonsistenan yang tersebut
adalah akibat adanya penambahan fakta baru.
Penalaran yang seperti itu disebut dengan
penalaran nonmonotonis. Untuk mengatasi
ketidakkonsistenan tersebut maka dapat
menggunakan penalaran dengan teori Dempster-
Shafer. [5].
Secara umum Teori Dempster-Shafer ditulis
dalam suatu interval:
[Belief,Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence
(gejala) dalam mendukung suatu himpunan
bagian. Jika bernilai 0 maka mengindikasikan
bahwa tidak ada evidence, dan jika bernilai 1
menunjukan adanya kepastian. [5].
Plausibility (Pl) dinotasikan sebagai:
Pl(s)= 1 – Bel(¬s)
Plausibility juga bernilai 0 sampai 1. Jika kita
yakin akan –s, maka dapat dikatakan bahwa
Bel(¬s)=1, dan Pl(¬s)=0. Plausability akan
mengurangi tingkat kepercayaan dari evidence.
Pada teori Dempster-Shafer kita mengenal adanya
frame of discernment yang dinotasikan dengan θ
dan mass function yang dinotasikan dengan m.
Frame ini merupakan semesta pembicaraan dari
sekumpulan hipotesis. Tujuannya adalah
mengaitkan ukuran kepercayaan elemen-elemen
θ. Tidak semua evidence secara langsung
mendukung tiap-tiap elemen. Untuk itu perlu
adanya probabilitas fungsi densitas (m). Nilai m
tidak hanya mendefinisikan elemen-elemen θ saja,
namun juga semua subsetnya. Sehingga jika θ
berisi n elemen, maka subset θ adalah 2n . Jumlah
semua m dalam subset θ sama dengan 1. Apabila
tidak ada informasi apapun untuk memilih
hipotesis, maka nilai : m{θ} = 1,0 .
Apabila diketahui X adalah subset dari θ,
dengan m1 sebagai fungsi densitasnya, dan Y
 Seminar Nasional Informatika 2014

juga merupakan subset dari θ dengan m2 sebagai Hasil perhitungan diilustrasikan dalam table
fungsi densitasnya, maka dapat dibentuk fungsi {p05} 0,8 θ (0.2)
kombinasi m1 dan m2 sebagai m3, dengan rumus {p05,p07} (0.12) {p05} 0,096 {p05,p07} (0.024)
seperti pada persamaan 2 berikut : θ (0.88) {p05} 0,704 θ (0.176)

m ( z) 
 x y  z
m1 ( X ).m2 (Y ) {p05} (0.096)
{p05}
{p05}
0,7 θ (0.3)
(0.0672) {p05} (0.0288)
1 
3 {p05} (0.704) {p05} (0.4928) {p05} (0.2112)
x  y 
m1 ( X ).m2 (Y ) {p05,p07} (0.024) {p05} (0.0168) {p05,p07} (0.0072)
θ (0.176) {p05} (0.1232) θ (0.0528)
Dimana :
m3(Z) = mass function dari evidence (Z) Keterangan :
m1 (X) = mass function dari evidence (X) 1. Kolom pertama dan kedua pada baris kedua
m2 (Y) = mass function dari evidence (Y) dan ketiga berisikan semua himpunan bagian
Zm1(X).m2(Y) = ada hasil irisan dari m1 dan m2 pada gejala pertama (kulit kering) dengan
Ø Zm1(X).m2(Y) = tidak ada hasil irisan (irisan m1 sebagai fungsi densitas.
kosong (Ø)) 2. Baris pertama berisikan semua himpunan
bagian pada gejala kedua (kelopak mata
Strategi Masalah sayu) dengan m2 sebagai fungsi densitas.
Adapun Metode yang dipakai dalam 3. Baris kedua dan ketiga pada kolom ketiga,
pemecahan masalah dari sistem pakar diagnosa keempat, kelima dan keenam merupakan
penyakit yang disebabkan oleh hewan arthropoda irisan dari kedua himpunan.
ini adalah metode Dempster-Shafer. Teori 4. Kolom pertama dan kedua pada baris
Dempster-Shafer adalah suatu teori matematika keenam, ketujuh, kedelapan, dan kesembilan
untuk pembuktian berdasarkan belief functions berisikan semua himpunan hasil kombinasi
and plausible reasoning (fungsi kepercayaan dan pada gejala pertama dan gejala kedua.
pemikiran yang masuk akal), yang digunakan 5. Baris kelima berisikan semua himpunan
untuk mengkombinasikan potongan informasi bagian pada gejala ketiga (mata merah)
yang terpisah (bukti) untuk mengkalkulasi dengan m3 sebagai fungsi densitas.
kemungkinan dari suatu peristiwa. 6. Baris keenam, ketujuh, kedelapan dan
Dik : θ={p01,p02,p03,p04,p05,p06,p07,p08 } kesembilan pada kolom ketiga, keempat,
Dengan : kelima dan keenam merupakan irisan
P01 = Skabies himpunan dari kombinasi gejala pertama dan
P02 = Demodiosis gejala kedua dengan gejala ketiga.
P03 = Pedikulosis
P04 = Fitriasis Sehingga dapat dihitung densitas baru dari hasil
P05 = Miasis kombinasi (m3) diatas dengan persamaan
P06 = Entomophoby Dempster-Shafer sbb :
P07 = Annoyance M 3 {p05} = 0.0672
P08 = Dermathosis ----- = 0. 0672
Jika kemudian diketahui bahwa kulit kering 1
merupakan gejala dari Miasis dan Annoyance
dengan m= 0,7 , maka : M 3 {p05} = 0.168
----- = 0. 168
M{p05, p07}= 0,7 m{θ}= 1-0,7 = 0,3 1
M 3 {p05} = 0.98
Misalkan User melakukan konsultasi dengan ----- = 0. 98
gejala kulit kering, kelopak mata sayu dan mata 1
merah. Maka untuk memperoleh nilai keyakinan M 3 {p05} = 0.42
dengan metode Dempster-shafer dari gejala kulit ----- = 0.42
kering dan kelopak mata sayu diatas, dihitung : 1
gejala 1 = kulit kering M 3 {p05} = 0.168
m1 {p05,p07} = 0.7 ----- = 0. 168
m1 { θ } = 1 - 0.012 = 0.88 1
gejala 2 = kelopak mata sayu M 3 {p05} = 0.072
m2 {p05} = 0.8 ----- = 0.072
m2 { θ } = 1 - 0.8 = 0.2 1
gejala 3 = mata merah M 3 {p05,p07} = 0.042
m3 {p05} = 0.7 ----- = 0.042
m3 { θ } = 1 - 0.7 = 0.3 1

391
Seminar Nasional Informatika 2014

M 3 {θ} = 0.018 Berdasarkan tabel gejala dapatlah

----- = 0.018 ditentukan aturan-aturan atau rule IF-THEN
1 untuk mendiagnosis penyakit yang disebabkan
oleh hewan arthropoda. Jika bagian IF (kondisi)
Maka dapat disimpulkan nilai kepastian dari rule cocok dengan fakta, maka rule
kombinasi Dempster-Shafer adalah : dieksekusi dan bagian THEN (aksi) diletakkan
User menderita penyakit MIASIS dengan nilai dalam database sebagai fakta baru yang
kepercayaan sebesar : ditambahkan.
0.392 /(1-0.0528)* 100 % = 7.09 %
Rule 1:
3. Knowledge Base IF Badan merah-merah THEN Skabies, sering
Basis pengetahuan merupakan inti dari terkena sinar matahari pagi.
suatu sistem pakar, yaitu berupa representasi
pengetahuan dari pakar. Basis pengetahuan Rule 2:
tersusun atas fakta dan kaidah. Fakta adalah IF Kulit berisik AND Kulit gatal-gatal AND Kulit
informasi tentang objek, peristiwa, atau situasi. bentol-bentol THEN Demodiosis, oleskan salep
Kaidah adalah cara untuk membangkitkan suatu yang mengandung sulfur.
fakta baru dari fakta yang sudah diketahui. Basis
pengetahuan ini terdiri dari kumpulan objek Rule 3:
beserta aturan dan atributnya (sifat atau cirinya), IF Kulit gatal-gatal AND Mata berair THEN
tentu saja di dalam domain tertentu. Ada 2 bentuk Pedikulosis, Oleskan lotion malathion.
pendekatan basis pengetahuan yang sangat umum
digunakan yaitu : Rule 4:
a. Rule-Based Reasoning (Penalaran IF Kulit kepala gatal AND Kulit pucat AND
berBasis Aturan) Kepala pusing THEN Fitriasis, Berikan krim
Pada penalaran berbasis aturan, pengetahuan gameksan dengan nilai 1%.
direpresentasi-kan dengan menggunakan aturan
berbentuk IF-THEN. Rule 5:
b. Case-Based Reasoning (Penalaran IF Kulit kering AND Kelopak mata sayu AND
berBasis Kasus). Mata merah AND Kulit pecah-pecah THEN
Basis pengetahuan akan berisi solusi-solusi yang Miasis, rendaman (dipping) rutin dua kali
telah di-capai sebelumnya, kemudian akan seminggu dengan mencampur 6 liter Ecoflee
diturunkan suatu solusi untuk keadaan yang dengan 3 m3 air.
terjadi sekarang (fakta yang ada).
Rule 6:
Tabel Gejala Penyakit Sebab Hewan IF Kulit gatal-gatal AND Berhalusinasi THEN
Arthropoda Entomophoby, penyembuhan diperlukan bantuan
Karakteristik / psychiatrist (dokter ahli jiwa).
Jenis Penyakit
Gejala Penyakit
Rule 7:
Skabies - Badan merah-merah
IF Kulit kering AND Kulit pecah-pecah THEN
Demodiosis - Kulit bersisik Annoyance, Miasis, rendaman (dipping) rutin dua
- Kulit gatal-gatal kali seminggu dengan mencampur 6 liter Ecoflee
- Kulit bentol-bentol dengan 3 m3 air.
Pedikulosis - Kulit gatal-gatal
- Mata berair Rule 8:
Fitriasis - Kulit kepala gatal IF Bintik merah pada kulit THEN Demathosis,
- Kulit pucat Oleskan salep yang mengandung sulfur dan juga
- Kepala pusing sering dibersihkan dengan sabun mandi.
Miasis - Kulit kering
- Kelopak mata sayu 4. Database
- Mata merah Perancangan database merupakan proses
- Kulit pecah-pecah untuk menentukan isi data yang dibutuhkan untuk
Entomophoby - Kulit gatal-gatal mendukung rancangan sistem. Model rancangan
- Berhalusinasi database yang dibangun adalah model
Annoyance - Kulit kering relationship di mana seluruh tabel saling
- Kulit pecah-pecah berhubungan satu dengan yang lainnya.
Demathosis - Bintik merah pada
kulit

392

1. Kesimpulan
Berdasarkan penelitian dan pembahasan yang
dilakukan, maka dapat diambil kesimpulan
sebagai berikut :
1. Pada penelitian sudah dikembangkan
sistem pakar mendiagnosis penyakit yang
disebabkan oleh hewan arthropoda
berdasarkan gejala yang dijawab oleh user.
2. Metode Dempster Shafer digunakan untuk
mencari nilai tertinggi dari kombinasi
gejala-gejala yang telah dipilih oleh user.
3. Metode Dempster Shafer menghasilkan
tingkat kepercayaan dari perhitungan nilai-
nilai densitas gejala yang telah diberikan
oleh pakar.
Daftar Pustaka
[1] Bellis Mary, (2010).“Developing The Level
of C-Reactive Protein (hs-CRP) in
Preeclamptic Pregnancy ”. JST Kesehatan,
Oktober 2010, Vol.1 No.3.
[2] Kusrini (2007).”Question Quantification to
Obtain User Certainty Factor in Expert
System Application for Disease Diagnosis”.
Proceedings of the International Conference
on Electrical Engineering and Informatics.
Institut Teknologi Bandung, Indonesia.
Seminar Nasional Informatika 2014
[3] Rikhiana Dyah Esthi dan Fadlil Abdul
(2013). “Implementasi Sistem Pakar Untuk
Mendiagnosa Penyakit Dalam Pada
Manusia Menggunakan Metode Dempster
Shafer”. Volume 1 No 1.
[4] Sulistyohati Aprilia, Et al (2008).”Aplikasi
Sistem Pakar Diagnosa Penyakit Ginjal
Dengan Metode Dempster Shafer”. Seminar
Nasional Aplikasi Teknologi Informasi,
Yogyakarta : SNATI.
[5] Sutojo (2010). “Kecerdasan Buatan”.
Yogyakarta : Penerbit Andi.
[6] Sultan Zafar (2009).“Multiple Simultaneous
Threat Detection in UNIX Environment”.
IJCSNS International Journal of Computer
Science and Network Security, VOL.9 No.2.
[7] Siswanto (2010).“Kecerdasan Tiruan”.
Edisi 2. Yogyakarta: Graha Ilmu.
[8] Salama A. Mostafa, Mohd Sharifuddin
Ahmad, Mazin Abed Mohammed and Omar
Ibrahim Obaid (2012).“Implementing an
Expert Diagnostic Assistance System for Car
Failure and Malfunction”. IJCSI
International Journal of Computer Science
Issues, Vol. 9, Issue 2, No 2.
393
Seminar Nasional Informatika 2014

SISTEM PAKAR UNTUK MENDETEKSI PENYAKIT AKIBAT

BAKTERI SALMONELLA DALAM TUBUH MANUSIA
MENGGUNAKAN METODE CERTAINTY FACTOR
Nita Sari Br Sembiring

STMIK Potensi Utama Medan

Jl. K.L Yos Sudarso No 3A Medan
tata_olala@yahoo.co.id

Abstrak

Sistem Pakar merupakan sistem yang dapat bekerja layaknya seorang ahli dalam bidangnya. Dalam hal ini
yang dibahas adalah sistem pakar dalam bidang kesehatan. Dengan adanya sistem pakar diharapkan dapat
membantu praktisi kesehatan untuk menelusuri penyakit akibat bakteri Salmonella dengan cepat. Sistem
pakar ini menggunakan mesin inferensi runut maju (Forward Chaining) dan Certainty Factor. Penalaran
dilakukan berdasarkan dari gejala-gejala baik yang tampak secara fisik maupun yang tidak tampak (melalui
uji laboratorium) terhadap pasien. Dari gejala-gejala tersebut kemudian dibuat rule-rule yang akan diterapkan
ke dalam mesin inferensi untuk mengetahui penyakit apa yang dialami oleh pasien. Hasil program ini
menunjukkan bahwa sistem pakar dapat dipergunakan sebagai suatu media yang dapat memberikan informasi
tentang bakteri Salmonella, dan cara menghindarinya. Sistem pakar ini dapat digunakan untuk mempercepat
pencarian dan pengaksesan terhadap pengetahuan oleh orang-orang yang membutuhkan informasi.

Kata Kunci : Sistem Pakar, Basis Pengetahuan, Certainty Factor, Basis Data, Bakteri Salmonella.

Pendahuluan [2]. Dalam sistem pakar terdiri dari dua

Artificial Inteligent (AI) disebut juga
kecerdasan buatan. Kecerdasan buatan dapat
didefinisikan sabagai cabang ilmu komputer yang
mempelajari otomatisasi tingkah laku cerdas
(Intelligent). Kecerdasan buatan adalah suatu ilmu
yang mempelajari cara membuat komputer
melakukan sesuatu seperti yang dilakukan oleh
manusia.
Sistem pakar merupakan salah satu
bagian dari kecerdasan buatan yang akhir-akhir
ini mengalami perkembangan yang sangat pesat.
Sistem ini dirancang untuk dapat menirukan
keahlian seorang pakar dalam menjawab
pertanyaan dan menyelesaikan suatu
permasalahan
khususnya di bidang kesehatan.
Sebelumnya sudah pernah ada yang
meneliti tentang bagainama suatu sistem pakar
diterapkan untuk menganalisa penyakit dalam [1].
Perbedaan penelitian yang peneliti lakukan
dengan penelitian sebelumnya adalah pada
penelitian ini di khususkan hanya untuk
mendiagnosis penyakit-penyakit dari akibat
bakteri salmonella dalam tubuh manusia.
Penelitian tidak mencakup seluruh penyakit yang
ada pada tubuh manusia.
Komponen Sistem Pakar
Adapun komponen-komponen dalam
sistem pakar meliputi Basis Pengetahuan, Antar
muka Pengguna, Mesin Inferensi dan Basis data
lingkungan yaitu, lingkungan konsultasi dan
lingkungan pengembangan. Lingkungan
konsultasi ditujukan kepada pengguna untuk
berkonsultasi langsung dengan sisten dan
lingkungan pengembangan ditujukan untuk pakar
atau orang yang ahli dalam bidangnya agar dapat
memperbaharui aplikasi sistem pakar yang telah
dibuat. Dalam hal ini adalah bidang kesehatan.
Bakteri Salmonella
Infeksi oleh bakteri genus Salmonella
(oleh sebab itu disebut Salmonellosis) menyerang
saluran gastrointestin yang mencakup perut, usus
halus, dan usus besar atau kolon. Beberapa
spesies salmonella dapat menyebabkan infeksi
makanan. Termasuk kedalamnya adalah
Salmonella Enteriditis var Typhirium atau sering
disebut Salmonella Typhi yang mengakibatkan
penyakit tifus, dan Salmonella Shigella yang
mengakibatkan penyakit disentri dan diare.
Bakteri ini adalah batang gram negatif, motil dan
tidak berspora. Dapat memfermentasi glukosa,
tetapi tidak dapat memfermentasi laktosa atau
sukrosa. Hampir semua serotipe membentuk gas
bila memfermentasi gula, kecuali Salmonella
Typhi [3].
Sebagian Salmonella bersifat pathogen
pada binatang dan merupakan sumber infeksi bagi
manusia. Binatang-binatang itu antara lain tikus,
unggas, anjing dan kucing. Dalam alam bebas
Salmonella typhi dapat tahan lama dalam air,
tanah atau pada bahan makanan. Dalam feces di

394
 Seminar Nasional Informatika 2014

luar tubuh manusia hidup 1 atau 2 bulan. Dalam
air susu dapat berkembang biak dan hidup lebih
lama sehingga sering merupakan batu loncatan
untuk penularan penyakitnya.
kondisinya benar atau salah. Jika kondisinya
benar, maka aturan itu disimpan kemudian aturan
berikutnya diuji. Sebaliknya kondisinya salah,
aturan itu tidak disimpan dan aturan berikutnya
diuji. Proses ini akan berulang sampai seluruh
basis aturan teruji dengan berbagi kondisi.

Gambar 1. Bentuk Bakteri Salmonella
Mesin Inferensi
Mesin inferensi dalam forward chaining
menggunakan informasi yang ditentukan oleh
user untuk memindahkan logika and dan or
sampai ditentukannya objek. Bila mesin inferensi
tidak dapat menentukan objek maka akan
meminta informasi lain. Oleh karena itu, untuk
mencapai objek harus memenuhi semua aturan.
Salah satu metode yang dapat diterapkan
dalam sistem pakar adalah metode forward
chaining. Forward chaining disebut juga
penalaran dari bawah ke atas. Suatu rantai yang
dicari atau dilewati/dilintasi dari suatu
permasalahan untuk memperoleh solusinya
Searching (Pelacakan)
Pelacakan merupakan suatu proses
pencarian yang berdasarkan dari sejumlah data
yang ada. Pencarian data dapat dilakukan pada
sejumlah data yang sudah terurut atau juga pada
data yang sama sekali belum terurut. Metode
pencarian akan menjelaskan secara umum
bagaimana teknik pencarian.
Teknik pelacakan terdiri dari 2 cara yaitu
Depth-first search dan Breadth-first search.
Depth-first search bekerja denga menelusuri
simpul mulai dari akar terus kebawah sampai
secara berturut-turut ke level yang lebih dalam
[2]. Suatu operator digunakan untuk
menghasilkan simpul node berikutnya lebih dalam
dengan kata lain simpul anak diperoleh dari
simpul ayah. Breadth-first search, bekerja dengan
cara memeriksa semua simpul dalam pohon
pencarian yang dimulai dari akar. Simpul tiap
level diperiksa secara lengkap sebelum berpindah
ke level berikutnya.
Observasi Aturan Fakt Kesimpulan
R1 aC
A
Aturan
1

disebut dengan forward chaining. Cara lain R3

menggambarkan forward chaining ini adalah Kesimpulan

Aturan Fakta
dengan penalaran dari fakta menuju konklusi Observasi R2 D 2
B
yang diperoleh dari fakta. Aturan
R2

Forward Chaining Fakta

E
Forward Chaining adalah metode
pencarian atau penarikan kesimpulan yang
berdasarkan pada data atau fakta yang ada menuju Gambar 2. Proses Forward Chaining
kesimpulan. penelusuran dimulai dari fakta yang
ada lalu bergerak maju melalui premis-premis
untuk menuju kesimpulan. Suatu perkalian Analisa Kebutuhan Data
inferensi yang menghubungkan suatu Tahap penganalisaan terhadap data yang
permasalahan dengan solusinya disebut dengan diperoleh pada tahap pengumpulan data akan
rantai (chain). Suatu rantai yang dicari atau dilakukan beberapa perancangan tahap
dilewati/ dilintasi dari suatu permasalahan untuk penyelesaian perangkat lunak. Berdasarkan
memperoleh solusinya disebut dengan forward literatur – literatur yang ada dan hasil wawancara
chaining. Cara lain menggambarkan forward dengan pakar, maka data disusun dan
chaining adalah dengan penalaran dari fakta dikelompokkan dalam bentuk tabel data. Hal ini
menuju konklusi yang terdapat dari fakta. Suatu dilakukan agar mempermudah dalam melakukan
rantai yang dilintasi dari suatu hipotesa kembali analisa dan proses data.
ke fakta yang mendukung hipotesa tersebut
adalah backward chaining.
Dalam penalaran maju, aturan-aturan
diuji satu demi satu dalam urutan tertentu. Urutan
itu mungkin berupa urutan pemasukan aturan ke
dalam basis aturan atau juga urutan lain yang
ditentukan oleh pemakai. Saat setiap urutan
diuji, sistem pakar akan mengevaluasi apakah

395
Seminar Nasional Informatika 2014

Penyajian data - Sakit Bola Mata

- Mual/Muntah
Tabel 1. Data Penyakit dan Gejala - Sakit Perut/Kram
No Penyakit yang - Ruam
disebabkan Kriteria - Tekanan Darah
bakteri Menurun
salmonella - Suka merancau

1 Diare - Badan terasa lemas 5 Spotted Fever - Panas

dan lesu (Demam - Menggigil
- Mengalami sakit Bercak) - Sakit kepala
perut/kram - Badan Letih/lesu
- Perut mulas - Sakit Sendi dan
- BAB 3-7 x sehari Seluruh tubuh
- Feses encer/berlendir - Ruam
- Perut kembung - Kadang Pendarahan
- Bibir pecah-pecah di bawah kulit
6 Kolera - Lemas/Lesu
2 Disentri - Mengalami demam - Sakit perut/Kam
- Badan terasa lemas - Mual/ Muntah
dan lesu - BAB sampai 10 x
- Mengalami sakit sehari
perut/kram - Feses Encer
- Perut mulas - Perut Kembung
- Mual dan muntah - Bibir pecah-pecah
- BAB lebih dari 10 x - Dehidrasi
sehari
- Feses encer/berlendir 7 Demam - Panas
- Feses disertai darah - Sakit Kepala/Pusing
- Perut kembung - Badan Lemas/Lesu
- Bibir pecah-pecah - Kadang Mual/muntah
8 - Sakit Kepala / Pusing
3 Typhus - Mengalami Darah Rendah - Badan Letih/Lesu
demam/panas - Mual dan Muntah
- Suhu tubuh naik - Tekanan Darah
turun menurun
- Mengalami sakit
kepala/pusing
- Badan lemas dan lesu Uji Widal
- Sakit perut/kram
- Mengalami mual dan Uji Widal atau tes di mana yang diuji itu
muntah apakah dalam darah / serum pasien mengandung
- Mengalami sembelit aglutinin terhadap bakteri samlonella typhi
- Perut kembung dengan jalan mereaksikan serum seseorang
- Bibir pecah-pecah dengan antigen O, H dan Vi di laboratorium..
- Lidah berwarna putih Salmonella typhi mempunyai 3 macam antigen,
- Muncul ruam di yaitu : O antingen (Somatik), H antigen
tubuh (Flagelar), dan Vi antigen (Virulensi). Bagian dari
- Tekanan darah Vi antigen adalah Paratyphi A dan paratyphi B.
menurun Aglutinasi O berbentuk butir-butir pasir yang
- Denyut Nadi Lambat tidak hilang bila dikocok. Aglutinasi H berbentuk
- Sering mengigau butir-butir pasir yang hilang bila dikocok.
Aglutinasi Vi berbentuk awan. Pada umumnya
4 hasil uji widal adalah 1/20, 1/40, 1/60, 1/80, dan
DBD - Panas tinggi kelipatan selanjutnya. Berikut merupakan data
- Suhu tubuh naik nilai Titer Widal bagi yang dinyatakan positif
turun terkena tifus seperti pada tabel 1.2. di bawah ini :
- Sakit Kepala
- Sakit Punggung
- Sakit Otot-otot

396
 Seminar Nasional Informatika 2014

Tabel 2. Tabel Uji Widal Tabel 3. Tabel Nilai Bobot

No Antigen yg Nilai Keterangan Kode Gejala Bobot
dibutuhkan Titer G01 Lemas/Lesu 0.6
1 Antigen H ≤ 1/160 Antigen G02 Mual 0.6
Flagelar G03 Muntah 0.6
Salmonella G04 Kram 0.7
Typhi G05 Sakit Kepala 0.4
2 Antigen O ≤ 1/160 Antigen G06 Panas 0.7
Somatik G07 Mulut Kering 0.4
Salmonella G08 Perut Kembung 0.3
Typhi G09 Ruam 0.6
3 Antigen ≤ 1/160 Antigen G10 Feses Encer 0.5
PA-O Salmonella G11 BAB ≥ 10 x sehari 0.3
Paratyphi A G12 Suhu Tubuh Naik Turun 0.5
Som
G13 Merancau 0.4
4 Antigen ≤ 1/160 Antigen
G14 Tekanan Darah Rendah 0.4
PA-H Salmonella
G15 Mulas 0.3
Paratyphi A
G16 Lidah kotor 0.7
Flag
G17 Nadi lemah 0.5
5 Antigen ≤ 1/160 Antigen
G18 Sembelit 0.5
PB-O Salmonella
Paratyphi B G19 BAB 3-9x sehari 0.3
Som G20 Feses Berdarah 0.3
6 Antigen ≤ 1/160 Antigen G21 Titer Widal Antigen H ≤1/160 0.8
PB-H Salmonella G22 Titer Widal Antigen H ≤1/160 0.8
Paratyphi B G23 Titer Widal Antigen A- 0.8
Flag H≤1/160

Certainty Factor Misalkan untuk mendiagnosa penyakit diare yang

Faktor kepastian (certainty factor) diakibatkan oleh bakteri Salmonella Shigella
diperkenalkan oleh Shortliffe Buchanan dalam dengan rule :
pembuatan MYCIN. Certainty Factor (CF)
merupakan nilai parameter klinis yang diberikan IF Badan terasa lemas lesu
MYCIN untuk menunjukkan besarnya AND Mengalami sakit perut/kram
kepercayaan [4]. Certainty Factor didefinisikan AND Mulut Kering
sebagai persamaan berikut : AND Perut kembung
CF (H, E) = MB (H, E) – MD (H, E) AND Feses Encer
Certainty Factor dari hipotesis H yang AND Mulas
dipengaruhi oleh gejala (evidence) E. Besarnya AND BAB 3-9 x sehari
CF berkisar antara -1 sampai 1. Nilai -1 THEN Diare
menunjukkan ketidakpercayaan mutlak sedangkan
nilai 1 menunjukkan kepercayaan mutlak. : Nilai CF-nya = MB-MD
ukuran kenaikan kepercayaan (measure of MB=(Badan Lemas/Lesu, Sakit Perut, Mulut
increased belief) terhadap hipotesis H yang Kering, Perut Kembung, Feses Encer, Mulas,
dipengaruhi oleh gejala E. : ukuran kenaikan BAB 3-9x sehari) = 0.6, 0.7, 0.4, 0.3, 0.5, 0.3, 0.3.
ketidakpercayaan (measure of increased disbelief)
terhadap hipotesis H yang dipengaruhi oleh gejala MD=(Badan Lemas/Lesu, Sakit Perut, Mulut
E. Kering, Perut Kembung, Feses Encer, Mulas,
CFc (CF1,CF2) = CF1 + CF2 (1- CF1) BAB 3-9x sehari) = 0.06, 0.07, 0.04, 0.03, 0.05,
; jika CF1 dan CF2 keduanya posistif. 0.03, 0.03.
CFc (CF1,CF2) = CF1 + CF2 (1+ CF1)
; jika CF1 dan CF2 keduanya negative. Perhitungan MB :
G02 = G01+ (G02 * ( 1-G01))
Perhitungan Nilai Kepastian Berdasarkan = 0.6 + (0.7 * ( 1- 0.6))
Nilai Bobot Gejala = 0.6 + (0.7 * 0.4)
= 0.6 + 0.28
Nilai bobot pada gejala yang disebabkan = 0.88
oleh bakteri Salmonella dapat dilihat pada tabel
berikut : G03 = G02 + (G03 * (1-G02))
= 0.88 + (0.4 * (1-0.88))

397
Seminar Nasional Informatika 2014
= 0.88 + (0.4 * 0.12)
= 0.88 + 0.048
= 0.928
G04 = G03 + (G04 * (1- G03))
= 0.928 + (0.3 * (1- 0.928))
= 0.928 + (0.3 * 0.072)
= 0.928 + 0.0216
= 0.9496
G05 = G04 + (G05 * (1- G04))
= 0.9496 + (0.5 * (1- 0.9496))
= 0.9496 + (0.5 * 0.0504)
= 0.9496 + 0.0252
= 0.9748
G06 = G05 + (G06 * (1- G05))
= 0.9748 + (0.3 * (1- 0.9748))
= 0.9748 + (0.3 * 0.0252)
= 0.9748 + 0.00756
= 0.98236
G07 = G06 + (G07 * (1- G06))
= 0.98236+ (0.3 * (1- 0.98236))
= 0.98236+ (0.3 * 0.01764)
= 0.98236+ 0.005292
= 0.987652
Perhitungan Nilai MD :
G02 = G01+ (G02 * ( 1-G01))
= 0.06 + (0.07 * ( 1- 0.06))
= 0.06 + (0.07 * 0.94)
= 0.06 + 0.0658
= 0.0718
G03 = G02 + (G03 * (1-G02))
= 0.0718 + (0.04 * (1-0.0718))
= 0.0718+ (0.04 * 0.9282)
= 0.0718+ 0.037128
= 0.108928
G04 = G03 + (G04 * (1- G03))
= 0.108928+ (0.03 * (1- 0.108928))
= 0.108928+ (0.03 * 0.891072)
= 0.108928+ 0.02673
= 0.135658
G05 = G04 + (G05 * (1- G04))
= 0.135658 + (0.05 * (1-0.135658))
= 0.135658 + (0.05 * 0.8643421)
= 0.135658 + 0.00678
= 0.142438
G06 = G05 + (G06 * (1- G05))
= 0.142438 + (0.03 * (1- 0.142438))
= 0.142438 + (0.03 * 0.857562)
= 0.142438 + 0.02572686
= 0.16816486
G07 = G06 + (G07 * (1- G06))
= 0.16816486+ (0.03 * (1-0.16816486))
398
= 0.16816486+ (0.03 * 0.83183514)
= 0.16816486+ 0.0249550542
= 0.1931199142
Nilai CF = MB – MD
= 0.987652 - 0.1931199142
= 0.7945320858
Maka hasil diagnosa menyatakan penyakit diare
dengan nilai kepastian 0.79453
Arsitektur Sistem
Dengan mengacu pada struktur sistem
pakar seperti yang telah dibahas pada bagian 2.3,
maka arsitektur sistem didesain dengan
mengambil bentuk seperti Gambar berikut :
Knowledge base Database
Berisi himpunan aturan sbb: Berisi fakta-fakta tentang:
 Data Gejala Secara Umum
 Aturan untuk mendeteksi dan Hasil Tes Titer Widal
penyakit akibat bakteri  Data Penyakit Yang
salmonella Ditimbulkan
 Solusi
Inferensi Engine
Berisi :
 Prosedur untuk mencocokkan fakta
berdasarkan gejala dengan aturan
tentang penggunaan variabel yang dapat
mempengaruhi hasil penelusuran
penyakit yang diderita (Forward
Chaining).
User Interface Explanation Facilities
Berisi : Berisi :
 Prosedur untuk menbaca data  Prosedur untuk
input dari user berupa gejala- menampilkan parameter data
gejala yang ditimbulkan. gejala-gejala secara umum
 Prosedur untuk menampilkan  Prosedur tentang cara
hasil diagnosa penggunaan program
User
Gambar 3. Desain Arsitektur Sistem
Panyajian Fakta dan Aturan
Berdasarkan data-data gejala yang
diperoleh dari hasil penelitian maka dapat
ditelusuri hasil diagnosa berupa penyakit dan
solusi yang diharapkan. Untuk memperoleh hasil
yang baik maka, terlebih dahulu harus dibuat rule
atau aturan penelusuran. Berikut merupakan data
gejala yang diakibatkan oleh bakteri Salmonella
yang dibentuk ke dalam kode-kode dan dibentuk
menjadi rule.
Tabel 4. Rule untuk Mendiagnosa Penyakit
No Aturan (Rule)
1 IF mengalami demam/panas is True
AND Lemas Lesu is True
AND Mual is True
AND Muntah is True
AND Sakit perut/kram is True

AND Sakit kepala is True
AND Panas is True
AND Mulut Kering is True
AND Perut Kembung is True
AND Ruam is True
AND Suhu Tubuh Naik Turun is True
AND Merancau is True
AND Tekanan Darah Renah is True
AND Lidah Kotor is True
AND Denyut Nadi Lemah is True
AND Sembelit is True
AND Titer Widal O ≤1/160 is True
AND Titer widal antigen H ≤1/160 is
True
OR Titer widal antigen H ≤1/160 is True
AND Titer widal antigen A-H ≤1/160 is
True
OR Titer widal antigen O ≤1/160 is True
AND Titer widal antigen A-H ≤1/160 is
True
THEN Anda positif terkena penyakit tifus
yang diakibatkan oleh bakteri salmonella
typhi
2 IF Badan terasa lemas lesu is True
AND Mengalami sakit perut/kram is True
AND Mulut Kering is True
AND Perut kembung is True
AND Feses Encer is True
AND Mulas is True
AND BAB 3-9 x sehari is True
THEN Anda terinfeksi bakteri salmonella
shigella yang mengakibatkan
penyakit diare
3 IF Lemas/lesu is True
AND Mual is True
AND Muntah is True
AND Panas is True
AND Kram is True
AND Mulut Kering is True
AND Perut kembung is True
AND Feses Encer is True
AND BAB >10 x sehari is True
AND Mulas is True
AND Feses Berdarah is True
THEN Anda terinfeksi bakteri salmonella
shigella yang mengakibatkan penyakit
Seminar Nasional Informatika 2014
disentri
4 IF Badan lemah lesu is True
AND Mual is True
AND Muntah is True
AND Kram is True
AND Mulut Kering is True
AND Perut kembung is True
AND Feses Encer is True
AND BAB > 10 x sehari is True
THEN Kemungkinan anda terkena
penyakit Kolera
Kesimpulan
Berdasarkan penelitian dan pembahasan
yang dilakukan, maka dapat disimpulkan
beberapa hal sebagai berikut :
1. Dengan aplikasi sistem pakar dapat
membantu praktisi kesehatan di bawah
Dokter untuk mendiagnosis penyakit tanpa
harus melalui Dokter sehingga hasil
diagnosis dapat diperoleh dengan cepat.
2. Metode forward chaining akan melakukan
penelusuran untuk mendapatkan hasil
diagnosa penyakit berdasarkan atribut yaitu
gejala-gejala yang ada.
Daftar Pustaka
[1] Adhi Sadewo Broto. 2010. “Perancangan
dan Implementasi Sistem Pakar untuk
Analisa Penyakit Dalam”. Tugas Akhir.
Universitas Diponegoro. Semarang.
[2] Siswanto (2010). “Kecerdasan Tiruan”.
Edisi 2. Yogyakarta: Graha Ilmu.
[3] Indan Entjang. 2003. Mikrobiologi dan
Parasitologi Untuk Akademi Keperawatan
dan Sekolah Tenaga Kesehatan Yang
Sederajat. Bandung : Citra Aditya Bakti.
[4] Kusrini (2007).”Question Quantification to
Obtain User Certainty Factor in Expert
System Application for Disease Diagnosis”.
Proceedings of the International Conference
on Electrical Engineering and Informatics.
Institut Teknologi Bandung, Indonesia.
399
Seminar Nasional Informatika 2014

SISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN

METODE CERTAINTY FACTOR (STUDI KASUS RUMAH SAKIT
JIWA DAERAH PROVINSI SUMATERA UTARA)
Charles Jhony Mantho Sianturi

STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6,5 No. 3 A Tj Mulia – Medan
lapetgadong@yahoo.com

Abstrak

Kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagian dari Ilmu Komputer yang
mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang
dilakukan oleh manusia bahkan bisa lebih baik dari pada yang dilakukan manusia. Sistem Pakar (Expert
System) merupakan bagian dari kecerdasan buatan dan merupakan metode yang tepat untuk mengatasi
permasalahan. Sistem pakar banyak diterapkan oleh berbagai disiplin ilmu. Dalam kesempatan ini penulis
mencoba untuk membuat suatu sistem pakar mengenai gangguan kejiwaan neurosis. Program sistem pakar
ini menggunakan motor inferensi yang menerapkan penalaran maju dan juga menggunakan metode
Certainty Factor untuk menentukan tingkat kepastian dari hasil penelusuran. Sistem pakar ini diharapkan
mampu untuk dapat mendiagnosa gangguan kejiwaan neurosis sehingga dapat dijadikan suatu referensi
terhadap suatu kasus gangguan kejiwaan neurosis.

Kata Kunci : Sistem Pakar, Motor Inferensi, Certainty Factor, Neurosis

1. PENDAHULUAN menimbulkan disfungsi dalam pekerjaan,

Kecerdasan buatan (Artificial
Intelligence) merupakan salah satu bagian dari
Ilmu Komputer yang mempelajari bagaimana
membuat mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan oleh
manusia bahkan bisa lebih baik dari pada yang
dilakukan manusia. Sistem Pakar (Expert System)
merupakan bagian dari kecerdasan buatan dan
merupakan metode yang tepat untuk mengatasi
permasalahan, yang dimulai dengan proses
pencarian dari sekumpulan data atau fakta, dari
data-data yang didapat. Dan menentukan
kesimpulan yang menjadi solusi permasalahan
yang dikaji.
Sistem Pakar adalah sebuah sistem yang
menggunakan pengetahuan manusia di mana
pengetahuan tersebut dimasukkan ke dalam
sebuah komputer dan kemudian digunakan untuk
menyelesaikan masalah – masalah yang biasanaya
membutuhkan kepakaran atau keahlian manusia.
Istilah Gangguan Jiwa atau Gangguan
Mental (Mental Disorder) digunakan dalam
PPDGJ, tidak mengenal istilah “Penyakit Jiwa”
(Mental Disease/Mental Illness). Gangguan Jiwa
adalah suatu sindrom atau pola perilaku, atau
psikologik seseorang yang secara klinis bermakna
dan menimbulkan disfungsi dalam pekerjaan.
PPDGJ III, gangguan jiwa adalah pola perilaku
atau sikolo sindrom atau pola perilaku, atau
psikologik yang secara klinis bermakna dan
secara khas berkaitan dengan gejala dan
penderitaan serta fungsi psikososial. Pengetahuan
tentang kejiwaan ini bisa diimplementasikan
kedalam sistem pakar sebagai knowledge base,
yang dapat dipakai untuk membantu jenis
gangguan kejiwaan yang dialami pasien sehingga
didapat solusi tentang penanganan pasien lebih
dini [1].
Dengan memahami cara kerja sistem
pakar yang meniru cara manusia dalam
memecahkan suatu masalah spesifik, atas dasar
pemikiran tersebut timbul suatu ide untuk
membuat suatu sistem pakar yang diharapkan
dapat membantu memecahkan masalah dan
mencari langkah yang tepat dalam mendiagnosis
kejiwaan. Pengetahuan tentang gejala – gejala
ataupun jenis – jenis kejiwaan akan memberikan
pengetahuan kepada orang lain tentang kondisi
kejiwaaan, sehingga diperoleh data untuk
penanganan lebih cepat dan tepat.
Hal-hal yang menjadi latar belakang
tersebut di atas telah mendorong untuk melakukan
penelitian ini dengan judul tesis : “Sistem Pakar
Diagnosis Kejiwaan Menggunakan Metode
Certainty Factor”.
Perumusan Masalah
1. Bagaimana cara kerja dan pengetahuan
seorang pakar dalam mengidentifikasi
Gangguan Jiwa Neurosis ?
2. Bagaimana merancang sistem pakar dengan
menggunakan metode Certainty Factor untuk

400

membantu dan mempermudah menentukan
Jenis Gangguan Jiwa Neurosis?
3. Bagaimana penerapan metode Certainty
Factor dalam sistem pakar mengidentifikasi
Jenis Gangguan Jiwa Neurosis ?
Batasan Masalah
Berikut ini beberapa batasan masalah, yaitu :
1. Masalah Gangguan Jiwa dibatasi pada
gangguan jiwa jenis Neurosis.
2. Model sistem pakar yang dirancang adalah
berupa expert system (sistem pakar) dengan
metode pelacakan menggunakan metode
Certainty Factor.
3. Aplikasi ini hanya membantu untuk
mendiagnosis, bukan untuk membuat suatu
keputusan.
Tujuan Penelitian
Berdasarkan perumusan masalah di atas,
adapun yang menjadi tujuan dari penelitian ini
adalah :
1. Untuk mengetahui jenis ganggauan jiwa
yang dialami pasien.
2. Menganalisa kondisi kejiwaan yang dialami
pasien, sehingga dapat memilih alternatif
langkah kerja, dan mendapatkan solusi.
3. Merancang aplikasi sistem pakar mengetahui
jenis gangguan jiwa yang ada.
4. Membangun aplikasi sistem pakar dalam
implementasi kejiwaan pasien.
5. Menguji aplikasi sistem pakar dalam
implementasi di masyarakat.
Manfaat Penelitian
Adapun penelitian ini diharapkan
memberikan manfaat berupa :
1. Dapat menambah wawasan pembaca
mengenai sistem pakar maupun gangguan
jiwa.
2. Memperluas manfaat dari keilmuan dibidang
expert system (sistem pakar) bagi perguruan
tinggi, khususnya UPI “YPTK” Padang.
3. Mengambil wawasan keilmuan di bidang
expert system (sistem pakar).
2. LANDASAN TEORITIS
Sistem Pakar merupakan sebuah sistem
yang dirancang di dalam sebuah komputer,
dengan cara meniru proses-proses pemikiran yang
digunakan oleh seorang pakar untuk
menyelesaikan masalah - masalah tertentu yang
biasanya memerlukan keahlian seorang pakar.
Sistem pakar merupakan salah satu penerapan
dari kecerdasan buatan.
Konsep Dasar Sistem Pakar
Konsep dasar dari sistem pakar [2],
meliputi :
Seminar Nasional Informatika 2014
1. Keahlian / Kepakaran (Expertise)
Keahlian merupakan suatu pengetahuan
yang diperoleh seseorang dari pelatihan,
membaca, dan pengalaman. Kepakaran
inilah yang memungkinkan para ahli dapat
mengambil keputusan lebih cepat dan lebih
baik daripada seseorang yang bukan pakar.
2. Ahli/Pakar (Expert)
Pakar adalah seorang yang mempunyai
pengetahuan, pengalaman dan metode
khusus, serta mampu menerapkannya untuk
memecahkan masalah atau memberi nasihat.
Seorang pakar harus mampu menjelaskan
dan mempelajari hal – hal baru yang
berkaitan dengan topik permasalahan, jika
perlu harus mampu menyusun kembali
pengetahuan - pengetahuan yang didapatkan,
dan dapat memecahkan aturan – aturan serta
menentukan relevansi kepakaran.
3. Pemindahan Kepakaran (Transfering
Expertise)
Tujuan dari sistem pakar adalah
memindahkan kepakaran dari seorang pakar
ke dalam komputer, kemudian kepada orang
lain yang bukan pakar. Proses ini melibatkan
4 kegiatan, yaitu :
a. Akuisisi pengetahuan (dari pakar atau
sumber lain)
b. Representasi pengetahuan (pada
komputer)
c. Inferensi pengetahuan
d. Pemindahan pengetahuan ke pengguna.
4. Inferensi (Inferencing)
Inferensi adalah sebuah prosedur (program)
yang mempunyai kemampuan dalam
penalaran. Inferensi ditampilkan pada suatu
komponen yang disebut mesin inferensi
yang mencakup prosedur – prosedur
mengenai pemecah masalah. Semua
pengetahuan yang dimiliki oleh seorang
pakar disimpan pada basis pengetahuan oleh
sistem pakar. Tugas mesin inferensi adalah
mengambil kesimpulan berdasarkan basis
pengetahuan yang dimiliki.
5. Aturan – aturan (Rule)
Kebanyakan software sistem pakar
komersial adalah yang berbasis rule (rule-
based system), yaitu pengetahuan disimpan
terutama dalam bentuk rule, sebagai
prosedur - prosedur pemecah masalah.
6. Kemampuan Menjelaskan (Explanation
Capability)
Fasilitas lain dari sistem pakar adalah
kemampuan untuk menjelaskan saran atau
rekomendasi yang diberikannya. Penjelasan
dilakukan dalam subsistem yang disebut
subsistem penjelasan (explanation). Bagian
dari sistem ini memungkinkan penalaran
yang dibuatnya sendiri dan menjelaskan
operasi – operasinya.
401
Seminar Nasional Informatika 2014

Struktur Sistem Pakar MB (H, E) : ukuran kenaikan kepercayaan

Sistem pakar disusun oleh dua bagian (measure of increased belief)
utama, yaitu lingkungan pengembangan terhadap hipotesis H yang
(development environment) dan lingkungan dipengaruhi oleh gejala E.
konsultasi (consultation environment). MD (H, E) : ukuran kenaikan
Lingkungan pengembangan digunakan oleh ketidakpercayaan (measure of
pembuat sistem pakar untuk membangun increased disbelief) terhadap
komponen – komponennya dan memperkenalkan hipotesis H yang dipengaruhi
pengetahuan ke dalam knowledge base (basis oleh gejala E.
pengetahuan). Lingkungan konsultasi digunakan Bentuk dasar rumus certainty factor,
oleh pengguna untuk berkonsultasi sehingga adalah sebuah aturan JIKA E MAKA H seperti
pengguna mendapatkan pengetahuan dan nasihat ditunjukkan oleh persamaan 2 berikut:
dari Sistem Pakar layaknya berkonsultasi dengan CF (H, e) = CF (E, e) * CF (H, E)
seorang pakar. Komponen – komponen ....................(2)
dalam sistem pakar ditunjukkan dalam gambar Dimana
1.[3] CF (H, e) : certainty factor hipotesis yang
dipengaruhi oleh evidence e.
CF (E, e) : certainty factor evidence E yang
dipengaruhi oleh evidence e
CF (H, E) : certainty factor hipotesis
dengan asumsi evidence
diketahui dengan pasti, yaitu
ketika CF(E, e) = 1
Jika semua evidence pada antecedent
diketahui dengan pasti maka persamaannya akan
menjadi:
CF (E, e) = CF (H, E)
…...............................(3)
Gambar 1 Komponen dalam Sistem Pakar
Dalam aplikasinya, CF(H,E) merupakan
nilai kepastian yang diberikan oleh pakar terhadap
Certainty Factor suatu aturan, sedangkan CF(E,e) merupakan nilai
Sistem pakar harus mampu bekerja dalam kerpercayaan yang diberikan oleh pengguna
ketidakpastian. Sejumlah teori telah ditemukan terhadap gejala yang dialaminya.
untuk menyelesaikan ketidakpastian, termasuk Sebagai contoh, berikut ini adalah sebuah
diantaranya probabilitas klasik (classical aturan dengan CF yang diberikan oleh seorang
probability), probabilitas Bayes (Bayesian pakar:
probability), teori fuzzy Zadeh (Zadeh’s fuzzy JIKA batuk
theory) dan faktor kepastian (certainty factor). DAN demam
Definisi menurut David McAllister, certainty DAN sakit kepala
factor adalah suatu metode untuk membuktikan DAN bersin-bersin
apakah suatu fakta itu pasti ataukah tidak pasti MAKA influensa, CF: 0,7
yang berbentuk metric yang biasanya digunakan
dalam sistem pakar. Kelebihan metode Certainty Factor adalah:
Faktor kepastian (certainty factor) 1. Metode ini cocok dipakai dalam sistem pakar
diperkenalkan oleh Shortliffe Buchanan dalam untuk mengukur sesuatu apakah pasti atau
pembuatan MYCIN. Certainty Factor (CF) tidak pasti dalam mendiagnosis penyakit
merupakan nilai parameter klinis yang diberikan sebagai salah satu contohnya.
MYCIN untuk menunjukkan besarnya 2. Perhitungan dengan menggunakan metode ini
kepercayaan. Certainty Factor didefinisikan dalam sekali hitung hanya dapat mengolah 2
sebagai persamaan berikut : data saja sehingga keakuratan data dapat
CF (H, E) = MB (H, E) – MD (H, E)……..... terjaga.
(1)
CF (H, E) : Certainty Factor dari hipotesis H Kekurangan metode Certainty Factor adalah:
yang dipengaruhi oleh gejala 1. Ide umum dari pemodelan ketidakpastian
(evidence) E. Besarnya CF berkisar manusia dengan menggunakan numerik
antara -1 sampai 1. Nilai -1 metode certainty factor biasanya
menunjukkan ketidakpercayaan diperdebatkan. Sebagian orang akan
mutlak sedangkan nilai 1 membantah pendapat bahwa formula untuk
menunjukkan kepercayaan mutlak. metode certainty factor diatas memiliki sedikit
kebenaran.

402
 Seminar Nasional Informatika 2014

2. Metode ini hanya dapat mengolah Adapun Jenis Gangguan Jiwa Neurosis
ketidakpastian/kepastian hanya 2 data saja. yang memiliki Karakteristik / Ciri atau Tanda /
Perlu dilakukan beberapa kali pengolahan data Gejala, sebagai contoh ditunjukkan pada tabel 1.
untuk data yang lebih dari 2 buah.
Tabel 1. Karekteristik Gangguan Jiwa Neurosis
Gangguan Jiwa
Di dalam ilmu kedokteran, kata
Kejiwaan jarang sekali digunakan oleh
Paramedis. Paramedis lebih sering menyebutkan
kejiwaaan dengan Gangguan Jiwa.
Penafsiran yang terjadi di masyarakat
bahwa orang yang mengalami gangguan jiwa
adalah orang yang stress atau gila.
Pengelompokkan kejiwaan ini perlu diketahui
bagi masyarakat, untuk mengetahui gangguan
jiwa yang dialami yang mempunyai karakteristik
tertentu.

Gangguan Jiwa Neurosis

A. Pengertian Neurosis
Neurosis kadang - kadang disebut
psikoneurosis dan gangguan jiwa (untuk
membedakannya dengan psikosis atau penyakit
jiwa). Neurosis adalah gangguan yang terjadi 3. ANALISA DAN PERANCANGAN
hanya pada sebagian dari kepribadian, sehingga
orang yang mengalaminya masih bisa melakukan 3.1 Perancangan Sistem
pekerjaan-pekerjaan biasa sehari-hari atau masih 3.1.1 Arsitektur Sistem Pakar
bisa belajar, dan jarang memerlukan perawatan Sistem pakar memiliki beberapa
khusus di rumah sakit.[4] komponen utama, yaitu basis pengetahuan
(knowledge base), basis data sistem pakar (expert
B. Jenis Jenis Neurosis system database), mesin inferensi (inference
Di dalam PPDGJ III yang termasuk engine), antarmuka pengguna (user interface),
Neurosis adalah :[5] pengguna (user). Arsitektur dasar sistem pakar
1. Gangguan Anxietas Fobik dapat dilihat pada gambar 2.
Neurosis fobik merupakan gangguang
jiwa dengan gejala utamanya fobia, yaitu rasa
takut yang hebat yang bersifat irasional, terhadap
suatu benda atau keadaan. Fobia dapat
menyebabkan timbulnya perasaan seperti akan
pingsan, rasa lelah, mual, panik, berkeringat, dan
seterusnya.

2. Gangguan Panik
Adalah serangan anxietas berat yang
berulang, yang tidak terbatas pada adanya situasi
tertentu atau pun suatu rangkaian kejadian, dank
arena itu tidak terduga.

3. Gangguan Cemas Menyeluruh (Anxiety

Neurosis atau Anxiety State)
Faktor pencetus neurosis cemas sering
jelas dan secara psikodinamik berhubungan
dengan faktor-faktor yang menahun seperti
kemarahan yang dipendam.
4. Gangguan Anxietas Campuran
Neurosis depresif merupakan neurosis
dengan gangguang utama pada perasaan.
Gambar 2. Arsitektur Sistem Pakar
3.1.2 Knowledge Base
Dalam penelusuran kejiwaan dibutuhkan
penalaran maju untuk mendiagnosis gejala
maupun ciri – ciri, maka didapatlah pengetahuan
yang diperoleh dari pakar.
Berdasarkan hasil konsultasi dan
wawancara maka data yang diperoleh dari pakar

403
Seminar Nasional Informatika 2014

tentang Jenis Gangguan jiwa Neurosis di Rumah

Sakit Jiwa Daerah Provinsi Sumatera Utara .
Maka peneliti dapat menyimpulkan bahwa Jenis
Gangguan jiwa Neurosis sebagai berikut :

Tabel 2. Jenis Gangguan Jiwa Neurosis

Pada tabel sudah dijelaskan tentang Jenis

Gangguan Jiwa Neurosis. Jenis Gangguan Jiwa
Neurosis mempunyai beberapa Gejala dan Tanda.
Adapun Gejala dan Tanda tersebut adalah sebagai
berikut :

Tabel 3. Gejala dan Tanda Gangguan Jiwa Neurosis

Berdasarkan kedua tabel diatas maka pakar dapat

menentukan dengan mudah Jenis Gangguan Jiwa
Neurosis berdasarkan Gejala / Tanda Gangguan
Jiwa Neurosis tersebut. Untuk melakukan
pengelompokan Jenis Gangguan Jiwa Neurosis
dan sesuai dengan Gejala / Tanda Gangguan Jiwa
Neurosis yang ada, maka disini dibuat dalam
bentuk decision table berdasarkan sampel data
yang didapat pada penelitian yang penulis
lakukan. Berikut bentuk decision table dari
identifikasi Jenis Gangguan Jiwa Neurosis.

Tabel 4. Rule untuk Jenis Gangguan Jiwa

404

Certainty Factor dari Rule Based
Dengan menggali hasil dari wawancara
dengan pakar, nilai CF (Rule) didapat interpretasi
dari pakar menjadi nilai CF tertentu seperti pada
tabel 5.
Tabel 5. Nilai CF hasil interpretasi
Model yang diusulkan untuk menentukan
CF(Rule) adalah sebagai berikut:
x 1
CF(Rule) = 1 - + gejala serta metode yang ada pada tesis ini.
y y
dimana:
x = Jumlah kemunculan kombinasi nilai
variabel fakta E1  E2...  EN didalam
rule yang dihitung, sebagai set / subset
kombinasi nilai variabel fakta pada
setiap rule dengan variabel hipotesa H
yang sama.
y = Jumlah semua rule yang memiliki
variabel hipotesa H yang sama dengan
rule yang sedang dihitung.
4. PENUTUP
4.1 Kesimpulan
Setelah mengamati dan melihat hasil
dari penelitian tesis ini, maka dapat diambil
kesimpulan, yaitu :
4. Dalam mengidentifikasi Gangguan jiwa
Neurosis, seorang pakar melakukan dengan
konsultasi dengan pasien dan melihat
aktivitas serta kegiatan pasien sehari - hari.
Seminar Nasional Informatika 2014
5. Sistem pakar yang dirancang ini dapat
mengidentifikasi Jenis Gangguan Neurosis
berdasarkan data tanya jawab yang
dimasukkan kedalam sistem.
6. Penalaran forward chaining dengan
menggunakan bahasa pemrograman Visual
Basic 6.0 digunakan untuk melakukan
penelusuran Gejala / Tanda untuk
mendapatkan hasil identifikasi Jenis
Gangguan Jiwa Neurosis.
Output (Keluaran) dari sistem ini atau hasil
diagnosa dalam bentuk informasi tentang
Gangguan Jiwa Neurosis sehingga dapat
mengetahui lebih dini gangguan jiwa yang
dialami.
4.2 Saran
Berikut ini beberapa saran yang
ditujukan untuk pengembangan aplikasi Sistem
Pakar diagnosis kejiwaan menggunakan metode
forward chaining, selanjutnya.
1. Kiranya pengembangan Portal Informasi
dapat dijadikan media yang tepat bagi
penggunanya, dalam menerima informasi
yang akurat, terpercaya, dan memiliki nilai
efektif serta efisien bagi penggunanya,
dalam menangani permasalahan tertentu.
2. Pengetahuan sistem pakar kiranya semakin
diperkaya, agar dapat memberikan
penjelasan sistem yang lebih optimal.
3. Metode-metode inferensi dari Sistem Pakar
kiranya dapat disempurnakan, serta
dicarikan alternatif lain yang memungkinkan
penyelesaian yang jauh lebih baik.
4. Sebaiknya sistem pakar ini lebih
dikembangkan, tidak hanya sebatas jenis dan
DAFTAR PUSTAKA
[1] Muhammad Arhami (2005). “Konsep Dasar
Sistem Pakar”. Yogyakarta: Andi
[2] [Sutojo, T. S.Si, M.Kom, Edy Mulyanto,
S.Si, M.Kom, Dr. Vincent Suhartono (2011).
“Kecerdasan Buatan”. Yogyakarta: Penerbit
Andi.
[3] Kusrini, S.Kom (2006). “Sistem Pakar Teori
& Aplikasi”. Yogyakarta: Andi.
[4] Kuntjojo (2009). “Neurosis”.
http://ebekunt.wordpress.com/2009/05/12/ne
urosis/ 8 Des 2013, 20:35 wib
[5] Departemen Kesehatan RI. Direktorat
Jenderal Pelayanan Medik (1993).
“Pedoman Penggolongan dan Diagnosis
Gangguan Jiwa di Indonesia III (PPDGJ
III)”. Cetakan I. Jakarta: Departemen
Kesehatan RI.
405
Seminar Nasional Informatika 2014

SISTEM PENGGERAK KURSOR MELALUI PENGOLAHAN CITRA

JARI TANGAN MENGGUNAKAN EMGUCV
Muchammad Naseer 1, I Gede Suardika 2, I Gede Putu Teguh Pramudya Ananta 3
1,2,3
STMIK STIKOM Bali
1,2,3
Jln Raya Puputan Renon No 86, Denpasar - Bali
1
naseer@stikom-bali.ac.id, 2 suardika@stikom-bali.ac.id, pramudya21@gmail.com 3

Abstrak

Perancangan ini dilatar belakangi oleh kondisi perkembangan ilmu teknologi yang maju pesat khususnya
dibidang pencitraan digital, disini penelitian menggunakan obyek jari tangan manuisa untuk dikembangkan
agar dapat menggerakan kursor tetikus. penelitian ini menggunakan metode konversi citra digital yang
disebut Threshold, dan menggunakan algoritma Convexity Defect and Hull yang kemudian diterjemahkan ke
dalam bahasa C# menggunakan Software Microsoft Visual Studio C# 2010 dan juga menggunakan library
dari EmguCV yang di khususkan untuk pengolahan citra digital . Hasil perancangan dari sistem ini berupa
aplikasi untuk menggerakan kursor tetikus, namun tidak hanya itu aplikasi ini juga dapat melakukan proses
klik sama seperti fitur yang ada pada tetikus pada umumnya..

Kata kunci : Pengolahan Citra Digital, Convexity Defect & Hull, EmguCV, Threshold

1. Pendahuluan 2. Metode Penelitian

Citra digital merupakan konversi citra ke Pengolahan Citra Digital

sinyal digital, dengan dibantu sensor elektronik
membentuk array yang berisikan nilai nilai real
maupun kompleks yang kemudian di
presentasikan kembali dengan deretan bit tertentu.
Penglihatan adalah indra yang paling peka
sehingga tidak mengejutkan bila citra memainkan
peran paling penting dalam persepsi manusia.
Bagaimanapun, tidak seperti manuasia yang
terbatas dalam band penglihatan spectrum
elektromagnetik (EM), mesin pencitraan
mencangkup hamper semua spectrum EM,
dengan jangkauan mulai dari sinar gamma sampai
gelombang radio. EmguCv adalah salah satu
library pengolahan citra digital multy platform
yang bersifat open source sehingga dapat
dikembangkan oleh siapapun secara bebas namun
terdapat juga versi EmguCv yang berbayar
dengan kemampuan yang lebih tentunya,
berhubungan dengan kecepatan komputasi.
Dengan adanya teknologi olah citra yang ada ini
khususnya library EmguCv, memungkinkannya
membaca pergerakan suatu objek untuk menjadi
suatu titik acuan yang apa bila diproses lebih
lanjut akan dapat menggerakan kursor tetikus dan
teknologi ini dapat menutupi kekurangan dari
kelemahan tetikus yang masih ada sampai saat ini.
Berdasarkan uraian diatas permasalahan diatas
penulis mengangkat topik Penggerak Kursor
Tetikus Dengan Jari Menggunakan Emgu CV.
Pengolahan citra digital dimulai sekitar
awal tahun 1920-an dari dunia pemberitaan media
cetak, dimana sebuah citra dikirim melalui kabel
bawah laut dari London menuju ke New York.
Proses transmisi ini menghemat waktu
pengiriman dari seminggu menjadi kurang dari
tiga jam. Sebelum dikirim citra terlebih dahulu
dikodekan dan setelah diterima citra
direkonstruksi ulang.[1].
Citra didasarkan pada radiasi spectrum EM
yang paling familier, khususnya citra X-ray dan
band visual dari spectrum. Gelombang
elektromagnetik dapat dikonsepkan sebagai
sepasang gelombang sinusoidal dari macam-
macam panjang gelombang. Jika energi spectral
band dikelompokan per photon maka akan
didapatkan spektrum seperti yang ditunjukan
pada gambar 2.1 jangkauan dari gamma ray
(energy tertinggi) sampai gelombang radio
(energy terendah).[2]

Gambar 1. Spektrum Elektromagnetik

406

YCrCb Color Filtering
Warna kulit telah terbukti menjadi isyarat
yang berguna dan kuat untuk deteksi wajah,
lokalisasi, dan pelacakan[3]. Content filtering,
content-aware video compression, dan color-
balancing applications juga mendapatkan
keuntungan dari deteksi otomatis kulit dalam
gambar.Tujuan dari skin-color detection adalah
membuat sebuah keputusan untuk membedakan
antara kulit dan bukan kulit.Hal ini biasanya
dicapai dengan menggunakan metrik, yang
mengukur jarak dari warna pixel yang diberikan
kepada nilai yang ditetapkan mewakili warna
kulit. Keuntungan yang jelas dari metode tersebut
adalah kesederhanaan aturan skin-detection
memungkinkan pelaksanaan klasifikasi yang
sangat cepat.[3]
YCbCr adalah keluarga dari ruang warna
yang digunakan sebagai bagian dari warna-
gambar dalam video dan sistem fotografi digital.Y
adalah komponen luma, kadang-kadang disebut
cahaya, yang mewakili kecerahan gambar.Cb dan
Cr adalah blue-difference danred-difference
komponen chroma, chroma adalah sinyal yang
digunakan dalam sistem video untuk
menyampaikan informasi warna dari
gambar.Berbeda dengan RGB, ruang warna
YCbCr adalah luma-independen, menghasilkan
kinerja yang lebih baik. YCbCr bukan merupakan
ruang warna mutlak, melainkan adalah cara
pengkodean informasi RGB. Warna sebenarnya
ditampilkan tergantung pada primary RGB yang
sebenarnya digunakan untuk menampilkan sinyal.
Morfologi Citra
Kata morphology umumnya menyatakan
cabang ilmu biologi yang mempelajari bentuk dan
struktur hewan dan tumbuh-tumbuhan. Istilah
yang sama juga digunakan disini, dalam konteks
mathematical morphology sebagai tool untuk
mengekstrakan komponen citra yang berguna
dalam representasi dan deskripsi bentuk daerah,
seperti boundaries, skeletons, dan convex hull.
Teknik morfologi juga diguakan untuk pre atau
postprocessing, seperti morfologi filtering,
thinning, dan pruning. Operasi dasar dalam
pemrosesan morfologi adalah dilasi dan erosi,
yang kemudian dikembangkan menjadi opening
dan closing.[3]
Dilasi
Proses dalam dilasi adalah “penumbuhan”
atau “penebalan” dalam citra biner. Pengertian
penebalan ini dikontrol dalam bentuk strel yang
digunakan. Pengertian penebalan ini dikontrol
oleh bentuk strel yang digunakan.
Erosi
Erosi dapat dianggap sebagai operasi
morphological filtering dimana detail citra yang
Seminar Nasional Informatika 2014
lebih kecil dari strel akan difilter (dihilangkan)
dari citra. Untuk lebih memahami erosi, maka
dapat dibayangkan bahwa strel digerakan
sepanjang sebelah luar tepi citra (diluar pixel yang
paling pinggir/tepi) dan origin strel ditempatkan
di piksel background yang ditemui tersebut.
Untuk setiap irisan piksel strel dengan daerah di
dalam citra maka pikselirisan tersebut merupakan
hasil erosi dan piksel tersebut ikut bergabung
menjadi background dalam citra biner.[4]
Opening dan Closing
Dua morfologi lain yang penting adalah
opening dan closing. Opening secara umum
menghaluskan garis-garis bentuk obyek,
menghilangkan bagian-bagian yang sempit, dan
menghilangkan penonjolan-penonjolan yang tipis.
Closing secara umum menolak pecahan-pecahan
sempit dan teluk yang panjang dan tipis,
menghilangkan lubang kecil dan mengisi gap
pada garis-garis bentuk (contour).[4] Dengan
pernyataan tersebut dapat didefinisikan bahwa :
Opening : Dilakukan Erosi kemudia dilakukan
Dilasi.
Gambar 2. Ilustrasi Opening
Closing : Dilakukan Dilasi kemudian dilakukan
Erosi..
Gambar 3. Ilustrasi Closing
Convexity Convexity and Defect
Cara lain yang berguna untuk memahami
bentuk dari suatu obyek atau kontur adalah untuk
menghitung convex hullterhadap objek dan
kemudian menghitung ketidak sempurnaan
konveksitas nya. Bentuk dari banyak objek yang
kompleks akan dikarakteristikan dengan baik
berdasarkan ketidak sempurnaan dari objek
tersebut. Convex hull digambarkan sebagai garis
gelap di sekitar tangan. .[5]
Terdapat tiga metode OpenCV penting yang
berhubungan dengan Hull Complex dan
Convexity Defects. Yang pertama adalah
menghitung hull dari contour yang kita telah
identifikasi, dan yang kedua memungkinkan kita
untuk memeriksa apakah suatu kontur
diidentifikasi benar benarkonveks (membuat
lengkungan keluar, menonjol atau cembung).
407
Seminar Nasional Informatika 2014

Yang ketiga menghitung convexity defectspada

contour untuk yang convex hull-nya dikenali.
JARI TANGAN
Convex hull adalah keterangan dari bentuk, WEB CAM
MANUSIA
dan ConvexDefect adalah keterangan dari
edge.Hal ini digunakan dalam computer vision
untuk menyederhanakan bentuk kompleks,
terutama untuk memberikan indikasi cepat dari
luasnya obyek. [6] YCrCb THRESHOLD EROSI

ALGORITMA
CONTOUR
DILASI
CONVEXITY DAN
DEFECT HULL

Gambar 4. contour convexity dan convexity

defect
FUNGSI TETIKUS TAMPILKAN
Alur Umum Sistem
Sistem ini akan memiliki dua form yang
mana form pertama berfungsi sebagai Home Gambar 5. alur umum sistem
Screen sebagai tampilan untuk memilih menu di
awal program yang berisikan dua menu start Use Case Pengguna
detection untuk menjalankan program utama dan Use Case untuk user antar lain : Show Home
about untuk menampilkan informasi instansi Screen menampilkan menu awal bagi pengguna
tempat penulis mengeyam pendidikan, versi atau user.[9] Start Detection memulai program.
aplikasi, nomor induk, nama penulis, dan info Tracking Processing adalah sub bagian dari Start
email penulis, dan juga tahun ajaran.[7] Form Detection yang berisi semua parameter dalam
utama adalah form penentu atau tempat semua konversi dan tracking obyek. dan Show About
sistem berjalan mulai dari recording gambar untuk menampilkan informasi perancang aplikasi
dimana gambar diambil menggunakan webcam ini.
secara real time kemudian detection. Dalam
Start Detection
detection gambar yang tadinya diambil oleh
kamera webcam di konversi menjadi format
inc
e
lud

lud

YCrCb yang merupakan salah satu format warna

inc

selain RGB, kemudian selanjutnya dilakukan Tracking

extend

Show Home
Processing
erosi dan dilasi yaitu penipisan gambar dan Screen

penebalan gambar agar mendapat contour tangan

inc

yang diingin kan sehingga mempermudah

lud
e

nantinya menerapkan algoritma contour convexity
dan convexity defect. Dibawah ini adalah urutan
proses yang terjadi dalam aplikasi Sistem
Penggerak Kursor Tetikus Dengan Jari
Menggunakan EmguCV :
User
Show About
Gambar 6. use case diagram
Activity Diagram Home Screen
Diagram Activity HomeScreen menampilkan
aliran aktifitas yang dilakukan oleh pengguna
terhadap Home Screen berikut diagram activity
home screen :

408
 Seminar Nasional Informatika 2014

User Sistem User Sistem WebCam

Start

Start

Start Detection Cek WebCam

Record
Gambar
Clik Icon
Program

Pesan Error Tidak Ada Ya

Show Home
Start Program
Screen

Preview Image Process

End End

Gambar 9. Diagram Activity Start Detection

Gambar 7. Diagram Activity HomeScreen
Activity Diagram Tracking Process
Activity Diagram Show About Diagram Activity Tracking Process
Diagram Activity Show About menampilkan menampilkan aliran aktifitas yang dilakukan oleh
aliran aktifitas yang dilakukan oleh pengguna pengguna terhadap Tracking Process. Berikut
terhadap Show About.[8] Berikut diagram activity diagram activity Tracking Process :
User Sistem WebCam
Show About: Start

User Sistem

Start Detection Cek WebCam

Start
Record
Gambar

Show Home
Show About
Screen Pesan Error Tidak Ada Ya

Preview Image Process

Show About
Information

YCrCb
End Convert

End Erode & Dilate

Struct

Gambar 8. Diagram Activity Show About

Convexcity
Algorithm
Activity Diagram Start Detection
Diagram Activity Start Detection Mouse
Function
menampilkan aliran aktifitas yang dilakukan oleh
pengguna terhadap Start Detection. Berikut
diagram Activity Start Detection:
Gambar 10. Diagram Activity Tracking Process

Sequence Diagram Home Screen

Diagram Sequence HomeScreen
menampilkan aliran aktifitas yang dilakukan oleh
pengguna terhadap Home Screen[10] berdasarkan
urutan waktu atau timeline berikut Diagram
Sequence HomeScreen :

409
Seminar Nasional Informatika 2014

HomeScreen Sequence Diagram Tracking Process

User
Diagram Sequence Tracking Process
menampilkan aliran aktifitas yang dilakukan oleh
1.Open()
pengguna terhadap Tracking Process berdasarkan
urutan waktu atau timeline berikut Diagram
Sequence Tracking Process :
HomeScreen StartDetection

User
1.1 HomeScreen_Load()
1.Open()

1.1 btStartProg_Click()

1.2.Record()
1.3.ImageProcessing()
2.Close()

1.4 Start Detection_Load()

2.1 HomeScreen_FormClosing() 1.5 HomeScreen_Load()

2.Close()

Gambar 11. Diagram Sequence Home Screen

2.1 HomeScreen_FormClosing()
Sequence Diagram Show About
Diagram Sequence Show About
menampilkan aliran aktifitas yang dilakukan oleh
Gambar 14. Diagram Sequence Tracking
pengguna terhadap Show About:
Process
HomeScreen About

User

1.Open()

1.1 btAbout_Click()
Class Diagram
Diagram class program menggambarkan
struktur dan deskripsi class pada program.
1.2 About_Load()
1.3 HomeScreen_Load()

2.Close()

2.1 HomeScreen_FormClosing()

Gambar 12. Diagram Sequence Show About

Sequence Diagram Start Detection

Diagram Sequence Start Detection
menampilkan aliran aktifitas yang dilakukan oleh
pengguna terhadap Start Detection berdasarkan
urutan waktu atau timeline berikut Diagram
Sequence Start Detection:
HomeScreen StartDetection
Gambar 15. Class Diagram
User
3. Hasil dan Pembahasan
1.Open()
Halaman utama (Home Screen)
1.1 btStartProg_Click()
Tampilan menu utama merupakan
1.2.Record()
tampilan home screen dari sistem. Setiap
pengguna menjalankan system, maka tampilan
1.3 Start Detection_Load()
1.4 HomeScreen_Load()
seperti ini yang akan terlihat. Terdapat nama
sistem, yang menjelaskan halaman ini merupakan
2.Close()
halaman system untuk menggerakkan kursor
tetikus dengan citra jari tangan. Terdapat juga
tombol about yang akan menampilkan tentang
2.1 HomeScreen_FormClosing()
system ini. Kemudian terdapat satu tombol lain
dengan tulisan Start Detection, dimana tombol
tersebut merupakan tombol inti dari halaman ini.
Ketika menekan tombol tersebut, akan
Gambar 13. Diagram Sequence Start Detection dimunculkan sebuah jendela baru yang

410
 Seminar Nasional Informatika 2014

menampilkan visualisasi citra nyata dan citra
yang telah diolah. Halaman utama ini akan
dimunculkan kembali ketika pengguna selesai
melakukan deteksi dan pergerakan kursor tetikus.
terluar dari kontur tangan. Jika 2 jari yang
terdeteksi berarti akan menggerakkan kursor, jika
3 jari yang terdeteksi maka kursor akan
melakukan klik, jika 4 jari yang terdeteksi maka
kursor akan melakukan klik sebanyak 2 kali,
berguna untuk membuka file atau folder, terakhir,
jika 5 jari yang terdeteksi maka kursor akan
melakukan klik kanan.

Gambar 18. Interface Detection dan Tracking

Pengujian
Dari percobaan yang dilakukan terhadap
Gambar 16. Interface Home Screen
pergerakan kursor melalui citra tangan,
didapatkan hasil sebagai berikut :
Halaman Start Detection
Pada halaman ini terdapat dua
Tabel 1. Pengujian menggerakkan kursor
visualisasi, kotak visual sisi kiri menampilkan
melalui deteksi 2 jari
citra nyata yang didapatkan melalui kamera, kotak
visual pada sisi kanan akan menampilkan hasil
Pengujian Berhasil
pengolahan citra nyata tersebut. Tedapat juga
sebuah tombol dengan teks finger, dimana tombol Uji ke-1 Ya
tersebut akan memulai proses deteksi dan Uji ke-2 Ya
tracking. Ketika tombol tersebut mulai di tekan,
Uji ke-3 Ya
maka setiap pergerakan tangan akan
mempengaruhi pergerakan kursor pada layar. Uji ke-4 Ya
Uji ke-5 Ya
Tingkat Keberhasilan 100%

Tabel 2. Pengujian kursor klik melalui deteksi

3 jari
Pengujian Berhasil
Uji ke-1 Ya
Uji ke-2 Tidak
Uji ke-3 Ya
Gambar 17. Interface Start Detection Uji ke-4 Ya
Halaman Detection dan Tracking Uji ke-5 Ya
Pada halaman ini, kotak visual pada sisi Tingkat Keberhasilan 80%
kiri telah memunculkan hasil deteksi. Hasil
deteksi didapatkan melalui pengolahan citra pada Tabel 3. Pengujian kursor klik 2 kali melalui
kotak visual sisi kanan. Pada sisi kanan terlihat deteksi 4 jari
citra biner yang dimana kontur tangan menjadi
Pengujian Berhasil
berwarna putih secara keseluruhan, dan
background yang merupakan media berwarna Uji ke-1 Tidak
putih akan berubah menjadi hitam. Pada kotak Uji ke-2 Tidak
visual sisi kiri, akan diberikan tepi berwarna hijau
Uji ke-3 Tidak
yang mengikuti kontur tangan, sedangkan garis
berwarna merah tergambar pada sudut-sudut Uji ke-4 Ya

411
Seminar Nasional Informatika 2014

Uji ke-5 Ya Saran

Saran yang dapat diberikan untuk penelitian ini
Tingkat Keberhasilan 40% adalah :
1. Design tampilan perlu dibuat lebih menarik
Tabel 4. Pengujian kursor klik kanan melalui lagi.
deteksi 5 jari 2. Dilakukan percobaan dengan menggunakan
Pengujian Berhasil global thresholding pada proses deteksi,
Uji ke-1 Tidak diharapkan dapat berjalan baik di berbagai
kondisi cahaya.
Uji ke-2 Ya 3. Dibutuhkan peningkatan akurasi pada proses
Uji ke-3 Ya deteksi dan tracking, sehingga akan lebih
memudahkan pengguna dalam
Uji ke-4 Ya
menggunakan sistem ini.
Uji ke-5 Ya 4. Dapat dilakukan simulasi lain misal dengan
Tingkat Keberhasilan 80% merubah deteksi untuk menggerakan kursor
melalui tangan yang menggumpal.

Daftar Pustaka
Pengujian Kinerja Deteksi
[1] Putra, Darma. 2010. Pengolahan Citra
120% Digital. Yogyakarta. Andi.
100% [2] Prasetyo, Eko. 2011. Pengolahan Citra
Digital dan Aplikasinya Menggunakan
80% Matlab. Yogyakarta. Andi.
60% [3] Tarek M. Mahmoud. A new fast skin color
detection technique. World Academy of
40% Science, Engineering and Technology,
20% 43:501–505,2008
[4] Vladimir Vezhnevets, Vassili Sazonov, and
0% Alla Andreeva. A survey on pixel-based
2 Jari 3 Jari 4 Jari 5 Jari skin color detection techniques. In
Gambar 19. Grafik hasil pengujian Proceedings of international conference on
computer graphics and vision, pages 85–
4. Kesimpulan dan Saran 92, Moscow, Russia, 2003.Moscow State
University.
Kesimpulan [5] Bradski, Gary dan Adrian
Kesimpulan yang dapat diambil dari penelitian ini Kaehler.2008.Learning OpenCV.United
adalah : States of America: O’Reilly.
1. Sistem ini mampu mengkonversikan citra [6] Ashwini M. Patil, Sneha U. Dudhane,
video kedalam citra biner dan mampu Monika B. Gandhi, Nilesh J. 2005. Cursor
menggerakan kursor tetikus dengan Control System Using Hand Gesture
menggnakan obyek jari tangan manusia. Recognition. India.
2. Sistem ini tidak hanya dapat menggerakan [7] Schmuller, Joseph. 1999. Sams Teach
kursor namun dapat juga melakukan klik Yourself UML in 24 Hours. Sams
kanan dan kiri sebagaimana mestinya fungsi Publishing. United States of America.
tetikus pada umumnya. [8] Jeffry L Whitten, J. et all, 2004, Edisi 6
3. Masih terdapat kendala dengan intensitas Metoda Design dan Analisa Sistem, edisi
cahaya di dalam sebuah ruangan. bahasa Indonesia,McGrawHill companies
4. Terjadi kemampuan yang kurang baik ketika [9] C. Lethbridge, Timothy dan Laganiere,
melakukan deteksi 4 jari, yang berfungsi Robert. 2002. Object-Oriented Software
untuk klik 2 kali. Engineering. McGraw-Hill, New York.
5. Tidak terjadi masalah ketika akan [10] Booch, Grady, Rumbaugh, James, dan
menggerakkan kursor melalui deteksi 2 jari. Jacobson, Ivar. 1999. The Unified
Modeling Language User Guide. Addison-
Wesley. Canada.

412
 Seminar Nasional Informatika 2014

RANCANGAN APLIKASI UNTUK MENGANALISA BUS

PT.PUTRA PELANGI MEDAN DALAM MENENTUKAN
KONDISI MESIN YANG LAYAK UNTUK
DIBERANGKATKAN DENGAN MENGGUNAKAN METODE
SAW (SIMPLE ADDITIVE WEIGHTING)
Muhammad Hari Ramadhan

Sistem Informasi, STMIK Potensi Utama Medan

Jln. K.L. Yos. Sudarso Km. 6,5 No. 3-A Tanjung Mulia Medan
haryollezo@gmail.com

Seiring dengan perkembangan zaman, transportasi merupakan salah satu kebutuhan yang masuk kedalam
berbagai sektor kegiatan masyarakat. Mulai dari trasportasi udara, transportasi laut, maupun transportasi
darat. Dimana transportasi darat juga merupakan salah satu alat transportasi yang sangat efektif dan efesien
dimasyarakat. Penggunaan transportasi darat ini sangat memudahkan seseorang dalam bepergian, sehingga
kemanapun dibutuhkan akan dapat digunakan. Begitu juga dengan PT.Putra Pelangi Medan sudah menjadi
pilihan banyak masyarakat untuk bepergian ketempat tujuan. Namun dnegan meningkatnya jumlah penduduk
dan banyaknya minat masyarakat untuk memilih PT.Putra Pelangi Medan sebagai salah satu transportasi dan
dengan seiring berjalannya waktu maka timbullah salah satu masalh yaitu; semakin berkurangnya kondisi
mesin bus yang digunakan oleh penyediaan jasa tersebut. Hal ini sering menimbulkan kekecewaan kepada
para penumpang baik dari segi keterlambatan waktu timbulnya tibanya bus keterminal tujuan yang
diakibatkan oleh matinya mesin bus saat diperjalanan. Dengn memanfaatkan Konsep Pengambilan
Keputusan dengan metode SAW (Simple Additive Weighting) dengan menggunakan Software Adobe
Dreamweaver CS6 dan Xampp 17.3 Mysql dan dapat diimpelementasikan untuk membuat analisa sistem
dengan merancang aplikasi untuk menentukan bus yang layak untuk diberangkatkan atau yang tidak layak
untuk diberangkatkan.

Kata Kunci : Simple Additive Weighting, Fuzzy Multi Attribute Decision Making, Sistem Pendukung
Keputusan, , Adobe Dreamweaver CS6, Hypertext Preprocessor, MySQL 17.3

PENDAHULUAN Dimana transportasi darat juga merupakan salah

Menurut buku (Kusrini, 2007), Sistem
pendukung keputusan merupakan merupakan
sistem informasi interaktif yang menyediakan
infoormasi, permodelan, dan pemanipulasian data
dimana sistem yang digunakan untuk membantu
pengambilan keputusan dalam situasi yang
semitersetruktur dan situasi yang tidak terstruktur.
Menurut Bonczek dalam buku (Turban,
2005), Sistem pendukung keputusan sebagai
sebuah sistem yang berbasis komputer yang
terdiri atas komponen – komponen antara lain
komponen sistem bahasa (Language), komponen
sistem pengetahuan (Knowledge) dan komponen
sistem pemrosesan masalah (Problem processing)
yang saling berinteraksi satu dengan yang lainnya.
Metode Simple Additive Weighting (SAW),
sering juga dikenal dengan istilah metode
penjumlahan terbobot. Konsep dasar SAW adalah
mencari penjumlahan terbobot dari kriteria setiap
pada setiap atribut (Kusumadewi Sri, 2006).
Seiring dengan perkembangan zaman,
transportasi merupakan salah satu kebutuhan yang
masuk kedalam berbagai sektor kegiatan
masyarakat. Mulai dari trasportasi udara,
transportasi laut, maupun transportasi darat.
satu alat transportasi yang sangat efektif dan
efesien dimasyarakat. Penggunaan transportasi
darat ini sangat memudahkan seseorang dalam
bepergian, sehingga kemanapun dibutuhkan akan
dapat digunakan.
Begitu juga dengan PT.Putra Pelangi
Medan sudah menjadi pilihan banyak masyarakat
untuk bepergian ketempat tujuan.
Namun dnegan meningkatnya jumlah penduduk
dan banyaknya minat masyarakat untuk memilih
PT.Putra Pelangi Medan sebagai salah satu
transportasi dan dengan seiring berjalannya waktu
maka timbullah salah satu masalh yaitu; semakin
berkurangnya kondisi mesin bus yang digunakan
oleh penyediaan jasa tersebut.
Hal ini sering menimbulkan kekecewaan kepada
para penumpang baik dari segi keterlambatan
waktu timbulnya tibanya bus keterminal tujuan
yang diakibatkan oleh matinya mesin bus saat
diperjalanan.
Sistem pengukung keputusan merupakan
sistem informasi interaktif yang menyediakan
informasi, permodelan dan manipulasi data.
Sistem itu digunakan untuk membutukan
pengambilan keputusan dalam situasi yang

413
Seminar Nasional Informatika 2014
semitersetruktur dan situasi yang tidak terstruktur,
dimana tidak seorang pun tahu secara pasti
bagaimana keputusan seharusnya dibuat dalam
buku (Kusrini, 2007).
Kelebihan dari model Simple Additive
Weighting (SAW) dibandingkan dengan model
pengambilan keputusan yang lain terletak pada
kemampuannya untuk melakukan penelitian
secara lebih tepat karena didasarkan pada nilai
kriteria pada bobot yang sudah ditemtukan. selain
itu, Simple Additive Weighting (SAW) juga dapat
alternatif terbaik dari sejumlah alternatif yang ada
karena adanya proses penilaian setelah mentukan
nilai bobot untuk setip atribut.
LANDASAN TEORI
Pengertian Data
Data merupakan representasi dari fakta
atau gambaran mengenai suatu objek atau
kejadian. Kita ambil contoh fakta mengenai
biodata mahasiswa yang meliputi nama, alamat,
jenis kelamin, agama yang dianut, dan lain- lain.
(Kusrini, 2007).
Pengertian Informasi
Informasi merupakan hasil olahan data,
dimana data tersebut sudah diperoses dan
diinterpretasikan menjadi sesuatu yang bermakna
untuk pengambilan keputusan. Informasi juga
diartikan sebagai himpunan dari data yang relevan
dengan satu atau beberapa orang dalam suatu
waktu. (Kusrini, 2007).
Pengertian Sistem
Data merupakan representasi dari fakta
atau gambaran mengenai suatu objek atau
kejadian. Kita ambil contoh fakta mengenai
biodata mahasiswa yang meliputi nama, alamat,
jenis kelamin, agama yang dianut, dan lain- lain.
(Kusrini, 2007).
Pengertian Keputusan
Keputusan adalah Suatu kegiatan untuk
memilih tindakan demi mencapai suatu tujuan
atau beberapa tujuan. (Kusrini, 2007).
Keputusan adalah suatu proses
dilaksanakan seseorang berdasarkan pengetahuan
dan informasi yang ada dengan harapan atau
tujuan. Keputusan dapat diambil dari beberapa
alternatif – altenatif yang ada. (Marimin dan
Maghfiroh Nurul, 2010)
Karakteristik Keputusan
Dalam setau keputusan terdapat beberapa
kriteri keputusan, diantaranya adalah ;
1. Banyaknya pilihan atau alternatif.
2. Adanya kendala atau syarat.
414
3. Mengukuti suatu pola atau model tingkahlaku,
baik yang terstruktur maupun yang tidak
terstruktur.
4. Banyaknya input atau pun variabel.
5. Adanya faktor resiko.
6. Dibutuhkan kecepatan, ketepatan dan
keakuratan. (Kusrini, 2007).
Pengertian Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW)
adalah Suatu metode untuk mencari penjumlahan
terbobot dari rating kinerja pada setiap alternatif
pada semua atribut. (Kusumadewi Sri, 2006).
Simple Additive Weighting (SAW) sering
dikenal dengan istilah metode penjumlahan
terbobot. Konsep dasar metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja
pada setiap alternatif pada semua atribut. Metode
SAW dapat membantu dalam pengambilan
keputusan suatu kasus, akan tetapi perhitungan
dengan menggunakan metode SAW ini hanya
yang menghasilkan nilai terbesar yang akan
terpilih sebagai alternatif yang terbaik.
Perhitungan akan sesuai dengan metode ini
apabila alternatif yang terpilih memenuhi kriteria
yang telah ditentukan. Metode SAW ini lebih
efisien karena waktu yang dibutuhkan dalam
perhitungan lebih singkat. (Verina Valensia at,al.
Vol 1 September 2012).
Pengertian Fazzy Multi Attribute Decision
Making (FMADM)
Fazzy Multi Attribute Decision Making
(FMADM) adalah Suatu metode pengambilan
keputusan untuk menetapkan alternatif terbaik
dari sejumlah alternatif berdasarkan kriteria
tertenti.
Ada beberapa metode yang dapat
digunakan untuk menyelesaikan masalah
FMADM (Fazzy Multi Attribute Decision
Making). antara lain :
1. Simple Additive Weighting Method (SAW).
2. Weighted Product (WP).
3. ELECTRE.
4. Technique for Order Preference by Similarity
to Ideal Solution (TOPSIS).
5. Analytic Hierarchy Process (AHP).
(Kusumadewi Sri, 2006).
Metode Simple Additive Weighting (SAW)
Pada Metode Simple Additive
Weighting (SAW) membutuhkan proses
normalisasi matriks dengan cara menghitung
nilai rating kinerja ternormalisasi (rij) dari
alternatif Ai pada atribut Cj berdasarkan
persamaan yang disesuaikan dengan jenis
atribut yang ada.
 Seminar Nasional Informatika 2014

Jika j adalah artibut keuntungan (benefit) Tabel 1. Contoh Data Jadwal Keberangkatan
Bus
... (2.1) N Kode Tujuan Jam
o. Bus Keberangka Keberangkat
Jika j adalah artibut biaya (cost)
{ tan an
1. PPL75 Medan Pukul 07 : 00
Keterangan : 16 (MDN) -
rij : Rating kinerja ternormalisasi untuk i Banda Aceh
dan j. (BA)
Maxi : Nilai maksimum dari setiap baris dan 2. PPL94 Medan Pukul 08 : 00
kolom. 79 (MDN) -
Mini : Nilai minimum dari setiap baris dan Biruen
kolom. (BIR)
xij : Rating kinerja ternormalisasi dari baris 3. PPL54 Medan Pukul 09 : 00
dan 63 (MDN) -
kolom. (Kusumadewi Sri, 2006). Biruen
(BIR)
4. PPL29 Medan Pukul 09 : 00
43 (MDN) –
Palembang
... (2.2) (PLG)
5. PPL98 Medan Pukul 11 : 00
34 (MDN) -
Nilai Vi yang lebih besar Biruen
mengindikasikan bahwa alternatif A1 lebih (BIR)
terpilih. Sedangkan untuk kriteria yang lainnya
terbagi dalam dua kategori yaitu untuk bernilai Arsitektur Sistem Pendukung Keputusan
positif termasuk dalam kriteria keputusan dan Dalam SAW
yang bernilai negatif termasuk dalam kriteri Adapun arsitektur sistem pendukung
bukan keputusan. keputusan pada penelitian ini adalah
menentukan kelayakan dari mesin bus yang
Keterangan : akan diberangkatkan dengan menggunakan
A : Alternatif. Metode Simple Additve Weighting (SAW).
C : Kriteria. Arsitektur sistem pendukung keputusan pada
W : Bobot Nilai Kepentingan. penelitian ini adalah ;
V : Nilai keputusan untuk setiap alternatif.
X : Nilai Alternatif dari setiap kriteria.
(Kusumadewi Sri, 2006).

ANALISA DAN PERANCANGAN

Pendahuluan Gambar 1. Arsitektur Sistem Pendukung

Penelitian ini dilaksanakan
menggunakan data kondisi mesin yang diambil
dari PT.Putra Pelang Medan. Data-data
tersebut akan dijadikan sebagai variabel-
variabel untuk memutuskan kelayakkan bus
yang akan diberangkatkan.
Data kondisi mesin bus tersebut akan
disesuaikan dari setiap kriteri dan bobot yang
ada, serta dilanjutkan dengan menggunakan
Metode Simple Additive Weighting (SAW) di
mana software yang digunakan untuk
mendapatkan hasil keputusan adalah Software
dari rancangan PHP dan Mysql.
Dalam hal ini, lebih dulu penulis ingin
menampikan data dari jadwal keberangkatan
bus. Adapun data dari jadwal keberangkatan
bus pada PT.Putra Pelang Medan, adalah
sebagai berikut ;
Keputusan Dalam SAW
Kriteria Dan Bobot
Dalam Metode Simple Additve
Weighting (SAW), Terdapat kriteria yang
dibutuhkan untuk menentukan kelayakan dari
mesin bus yang akan diberangkatkan. Ada 5
kriteria yang akan dijadikan acuan dalam
pengambilan keputusan. Adapun kriterianya
adalah sebagai berikut :
Adapun tingkat kepentingan yang nantinya
akan dibobotkan untuk setiap tingkat
kepentingan kriteria adalah sebagai berikut:

415
Seminar Nasional Informatika 2014

Tabel 2. Nilai Bobot Kepentingan Kriteria Tabel 7. Nilai Bobot Kepentingan Untuk
Nilai Keterangan Kriteria Oli Mesin Bus
Bobot Oli Mesin Keterangan Nilai
0 Tidak Penting 1 Bulan Sangat Penting 1
0,25 Kurang Penting 2 Bulan Penting 0,75
0,5 Cukup Penting 3 Bulan Cukup Penting 0,5
0,75 Penting 4 Bulan Kurang Penting 0,25
1 Sangat Penting 5 Bulan Tidak Penting 0

Tabel 3. Nilai Kriteria Dan Kepentingan

Kriteria Cara kerja Fazzy Pada Simple Additive
Kode Kriteria Kepenting Nil Weighting (SAW)
Kriteri an ai Cara kerja fazzy pada SAW (Simple
a Kriteria Additive Weighting), fazzy bekerja untuk
C1 Tahun Sangat 1 menentukan nilai bobot untuk setiap atribut,
Pembuatan Penting kemudian dilanjutkan dengan proses perankingan
Mesin yang akan menyeleksi alternatif yang sudah
C2 Filter Bahan Penting 0,75 diberikan. Pada dasarnya, ada 3 pendekatan untuk
Bakar mencari nilai bobot atribut, yaitu pendekatan
C3 Air Radiator Cukup 0,5 subyektif, pendekatan obyektif dan pendekatan
Penting integrasi antara subyektif & obyektif Pada
C4 Oli Mesin Penting 0,75 pendekatan subyektif, nilai bobot ditentukan
berdasarkan subyektifitas dari para pengambil
Tabel 4. Nilai Bobot Kepentingan Untuk keputusan, sehingga beberapa faktor dalam proses
Alternatif Tahun Pembuatan Mesin perankingan alternatif bisa ditentukan secara
Tanun Keterangan Nilai bebas. Sedangkan pada pendekatan obyektif, nilai
Pembuatan bobot dihitung secara matematis sehingga
Mesin mengabaikan subyektifitas dari pengambil
Sangat Penting 1 keputusan.
2012
2011 Penting 0,75 Data Kondisi Mesin Bus Dalam Bentuk
2010 Cukup Penting 0,5 Alternatif Dan Kriteria
2009 Kurang Penting 0,25
Tabel 8. Data Kondisi Msin Bus Dalam Bentuk
2008 Tidak Penting 0 Alternatif

Tabel 5. Nilai Bobot Kepentingan Untuk

Kriteria Filter Bahan Bakar
Filter Bahan Keterangan Nilai
Bakar
1 Bulan Sangat Penting 1
2 Bulan Penting 0,75
Tabel 9. Data Kondisi Msin Bus Dalam
3 Bulan Cukup Penting 0,5 Bentuk Kriteria
4 Bulan Kurang Penting 0,25
5 Bulan Tidak Penting 0

Tabel 6. Nilai Bobot Kepentingan Untuk

Kriteria Air Radiator
Air Radiator Keterangan Nilai
5 Liter Sangat Penting 1
4 Liter Penting 0,75
3 Liter Cukup Penting 0,5
2 Liter Kurang Penting 0,25
1 Liter Tidak Penting 0

416
 Seminar Nasional Informatika 2014

Tabel 10. Data Kondisi Msin Bus Dalam V4 = (0,75 x 1) + (1 x 0,75) + (1 x 0,5) + (1
Bentuk Atribut Dan Kriteria x 0,75)
= 0,75 + 0,75 + 0,5 + 0,75
= 2,7

V5 = (0,25 x 1) + (0,5 x 0,75) + (0,75 x 0,5)

+ (0,25
x 0,75)
= 0,25 + 0,37 + 0,37 + 0,12
Perhitungan hasil akhir dengan mengambil = 1,1
sampel nilai atribut dan kriteria dari beberapa
angket diatas adalah sebagai berikut ; Berdasarkan hasil nilai preferensi diatas, maka
rangking yang telah diperoleh dapat diurutkan
1 1 1 1 sebagai berikut :
0,5 0,5 0,75 0,5 V1 = 3,0
X = 0,75 1 1 0,5 V2 = 1,6
0,75 1 1 1 V3 = 2,3
0,25 0,5 0,75 0,25 V4 = 2,7
V5 = 1,1
Vektor bobot :
W= [ C1 C2 C3 C4 ] Nilai terbesar adalah V1 , sehingga alternatif
W= [ 1 0,75 0,5 0,75 ] A1 terpilih sebagai alternatif terbaik. Dengan kata
lain Bus PT. Putra Pelangi Medan dengan Kode
Pada Metode Simple Additive Weighting Bus PPL7516 Merupakan bus yang layak untuk
(SAW) membutuhkan proses normalisasi matriks diberangkatkan.
dengan cara menghitung nilai dari rating
alternative terhadap Ai pada setiap kriteria – KESIMPULAN
kriteri Cj berdasarkan nilai bobot yang sudah
disesuaikan dengan jenis atribut yang ada. Dari hasil analisa sistem pendukung
Melakukan proses perangkingan dengan keputusan pada PT. Putra Pelangi Medan dalam
cara menghasilkan matriks ternormaslisasi (R) menentukan kondisi mesin yang layak untuk
dengan nilai bobot (W). diberangkatkan dengan menggunakan Fuzzy Multi
Attribute Decision Making (FMADM) dengan
1 1 1 1 metode Simple Additive Weighting (SAW), dapat
0,5 0,5 0,75 0,5 disimpulkan bahwa :
R = 0,75 1 1 0,5 1. Dengan menggunakan metode SAW (Simple
0,75 1 1 1 Additive Weighting) dapat menentukan
0,25 0,5 0.75 0,35 kondisi mesin, dari Tahun Pembuatan Mesin
Bus yang akan diberangkatkan.
Menentukan nilai preferensi untuk setiap 2. Dengan menggunakan metode SAW (Simple
alternatif ( ) dengan cara menjumlahkan hasil Additive Weighting) dapat menentukan
kali antara matriks ternormalisasi ( ) dengan kondisi kebersihan Filter Bahan Bakar pada
nilai bobot ( ). Nilai yang terbesar mesin bus yang akan diberangkatkan.
mengindikasikan bahwa terpilih sebagai 3. Dengan menggunakan metode SAW (Simple
alternatif terbaik. Additive Weighting) dapat menentukan
kondisi keutuhan Air Radiator pada mesin bus
V1 = (1 x 1) + (1 x 0,75) + (1 x 0,5) + (1 x yang akan diberangkatkan.
0,75) 4. Dengan menggunakan metode SAW (Simple
= 1 + 0,75 + 0,5 + 0,75 Additive Weighting) dapat menentukan
= 3,0 kondisi kebersihan Oli Mesin pada mesin bus
yang akan diberangkatkan.
V2 = (0,5 x 1) + (0,5 x 0,75) + (0,75 x 0,5) +
(0,5 x 0,75) Daftar Pustaka
= 0,5 + 0,375 + 0,375 + 0,375
= 1,6 [1] Agung M. Leo, (2011). “Aplikasi Web
Database Dengan Dreamweaver dan PHP –
V3 = (0,75 x 1) + (1 x 0,75) + (1 x 0,5) + Mysql”, Yogyakarta : ANDI Offset.
(0,5 x 0,75)
= 0,75 + 0,75 + 0,5 + 0,375
= 2,3

417
Seminar Nasional Informatika 2014
[2] Agung Leo, (2013). “Kupas Tuntas Adobe
Dreamweaver CS6 Dengan Pemrograman
PHP & MySQL”, Madiun : ANDI Offset
Dengan MADCOMS
[3] Agustina S Mari, (2012). “Adobe
Dreamweaver CS5 Seri Kebut Semalam”,
Yogyakarta : Andi.
[4] Hery Prasetya Andreas, (2010). “Cepat
Kuasai PHP + MySQL”, Yogyakarta :
Andi.
[5] Juju Dominikus, (2007). “Buku Latihan
Dreamweaver CS3”, Jakarta PT. Gramedia:
Elex Media Komputindo.
[6] Joko Usito Nugroho, (2013). “Sistem
Pendukung Keputusan Penilaian Proses
Belajar Mengajar Menggunakan Metode
Simple Additive Weighting (SAW)”,
Semarang : Program Pascasarjana
Universitas Diponegoro Semarang.
[7] Kusrini, (2007), “Konsep dan Aplikasi
Sistem Pendukung Keputusan”, Yogyakarta
: ANDI Offset.
[8] Kusumadewi Sri, dkk, (2006). “Fuzzy Multi
Attribute Decision Making (FMADM)”,
Yogyakarta : Graha Ilmu.
[9] Marimin, Maghfiroh Nurul, (2010).
“Aplikasi Teknik Pengambilan Keputusan
Dalam Manajemen Rantai Pasok”, Kampus
IPB Taman Kencana Bogor : PT. Penerbit
IPB Press.
[10] Rahardjo Emanuel Andi Wahju, (2006).
“Instalasi Apache Web Server, MySQL
Database dan PHP Pada Sistem Oprasi
Fedora Core 5”, Jurusan Teknik Informatika
: Universitas Kristen Maranatha, Bandung.
418
[11] Setiaji Pramono, (2006). “Sistem Pendukung
Keputusan Dengan Metode Simple Additive
Weighting”, Jurusan Sistem Informasi,
Teknik, : Universitas Muria Kudus.
[12] Seto Prakoso Bimo, Christianti Meliana,
(2008). “Analisis Dan Perancangan Sistem
Informasi Akademik Dengan Studi Kasus
Pada Sekolah Menengah Atas Terpadu
(SMAT) Krida Nusantara”, Jurusan Teknik
Informatika : Universitas Kristen Maranatha,
Bandung.
[13] Sigit W Aloysius, (2011). “Website Super
Canggih Dengan Plugin jQuery Terbaik”,
Jakarta Selatan : Mediakita.
[14] Turban Efraim, et al, (2005). “Decision
Support System And Intelligent Systems”,
Yogyakarta : Andi.
[15] Yulianto Puput, Sumarlinda Sri, (2013),
“Sistem Pendukung Keputusan Penentuan
Plafon Kredit Dengan Fuzzy MADM
(Multiple Attribute Decissio Making)
Menggunakanan Metode SAW(Simple
Additive Weightin) Di PD.BPR BKK
Boyolali Cabang Simo”, Surakarta: STMIK
Duta Bangsa Surakarta.
[16] Valensia Verina, Dewi Lulu Yohana, Diah
Kusuma Wardhani Kartina, (2012).
“Aplikasi Tutorial Sistem Pendukung
Keputusan Menggunakan Metode Simple
Additive Weighting”, Program Studi Teknik
Informatika Politeknik Caltex Riau : Jurnal
Teknik Informatika, Vol 1 September 2012.
 Seminar Nasional Informatika 2014

PENGUKURAN TINGKAT KEPUASAN PENGGUNA SISTEM

INFROMASI AKADEMIK ONLINE
(STUDI KASUS STMIK STIKOM BALI)
Ni Kadek Sumiari1, I Nyoman Yudi Anggara Wijaya2
1,2
Sistem Komputer, STMIK STIKOM Bali
3
Jln Raya Puputan Renon No 86, Denpasar - Bali
1
sumiari@stikom-bali.ac.id, 2 yudi_anggara@stikom-bali.ac.id

Abstrak

STMIK STIKOM Bali merupakan salah satu perguruan IT pertama di Bali yang menggunakan sistem
terkomputerisasi. Mulai dari sistem kepegawaian hingga sistem akademik, salah satunya adalah Sistem
Informasi Akademik Online yang dimana sistem ini menjadi tempat mahasiswa untuk mendapatkan berbagai
informasi.Penelitian ini mengacu pada pengukuran tingkat kepuasan pengguna terhadap Sistem Informasi
Akademik Online , dimana pengguna yang dimaksud disini adalah mahasiswa. Tingkat kepuasan mahasiswa
diukur berdasarkan standar ISO 9126 quality in use metrics dengan menggunakan satisfaction metrics
merupakan acuan yang dapat digunakan untuk mengukur tingkat kepuasan user terhadap perangkat lunak.
Dalam penelitian ini penulis melakukan pengukuran tingkat kepuasan pengguna terhadap Sistem Informasi
Akademik di STMIK STIKOM Bali menggunakan Standar ISO 9126 quality in use metrics dimana
pengumpulan data dilakukan dengan cara penyebaran kuesioner kepada mahasiswa yang hasilnya berupa
grafik tingkat kepuasan pengguna dalam hal ini mahasiswa terhadap system Informasi Akademik Online
STMIK STIKOM Bali diukur berdasarkan variable kontent/informasi, kecepatan, interaktifity dan dari
tampilan.

Kata kunci :Sistem Informasi, Tingkat Kepuasan

1. Pendahuluan yang mempengaruhi kualitas produk yaitu: (1)

Kualitas proses, (2) Kualitas Orang, (3) Teknologi
Tingkat kepuasan konsumen terhadap pengembangan, (4)Biaya, waktu dan
suatu barang akan memberikan cerminan Jadwal.[7]ISO 9126 adalah standar internasional
keberhasilan produsen dalam memproduksi suatu hanya untuk mengevaluasi perangkat lunak. ISO
barang, sebab apabila suatu produk akan menjadi 9126 terdiri Bahasa Dari Empat komponen yaitu:
gagal apabila barang tersebut tidak memberikan quality model,eksternal metrics, internal metrics,
kepuasan bagi penggunanya. Demikian pula Dan Quality in use metrics . Dalam penelitianini
untuk software, tingkat kepuasanuser terhadap pengukuran yang digunakan adalah pengukurang
suatu software akan memberikan gambaran bagi yang ke empat yaitu Qualityin use metrics. [2]
developer terhadap kinerja dari software tersebut, STMIK STIKOM Bali merupakan salah
apakan software tersebut sudah memenuhi satu perguruan IT pertama diBali yang
kebutuhan user ataupun tidak.[1] Kepuasan menggunakan sistem terkomputerisasi. Mulai dari
adalah tingkat perasaan seseorang setelah sistem kepegawaianhingga sistem akademik,
membandingkan kinerja atau hasil yang dirasakan salah satunya adalah Sistem Informasi Online
dengan harapannya. Tingkat kepuasan merupakan (SION) yang dimana sistem ini menjadi tempat
fungsi dari perbedaan antara kinerja yang mahasiswa untuk mendapatkan berbagai
dirasakan dengan harapan. Apabila kinerja informasi. Sistem Informasi Online ini sendiri
dibawah harapan, maka pengguna/user akan merupakan sistem berbasis websiteyang
kecewa.[2] dikembangkan sendiri oleh STIMIK STIKOM
Pressman (2010) menyebutkan bahwa Bali. Sistem ini memberikan informasi kepada
perangkat lunak merupakan: (1) kumpulan mahasiswa yaitu berupa informasi perkuliahan,
instruksi (program komputer) yang ketika nilai, perwalian, pembayaran dan juga
dieksekusi akan memberikan kemampuan, fungsi, pengumuman-pengumuman yang bersifat
dan kinerja yang diinginkan; (2) struktur data akademik.
yang memungkinkan program untuk melakukan Penelitian ini mengacu pada pengukuran
manipulasi informasi yang cukup; (3)informasi tingkat kepuasan pengguna terhadap Sistem
deskriptif baik dalam hard copy dan bentuk Informasi Online (SION), dimana pengguna yang
virtual yang menjelaskan operasi dan kegunaan dimaksud disini adalah mahasiswa. Tingkat
dari program.[8] Terdapat beberapa faktor utama kepuasan mahasiswa diukur berdasarkan

419
Seminar Nasional Informatika 2014
standarISO 9126 quality in use metrics dengan
menggunakan satisfaction metricsmerupakan
acuan yang dapat digunakan untuk mengukur
tingkat kepuasan userterhadap perangkat lunak.
[6] Diharapkan dengan hasil penelitian ini bisa
diketahui tingkat kepuasan dari mahasiswa dan
bisa dilakukan maintenance dan juga
pengembangan fitur-fitur baru dalam sistem ini
sehingga dapat meningkatkan kepuasan
mahasiswa
2. ISO 9126-1 Quality In Use Metrics
ISO 9126 adalah standar internasional hanya
untuk mengevaluasi perangkat lunak. ISO 9126
terdiri Bahasa Dari Empat komponen yaitu:
quality model, eksternal metrics, internal metrics,
Dan Quality in use metrics . Dalam penelitian ini
pengukuran yang digunakan adalah pengukurang
yang ke empat yaitu Quality in use metrics.
Standard ISO 9126 pertama kali diperkenalkan
pada tahun 1991 melalui pertanyaan tentang
definisi Kualitas perangkat lunak. Dokumen
halaman-13 yang asli didesain sebagai fondasi
lebih jauh, lebih detail, dan memiliki standard
yang dapat diolah. Dokumen standard ISO 9126
sangat panjang. Hal ini dikarenakan orang
memiliki motivasi berbeda yang memungkinkan
untuk tertarik pada kualitas perangkat lunak :
 Acquirer adalah orang yang memperoleh
perangkat lunak dari supplier eksternal.
 Developer adalah orang yang membangun
produk perangkat lunak.
 Evaluator independent adalah orang yang
menetapkan kualitas produk perangkat lunak
– tidak untuk dirinya sendiri tetapi untuk
komunitas user – misalnya melalui jenis tool
tertentu dari sebuah perangkat lunak sebagai
bagian dari aktifitas profesional.
ISO 9126 mengidentifikasi enam karakteristik
kualitas perangkat lunak utamayaitu:
 Functionality: kemampuan menutupi fungsi
produk perangkat lunak yang menyediakan
kepuasan kebutuhan user.
 Reliability: kemampuan perangkat lunak
untuk perawatan dengan level performansi.
 Usability: kemampuan yang berhubungan
dengan penggunaan perangkat lunak.
 Efficiency: kemampuan yang berhubungan
dengan sumber daya fisik yang digunakan
ketika perangkat lunak dijalankan.
 Maintainanility: kemampuan yang
dibutuhkan untuk membuat perubahan
perangkat lunak
 Portability: kemampuan yang berhubungan
dengan kemampuan perangkatlunak yang
dikirim ke lingkungan berbeda
420
ISO 9126Quality in use metrics memiliki 4 tabel
pengukuran matrik yaitu :
 Effectiveness metrics
Matrik ini menilai apakah tugas yang
dilakukan oleh pengguna mencapai tujuan
tertentu dengan akurasi dan kelengkapan
dalam konteks tertentu digunakan. Matrik ini
tidak memperhitungkan bagaimana tujuan
dicapai, hanya sejauh mana dicapai oleh
pengguna
 Productivity metrics
Matrik ini menilai sumber daya yang
sehubungan dengan efektivitas yang dicapai
dalam konteks tertentu digunakan. Sumber
daya yang paling umum adalah waktu untuk
menyelesaikan tugas, meskipun sumber daya
lain yang relevan dapat mencakup upaya
pengguna, materi atau biaya keuangan
pemakaian.
 Safety metrics
Matrik ini menilai tingkat risiko bahaya bagi
masyarakat, bisnis, software, properti atau
lingkungan dalam konteks tertentu
digunakan. Ini termasuk kesehatan dan
keselamatan baik pengguna dan mereka yang
terkena dampak penggunaan, serta
konsekuensi fisik dan ekonomi yang tidak
diinginkan
 Satisfaction metrics
Matrik ini menilai sikap pengguna terhadap
penggunaan produk dalam konteks tertentu
digunakan.
Dalam penelitian ini peneliti menggunakan
satisfaction metrics untuk pengukuran kepuasan
pengguna untuk system akademik online di
STMIK STIKOM Bali.
3. Metode Penelitian
Sistematika Penelitian
Penelitian ini bersifat korelasional dan kuantitatif.
Dimana, Tujuan utama dari penelitian ini adalah
untuk mengetahui tingkat kepuasan terhadap
sistem.
Gambar 1. Sistematika Penelitian
 Seminar Nasional Informatika 2014

 Tahap Persiapan : pada tahap persiapan ini pengumuman

dilakukan studi literatus terhadap sistem yang Kelengkapan
sudah ada melalui pustaka-pustaka yang ada.
penyajian informasi,
Memahami Sistem Informasi Online STMIK
STIKOM Bali melaui dokumentasi baik informasi
KWS2 2
dokumentasi yang ada personal atau
 Penyusunan Instrument: pada tahapan ini informasi
dilakukan identifikasi terhadap sistem, pengumuman
penentuan atribut dan sub atribut sistem, Kecepatan
pemilihan terhadap metode pengukuran yang
menemukan
digunakan dalam penelitian ini menggunakan KWS3 3
Quality in use metrics, dan selanjutnya informasi yang
menyusun instrument penelitian berdasarkan diinginkan
metrics yang digunakan Selalu update
 Pengumpulan Data dan Analisis: pada tahap KWS4 4 informasi dan
ini dilakukan pengumpulan data melalui pengumunan
penyebaran kuesioner terhadap mahasiswa.
Tersedia data-data
 Kesimpulan : tahap terakhir yaitu mengambil
kesimpulan dari data-data yang telah KWS5 5 atau informasi yang
dikumpulkan pada tahap sebelumnya lalu
sehingga diperoleh hasil. [8] Pencarian data lawas
KWS6 6
(tracking)
Instrument Penelitian
Variabel adalah sesuatu yang membedakan atau Tabel 3. Kuesioner Kecepatan dan
memvariasikan nilai. Nilai tersebut dapat berbeda Interactivity
untuk waktu yang berbeda meskipun ditujukan Kecepatan
pada objek atau orang yang sama.[3]
Terdapat lima variabel yang diukur dalam Kode No Pernyataan Nilai
penelitian ini. Variabel indicator Kemudahan
KWS1 1
(content/informasi, tampilan web, kecepatan, untuk akses
interactivity)[4]. Pertanyaan pertanyaan yang Kecepatan
merepresentasikan variabel-variabel tersebut KWS2 2 membuka awal
adalah sebagai berikut:
website
Tabel 1. Kuesioner Tampilan Web Kecepatan dalam
Tampilan WEB KWS3 3 membuka konten
Kode No Penyataan Nilai sion
Struktur Kecepatan dalam
DWS1 1 KWS4 4 melakukan
penyajian menu
Kenyamanan unduhan data
DWS2 2 dalam Interactivity
penggunaan web Kode No Pernyataan Nilai
Kemudahan Kompetibel
DWS3 3 dalam IND1 1 terhadap semua
penggunaan web browser
Mempunyai link Adanya ruang
IND2 2
DWS4 4 dengan website komunikasi
lain yang terkait Support untuk
IND3 3
web sion
Tabel 2. Kuesioner Konten Web
Kontent / Informasi Skala Jawaban Pada Instrumen Penelitian
Kode No Pernyataan Nilai Instrumen utama dalam penelitian ini adalah
kuesioner. Pengukuran variabel dilakukan dengan
Kejelasan penyajian menggunakan skala Likert, yaitu skala yang
informasi, baik digunakan untuk mengukur sikap, pendapat dan
KWS1 1
informasi personal persepsi seseorang dengan memberi skor kepada
atau informasi masing-masing alternatif jawaban. [4]

421
Seminar Nasional Informatika 2014

Prosedur pengukurannya adalah responden Perbedaan usia dari sampel penelitian dapat diliha
diminta untuk menyatakan kepuasa atas dasar pada Gambar 2.
persepsi masing-masing responden. Jawaban
terdiri dari 5 pilihan yaitu:
usia 18
2%2%
Tabel 1. Jawaban 6% 1% 14% usia 19
Jawaban Nilai
usia 20
Sangat Memuaskan 5
Memuaskan 4 31% usia 21
Cukup memuaskan 3
44% usia 22
Tidak memuaskan 2
Sangat tidak memuaskan 1 usia 23

4. Hasil dan Pembahasan

Karakteristik responden menjadi hal yang Gambar 1. Perbedaan Jumlah Sampel

berpengaruh terhadap kualitas dari data, karena Berdasarkan Usia
pengumpulan data dilakukan dengan
menyebarkan kuesioner. [5] Jadi sebelum  Tahun Kuliah
dilakukan mengenai pembahasan data yang, akan
dibahas pula mengenai karakteristik responden angkatan
penelitian. Responden penelitian diambil dari 1% 2011
sampel mahasiswa regular STIKOM Bali.
44% angkatan
Karakteristik responden 55% 2012
Pengumpulan data dilakukan dengan
menyebarkan 100 kuesioner dari tanggal 8 April angkatan
2013 sampai 15 April 2013. Dari kuesioner yang 2010
disebarkan, hanya 87 kuesioner yang berhasil
dikumpulkan kembali, dan hanya 82 kuesioner
Gambar 3. Perbedaan Jumlah Sampel
yang terisi dengan lengkap. Sehingga, data yang
Berdasarkan Ankatan
dapat digunakan sebanyak 82.
Dari 82 sampel kuesoner, responden terbanyak
 Jenis Kelamin
berasal dari mahasiswa angkatan 2012, yaitu
Dari 82 sampel kuesioner sebanyak 30 orang atau
sebanyak 55%. Angkatan 2011 sebanyak 44% dan
35% adalah perempuan, dan sisanya yaitu
angkatan 2010 sebanyak 1%. Perbedaan jumlah
sebanyak 52 orang atau 65% adalah laki-laki.
sampel berdasarkan tahun masuk terlihat pada
Perbedaan jumlah jenis kelamin laki-laki dan
Gambar 3.
perempuan dapat dilihat pada gambar 1.
Tingkat Kepuasan Terhadap Sistem Informasi
Online (SION)

Pengukuran pengguna terhadapat kepuasan

35% penggunaan sistem informasi online (SION)
laki-laki
dalam hal ini adalah mahasiswa STMIK STIKOM
perempuan Bali, dapat diukur bedasarkan variable
65%
kontent/informasi, kecepatan, interaktifity dan
dari tampilan web sion sendiri.
 Kontent / Informasi
Berikut merupakan hasil dari perbandingan
kepuasan pengguna SION dilihat dari segi content
Gambar 1. Perbedaan Jumbal Sampel
Berdasarkan Jenis Kelamin

 Usia
Dari 82 sampel kuesioner, usia termuda dari
responden adalah 18 tahun dan tertua adalah 25
tahun. Sampel kuesioner paling banyak pada
mahasiswa yang memiliki usia 19-20 tahun.

422
 Seminar Nasional Informatika 2014

puas tidak puas puas

KWS1
KWS1
0.57 0.64
KWS60.86 KWS2
0.42 0.62
0.37 0.35
0.13
0.31
KWS4 0.570.41 0.420.56 KWS2
0.28
0.68
KWS5 0.71 0.41 KWS3 0.47
0.58
0.52

KWS4
Gambar 4. Perbandingan kepuasan pengguna
SION dari segi content
Terlihat pada gambar 4. dalam bentuk grafik
maka perbandingan kepuasan mahasiswa STMIK
STIKOM Bali mengenai kepuasan web sion
dalam segi konten atau infromasi sebagai berikut :
1. Mahasiswa lebih cenderung merasa tidak
puasa mengenai Kejelasan penyajian
informasi, baik informasi personal atau
informasi pengumuman.
2. Mahasiswa lebih cenderung merasa tidak puas
terhadap Kelengkapan penyajian informasi,
baik informasi personal atau informasi
pengumuman.
3. Mahasiswa lebih cenderung merasa tidak puas
mengenai Kecepatan menemukan informasi
yang diinginkan.
4. Mahasiswa lebih cenderung merasa tidak puas
mengenai Selalu update informasi dan
pengumunan.
5. Mahasiswa lebih cenderung merasa tidak puas
mengenai Tersedia data-data atau informasi
yang lalu.
6. Mahasiswa lebih cenderung merasa tidak puas
mengenai Pencarian data lawas (tracking).
 Kecepatan
Berikut merupakan hasil perbandingan kepuasan
pengguna SION dilihat dari segi kecepatan akses
KWS3
Gambar 2. Perbandingan kepuasan pengguna
SION dari segi kecepatan
Terlihat pada gambar 5 dalam bentuk grafik maka
perbandingan kepuasan mahasiswa STMIK
STIKOM Bali mengenai web sion dalam segi
kecepatan sebagai berikut :
1. Mahasiswa STMIK STIKOM Bali segabai
pengguna dari web sion cenderung merasa
puas mengenai Kemudahan untuk akses web
sistem informasi online (SION).
2. Kecepatan dalam pertama kali mengakses atau
membuka web sion merupakan suatu hal yang
penting dalam kenyamanan penggunaan web
sion, mahasiswa dalam hal ini sebagai
pengguna web sion cenderung merasa puas
dari segi kecepatan awal mengakses website
sistem infromasi online (SION).
3. Penjelajahan web yang dimaksudkan untuk
mencari informasi yang diinginkan oleh
pengguna merupakan hal yang sangat
penting, jadi kecepatan dalam melakukan
penjelajahan website berpengaruh terhadap
kenyamanan pengguna. Dari segi kecepatan
dalam membuka konten sion mahasiswa
cenderung merasa kurang puas akan kecepatan
dalam penjelajahan konten sion.
4. Mengunduh data atau infromasi baik itu
personal maupun pengumuman sangat sering
dilakukan oleh pengguna web sistem
infromasi online (SION) dalam hal ini adalah
mahasiswa sebagai pengguna web sion.
Kecepatan pengunduhan pengumuman atau
informasi personal juga berpengaruh terhadap
kepuasan pengguna, dari segi ini mahasiswa
sebgai pengguna web sion cenderung merasa
tidak puas mengenai kecepatan pengunduhan
pengumuman atau informasi

 Tampilan Web
Berikut merupakan perbandingan kepuasan
pengunaan SION dilihat dari segi tampilan

423
Seminar Nasional Informatika 2014
puas tidak puas
DWS1
0.6
0.4
DWS4 0.74 0.25 0.46 0.53 DWS2
0.43
0.56
DWS3
Gambar 6. Perbandingan Kepuasan Pengguna
SION dari Segi Tampilan
Terlihat pada gambar 6 dalam bentuk grafik maka
perbandingan kepuasan mahasiswa STMIK
STIKOM Bali mengenai web sion dalam segi
tampilan web sebagai berikut :
1. Struktur menu atau penyajian menu
merupakan hal yang sangat penting dalam
tampilan web, penyajian struktur menu yang
baik akan memudahkan pengguna dalam
menggunakan web tersebut (user frindly).
Mahasiswa sebagai pengguna web sion
cendrung merasa puas dari segi penyajian web
sion.
2. Kenyamanan penggunaan web sion juga
berpengaruh terhadap kepuasan penggunaan
web. Dalam hal ini mahasiswa cenderung
merasa puas dari segi kenyamanan
penggunaan web sion.
3. Kemudahan penggunaan web sion sangat
berpengeruh terhadap kepuasan penggunaan
web. Dalam hal ini mahasiswa cenderung
merasa puas dari segi kemudahan penggunaan
web sion.
4. Mempunyai link dengan website lain yang ada
kaitannya dengan web sion seperti web
stikom, elearning dan lainsebgainya dapat
memudahkan pengguna jika ingin mngunjungi
web stikom yang ada kaitannya dengan
mahasiswa, dalam hal ini mahasiswa tidak
puas akan adanya link yang terdapat pada web
sion.
 Interaktifity
Berikut merupakan perbandingan
kepuasan pengunaan SION dilihat dari
segi interaktifity
424
Puas Tidak Puas
IND1
0.69
0.34
0.430.32
0.46 0.67
IND3 IND2
Gambar 7. Perbandingan Kepuasan Pengguna
SION dari Segi Interaktifity
Terlihat pada gambar 7 dalam bentuk grafik maka
perbandingan kepuasan mahasiswa STMIK
STIKOM Bali mengenai web sion dalam segi
interaktifity sebagai berikut :
1. Kompetibel terhadap semua web browser
merupakan hal penting ketika bagi pembuat
website, karena tidak semua user
menggunakan browser yang sama, jadi sebuah
website harus kompetibel terhadap semua
browser. Dari sisi pengguna web sion,
mahasiswa merasa tidak puas mengenai
kompetibel web sion terhadap semua browser.
2. Dari segi adanya ruang komunikasi
mahasiswa, mahasiswa tidak puas dari segi
adanya ruang komunikasi.
3. Dari segi support terhadap web sion, support
terhadapt web sion sangat diperlukan, karena
ketika terjadi kesalahan informasi baik
personal ataupun pengumuman mahasiswa
dapat meminta bantuan, dari segi support web
sion mahasiswa merasa puas.
5. Kesimpulan
Beradasarkan data yang berhasil dikumpulkan
dari responden kuesioner dalam hal ini adalah
mahasiswa STMIK STIKOM Bali sebagai
pengguna langsung dari sistem informasi online
(SION), adalah sebagai berikut :
1. Pengukuran tingkat kepuasan dalam penelitian
ini menggunakan ISO 9126 quality in use
metrics yaitu satisfaction metrics dimana
yang menjadi yang diukur adalah dari segi
kontent, kecepatan, tampilan dan interatifity
sehingga diperoleh hasilnya sebagai berikut:
 Dari segi kontent atau informasi terkait
data pengguna sistem informasi online
(SION) yaitu mahasiswa atau informasi
mengenai pengumuman yang mempunyai
pengaruh besar terhadap kepuasan
pengguna (user satisfaction), pengguna
web SION sebagian besar merasa tidak

puas akan sajian informasi atau content
yang terkait data personal mahasiswa
ataupun informasi pengumuman.
 Dari segi kecepatan juga bepengaruh
terhadap kepuasan pengguna (user
satisfaction) baik pada saat pertama kali
mebuka web SION ataupun saat
melakukan penjelajahan content atau
informasi dan saat melakukan unduhan
(download)data, sebagian besar respoden
merasakan puas akan kecepatan dari web
sion.
 Dari segi tampilan web merupakan hal
penting terhadap kepuasan pengguna
(user satisfaction) karena tampilan web
yang baik akan membuat pengguna atau
pengunjung web merasa betah berlama-
lama membuaka web tersebut. Dari hasil
responden merasa puas dengan tampilan
web SION.
 Dari segi interatifity tidak terlalu
mempunyai pengaruh yang sangat besar
terhadap kepuasa pengguna (user
satisfaction), dari hasil data yang
diperoleh mahasiswa tidak puas akan
interatifity dari web sistem informasi
online (SION) STMIK STIKOM Bali.
2. Penggunaan ISO 9126 quality in use metrics
dalam penelitian ini hanya menggunakan
metrics satisfaction yaitu di ukur dari sisi
pengguna system
Seminar Nasional Informatika 2014
Daftar Pustaka
[1] Sigit Hadi Prayoga, Dana Indra Sensuse.
Analisis usability pada aplikasi berbasis
web Dengan mengadopsi model kepuasan
pengguna (user satisfaction), Jurnal Sistem
Informasi MTI-UI, Volume 6, Nomor 1,
ISSN 1412-8896.
[2] Ariawan, Yudi. (2007). Analisa Penerapan
Software Quality Assurance (SQA), Studi
kasus : Indoneisa. Jakarta : Universitas
Indonesia.
[3] ISO/IEC. (2001). ISO/IEC 9126 Software
engineering-product quality-part 1:Quality
model.
[4] ISO/IEC. (2001). ISO/IEC 9126 Software
engineering-product quality-part 2:External
Metric.
[5] ISO/IEC. (2001). ISO/IEC 9126 Software
engineering-product quality-part 3:Internal
Matric.
[6] ISO/IEC. (2001). ISO/IEC 9126 Software
engineering-product quality-part 4:Quality
in use metrics.
[7] Kartika, L. (2012). Pengaruh budaya
daerah terhadap proses kontruksi perangkat
lunak. Bandung : Institut Teknologi
Bandung.
[8] Pressman, R.S. (2010). Software
Engineering. New York : McGraw Hill.
425
Seminar Nasional Informatika 2014

METODE DAMPSTER SHAFER UNTUK DIAGNOSA DAN

KLASIFIKASI PENYALAHANGUNAAN JENIS NAPZA
(NARKOTIKA PSIKOTROFIKA DAN ZAT ADITIF LAINNYA)

Heri Gunawan

STMIK Potensi Utama

Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan
herighe@gmail.com

Abstrak

Terjadinya pernyataan ketidakpastian pada kecerdasan buatan berkaitan dengan masalah probabilitas. Untuk
meminimalisir ketidakpastian dalam memberikan keputusan terhadap penyalahgunaan jenis NAPZA, salah
satunya dapat menggunakan metode dampster shafer, karena metode ini mengizinkan untuk menentukan
derajat kepercayaan (degree of belief). Perhitungan ketidakpastian dalam penelitian ini menggunakan
Dampster Shafer dengan mengaitkan ukuran nilai kepercayaan (belief) dengan nilai masuk akal (plausibility),
karena tidak semua evidence (bukti) secara langsung mendukung penggunaan jenis NAPZA. Metode ini
digunakan untuk mencari nilai kepastian dari inputan yang berupa gejala dan presentase kemungkinan jenis
NAPZA yang disalahgunakan . Dalam penelitian ini Dampster Shafer dapat menghasilkan diagnosa yang
lebih tepat dan mempunyai nilai kepastian yang lebih akurat. Dengan metode dampster shafer berhasil
diimplementasikan untuk diagnosa terhadap penyalahgunaan narkotika dan mampu menjawab permasalahan
dalam meningkatkan tingkat kepercayaan untuk menghasilkan diagnosa yang tepat.

Kata Kunci : forward chaining, dampster shafer, belief, plausibility, NAPZA.

1. Pendahuluan disalahgunakan dengan teknik penelusuran

Forward Chaining.
Masalah gangguan penggunaan NAPZA
(narkotika, psiokotropika, dan zat adiktif lain) 2. Landasan Teori
merupakan masalah kompleks yang
penatalaksananya melibatkan banyak bidang Damster Shafer
keilmuan (medis dan non-medis), sebagaimana Ada berbagai macam penalaran dengan
diatur dalam Keputusan Menteri Kesehatan model yang lengkap dan sangat konsisten,
Nomor 486/Menkes/SK/IV/2007 tentang tetapi pada kenyataannya banyak permasalahan
Kebijakan dan Rencana Strategis Penanggulangan yang tidak dapat terselesaikan secara lengkap
Narkotika Psikotropika dan Zat Adiktif dan konsisten. Ketidak konsistenan yang
lainya(NAPZA).[1] Peredaran narkotika yang tak tersebut adalah akibat adanya penambahan
terawasi dapat menyebabkan dampak negatif bagi fakta baru. Penalaran yang seperti itu disebut
masyarakat. Hal ini berpengaruh pada dengan penalaran non monotonis. Untuk
penyalahangunaan narkotika di masyarakat. mengatasi ketidak konsistenan tersebut maka
Penggunaan narkotika yang tak terkendali dapat dapat menggunakan penalaran dengan teori
memberikan efek yang tidak baik bagi Dempster-Shafer. Dempster-Shafer adalah suatu
penggunaanya. Dengan meningkatnya teori matematika untuk pembuktian berdasarkan
penggunaan NAPZA sampai tingkat lapisan belief functions and plausible reasoning (fungsi
masyarakat bawah, menyebabkan sulitnya kepercayaan dan pemikiran yang masuk akal),
mendiagnosa pengaruh NAPZA apa yang di pakai yang digunakan untuk mengkombinasikan
melalui gejala fisik yang ditimbulkan oleh potongan informasi yang terpisah (bukti) untuk
seseorang. Dan terjadinya ketidakpastian terhadap mengkalkulasi kemungkinan dari suatu
suatu keputusan jika menggunakan cara peristiwa. Teori ini dikembangkan oleh Arthur
konvensional. Untuk itu penulis coba memberikan P. Dempster dan Glenn Shafer. Secara umum
solusi dengan merancang suatu sistem yang teori Dempster-Shafer ditulis dalam suatu interval
mampu memberikan keputusan yang tepat [2][3]:
terhadap permasalahan yang dihadapi. Metode 1 Belief (Bel) adalah ukuran kekuatan
Dampster Shafer digunakan untuk mencari nilai evidence dalam mendukung suatu
kepastian dari inputan yang berupa gejala dan himpunan proposisi. Jika bernilai 0
presentase kemungkinan jenis NAPZA yang maka mengindikasikan bahwa tidak ada

426

evidence, dan jika bernilai 1 menunjukkan
adanya kepastian. Di mana nilai Bel
yaitu(0-0.9).
2 Plausibility (Pl) dinotasikan sebagai : Pl(s) =
1 – Bel (-s) Plausibility juga bernilai 0
sampai 1. Jika yakin akan -s, maka dapat
dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.
Pada teori Dempster-Shafer dikenal
adanya frame of discrement yang dinotasikan
dengan θ. Frame ini merupakan semesta
pembicaraan dari sekumpulan hipotesis.
Tujuannya adalah mengaitkan ukuran
kepercayaan elemen-elemen θ. Tidak semua
evidence secara langsung mendukung tiap-tiap
elemen. Untuk itu perlu adanya probabilitas
fungsi densitas (m). Nilai m tidak hanya
mendefinisikan elemen-elemen θ saja, namun
juga semua subset-nya. Sehingga jika θ berisi n
elemen, maka subset θ adalah 2n . Jumlah
semua m dalam subset θ sama dengan 1. Apabila
tidak ada informasi apapun untuk memilih
hipotesis, maka nilai : m{θ} = 1,0. Apabila
diketahui X adalah subset dari θ, dengan m1
sebagai fungsi densitasnya, dan Y juga
merupakan subset dari θ dengan m2 sebagai
fungsi densitasnya, maka dapat dibentuk fungsi
kombinasi m1 dan m2 sebagai m3, yaitu
∑ masalah. Perumusan masalah dilakukan
: ∑
…. (1)
Contoh Penerapan Dempster-Shafer
berikut, akan di cari persentase kemungkinan dari
2 objek dengan menggunakan perhitungan di
bawah ini : m1 , yaitu objek pertama dengan nilai
densitas = 90% atau dirubah menjadi desimal =
0.9 m2 , yaitu objek kedua dengan nilai densitas =
80% atau dirubah menjadi desimal = 0.8. Maka
untuk menghitung nilai Dempster Shafer, dengan
menggunakan nilai believe yang telah ditentukan
pada setiap gejala.
m1(θ) = 1 – Bel, di mana nilai Bel (believe)
merupakan bobot yang diinput sesuai
kepercayaan, maka untuk mencari nilai kedua
gejala diatas, terlebih dahulu dicari nilai dari θ,
contohnya dapat dilihat dibawah ini . Maka
m1(Bel) = 0.9
m1(θ) = 1- 0.9 = 0.1
Maka m2(Bel) = 0.8
m2(θ) = 1- 0.8 = 0.2
Gunakan rumus :
∑
∑
Maka nilai total dari kedua objek tersebut =
= = 0.73
Dan hasil akhir didapat nilai total dari 2 densitas
gejala diatas adalah 0.73 atau 73%
Seminar Nasional Informatika 2014
Definisi NAFZA
Narkotika adalah zat yang bermanfaat
dan berkhasiat, yang dibutuhkan bagi
kepentingan umat manusia terutama sudut
medis. Pengertian narkotika menurut Soedjono
adalah zat yang biasa menimbulkan pengaruh-
pengaruh tertentu bagi mereka yang
menggunakannya dengan memasukannya ke
dalam tubuh [4]. Pengaruh tubuh tersebut
berupa pembiusan, hilangnya rasa sakit,
ransangan semangat dan halusinasi atau khayalan-
khayalan. (Indonesia, 2010,
KEPMENKES.RI/NO/422/MENKES/SK/III).
3. Metodelogi Penelitian
Tahapan-tahapan kegiatannya adalah
sebagai berikut: Tahap persiapan penelitian,
Pengumpulan Data, Tahap Memodelkan dan
Merancang Sistem, dan Tahap Mengimplementasi
dan Menguji Sistem
1.1 Tahapan persiapan penelitian terbagi atas
3 tahap yaitu:
a. Mendefenisikan masalah, tahap ini merupakan
langkah awal untuk untuk menentukan
rumusan masalah serta ditentukan batasan
dengan meninjau sistem yang akan diteliti
untuk mengamati dan mengeksplorasi serta
menggali permasalahan pada sistem yang ada.
Penelitian ini menganalisa tentang bagaimana
mengenali seseorang yang terkena dampak
penyalahgunaan narkotika.
b. Menganalisa Masalah, permasalahan yang
ditemukan kemudian akan di analisa. Langkah
dalam proses analisa masalah adalah langkah
untuk memahami masalah yang telah
ditentukan. Dengan menganalisa
permasalahan yang telah ditentukan tersebut,
maka diharapkan masalah tersebut dapat
dipahami dengan baik.
c. Menentukan Tujuan, Berdasarkan pemahaman
dari permasalahan yang telah di analisa,
langkah berikutnya adalah menentukan tujuan
yang akan dicapai dalam penelitian ini. Pada
tujuan ini target yang akan dicapai adalah
memodelkan dan merancang sistem pakar
yang dapat mendiagnosa seseorang pelaku
penyalahgunaan narkotika.
1.2 Tahap Pengumpulan Data
Pengumpulan data dilakukan untuk
mendukung tahap penulisan proposal dan tahap
pemodelan & perancangan sisten. Pengumpulan
data dilakukan dengan 2 cara yaitu:
a. Mengumpulkan knowledge dari ahli.
Pengumpulan knowledge dari ahli dengan
melakukan wawancara dengan ahli dalam hal
427
Seminar Nasional Informatika 2014
dokter yang biasa menangani masalah
penyalahgunaan narkotika untuk mendapatkan
pengetahuan tentang tingkat
penyalahgunaanya serta berbagai pengetahuan
lain yang berhubungan penyalahgunaan
narkotika. Dari wawancara ini didapatkan
knowledge base yang akan menjadi bagian
terpenting dari pembangunan sistem.
b. Studi Literatur
Studi literatur dilakukan untuk mengkaji
berbagai sistem yang sudah pernah ada
melalui jurnal. Pemahaman terhadap metode
yang akan dilakukan pada penelitian ini.
1.3 Tahap Memodelkan dan Merancang Sistem
a. Membuat basis pengetahuan (knowledge
base), pada tahap ini semua knowledge yang
diperoleh dari pakar dibuatkan flowchart
untuk dapat menentukan atribut-atribut dan
merancang rule yang akan dipakai pada
pembangunan mesin inferensi.
b. Membangun Mesin Inferensi, knowledge base
yang diperoleh dari rekayasa knowledge
diproses untuk menghasikan informasi. Pada
penelitian ini mesin inferansi yang digunakan
adalah forward chaining dan dampster shafer.
c. Mendesain Interface, setelah terbentuknya
mesin inferensi yang menjadi otak dari sistem,
kemudian dilakukan perancangan interface
sistem.
1.4 Tahap Mengiplementasi Metode dengan
Sistem
a. Mengimplementasi Sistem
Tahap implementasi sistem pakar mencakup
pemrograman pengetahuan ke dalam
komputer, perbaikan struktur dan penambahan
pengetahuan baru. Hasil tahap ini berupa
sistem pakar yang dapat mendiagnosa
pengaruh penyalahgunaan narkotika.
b. Menguji Coba Sistem
Tahap akhir penyerapan pengetahuan pada
sistem pakar adalah tahap uji coba. Pada tahap
ini perekayasa menguji coba basis
pengetahuan dengan kasus-kasus penggunaan
yang sesuai dengan tujuan dari sistem pakar
yang akan dibangun. Hasil uji coba ini
ditujukan kepada pakar untuk mendapatkan
saran/perbaikan dan bahkan kritik. Semua
kaidah ataupun fakta bahkan prosedur yang
ada di verifikasi lebih lanjut, karena tahap ini
merupakan akhir dari proses pengembangan
sistem pakar.
2. Penyajian Fakta dan Pengetahuan
Fakta yang mengandung pengetahuan untuk
pemahaman dan penyelesaian masalah yang
dapat berasal dari ahli, jurnal dan sumber
pengetahuan lain. Adapun pengetahuan yang
berasal dari ahli, jurnal maupun sumber
428
pengetahuan lain tersebut adalah mengenai
jenis NAPZA, gejala-gejalanya. Dalam penelitian
ini penulis menggunakan beberapa data gejala
yang dapat ditimbullkan pada seseorang pengguna
narkotika dapat dilihat pada tabel 4.1 dan tabel
4.2 jenis NAFZA. Data ini diperoleh dari
lampiran Surat Keterangan Menteri Kesehatan
Republik Indonesia No.
No.422/MENKES/RI/III/2010), yang kemudian
diklasifikasikan oleh ahli untuk memberikan nilai
belief pada setiap gejala.
Tabel 1. Gejala Umum Dengan Nilai Belief
Tabel 1 berikut menunjukan gejala-gejala umum
yang ditimbulkan dari pemakaian beberapa jenis
NAPZA. Nilai Belief (Bel) 90, 80, 70, 60
merupakan nilai gejala terhadap jenis NAPZA
yang digunakan. Nilai tersebut diberikan oleh ahli
berada pada kolom jenis NAPZA pada masing-
masing gejala.
Implementasi Dampster Shafer
Untuk menganalisis gejala-gejala yang
diberikan oleh pengguna untuk mendapatkan
kemungkinan jenis NAPZA yang digunakan,
dilakukan dengan menghitung nilai densitas dari
gejala kemudian menghitung nilai kepercayaan
menggunakan rumus Dempster shafer. Seorang
pengguna mengalami gejala psikis pada tubuh
dengan diagnosa ahli, pengguna tersebut
menggunakan narkotika jenis Ampetamin dan
Heroin. Dengan rule sebagai berikut:
Gejala 1(G1): Paranoid, kebingungan dan
gangguan persepsi.
Apabila diketahui nilai kepercayaan setelah
dilakukan observasi Paranoid, kebingungan dan
gangguan persepsi. Sebagai gejala pengguna
menggunakan jenis NAPZA AMPETAMIN (A),
MARIYUANA (M), INHALAN (I) dan
BENZODIAZEPIN (B) adalah :
m1{A,M,I,B} = (0.9)*(0.8)*(0.6)*(0.7) = 0.3024
m1{ø}=(1 – 0.9)*(1- 0.8)*(1 – 0.6) – (1- 0.7) =
0.1*0.2*0.4*0.3 = 0.0024
Gejala 2 (G2): Sakit Kepala
Kemudian jika diketahui nilai kepercayaan setelah
dilakukan observasi terhadap Sakit Kepala

sebagai gejala pengguna AMPETAMIN (A),
HEROIN (H) dan BENZODIAZEPIN (B) adalah
: paling tinggi sebesar 11%. Nilai 11% merupakan
m2{A,H,B} = (0.7*0.9*0.6) = 0.378
m2{ø} = (1 – 0.7)*(1 – 0.9)*(1 – 0.6) = 0.3 * 0.9
* 0.6 = 0.012
Munculnya gejala baru mengharuskan kita untuk
menghitung densitas baru untuk beberapa
kombinasi (m3) dengan aturan seperti pada Tabel
4.6.
IF (G1Ampetamin=0.9) AND (G1Maryuana=0.8)
AND (G1Inhalan=0.6) AND
(G1Benzodiazepin=0.7) AND
(G2Ampetamin=0.7) AND (G2Heroin=0.9) AND
(G2Benzodiazepin=0.6) THEN
(Ampetamin,Benzodiazepin)
Tabel 2. Aturan kombinasi untuk m3
Keterangan :
1 Kolom pertama pada baris kedua dan ketiga
berisikan semua himpunan bagian pada
gejala pertama (Paranoid, kebingungan, dan
ganggunn persepsi) dengan m1 sebagai
fungsi densitas.
2 Kolom kedua pada baris pertama berisikan
semua himpunan bagian pada gejala kedua
(Sakit kepala) dengan m2 sebagai fungsi
densitas.
3 Baris kedua dan ketiga pada kolom kedua
merupakan irisan dari kedua himpunan.
Dari aturan kombinasi di atas, maka untuk
menghitung nilai densitas digunakan persamaan
Dempster-shafer. Sehingga diperoleh m3 sebagai
berikut ini :
m3{A,B}=
m3{M,I,H} =
m3{A,M,I,B} =
Maka dapat disimpulkan nilai kepastian
kombinasi Dempster-shafer adalah : Bahwa
pengguna didiagnosa menggunakan NAPZA jenis
AMPETAMIN dan BENZODIAZEPIN {A,B}
dengan nilai kepercayaan paling tinggi sebesar
11%. Dari perhitungan didapat nilai kepercayaan
dari masing-masing himpunan yaitu Ampetamin
dan Benzodiazepin {A,B} = 11%, Maryuana,
Inhalan dan Heroin {M,I,H} = 0%. dan
Ampetamin, Maryuana, Inhalan dan
Benzodiazepin{A,M,I,B} = 0%. Maka dapat
disimpulkan nilai kepastian kombinasi Dempster-
shafer adalah Bahwa pengguna didiagnosa
Seminar Nasional Informatika 2014
menggunakan NAPZA jenis Ampetamin dan
Benzodiazepin {A,B} dengan nilai kepercayaan
nilai kepercayaan yang tertinggi yang didapat
hasil perhitungan dampster shafer dari tiga gejala
yang ditimbulkan oleh pemakai.
Apabila diketahui nilai kepercayaan setelah
dilakukan Psikosis (Halusinasi dan Delusi) (G3).
Sebagai gejala pengguna menggunakan jenis
NAPZA AMPETAMIN (A) dan Kokain (K)
adalah:
m1{A,K} = (0.6*0.9) = 0.54
m1{ø} = (1 - 0.6)*(1 – 0.9) = 0.4 * 0.1 = 0.04
kemudian muncul gejala baru yaitu Bicara tak
jelas (G4). Sebagai gejala pengguna
menggunakan jenis NAPZA Ampetamin dan
Maryuana adalah:
m2{A,M} = (0,7 * 0.9) = 0.63
m2{ø} = (1 – 0.7)*(1 – 0.9) = 0.3 * 0.1 = 0.03
Munculnya gejala baru mengharuskan kita untuk
menghitung densitas baru untuk beberapa
kombinasi (m3) dengan aturan seperti pada Tabel
3.
Tabel 3. Aturan Kombinasi untuk m3
Keterangan :
1 Kolom pertama pada baris kedua dan ketiga
berisikan semua himpunan bagian pada
gejala pertama Psikosis (Halusinasi dan
Delusi) dengan m1 sebagai fungsi densitas.
2 Kolom kedua pada baris pertama berisikan
semua himpunan bagian pada gejala kedua
Bicara tak jelas dengan m2 sebagai fungsi
densitas.
3 Baris kedua dan ketiga pada kolom kedua
merupakan irisan dari kedua himpunan.
Dari aturan kombinasi di atas, maka untuk
menghitung nilai densitas digunakan persamaan
Dempster-shafer. Sehingga diperoleh m3 sebagai
berikut ini :
m3{A}=
m3{M,K} =
m3{A,K} =
Maka dapat disimpulkan nilai kepastian
kombinasi Dempster-shafer adalah : Bahwa
pengguna didiagnosa menggunakan NAPZA jenis
AMPETAMIN dengan nilai kepercayaan paling
tinggi sebesar 11%. Dari perhitungan didapat
nilai kepercayaan dari masing-masing himpunan
yaitu Ampetamin {A} = 34%, Maryuana dan
429
Seminar Nasional Informatika 2014
Kokain{M,K} = 3%. Ampetamin dan Kokain
{M,K} = 2%. Maka dapat disimpulkan nilai
kepastian kombinasi Dempster-shafer adalah
pengguna didiagnosa menggunakan NAPZA jenis
Ampetamin{A} dengan nilai kepercayaan paling
tinggi sebesar 34%. Nilai 34% merupakan nilai
kepercayaan yang tertinggi yang didapat hasil
perhitungan dampster shafer dari tiga gejala yang
ditimbulkan oleh pemakai.
Proses Metode dengan Sistem
Form diagnosa gejala umum ini digunakan
untuk mendiagnosa pemakai NAPZA dimulai
dengan mengisi ID Diagnosa, tanggal, nama
pemakai, alamat pemakai, jenis kelamin dan umur
pemakai. Proses berikutnya adalah memilih gejala
yang terlihat dengan menekan tombol >> untuk
maju dan << untuk ke belakang, setiap gejala
yang cocok atau sesuai dengan keadaan pemakai
dilanjutkan dengan tombol Yes dan No jika gejala
yang ditanyakan pada form tidak sesuai. Pemakai
dianjurkan untuk menjawab semua pertanyaan
yang ditanyakan oleh sistem. Dalam ujicoba ini
dapat dilihat pada gambar 5.6 ditandai dengan
lingkaran 1, pemakai menjawab Yes untuk gejala
pertama yaitu paranoid, kebingungan dan
gangguan persepsi dan gejala kedua yaitu sakit
kepala kemudian pilih tombol Atur Kombinasi.
Nilai belief untuk masing-masing jenis NAPZA
yaitu Ampetamin (A) = 0.9, Maryuana (M) = 0.8,
Inhalan (I) = 0.6 dan Benzodiazepin (B) = 0.7,
untuk Heroin (H) dan Kokain (K) = 1
diinisialisasai sebagai gejala yang tidak memiliki
pengaruh pada Heroin dan Kokain. Nilai 0.302
adalah total nilai densitas dari gejala pertama
dengan indikasi penggunaan NAPZA (A,M,I,B).
Pada Gejala kedua yaitu sakit kepala
memiliki pengaruh pada penggunaan NAPZA
dengan nilai belief Ampetamin (A) = 0.7, Heroin
(H) = 0.9 dan Benzodiazepin (B) = 0.6, untuk
Maryuana, Inhalan dan Kokain (M,I,K)
diinisialisasai dengan nilai 1 sebagai gejala yang
tidak memiliki pengaruh pada ketiga jenis
NAPZA (M,I,K). Nilai 0.378 nilai total densitas
dari gejala kedua terlihat pada lingkaran nomor 2.
430
Pada lingkaran nomor 3 terlihat nilai
plausibility (masuk akal) untuk masing-masing
jenis NAPZA dengan gejala pertama yaitu
Ampetamin (A) = 0.1, Maryuana (M) = 0.2,
Inhalan (I) = 0.4 dan Benzodiazepin (B) = 0.3,
untuk Heroin (H) dan Kokain (K) diinisialisasi
dengan nilai 1 yang berarti tidak pengaruh dengan
gejala pertama, nilai 1 dibutuhkan untuk
membantu proses perhitungan saja. Untuk gejala
kedua yaitu sakit kepala memiliki pengaruh
terhadap penggunaan NAPZA dengan nilai
plausibility Ampetamin (A) = 0.3, Heroin (H) =
0.1 dan Benzodiazepin (B) = 0.4. Untuk
Maryuana, Heroin dan Benzodiazepin (A,H,B)
diinisialisasai dengan nilai 1 sebagai gejala yang
tidak memiliki pengaruh pada ketiga jenis
NAPZA (A,H,B).
Nilai 0.002 pada lingkaran nomor 4
adalah total nilai plausibility dari jenis NAPZA
(A,M,I,B) dan 0.012 adalah total niai plausibility
dari jenis NAPZA (A,H,B). Dan pada lingkaran
nomor 5 merupakan hasil perhitungan dempster
shafer dengan nilai tingkat kepercayaan, nilai
0.1143 untuk diangnosa penggunaan Ampetamin
dan Bezodiazepin (A,B). Nilai 0.009 untuk
diagnosa penggunaan Maryuana, Inhalan dan
Heroin (M,I,H) dan Nilai 0.0036 untuk hasil
diagnosa penggunaan Ampetamin, Maryuana,
Inhalan dan Benzodiazepin (A,M,I,B). Dari hasil
nilai kepercayaan yang didapat dilakukan proses
perbandingan dari ketiga nilai tersebut sehingga
diperolah nilai tertinggi yaitu 0.1143, kesimpulan
adalah pemakai tersebut didiagnosa menggunakan
NAPZA jenis Ampetamin dan Benzodiazepin
dengan nilai kepercayaan 0.1143.
Tabel 4. Perbandingan Nilai Kepercayaan
Antara Proses Manual Dengan Sistem
4. Kesimpulan dan Saran
Kesimpulan
Dari hasil analisa dan implementasi terhadap
sistem untuk mendiagnosa pengaruh
penyalahgunaan NAPZA menggunakan metode
dampster shafer, dapat disimpukan bahwa:
1. Dengan metode dampster shafer berhasil
diimplementasikan untuk diagnosa terhadap
penyalahgunaan narkotika dan mampu
menjawab permasalahan dalam
meningkatkan tingkat kepercayaan untuk
menghasilkan diagnosa yang tepat.
2. Sistem yang dibangun dengan
memanfaatkan nilai densitas gejala untuk
 Seminar Nasional Informatika 2014

diagnosa penyalahgunaan narkotika mampu baru yang digunakan dengan menambah

memberikan informasi awal mengenai jenis gejala baru pada pengaruh penyalahgunaan
NAPZA yang telah disalahgunakan. narkotika saja.

Saran Daftar Pustaka

Berdasarkan hasil pengujian dan
kesimpulan, maka dapat dikemukakan saran-saran [1] Indonesia, 2010, Surat Keputusan Menteri
yang akan sangat membatu untuk penetapan dan Kesehatan,. Nomor
pengembangan sistem ini adalah sebagai berikut : 422/MENKS/SK/III/2010.
1. Perlu dipertimbangkan untuk menambahkan [2] Istiqomah Nur Yasidah dan Fadlil, Abdul,
gejala dan jenis NAPZA yang bisa 2013, Sistem Pakar Untuk Mendiagnosa
didiagnosa, sehingga sistem ini dapat Penyakit Saluran Pencernaan Menggunakan
mendiagnosa lebih banyak jenis NAPZA Metode Dampster Shafer, Jurnal Sarjana
yang disalahgunakan. Teknik Infromatika, Vol 1 No.1, Universitas
2. Diharapkan sistem dapat dikembangkan Ahmad Dahlan.
dalam hal pemberian solusi terapi terhadap [3] Sent Kari, 2002, Combination of Evidence in
dampak yang disebabkan penyalahgunaan Dempster Shafer Theory, Scott Ferson
narkotika. Binghamton New York.
3. Sistem ini dapat dikembangkan menjadi [4] Direktorat Kesehatan Jiwa Masyrakat, 2008,
sistem pakar sehingga pada proses tanya Buku Pedoman Praktis Mengenai
jawab dapat lebih interaktif sehingga dapat Penyalahgunaan NAPZA
digunakan untuk mendiagnosa jenis NAPZA

431
Seminar Nasional Informatika 2014

PENGAMANAN SQLITE DATABASE MENGGUNAKAN

KRIPTOGRAFI ELGAMAL
Deny Adhar

Teknik Informatika, STMIK Potensi Utama Medan

Jln. Kol. Yos. Sudarso Km. 6,5 No. 3A Medan
adhar_7@yahoo.com

Abstrak

SQLite database merupakan sebuah sistem manajemen basis data relasional yang bersifat ACID-compliant
dan memiliki ukuran pustaka kode yang relatif kecil, ditulis dalam bahasa C. Namun ada satu hal yang masih
menjadi kekurangan di dalam database SQLite yaitu masalah keamanan data karena database tersebut masih
bersifat plain, dalam arti tidak terlindungi oleh enkripsi. Database SQLite tidak memiliki mekanisme untuk
memproteksi data seperti password atau enkripsi. Siapapun yang memiliki akses ke fisik file database, maka
yang bersangkutan akan bisa membukanya dan melihat isi data di dalamnya. Untuk melindungi SQLite
database tersebut dibutuhkan teknik kriptografi. Algoritma Elgamal merupakan salah satu dari algoritma
yang digunakan untuk menyelesaikan permasalahan pada bidang kriptografi. Algoritma Elgamal dipilih
dalam teknik kriptografi ini karena algoritma Elgamal dalam mengamankan pesan rahasia membutuhkan
pembentukan kunci dengan menggunakan bilangan prima dan pemecahan masalahnya menggunakan
logaritma diskrit yang cukup menyulitkan. Kunci yang dimiliki algoritma elgamal ada dua jenis yaitu kunci
public dan kunci private. Kunci publik untuk umum dan kunci private untuk diri sendiri. Dengan algoritma
elgamal diharapkan akan terciptanya sebuah sistem yang optimal untuk mengamankan SQLite database.

Kata Kunci : Cryptographic, Encryption, Decryption, Algorithm Elgamal, SQLite database

1. PENDAHULUAN memiliki akses ke fisik file database, maka yang

Hampir semua aplikasi - aplikasi sistem
informasi menggunakan database untuk
menyimpan informasi. Suatu sistem database
yang memiliki informasi yang penting, sangat
memerlukan suatu system keamanan untuk
melindungi database dari orang yang tidak
mempunyai wewenang otoritas dari data tersebut.
Keamanan database adalah suatu cara untuk
melindungi database dari ancaman, baik dalam
bentuk kesengajaan atau pun bukan. Ancaman
adalah segala situasi atau kejadian baik secara
sengaja maupun tidak yang bersifat merugikan
dan mempengaruhi system serta secara
konsekuensi terhadap perusahaan/organisasi yang
memiliki system database. Hal-hal yang berkaitan
dengan pengamanan data-data penting tersebut
haruslah benar-benar diperhatikan agar data yang
akan tersimpan dalam komputer kita tetap aman
dari orang-orang yang tidak bertanggung jawab.
Salah satu aspek keamanan pada database adalah
melakukan autentifikasi pada user yang berhak
mengolah data pada database, umumnya
database yang digunakan pada aplikasi seperti
mySQL maupun SQL sudah memiliki menu
enkripsi pada struktur databasenya. Namun di
dalam SQLite database tersebut masih bersifat
plain, dalam arti tidak terlindungi oleh enkripsi.
SQLite database tidak memiliki mekanisme untuk
memproteksi data atau enkripsi. Siapapun yang
bersangkutan akan bisa membukanya dan melihat
isi data di dalamnya. Sehingga dibutuhkan suatu
algoritma kriptografi yang dapat mengenkripsi
data administrator pada SQLite database. [1], [2,
1].
Kriptografi adalah suatu ilmu yang
mempelajari teknik-teknik matematika yang
berhubungan dengan aspek keamanan informasi,
integritas suatu data, serta autentifikasi data.
Algoritma kriptografi yang digunakan untuk
menyelesaikan masalah diatas adalah dengan
menggunakan kriptografi Elgamal
2. LANDASAN TEORI
2.1 Ancaman Keamanan
Begitu banyak terjadi pertukaran informasi
setiap detiknya di internet. juga banyak terjadi
pencurian atas informasi oleh pihak - pihak yang
tidak bertanggung jawab. Ancaman keamanan
yang terjadi terhadap informasi adalah :
1. Interruption
Interruption merupakan suatu bentuk
ancaman terhapap availability, di mana suatu
data dirusak sehingga tidak dapat digunakan
lagi. Tindakan perusakan yang dilakukan
dapat berupa perusakan fisik maupun non
fisik. Perusakan fisik umumnya berupa
perusakan harddisk dan media penyimpanan

432
 Seminar Nasional Informatika 2014

lainnya serta pemotongan kabel jaringan.

Sedangkan perusakan non fisik berupa
penghapusan suatu file-file tertentu dari
sistem komputer.
2. Interception
Interception merupakan suatu bentuk
ancaman terhadap secrecy, di mana pihak
yang tidak berhak berhasil mendapat hak
akses untuk membaca suatu data/ informasi
dari suatu sistem komputer. Tindakan yang
biasa dilakukan biasanya melalui penyadapan
data yang ditransmisikan lewat jalur public/
umum. Tindakan seperti ini biasa dikenal
dengan istilah wiretapping dalam wired
networking (jaringan yang menggunakan
kabel sebagai media transmisi data). Gambar 1. Skema Kriptografi Modern
3. Modification
Modification merupakan suatu bentuk 2.3. Algoritma Elgamal
ancaman terhadap integrity, di mana pihak Algoritma Elgamal diciptakan oleh Taher
yang tidak berhak berhasil mendapat hak Elgamal pada tahun 1984. Algoritma ini pada
akses untuk mengubah suatu data/ informasi mulanya digunakan untuk kepentingan digital
dari suatu sistem komputer. Biasanya data/ signature, namun kemudian dimodifikasi sehingga
informasi yang diubah adalah record dari algoritma Elgamal bisa digunakan untuk enkripsi
suatu tabel pada file database. dan dekripsi. Elgamal digunakan di dalam
4. Fabrication perangkat lunak security yang dikembangkan oleh
Fabrication juga merupakan suatu bentuk GNU, program PGP dan pada sistem security
ancaman terhadap integrity. Tindakan yang lainnya. Keamanan algoritma ini terletak pada
biasa dilakukan adalah dengan meniru dan sulitnya menghitung logaritma diskrit.
memasukkan suatu objek ke dalam sistem Alogaritma ini disebut alogaritma diskrit karena
komputer. Objek yang dimasukkan bisa nilainya berhingga dan bergantung pada bilangan
berupa suatu file maupun suatu record yang prima yang digunakan. Karena bilangan prima
disisipkan pada suatu program aplikasi. [2], yang digunakan adalah bilangan prima, maka
[2, 8-9]. sangat sulit bahkan tidak mungkin menurunkan
kunci private dari kunci public yang diketahui
Tabel 1. Ancaman Terhadap Keamanan walaupun serangan dilakukan dengan
System Avability Secrecy Integrity menggunakan sumberdaya komputer yang sangat
Hardware Dicuri besar. [3], [2, 1]
atau Algoritma Elgamal memerlukan sepasang kunci
dirusak yang dibangkitkan dengan memilih bilangan
Software Program software Program prima p dan dua buah bilangan acak (random) g
dihapus dicopy dimodifikasi dan x, dengan syarat bahwa nilai g dan x lebih
Data File Dicuri, File kecil dari p yang memenuhi persamaan.
dihapus disadap dimodifikasi y = gx mod p ……………………………(1)
atau Dari persamaan tersebut nilai y, g dan p
dirusak merupakan pasangan kunci public sedangkan x, p
Line Kabel Informasi Informasi merupakan pasangan kunci pribadi. Besaran-
komunikasi diputus disadap dimodifikasi besaran yang digunakan dalam algoritma
kriptografi Elgamal adalah:
2.2. Algoritma Kriptografi Modern 1. Bilangan prima p bersifat tidak rahasia.
Enkripsi modern berbeda dengan enkripsi 2. Bilangan acak g (g < p) bersifat tidak rahasia
konvensional. Enkripsi modern sudah 3. Bilangan acak x (x < p) bersifat rahasia.
menggunakan komputer untuk pengoperasiannya, 4. Bilangan y bersifat tidak rahasia.
berfungsi untuk mengamankan data baik di 5. m (plaintext) bersifat rahasia merupakan pesan
transfer melalui jaringan komputer maupun yang asli yang digunakan untuk data
bukan. 6. Sumber dalam proses enkripsi dan merupakan
Hal ini sangat berguna untuk melindungi privacy, data hasil pada proses dekripsi.
data integrity, authentication dan non-repudiation. 7. a dan b (ciphertext) bersifat tidak rahasia
dibawah ini akan digambarkan bagaimana [4], [2, 1-2]
enkripsi modern saling mendukung satu dengan Proses pertama adalah pembentukan kunci
yang lain. [2], [2, 45]. yang terdiri dari kunci rahasia dan kunci public.

433
Seminar Nasional Informatika 2014

Pada proses ini dibutuhkan sebuah bilangan prima a = gk mod p

p yang digunakan untuk membentuk grup Z * p b = yk .m mod p
elemen primitif Pasangan a dan b adalah ciphertext untuk blok
pesan m. Jadi, ukuran ciphertext dua kali ukuran
Kunci publik algoritma Elgamal berupa pasangan plaintext-nya. Untuk mendekripsi a dan b
3 bilangan, yaitu ( p, , ) , dengan : digunakan kunci rahasia, x, dan plaintext m
diperoleh kembali dengan persamaan
y = gx mod p (1) n = ap-1-x mod p
dan
Karena pada algoritma Elgamal menggunakan m = b × n mod p
bilangan bulat dalam proses perhitungannya, yang berarti bahwa plaintext dapat ditemukan
maka pesan harus dikonversi ke dalam suatu kembali dari pasangan ciphertext a dan b. [6], [2,
bilangan bulat. Untuk mengubah pesan menjadi 5]
bilangan bulat, digunakan kode ASCII (American
Standard for Information Interchange). Kode 3. Proses Enkripsi
ASCII merupakan representasi numerik dari Enkripsi merupakan suatu langkah untuk
karakter-karakter yang digunakan pada komputer, mengolah data awal (plaintext) menjadi sebuah
serta mempunyai nilai minimal 0 dan maksimal data acak (ciphertext) yang tidak dapat
255. Oleh karena itu, berdasarkan sistem diterjemahkan secara langsung. Proses kerja
kriptografi Elgamal di atas maka harus digunakan enkripsi kriptografi Elgamal dapat digambarkan
bilangan prima yang lebih besar dari 255. Kode seperti flowchart pada gambar 2.
ASCII berkorespondensi 1-1 dengan karakter
pesan. Pihak yang membuat kunci public dan
kunci rahasia adalah penerima, sedangkan pihak
pengirim hanya mengetahui kunci public yang
diberikan oleh penerima, dan kunci public
tersebut digunakan untuk mengenkripsi pesan.
Jadi, kentungan menggunakan algoritma
kriptografi Elgamal adalah tidak ada
permasalahan pada distribusi kunci apabila
jumlah pengirim sangat banyak serta tidak ada
kepastian keamanan jalur yang digunakan. [5], [2,
3-4]

2.4. Enkripsi Dan Dekripsi Menggunakan

Algoritma Elgamal

Besaran yang digunakan didalam algoritma

Elgamal
1. Bilangan prima, p (tidak rahasia)
2. Bilangan acak, g ( g < p) (tidak rahasia)
3. Bilangan acak, x (x < p) (rahasia)
4. M (plaintext) (rahasia)
5. a dan b (ciphertext) (tidak rahasia)
Prosedur Membuat Pasangan Kunci
1. Pilih sembarang bilangan prima p.
2. Pilih dua buah bilangan acak, g dan x, dengan
syarat g < p dan 1 ≤ x ≤ p – 2.
3. Hitung y = gx mod p.
Kunci publik adalah y, kunci rahasia adalah
x. Nilai g dan p tidak dirahasiakan dan dapat
diumumkan kepada anggota kelompok, plaintext Gambar 2. Flowchart Enkripsi
disusun menjadi blok-blok m1, m2, …,
sedemikian sehingga setiap blok Proses Dekripsi
merepresentasikan nilai di dalam rentang 0 Proses dekripsi merupakan sistem untuk
sampai p – 1. mengolah data acak (ciphertext) menjadi data
Pilih bilangan acak k, yang dalam hal ini k ≤ awal (plaintext). Dalam proses dekripsi ini
p – 1, sedemikian sehingga k relatif prima dengan terdapat proses dekripsi kriptografi Elgamal.
p – 1. Secara umum proses kerja dekripsi dapat
Setiap blok m dienkripsi dengan rumus : digambarkan seperti gambar flowchart 3.2

434

Gambar 3. Flowchart Dekripsi
Contoh
Siti ingin membangkitkan pasangan kuncinya. Siti
memilih p = 2357, g = 2, dan x = 1751. Kemudian
menghitung :
y = gx mod p = 21751 mod 2357 = 1185
Jadi kunci publiknya ( y = 1185, g = 2, p = 2357 )
dan kunci privatnya ( x = 1751, p = 2357 ).
Enkripsi
Misalkan Ahmad ingin mengirim palinteks m =
2035 (nilai m masih berada di dalam selang [ 0,
2357 – 1 ] ). Ahmad memilih bilangan acak k =
1520 ( nilai k masih berada di dalam selang [ 0,
2357 – 1 ] ). Kemudian Ahmad menghitung
a = gk mod p = 21520 mod 2357 = 1430
b = ykm mod p = 11851520 × 2035 mod 2357 =
697
Jadi, cipherteks yang dihasilkan adalah (1430,
697). Ahmad mengirim cipherteks ini ke Siti.
Seminar Nasional Informatika 2014
Dekripsi
Siti mendeskripsi cipherteks dari Ahmad dengan
melakukan perhitungan sebagai berikut :
n = a p – 1 – x mod p = 1430605 mod 2357 = 872
m = b x n mod p = 697 × 872 mod 2357 = 2035
Plainteks yang didekripsi, 2035, sama dengan
plainteks yang dikirim oleh Ahmad.
4. PENGUJIAN
Pengujian perangkat lunak ini dilakukan pada
komputer dengan CPU ber-processor Intel
Pentium core i3 1,4GHz, RAM 2048 MB dengan
sistem operasi Windows Seven Ultimed.
Berikut ini adalah beberapa pengujian yang
dilakukan pada program enkripsi dan dekripsi
SQLite database dengan algoritma Elgamal ini.
Pengujian yang ditampilkan adalah pengujian
terhadap proses enkripsi, proses dekripsi serta
lamanya waktu yang diperlukan dalam melakukan
proses enkripsi dan dekripsi tersebut.
1. Proses Enkripsi
Pada proses pengujian enkripsi SQLite database
dimulai dari menginputkan file SQLite database
yang akan dienkripsi pada sistem aplikasi
pengamanan database SQLite database kemudian
hasil proses enkripsi dapat dilihat pada gambar 4
dibawah ini yang merupakan hasil enkripsi berupa
chipertext
Gambar 4. Hasil Proses Enkripsi
Proses enkripsi diatas menggunakan kunci public
yaitu : p = 383, g = 148, y = 295 dimana y
didapatkan dari persamaan y = gx mod p = 148338
mod 383 = 295 output hasil kunci public dan
kunci private
2. Proses Dekripsi
Pada proses pengujian dekripsi SQLite database
dimulai dari menginputkan file SQLite database
yang telah di enkripsi.
435
Seminar Nasional Informatika 2014
Gambar 5. Tampilan Pesan Chipertext
Hasil proses dekripsi dapat dilihat pada gambar 6
dibawah ini
Gambar 6. Hasil Proses Dekripsi
Jika kita menggunakan kunci private dan bilangan
prima yang berbeda pada saat mengenkripsi
plaintetxt menjadi ciphertext maka ciphertext
pada saat didekripsikan tidak akan kembali lagi
menjadi pesan aslinya (plaintext), seperti terlihat
pada gambar 7.
Gambar 7. Hasil Proses Dekripsi Yang Tidak
Berhasil
4.1 Pengujian terhadap waktu proses
Berdasarkan beberapa proses pengujian dengan
menggunakan beberapa file dengan ukuran yang
436
berbeda-beda didapatkan waktu proses secara
keseluruhan seperti pada tabel 2.
Tabel 2. Pengujian ukuran terhadap waktu
proses
5. KESIMPULAN
Pada bab ini digunakan untuk memberikan
kesimpulan dan saran dari hasil penelitian
pengamanan SQLite database menggunakan
kriptografi Elgamal. Beberapa hal yang dapat
disimpulkan dari penelitian ini adalah sebagai
berikut:
1. Sistem kriptografi Elgamal terdiri atas 2
proses utama yaitu proses enkripsi dan proses
dekripsi. Untuk proses enkripsi dibutuhkan
kunci public dan kunci private dan untuk
proses dekripsi dibutuhkan bilangan prima dan
kunci private sehingga dapat lebih optimal
dalam mengamankan data.
2. Kriptografi Elgamal menggunakan konsep
logaritma diskrit, bilangan prima dan bilangan
acak untuk proses enkripsi dan dekripsi.
Sehingga menyebabkan algoritma ini
memiliki tingkat perhitungan matematik yang
sulit. Apabila algoritma kriptografi dalam
perhitungan matematiknya semakin sulit maka
semakin aman algoritma tersebut untuk
digunakan.
3. Kesimpulan untuk proses penerapan algoritma
ini dikatakan aman dengan melakukan proses
enkripsi dengan dua buah kunci sehingga
algoritma ini standart untuk digunakan untuk
enkripsi record tabel SQLite database.
4. Waktu untuk proses enkripsi dan dekripsi
berbanding lurus dengan penambahan ukuran
file. Nilai rata-rata kecepatan proses yang
dihasilkan sebesar 6 KB/detik.
Daftar Pustaka
[1] Didik Prasetyo, 2006. Keamanan SQLite
Database pada RDBMS, Jakarta, PT. Elex
Media Komputindo.
[2] Dony Ariyus 2008, Pengantar Ilmu
kriptografi Teori Analisa dan Implementasi,
Yogyakarta, ANDI.

[3] Anandia Zelvina, Syahril Efendi, Dedy
Arisandi, 2012. Journal Perancangan
Aplikasi Pembelajaran Kriptografi Kunci
Public Elgamal Untuk Mahasiswa, Medan.
[4] M. Taufiq Tamam, Wakhyu Dwiono, Tri
Hartono, 2010. Journal Penerepan
Algoritma Kriptografi Elgamal Untuk
Pengaman File Citra, Yogyakarta.
Seminar Nasional Informatika 2014
[5] Danang Tri Massandy, 2009. Journal
Algoritma Elgamal Dalam Pengaman Pesan
Rahasia, Bandung.
[6] Mukhammad Ifanto, 2009. Journal Metode
Enkripsi Dan Dekripsi Menggunakan
Algoritma Elgamal
437
Seminar Nasional Informatika 2014

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN

MUTU BIJI KAKAO LAYAK JUAL DENGAN METODE SIMPLE
ADDITIVE WEIGHTED
Abdul Meizar

STMIK Potensi Utama

Jl. K.L. Yos Sudarso Km. 6,5 No. 3A
Email : abdulmeizar@gmail.com

Abstrak

Daerah lingkungan tempat saya tinggal terdapat banyak petani biji kakao. Dari petani kakao tersebut terdapat
banyak variasi mutu terhadap biji kakao yang dihasilkan dari olahan panen mereka. Biji kakao kering hasil
olahan petani akan dijual atau dibeli berdasarkan patokan pemerintah. CV. Sibaroar adalah perusahaan
perseorangan yang bergerak dibidang pembelian biji kakao kering di daerah saya. Walaupun terdapat banyak
variasi mutu yang dihasilkan tetapi harga jual/beli dipatok sama saja oleh perusahan ini. Oleh sebab itu
peneliti mencoba membuat sebuah sistem pendukung keputusan untuk menentukan mutu biji kakao layak
jual dengan metode Simple Additive Weighted agar harga jual/beli sesuai dengan mutu yang dihasilkan oleh
petani tersebut.

Kata kunci : Sistem Pendukung Keputusan, Simple Additive Weighted, Mutu Biji Kakao, Harga Jual,
CV.Sibaroar

I. PENDAHULUAN terhadap biji kakao yang dihasilkan dari olahan

Metode Simple Additive Weighting (SAW)
sering juga dikenal istilah metode penjumlahan
terbobot. Konsep dasar metode SAW adalah
mencari penjumlahan terbobot dari rating kinerja
pada setiap alternatif pada semua atribut (Sri
Kusuma Dewi, 2006). Metode SAW
membutuhkan proses normalisasi matriks
keputusan (X) ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif
yang ada. Metode Simple Additive Weighted
sudah banyak digunakan dalam kasus keputusan.
Misalkan Sensitivity Analysis of Simple Additive
Weighting Method (SAW): The Results of
Change in the Weight of One Attribute on the
Final Ranking of Alternatives (Azizollah
Memariani, 2009), penilaian kinerja karyawan di
Ifun Jaya Textile dengan metode fuzzy simple
additive weighted (Much. Rifqi Maulana, 2012),
Appraisal and Analysis on Diversified Web
Service Selection Techniques based on QoS
Factors (N.Balaji,et al. 2013) dan lain
sebagainya.
Kakao adalah sebuah tanaman tropis yang
biji nya akan diolah dan menjadi kudapan terkenal
yaitu berupa coklat. Kakao juga merupakan salah
satu komoditas ekspor terbesar selain Nonmigas
di Indonesia. Terdapat kualitas biji kakao yaitu
tampilan biji dan tingkat kering pada biji tersebut
sehingga akan mempengaruhi harga jual biji.
Daerah lingkungan tempat saya tinggal
terdapat banyak petani biji kakao. Dari petani
kakao tersebut terdapat banyak variasi mutu
panen mereka. Biji kakao kering hasil olahan
petani akan dijual atau dibeli berdasarkan patokan
pemerintah. CV. Sibaroar adalah perusahaan
perseorangan yang bergerak dibidang pembelian
biji kakao kering di daerah saya. Walaupun
terdapat banyak variasi mutu yang dihasilkan
tetapi harga jual/beli dipatok sama saja oleh
perusahan ini. Oleh sebab itu peneliti mencoba
membuat sebuah sistem pendukung keputusan
untuk menentukan mutu biji kakao layak jual
dengan metode Simple Additive Weighted agar
harga jual/beli sesuai dengan mutu yang
dihasilkan oleh petani tersebut.
II. LANDASAN TEORI
Sistem Pendukung Keputusan yaitu sebuah
sistem berbasis komputer yang adaptif, fleksibel,
dan interaktif yang digunakan untuk memecahkan
masalah-masalah tidak terstruktur sehingga
meningkatkan nilai keputusan yang diambil.
Metode Simple Additive Weighting (SAW)
merupakan metode dengan mencari penjumlahan
terbobot dari rating kinerja pada setiap alternatif
pada semua atribut.
III. METODOLOGI PENELITIAN
Metode penelitian untuk penelitian ini
dimulai dari mengidentifikasi masalah yang
kemudian jika ditemukan masalah maka langkah
selanjutnya adalah menganalisa masalah tersebut.
Setelah masalah dianalisa dapat dipelajari

438
 Seminar Nasional Informatika 2014

literatur-literatur yang berhubungan dengan 4. Tidak berserangga, tidak adanya serangga

penelitian tersebut untuk dilanjutkan ke langkah yang menempel pada biji. Standard Nasional
berikutnya yaitu mengumpulkan data-data apa Indonesia nomor 01-2323-2002 dijelaskan
saja yang dibutuhkan untuk penelitian ini. tidak ada serangga yang menempel, bagian
Langkah selanjutnya adlaha menganalisa metode tubuh serangga, kerusakan akibat serangga.
yang digunakan dalam penelitian ini yaitu
menggunakan metode simple additive weighting. Langkah – langkah perhitungan metode
Berikutnya barulah peneliti mendesain sistem Simple Additive Weighting (SAW) untuk
yang akan dibangun dan dilakukan proses menentukan mutu biji kakao layak jual yaitu:
implementasi untuk melakukan proses pengujian 1. Bobot
terhedap data-data yang diambil pada objek Dalam metode penelitian ini, nilai weight
penelitian. Dari hasil pengujian tersebut nanti (bobot) didapat dari perkalian antara bobot
akan didapatlah sebuah keputusan yang dapat kriteria dan subkriteria. Sedangkan untuk
digunakan untuk mengambil keputusan yang mendapatkan nilai bobot kriteria, peneliti akan
sebenarnya. menyebarkan kuesioner yang ditujukan kepada
beberapa pegawai CV. Sibaroar dan petani
IV. ANALISA DAN PERANCANGAN sebanyak 20 lembar. Untuk mencari mana kriteria
yang akan diprioritaskan. Berikut adalah format
Dalam menetapkan mutu biji kakao layak kuesioner yang peneliti bagikan ke 10 karyawan
jual berdasarkan nilai tertinggi. langkah pertama dan 10 petani kakao.
yang harus dilakukan adalah menentukan kriteria- Tabel 1. Rekapitulasi Hasil Kuesioner
kriteria yang digunakan, kriteria yang digunakan Kriteria Prioritas Weight
adalah pembobotan penilaian terhadap kriteria-
kriteria. Tingkat Kering 8 / 20 0,400
Bersih 6 / 20 0,300
Analisa Kebutuhan Data Alternatif Tidak Berbau 4 / 20 0,200
Ada empat alternatif yang digunakan Tidak 2 / 20 0,100
didalam penentuan petani yang memiliki mutu Berserangga
biji kakao layak jual yaitu :
1. Biji Kakao dari petani Hartono. 2. Kriteria
2. Biji Kakao dari petani Joko. Di dalam kriteria memiliki jangkauan
3. Biji Kakao dari petani Hartati. nilai yang akan dikelompokkan ke dalam bilangan
4. Biji Kakao dari petani Khairil. fuzzy. Berikut adalah rincian nilai dalam kriteria
tersebut:
Data petani di atas merupakan data dari
CV. Sibaroar yang biji kakaonya telah dibeli oleh a. Tingkat Kekeringan
perusahaan tersebut. Jangkauan Nilai Tingkat Nilai Fuzzy
Kekeringan ( )
Analisa Kebutuhan Data Kriteria
Ada lima kriteria yang digunakan didalam 0,000% – 7,500% 1
penentuan mutu biji kakao layak jual yaitu : 7,510 % - 10,000% 0,75
10,001% - 38,412% 0,5
1. Tingkat Kekeringan, adalah kadar air biji 38,413% - 70,000% 0,25
kakao yang telah dijemur. Menurut pakar dari 70,001% - 100% 0
CV. Sibaroar, bila biji kakao dapat dipatah
dengan jari ibu maka dikatakan kering. Tetapi b. Kebersihan
ada juga dari Standard Nasional Indonesia Jangkauan Nilai Nilai Fuzzy
tentang mutu biji kakao kering adalah kadar Keberhasilan ( )
air 0 sampai 7,5%. 0,000% – 3,000% 1
2. Bersih, yang dibuktikan dengan tidak 3,001 % - 8,000% 0,75
menempelnya benda asing selain biji itu 8,001% - 20,000% 0,5
sendiri. Dan pada Standard Nasional Indonesia 20,001% - 100% 0,25
nomor 01-2323-2002 dijabarkan lebih detail
yaitu tidak adanya kotoran, slaty, c. Tidak Berbau
berkecambah, berjamur dan berserangga. Jangkauan Nilai Tidak Nilai Fuzzy
3. Tidak berbau, yang dibuktikan tidak adanya Berbau ( )
bau tidak sedap yang keluar dari biji. Pada
Standard Nasional Indonesia nomor 01-2323- Tidak berbau 0,75
2002 dijabarkan yaitu tidak berbau asap, Ada berbau 0,25
Hammy, kotoran.

439
Seminar Nasional Informatika 2014

d. Tidak Berserangga Kemudian dari matriks tersebut, ditentukan

Jangkauan Nilai Tidak Nilai Fuzzy nilai maksimum dari setiap kriteria.
Berserangga ( ) Maks =1
Maks =1
0,000% - 1,000% 1
1,001% - 2,000% 0,75 Maks
2,001% - 30,000% 0,5 Maks
30,001% - 100% 0,25 6. Proses Normalisasi Matriks Keputusan ke
Skala yang Dibandingkan dengan Semua
Rating Alternatif
3. Kasus Perhitungan
Setelah dibuat sebuah matriks,
Peneliti mengambil empat petani kakao
selanjutnya nilai-nilai matriks dinormalisasi dan
dari penduduk sekitar sebagai contoh kasus untuk
dikelompokkan menurut setiap alternatif.
ketepatan sistem pendukung keputusan Alternatif 1 (Kakao A) Alternatif 2 Alter
menentukan mutu biji kakao layak jual dengan A1r11 = 1 / 1 = 1 (Kakao B) natif 3 (Kakao
metode Simple Additive Weighting (SAW). A1r12 = 0,5/1 = 0,5 A2r21 = 0,75/1 C)
Dari empat petani tersebut telah A1r13 = 0,75/0,75 = 1 = 0,5 A3r31
A1r14 = 0,5 / 1 = 0,5 A2r22 = 0,5 / 1 = 0,5/1 = 0,5
memiliki biji kakao kering dengan olahan mereka = 0,5 A3r32
sendiri. Biji kakao tersebut dihitung berdasarkan A2r23 = = 1 / 1 =1
kriteria dan didapatkan data dari CV. Sibaroar. 0,75/0,75 = 1 A3r33
A2r24 = 0,5 / 1 = 0,25/0,75 =
= 0,5 0,333
Tabel 2. Data Biji Kakao Petani dengan Nilai A3r34
dari Kriteria =1/1=1
Kriteria Kakao Kakao B Kakao Kakao
A C D Alternatif 4 (Kakao D)
Tingkat 5,556% 13,333% 21,36% 33,333% A4r41 = 0,5 /1 = 0,5
Kekeringan A4r42 = 1 / 1 = 1
(C1) A4r43 = 0,75/0,75 = 1
Kebersihan 17,8% 9,4% 1% 2,5% A4r44 = 1 / 1 = 1
(C2)
Tidak Tidak Tidak Ada Tidak 7. Proses Preferensi untuk Tiap Alternatif
Berbau (C3)
Tidak 12% 5% 0,5% 0% Hasil dari Normalisasi dikali matriks
Berserangga pada Weight (Tingkat Kepentingan) setiap
(C4) kriteria, Dan alternatif disimbolkan dengan v
seperti hitungan di bawah ini :
4. Rating Kecocokan dari Setiap Alternatif pada
Setiap Kriteria

Dari data biji kakao setiap petani,

kemudian ditransformasikan ke dalam rating
kecocokan bilangan fuzzy dari setiap kriteria.

Tabel 3. Rating Kecocokan Terhadap Fuzzy

dari Setiap Alternatif pada Kriteria
Kriteria
Alternatif
Petani A 1 0,5 0,75 0,5 8. Kesimpulan
Petani B 0,5 0,5 0,75 0,5 Hasil akhir perhitungan jika
Petani C 0,5 1 0,25 1 diperingkatkan seperti berikut.
Petani D 0,5 1 0,75 1 V1 = 0,8000
Weight 0,400 0,300 0,200 0,100 V4 = 0,8000
V3 = 0,6667
5. Matriks Keputusan V2 = 0,6000
Setelah membuat sebuah rating Keterangan terhadap hasil nilai diatas:
kecocokan, selanjutnya dikelompokkan dalam 1. V1 adalah Kakao A, dimiliki oleh petani
sebuah matriks, seperti berikut ini. Hartono. Sehingga Hartono memiliki kriteria
mutu biji kakao kering kategori sangat bagus
untuk layak jual .
2. V4 adalah Kakao D, dimiliki oleh petani
Khairil. Menduduki ranking ke dua yang
kebetulan nilai sama, sehingga dapat
dikategorikan mutu biji kakao sangat bagus
untuk layak jual.

440
 Seminar Nasional Informatika 2014

3. V3 adalah Kakao C, dimiliki oleh petani memilih ada berapa kakao yang akan diinputkan
Hartati. Menduduki ranking ke tiga yang ke dalam sistem.
berarti biji kakao kering punya Hartati
dikategorikan bagus untuk layak jual.
4. V2 adalah Kakao B, dimiliki oleh petani Joko.
Menduduki ranking ke empat yang berarti biji
kakao kering punya Joko dikategorikan cukup
untuk layak jual.

Bila pemerintah menetapkan harga biji

kakao kering layak jual Rp 28.000,- maka dengan
adanya Sistem Pendukung Keputusan ini,
CV.Sibaroar dapat menentukan petani mana yang
berhak dapat harga mutlak Rp 28.000,- dan
mungkin petani lainnya dapat harga beli kurang
dari patokan pemerintah.

V. IMPLEMENTASI DAN PENGUJIAN

Pada pengujian hasil analisa ini, digunakan
pemrograman berbasis Web untuk membangun
sebuah aplikasi sistem pendukung keputusan
untuk menentukan mutu biji kakao layak jual
yang nantinya akan dilakukan untuk pengujian
terhadap data yang telah dibahas pada bab
sebelumnya, Berikut tampilan untuk pengujian
aplikasi:
1. Tampilan Halaman Home
Tampilan Halaman home merupakan
tampilan awal saat aplikasi dijalankan, di mana
didalam teks selamat datanag di aplikasi dan
berisi menu dan juga judul aplikasi yang
dijalankan.
Gambar 2. Tampilan Awal Halaman Sistem
Pada halaman Sistem, terdapat pemilihan
banyak data yang akan diperhitungkan untuk
menentukan mutu biji kakao. Pilihan data terdiri
atas 3, 4, 5 yang berarti ada tiga atau empat atau
lima data kakao yang akan diperhitungkan. Bila
dipilih 3 dan klik Submit, maka akan ditampilkan
input data sebanyak tiga data kakao. Jika dipilih 4
dan klik Submit, maka akan ditampilkan input
data sebanyak empat data kakao. Dan bila dipilih
5 dan klik Submit, maka akan ditampilkan input
data sebanyak lima data kakao.

Gambar 3. Tampilan Pemilihan Banyak Data

Sesuai dengan analisa Bab IV, maka

Gambar 1. Tampilan Halaman Home
2. Tampilan Sistem
Tampilan Sistem adalah halaman yang
dipergunakan untuk perhitungan menentukan
mutu biji kakao layak jual. Pada halaman ini
pertama kali akan tampil teks yaitu Banyak Data.
Banyak Data dimaksudkan kepada user untuk
peneliti memilih 4 dan klik Submit, maka akan
tampil data kakao sebanyak empat dan user dapat
memasukkan data Alternatif dan data Kriteria
pada tampilan tersebut. Bila sudah diisi data
kriteria dan data alternatif maka klik Eksekusi.
Secara otomatis akan mengalami perhitungan
dengan metode Simple Additive Weighted.
Perhitungan tersebut diawali dengan tampilan

441
Seminar Nasional Informatika 2014

Kecocokan Bilangan Fuzzy kemudian Tabel

Normalisasi SAW dan terakhir Tabel Urutan
berdasar Ranking.

Gambar 6. Tampilan Tabel Perhitungan

Normalisasi SAW

Pada gambar 6 menjelaskan hasil

perhitungan Normalisai SAW terhadap semua
alternatif yang diisi data - data kakao pada
penjelasan sebelumnya.

Kemudian dari Perhitungan Normalisasi

akan dikali matriks terhadap nilai weighted maka
Gambar 4. Tampilan Data Kakao Sebanyak 4 akan menghasilkan nilai ranking data kakao yang
bermutu layak jual. Hasil perhitungan aplikasi
Pada gambar 4 adalah tampilan halaman dapat dilihat gambar 7.
Sistem dengan memilih Banyak Data yaitu empat.
Berdasarkan hasil analisis dari Bab IV, bahwa
data kakao yang dianalisa sebanyak empat maka
peneliti menginputkan data – data kakao
berdasarkan pada Tabel yang didasarkan pada
analisa dari Bab IV. Kemudian setelah data terisi
semua klik Eksekusi. Maka data yang disi akan
diperhitungkan ke dalam metode SAW.

Gambar 7. Tampilan Tabel Urutan Mutu Biji

Kakao Layak Jual

Dari gambar 7 dapat ditampilkan hasil

bahwa Kakao A yang dimiliki oleh petani
Hartono dan Kakao D yang dimiliki petani Khairil
memiliki nilai yang tinggi. Artinya mereka
memiliki kualitas biji kakao sangat layak jual dan
Gambar 5. Tampilan Tabel Kriteria
dengan itu biji kakao mereka memiliki harga jual
Kecocokan dengan Bilangan Fuzzy
tinggi. Kakao C dimiliki petani Hartati
menduduki ranking ke-3 yang artinya kualitas biji
Gambar 5. menjelaskan bahwa data
kakao kering dia dikategorikan baik untuk layak
kakao yang telah diinputkan sebelumnya akan
jual. Dan Kakao B yang dimiliki petani Joko
ditransformasikan kedalam kecocokan bilangan
diperingkat ke-4 artinya biji kakao kering
Fuzzy dan hasilnya sesuai dengan analisa yang
miliknya dikategorikan cukup layak jual.
diperhitungkan peneliti di Bab IV.
V. KESIMPULAN DAN SARAN

Kesimpulan
Dari hasil analisa sistem pendukung
keputusan untuk menentukan mutu biji kakao
layak jual dan peneliti melakukan penelitian pada
CV. Sibaroar dapat disimpulkan bahwa :

442

Sistem Pendukung Keputusan yang dibuat
dengan menggunakan metode Simple Additive
Weighted dapat melakukan perhitungan secara
otomatis ketika pengguna menginputkan nilai
dan bobot, sehingga dapat menganalisa biji kakao
yang bermutu dengan harga jual disesuaikan
kualitasnya.
Adapun kriteria-kriteria yang diambil
dalam sistem pendukung keputusan ini mengacu
pada data hasil penelitian di CV. Sibaroar selaku
perusahaan yang membeli biji kakao kering dari
petani kakao lingkungan sekitar. Dan juga
merujuk pada pedoman Standard Nasional
Indonesia nomor 01-2323-2002 sehingga dapat
mengimplementasikan Sistem Pendukung
Keputusan dalam menentukan petani kakao yang
mempunyai kualitas bagus layak jual.
Aplikasi Sistem Pendukung Keputusan
untuk Menentukan mutu Biji Kakao Layak Jual
dengan Metode Simple Additive Weighted telah
dapat memenuhi kebutuhan untuk membantu
dalam menentukan mutu biji kakao dari petani
kakao. Sehingga dapat menentukan juga nilai beli
terhadap mutu biji kakao hasil olahan petani.
Saran
Berdasarkan hasil pengujian dan
kesimpulan, saran untuk penetapan dan kelanjutan
sistem pendukung keputusan ini adalah sebagai
berikut :
Sistem Pendukung keputusan dengan
metode SAW ini menggunakan aplikasi berbasis
Web, disarankan untuk pengembangan berikutnya
dapat dibuat sebuah aplikasi yang dapat
menjawab segala keperluan institusi pembeli biji
kakao. Contohnya mungkin pelaporan hasil
perhitungan, data karyawan, dan lain sebagainya
Bagi para peneliti yang ingin
mengembangkan sistem pendukung keputusan ini
dapat dikembangkan lagi menjadi lebih baik dan
lebih bervariasi dengan melengkapi dan
menambah kriteria dari mutu biji kakao yang
lebih banyak. Mungkin datanya dapat di ambil
dari Standard Nasional Indonesia yang terbaru.
Pada penelitian ini penulis hanya
menggunakan kuisioner sebanyak 20 orang,
semakin banyak kuisioner yang digunakan dalam
pengumpulan data maka hasil analisis akan jauh
lebih baik lagi
Daftar Pustaka
[1] Azizollah Memariani, Sensitivity Analysis of
Simple Additive Weighting Method (SAW):
The Results of Change in the Weight of One
Attribute on the Final Ranking of
Alternatives. Journal of Industrial
Engineering 4 (2009) 13 - 18.
Seminar Nasional Informatika 2014
[2] DR.IR.Kadarsah Suryadi, (2003). Sistem
Pendukung Keputusan, PT.Remaja
Rosdakarya Bandung.
[3] Efraim Turban, Jay E. Aronson, Ting Peng
Liang (2005). Decision Support System and
Intelligent Systems Edisi 7 Jilid 1, Andi
Yogyakarta.
[4] Indonesia (2002), Standard Nasiional
Indonesia Nomor 01-2323-2002 Tahun 2002
[5] Kusrini (2007). Konsep dan Aplikasi Sistem
Pendukung Keputusan. Yogyakarta. Penerbit
Andi.
[6] Much. Rifqi Maulana. Penilaian Kinaerja
Karyawan di Ifun Jaya Textile Dengan
Metode Fuzzy Simple Additive Weighted.
Jurnal Ilmiah ICTech Vol.x No.1 Januari
2012.
[7] N.Balaji, G.Sambasivam, et al. Appraisal
and Analysis on Diversified Web Service
Selection Techniques based on QoS Factors.
ISSN : 0975-4024 Vol 5 No 3 Jun-Jul 2013
[8] Retno Utami Hatmi dan Sinung Rustijarno.
(2012). Teknologi Pengolahan Biji Kakao
Menuju SNI 01-2323-2008. BPTP
Yogyakarta. 2012.
[9] Tumpal H. S. Siregar, et al. Budidaya
Cokelat. Depok. Penebar Swadaya. 2010.
[10] Youllia Indrawaty, et al. IMPLEMENTASI
METODE SIMPLE ADDITIVE
WEIGHTING PADA SISTEM
PENGAMBILAN KEPUTUSAN
SERTIFIKASI GURU. Jurnal Informatika
Itenas Library No.2, Vol.2, Mei – Agustus
2011.
443