✓ IS03

PROPOSAL SKRIPSI

SISTEM REKOMENDASI PEMILIHAN MATA KULIAH ELEKTIF

MENGGUNAKAN METODE NAIVE BAYES DAN MODEL ANALYTICAL
HIERARCHY PROCESS (STUDI KASUS: MAHASISWA S1
INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA)

Disusun Oleh
BERNARDUS GERY SANTOSO
00000032805

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK DAN INFORMATIKA
UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2021
 HALAMAN PERSETUJUAN
PROPOSAL SKRIPSI

SISTEM REKOMENDASI PEMILIHAN MATA KULIAH ELEKTIF

MENGGUNAKAN METODE NAIVE BAYES DAN MODEL ANALYTICAL
HIERARCHY PROCESS (STUDI KASUS: MAHASISWA S1
INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA)

BERNARDUS GERY SANTOSO

00000032805

Disetujui untuk diangkat sebagai topik penelitian pada tahun ajaran bersangkutan.

Tangerang, Tanggal Bulan Tahun

Menyetujui,
Dosen Pembimbing,

(Nama Lengkap Beserta Gelar)

Penilai I, Penilai II, Penilai III,

(.................................) (.................................) (.................................)

JUDUL: SISTEM REKOMENDASI PEMILIHAN MATA KULIAH ELEK-
TIF MENGGUNAKAN METODE NAIVE BAYES DAN MODEL ANALYT-
ICAL HIERARCHY PROCESS (STUDI KASUS: MAHASISWA S1 INFOR-
MATIKA UNIVERSITAS MULTIMEDIA NUSANTARA)

1. Latar Belakang Masalah

Kurikulum merupakan jabaran materi-materi yang disajikan dalam pembelajaran,

juga merupakan komponen yang sangat penting dalam suatu sistem pendidikan,
kurikulum merupakan alat untuk mencapai tujuan pendidikan dan sekaligus sebagai
pedoman dalam pelaksanaan pengajaran pada semua jenis dan tingkat pendidikan
(Razali M.Thaib 2015). Pada perguruan tinggi kurikulum dapat diartikan sebagai
mata kuliah. Mata kuliah pada perguruan tinggi terdiri dari 2 yaitu mata kuliah
wajib dan mata kuliah peminatan / elektif. Mata kuliah wajib merupakan mata ku-
liah yang sudah ditentukan oleh pemerintah dan perguruan tinggi dan wajib diambil
oleh mahasiswa. Mata kuliah elektif merupakan mata kuliah penting yang diambil
berdasarkan kebutuhan mahasiswa dan disesuaikan dengan jurusan yang ditempuh
(Mata kuliah wajib dan pilihan, yuk kenali ! - Masoem University n.d.). Mata ku-
liah elektif memberikan pilihan bagi mahasiswa untuk dapat melakukan eksplorasi
lebih mendalam pada pelajaran yang telah dipilih.
Pada jurusan Informatika Universitas Multimedia Nusantara, seluruh maha-
siswa Strata Satu (S1) wajib melakukan pemilihan mata kuliah elektif pada semester
5. Yang menjadi permasalahan adalah banyak dari mahasiswa bingung dalam
memilih mata kuliah elektif yang tepat dan sesuai dengan keinginan. Pada kuriku-
lum sebelumnya, program studi Informatika menyediakan 6 mata kuliah elektif
yang dapat diambil. Sekarang, dengan diterapkannya kurikulum merdeka mata
kuliah elektif yang disediakan menjadi lebih banyak dan beragam. Hal tersebut

1
menimbulkan permasalahan bagi sebagian mahasiswa Informatika untuk memilih
peminatan yang tepat. Permasalahan pemilihan mata kuliah elektif merupakan
masalah yang tidak terstruktur dan perlu dijadikan masalah yang terstruktur. Selama
ini mahasiswa memilih mata kuliah elektif berdasarkan keinginan dan tidak mem-
perhatikan nilai kepentingan dari mata kuliah yang satu dengan lainnya (Abang M.
Zaid Wahyu 2017).
Pada permasalahan diatas dibentuk penelitian sistem rekomendasi pemilihan
mata kuliah elektif dengan menggunakan metode naive bayes dan model analytical
hierarchy process. Penelitian terkait dilakukan oleh Yosua Putra dan Seng Hansun
dalam menentukan pemilihan peminatan jurusan informatika menggunakan metode
analytical hierarchy process. Penelitian lainnya penah dilakukan oleh Gerlan A.
Manu, Yeffry Handoko Putra, dan Yasmi Afrizal, dengan menggunakan metode dan
model serupa untuk membangun sistem pemilihan jurusan pada Akademi Teknik
Kupang. Metode naive bayes merupakan sebuah teori kondisi probabilitas yang
memperhitungkan probabilitas suatu kejadian / hipotesis bergantung pada kejadian
lain (Gerlan A. Manu 2015). Sedangkan, model analytical hierarchy process adalah
suatu metode terstruktur untuk memecahkan masalah yang melibatkan variabel-
variabel atau atribut-atribut keputusan, yang mana beberapa diantaranya bersifat
kualitatif dan tidak dapat diukur secara langsung (Sutterfield J.S 2008).
Naive bayes digunakan untuk melakukan perhitungan terhadap nilai mata ku-
liah wajib yang menjadi syarat untuk mengikuti mata kuliah elektif. Hasil dari
perhitungan akan digunakan untuk menentukan probabilitas YA atau TIDAK dalam
memasuki mata kuliah elektif yang dituju dan menjadi salah satu kriteria yang digu-
nakan dalam model AHP yang akan dibentuk. Model analytical hierarchy process
akan membangun struktur suatu hirarki dari kriteria dan alternatif untuk menen-
tukan mata kuliah elektif yang sesuai untuk pengguna sistem. Maka, diharapkan sis-
tem rekomendasi pemilihan mata kuliah elektif dapat membantu mahasiswa dalam

2
menentukan prioritas mata kuliah yang akan diambil berdasarkan keadaan masing-
masing mahasiswa dan hasil penilaian yang didapat.

2. Rumusan Masalah

Berdasarkan permasalahan yang telah dijabarkan pada bab sebelumnya, didapatkan

rumusan masalah sebagai berikut :

1. Bagaimana implementasi metode naive bayes dan model analytical hierarchy

process dalam membangun sistem rekomendasi mata kuliah elektif?

2. Apakah hasil rekomendasi mata kuliah elektif yang diberikan sistem dapat
membantu mahasiswa dalam memilih peminatannya?

3. Batasan Masalah

Pada penelitian sistem rekomendasi pemilihan mata kuliah elektif dikemukakan be-
berapa batasan masalah sebagai berikut :

1. Sistem yang dibangun diperuntukan untuk mahasiswa strata satu (S1) pro-
gram studi Informatika Universitas Multimedia Nusantara.

2. Sistem dikhususkan untuk dibangun berbasis website.

3. Nilai mata kuliah wajib yang menjadi alur dan syarat untuk mengikuti mata
kuliah elektif akan menjadi data masuka pada metode naive bayes untuk
melakukan perhitungan probabilitas mata kuliah elektif yang dapat diambil.

4. Kriteria yang digunakan dalam model AHP berupa mata kuliah elektif yang
diminati dan nilai mata kuliah wajib yang menjadi syarat menempuh mata
kuliah elektif.

3
 5. Tingkat kepuasan mahasiswa dengan kesesuain hasil yang diberikan sistem
akan diukur menggunakan skala likert.

4. Tujuan Penelitian

Penelitian yang dilakukan betujuan untuk :

1. Mengimplementasikan metode naive bayes dan model analytical hierarchy

process dalam membangun sistem rekomendasi mata kuliah elektif.

2. Mengukur tingkat kesesuain hasil rekomendasi mata kuliah yang didapatkan

dengan pengunaan metode naive bayes dan model analytical hierarchy pro-
cess dalam sistem yang telah dibangun.

3. Sistem dapat membantu mahasiswa dalam memilih mata kuliah peminatan

yang ingin ditempuh.

5. Manfaat Penelitian

Manfaat dari penelitian sebagai berikut :

1. Memberikan rekomendasi mata kuliah elektif program studi Informatika Uni-

versitas Multimedia Nusantara yang sesuai dengan peminatan yang diminati
mahasiswa.

2. Membantu mahasiswa Informatika Universitas Multimedia Nusantara dalam

menentukan mata kuliah elektif yang sesuai.

6. Telaah Literatur

Berikut merupakan teoti-teori yang mendasari penelitian untuk membangun sistem

rekomendasi pemilihan mata kuliah elektif, yaitu:

4
6.1. Sistem Rekomendasi

Sistem rekomendasi merupakan sebuah sistem untuk menyediakan dan merekomen-

dasikan item untuk membuat keputusan yang diinginkan oleh pengguna (Joanna
Cristy Patty 2018). Sistem rekomendasi membantu pengguna untuk mengidenti-
fikasi produk yang sesuai dengan kebutuhan, kesenangan, dan keinginan user. Sis-
tem rekomendasi akan membimbing user untuk menemukan produk yang relevan
dan berguna dari banyaknya produk yang tersedia (Prasetya 2017).

6.2. Naive Bayes

Naive bayes merupakan algoritma pembelajaran sederhana yang menggunakan at-

uran bayes bersamaan dengan asumsi yang kuat bahwa atributnya bebas bersyarat
berdasarkan kelas (Webb 2017). Metode tersebut digunakan untuk mendapatkan
hipotesis pengambilan suatu keputusan berdasarkan nilai probabilitas dari kondisi
prior yang diketahui atau dirancang sebelumnya (Gerlan A. Manu 2015).Naive
bayes menyediakan mekanisme untuk menggunakan informasi dalam data sampel
untuk memperkirakan probabilitas posterior P(y|X) dari setiap kelas y yang diberi
objek x. Estimasi yang didapat digunakan untuk klasifikasi atau aplikasi rekomen-
dasi lainnya.
Naive bayes merupakan bentuk dari Bayesian Network Classifier berdasarkan
aturan bayes / teorema bayes.

P(y)P(X|y)
P(y|X) = (1)
P(X)

Dimana P(y|X) merupakan probabilitas posterior, y merupakan probabilitas

yang terjadi karena kejadian lain dan X merupakan probabilitas dari kejadian yang
sudah terjadi atau dapat direpresentasikan sebagai parameter suatu data. Selanjut-
nya, X dapat dituliskan sebagai berikut

5
 X = (x1, x2, x3, ...., xn) (2)

Dengan asumsi bahwa setiap attribut tidak saling bergantung pada setiap kelas
yang diberikan. Maka untuk nilai attribut data, asumsi tersebut memberikan hak

n
P(X|y) = ∏ P(xi |y) (3)
i=1

Dimana xi merupakan nilai dari attribut ith dalam X, dan n merupakan jumlah
dari attribut. Hasil yang didapatkan pada perhitungan naive bayes digunakan untuk
mendapatkan probabilitas posterior untuk setiap kelas / attribut. Hasil probabilitas
tertinggi akan menjadi nilai dari hasil prediksi / rekomendasi.

6.3. Analytical Hierarchy Process (AHP)

Analytical hierarchy process merupakan satu dari sekian banyak sistem inklusif
yang dipertimbangkan untuk membuat suatu keputusan dengan beberapa kriteria
karena metode analytical hierarchy process memberikan cara untuk merumuskan
sebuah masalah secara hirarki dan mempercayai percampuran dari kriteria kuali-
tatif dan kuantitaif secara baik (TAHERDOOST 2017). Model analytical hierar-
chy process memecahkan masalah yang melibatkan variabel-variabel atau atribut-
atribut keputusan, yang mana beberapa diantaranya bersifat kualitatif dan tidak da-
pat diukur secara langsung (Sutterfield J.S 2008).
AHP (Analytical Hierarchy Process) membagi proses kedalam 2 tahap, tahap
pertama masalah dan tujuan pada pembuatan keputusan akan dibentuk secara hi-
rarkis kedalam adegan elemen keputusan terkait. Elemen pengambilan keputusan
merupakan indikator keputusan dan pilihan keputusan. Grup dari elemen - elemen
tersebut dibangun dalam bentuk hirarki seperti pada gambar dibawah.

6
 Gambar 1. Pohon Hirarki (TAHERDOOST 2017)

Pada tahap dua, untuk melakukan perbandingan pasangan, kuisioner harus di

desain dan didistribusikan kepada responden untuk mengumpulkan opini respon-
den. Setiap pengambilan keputusan memasuki jumlah member yang diinginkan
dan penilaian individual dikonversikan menjadi penilaian kelompok menggunakan
average geometry.
Prosedur analisis data dilakukan dalam beberapa langkah berikut. Pertama,
perbandingan matrik berpasangan (matrik A) diekstrak dari data yang didapatkan
dalam kuisioner / wawancara. eigenvector kanan utama dari matrik A dihitung
sebagai ’w’. Untuk positif dan reverse matrik, maka teknik eigenvector yang digu-
nakan sebagai berikut.

eT = (1, 1, ...., 1) (4)

Ak .e
W = lim (5)
k→∞ eT .Ak .e

Untuk mencapai konvergensi diantara kumpulan jawaban, perhitungan diulang

beberapa kali untuk mengambil keputusan saat menghadapi incompatible matrix.
Selanjutnya, rumus berikut diterapkan untuk mengubah data mentah menjadi nilai
absolut yang bermakna dan menormalisasikan berat w = (w1, w2, w3, ...., wn).

7
 Aw = λmaxW, λmax ≥ n (6)

∑ a j.w j − n
λmax = (7)
w1

• A: perbandingan pasangan

• w: berat vektor yang sudah dinormalisasi

• λmax : nilai max eigen dari matrik A

• ai j : perbandingan angka antara nilai i dan j

Untuk memvalidasi nilai hasil dari AHP (Analytical Hierarchy Process), con-
sistency ratio (CR) dihitung menggunakan rumus berikut,

CI
CR = (8)
RI

dimana nilai RI adalah berhubungan dengan dimensi dari matrik dan CI adalah
consistency index, dihitung menggunakan rumus

λmax − n
CI = (9)
n−1

6.4. Skala Likert

Skala likert merupakan sebuah ekstensi dari skala semantik. Yang membedakan ke-
duanya adalah pertama, skala likert menggunakan lebih dari satu item pertanyaan,
dimana beberapa item pertanyaan digunakan untuk menjelaskan sebuah kontruksi.
Kedua, skala likert dikalibrasi dengan sebuah jawaban yang netral diberi kode ”0”
(Qomari 2008). Skala likert digunakan untuk mengukur persepsi, sikap, dan pen-
dapat dari seseorang akan sebuah hal. Variabel yang diukur dijabarkan menjadi

8
indikator variabel. Dalam skala likert terdapat dua bentuk pertanyaan yaitu, per-
tanyaan positif dan negatif. Pertanyaan positif digunakan untuk mengukur skala
positif dan diberi skor 5 sampai 1. Sedangkan pertanyaan negatif digunakan untuk
mengukur skala negatif dan diberi skor 1 sampai 5 atau -2 sampai 2 (Anip Febtriko
2018).
Bentuk jawaban yang digunakan dalam skala likert dapat dilihat pada tabel
berikut

Tabel 1. Skala Likert

Kategori Skor

Sangat Setuju 5
Setuju 4
Ragu-ragu 3
Tidak Setuju 2
Sangat Tidak Setuju 1

7. Metodologi Penelitian

Untuk membangun aplikasi sistem rekomendasi pemilihan mata kuliah elektif, di-
gunakan metode SDLC (Software Development Life Cycle). Software Development
Life Cycle merupakan sebuah kerangka kerja yang digunakan untuk menyusun,
merencanakan, dan mengendalikan proses pengembangan sistem informasi (Bishan
Dayal Chauhan 2017). Model yang digunakan adalah waterfall. Model waterfall
merupakan pendekatan pengembangan sekuensial yang terdiri dari tahapan anali-
sis kebutuhan, desain, implementasi, pengujian (validasi), integrasi, pemeliharaan
(Bishan Dayal Chauhan 2017). Untuk keperluan penelitian tahapan yang digunakan
meliputi analisis kebutuhan, desain, implementasi, pengujian, evaluasi.

9
7.1. Analisis Kebutuhan

Tahap analisis kebutuhan, peneliti melakukan studi literatur untuk mencari teori-
teori yang mendasari pembangunan dan pengembangan sistem. Teori yang di-
cari berasal dari pendapat para ahli ataupun jurnal ilmiah. Selanjutnya, peneliti
melakukan analisis requirements yang dibutuhkan serta spesifikasi hardware dan
software yang digunakan untuk membangun sistem.

7.2. Desain

Tahap desain, peneliti melakukan perancangan model matematika naive bayes dan
struktur hirarki AHP (Analytical Hierarchy Process) yang akan digunakan dalam
menentukan rekomendasi mata kuliah elektif yang sesuai untuk mahasiswa. Sete-
lah didapat model matematika dan stukrur hirarki yang sesuai, peneliti merancang
desain database yang diperlukan untuk sistem menggunakan ERD (Entity Rela-
tionship Diagram). Setelah database berhasil dibentuk, maka dapat dibuat activity
diagram berserta flowchart untuk menentukan alur kerja dari sistem yang akan di-
bangun.

7.3. Implementasi

Tahap implementasi, dilakukan dengan membangun source code sistem menggu-

nakan teknologi yang telah ditentukan pada tahap sebelumnya. Model matem-
atika naive bayes akan melakukan perhitungan dengan menerima input nilai ma-
hasiswa Informatika pada mata kuliah wajib yang telah ditempuh. Hasil yang di-
dapat akan digunakan selanjutnya dalam model hirarki AHP yang telah dibentuk
untuk menghasilkan mata kuliah elektif yang akan direkomendasikan. Model AHP
dibentuk tidak hanya berdasarkan nilai yang didapat dari perhitungan naive bayes,
melainkan minat mata kuliah yang ingin diambil oleh mahasiswa turut membentuk
hirarki AHP dalam menghasilkan rekomendasi mata kuliah yang sesuai. Selanjut-

10
nya, metode akan diimplementasikan menggunakan teknologi MEVN (MongoDB,
Express JS, Vue JS, Node JS) dengan bahasa pemrograman utama Javascript.

7.4. Pengujian

Tahap pengujian merupakan tahap mencari kesalahan pada tiap fungsi yang
berfokus pada masukan sistem data, tampilan, pemakaian memori dan kecepatan
eksekusi data sehingga jika masukan data tidak sesuai dengan apa yang diharapkan
maka sistem gagal (Adella Rosalina 2020). Pada penelitian ini, pengujian dilakukan
dengan memberikan sistem yang telah berhasil dibangun kepada mahasiswa Infor-
matika Universitas Multimedia Nusantara untuk dilakukan pengujian sistem. Sam-
pel mahasiswa yang diambil minimal sebanyak 30 orang. Mahasiwa akan mencoba
menggunakan sistem dengan memasukan nilai akhir mata kuliah wajib yang per-
nah ditempuh dan bidang mata kuliah elektif yang diminati. Kemudian sistem akan
memberikan hasil berupa mata kuliah elektif yang direkomendasikan. Sehingga
dengan adanya pengujian diharapkan kesalahan yang terdapat dalam sistem dapat
diketahui dan diminimalisir.

7.5. Evaluasi

Tahap evaluasi dilakukan dengan memberikan kuisioner kepada mahasiswa Infor-

matika Universitas Multimedia Nusantara yang telah menggunakan sistem. Kui-
sioner berisikan pertanyaan mengenai kesesuain hasil yang diberikan oleh sistem
dan kepuasan mahasiswa dengan hasil yang diberikan. Proses penilaian yang
diberikan oleh mahasiswa berada dalam rentan skor 5 (sangat sesuai) sampai 1 (sa-
ngat tidak sesuai). Hasil dari kuisioner akan dilihat dan dihitung menggunakan
skala likert untuk melihat kesesuain dan kepuasan mahasiswa dalam hasil yang
diberikan oleh sistem.

11
8. Spesifikasi Sistem

Pada perancangan sistem rekomendasi pemilihan mata kuliah elektif, spesifikasi

perangkat yang digunakan sebagai berikut :

8.1. Hardware

Perangkat keras yang digunakan untuk membangun sistem menggunakan laptop HP

Pavilion x360 dengan spesifikasi :

• Prosesor : Intel(R) Pentium(R) CPU N4200 1.10Ghz.

• RAM : 4GB.

• Memori Penyimpanan : 512 MB.

8.2. Software

Perangkat lunak yang digunakan untuk membangun sistem antara lain :

• Mongo DB, digunakan sebagai database, tempat untuk menyimpan data -

data yang dibutuhkan dalam sistem.

• Express JS dan Node JS (v12.13.0), digunakan untuk membangun API

(Application Programming Interface) dan server sistem.

• Vue 3, digunakan untuk membangun tampilan UI (User Interface) dari sis-

tem.

• Visual Studio Code, digunakan untuk menuliskan dan membangun source

code.

• Postman API, digunakan sebagai perangkat untuk melakukan GET, POST,

PATCH, DELETE untuk API yang telah dibangun.

12
9. Rencana Waktu Penelitian

Waktu perencanaan penelitian dapat dilihat pada tabel dibawah

Tabel 2. Rencana Waktu Penelitian

Minggu ke-
Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12 13 14

Analisis Kebu-
tuhan

Desain

Implementasi

Pengujian

Evaluasi

13
10. Daftar Pustaka

Abang M. Zaid Wahyu, Novi Safriadi, H. S. P. (2017), ‘Sistem Pendukung Keputu-

san Pemilihan Mata Kuliah Pilihan Menggunakan Metode Analytic Hierarchy Pro-
cess (studi kasus: Jurusan Teknik Elektro Fakultas Teknik Universitas Tanjung-
pura)’, Jurnal Sistem dan Teknologi Informasi (JUSTIN) 5(2).

Adella Rosalina, A A Gede Rai Rassi, G. Y. H. R. U. T. D. (2020), ‘Pengujian

Black Box pada Sistem Informasi Penjualan HI Shoe Store Menggunakan Teknik
Equivalence Partitions ’, Jurnal Informatika Universitas Pamulang 5(1).

Anip Febtriko, I. P. (2018), ‘MENGUKUR KREATIFITAS DAN KUALITAS PE-

MOGRAMAN PADA SISWA SMK KOTA PEKANBARU JURUSAN TEKNIK
KOMPUTER JARINGAN DENGAN SIMULASI ROBOT’, Jurnal Teknologi dan
Sistem Informasi Univrab 3(1).

Bishan Dayal Chauhan, Ajay Rana, N. K. S. (2017), ‘Impact of Development

Methodology on Cost Risk for Development Projects ’, International Conference
on Reliability, Infocom Technologies and Optimization (ICRITO) 6.

Gerlan A. Manu, Yeffry Handoko Putra, Y. A. (2015), ‘istem Pendukung Keputusan

untuk Menentukan Pilihan Jurusan Mahasiswa DENGAN Menggunakan Metode
Naı̈ve Bayes dan Model Analytical Hierarchy Process (AHP) Studi Kasus pada
Akademi Teknik Kupang’.

Joanna Cristy Patty, Elika Thea Kirana, M. S. D. K. G. (2018), ‘Recommendations

System for Purchase of Cosmetics Using ContentBased Filtering ’, International
Journal of Computer Engineering and Information Technology 10(1).

Mata kuliah wajib dan pilihan, yuk kenali ! - Masoem University (n.d.).
URL: https://masoemuniversity.ac.id/berita/mata-kuliah-wajib-dan-pilihan-yuk-
kenali.php

Prasetya, C. S. D. (2017), ‘SISTEM REKOMENDASI PADA E-COMMERCE

MENGGUNAKAN K-NEAREST NEIGHBOR’, Jurnal Teknologi Informasi dan
Ilmu Komputer (JTIIK) 4(3).

Qomari, R. (2008), ‘Pengembangan Instrumen Evaluasi Domain Afektif’, JURNAL

PEMIKIRAN ALTERNATIF PENDIDIKAN 13(1).

Razali M.Thaib, I. S. (2015), ‘Inivasi Kurikulum Dalam Pengembangan Pen-

didikan’, Jurnal Edukasi 1(2).

14
Sutterfield J.S, Swirsky S, N. C. (2008), ‘Project Management Software Selection
using Analytical Hierarchy Process’, Academy of Information and Management Sci-
ences Journal 11(2).

TAHERDOOST, H. (2017), ‘Decision Making Using the Analytic Hierarchy Pro-

cess (AHP);A Step by Step Approach’, International Journal of Economics and
Management Systems 2.

Webb, G. I. (2017), ‘Naı̈ve Bayes’, Encyclopedia of Machine Learning and Data

Mining .

15
 LEMBAR PENILAIAN
PROPOSAL SKRIPSI

Hasil Penilaian (centang salah satu)

 Diterima  Ditolak
.
cek pada laporan

Penilai I,

(.........................................)

16
 LEMBAR PENILAIAN
PROPOSAL SKRIPSI

Hasil Penilaian (centang salah satu)

 Diterima  Ditolak
.
- Latar belakang dan manfaat penelitian cukup jelas.

- Tata laksana penelitian cukup jelas.

- Tata bahasa dan penulisan proposal cukup baik, meski di beberapa

bagian ada yang mesti diperbaiki.
# Tambahkan gambar/skema/diagram agar lebih mudah dipahami,
khususnya di bagian Metodologi Penelitian

- Secara keseluruhan, dapat diterima.

Penilai II,

Ivransa Zuhdi Pane

(.........................................)

17
 LEMBAR PENILAIAN
PROPOSAL SKRIPSI

Hasil Penilaian (centang salah satu)

✓
 Diterima  Ditolak
.

1. Latar Belakang: sitasi?

2. Rumusan Masalah:
1. Sesuaikan dengan judul
2. Berapa tingkat ...[yang diukur]... dari sistem ... dengan ...?

3. Batasan Masalah: beberapa bukan batasan masalah

4. Tujuan Penelitian: buat 2 points jawab rumusan masalah

5. Manfaat Penelitian: nomor 1 bukan manfaat

6. Penulisan Daftar Pustaka

Penilai III,
Digitally signed by Dennis
Gunawan
DN: CN=Dennis Gunawan,
C=ID, OU=Department of
Informatics, O=Universitas
Multimedia Nusantara,
E=dennis.gunawan@umn.ac.i
d
Reason: I have reviewed this
document
Location: Tangerang
Date: 2021-11-03 16:21:38
(.........................................)

18