DEWAN REDAKSI
Website : http://ejournal.nusamandiri.ac.id/index.php/pilar
KATA PENGANTAR
Redaksi Jurnal PILAR Nusa Mandiri (PILAR), mengucapakan puji dan syukur kehadirat
Allah S.W.T, pencipta alam semesta yang menguasai ilmu seluas langit dan bumi, atas
limpahan rahmat dan karunia yang telah diberikan kepada redaksi PILAR untuk
menerbitkan PILAR Vol. 15, No. 1, Maret 2019. PILAR berstatus Jurnal Nasional
Terakreditasi yang diakreditasi oleh Kementerian Riset dan Pendidikan Tinggi
Indonesia di tingkat Sinta S3, sesuai dengan Surat Keputusan Penguatan Riset dan
Pengembangan SK Nomor 21/E/KPT/2018 yang berlaku sejak 9 Juli 2018 selama 5
tahun yang digunakan oleh para dosen, meneliti, dan profesional sebagai wadah atau
media untuk menerbitkan publikasi temuan-temuam hasil penelitian yang dilakukan
disetiap semesternya.
PILAR diterbitkan 1 (satu) tahun sebanyak 2 (dua) kali disetiap diawal semester,
redaksi PILAR menerima artikel ilmiah dari hasil penelitian, laporan/studi kasus, kajian
teknologi informasi, dan sistem informasi, yang berorientasi pada kemutakhiran ilmu
pengetahuan dan teknologi informasi agar dapat menjadi sumber informasi ilmiah yang
mampu memberikan kontribusi dalam perkembangan teknologi informasi yang
semakin kompleks.
Redaksi berharap semoga artikel-artikel ilmiah yang termuat dalam Jurnal ilmiah PILAR
bermanfaat bagi para akademisi dan professional yang berkecimpung dalam dunia
manajemen, pendidikan, dan teknologi informasi
Ketua Editor
DAFTAR ISI
Cover ........................................................................................................................................................................... i
Dewan Redaksi .................................................................................................................................................. iii
Kata Pengantar .................................................................................................................................................... v
Daftar Isi ............................................................................................................................................................... vii
Abstract - SMK Sirajul Falah is a Vocational High menjadikan perlunya sebuah metode yang
School located in the Bogor area. However, the mampu mengelola data penyeleksian jurusan
selection of the favorite majors in SMK Sirajul terfavorit dan menghasilkan ranking dari
Falah is still qualitative so that the process of perhitungan bobot penyeleksian jurusan
choosing the favorite majors become not accurate. terfavorit tersebut. Dalam penyeleksian jurusan
This is what makes the need for a method that is terfavorit ini, terdapat metode Simple Additive
able to manage the data of the selection of the Weighting (SAW) yang dapat digunakan dalam
favorite majors and generate ranking of the pemecahan masalah yang bersifat kuantitatif.
calculation of the weight of the selection of the Metode SAW ini digunakan untuk
favorite majors. In the selection of this favorite membandingkan masing-masing kriteria satu
majors, there is a method of Simple Additive dengan yang lain, sehingga memberikan hasil
Weighting (SAW) which can be used in jurusan terfavorit dan memberikan penilaian
quantitative problem solving. The SAW method is terhadap setiap jurusan pada SMK Sirajul Falah.
used to compare each criterion with one another,
so as to give the results of the favorite majors and Kata kunci : Penyeleksian Jurusan Terfavorit,
provide an assessment of each department at the Metode SAW.
Sirajul Falah Vocational School.
PENDAHULUAN
Keywords: Selection of the Favorite Department,
SAW Method. Menurut Peraturan Pemerintah Republik
Indonesia Nomor 17 tahun 2010 tentang
Intisari - SMK Sirajul Falah merupakan Sekolah Pengelolaan Pendidikan danPenyelenggaraan
Menengah Kejuruan swasta yang berada di Pendidikan, Sekolah Menengah Kejuruan yang
wilayah Bogor. Akan tetapi penyeleksian jurusan kemudian disingkat SMK, adalah salah satu
terfavorit di SMK Sirajul Falah masih bersifat bentuk satuan pendidikan formal yang
kualitatif sehingga pada proses pemilihan jurusan menyelenggarakan pendidikan kejuruan pada
terfavorit menjadi belum akurat. Hal ini yang jenjang pendidikan menengah sebagai lanjutan
dari SMP, MTS, atau bentuk lain yang sederajat untuk memutuskan pelamar mana yang akan
atau lanjutan dari hasil belajar yang diakui sama diterima.
atau setara SMP atau MTS. Dalam hal ini penulis
terfokus dalam hal penyeleksian jurusan Sistem Pendukung Keputusan
terfavorit pada SMK Sirajul Falah Parung. SMK Sistem merupakan kumpulan elemen yang saling
Sirajul Falah merupakan Sekolah Menengah berkaitan yang bertanggung jawab memproses
Kejuruan swasta yang berada di wilayah Bogor masukan (input) sehingga menghasilkan
yang selalu berupaya dalam peningkatan mutu keluaran (output).
baik internal maupun eksternal secara Keputusan merupakan kegiatan memilih
berkelanjutan agar dapat bersaing dengan suatua strategi atau tindakan dalam pemecahan
sekolah menengah kejuruan lain. Salah satu masalah teresbut”. Tujuan dari keputusan adalah
upaya yang dilakukan adalah dengan untuk mencapai target atau aksi tertentu yang
menyediakan jurusan yang beragam untuk siswa- harus dilakukan.
siswanya. Akan tetapi penyeleksian jurusan Kriteria atau ciri-ciri dari keputusan adalah :
terfavorit di SMK Sirajul Falah masih bersifat 1. Banyak pilihan/alternatif
kualitatif sehingga pada proses pemilihan jurusan 2. Ada kendala atau syarat
terfavorit menjadi belum akurat. (Pare, 2013) 3. Mengikuti suatu pola/model tingkah laku,
menyebutkan bahwa Kesalahan memilih baik yang terstruktur maupun tidak
program studi berdampak yang signifikan terstruktur
terhadap kehidupan anak di masa mendatang. 4. Banyak input/variable
Salah satu dampak yang ditimbulkan adalah si 5. Ada factor risiko
anak akan menjalani aktivitasnya yaitu belajar 6. Dibutuhkan kecepatan, ketepatan dan
dengan terpaksa, atau anak akan gagal dalam keakuratan
studi. Hal ini yang menjadikan perlunya sebuah
metode yang mampu mengelola data Sistem Pendukung Keputusan atau Decision
penyeleksian jurusan terfavorit dan Support Sistem (DSS) merupakan sistem
menghasilkan ranking dari perhitungan bobot informasi interaktif yang menyediakan informasi,
penyeleksian jurusan terfavorit tersebut. pemodelan dan pemanipulasi data”. Sistem ini
Menurut (Rosadi & Khotijah, 2017) digunakan untuk membantu pengambilan
menyebutkan “banyaknya tenaga kerja yang keputusan dalam situasi yang semiterstruktur
memiliki kemampuan yang berbeda-beda, maka dan situasi yang tidak terstruktur, dimana tak
dalam merekrut karyawan baru diperlukan seorang pun tahu secara pasti bagaimana
penyeleksian dari calon karyawan yang keputusan seharusnya dibuat. (Kusrini, 2007)
memenuhi kriteria dan kebutuhan, sistem
pendukung keputusan menggunakan metode Metode Simple Additive Weighting (SAW)
SAW (Simple Additive Weighting) membantu
mempermudah pengambilan keputusan bagian (Hartoyo, 2013) Mengemukakan bahwa
penyeleksian karyawan” Persaingan para Metode SAW dikenal istilah metode penjumlahan
karyawan yang semakin ketat membuat sebuah terbobot. Konsep dasar metode SAW adalah
keputusan kenaikan pangkat semakin sulit untuk mencari penjumlahan terbobot dari rating
diputuskan, terutama jika ada beberapa kinerja pada setiap alternatif pada semua atribut.
karyawan yang memiiki kemampuan yang tidak Metode SAW adalah metode Simple
jauh berbeda. Pengambilan keputusan yang tidak Additive Weighting sering disebut dikenal dengan
adil dapat menimbulkan dampak buruk bagi metode penjumlahan terbobot.” (Ikhwan,
suatu perusahaan (Frieyadie, 2016). Dalam Nofriansyah, & Sriani, 2015)
penyeleksian jurusan terfavorit ini, terdapat Serta (Elistri, Wahyudi, & Supardi, 2014)
metode Simple Additive Weighting (SAW) yang menyebutkan bahwa Sistem pendukung
dapat digunakan dalam pemecahan masalah yang keputusan ini dibuat untuk membantu dalam
bersifat kuantitatif. pembuatan keputusan pemilihan jurusan pada
siswa SMA Negeri 8 Seluma.
BAHAN DAN METODE Konsep dasar metode Simple Additive Weighting
ini adalah mencari penjumlahan terbobot dari
Penyeleksian rating kinerja pada setiap alternatif semua
Menurut (Tim Pustaka Phoenik, 2012) atribut. Langkah-langkah penyeleksian metode
seleksi diartikan sebagai pilihan, pemilihan; Simple Additive Weighting adalah sebagai berikut:
saringan. 1. Menentukan kriteria-kriteria yang akan
Sedangkan (Yuniarsih & Suwatno, 2011) dijadikan acuan dalam pengambilan
mengemukakan bahwa Proses seleksi merupakan keputusan, yaitu Ci
rangkaian tahap-tahap khusus yang digunakan
Maxi xij : Nilai terbesar dari setiap kriteria Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, &
Mini xij : Nilai terkecil dari setiap kriteria Hermanto, 2018)
Benefit : Jika nilai terbesar adalah terbaik Gambar 1. Hirarki Penyeleksian Jurusan
Cost : Jika nilai terkecil adalah terbaik Terfavorit
Dimana rij adalah rating kinerja ternormalisasi
dari Tabel 1. Nilai dan Bobot untuk Kriteria
alternatif Ai pada atribut Cj; i=1,2,….,m dan
C1, C2, C3, C4 dan C5
j=1,2,….,n.
Nilai preferensi untuk setiap alternatif (Vi) Nilai Nilai
diberikan sebagai : Tertulis Bobot Keterangan Bobot
81-100 5 Sangat Baik
𝑉𝑖 = ∑𝑛𝑗=𝑖 𝑤𝑗𝑟𝑖𝑗 …………………………………… (2)
61-80 4 Baik
Keterangan : 41-60 3 Cukup
Vi : Rangkaian untuk setiap alternatif 21-40 2 Buruk
Wj : Nilai bobot dari setiap kriteria
Rij : Nilai rating kinerja ternormalisasi Jan-20 1 Sangat Buruk
Nilai Vi yang lebih besar mengindikasikan bahwa Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, &
aternatif Ai lebih terpilih. Hermanto, 2018)
Multimedia, 37–42.
𝑉2 = (0,25 x 1,00) + (0,25 x 1,00) +
(0,20 x 1,00) + (0,20 x 1,00) + (0,10 x 1,00) Elistri, M., Wahyudi, J., & Supardi, R. (2014).
= 0,25 + 0,25 + 0,20 + 0,20 + 0,10 Penerapan Metode Saw Dalam Sistem
= 1,00 Pendukung Keputusan Pemilihan Jurusan
Pada Sekolah Menengah Atas Negeri 8
𝑉3 = (0,25 x 1,00) + (0,25 x 0,80) + Seluma. Jurnal Media Infotama Penerapan
(0,20 x 1,00) + (0,20 x 1,00) + (0,10 x 1,00) Metode SAW… ISSN, 10(2), 1858–2680.
= 0,25 + 0,20 + 0,20 + 0,20 + 0,10
= 0,95 Frieyadie, F. (2016). Penerapan Metode Simple
Additive Weight (SAW) Dalam Sistem
𝑉4 = (0,25 x 0,75) + (0,25 x 0,80) + Pendukung Keputusan Promosi Kenaikan
(0,20 x 1,00) + (0,20 x 1,00) + (0,10 x 1,00) Jabatan. Jurnal Pilar Nusa Mandiri, 12(1),
= 0,1875 + 0,20 + 0,20 + 0,20 + 0,10 37–45.
= 0,8875
Hartoyo, R. (2013). PERANCANGAN SISTEM
Tabel 4. Hasil Perankingan PENDUKUNG KEPUTUSAN MENETUKAN
Alternati Hasil Presen Ran STATUS KARYAWAN KONTRAK SALES
Hasil PROMOTION GIRL MENJADI KARYAWAN
f Akhir tase king
TETAP DENGAN METODE SIMPLE
TKJ 0,867 0,23404 23% 4 ADDITIVE WEIGHTING. Pelita Informatika:
AK 1 0,26994 27% 1 Informasi Dan Informatika, 4(3), 59–64.
Retrieved from http://www.stmik-
AP 0,95 0,25644 26% 2 budidarma.ac.id/ejurnal/index.php/pelita/
PM 0,8875 0,23957 24% 3 article/view/295
Jumlah 3,7045 1 100%
Ikhwan, A., Nofriansyah, D., & Sriani. (2015).
Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, & Penerapan Data Mining dengan Algoritma
Hermanto, 2018) Fp-Growth untuk Mendukung Strategi
Promosi Pendidikan ( Studi Kasus Kampus
Diantara V1, V2, V3, dan V4 nilai terbesar STMIK Triguna Dharma ). Saintikom, 14(3),
adalah V2, sehingga alternatif yang terpilih dan 211–226.
berhak menjadi jurusan terfavorit SMK Sirajul
Falah adalah V2 = Akuntansi dengan hasil 27%. Kusrini. (2007). Konsep dan Aplikasi Sistem
Pendukung Keputusan. Andi Offset (1st ed.).
KESIMPULAN Yogyakarta: Andi Publisher.
Berdasarkan penelitian yang dilakukan Nurlela, S., Akmaludin, A., Hadianti, S., Yusuf, L., &
penulis, Untuk menentukan jurusan terfavorit Hermanto, H. (2018). Laporan Akhir
pada SMK Sirajul Falah dapat menggunakan Penelitian - Penyeleksian Jurusan Terfavorit
data-data kuantitatif seperti data nilai, ekstra Pada Smk Sirajul Falah Dengan Metode SAW.
kulikuler, kecekatan, kreatifitas dan prestasi dari Jakarta.
masing-masing jurusan, yaitu : Teknik Komputer
& Jaringan (TKJ), Akuntansi (AK), Administrasi Pare, S. (2013). Sistem Pendukung Keputusan
Perkantoran (AP) dan Pemasaran (PM). Pemilihan Program Studi Pada Perguruan
Perhitungan jurusan terfavorit pada SMK Sirajul Tinggi. Jurnal Ilmiah Mustek Anim Ha, 2(1),
Falah dapat menggunakan metode Simple 58–70.
Additive Weight, maka terpilih satu jurusan yang
akan menjadi jurusan terfavorit pada SMK Sirajul Rosadi, D., & Khotijah, S. (2017). Seleksi
Falah yaitu jurusan Akuntasi. Dengan hasil akhir Penerimaan Karyawan dengan Metode
27%. Simple Additive Weighting ( SAW ) ( Studi
Kasus Toko Markas Hobby ), 11(1), 39–46.
REFERENSI
Tim Pustaka Phoenik. (2012). Kamus Besar
Astuti, Y., & Isna Zahrotul Fu’ad. (2017). Kahasa Indonesia.
Penentuan Karyawan Terbaik
Menggunakan Metode Simple Additive Yuniarsih, T., & Suwatno. (2011). Manajemen
Weighting Pada PT. Patra Nur Alaska. Sumber Daya Manusia; Teori, Aplikasi, dan
Seminar Nasional Tekhnologi Informasi Dan Isu Penelitian (3rd ed.). Bandung: Alfabeta.
Abstract—To find out the problems faced in the Kebalen 07 dapat menggunakannya sebagai alat
teaching performance assessment process by untuk membuat keputusan yang tepat.
utilizing the Technique For Order Preference
method by Similiarity to Ideal Solution (TOPSIS), to Kata Kunci: Penilaian, Kinerja, Guru, TOPSIS
manage the processing of Teacher data is a more
optimal consideration. By using the (TOPSIS) PENDAHULUAN
method as a basis for processing teacher
performance assessment data. This can allow the Sistem pengambilan keputusan adalah alat
system to provide an assessment in accordance with bantu bagi pengambilan keputusan manajerial,
the quality of each teacher and is expected to tetapi pengambilan keputusan memiliki beragam
facilitate decision making in the assessment of konteks yang berbeda dimana tidak semua
Teacher's performance. The Technique For Order pengambilan keputusan adalah bergantung dan
Preference by Similiarity to Ideal Solution has been memuaskan semua pihak, dan juga pengambilan
running well and can result in weighting of keputusan itu terkadang memiliki beragam tujuan
assessment criteria and clear and fast information yang berbeda yang bisa saja saling bertentangan
compared to manual calculations so SD Negeri satu sama lain (Hertyana, 2018).
Kebalen 07 can use it as a tool for making Metode TOPSIS adalah salah satu metode
appropriate decisions. yang bisa membantu proses pengambilan
keputusan yang optimal untuk menyelesaikan
Keyword: Assessment, Performance, Teacher, masalah keputusan secara praktis (Surya, 2018).
TOPSIS didasarkan pada konsepnya dimana, alternatif
terpilih yang baik tidak hanya memiliki jarak
Intisari—Untuk mengetahui masalah yang terpendek dari solusi ideal positif tetapi juga
dihadapi dalam proses penilaian kinerja mengajar memiliki jarak terpanjang dari solusi ideal negatif
dengan memanfaatkan metode Technique For (Mallu, 2015). Hal ini disebabkan karena
Order Preference oleh Similiarity to Ideal Solution konsepnya sederhana dan mudah dipahami,
(TOPSIS), untuk mengelola pemrosesan data guru komputasinya efisien dan memiliki kemampuan
adalah pertimbangan yang lebih optimal. Dengan untuk mengukur kinerja relatif dari alternatif-
menggunakan metode (TOPSIS) sebagai dasar alternatif keputusan dalam bentuk matematis yang
untuk memproses data penilaian kinerja guru. Ini sederhana (Marbun & Sinaga, 2017).
dapat memungkinkan sistem untuk memberikan Guru merupakan salah satu komponen
penilaian sesuai dengan kualitas masing-masing paling yang dimilki oleh sekolah dalam usahanya
guru dan diharapkan memfasilitasi pengambilan mempertahankan kelangsungan hidup,
keputusan dalam penilaian kinerja guru. Teknik berkembang kemampuan untuk bersaing serta
Untuk Preferensi Pesanan oleh Similiarity to Ideal mendapatkan laba. Tidak ada satu sekolah yang
Solution telah berjalan dengan baik dan dapat mampu bertahan bilamana sekolah tersebut tidak
menghasilkan bobot kriteria penilaian dan memiliki guru yang dapat bekerja dengan baik dan
informasi yang jelas dan cepat dibandingkan maksimal (Hidayat, Irviani, & Kasmi, 2016).
dengan perhitungan manual sehingga SD Negeri Dengan kata lain, di zaman yang mengutamakan
kualitas ini, keunggulan hanya bisa diraih dan Vij Elemen dari matriks keputusan yang
=
dinikmati oleh guru yang bertipe pemenang ternormalisasi terbobot V
(winners), bukan oleh guru pengeluh (whiners) Wi = Bobot dari kriteria ke-j
dan guru pemalas (wieners) (Tanjung, Adelina, rij= Elemen matriks keputusan yang
Siahaan, Purba, & Afriany, 2018). ternormalisasi R.
Penilaian kinerja guru masih mengalami c. Solusi ideal positif A+ dan solusi ideal negatif
kendala, dikarenakan penilaian masih bersifat A- dapat ditentukan berdasarkan rating bobot
subyektif, sehingga hasil penilaian masih kurang ternormalisasi (yij) sebagai :
memuaskan (Susilowati et al., 2018). Untuk
menghindari subyektifitas keputusan yang 𝐴+ = (𝑌1+ , 𝑌2+ … . . 𝑌𝑛+ ) .............................. (3)
dihasilkan diperlukan suatu sistem pendukung 𝐴− = (𝑌1− , 𝑌2− … . . 𝑌𝑛− ) ............................... (4)
keputusan (SPK) (Hutasoit, Windarto, Hartama, &
Solikhun, 2016). Dimana :
Berhasil atau tidaknya suatu sekolah Vj = maxYij, jika j adalah atribut Keuntungan
dalam menjalankan kegiatannya tidak terlepas Min Yij, jika j adalah atribut biaya
dari kapasitas guru (pekerja) yang melakukan
pekerjaan di sekolah tersebut. Sehingga dengan d. Jarak antara alternatif Ai dengan solusi ideal
motivasi yang dilakukan oleh pihak sekolah guru positif :
dapat lebih baik lagi dan berprestasi. Persaingan
di dunia bisnis yang makin memacu sekolah untuk 𝐷𝑖 + = √∑(𝑦𝑖𝑗−𝑌𝑖−)² ........................................... (5)
berupaya lebih keras dalam meningkatkan kualitas
sekolahnya. Salah satu cara untuk meningkatkan Dimana :
kualitas sekolah adalah dengan melakukan suatu Di+ = Jarak alternatif Ai dengan solusi ideal
pengukuran terhadap maksimal atau tidaknya positif
kinerja seorang guru terhadap sekolah melalui Yj+ = Solusi ideal positif [i]
suatu pemilihan penilaian kinerja Guru (Hidayat et Yij = Matriks normalisasi [i][j]
al., 2016).
Jarak antara alternatif Ai dengan solusi
BAHAN DAN METODE ideal negatif
xij
𝑟𝑖𝑗 = .................................................(1) e. Nilai preferensi untuk setiap alternatif (Vi )
𝑚
√∑𝑖 𝑋𝑖𝑗 2 diberikan sebagai :
𝐷𝑖−
dimana : 𝑉𝑖 = ...................................................... (7)
𝐷𝑖− + 𝐷
rij = matrik ternormalisasi [i][j] 𝑖+
xij = matrik keputusan [i][j]
i = 1,2,....m
𝑋101 3
𝑟101 = = = 0,212
𝑋1 14,1
3. Solusi ideal positif A+ dan solusi ideal negatif 𝐴+ = (𝑌1+ , 𝑌2+ … . . 𝑌𝑛+ ) ........................................ (3)
A- dapat ditentukan berdasarkan rating bobot 𝐴− = (𝑌1− , 𝑌2− … . . 𝑌𝑛− ) ........................................ (4)
ternormalisasi (yij) sebagai :
A+ 0,03 0,07 0,07 0,07 0,09 0,09 0,07 0,06 0,05 0,07 0,06 0,09 0,07 0,08
A- 0,07 0,04 0,05 0,04 0,04 0,04 0,04 0,03 0,03 0,04 0,03 0,04 0,05 0,04
Sumber : (Susliansyah et al., 2018)
𝐷𝑖 + = √∑(𝑦𝑖𝑗−𝑌𝑖−)² ....................................................(5)
Tabel 8. Hasil Perhitungan Solusi Ideal Positif dan
D1+ =√(0,07-0,07)2 +(0,07-0,07)2+(0,07-0,07)2+(0,05- Negatif
0,07)2+(0,06-0,09)2+(0,06-0,09)2+(0,05- No Nama 𝐷𝑖 + 𝐷𝑖 −
0,07)2+(0,04-0,06)2+(0,04-0,05)2+(0,05- 1 Dadah Syuhada,S.Pd 0,058 0,083
0,07)2+(0,04+0,06)2+(0,06- 2 Aisyah,S.Pd 0,044 0,106
0,09)2+(0,07+0,07)2+(0,06-0,08)2 3 Achmad domas,S.Pd 0,032 0,118
= 0,058 4 Lilis Kokom Komariah,S.Pd 0,061 0,077
5 Aminah,S.Pd 0,032 0,118
𝐷𝑖 − = √∑(𝑦𝑖𝑗−𝑌𝑖−)² ....................................................(6) 6 Abdul Rouf 0,072 0,069
7 Siti Djuwariyah,S.Pd 0,076 0,064
8 Suyatmi,A.Ma 0,076 0,064
D1- =√(0,07-0,03)2 +(0,07-0,04)2+(0,07-0,05)2+(0,05-
9 Partini,S.Pd 0,034 0,03
0,04)2+(0,06-0,04)2+(0,06-0,04)2+(0,05-
10 Asim 0,064 0,089
0,04)2+(0,04-0,03)2+(0,04-0,03)2+(0,05-
11 Evah Holifah 0,069 0,090
12 Fairuz Abadi 0,080 0,066
https://doi.org/10.14710/jtsiskom.6.1.2018.
1-6
1,3 SistemInformasi
Universitas Bina Sarana Informatika
www.bsi.ac.id
hilda.ham@bsi.ac.id, siti.stm@bsi.ac.id
2SastraInggris
Universitas Bina Sarana Informatika
www.bsi.ac.id
achmad.abq@bsi.ac.id
Abstract— Birth of a baby is something that is very serta bayi selamat. Namun dalam proses
desirable for every married couple. All parties persalinan tidak semua proses melahirkan bayi
expect safety for mothers and babies who have just berjalan dengan lancar. Sering kali terjadi kendala
been born. Medical personnel make various efforts dalam proses persalinan. Terdapat beberapa
to help the delivery process run smoothly and the kendala sehingga terjadi resiko persalinan yaitu
mother and baby survive. But in the labor process kematian ibu dan bayi. Setiap ibu menginginkan
not all the baby's birth process runs smoothly. dapat melahirkan bayi secara normal, namun
Problems often occur during labor. There are dikarenakan alasan medis proses persalinan
several obstacles so that there is a risk of labor, dilakukan secara sesar. Tindakan pemilihan jenis
namely maternal and infant mortality. Every persalinan yang lebih cepat dapat memperngaruhi
mother wants to be able to give birth to a baby keselamatan ibu dan bayi. Pemilihan metode sesar
normally, but due to medical reasons the delivery dilakukan terlambat maka akan meningkatkan
process is done by cesarean. The act of choosing a resiko kematian ibu dan bayi. Untuk itu perlu
type of delivery faster can affect the safety of the dilakukan penelitian dengan menggunakan data
mother and baby. The selection of the cesarean persalinan ibu melahirkan sehingga dapat
method is carried out late so it will increase the melakukan pemilihan jenis persalinan yang tepat.
risk of maternal and infant mortality. For this Dalam penelitian ini akan dilakukan klasifikasi
reason, it is necessary to conduct research by using proses persalinan ibu melahirkan dengan metode
labor delivery data so that they can choose the data mining yaitu naive bayes yang ditingkatkan
right type of labor. In this study the classification kinerjanya dengan menggunakan metode Optimize
of maternity labor will be carried out with data Weight (PSO). Naive Bayes mampu menghasilkan
mining methods, namely Naive Bayes, which are nilai akurasi yang tinggi untuk pengolahan data
improved by using the Optimize Weight (PSO) persalinan ibu melahirkan yaitu sebesar 94%.
method. Naive Bayes was able to produce a high Hasil akhir dari penelitian ini diperoleh nilai
accuracy value for processing labor data for kinerja naïve bayes mampu ditingkatakan oleh
mothers, namely 94%. The final results of this metode Optimize Weights (PSO) menjadi lebih
study obtained the value of naïve bayes baik yakni 98%.
performance that can be improved by the Optimize
Weights (PSO) method to be better at 98% Kata kunci: Naive Bayes, Optimize Weights(PSO),
Proses Persalinan
Intisari— Kelahiran bayi merupakan hal yang
sangat diinginkan oleh setiap pasangan suami istri. PENDAHULUAN
Semua pihak mengharapkan keselamatan bagi ibu
dan bayi yang baru saja dilahirkan. Tenaga medis Dalam proses persalinan terdapat dua jenis
melakukan berbagai upaya untuk membantu yaitu secara normal dan caesar. Persalinan normal
proses persalinan berjalan dengan lancar dan ibu adalah proses mengeluarkan janin secara alami
bagi mamalia melalui vagina, sedang persalinan Prediksi Jenis Melahirkan (Kamat et al., 2015).
ceasar adalah proses mengeluarkan janin melalui Tahun 2015, Prediksi Jenis Melahirkan dengan
prosedur bedah (Kamat, Oswal, & Datar, 2015). menggindentifikasi Resiko Kebidanan
Persalinan normal atau persalainan per vagina menggunakan data mining (Pereira et al., 2015).
lebih disukai daripada persalinan ceaser, hal ini Tahun 2017 Aplikasi Sistem Penunjang Keputusan
dikarenakan persalinan normal memiliki resiko Untuk Prediksi Ibu Melahirkan (Amalia;Eviciena,
yang lebih rendah dan dan masa pemulihan yang 2017a). Tahun 2017 Komparasi Data Mining
lebih cepat(Lakshmi, Priya, & Nivedhitha, 2017). untuk Proses Persalinan Ibu Melahirkan
Tujuan utama dari pemilihan jenis persalinan (Amalia;Eviciena, 2017b). Tahun 2017 dengan
yaitu normal dan ceasar adalah untuk memberikan judul penentuan proses persalinan ibu melahirkan
keselamatan bagi ibu dan bayi dan menghindari dengan algoritma c 4.5 (Hi. Amalia & Evicienna,
komplikasi atau resiko lainnya dari proses 2017). Tahun 2017 Model Naive Bayes untuk
persalinan baik terhadap ibu ataupun bayi. prediksi jenis pensalinan (Lakshmi et al., 2017).
Tingginya angka kematian ibu (AKI) di Indonesia Dari hasil penelusuran penelitian terkait
yaitu pada tahun 2015 305 kematian ibu per diperoleh bahwa dari hasil komparasi diketahui
100.000 kelahiran hidup berdasarkan hasil Survei naive bayes merupakan algoritma data mining
Penduduk Antar Sensus (SUPAS) 2015 yang memiliki nilai akurasi tertinggi untuk
(Kementerian Kesehatan Republik Indonesia, pengolahan data ibu melahirkan. Dari hasil
2017). penelusuran penelitan terkait juga diketahui
Banyak faktor yang menyebabkan kematian bahwa algoritma naive bayes merupakan
Ibu. Menurut organisasi kesehatan dunia (WHO) algoritma yang paling banyak digunakan untuk
10% wanita hamil mengalami stress dan tekanan melakukan prediksi proses persalinan.
darah tinggi mengalami kematian (Deressa & Berdasarkan latar belakang tersebut maka pada
Kadam, 2018). Dalam dunia kesehatan bagi para penelitian ini akan dilakukan pengolahan data ibu
ibu, keputusan yang diambil secara cepat harus melahirkan dengan menggunakan metode naive
dibuat dalam pemilihan jenis melahirkan(Pereira, bayes yang ditingkatkan akurasi metodenya
Portela, Santos, Machado, & Abelha, 2015). Banyak dengan menggunakan metode optimasi yaitu
masalah yang menyebabkan angka kematian optimize Weights(PSO).
persalinan cukup tinggi (Frieyadie & Aryanti, Optimize Weights(PSO) merupakan metode
2013). Untuk menghindari resiko dari kematian yang biasa digunakan untuk klasifikasi dan
ibu diperlukan sikap tanggap dari semua tenaga optimasi metode data mining. Optimized Weights
medis karena keterlambatan pemilihan jenis (PSO) merupakan metode optimasi yang berkerja
proses persalinan bisa berakibat fatal bagi ibu dan dengan cara melakukan pencarian populasi
bayi. Jenis persalinan caesar merupakan pilihan individu atau partikel yang akan melakukan
terakhir namun sangat diperlukan untuk itersasi yang bermula dari studi mengenai
menyelamatkan nyawa ibu dan bayi. Untuk itu pergerakan sekolompok burung atau ikan(Amalia,
perlu dibuatkan suatu bentuk pemilihan jenis 2015).
persalinan yang tepat.
Data mining merupakan bidang ilmu komputer BAHAN DAN METODE
yang digunakan untuk menemukan pola baru dari
sekumpulan data dalam jumlah yang banyak dan Dalam penelitian ini dilakukan beberapa tahapan
klasifikasi merupakan tugas penting dalam penelitian dibawah ini:
penambangan data (Mary & Kumar, 2018). Data Pengumpulan data
mining memberikan solusi terhadap pengolahan Data yang digunakan dalam penelitian ini
data yang hanya diam, tidak diolah dan hanya diperoleh dari sebuah rumah sakit bersalin dan
tersimpan dalam database. Selama ini data hanya klinik bersalin. Data didapatkan sejumlah 130 data
disimpan tanpa ada pengolahan lebih jauh. Data ibu melahirkan dengan 13 (tiga belas) atribut yaitu
mining mampu menghasilkan pengetahuan yang nama, tempat lahir, umur, temparture, tensi,
berharga dari tumpukan data tersebut. denyut nadi, usia janin, berat badan janin, kondisi
Tumpukan data tersebut tersebar dalam seluruh ibu, hasil pemeriksaan ibu, kondisi janin, hasil
bidang kehidupan salah satunya dunia kesehatan pemerikasaan janin, Hasil akhir/proses persalinan
atau medis. Data mining mampu menghasilkan yang ditempuh.
pengetahuan yang dapat dimanfaatkan dalam
dunia kesehatan(Amalia;Eviciena, 2017b). Pengolahan Data Awal
Penelitian sebelumnya terkait dengan Dalam pengolahan data awal dilakukan tiga
pengolahan data ibu melahirkan untuk prediksi tahapan pengolahan yaitu (1) Data Validation, (2)
proses persalinan telah dilakukan, yakni pada Data Transformasi dan Integrasi data dan
tahun 2015 Penerapan Algoritma Klasifikasi Untuk (3)Pengurangan data. Data Validation, data yang
telah dikumpulkan divalidasi lagi dengan cara naive bayes. Pemodelan dalam penelitian ini
menghilangkan data yang kosong, berulang, tidak disajikan dalam gambar 2 berikut ini:
lengkap dan tidak jelas. Sehingga diperoleh dataset
yang baik untuk penelitian. Dalam penelitian ini
dari sebanyak 130 data dilakukan validasi data
sehingga mengurangi jumlah data yang akan
diolah menjadi hanya 100 data. Data integration
and transformation, data yang terlah dkumpulkan
dilakukan seleksi lagi dengan cara mengubah data
menjadi bentuk kategorikal atau mengubah data
menjadi bentuk numerical sehingga menghasilkan
bentuk record yang mewakili. Dalam penelitian ini
pengkategoran data dilakukan oleh RapidMiner.
Data Size reduction and Discretization, data yang
dikumpulkan dilakukan seleksi dengan cara
mengurangi atribut yang tidak memiliki nilai
informatif bagi dataset yang dimiliki. Dalam
penelitian bebrapa atribut tidak digunakan karena
tidak memiliki arti bagi penlitian ini seperti nama
dan alamat rumah.
Pembuatan Model
Metode atau algoritma data mining yang
digunakan dalam penelitian ini yaitu naive bayes
kemudian dibandingkan dengan oprimasi dengan
menggunakan algoritma genetika pada metode
naïve bayes yang dihasilkan yakni sebesar 94%. Tabel 3 Atrribute Weight (PSO)
Untuk tahapan pengolahan dataset dengan Aribut Weight
menggunakan metode optimize weights (PSO) Umur 0
seperti disajikan pada gambar 6 dibawah ini: Temperature 0.008
Tensi 1
Nadi 0.116
Usia Janin 0.160
BB Janin 0
Kondisi Pasien 0
Hasil Pemerikasaan 1
Kondisi Janin 0.618
Hasil Pemeriksaan 1
Sumber: (Amalia, Pohan & Masripah, 2019)
Persalinan Sesar. Jurnal Ilmu Pengetahuan 2016. (R. Kurniawan, Yudianto, B. Hardhana,
Dan Teknologi Komputer, 3(1), 121–126. & T. A. Soenardi, Eds.). Jakarta: Kementerian
Kesehatan Republik Indonesia. Retrieved
Amalia;Eviciena, H. (2017b). Komparasi Metode from
Data Mining Untuk Penentuan Proses http://www.depkes.go.id/resources/downlo
Persalinan Ibu Melahirkan. Jurnal Sistem ad/pusdatin/profil-kesehatan-
Informasi, 13(2), 103. indonesia/Profil-Kesehatan-Indonesia-
https://doi.org/10.21609/jsi.v13i2.545 2016.pdf
Amalia, H. (2015). Penerapan Metode Neural Lakshmi, K., Priya, P. R., & Nivedhitha, T. (2017).
Network Berbasis Particle Swam. Paradigma, Naive Bayesian Model for Predicting Mode of
XVII(1), 1–8. Delivery, 2(4), 562–565.
Amalia, H., Pohan, A., & Masripah, S. (2019). Mary, R. C. S., & Kumar, B. S. (2018). Comparison of
Penelitian 2019. Various Data Mining Algorithms in the
Prediction of Risk for Gestational Diabetes.
Amalia, Hi., & Evicienna. (2017). Penentuan Proses International Journal of Advanced Research in
Persalinan Ibu Melahirkan Menggunakan Computer Science and Software Engineering,
Algoritma c4.5. In Seminar Nasional 7(8), 74.
Cendekiawan (Vol. 3, pp. 101–107). Retrieved https://doi.org/10.23956/ijarcsse.v7i8.26
from Masripah, S. (2019). Laporan Akhir Penelitian
http://ir.obihiro.ac.jp/dspace/handle/10322 Mandiri. Jakarta.
/3933
Pereira, S., Portela, F., Santos, M. F., Machado, J., &
Deressa, T. D., & Kadam, K. (2018). Prediction of Abelha, A. (2015). Predicting Type of
Fetal Health State during Pregnancy : A Delivery by Identification of Obstetric Risk
Survey, 6(1), 29–36. Factors through Data Mining. Procedia
Computer Science, 64, 601–609.
Frieyadie, & Aryanti, H. (2013). SISTEM PAKAR https://doi.org/10.1016/j.procs.2015.08.573
DIAGNOSA GANGGUAN KEHAMILAN .
BERBASIS WEB DENGAN MENGGUNAKAN
METODE FORWARD CHAINING PADA RSIA
RP SOEROSO. Pilar Nusa Mandiri, 9(1), 62–
68.
Abstract— Articles is one part of the scientific work dengan berbagai macam judul dan metode yang
which was manifested in the form of writing and digunakan, namun tidak menutup kemungkinan
containing a lot of information that are requisite adanya kemiripan dari judul artikel yang ada.
and suited therein to the exclusion of .Many small Penelitian ini bertujuan untuk menentukan tingkat
article day with allah is as a variety of sorts of the kemiripan antara artikel jurnal dilihat dari judul
title and the methodology that was used , but does artikel jurnal dengan menggunakan algoritma
not make up for the possibility of a resemblance of vector space model dan membandingkannya
the title of the article that is there is .This study aims dengan algoritma k-nearest neghbour. Data yang
to for determining the rate of a resemblance digunakan yaitu 10 judul artikel jurnal dengan
between an article of the american journal of public kata kunci Information Retrieval. Pengujian data
from the point of view of the title of the articles the dengan kata kunci tersebut menghasilkan
american journal of public by the use of an dokumen dengan tingkat kemiripan tertinggi pada
algorithm of vector space the model and compare it metode VSM yaitu pada Dok 5, Dok 7, Dok 8 dan
with an algorithm k-nearest neghbour .The data Dok 4. Sedangkan untuk KNN menghasilkan
used pt pgn promised to supply 10 the title of an tingkat kemiripan pada range Doc7,Doc10 |
article of the american journal of public keyword on Doc8,Doc10 | Doc4,D10 | Doc5,Doc10 |
information retrieval .Testing the data with of these Doc3,Doc10. Sehingga menyimpulkan bahwa
keywords documents produced by the only by the terjadinya penambahan kriteria dokumen yang
magnitude of the resemblance of its on the highest a similaritas dengan kata kunci setelah
method of vsm it will be on a doc 5 , doc 7 , doc 8 and menggunakan algoritma K-Nearest Neghbour.
doc 4 .While for the program knn generate a level of
the resemblance of its on range doc7 , doc10| doc8 , Kata Kunci: Pencarian Judul Jurnal, Vector Space
doc10| doc4 , d10| doc5 , doc10| doc3 , doc10. So Model (VSM), K-Nearest Neghbour (KNN)
that came to the conclusion that the occurrence of
the addition of the criteria used to they obtain
documents they do similaritas keyword after using PENDAHULUAN
an algorithm k-nearest neghbour.
Artikel merupakan salah satu bentuk
Keywords: Journal Title Search, Vector Space Model karya ilmiah yang dituangkan dalam bentuk
(VSM), K-Nearest Neghbour (KNN) tulisan. Dalam artikel jurnal dapat mengandung
informasi-informasi yang berguna bagi para
Abstrak— Artikel merupakan salah satu bentuk pembaca. Banyak penulis membuat artikel jurnal
karya ilmiah yang dituangkan dalam bentuk dengan judul yang beraneka ragam, namun tidak
tulisan dan mengandung banyak informasi yang menutup kemungkinan adanya kemiripan dari
berguna didalamnya. Banyak artikel yang ada judul artikel yang dibuat.
Kemiripan suatu artikel jurnal dapat Menurut (Bunyamin & Negara, 2016)
dilihat hanya dari judul artikel tersebut. Tetapi Information Retrieval terbagi dari beberapa bagian
tidak dapat menentukan tingkat kemiripan yang dijabarkan sebagai berikut:
tertinggi dari masing-masing dokumen yang 1. Text Operations, meliputi pemilihan kata-kata
ditemui. dalam querymaupun dokumen (term
Metode penelitian yang digunakan yaitu selection) dalam proses transformasi
mempelajari teori-teori literatur dan buku-buku dokumen atau query menjadi term index
yang berhubungan dengan objek kajian, (indeks kata-kata).
melakukan kajian baik secara online maupun 2. Query formulation, memberi bobot pada
offline dan menganalisa data. Data yang indeks kata-kata query.
dikumpulkan selanjutnya dilakukan analisa dan 3. Ranking, mencari dokumen-dokumen yang
perbandingan secara manual dengan relevan terhadap query dan mengurungkan
menggunakan dua algoritma. dokumen tersebut berdasarkan
Dalam penelitian yang dikembangkan oleh kesesuaiannya dengan query.
(Mas`udia Putri Elfa, Atmadja, Martono Dwi, 4. Indexing, membangung basis data indeks dari
Mustafa, 2017) suatu sistem temu kembali koleksi dokumen dilakukan terlebih dahulu
informasi judul tugas akhir dan perhitungan sebelum pencarian dokumen dilakukan.
kemiripan dokumen menggunakan vector space
model. Sistem secara otomatis akan melakukan B. Text Mining
indexing secara offline dan temu kembali Menurut (Amburika, Chrisnanto, & Uriawan,
(retrieval) secara real time. 2016) text mining merupakan salah satu bidang
Sedangkan dalam penelitian (Wisnu & khusus dari data mining. Text mining dapat
Hetami, 2015) memanfaatkan information didefiniskan sebagai suatu proses menggali
retrieval pada text mining untuk menemukan ide informasi dimana seorang user berinteraksi
pokok dalam teks pada artikel berbahasa inggris dengan sekumpulan dokumen menggunakan tool
untuk membantu pembaca untuk lebih mudah analisis yang merupakan komponen-komponen
memahami isi artikel dan menghemat waktu yang dalam data mining. Dalam text mining berbeda
dibutuhkan. dengan dengan data mining dimana data mining
Tujuan dari dibuatnya penelitian ini yaitu yang digunakan adalah structured data sementara
untuk menentukan tingkat kemiripan antara dalam text mining umumnya data yang ditemui
artikel jurnal dilihat dari judul artikel jurnal adalah semi-structured atau unstructured.
dengan menggunakan algoritma vector space Sementara keduanya memiliki permasalah yang
model dan membandingkannya dengan algoritma sama yaitu jumlah data yang besar, dimensi yang
k-nearest neghbour. tinggi, dan data juga struktur yang terus berubah.
Struktur teks yang kompleks dan tidak lengkap,
arti yang tidak jelas dan tidak standar, dan bahasa
BAHAN DAN METODE yang berbeda ditambah terjemahan yang tidak
akurat memberikan tantangan tambahan pada text
A. Information Retrieval (Sistem Temu mining. Text mining dalam prakeknya mencari
Kembali) pola-pola tertentu, mengasosiasikan satu bagian
Information Retrieval merupakan sistem yang teks dengan lain berdasar aturan-aturan tertentu,
menerima query dari pengguna, kemudian kata-kata yang dapat mewakili sehingga dapat
dilakukan ranking terhadap dokumen berdasar dilakukan analisa keterhubungan antar satu
kesesuian terhadap query. Hasil ranking yang dengan lain, dalam kumpulan dokumen yang
diberikan pada pengguna merupakan dokumen sangat banyak. Dokumen yang ada bisa bersifat
yang menurut sistem memiliki relevansi terhadap statis, yaitu dokumen yang tidak akan di perbarui
query, tetapi tingkat relevansi itu sendiri lagi ataupun dinamis yaitu dokumen yang akan
merupakan hal yang subjektif tergantung dari selalu diperbarui dalam rentang waktu tertentu.
pengguna yang dipengaruhi oleh berbagai macam Tahapan Text Mining
faktor seperti topik, pewaktuan, sumber informasi a. Case Folding
maupun tujuan pengguna. Model sistem temu Mengubah semua huruf dalam dokumen
kembali menentukan detail sistem temu yaitu menjadi huruf kecil (lowercase). Dalam tahap
meliputi representasi dokumen maupun query, ini juga karakter selain huruf dihilangkan.
fungsi pencarian (retrieval function), dan notasi b. Tokenizing
kesesuaian (relevance notation) dokumen Memotong tiap kata dalam kalimat atau parsing
terhadap query. dengan menggunakan spasi sebagai delimiter
yang akan menghasilkan token berupa kata.
c. Filtering
Menyaring kata yang didapat dari proses Perhitungan TF-IDF menggunakan persamaan
tokenizing yang dianggap tidak penting atau 2
tidak memiliki makna dalam proses text mining
yang disebut stoplist. Tiap kata yang diperoleh 𝑇𝐹 − 𝐼𝐷𝐹(𝑑,𝑡) = 𝑇𝐹(𝑑,𝑡) ∗ 𝐼𝐷𝐹(𝑡) ....... (2)
dari tokenizing akan dicocokkan dalam kamus
stopword di dalam database, jika kata tersebut
cocok dengan salah satu kata dalam stopword Dimana:
maka kata tersebut akan dihilangkan, d = dokumenke-d
sementara yang tidak cocok akan dianggap t = kata ke-t dari kata kunci
cocok dan diproses ke tahap selanjutnya. tf = frekuensi banyaknya kata ke-t dari
d. Stemming kata kunci pada dpkumen ke-d
Mengembalikan kata-kata yang diperoleh dari TF-IDF = bobot dokumen ke-d terhadapkata
hasil filtering ke bentuk dasarnya, kunci ke-t
menghilangkan imbuhan awal (prefix) dan IDF = rasio frekunsi dokumen pada kata
imbuhan akhir (sufix) sehingga di dapat kata ke-t dari kata kunci
dasar.
e. Tagging D. Algoritma Vector Space Model
Merubah kata dalam bentuk lampau (past Vector Space Model (VSM) merupakan model
tense) menjadi bentuk sekarang (future tense). Information Retrieval yang mempresentasikan
f. Analyzing dokumen dan query sebagai vektor pada ruang
Keterhubungan antar kata dalam dokumen multidimensi. Kesamaan suatu dokumen dengan
akan ditentukan dengan menghitung frekuensi query dapat diukur dengan vektor dokumen dan
term pada dokumen atau lebih sering dikenal vektor query (Aziz, Saptono, & Suryajaya, 2015).
dengan tahap pembobotan. Dalam metode Vector Space Model dihitung
weighted dari setiap term yang terdapat dalam
C. TF-IDF (Term Frequency-Inverse Document semua dokumen dan query dari user. Term adalah
Frequency) kata atau kumpulan kata yang merupakan ekspresi
Basis pembobotan TF-IDF merupakan jenis verbal dari suatu pengertian. Penentuan relevansi
pembobotan yang melibatkan pengukuran statistik dokumen dengan query dipandang sebagai
untuk mengukur seberapa penting sebuah kata pengukuran kesamaan antara vektor dokumen
dalam kumpulan dokumen. Tingkat kepentingan dengan vektor query. Contoh representasi
meningkat ketika sebuah kata muncul beberapa relevansi antara dokumen dan query dapat
kali dalam sebuah dokumen tetapi diimbangi digambarkan pada Gambar 1. Q merupakan query
dengan frekuensi kemunculan kata tersebut dalam pembanding, D1 dan D2 adalah dua dokumen yang
kumpulan dokumen (Wisnu & Hetami, 2015). TF akan dibandingkan, sedangkan T1, T2 dan T3
merupakan pembobotan yang sederhana dimana adalah tiga term pada dokumen tersebut.
penting tidaknya sebuah kata diasumsikan
sebanding dengan jumlah kemunculan kata
tersebut dalam dokumen, sementara IDF
merupakan pembobotan yang mengukur seberapa
penting sebuah kata dalam dokumen apabila
dilihat secara global pada seluruh dokumen (M.Isa
& Abidin, 2013).
Perhitungan IDF menggunakan persamaan 1
Dimana:
df(t) = Jumlah dokumen yang
mengandung kata ke-t dari kata
kunci
D = Jumlah semua dokumen yang ada
di dalam database
IDF = Rasio frekuensi dokumen pada
kata ke-t dari kata kunci
Sumber: (Fauziah & Sulistyowati, 2018) Data judul artikel yang akan diuji adalah sebagai
Gambar 1. Representasi dokumen dan query pada ruang berikut:
vektor
Sementara dengan metode KNN diperoleh Fauziah, S., & Sulistyowati, D. N. (2018). Laporan
hasil sebagai berikut dengan nilai K=4: Akhir Penelitian Mandiri - Optimasi Algoritma
Vector Space Model Dengan Algoritma K-
Tabel 4. Hasil Perhitungan Dengan Metode KNN Nearest Neighbour Pada Pencarian Judul
No Nama Dokumen Distance Rangking Artikel Jurnal. Jakarta.
Ilmu Komputer
STMIK Nusa Mandiri
www.nusamandiri.ac.id
1
14002151@nusamandiri.ac.id, 2fauzi.aau@nusamandiri.ac.id
memudahkan para peneliti untuk menemukan formula teorema Bayes dengan formula umum
data yang dibutuhkan untuk penelitiannya. Tetapi sebagai berikut :
dengan data yang telah tersedia pada repositori
sering ditemukan kasus dimana satu kelas dalam P (H|X) =
𝑃(𝑋|𝐻)𝑃(𝐻)
................................................ (1)
data tersebut memiliki jumlah yang sangat besar 𝑃(𝑋)
2. Pengolahan Data
Dalam proses pengolahan data, terdapat 2
tahap yang dilakukan oleh peneliti yaitu:
a. Proses Pengolahan Data Asli
Dalam tahap ini peneliti mengkomparasikan 3
algoritma pengklasifikasi yang diambil dalam
penelitian dengan data awal yang didapatkan
dari PROMISE repositori tanpa digunakan
pendekatan level data Random Undersampling.
Sumber : (Putra, Wibawa, & Purnomo, 2016) b. Proses Pengolahan Ketidakseimbangan Kelas
Gambar 1. Proses Prediksi Random Forest Pada tahap ini 3 algoritma pengklasifikasi
digunakan dengan pendekatan level data
Random forest yang dihasilkan memiliki Random Undersampling untuk mengetahui
banyak tree dan setiap tree akan tumbuh dengan tingkat akurasi masing-masing algoritma
cara yang sama. Tree dengan variabel x akan setelah masalah ketidakseimbangan kelasnya
ditempatkan pada jarak yang jauh dengan tree diatasi.
variabel y. Sejalan dengan bertambahnya dataset Nilai pada masing-masing kelas dan rata-rata
maka tree pun ikut berkembang. Penempatan tree dari kedua kelas yang dibutuhkan untuk
yang saling berjauhan akan memudahkan dalam mengetahui keakuratan prediksi cacat software
deteksi jenis tree. Tree yang berada di sekitar tree akan dihitung dan didapatkan tingkat akurasinya:
x maka tree tersebut merupakan perkembangan TP Rate (True Positive Rate)
dari tree x sedangkan tree yang berada disekitar 𝑇𝑃
TPR = 𝑇𝑃+𝐹𝑁 .......................................................(4)
tree y maka tree tersebut merupakan
perkembangan dari tree y. Pembangunan tree
akan berhenti ketika data sudah homogen atau Keterangan:
jika batas jumlah data minimum sudah terlewati. TP (True Positive) = Data positif yang
Penelitian ini dilakukan dengan beberapa terdeteksi benar
tahap: FN (False Negative) = Data Positif yang
1. Pengumpulan Data terdeteksi negatif
Penulis menggunakan data software defect
yang telah tersedia dari PROMISE repositori, FP Rate (False Positive Rate)
𝐹𝑃
diambil dari situs www.tunedit.org. Data FPR = 𝐹𝑃+𝑇𝑁 ....................................................... (5)
tersebut berisi 22 atribut software metrics dan
terdiri dari 2 kelas yaitu, 1783 kelas false dan Keterangan:
326 kelas true. Atribut-Atribut yang terdapat FP (False Positive) = Data negatif yang
dalam data tersebut adalah: terdeteksi positif
Naive Bayes
Class False Class True Rate
MCC 0,296 0,296 0,296
ROC Area 0,790 0,790 0,790
PRC Area 0,945 0,396 0,860
Sumber: (Ginabila & Fauzi, 2019)
akurasi dari masing masing algoritma sebelum didapatkan setelah digunakan pendekatan level
digunakannya pendekatan level data adalah Tabel data RUS:
5 berikut:
Tabel 6. Hasil Perhitungan RUS + Naive Bayes
Tabel 5. Hasil Perhitungan Akurasi NB, J48 dan RF Naive Bayes
NB J48 RF Class False Class True Rate
Correctly TP Rate 0,905 0,402 0,653
Classified 82,361% 84,542% 86,676% FP Rate 0,598 0,095 0,347
Instances Precision 0,602 0,809 0,705
Incorrectly Recall 0,905 0,402 0,653
Classified 17,639% 15,458% 13,324% F-Measure 0,723 0,537 0,630
Instances MCC 0,355 0,355 0,355
ROC Area 0,767 0,767 0,767
Sumber: (Ginabila & Fauzi, 2019) PRC Area 0,743 0,759 0,751
Sumber: (Ginabila & Fauzi, 2019)
Dapat dilihat dari tabel diatas bahwa sebelum
digunakannya pendekatan level data untuk Dalam penggunaan pendekatan level data
menangani ketidakseimbangan kelas, tingkat Random Undersampling dengan algoritma Naive
akurasi yang didapatkan dari masing-masing bayes, rata-rata sebesar 0,653 dari seluruh data
algoritma yaitu 82,361% untuk penggunaan positif telah terdeteksi benar pada kelasnya
algoritma Naive Bayes, 84,542% dengan Algoritma masing-masing. Pada Class False data negatif yang
J48 dan 86,676% dengan menggunakan Algoritma terdeteksi positif sebesar 0,598 sedangkan pada
Random Forest. class true hanya sebesar 0,095. Untuk perhitungan
Berikut Gambar 5 adalah grafik perbandingan lain yang lebih jelas dapat dilihat pada tabel 6.
tingkat akurasi sebelum digunakan pendekatan Berikut Gambar 6 adalah grafik dari ROC
level data Random Undersampling dari masing- menggunakan RUS + Naive Bayes dari masing
masing algoritma: masing kelas:
88,00%
86,00% NB
84,00% J48
82,00% RF
80,00% Sumber: (Ginabila & Fauzi, 2019)
Gambar 6. RUS + Naive Bayes ROC Class False &
Accuracy
Class True
Sumber: (Ginabila & Fauzi, 2019)
Gambar 5. Perbandingan Tingkat Akurasi dari Kurva ROC Gambar 6 diatas menunjukkan
Ketiga Algoritma bahwa ROC berada pada true positive sebesar
0,767 pada class false dan class true setelah
Dari grafik perbandingan tingkat akurasi diatas digunakannya pendekatan level data Random
dapat dilihat bahwa penggunaan Algoritma Undersampling dengan algoritma Naive Bayes.
Random Forest adalah yang paling tinggi tingkat
akurasinya. Tabel 7. Hasil Perhitungan RUS + J48
J48
2. Hasil Perhitungan Menggunakan Algoritma Class False Class True Rate
TP Rate 0,644 0,687 0,666
Naive Bayes, J48 dan Random Forest FP Rate 0,313 0,356 0,334
Setelah Menggunakan RUS Precision 0,673 0,659 0,666
Recall 0,644 0,687 0,666
Dari 2109 data dengan kelas yang tidak F-Measure 0,658 0,673 0,665
seimbang, dilakukan pendekatan level data MCC 0,332 0,332 0,332
Random Undersampling untuk mengatasi ROC Area 0,703 0,703 0,703
ketidakseimbangan kelas tersebut. Dengan PRC Area 0,650 0,661 0,655
digunakannya pendekatan level data, data yang Sumber: (Ginabila & Fauzi, 2019)
dihitung akan menjadi seimbang dengan 326 data
berada pada class false dan 326 berada pada class Dalam penggunaan pendekatan level data
true. Berikut Tabel 6 hasil perhitungan yang Random Undersampling dengan algoritma J48,
rata-rata sebesar 0,666 dari seluruh data positif
KESIMPULAN 261
Hasil dari komparasi algoritma yang Frastian, N., Hendrian, S., & Valentino, V. H. (2018).
diambil oleh peneliti yaitu Naive Bayes, J48 dan Komparasi Algoritma Klasifikasi
Random Forest dapat ditemukan bahwa untuk Menentukan Kelulusan Mata Kuliah Pada
mengatasi ketidaksimbangan kelas pada dataset Universitas. Faktor Exacta, 11(1), 66.
kecacatan pada software, tingkat akurasi yang https://doi.org/10.30998/faktorexacta.v11i
didapatkan dengan digunakannya pendekatan 1.1826
level data Random Undersampling yaitu sebesar
65,337% dengan menggunakan algoritma Naive Okutan, A., & Yildiz, O. T. (2014). Software Defect
Bayes, 66,564% dengan menggunakan Algoritma Prediction using Bayesian Networks.
J48 dan 71,932% dengan menggunakan Algoritma Empirical Software Engineering, 19(1), 154–
Random Forest. Oleh sebab itu hasil penelitian 181. https://doi.org/10.1007/s10664-012-
dapat disimpulkan bahwa model pendekatan level 9218-8
data Random Undersampling + algoritma Random
Forest adalah yang terbaik untuk digunakan untuk PROMISE. (2010). Data sets for software defect
memprediksi cacat pada software. prediction. Retrieved from
http://tunedit.org/repo/PROMISE/DefectPr
REFERENSI ediction
Akbar, M. S., & Rochimah, S. (2017). Prediksi Cacat Putra, D. S., Wibawa, A. D., & Purnomo, M. H.
Perangkat Lunak Dengan Optimasi Naive (2016). Berjalan Menggunakan Random
Bayes Menggunakan Gain Ratio. Jurnal Forest, 1(1), 51–56.
Sistem Dan Informatika, 11, 147–155.
Putri, S. A., & Frieyadie. (2017). Combining
Andri, Kunang, Y. N., & Murniati, S. (2013). Integreted Sampling Technique With Feature
Implementasi Teknik Data Mining Untuk Selection For Software Defect Prediction. In
Memprediksi Tingkat Kelulusan Mahasiswa 2017 5th International Conference on Cyber
pada Universitas Bina Darma Palembang, and IT Service Management (CITSM) (pp. 1–
2013(June 2016), 1–8. 6). Bali: IEEE.
https://doi.org/10.13140/RG.2.1.4212.1845 https://doi.org/10.1109/CITSM.2017.80892
64
Aries, S., & Wahono, R. S. (2015). Pendekatan Level
Data untuk Menangani Ketidakseimbangan Shuo Wang, & Xin Yao. (2013). Using Class
Kelas pada Prediksi Cacat Software. Journal Imbalance Learning for Software Defect
of Software Engineering, 1(2), 76–85. Prediction. IEEE Transactions on Reliability,
https://doi.org/10.1016/S1896- 62(2), 434–443.
1126(14)00030-3 https://doi.org/10.1109/tr.2013.2259203
Abstract— Scholarships are assistance from the materi. Sering mengulurnya waktu dalam
government to students / students who are less penyeleksian, banyaknya siswa yang mendaftar
able or have the ability in the academic and non- untuk beasiswa, banyaknya siswa yang jarak
academic fields that are given individually to rumahnya jauh dari sekolah, banyaknya siswa yang
reduce the burden in terms of material. Frequently berlomba untuk datang pagi sebagai salah satu
stalling time in selection, the number of students kriteria yang berhak menerima beasiswa serta
who apply for scholarships, the number of students yang paling patal pendaftar beasiswa merasa
whose homes are far from school, the number of dirugikan oleh keputusan yang kurang baik.
students who race to come early as one of the Algoritma Iterative Dichotomizer 3 (ID3)
criteria eligible to receive scholarships as well as merupakan algoritma decision tree learning
the most scholarship applicants feel disadvantaged (algoritma pembelajaran pohon keputusan) yang
by unfavorable decisions. Iterative Dichotomizer 3 paling dasar. Algoritma ini melakukan pencarian
(ID3) algorithm is the most basic decision tree secara menyeluruh pada semua kemungkinan
learning algorithm (decision tree learning semua keputusan. Dalam penelitian ini akan
algorithm). This algorithm conducts a thorough dilakukan analisa penerapan metode iterative
search on all possible decisions. In this research, it dhicotomizer 3 pada kasus penentuan beasiswa
will be analyzed the application of the iterative prestasi. Agar dapat membuat keputusan dengan
dichotomizer 3 method in the case of determining cepat dan akurat. Dari 708 calon peneriama
achievement scholarships. In order to make beasiswa teridiri dari 28 yang layak dan 680 yang
decisions quickly and accurately. From 708 belum, maka didapatkan 136 calon penerima
scholarship candidates including 28 eligible and beasiswa yang dihasilkan dari pohon keputusan
680 scholarship recipients, 136 scholarship algortima ID3 dengan 3 yang layak dan 133 yang
recipients were obtained from ID3 algorithm with belum, dan diperoleh tingkat akurasi sebesar
3 eligible and 133 who had not, and obtained an 97,75% sehingga dapat disimpulkan bahwa baik
accuracy rate of 97.75% so that it could be dan dapat membantu pihak sekolah.
concluded that good and can help the school.
Kata Kunci: Analisa, Algortima ID3, Beasiswa
Keywords: Analysis, Algoritm ID3, Achievement Prestasi
Scholarships
PENDAHULUAN
Intisari— Beasiswa merupakan bantuan dari Pendidikan menjadi kewajiban yang sangat
pemerintah kepada siswa/ mahasiswa yang kurang penting bagi setiap warga negara, hal ini tertuang
mampu atau memiliki kemampuan dalam bidang dalam UUD 1945 Pasal 31 ayat 1 “Bahwa setiap
akademik dan non akademik yang diberikan secara warga negara berhak mendapatkan pendidikan”,
perorangan agar mengurangi beban dalam segi maka sebab itu pemerintah memberikan solusi
kepada siswa yang kurang mampu atau yang 2. Data disajikan dalam bentuk tabel excel dan
memiliki prestasi dalam bidang akademik maupun variabel masing-masing sebanyak 220 siswa
non akademik dengan adanya beasiswa Evicienna, untuk tahun pelajaran 2017/2018, sebanyak
2016. 247 siswa untuk tahun pelajaran 2016/2017
Beasiswa adalah pemberian berupa bantuan dan sebanyak 241 siswa untuk tahun
keuangan yang diberikan kepada perorangan yang pelajaran 2015/2016, dengan 12 variabel.
memiliki prestasi yang baik tetapi mengalami 3. Perangkat lunak yang digunakan untuk
kesulitan ekonomi bertujuan untuk demi menganalisis adalah RapidMiner dan
keberlangsungan pendidikan yang Graphical User Interface (GUI) Visual Basic 6
ditempuh(Kamal 2017). untuk menguji rule algoritma terpilih.
Prestasi peserta didik merupakan suatu hal
yang penting bagi semua pihak yang terkait secara C. Metode Analisa dan Pengujian Data
langsung maupun tidak langsung(Narti 2017). Teknik anlisa data menggunakan data kualitatif
SMP PGRI Caringin merupakan sekolah berupa matematikan terhadap angka atau numerik
swasta yang setiap tahun banyak menerima dan nominal. Pada penelitian ini, analisa data
siswa/siswi baru sehingga dalam menentukan dilakukan melalui data siswa SMP dengan nilai
beasiswa banyak sekali menemukan permasalahan rata-rata siswa yang layak dan belum layak seleksi,
yang terjadi diantaranya: Sering mengulur waktu data diolah dan di uji dalam pengujian pada
dalam penyeleksian dikarenakan yang menyeleksi algoritma ID3. Kemudian pengujian Rule yang
terdiri dari guru-guru yang mengajar kelas diperoleh algoritma ID3 tersebut selanjutnya diuji
sehingga tidak memiliki banyak waktu untuk dengan Confusion Matrix dan Kurva Receiver
melakukan penyeleksian(Radhitya, Nur Hakim, and Operating Characteristic (ROC) untuk mengukur
Solechan 2016) , banyaknya siswa yang mendaftar tingkat akurasi yang akan dihasilkan.
untuk beasiswa, banyaknya siswa yang jarak Dengan pengujian diatas dapat diperoleh nilai
rumahnya jauh dari sekolah, banyaknya siswa yang akurasi dari rule algoritma ID3. Sehingga dapat
berlomba untuk datang pagi sebagai salah satu diterapkan pada Graphical User Interface (GUI)
kriteria yang berhak menerima beasiswa serta dengan baik. Selanjutnya aplikasi yang dibuat akan
siswa yang mendaftar beasiswa merasa dirugikan dievaluasi untuk menghasilkan pengetahuan
oleh keputusan yang kurang baik karena (knowledge) baru.
penyaluran beasiswa yang tidak tepat Dalam penelitian ini pengujian data
sasaran(Kirom, Bilfaqih, and Effendie 2012). menggunakan metode eksperimen dengan model
Algoritma Iterative Dichotomizer 3 (ID3) Cros Industry Standard Process for Data Mining
merupakan algoritma decision tree learning (CRISP-DM) yang terdiri dari 6 tahap,
(algoritma pembelajaran pohon keputusan) yang yaitu(Pattipeilohy, Wibowo, and Utari 2017):
paling dasar”(Ispriyanti and Hoyyi 2016). 1. Business/Research Understanding Phase
Dengan Algoritms ID3 ini dapat memberikan Berdasarkan dari hasil daftar calon penerima
data yang lengkap sehingga akan lebih dipermudah beasiswa tiga tahun terakhir sekitar 708 siswa,
bagi pihak sekolah untuk menentukan calon data dapat dilihat pada lampiran 1 untuk dapat
penerima beasiswa(Pramadhani and Setiadi 2014). mempecepat penyeleksian harus dilakukan
pemeriksaan terhadap data-data yang
BAHAN DAN METODE dikumpulkan , hal ini dapat dibantu dengan
memanfaatkan teknik klaisifikasi pada data
A. Jenis Penelitian mining model ID3.
Didalam penelitian ini digunakan penelitian 2. Data Understanding Phase (Fase Pemahaman
dengan metode eksperimen dengan menggunakan Data)
data siswa calon penerima beasiswa di “SMP PGRI Data yang digunakan adalah data sekunder,
Caringin Sukabumi” sejumlah 708 orang, yang yang didapat dari wali kelas dan guru piket,
terdiri dari 28 orang siswa yang layak dan 680 didalam data tersebut dapat diketahui siswa
orang siswa yang belum layak. layak atau tidak menerima beasiswa yang
terdiri dari 12 atribut predictor dan 1 atribut
B. Instrument Penelitian hasil. Atribut-atribut yang menjadi parameter
1. Penelitian ini menggunakan data sekunder terlihat pada tabel1.
berupa data siswa yang berhak mencalonkan
sebagai penerima beasiswa yang akan Tabel 1. Atribut dan kategori layak dan belum
digunakan sebagai instrumen guna layak menerima beasiswa
memperoleh data dalam proses penyeleksian Atribut Kategori
beasiswa. Nilai Semeseter 1 (S1) >=80
<=80
Nilai Semester 2 (S2) >=80
Dari hasil perhitungan entropy dan gain sudah terklarifikasi yaitu dengan = <=1 bernilai
yang terdapat pada tabel 2, terlihat bahwa atribut ”Belum” dan = >=2 bernilai atribut Surat sehingga
Piagam yang diberi warna kuning mempunyai nilai atribut Surat belum terklarifikasi sehingga perlu
tertinggi 0,123555865. Oleh karena itu atribut dilakukan perhitungan entropi dan gain untuk
piagam menjadi akar atau node pertama dari masing-masing cabang tersebut. Hasil perhitungan
pohon keputusan yang terbentuk. Pada atribut untuk node 1.1 (= >=2) dapat dilihat pada tabel 3
piagam terdapat 2 cabang, yaitu = <=1 dan = >=2 berikut:
S1 >=80 88 3 85 0,21451
<=79 48 0 48 0
0,014049
S2 >=80 81 3 78 0,228538
<=79 55 0 55 0
0,016735
SAKIT <=3 83 3 80 0,224327
>=4 53 0 53 0
0,015944
IJIN <=2 108 3 105 0,183122
>=3 28 0 28 0
0,007429
ALPA <=2 68 3 65 0,260863
>=3 68 0 68 0
0,022418
PIAGAM >=2 26 3 23 0,515947
<=1 110 0 110 0
0,054212
DO'A >=90 15 3 12 0,721928
<=89 121 0 121 0
0,073225
SURAT >=90 14 3 11 0,749595
<=89 122 0 122 0
0,075685
KESIANGAN <=2 93 3 90 0,205593
>=3 43 0 43 0
0,01226
KABUR <=2 102 3 99 0,191433
>=3 34 0 34 0
0,009274
Hasil dari Node 1.1 diketahui nilai yang paling PIAGAM = <=1: BELUM {BELUM=110,
tinggi yaitu atribut Surat dengan nilai 0,075685. LAYAK=0}
Setelah dilakukan hasil perhitungan entropy dan PIAGAM = >=2
gain, maka pohon keputusan akan terbentuk, | SURAT = <=89
dimana pohon keputusan tersebut terbentuk | | DO'A = <=89: BELUM
dengan memanfaatkan Framework RapidMiner {BELUM=19, LAYAK=0}
versi 3, dengan desain model sebagai berikut: | | DO'A = >=90
| | | SAKIT = <=3: LAYAK
{BELUM=0, LAYAK=1}
| | | SAKIT = >=4: BELUM
{BELUM=3, LAYAK=0}
| SURAT = >=90
| | SAKIT = <=3: LAYAK {BELUM=0,
LAYAK=2}
| | SAKIT = >=4: BELUM {BELUM=1,
LAYAK=0}
Sumber: (Saputra, Ramdhani, and Supriatman
2018) Evaluasi Model Confusion Matrix
Gambar 1. Desain Model ID3 Pada table 4 adalah perhitungan berdasarkan
data training pada table 4, diketahui dari 136 data,
Tahapan awal dalam Ekperimen adalah 3 diklasifikasikan layak mendapatkan beasiswa
memasukan dataset yang akan digunakan kedalam sesuai dengan prediksi yang dilakukan dengan
modul Read Excell, kemudian dihubungkan dengan metode ID3, lalu 133 data diprediksi belum layak
modul Remove Duplicate untuk menghilangkan mendapatkan beasiswa.
data yang sama, kemudian dihubungkan dengan
modul algoritma ID3. Tabel 4. Model Confusion Matrix untuk Metode ID 3
Sehingga jika model tersebut dijalankan maka Accuracy 97.75% +/-3.44% (mikro:97.79%)
True True Class
akan didapatkan hasil pohon keputusan
BELUM LAYAK precision
Pred BELUM 132 2 98.51%
Pred LAYAK 1 1 50.00%
Class recall 99.25% 33.33%
Sumber: (Saputra, Ramdhani, and Supriatman
2018)
TP+TN 132+1
Accuracy = TP+TN+FP+FN = 132+1+1+2 = 0,977941
TP 132
Sensitivity = = 132+2 = 0,985075
TP+FN
TN 1
Specificity = = 1+1 = 0,5
TN+FP
TP 132
PPV = = = 0,333333
TP+FP 132+1
TN 1
NPV = TN+FN = = 0,992481
1+2
REFERENSI
Ispriyanti, Dwi, and Abdul Hoyyi. 2016. “Analisis
Klasifikasi Masa Studi Mahasiswa Prodi
Statistika Undip Dengan Metode Support
Sumber: (Saputra, Ramdhani, and Supriatman Vector Machine (SVM) Dan ID3 (Iterative
2018) Dichotomiser 3).” Media Statistika 9(1): 15–
Gambar 3. Kurva ROC ID3 29.
Kamal, Ahmad. 2017. “Sistem Penunjang
Dilihat bentuk dari kurvanya seperti gambar 3 Keputusan Penentuan Penerima Beasiswa
Hasil perhitungan kurva ROC untuk algoritma ID3 Dengan Metode Multiple AHP.” Jurnal Sains
dengan menggunakan data training hasilnya dan Informatika 3(2): 97.
sebesar 0,500. http://ejournal.kopertis10.or.id/index.php/s
ains/article/view/2787.
Deployment Kirom, Dalu Nuzlul, Yusuf Bilfaqih, and Rusdhianto
Dalam penerapan pada GUI yang dibuat, data Effendie. 2012. “Sistem Informasi Manajemen
yang digunakan sebanyak 708 record yang diambil Beasiswa LTS Berbasis Sistem Pendukung
secara random, hasil dari perhitungan tersebut Keputusan Menggunakan Analytical
didapat 28 siswa yang layak dan 680 siswa yang Hierarchy Process.” Jurnal Teknik Pomits
belum layak, Berikut Gambar 4 tampilan GUI yang 1(1): 1–6. http://digilib.its.ac.id/public/ITS-
dibuat: paper-24313-2207100183-Paper.pdf.
Narti. 2017. “Sistem Pendukung Keputusan
Pemilihan Siswa Berprestasi Menggunakan
Metode AHP Dan Topsis.” Jurnal Informatika
4(2): 196–205.
Pattipeilohy, William Frado, Arief Wibowo, and
Dyah Retno Utari. 2017. “Pemodelan Dan
Prototipe Sistem Informasi Untuk Prediksi
Pembaharuan Polis Asuransi Mobil
Menggunakan Algoritma C.45.” In Seminar
Nasional Teknologi Dan Informatika 2017
(SNATIF), Kudus, 791–99.
https://www.neliti.com/id/publications/173
500/pemodelan-dan-prototipe-sistem-
Sumber: (Saputra, Ramdhani, and Supriatman informasi-untuk-prediksi-pembaharuan-
2018) polis-asuran.
Gambar 4. Tes Uji yang Layak Pramadhani, Aline Embun, and Tedy Setiadi. 2014.
“Penerapan Data Mining Untuk Klasifikasi
Gambar 4 menggambarkan GUI untuk Penyakit ISPA Dengan Algoritma Desicion
memprediksi penentuan beasiswa, dengan hasil Tree.” Jurnal Sarjana Teknik Informatika e-
layak mendapatkan beasiswa. ISSN : 2338-5197 2(1): 831–39.
Radhitya, Yogha, Fitro Nur Hakim, and Achmad
KESIMPULAN Solechan. 2016. “Rancang Bangun Sistem
Pendukung Keputusan Penentuan Penerima
Kesimpulan dari penerapan metode Beasiswa Dengan Metode SAW.” Jurnal Speed
iterative dichotomizer 3 (ID3) untuk penentuan - Sentra Penelitian Engineering dan Edukasi
beasiswa berprestasi. Dalam upaya membantu 8(2): 23–32.
pihak sekolah khususnya tata usaha dalam Saputra, Rizal Amegia, Lis Saumi Ramdhani, and
menangani seleksi beasiswa, metode ini dapat Supri Supriatman. 2018. “Laporan Penelitian-
menjadi alternatif pemecahan masalah Penerapan Metode Iterative Dichotomizer 3
diantaranya: aplikasi ini dapat membantu tata (ID 3) Untuk Menentukan Beasiswa
usaha sebagai pengolah dalam penentuan beasiswa Berprestasi Pada SMP PGRI.”
1, 2 Ilmu Komputer
Sebelum melakukan perhitungan tf , perlu hasil Perhitungan tf , data sample dari jumlah
melakukan indexsing dan filtering terlebih dahulu dokumen yang ada dihasilkan 60 token dari 6
dari semua dokumen yang ada, agar data yang di dokumen dan satu query, untuk mendapatkan
hasilkan dari setiap dokumen memiliki arti yang jarak dokumen dan query, di perlukan
memiliki makna. D1, D2, D3, D4,D5,D6 = Dokumen perhitungan idf yang di hasilkan dari tokenasi
tf = banyak kata yang dicari pada sebuah hasil perhitungan pada table 2 berikut:
dokumen. D = total dokumen, df = Banyak
dokumen yang mengandung kata yang dicar,Dari
TF-IDF (Term Frequency - Inverse Document digunakan untuk pembobotan dalam Information
Frequency) merupakan perhitungan statistik yang Retrieval dan text mining. Nilai TF-IDF (Term
bertujuan untuk memberikan gambarkan Frequency - Inverse Document Frequency) akan
seberapa penting sebuah kata terhadap sebuah meningkat seiring dengan banyaknya jumlah kata
koleksi dokumen yang tersedia. TF-IDF (Term yang sering muncul di dalam koleksi dokumen.
Frequency - Inverse Document Frequency)
Dokumen dipandang sebagi sebuah vektor yang vektor dokumen dan query,panjang dokumen
memiliki magnitude (jarak) dan direction (arah). cendrung memiliki frekuensi kemunculan kata
Pada Vector Space Model, sebuah istilah yang besar.Setelah diketahui perhitungan jarak
direpresentasikan dengan sebuah dimensi dari antara Q-D dengan menggunakan rumus Sqrt (D)
ruang vektor. Relevansi sebuah dokumen ke = Sqrt ( ∑𝑛𝑗 = 1 𝑄 2𝐽 ).
sebuah query didasarkan pada similaritas diantara
pencarian dokumen pada perpustakaan Singh, V. K., Singh, V. K., Vishwavidyalaya, G.,
digital. Dengan sistem informasi temu Programmer, S. A., & Vishwavidyalaya, G. G.
kembali dapat merancang sebuah alat yang (2015). VECTOR SPACE MODEL : AN
akan memungkinkan pengguna untuk INFORMATION RETRIEVAL, 141–143.
mengambil informasi secara lebih efisien dan
Sjaeful Afandi; Firman Ardiansya; Blasius
efektif. Soedarsono. (2015). Pengembangan Sistem
Temu Kembali Informasi Digital Fulltext
REFERENSI Artikel Jurnal Di Pdii – Lipi. Baca: Jurnal
Dokumentasi Dan Informasi, 36(1), 65–76.
Amin, F. (2012). Sistem Temu Kembali Informasi https://doi.org/http://dx.doi.org/10.14203
dengan Metode Vector Space Model, 02, 78– /j.baca.v36i1.203
83.
Yulianto, B., Budiharto, W., & Kartowisastro, I. H.
Amin, F., & Purwatiningtyas. (2015). Rancang (2017). The Performance of Boolean
Bangun Information Retrieval System ( IRS ) Retrieval and Vector Space Model in Textual
Bahasa Jawa Ngoko pada Palintangan Information, 11(1), 33–39.
Penjebar Semangad dengan Metode Vector
Space Model ( VSM ). Jurnal Teknologi Zain, M. Y., & Suswati. (2016). Information
Informasi DINAMIK, 20(1), 25–35. Retrieval System Pada Pencarian File
Dokumen Berbasis Teks Dengan Metode
Elektro, J. T., Studi, P., Telekomunikasi, T., Malang, Vector Space Model Dan Algoritma ECS
P. N., Atmadja, M. D., Elektro, J. T., … Malang, Stemmer. Jurnal Insand Comtech, 1(1), 30–
P. N. (2017). INFORMATION RETRIEVAL 37.
TUGAS AKHIR DAN PERHITUNGAN
KEMIRIPAN, 8(1), 355–362. Zhou, H., Liu, B. W., & Liu, J. (2012). Research on
mechanism of the information retrieval
Harcourt, P., & Japheth, R. B. (2016). Application of based on ontology label. Procedia
Vector Space Model to Query Ranking and Engineering, 29, 4259–4266.
Information Retrieval, 6(5), 42–47. https://doi.org/10.1016/j.proeng.2012.01.6
54
Irmawati. (2017). Sistem Temu Kembali Informasi
Pada Dokumen Dengan Metode Vector Space
Model. Jurnal Ilmiah Fifo, IX(1), 74–80.
Abstract—Big data is the latest industry keyword to mengirimkan semua datanya. Hal tersebut
describe large volumes of structured and menyebabkan semua proses bertumpu pada sisi
unstructured data that are difficult to process and client. Sehingga beban client menjadi berat dalam
analyze. Most organizations are looking for the best menampilkan semua data tersebut. Pada penelitian
approach to managing and analyzing large volumes ini akan diterapkan teknik server-side processing
of data, especially in decision making. Large data sehingga semua proses akan diatasi oleh server
causes the process of presenting information to be dan data yang dikirim tidak langsung semuanya,
slow because all the large amounts of data must be melainkan berdasarkan request secara berkala dari
displayed so that specific techniques are needed so client. Hasil penelitian ini menunjukkan
that the presentation of information remains fast penggunaan teknik server-side processing lebih
even though the data is already large. The website optimal. Berdasarkan hasil pengujian
generally processes requests to the server, and then perbandingan kecepatan penyajian data dengan
if the required data is available, the server will send teknik server-side processing 98,6% lebih unggul
all the data. This causes all processes to be based on daripada client-side processing.
the client-side. So that the client load becomes heavy
in displaying all the data. In this study, server-side Kata Kunci: Big Data, Client-side Processing,
processing techniques will be applied so that all Data Tables, Server-side Processing
processes will be handled by the server and the data
sent is not all direct but based on periodic requests PENDAHULUAN
from the client. The results of this study indicate the
use of server-side processing techniques is more Saat ini semenjak maraknya penggunaan
optimal. Based on the results of testing the data slogan “paperless” menjadikan permasalah baru
presentation speed comparison with server-side bagi dunia digital. Data digital semakin bertumpuk,
processing techniques 98.6% is better than client- hari ke hari database berjumlah ratusan ribuan
side processing. bahkan jutaan. Para ahli, pakar maupun organisasi
Keywords: Big Data, Client-side Processing, Data mencari alternatif dan pendekatan terbaik untuk
Tables, Server-side Processing mengelola data besar (big data)(Gartner, n.d.).
Tren penyajian data yang paling banyak digunakan
Intisari—Data besar merupakan kata kunci para developer adalah library datatable. Datatable
industri terbaru untuk menggambarkan volume menggunakan tipe koneksi half-duplex yaitu dua
besar data terstruktur dan tidak terstruktur yang arah namum tidak bisa bersamaan (Husen,
sulit untuk diproses dan dianalisis. Sebagian besar Rahmatulloh, & Sulastri, 2019). Datatable
organisasi mencari pendekatan terbaik untuk merupakan library jquery javascript yang
mengelola dan menganalisa volume data yang bertujuan untuk manipulasi data yang panjang
besar terutama dalam pengambilan keputusan. menjadi data pendek, selain itu mempunyai fitur
Data besar menyebabkan proses penyajian seperti pencarian, halaman, sorting dan tampilan
informasi menjadi lambat dikarenakan semua data data yang rapi, interaktif dan responsive
yang banyak harus ditampilkan, sehingga (SpyMedia, 2019). Namun seiring dengan waktu,
diperlukan teknik tertentu agar penyajian datatable menuai kontroversi bagi web developer.
informasi tetap cepat walaupun data sudah Penggunaan datatable menyebabkan kinerja suatu
banyak. Website pada umumnya melakukan proses web menjadi lambat, hal ini dikarenakan datatable
request kepada server, kemudian jika data yang meload semua record yang ada pada suatu table
diperlukan tersedia maka server akan dalam database. Ketika data masih sedikit tidak
ada permasalahan, kinerja penyajian data berjalan kesalahan dalam halaman web yang dihasilkan
normal. Namun ketika data besar hal ini menjadi dengan mempertimbangkan proses sisi server dan
kendala dan mengurangi kinerja sehingga kompleksitas jalur black-box.
performa web menjadi (Gope, Schlais, & Lipasti,
2017). Untuk mengatasi permasalahan tersebut, B. Kerangka Peneltian
akan dicoba penerapan teknik server-side Dalam penelitian ini dibuat sebuah kerangka
processing sehingga dengan menitik beratkan penelitian yang dijadikan pedoman untuk dapat
semua proses pada sisi server akan membuat menyelesaikan masalah terkait yang akan diteliti,
proses load data pada sisi client menjadi ringan digambarkan pada Gambar 1.
dan cepat. Karena dengan teknik ini data besar
tidak akan di load semua secara langsung,
melainkan dibatasi oleh server berdasarkan
dengan request yang dilakukan oleh client. Dengan
demikian berapapun jumlah record yang akan
disajikan tidak akan menjadi kendala lagi. Maka
pada penelitian ini akan dicoba menguji kinerja
penggunaan teknik server-side processing pada
penyajian big data sehingga diharapkan kinerja
web lebih optimal.
A. Literatur Review
Penelitian (Burd et al., 2006) membahas
metode dan peralatan untuk membuat bahasa
perantara atau file kode sumber dari sumber daya
dari sisi server atau halaman web yang dinamis. Sumber: (Sulastri, Rahmatulloh, & Hidayat, 2019)
Kode sumber kemudian dapat dikompilasi menjadi Gambar 1. Kerangka Penelitian
kelas yang dapat dieksekusi yang memungkinkan
Gambar 1 merupakan kerangka metode
untuk pembuatan halaman web yang cepat untuk
penelitian, tahap pertama yaitu tahap analisis,
mengontrol objek yang menjalankan fungsi dari
tahap kedua adalah tahap design, tahap ketiga
sisi server, termasuk render dari client.
merupakan tahap implementasi perbandingan
Penelitian (Yannick Saillet, 2013) membahas
server-side processing dengan client-side processing,
sebuah metode tentang masukan ke komputer.
tahap selanjutnya adalah tahap pengujian dan
Masukannya adalah terkait dengan frame aplikasi
tahap terakhir adalah hasil dan simpulan.
web dari sisi client browser. Metode ini mencakup
pengkodean kontrol karakteristik dari input atau
HASIL DAN PEMBAHASAN
setidaknya sebagian dari permintaan ke aplikasi
dari sisi server web.
A. Analisis
Penelitian (Gope et al., 2017) membahas
Dalam penelitian ini data yang diperlukan
tentang PHP yang merupakan bahasa skrip dari
untuk pengujian data server-side processing dan
sisi server yang dominan yang digunakan untuk
client-side processing maka dibutuhkan data besar
menerapkan konten web dinamis. Kompilasi tepat
sebagai pengujian kedua proses tersebut. Big
waktu, seperti yang diterapkan di HipHopVM
datasets didapatkan dari situs dataset archive yaitu
mutakhir Facebook, untuk membantu mengurangi
https://archive.ics.uci.edu berupa file data bank
kinerja PHP yang buruk, tetapi overhead yang
yang berjumlah 45.211 row data.
besar tetap ada, terutama untuk aplikasi PHP
1. Analisis Kebutuhan Fungsional
berskala besar yang realistis.
Analisis kebutuhan fungsional ini meliputi:
Penelitian (Wang, Zender, & Jenks, 2009)
a) Penyajian data dari database.
membahas tentang teknologi yang terus
b) Menampilkan informasi mengenai ukuran
memungkinkan para ilmuwan untuk mengatur
dan kecepatan pemanggilan data
arsip baru dalam pengumpulan dan produksi data,
mengintensifkan kebutuhan alat skala besar untuk
2. Analisis Kebutuhan Non Fungsional
secara efisien memproses dan menganalisa data
a. Analisis Perangkat Lunak / Software
besar yang terus meningkat.
Perangkat lunak yang digunakan untuk
Penelitian (Kersten & Goedicke, 2010)
penyajian teknik server-side processing dan client-
membahas Pengujian berbasis browser adalah
side processing saat ini adalah sebagai berikut :
instrumen yang memadai untuk mendeteksi
1) Sistem Operasi : Microsoft Windows 10 Pro penyajian data, grafik pengujian dan tabel
2) Web Server : Apache 2.4.23 pengujian.
3) Database : Mysql 5.0.11
4) Web browser : Google Chrome 69.0.349
5) Text Editor : Sublime Text 3.1.1
b. Analisis Perangkat Keras / Hardware
Perangkat keras yang digunakan untuk
menerapkan teknik server-side processing saat ini
spesifikasinya adalah sebagai berikut :
1) Processor dengan kecepatan minimal 1.5 GHz.
2) Memory RAM minimal 2GB
3) VGA minimal 512 MB
4) Harddisk dengan kapasitas penyimpanan
minimal 500 GB
5) Monitor dengan resolusi 1366 x 768
B. Design
Setelah melakukan analisis terhadap sistem,
sesuai dengan kerangka penelitian maka tahap
selanjutnya yang dilakukan adalah tahap desain.
Dalam implentasi teknik server-side processing
beberapa rancangan yang dibuat adalah flowchart
alur sistem, struktur tabel database dan rancangan
antar muka sistem.
Gambar 2 merupakan flowchart alur sistem
untuk penerapan teknik server-side processing
dimana dalam proses menampilkan data yang
dipilih sesuai penyajian data tersebut dimulai dari
memilih penyajian data kemudian data akan Sumber: (Sulastri et al., 2019)
ditampilkan menurut penyajian data yang dipilih Gambar 3. Tampilan Antar Muka Dashboard
kemudian data akan ditampilkan dan dilakukan
pengujian berdasarkan hasil tersebut.
1. Client-side Processing
22 204 64631 8610 2207156 Penyajian data server-side processing telah berhasil
23 268 64430 8610 2207684 di implementasikan pada aplikasi sederhana dan
24 960 64288 8610 2207309
25 868 64371 8610 2208591
dilakukan proses perbandingan ukuran dan
26 1172 64736 8610 2207855 kecepatan load data dengan client-side processing.
27 814 64798 8610 2207824 Dari hasil pengujian tools menggunakan JMeter
28 1199 64010 8610 2208133 terhadap client-side processing dan server-side
29 837 64616 8610 2208126 processing didapat presentase 98,6% lebih cepat
30 937 64052 8610 2208412
server-side processing dibandingkan client-side
31 1118 64598 8610 2207765
32 1183 64402 8610 2207885 processing. Sementara pada penggunaan memory
33 880 64484 8610 2208267 server-side processing lebih kecil 99,6%
34 1041 64828 8610 2207210 dibandingkan dengan client-side processing. Hal
35 1101 64507 8610 2208189 tersebut menunjukkan penggunaan teknik server-
36 1084 64899 8610 2207874 side processing lebih optimal. Untuk
37 1123 64364 8610 2207298
38 1166 64695 8610 2207262
pengembangan teknik server-side processing ini,
39 342 64239 8610 2207482 selanjutnya dapat dicoba menerapkan teknik
40 1274 63957 8610 2207651 server-side processing ke dalam proses lain selain
41 850 63965 8610 2207725 DataTables dan proses pengujian menggunakan
42 953 64350 8610 2207518 beberapa server terdistribusi (distributed server).
43 1019 64545 8610 2208014
44 693 64924 8604 2207068
45 1355 64687 8610 2208092 REFERENSI
46 1648 64014 8610 2208476
47 2184 64782 8610 2207516 Burd, I. G. S., Us, W. A., Cooper, K. B., Us, W. A.,
48 2043 63930 8610 2207727 Guthrie, S. D., Us, W. A., … Us, W. A. (2006). (
49 3510 64719 8610 2207082
12 ) United States Patent T A 1910, 1(12).
50 4147 64334 8616 2207899
Rata Rata 960,28 62651,02 8610 2207860 Gartner. (n.d.). What Is Big Data ? Gartner IT
Sumber: (Sulastri et al., 2019) Glossary - Big Data.
Gope, D., Schlais, D. J., & Lipasti, M. H. (2017).
Tabel 1 menjelaskan riwayat pengujian Architectural Support for Server-Side PHP
performance test menggunakan tools JMeter, Processing. ACM SIGARCH Computer
pengujian ini dilakukan sebanyak 50 kali Architecture News, 45(2), 507–520.
percobaan. Dari hasil pengujian performance test https://doi.org/10.1145/3140659.3080234
didapatkan nilai rata-rata 62651,02 ms kecepatan Husen, H., Rahmatulloh, A., & Sulastri, H. (2019).
load data dan 2207860 bytes penggunaan memory Implementasi Komunikasi Full Duplex
untuk client-side processing sedangkan untuk Menggunakan Web Socket Pada Sistem
server-side processing didapatkan hasil dengan Informasi Pengelolaan Anggaran Universitas
rata-rata 960,28 ms kecepatan load data dan 8610 Abc. Simetris: Jurnal Teknik Mesin, Elektro
bytes untuk penggunaan memory. Adapun hasil Dan Ilmu Komputer, 9(1), 603–612.
perbandingan kecepatan load data disajikan dalam Kersten, B., & Goedicke, M. (2010). Browser-based
bentuk grafik yang dapat dilihat pada Gambar 12. Analysis of Web Framework Applications.
Electronic Proceedings in Theoretical
Computer Science, 35, 51–62.
https://doi.org/10.4204/eptcs.35.5
SpyMedia. (2019). DataTables Examples - Server
Side Proccessing. Retrieved from
https://datatables.net/examples/server_side
Sulastri, H., Rahmatulloh, A., & Hidayat, D. K.
(2019). Laporan Akhir Penelitian “Server-Side
Processing Techniques For Optimizing The
Speed Of Presenting Big Data.” Jawa Barat.
Wang, D. L., Zender, C. S., & Jenks, S. F. (2009).
Efficient clustered server-side data analysis
Sumber: (Sulastri et al., 2019) workflows using SWAMP. Earth Science
Gambar 12. Grafik Perbandingan Server dan Client-side Informatics, 2(3), 141–155.
Processing https://doi.org/10.1007/s12145-009-0021-z
Yannick Saillet, S. (DE). (2013). Server Side
KESIMPULAN Processing Of User Interactions With A Web
Browser, 2(12).
Abstract—Computer is the one of technology that saat ini prosedur rekam medik pada Klinik
can make people activity easier. To maximize the Pratama Rawat Inap Naja Shafana belum
computer utilization it need a computerization terkkomputerisasi. Salah satunya pada prosedur
system. Like on Klinik Pratama Rawat Inap Naja pendaftaran rawat jalan. Data pasien yang
Shafana that give health service. The service that mendaftar dicatat dalam lembaran kertas yang
given are outpatient, inpatient and emergency unit. rentan terhadap kerusakan atau hilangnya data.
Until now, medical records procedure at Klinik Selain itu riwayat pasien mulai dari anamnesia,
Pratama Rawat Inap Naja Shafana still done by diagnosa, dan terapi juga dicatat dalam lembaran
hand, one of them is on outpatient procedure. The kertas. Pencatatan data pemeriksaan pasien rawat
registration of medical patient data was written on inap masih dilakukan dalam lembaran kertas. Data
paper that susceptible from damage and data loss. diarsipkan dengan acak, sehingga akan
Besides that, the history of medical patient start membutuhkan waktu lama dalam pencarian data
form anamnesia, diagnose and therapy wrote on dan pembuatan laporan. Tempat arsip yang
paper too. The Medical patient checkup data of terbuka juga memungkinkan pihak yang tidak
inpatient still on a paper. The data have been berwenang dapat mengakses data. Sebagai unit
random archived, so it need long time for searching kesehatan yang melayani masyarakat umum,
data and arrange the report. As a health unit that Klinik Pratama Rawat Inap Naja Shafana
serve general society, Klinik Pratama Rawat Inap membutuhkan sebuah sistem informasi yang
Naja Shafana need an information system that can dapat mempercepat kinerja dan mengurangi
accelerate performance and increase redundancy, redudansi, hilangnya data dan kerusakan data.
data loss and data detriment. The information Sistem informasi juga dapat mempermudah
system also can make archived and data searched pengarsipan dan pencarian data serta dapat
easily and can block access from uncompetent menghalangi pengaksesan data oleh pihak yang
people. Therefore, it’s necessary to make medical tidak berwenang. Oleh karenanya perlu dibuat
records information system on Klinik Pratama sistem informasi rekam medik pada Klinik
Rawat Inap Naja Shafana. A computerization Pratama Rawat Inap Naja Shafana. Dengan
system besides accelerate performance also can dibuatnya sistem yang terkomputerisasi selain
make data reporting easier. mempercepat kinerja juga akan mempermudah
Keywords: Information System, Medical Records dalam pelaporan data.
Information System, Medical Records Kata Kunci: Perancangan Sistem Informasi, Sistem
Informasi Rekam Medis
Intisari—Komputer merupakan salah satu
teknologi yang dapat mempermudah aktivitas PENDAHULUAN
manusia. Agar dapat memaksimalkan penggunaan
komputer maka perlu dibuat sebuah sistem yang Kesehatan merupakan faktor penting
terkomputerisasi. Begitupun pada Klinik Pratama dalam kehidupan manusia. Jika seorang manusia
Rawat Inap Naja Shafana yang memberikan sakit maka aktivitas kesehariannya terganggu.
pelayanan kesehatan. Pelayanan yang diberikan Pentingnya kesehatan bagi manusia mendorong
meliputi rawat jalan, rawat inap dan UGD. Sampai berdirinya tempat pelayanan kesehatan yang
Wawancara dilakukan untuk A12. Admin rawat jalan, dokter, perawat dapat
mendapatkan informasi yang akurat. Wawancara mengelola data rawat jalan.
dilakukan kepada paramadis klinik mengenai A13. Admin rawat inap dapat mengelola data
sistem berjalan rekam medis. Selain itu, rawat inap.
wawancara juga dilakukan kepada pasien yang A14. Petugas administrasi dapat mengelola kartu
berkunjung mengenai pelayanan kesehatan pada kontrol.
Klinik Pratama Rawat Inap Naja Shafana. A15. Dokter, admin rawat jalan, admin rawat inap
Selain melakukan observasi dan dapat mengelola surat rujukan.
wawancara, studi pustaka juga diperlukan untuk A16. Dokter, admin rawat jalan, admin rawat inap
membantu menganalisa prosedur pada Klinik dapat mengelola surat keterangan sakit.
Pratama Rawat Inap Naja Shafana. Studi Pustaka A17. Dokter, admin rawat jalan dapat mengelola
dilakukan dengan mempelajari beberapa buku, surat keterangan sehat.
jurnal dan literature yang sesuai atau relevan A18. Kepala Klinik dapat megelola laporan data
dengan topik penelitian. master.
Model pengembangan sistem yang A19. Kepala Klinik dapat mengelola laporan data
digunakan adalah model air terjun (waterfall). transaksi.
Model SDLC air terjun (waterfall) sering juga A20. Doker, bidan dapat mengelola data KIA.
disebut model sekuensial linier atau alur hidup A21. Dokter dapat mengelola data pemeriksaan
klasik. Model air terjun menyediakan pendekatan gigi.
alur hidup perangkat lunak secara sekuensial atau A22. Dokter, bidan dapat mengelola data bersalin.
terurut dimulai dari analisis, desain, pengodean,
pengujian, dan tahap pendukung B. Desain
(support)(Hidayat, Marlina, & Utami, 2017).
Desain dilakukan dengan menggunakan
HASIL DAN PEMBAHASAN diagram activity diagram, use case diagram, ERD,
LRS, Component Diagram, dan Deployment
A. Analisis Diagram.
pasien.
A2. Kepala Klinik dapat mengelola data paramedis. Edit
yang ada kemudian digambarkan pada use case Main Flow / Basic Path 1. Admin melihat data
Paramedis
diagram. 2. Admin menambah data
Paramedis
Tabel 1. Deskripsi Use Case Diagram Mengelola 3. Admin menyimpan data
Paramedis
Data Pasien
Invariant A 2a. Admin mengedit data
Usecase Name Mengelola Data Pasien
Paramedis
Requirements A1
Invariant B 2b. Admin menghapus data
Goal Admin dapat menambah,
Paramedis
mengedit dan menghapus
data pasien. Sumber: Rahmawati (2017)
Admin dapat mengetahui
riwayat penyakit pasien. Browse Data IGD
Tampilkan Form
update, dan menghapus IGD
Primary Actors Administrator <<extend>>
<<include>>
pasien Hapus
Invariant A 2a. Admin mengedit data
pasien
Invariant B 2b. Admin menghapus data
pasien
Sumber: Rahmawati (2017) Simpan
<<include>>
Tabel 3. Deskripsi Use Case Diagram Mengelola
<<extend>>
Melihat Data
Paramedis
Menampilkan data
paramedis
Input Data
Paramedis
Edit Data
Paramedis
Pilih Data
Paramedis
Melihat Data
Pasien
Edit
Pilih Tindakan
Input Data
Pasien Pilih Jawaban
Edit Data Ya
Pasien Hapus Data
Paramedis
Tidak
Resep_id Obat_id
Rumahsakit_id Poli_id Obat_id Obat_nama
Rumahsakit_nama Poli_nama Resep_jumlah Obat_satuan
Rumahsakit_alamat Rumahsakit_id Resep_aturanminum Obat_stok
Rumahsakit_telp Poli_keterangan
Edit Rujukan_id
PilihTindakan Rujukan_tgl
Rj_id
Rumahsakit_id
Hapus Rujukan_idpoli
Menampilkan Dialog Paramedik_id
KonfirmasiHapus
Paramedik_id
Paramedik_nip
Ugd_id Paramedik_nama
PilihJawaban Pasien_id Paramedik_alamat
Ugd_tgl Paramedik_status
Ugd_jam Paramedik_notelp
Ugd_usia
Ugd_tensi
Ugd_anamnesia
Ya Ugd_diagnosa
Ugd_therapy
Hapus Data Pasien Ugd_iddokter Pasien_id
Pasien_nama
Tidak Pasien_pekerjaan
Pasien_alamat
Pasien_tgllahir
Pasien_jk Sks_id
Pasien_status Sks_tgl
Pasien_idkartu Daftarrj_id
Sks_tensi
keterkaitan untuk membangun sistem Gambar 11 adalah form paramedis. Form ini
terkomputerisasi. digunakan untuk input data seluruh paramedis
yang ada. Form dapat diakses oleh Kepala Klinik.
End If
End With
End Sub
tidpasien = ""
Else D. Testing
'rsdaftarrj.Open "select*from daftarrj where
daftarrj_idpasien='" & tidpasien & "'", konek Setelah kode diimplementasikan, metode
'If Not rsdaftarrj.BOF And rsdaftarrj.EOF Then
'If MsgBox("Pasien sudah mendaftar hari ini, tetap
black box testing dilakukan untuk mengevaluasi
tambahkan pasien?", vbQuestion + vbOKCancel) = vbOK program. Tujuan dilakukan blackbox testing
Then adalah untuk mendeteksi adanya kesalahan atau
tnama = rspasien.Fields("pasien_nama") kegagalan pada sistem informasi rekam medis.
talamat = rspasien.Fields("pasien_alamat")
tjk = rspasien.Fields("pasien_jk") Tabel 4 Hasil Pengujian Black Box Testing Form
If tjk = "P" Then Pendaftaran
tjenis = "Perempuan"
ElseIf tjk = "L" Then No Skema Test Case Hasil Yang Hasil Kesimpul
tjenis = "Laki-laki" Pengujian Diharapkan Pengujian an
REFERENSI
memiliki ukuran yang lebih besar jika tidak menghilangkan kualitas tampilan dan
dibandingkan resolusi layar yang terdapat pada estetika dari desain sebuah web.
Smartphone. Yang menjadi kendala adalah
mayoritas halaman web yang ada masih BAHAN DAN METODE
menerapkan konsep fix-width design, atau layout
web dengan ukuran lebar tetap, dapat dikatakan Pada bagian paper ini akan dijelaskan
layout web belum dapat menyesuaikan ukuran seputar metode penelitian dan perancangan
layar secara otomatis berdasarkan perangkat yang desain.
yang digunakan. Hal ini menyebabkan pengguna
harus mengatur ukuran halaman web, agar tampil 1. Alat dan Bahan
secara maksimal. Hal ini menuntut para desainer Adapun sebagai bahan (tools) pendukung
web untuk mendesain tampilan sebuah web agar yang digunakan dalam perancangan desain layout
dapat menyesuaikan dibeberapa layar sekaligus web responsif ini, terbagi menjadi dua, yaitu
atau lebih dikenal dengan Responsive Web Design perangkat lunak (software) dan perangkat keras
(RWD). Sebuah website harus dapat merespon alat (hardware).
pengaksesnya dari mulai layar lebar, hingga layar
kecil. Tuntutan responsif pun tidak mengada-ada, Tabel 1. Spesifikasi Software dan Hardware
mengingat saat ini telah beredar perangkat No Alat (tools) Keterangan
bergerak (mobile devices) seperti smartphone, Perangkat Lunak
tablet, netbook, dan produk-produk sejenis di Editor
(Software)
seluruh penjuru dunia (Anugerah, 2013). 1 Pengujian dan
a. Sublime Text
Adapun manfaat dan tujuan dari simulasi
b. Mozilla/ Chrome
penggunaan teknik responsif pada saat Spesifikasi PC
membangun sebuah layout web adalah agar Perangkat Keras Standar
website tersebut dapat secara otomatis (Hardware) minimal: RAM
mendeteksi dan mengetahui, perangkat jenis apa a. 1 Unit PC/ Laptop 2G, HDD 80G
yang sedang digunakan, serta dapat mengetahui 2 b. Mouse, monitor,
segala jenis ukuran layar yang bervariasi. Maka keyboard Ujicoba pada
akan didapatkan tampilan layout web yang secara (peripheral) ponsel Lenovo
otomatis dapat menyesuiakan ukuran layar, c. Ponsel dengan OS
dengan tetap memperhatikan fitur-fitur dari Android
sebuah halaman web, tanpa merubah isi dari web Sumber: (Santoso, 2019)
tersebut.
Dalam penelitian ini digunakan metode 2. Metode
teknik Responsive Web Design (RWD), agar layout
web dapat menyesuikan terhadap ukuran layar Metodologi penelitian ini dilakukan dengan
secara otomatis, diantaranya dapat menggunakan beberapa tahapan, diantaranya:
teknik manual dengan menggunakan Media Query A. Studi literatur
CSS atau dapat menggunakan Framework CSS Pada tahap awal dilakukan studi terhadap
seperti Bootstrap dan Foundation Framework beberapa artikel dan buku, yang berkaitan dengan
(Anugerah, 2013). Namun pada penelitian ini perancangan desain web responsif, Bootstrap CSS
dibatasi hanya menggunakan Framework CSS Framework. Pada tahap ini juga dilakukan untuk
Bootstrap versi 4 di dalam pembuatan menemukan fokus persoalan serta perumusan
perancangan layout web responsif. Serta sebagai solusi yang akan ditawarkan pada penelitian ini.
tools pendukung digunakan Sublime Text sebagai B. Analisis permasalahan dan perumusan
editor dan Mozilla, Chrome yang digunakan hipotesis.
sebagai browser, untuk mensimulasikan tampilan Setelah didapatkan bahan literatur, pada
website. tahap ini dilakukan analisis untuk merumuskan
Hasil yang diharapkan tentunya dengan sebuah solusi yang akan ditawarkan.
menggunakan teknik Responsive Web Design C. Perancangan solusi
(RWD), kenyamanan dalam berselancar didunia Pada tahap ini, akan diawali dengan
maya memberikan pengalaman yang berbeda bagi perancangan sebuah desain yang akan dijadikan
pengguna, ketika mengakses sebuah web, baik di sebuah solusi dari permasalahan yang diangkat.
komputer, smartphone dan tablet, namun akan D. Implementasi solusi dan uji coba
tetap mendapatkan tampilan yang sama, meskipun Penerapan solusi dari perancangan yang telah
diakses pada perangkat yang berbeda, yang dilakukan, akan diujikan dengan
memiliki ukuran layar yang bervariasi, dengan mengimplementasikan ke dalam kode
pemrograman.
untuk dipahami. Yang harus diketahui tentang dengan Library jQuery. Contoh dalam penggunaan
penggunaan Bootstrap adalah: slider untuk slideshow gambar.
1. Mobile First Approach Struktur library file yang terdapat didalam
Fokus utama Bootstrap layout didesain untuk Bootstrap framewok, diantaranya: a) folder css
dapat mengikuti ukuran layar ponsel. terdapat file yang berisi file-file css, seperti file
2. Browser Support bootstrap.css. b) folder js yang berisi file-file
Dukungan dari beberapa browser terkenal javascript seperti file bootstrap.js. Pada Bootstrap
seperti Internet Explorer, Safari, Mozilla, Chrome versi 4 ini, ada beberapa file dari luar Bootstrap
dan Opera. yang harus disertakan agar Bootstrap dapat
3. Knowledge to get started berjalan sebagaimana mestinya. File jquery.js,
Syarat dalam mempelajari Bootstrap harus yang didapatkan dari Libray jQuery serta Popper
terlebih dahulu memahami HTML dan CSS yang memuat library file popper.js
4. Responsive Design Bootstrap mengadopsi teknik grid system,
Penggunaan Bootstrap bertujuan agar layout untuk mengatur ukuran tampilan layar. Grid
yang dibangun dapat menyesuaikan, serta system yang berfungsi untuk membuat
beradaptasi terhadap tampilan layar desktop, pengaturan dari lebar masing-masing komponen,
tablet dan ponsel. sehingga dapat dengan mudah dan fleksibel dalam
Beberapa paket yang sudah built-in dari pengaplikasiannnya didalam layout web.
Bootstrap, diantaranya adalah, sebagai berikut: Terdapat 12 grid yang dapat diatur sesuai dengan
1. Scaffolding kebutuhan layout. Bootstrap memiliki class-prefix
Struktur Bootstrap menyediakan struktur yang dapat digunakan, dan merespon ketika
dasar dengan Grid System Model ukuran atau breakpoint pixel terpenuhi. Class
2. CSS (Cascading Style Sheets) prefix bootstrap terdapat empat class,
Menyediakan CSS library tersendiri, yang diantaranya: 1) col-lg-*, akan berjalan ketika
dibuat dengan konsep media query. layout berada diukuran layar monitor besar. 2)
col-md*, akan berjalan ketika layout berada
3. Component diukuran layar sedang (default). 3) col-sm*, class
Bootstrap menyediakan fitur-fitur yang prefix ini akan berjalan pada layar ukuran tablet.
interaktif seperti menu dropdown, navigasi, alert, 4) col*xs, class extra small akan berjalan pada
panel, dll. ukuran layar ponsel.
4. Javascript Plugin Berikut ini tampilan grid system yang
Fitur yang berfungsi agar layout lebih terdapat pada css framework Bootstrap dapat
interaktif, Bootstrap sudah menyediakan dilihat pada Tabel 2 dibawah ini:
Bootstrap Javascript Plugin, yang dipadukan
KESIMPULAN
Hasan Basri1, Salman Alfarizi2, Alif Rizqi Mulyawan3, Aldi Wiguna 4, Izmi Habiba 5
1,2,3,4,5 Program
Studi Sistem Informasi
1,2,3,4,5 Universitas
Bina Sarana Informatika
www.bsi.ac.id
hasan.hhi@bsi.ac.id, salman.slz@bsi.ac.id, alif.aqm@bsi.ac.id, aldiwap@gmail.com,
izmihabiba98@gmail.com
Abstract— Based information system is a system mengalami beberapa keluhan dari masyarakat
that can be used for the dissemination of adalah pelayanan perekaman E-KTP yang
information through internet services. In this case mengalami antrian begitu panjang. Oleh karena itu
the internet is becoming the provider of a set of sistem informasi berbasis web ini dalam lingkup
information that is posted or uploaded, so that the Booking Perekaman E-KTP dapat mengurangi
public can see it every time. Therefore the presence angka antrian yang berkepanjangan sehingga
of the internet make it easier to people to be able to masyarakat merasa tidak puas terhadap
implement the results of the analysis of a system, so pelayanan pemerintah. Pada penelitian ini
that the formation of a web-based information dihasilkan sebuah perancangan sistem informasi
systems. Government services was supposed to use a berbasis web yang dapat diimplementasikan pada
web-based information systems, it is used in order proses Booking perekaman E-KTP yang ada pada
to obtain the maximum work achievement. As an setiap masing-masing kantor pelayanan
example a case study a Government Ministry was pemerintah.
having some complaints from the community is a
service of recording E-ID CARD that is experiencing Kata Kunci: Sistem Informasi Booking, E-KTP
such a long queue. Therefore this web-based
information systems within the scope of the
reservation Recording E-ID CARD can reduce PENDAHULUAN
prolonged queue numbers so that people feel not Instansi pemerintah baik di kota atau di daerah
satisfied against the Government. On this research memiliki peran penting dalam memberikan
produced a design of web-based information pelayanan untuk masyarakat. Tingkat
systems that can be implemented on the Booking keberhasilan pelayanan yang diberikan oleh
process of recording E-ID CARDS in each aparatur pemerintah dapat dirasakan langsung
Government Ministry offices. oleh masyarakat umum, begitu juga dengan
ketidakpuasan pelayanan pemerintah akan
dirasakan langsung oleh masyarakat umum
Intisari—Sistem informasi berbasis merupakan (Mustafa, 2015). Secara umum pelayanan yang
sebuah sistem yang dapat digunakan untuk diberikan oleh pemerintah sudah maksimal.
kebutuhan penyebaran informasi melalui layanan Namun pada kenyataannya hasil yang diharapkan
internet. Dalam hal ini internet menjadi penyedia belum memenuhi kepuasaan masyarakat
dari sekumpulan informasi yang diposting atau di (Hermawan, Hakim, & Hutagaol, 2016) umum
upload, sehingga masyarakat umum dapat seperti kendala-kendala yang timbul pada
melihatnya setiap waktu. Oleh karena itu hadirnya pelaksanaan Program e-KTP yaitu datangnya alat
internet mempermudah orang untuk dapat perekam data yang tidak bisa tepat waktu
megimplementasikan hasil dari analisis sebuah (Dahmiri, 2016) karena alatnya yang datang tidak
sistem, sehingga terbentuknya sistem informasi bisa serentak dan alatnya juga ada yang tidak
berbasis web. Pelayanan pemerintah sudah lengkap serta tidak bisa dioperasionalkan juga
seharusnya menggunakan sistem informasi belum dapat diserahkannya e-KTP kepada
berbasis web, hal ini digunakan agar memperoleh penduduk tepat waktu karena belum seluruhnya
pencapaian kerja yang maksimal. Sebagai contoh e-KTP selesai dicetak karena pencetakannya
studi kasus pelayanan pemerintah yang sedang dilaksanakan oleh konsursium yang berada di
Jakatra sehingga perlu adanya perbaikan- terlihat dengan semakin mudahnya dalam
perbaikan pelayanan yang diberikan oleh melakukan sebuah transaksi dan cepatnya
pemerintah, agar masyarakat mendapatkan pertukaran informasi. Instrument pendukung
pelayanan yang maksimal dalam pembuatan e- yang membuat informasi dapat diakses dibelahan
KTP (Febriharini, Mahmuda, 2016). dunia yaitu dengan adanya sebuah internet (Basri,
Pada hasil penelitian menunjukkan bahwa Jeni, & Jamilah, 2016).
rata-rata kinerja pelayanan warga terhadap Pada penelitian ini akan mencoba untuk
layanan E-KTP di Kecamatan Purwokerto Utara membuat sebuah perancangan sistem informasi
Kabupaten Banyumas dengan nilai rata-rata total berbasis web untuk mempermudah pemerintah
sebesar 3,887 berarti pelayanan yang dilakukan daerah dalam sistem perekaman E-KTP. Gagasan
oleh Kecamatan Purwokerto Utara Kabupaten ini muncul atas dasar permasalan yang sering
Banyumas dinilai warga Kecamatan Purwokerto muncul dalam proses perekaman E-KTP.
Utara Kabupaten Banyumas adalah baik karena
nilai 3,887 diantara 3,40– 4,19 atau kategori baik, BAHAN DAN METODE
namun tingkat harapan dari warga terhadap
layanan E- KTP di Kecamatan Purwokerto Utara Teknik Pengumpulan Data
Kabupaten Banyumas masih di atas kinerjanya Pada penelitian ini menggunakan beberapa teknik
yaitu sebesar 4,386 dengan kata lain pelayanan pengumpulan data sebagai berikut:
yang dilakukan oleh Kecamatan Purwokerto Utara
Kabupaten Banyumas dinilai oleh warga Observasi
Kecamatan Purwokerto Utara Kabupaten Metode observasi merupakan metode yang
Banyumas masih belum memenuhi harapannya dilakukan oleh seorang peneliti yang langsung
(Sartini, Minarsih, & Wulan, 2016), meskipun turun ke lapangan untuk memastikan keadaan
kinerjanya sudah baik, dengan tingkat pencapaian yang sebenarnya terjadi. Sehingga informasi yang
88,651% (Nurfaizal & Berlilana, 2013). didapat bersifat tepat dan akurat. Dalam literature
Begitu juga dengan panjangnya antrian yang lain menyebutkan bahwa Observasi adalah studi
terlalu lama sehingga masyarakat harus yang disengaja dan sistematis tentang fenomena
menunggu dua bulan (Fitriani, 2017). Penginputan sosial dan gejala-gejala psikis dengan jalan
data yang dilakukan oleh bagian administrasi pengamatan dan pencatatan (Gunawan & Imam,
terlalu lambat sehingga jam operasional 2013). Peneliti dalam hal ini melakukan observasi
perekaman e-ktp masih kurang (Rezha, Rochmah, pada beberapa kantor kecamatan yang ada di
& Siswidiyanto, 2013). Hal ini mengakibatkan karawang.
kelemahan pada input dan output baik dari
kelompok pelaksana maupun masyarakat Wawancara
(Fefkhiatin, Purwoko, & Astrika, 2013). Pada metode ini peneliti bertanya secara
Kepuasan pelayanan berdasarkan langsung dengan mengajukan beberapa
Kep./25/M.PAN/2/2004 yaitu “hasil pendapat dan pertanyaan yang berkaitan dengan permasalahan
penilaian masyarakat terhadap kinerja pelayanan yang ada pada kecamatan terkait proses
yang diberikan oleh aparatur penyelenggara perekaman E-KTP.
pelayanan produk atau jasa”. Hal ini diperkuat
oleh Cravens (Bunga, 2009, h.30), bahwa Studi Pustaka
“kepuasan konsumen dipengaruhi oleh Studi pustaka peneliti lakukan dengan cara
pengiriman produk, performa produk atau jasa, mencari sumber yang berkaitan dengan penelitian,
citra perusahaan/ produk/ merek, nilai harga berupa buku ataupun jurnal, sehingga penelitian
yang dihubungkan dengan nilai yang diterima ini mempunyai nilai lebih dan bermanfaat bagi
konsumen, prestasi para karyawan, keunggulan para pembaca.
dan kelemahan para pesaing (Rezha et al., 2013).
Sudah semestinya pemerintah harus Metode Penelitian
konsentrasi dalam peningkatan pelayanan Pada penelitian ini metode penelitian yang
masyarakat, karena kepuasan yang didapatkan digunakan adalah model waterfall. Model waterfall
masyarakat merupakan prestasi kerja bagi memiliki beberapa tahapan diantaranya analisis
lembaga pemerintahan. kebutuhan sistem, desain, code generation, testing,
Kemajuan teknologi yang terjadi pada saat ini support (Gunawan & Imam, 2013).
harus dapat dimanfaatkan oleh semua lapisan
pemerintahan untuk meningkatkan kualitas Analisis Kebutuhan Sistem
pelayanan kepada masyarakat. Perkembangan Pada tahapan ini penulis mengamati secara
teknologi informasi pada saat ini mengalami cermat setiap permasalahan yang pada pada
peningkatan yang sangat signifikan. Hal tersebut pemerintah daerah yang ada di kabupaten
b. Rancangan Database
Sistem informasi yang memiliki kompleksitas
tentunya mempunyai sebuah penyimpanan
data (storage). Sistem basis data
terkomputerisasi tujuan utamanya adalah
memelihara data yang sudah diolah atau
informasi dan membuat informasi tersedia saat
dibutuhkan (Sukamto & Shalahuddin, 2014).
Desain basis data itu sendiri dapat berupa ERD
dan LRS.
1) ERD
dan password tersebut dapat digunakan untuk perekaman dalam menu Daftar Pemohon.
akses. Admin juga dapat mencetak seluruh data
dalam format CSV dan XLS melalui fitur
2) Halaman Antarmuka Penduduk eksport yang disediakan. Admin dapat
menambah, mengubah dan menghapus data
yang berkaitan dengan perdaftaran seperti
dalam menu Kecamatan, Tempat Perekaman,
Pekerjaan dan Agama.
3. Code (Koding)
Berikut ini salah satu kode dari program
website Sistem Booking Perekaman E-KTP,
menggunakan bahasa server side PHP dan HTML
yaitu halaman login.
a. Controller
public function index()
Sumber : Basri, Alfarizi, Mulyawan dkk (2019) {
Gambar 5. Halaman Antarmuka Pengguna $this->load->view('login');
}
Setelah Login, penduduk akan dialihkan pada b. View
laman dashboard yang berisi data saat <!DOCTYPE html>
pendaftaran akun seperti NIK, Nama, E-mail <html lang="en">
dan nomor telepon. Terdapat menu lainnya <head>
juga, yaitu Pendaftaran untuk menampilkan <meta charset="UTF-8">
form yang harus diisi, Tempat Perekaman <title>Selamat Datang di Menu
untuk mengetahui tempat perekaman yang Pendaftaran KTP</title>
ingin didatangi, dan menu Unggah Berkas yang <link rel="stylesheet" href="<?php echo
hanya akan muncul apabila permohonan base_url().'assets/css/style.css'?>">
proses perekaman telah disetujui admin. </head>
<input 4. Pengujian
type="text" placeholder="Email" name="email" Pengujian user interface dilakukan untuk
required /> mengetahui sejauh mana aplikasi yang telah
<input dibuat, apakah dapat berjalan sesuai dengan
type="text" placeholder="No. Handphone" harapan atau sebaliknya. Metode pengujian web
name="telepon" required /> yang digunakan adalah Stress Testing.
<input
type="password" placeholder="Kata Sandi Min
8" name="password" required />
<input
type="password" placeholder="Ulangi Kata
Sandi" name="ulangipass" required />
<button
name="daftr"> Daftar </button>
<p
class="message">Sudah Membuat Akun ? <a
href="#">Masuk</a></p>
<p
class="lupa">Lupa Kata Sandi ?<a
href="mailto:dukcapil@karawangkab.go.id">
Hubungi Kami </a></p>
</form> Sumber : Basri, Alfarizi, Mulyawan dkk (2019)
Gambar 7. Hasil Pengujian Web
<form action="<?php
echo base_url().'login/auth'?>" method="post" Pada gambar 7 telah dilakukan proses pengujian
class="login-form"> web dengan metode stress testing. Secara
<input spesifikasi penulis membuat pengujian pada
type="text" placeholder="NIK/ID" halaman login dengan scenario 20 user yang akan
name="username" required /> login, dalam kurun waktu 1 menit dengan jarak
<input waktu akses antar user adalah 2 detik. Dari
type="password" placeholder="Kata Sandi" scenario yang sudah dilakukan di atas nilai yang
name="password" required /> akan di analisis adalah average respontime, active
<button> Masuk user, pages per second.
</button> Dapat dilihat dari gambar 7 di detik awal (00.00 –
<p 00.02) di akses oleh 20 user secara bersamaan
class="message">Belum Membuat Akun? <a menghasilkan 26 pages per second dengan
href="#">Daftar</a></p> average respontime 0,63 per second sampai
<p dengan detik terakhir dalam waktu 1 menit. Dapat
class="lupa">Lupa Kata Sandi ?<a disimpulkan bahwa web simbok mempunyai
href="mailto:dukcapil@karawangkab.go.id"> performa yang baik.
Hubungi Kami</a></p>
</form> 5. Support
</div> Perangkat pendukung terdiri dari perangkat keras
dan perangkat lunak. Berikut ini spesifikasinya.
</div>
<script src="<?php echo a. Hardware yang digunakan
base_url().'assets/js/jquery.js'?>"></script> 1) Sistem
<script src="<?php echo System Manufacturer : ECS
base_url().'assets/js/login.js'?>"></script> System Model : H61H2-MV
<script src="<?php echo BIOS : Ver. 04.06.05 (type:
base_url('assets/js') BIOS)
?>/sweetalert2.all.min.js"></script> Processor : Intel(R) Core(TM) i3-
<script src="<?php echo 2100 3
base_url('assets/js') ?>/kodeku.js"></script> Memory : 5120MB RAM
</body> 2) Display
</html> Card name : Intel(R) HD Graphics
Manufacturer : Intel Corporation
Sistem Informasi2
STMIK Nusa Mandiri2
www.nusamandiri.ac.id 2
sopian.sop@nusamandiri.ac.id
Abstract— Public service is an activity of service for (BPBD) Kabupaten Brebes. Kualitas pelayanan
every citizen and resident for goods, services, and / publik harus memiliki prinsip keterbukaan atau
or administrative services provided by public service transparansi, mudah diakses, akuntabilitas serta
providers, namely the Regional Disaster berpegang teguh pada prinsip efisiensi dan
Management Agency (BPBD) of Brebes Regency. The efektivitas. Tetapi nyatanya saat ini informasi dan
quality of public services must have the principle of pelaporan bencana masih konvensional. Penelitian
openness or transparency, easily accessible, ini bertujuan untuk merancang dan membangun
accountability and cling to the principles of Sistem Informasi Geografis Pemetaan Bencana
efficiency and effectiveness. But in fact the current Berbasis Web dengan menggunakan metode
information and reporting of disasters is still Extreme Programming. Metode penelitian
conventional. This study aims to reflect and build a mengunakan metode kualitatif dengan teknik
Web-Based Disaster Geographic Information System analisis data deksriptif. Data diperoleh dengan
using Extreme Programming method. The research observasi dan wawancara. Manfaat dari aplikasi ini
method uses qualitative methods with descriptive adalah untuk meningkatkan pelayanan pada Badan
data analysis techniques. Data obtained by Penanggulangan Bencana Daerah Brebes juga
observation and interviews. The benefit of this bermanfaat bagi internal dari Pihak Pelaksana atau
application is to improve services to the Brebes Admin yang dapat mengelola data Daerah Bencana
Regional Disaster Management Agency also useful secara online , akurat, dan cepat. Serta sangat
for internal from the Implementing Party or Admin membantu masyarakat untuk mendapatkan peta
who can manage Disaster Area data online, informasi daerah rawan bencana, informasi
accurately, and quickly. As well as greatly helping bencana terkini dan masyarakat dapat melaporkan
the community to obtain maps of information on secara langsung kejadian bencana sehingga
disaster-prone areas, the latest disaster information Pemerintah Daerah dapat langsung untuk
and the community can report directly on disaster menangani bencana tersebut.
events so that the Regional Government can directly
handle the disaster. Kata Kunci: Bencana Alam, Pemetaan wilayah,
Sistem Informasi Geografis, TIK
Keywords : Natural Disasters, Regional Mapping,
Geographic Information System, ICT
PENDAHULUAN
Intisari— Pelayanan publik merupakan kegiatan
pelayanan bagi setiap warga negara dan penduduk Brebes merupakan kabupaten yang cukup luas di
atas barang, jasa, dan atau pelayanan administratif Provinsi Jawa Tengah. Sebagian besar wilayahnya
yang disediakan oleh penyelenggara pelayanan adalah dataran rendah yang dikeliling oleh sungai
publik yaitu Badan Penanggulan Bencana Daerah yaitu sungai Pemali dan sungai Serayu. Bagian
barat daya merupakan dataran tinggi (dengan
puncaknya Gunung Pojok tiga dan Gunung Tujuan dari penelitian ini adalah merancang
Kumbang), sedangkan bagian tenggara terdapat dan membangun sistem informasi geografis
pegunungan yang merupakan bagian dari Gunung bencana alam untuk wilayah Brebes berbasis web
Slamet. Dengan iklim tropis, curah hujan rata-rata dengan tampilan mobile responsif menggunakan
18,94 mm perbulan (Brebes, 2018). Brebes metode pengembangan sistem yaitu Extreme
merupakan daerah penghasil bawang merah dan Programming. Extreme Programming (XP) adalah
terkenal dengan sentra penghasil telor asin khas metodologi pengembangan perangkat lunak
Brebes. ringan, yang menekankan kerja tim, komunikasi,
Kabupaten Brebes rawan bencana alam umpan balik, kesederhanaan dan pemecahan
yaitu tanah longsor (Ningtyas, 2015). Selain tanah masalah (Iacob, 2008). Manfaat dari aplikasi ini
longsor, bencana banjir merupakan yang paling akan sangat membantu masyarakat untuk
sering terjadi dan menjadi fokus kewaspadaan, mendapatkan peta informasi daerah rawan
terutama saat musim penghujan (Riyanto, 2017). bencana, informasi bencana terkini dan
Rawan longsor terdapat di wilayah Brebes selatan, masyarakat dapat melaporkan secara langsung
meliputi Kecamatan Bumiayu, Ketanggungan, kejadian bencana sehingga Pemerintah Daerah
Bantarkawung, Larangan, Banjarharjo, Salem, dapat langsung untuk menangani bencana tersebut
Tonjong, Sirampog, dan Paguyangan (Farhi, 2012). sebagai bentuk peningkatan pelayanan publik.
Sedangkan, daerah rawan banjir terdapat di
wilayah Brebes utara, antara lain Kecamatan BAHAN DAN METODE
Brebes, Wanasari, Tanjung, Losari, Bulakamba,
Jatibarang, serta sebagian wilayah Brebes Selatan Penelitian yang dilakukan meliputi indentifikasi
(Tayubi, 2018). masalah, studi literatur, pengumpulan data,
Saat ini informasi-informasi daerah yang metode extreme programming, kesimpulan dan
berpotensi bencana alam di Kabupaten Brebes saran. Adapun tahapan penelitian yang penulis
masih belum mudah diakses oleh masyarakat lakukan adalah seperti pada gambar 1.
(Raharjo, 2009). Berdasarkan wawancara dengan
kepala Badan Penanggulangan Bencana Daerah
(BPBD) Brebes Bapak Ir. Eko Andalas Mucthi
menyatakan selama ini informasi bencana masih
menggunakan papan pengumuman serta kejadian
bencana kurang cepat bisa dilaporkan karena
belum tersedianya sistem informasi bencana yang
efektif. Sehingga kualitas pelayanan publik belum
berhasil. Pelayanan publik merupakan kegiatan
pelayanan bagi setiap warga negara dan penduduk
atas barang, jasa, dan/atau pelayanan administratif
yang disediakan oleh penyelenggara pelayanan
publik atau pemerintah daerah (“Undang-Undang
Republik Indonesia No. 25 Tahun 2009 Tentang
Pelayanan Publik,” n.d.). Kualitas pelayanan publik
harus memiliki prinsip keterbukaan atau
transparansi, mudah diakses, akuntabilitas serta
berpegang teguh pada prinsip efisiensi dan
efektivitas (Sinambela et al., 2010).
Sistem informasi bencana alam yang dimiliki
oleh Pemerintah Daerah rata-rata sangat terbatas,
belum mengikuti perkembangan teknologi dan
informasi terkini sehingga menghambat arus Sumber: (Warjiyono, Aji, & Permesti, 2018)
informasi bencana, padahal sangat penting sistem Gambar 1. Tahapan Penelitian
informasi dan peta bencana saat ini (Nuryanto,
2016). Sistem Informasi geografis diperlukan Tahapan penelitian sebagai berikut :
untuk mempermudah mengetahui daerah secara 1. Identifikasi Masalah
visual sehingga mempercepat dalam mengambil Identifikasi masalah dilakukan wawancara
keputusan (Sasongko, 2016). Penerapan sistem dengan Bapak Ir. Eko Andalas Mucthi, MM.
informasi geografis mampu meningkatkan citra Selaku Kepala BPBD (Badan Penanggulangan
kemudahan dalam memgakses suatu informasi Bencana Daerah) Kabupaten Brebes. Hal ini
(Eldita, 2018). dilakukan untuk mendapatkan informasi-
informasi dan permasalahan yang ada seperti
kesesuaian masukkan dan keluaran dari 2 hak akses yaitu masyarakat dan Admin. Dimana
masing-masing unit sistem. Sehingga fitur masyarkat dapat melihat daerah bencana,
sistem dan fungsionalitas dapat berjalan melakukan tanya jawab, iput aduan dan melihat
dengan baik dan siap perangkat lunak untuk artikel mengenail bencana, sedangkan admin
dirilis. melakukan tanya jawab dengan masyarakat,
mengolah daerah bencana, mengolah aduan
HASIL DAN PEMBAHASAN masyarakat, mengolah artikel, mengolah galeri,
mengolah laporan bencana dan mengolah statistik
Planning bencana.
Activity Diagram aplikasi pengolahan data
Analisis Kebutuhan di Sistem Informasi Geografis pada BPBD(Badan Penanggulan Bencana Daerah)
Pemetaan Bencana Berbasis Web Pada Badan baik pada halaman Masyarakat atau pengunjung
Penanggulangan Bencana Daerah Brebes terdapat dan halaman Admin dari Tim BPBD(Badan
dua hak akses yaitu hak akses admin dan hak akses Penanggulan Bencana Daerah) Kabupaten Brebes
pengguna. Kedua pengguna tersebut memiliki dapat dilihat pada gambar 4.
interaksi dengan sistem yang berbeda-beda dan
memiliki kebutuhan informasi berbeda juga. act ActLogin
Desain
Memasukkan memv alidasi username
Ya
uc Use Case Model
Tanya Jaw ab
Input Aduan
Mengola Artikel
Selesai
Masyarakat
Admin
Melihat Artikel
Mengenail Bencana
Mengolah Statistik
Bencana
Gambar 4 menggambarkan halaman login
baik pada masyarakat maupun admin, pada saat
masuk kehalaman utama demi keamanan diminta
untuk memasukkan User name dan Password
Melakukan Logout
act ActRuangAduan
Masyarakat/Admin Sistem
Gambar 6 menjelaskan Activity Diagram
pada Halaman Admin yaitu pada menu aduan
Masyarakat, Admin dapat melihat semua aduan
Mulai
Pilih?
membuktikan aduan yang diberikan dan jika aduan
itu benar apa adanya maka admin akan
Ubah Aduan Hapus Aduan
memposting berita aduan tersebut, Namun jika
aduan itu tidak benar maka aduan akan dihapus.
Memproses
Penyimpanan Pada saat ubah aduan Masyarakat biasanya admin
akan merubah kalimat agar mudah di pahami oleh
Ya
act ActRuangOlahAduanAdmin
Admin Sistem
Merubah Aduan
Coding
Hapus Aduan Posting Aduan
Test
Pengujian black-box, melakukan pengujian
Sumber: (Warjiyono et al., 2018) perilaku sistem yang berfokus pada persyaratan
Gambar 9. Titik Bencana fungsional perangkat lunak untuk mendapatkan
set kondisi input yang sepenuhnya akan
menjalankan semua persyaratan fungsional untuk Biosecurity Health Care Application, 00(C), 1–
suatu program. 10.
Pengujian black-box yang dilakukan di
Sistem Informasi Geografis Pemetaan Bencana Iacob, I. (2008). Extreme Programming And
Alam Kota Brebes dilakukan untuk menemukan Rational Unified Process – Contrasts Or
kesalahan-kesalahan yang ada seperti error Synonyms ? Journal of Information Systems &
program, kesalahan antarmuka, kesalahan akses Opearitions Management, 2(1), 122–134.
database dan kesalahan kinerja. Retrieved from
http://www.rebe.rau.ro/RePEc/rau/jisomg/
KESIMPULAN SU08/JISOM-SU08-A12.pdf
1Program
Studi Magister Ilmu Komputer
STMIK Nusa Mandiri Jakarta
www.nusamandiri.ac.id
balakusalo@gmail.com ; mugimou@gmail.com ; alfian.armawan@gmail.com ; ridwans70@gmail.com ;
prasetyorizal3@gmail.com
Abstract - The development of the business world is kepada hasil dari pengolahan data transaksi
increasingly rapid, so it needs a special strategy to penjualan dengan menggunakan algoritma
increase the turnover of the company, in this case apriori.
the retail company. In increasing the company's
turnover can be done using the Data Mining Kata Kunci: Algoritma Apriori, Data Penjualan,
process, one of which is using a priori algorithm. retail
With a priori algorithm can be found association
rules which can later be used as patterns of PENDAHULUAN
purchasing goods by consumers, this study uses a
repository of 209 records consisting of 23 Dunia bisnis sekarang ini banyak
transactions and 164 attributes. From the results of perusahaan bersaing untuk meningkatkan omset
this study, the goods with the name CREAM CUPID perusahaan. Persaingan ini disebabkan karena
HEART COAT HANGER are the products most often banyaknya perusahaan yang bergerak di bidang
purchased by consumers. By knowing the pattern of yang sama, seperti halnya yang terjadi pada
purchasing goods by consumers, the company perusahaan yang bergerak dibidang retail.
management can increase the company's turnover Perusahaan retail berkembang begitu pesat
by referring to the results of processing sales sehingga memungkinkan adanya permasalahan
transaction data using a priori algorithm. yang sering dihadapi oleh perusahaan, antara lain
belum adanya sistem yang mengatasi mengenai
Keywords: Apriori Algorithm, Transcation Data, tata letak produk. Sistem tata letak produk ini
retail dilakukan untuk memberikan kemudahan kepada
para konsumen saat melakukan proses berbelanja
Intisari – Perkembangan dunia bisnis saat ini (Arifianti, 2016).
semakin pesat, sehingga perlu strategy khusus Selain dari pada permasalahan tata letak
untuk meningkatkan omset perusahaan, dalam produk, permasalahan lain yaitu belum adanya
kasus ini adalah peruashaan retail. Dalam sistem untuk mengefisiensikan stock barang.
meningkatkan omset perusahaan dapat dilakukan Selama ini kebanyakan perusahaan melakukan
dengan menggunakan proses Data Mining, salah pemesanan barang kepada pihak ketiga hanya
satunya adalah dengan menggunakan algoritma dengan mengira-ngira ketika jumlah barang di
apriori. Dengan algoritma apriori dapat ditemukan gudang hampir habis (Fauziah & Ratnawati, 2018).
aturan asosiasi yang nantinya dapat dijadikan Selain itu masih ada beberapa perusahaan yang
sebagai pola pembelian barang oleh konsumen, belum mengetahui pola pembelian barang
penelitian ini menggunakan data repository konsumen, yang dimana pola pembelian barang
sebanyak 209 record yang terdiri dari 23 transaksi ini meliputi barang apa saja yang biasa konsumen
dan 164 attribute. Dari hasil penelitian ini beli secara bersamaan dalam satu transaksi
didapatkan barang dengan nama CREAM CUPID pembelian, misalkan konsumen 1 membeli produk
HEART COAT HANGER adalah produk yang paling A, konsumen juga membeli produk B, C, dan
sering dibeli oleh para konsumen. Dengan seterusnnya. Hal ini menjadi masalah karena
diketahuinya pola pembelian barang oleh kebanyakan data transaksi penjualan hanya
konsumen, pihak pengelola perusahaan dapat dijadikan arsip saja tanpa dimanfaatkan dengan
meningkatkan omset perusahaan dengan mengacu baik (Santoso, Hariyadi, & Prayitno, 2016).
Data diatas merupakan hasil perhitungan 2. Apabila konsumen membeli CREAM CUPID
manual menggunakan rumus di excel, nah apabila HEARTS COAT HANGER, konsumen juga akan
menggunakan tools, dalam kasus ini penulis
membeli GLASS STAR FROSTED T-LIGHT
menggunakan Rapid Miner Studio 9.1 yang
dimana hasil yang ditampilkan merupakan hasil HOLDER dengan nilai confidence 100%.
terbaik dari aturan yang ada. Berikut adalah
tampilan hasil menggunakan Rapid Miner Studio 3. Apabila konsumen membeli KNITTED UNION
9.1: FLAG HOT WATER BOTTLE, konsumen juga
akan membeli CREAM CUPID HEARTS COAT
1. Quantity_GLASS STAR FROSTED T-LIGHT HANGER dengan nilai confidence 100%.
HOLDER=true 3 ==> Quantity_CREAM CUPID
HEARTS COAT HANGER=true 3 4. Apabila konsumen membeli CREAM CUPID
HEARTS COAT HANGER, konsumen juga akan
2. Quantity_CREAM CUPID HEARTS COAT
membeli KNITTED UNION FLAG HOT WATER
HANGER=true 3 ==> Quantity_GLASS STAR
FROSTED T-LIGHT HOLDER=true 3 BOTTLE dengan nilai confidence 100%.
3. Quantity_KNITTED UNION FLAG HOT WATER 5. Apabila konsumen membeli RED WOOLLY
BOTTLE=true 3 ==> Quantity_CREAM CUPID HOTTIE WHITE HEART, konsumen juga akan
HEARTS COAT HANGER=true 3 membeli CREAM CUPID HEARTS COAT
HANGER dengan nilai confidence 100%.
4. Quantity_CREAM CUPID HEARTS COAT
HANGER=true 3 ==> Quantity_KNITTED
6. Apabila konsumen membeli CREAM CUPID
UNION FLAG HOT WATER BOTTLE=true 3
HEARTS COAT HANGER, konsumen juga akan
5. Quantity_RED WOOLLY HOTTIE WHITE membeli RED WOOLLY HOTTIE WHITE
HEART.=true 3 ==> Quantity_CREAM CUPID HEART dengan nilai confidence 100%.
HEARTS COAT HANGER=true 3
7. Apabila konsumen membeli SET 7 BABUSHKA
NESTING BOXES, konsumen juga akan
membeli CREAM CUPID HEARTS COAT dan lain sebagainya untuk dapat dijadikan sebagai
HANGER dengan nilai confidence 100%. comparasi dalam mencari hasil yang lebih akurat.
10. Apabila konsumen membeli CREAM CUPID GIBRAN, R. (2016). Analisis Aturan Asosiasi
HEARTS COAT HANGER, konsumen juga akan Menggunakan Algoritma Apriori Untuk
membeli WHITE HANGING HEART T-LIGHT Menentukan Inventori Apotek. Skripsi,
Fakultas Ilmu Komputer, (5).
HOLDER dengan nilai confidence 100%.
Gunadi, G., & Sensuse, D. I. (2016). Penerapan
KESIMPULAN
metode data mining market basket analysis
terhadap data penjualan produk buku
Penelitian ini menghasilkan data yang
dengan menggunakan algoritma apriori dan
dimana data tersebut merupakan aturan asosiasi
frequent pattern growth (fp-growth): studi
dari kumpulan data transaksi penjualan pada
kasus percetakan PT. Gramedia. Telematika
perusahaan retail. Dari aturan asosiasi tersebut
MKOM, 4(1), 118–132.
dapat diperoleh pola pembelian barang, yang
dimana para customer lebih sering membeli
Kusrini, & Luthfi, E. T. (2009). Algoritma Data
barang Cream Cupid Heart Coat Hanger, terbukti
Mining - Kusrini, Emha taufiq luthfi,
dari hasil perhitungan menggunakan Algoritma
Universitas Amikom - Google Buku. (Theresia
Apriori, bahwa item dengan nama Cream Cupid
Ari Prabawati, Ed.). C.V ANDI OFFSET.
Heart Coat Hanger yang paling sering muncul dan
Retrieved from
menjadi pilihan bagi para konsumen ketika
https://books.google.co.id/books?id=-
berbelanja.
Ojclag73O8C&printsec=frontcover&hl=id#v
Sehingga dengan diketahuinya pola
=onepage&q&f=false
pembelian barang tersebut, maka pihak pengelola
perusahaan dapat memprediksi kebutuhan market
Nursanti, I., & Vydia, V. (2013). Market Basket
yang akan datang, dan dapat memperhitungkan
Analysis Pada Perusahaan, 11(1), 13–22.
stock barang apa saja yang harus diperbanyak
karena banyak peminatnya, dan barang apa saja
Robi Yanto, R. K. (2015). Implementasi Data
yang stocknya harus dikurangi karena peminat
Mining dengan Metode Algoritma Apriori
yang kurang, dan juga dengan hasil asosiasi
dalam Menentukan Pola Pembelian Obat.
tersebut pihak pengelola dapat mengatur tata
Implementasi Data Mining Dengan Metode
letak produk menjadi lebih baik karena
Algoritma Apriori Dalam Menentukan Pola
mendekatkan produk-produk yang sering di beli
Pembelian Obat, Citec Journal, Vol. 2,
bersamaan oleh para customer. Sehingga dengan
No(ISSN: 2354-5771), 102–113.
diketahuinya pola pembelian barang tersebut,
https://doi.org///dx.doi.org/10.4236/ce.20
dapat lebih meningkatkan omset perusahaan.
16.71020
Dengan pengolahan data asosiasi yang baik
apabila diterapkan dengan baik pula akan sangat
Santoso, H., Hariyadi, I. P., & Prayitno. (2016). Data
membantu dalam meningkatkan omset
Mining Analisa Pola Pembelian Produk
perusahaan. Untuk mengolah data asosiasi dapat
Dengan Menggunakan Metode Algoritma
pula menggunakan algoritma lain tidak hanya
Apriori. Teknik Informatika. ISSN : 2302-
menggunakan algoritma apriori seperti yang
3805, (1), 19–24. Retrieved from
penulis terapkan dalam penelitian ini, antara lain
http://ojs.amikom.ac.id/index.php/semnast
ada algoritma FGGrowth, algorritma Tertius,
eknomedia/article/download/1267/1200
algoritma Generalized Sequential Patter (GSP),
Sistem Informasi
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
http://nusamandiri.ac.id
1frieyadie@nusamandiri.ac.id, 2mk.chaidir.faldanu@mitrakerja.pertamina.com
AbstractOne month hiring process of new dibuat lebih baik dan informatif. Oleh karena itu
workers if taken on average reaches 250-300 diperlukannya otomatisasi pada sistem tersebut
people, which consists of fresh graduates, experience untuk bisa menunjang kecepatan dan ketepatan
and shipping workers (Ships). The hiring process is dalam proses hiring. Otomatisasi adalah bentuk
still done manually input into the system, so it is umum awal perubahan organisasi yang berupa alat
quite a lot of spending and human resources (HR). bantu bagi kemudahan pekerjaan sehari-hari.
Reporting data and presenting data related to Metode yang digunakan untuk menjawab,
business processes within the company also need to menggunakan metode TAM. Tujuan dari penelitia
be made better and informative. Therefore it is ini untuk mengetahui otomatisasi pada sistem SAP
necessary to automate the system to be able to sudah sejauh mana bisa memberikan pengaruh
support the speed and accuracy in the hiring terhadap waktu kerja, yang lebih dari 8 jam sehari
process. Automation is the initial general form of sehingga terjadi lembur yang berlebihan, untuk
organizational change in the form of a tool for ease mengetahui otomatisasi sistem pada SAP mampu
of daily work. The method used to answer, uses the membuat efisien proses perekaman data yang
TAM method. The purpose of this research is to find terjadi secara berulang-ulang dan untuk
out how much automation on the SAP system can mengetahui otomatisasi sistem pada SAP mampu
have an effect on working time, which is more than mengurangi human error. Tingkat penerimaan
8 hours a day so that excessive overtime occurs, to user SAP terhadap Otomatisasi Proses Hiring di PT.
find out the system automation in SAP is able to Pertamina (Persero) berdasarkan perceived
efficiently process data recording that occurs usefulness (persepsi kegunaan), perceived ease of
repeatedly and to find out the system automation in use, attitude toward using, behavioral intention to
SAP can reduce human error. The level of use dan actual use secara keseluruhan mencapai
acceptance of SAP users towards Hiring Process 87,74%, termasuk dalam kategori sangat setuju.
Automation at PT. Pertamina (Persero) based on
perceived usefulness, perceived ease of use, attitude Kata Kunci: TA, SAP. Proses Bisnis, Sistem
toward using, behavioral intention to use and actual Otomatisasi
use as a whole reached 87.74%, included in the
category of strongly agree. PENDAHULUAN
Keywords: TAM, SAP, Business Process, Automation PT. Pertamina (Persero) merupakan
System perusahaan milik negara yang bergerak di bidang
energi meliputi minyak, gas serta energi baru dan
IntisariSatu bulan proses hiring pekerja baru terbarukan. Pertamina menjalankan kegiatan
jika diambil rata-rata mencapai 250-300 orang bisnisnya berdasarkan prinsip-prinsip tata kelola
yang didalamnya terdiri dari fresh graduate, korporasi yang baik sehingga dapat berdaya saing
experience dan perkerja shipping (Kapal). Proses yang tinggi di dalam era globalisasi. Sebagai
hiring tersebut masih dilakukan input manual lokomotif perekonomian bangsa, PT. Pertamina
kedalam sistem, sehingga cukup menghabiskan (persero) Telah menerapkan ERP dalam proses
banyak dan sumber daya manusia (SDM). bisnisnya.
Pelaporan data dan penyajian data terkait proses Mulai tahun 2009 PT Pertamina (persero)
bisnis yang ada dalam perusahaan pun perlu telah mengimplementasikan SAP untuk
mendukung proses bisnis di setiap transaksi yang Tujuan dari penelitia ini untuk
ada meliputi Master Data, Procurement Operation, mengetahui otomatisasi pada sistem SAP sudah
HR Operation, Sales Operation, Finance Operation. sejauh mana bisa memberikan pengaruh terhadap
Dalam Implementasi SAP ini divisi Shared waktu kerja, yang lebih dari 8 jam sehari sehingga
Processing Center HR Operation (SPC HR terjadi lembur yang berlebihan, untuk mengetahui
Operation) menggunakan modul Human otomatisasi sistem pada SAP mampu membuat
Resources Management dalam setiap transaksinya efisien proses perekaman data yang terjadi secara
yang meliputi Organizational Management, berulang-ulang dan untuk mengetahui otomatisasi
Personel Administration, Time Management, sistem pada SAP mampu mengurangi human error.
Payroll dan Personel Development. Sebagai salah
satu sub modul dalam SAP Personel BAHAN DAN METODE
Administration adalah sub modul yang mengelola
proses bisnis yang terkait dengan proses A. Tahapan Penelitian
perekaman data calon pekerja baru, yang meliputi Sesuai dengan deskripsi mengenai penelitian
Hiring (proses perekaman data calon pekerja di atas bahwa kegiatan penelitian dilakukan
sebagai fresh graduate atau experience dan dengan terencana, teratur dan sistematis. Untuk
sebagai pekerja waktu tidak tertentu (PWTT) atau itu, kegiatan penelitian dilaksanakan dalam
sebagai perkerja waktu tertentu (PWT)), Personal beberapa tahap, yaitu:
Data (no induk calon pekerja, identitas calon 1. Penentuan Topik
pekerja yang sesuai dengan KTP dan kartu Penentuan topik dilakukan dengan cara
keluarga), Organizational Assignment (Posisi yang melakukan studi literatur dari berbagai jurnal dan
akan ditempati dan area tempat bekerja calon beberapa artikel lepas untuk mendapatkan
pekerja), Planned Working Time (jadwal kerja), gambaran mengenai topik yang akan diangkat.
Basic Pay (Gaji Pokok, Tunjangan), Family Member 2. Pemahaman Teori
(Jumlah keluarga calon pekerja jika calon pekerja Melakukan studi mengenai topik yang akan di
sudah mempunyai istri dan anak), Tax Data bawakan, meliputi pengetahuan tentang sistem,
(NPWP dan jumlah tanggungan calon pekerja jika ERP dan SAP dari berbagai sumber terpercaya
sudah berkeluarga), General Benefit seperti jurnal, buku dan pengguna sistem itu
Administration (Informasi jumlah fasilitas sendiri.
kesehatan yang diberikan perusahaan kepada 3. Identifikasi Masalah
calon pekerja). Dalam penelitian, identifikasi masalah dilakukan
Dalam 1 (satu) bulan proses hiring paling awal. Identifikasi masalah dalam sebuah
pekerja baru jika diambil rata-rata mencapai 250- penelitian dibuat berdasarkan rumusan masalah
300 orang yang didalamnya terdiri dari fresh yang berada pada latar belakang masalah sebuah
graduate, experience dan perkerja shipping penelitian.
(Kapal). Proses hiring tersebut masih dilakukan 4. Menentukan kriteria, sumber data dan sample
input manual (Tjahjadi, 2010) kedalam sistem, Ditahap ini mulai ditentukan kriteria-kriteria
sehingga cukup menghabiskan banyak waktu apa yang diperlukan berdasarkan data maupun
(Banowosari & Yunufa, 2006) dan sumber daya sampel-sampel yang bersumber dari hasil
manusia (SDM). Pelaporan data dan penyajian data wawancara dan observasi secara langsung.
terkait proses bisnis yang ada dalam perusahaan 5. Pembuatan, Pengisian dan Pemeriksaan
pun perlu dibuat lebih baik dan informatif. Oleh Kuesioner
karena itu diperlukannya otomatisasi pada sistem Dari data penelitian yang didaptkan dari hasil
tersebut untuk bisa menunjang kecepatan dan wawancara dengan para pekerja SPC HR
ketepatan dalam proses hiring. Otomatisasi adalah Operation. Langkah selanjutnya adalah mulai
bentuk umum awal perubahan organisasi yang melakukan pembuatan kuesioner lalu kuesioner
berupa alat bantu bagi kemudahan pekerjaan diisi para pekerja dan dilakukan pemeriksaan
sehari-hari (Agustiawan, 2012). pengisian kuesioner tersebut.
Rumusan masalah yang dapat dari hasil 6. Analisa Hasil Kuesioner
pengamatan dan analisis, yaitu: Apakah Dalam tahap ini hasil kuesioner yang telah
otomatisasi pada sistem SAP dapat mempengaruhi diisi oleh SPC HR Operation akan dianalisa, Analisa
waktu kerja, yang lebih dari 8 jam sehari sehingga data dilakukan dengan menggunakan metode
terjadi lembur yang berlebihan?. Apakah kuantitatif sebagai perbandingan sebelum dan
otomatisasi pada sistem SAP bisa membuat efisien sesudah implementasi.
proses perekaman data yang terjadi secara 7. Hasil Analisa Data
berulang-ulang?. Apakah otomatisasi pada sistem Setelah tahap analisis selesai dilakukan, maka
SAP bisa memperkecil jumlah human error dalam akan dihasilkan suatu kesimpulan yang berisi
pembuatan laporan dan penyajian data terkait apakah tujuan dari dilakukannya penelitian ini
proses bisnis? tercapai atau tidak.
Skor 3 untuk jawaban cukup setuju minimal sampel yang dapat memenuhi syarat
Skor 4 untuk jawaban setuju margin of error 10%.
Skor 5 untuk jawaban sangat setuju
35 35
𝑛= = = 25,92
3. Data yang diperoleh kemudian dianalisa 1 + 35 ∙ 10% 2 1 + (35 ∙ 0,102 )
secara kuantitif, dengan melihat perolehan
angka-angka yang menunjukkan frekuensi Apabila dibulatkan maka besar sampel minimal
penyebaran data. Kemudian menghasilkan dari 35 populasi pada margin of error 10% adalah
jawaban-jawaban dari masalah-masalah sebesar 26 karyawan.
penelitian ini yang pada akhirnya dapat ditarik Berikut perhitungan dengan
suatu kesimpulan oleh peneliti. menggunakan pendekatan Technology Acceptance
Model (TAM) yang diperoleh dari penelitian pada
Untuk mengetahui persentase penerimaan SPC HR Operation.
dari para responden digunakan rumus indeks
sebagai berikut: a. Perceived Usefulness (Persepsi Kegunaan)
Berdasarkan perhitungan persepsi kegunaan
𝑓 diperoleh data bahwa tingkat penerimaan user
𝑝= 𝑥 100% ………………………………………. (2)
𝑛 SAP terhadap pengaruh otomatisasi SAP pada
proses hiring di PT Pertamina (persero) dalam
Dimana: aspek Perceived Usefulness (Persepsi Kegunaan)
p = prosentase adalah 88,71%, termasuk dalam kategori sangat
f = frekwensi dari setiap jawaban angket setuju.
n = jumlah skor ideal
b. Perceived Ease of Use (Persepsi Kemudahan)
Untuk mencari nilai rata-rata dari setiap aspek Berdasarkan perhitungan Persepsi
digunakan rumus berikut: Kemudahan diperoleh data bahwa tingkat
penerimaan user SAP terhadap pengaruh
∑ 𝑥𝑖
𝑀𝑒 = ……………………………………………………. (3) otomatisasi SAP pada proses hiring di PT
𝑁
Pertamina (persero) aspek Perceived Ease of Use
Me = Rata-rata Mean (Persepsi Kemudahan) adalah 85,18%, termasuk
xi = Jumlah nilai X ke I sampai dengan ke n dalam kategori sangat setuju.
N = Jumlah Data
c. Attitude Toward Using (Sikap Terhadap
Kemudian nilai rata-rata prosentase di ukur Pengaplikasian)
dengan tabel Prosentase bobot nilai sebagai Berdasarkan perhitungan diatas diperoleh
berikut: data bahwa tingkat penerimaan user SAP terhadap
pengaruh otomatisasi SAP pada proses hiring di PT
Tabel 1. Prosentase Bobot Pertamina (persero) dalam aspek Attitude Toward
Prosentase Jawaban Keterangan Using (Sikap Terhadap Pengaplikasian) adalah
88,46%, termasuk dalam kategori sangat setuju.
Angka 0% - 20% Sangkat Tidak Setuju
Angka 21% - 40% Tidak Setuju
d. Behavioral intention to use (perilaku keinginan
Angka 41% - 60% Sama Saja
untuk tetap menggunakan)
Angka 61% - 80% Setuju
Hasil perhitungan diperoleh data bahwa
Angka 81% - 100% Sangat Setuju tingkat penerimaan user SAP terhadap pengaruh
Sumber: (Ratri, 2016) otomatisasi SAP pada proses hiring di PT
Pertamina (persero) dalam aspek Behavioral
HASIL DAN PEMBAHASAN intention to use (perilaku keinginan untuk tetap
menggunakan) adalah 87,91%, termasuk dalam
Sampel yang diambil dari populasi kategori sangat setuju.
karyawan pada SPC HR Operation yang merupakan
objek utama dalam penelitian ini. Metode e. Actual use (pemakaian aktual)
pengambilan populasi yang digunakan adalah Hasil perhitungan diperoleh data bahwa
mengacu pendapat slovin. Jumlah karyawan secara tingkat penerimaan user SAP terhadap pengaruh
keseluruhan (populasinya) adalah 35 orang otomatisasi SAP pada proses hiring di PT
dengan tingkat alfa (kelonggaran ketidaktelitian Pertamina (persero) dalam aspek Behavioral
karena kesalahan pengambilan sampel yang masih intention to use (perilaku keinginan untuk tetap
dapat ditolerir atau diinginkan) sebesar 90%. menggunakan) adalah 88,46%, termasuk dalam
Sehingga peneliti dapat menentukan batas kategori sangat setuju.
REFERENSI
Hylenarti Hertyana
Sistem Informasi
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
http://www.nusamandiri.ac.id
lena.manaloe@gmail.com
Abstract—High school alumni of the same level mendengar omongan saja, bahkan sering kali
often experience difficulties in determining karena mengikuti teman. Hal ini dikarenakan
universities to continue their studies. The selection begitu banyak macam kriteria dari perguruan
of tertiary institutions for equivalent high school tinggi yang akhirnya membuat calon mahasiswa
alumni is constrained only by listening to talk, even menjadi bingung dan memilih tanpa
often because of following friends. This is because pertimbangan. Pemilihan perguruan tinggi
there are so many types of criteria from universities seharus disesuaikan antara kriteria perguruan
that eventually make prospective students confused tinggi dengan kebutuhan dan kemampuan dari
and choose without consideration. The selection of calon mahasiswa. Penelitian ini menggunakan
higher education institutions should be adjusted model eksperimen mengenai sistem pendukung
between the criteria of higher education and the keputusan seleksi pemilihan perguruan tinggi
needs and abilities of prospective students. This menggunakan metode TOPSIS. Tujuan dari
study uses an experimental model regarding the penelitian ini adalah untuk membantu calon
selection system of higher education selection mahasiswa dalam seleksi pemilihan perguruan
decisions using the TOPSIS method. The purpose of tinggi untuk melanjutkan studi. Diperoleh 7
this study is to help prospective students in the kriteria diantaranya adalah Biaya (BY) yang
selection of universities to continue their studies. 7 diperoleh dari biaya perkuliahan, Nilai Akeditasi
criteria were obtained including Cost (BY) obtained (NA) yang diperoleh dari nilai akreditasi
from tuition fees, Accreditation Value (NA) obtained perguruan tinggi, Prestasi (PS) yang diperoleh dari
from the value of college accreditation, prestasi akademik dan non akademik, Pendidikan
Achievement (PS) obtained from academic and non Dosen (PD) yang diperoleh dari pendidikan dosen,
academic achievements, Lecturer Education (PD) Fasilitas (FS) yang diperoleh dari fasilitas yang
obtained from education lecturers, facilities (FS) tersedia, Beasiswa (BS) yang diperoleh dari
obtained from available facilities, scholarships (BS) beasiswa yang ada pada perguruan tinggi dan
obtained from scholarships at tertiary institutions UKM (UK) yang diperoleh dari unit kegiatan
and UKM (UK) obtained from student activity units mahasiswa yang tersedia pada perguruan tinggi
available at the college. The results of this study can tersebut. Hasil dari penelitian ini dapat memenuhi
meet the objectives because the results of tujuan karena hasil perhitungannya bisa lebih
calculations can be faster in producing information cepat dalam menghasilkan informasi yang dapat
that can help prospective students in choosing a membantu calon mahasiswa dalam memilih
college. perguruan tinggi.
Keywords: SPK, College Selection, TOPSIS. Kata Kunci: SPK, Seleksi Perguruan Tinggi, TOPSIS.
Solusi ideal positif 𝑨+ dan solusi ideal negatif prestasi akademik dan non akademik, Pendidikan
𝑨− dapat ditentukan berdasarkan rating bobot Dosen(PD) diperoleh dari pendidikan dosen,
ternormalisasi (𝒚𝒊𝒋 ) sebagai : Fasilitas(FS) diperoleh dari fasilitas yang tersedia,
Beasiswa(BS) diperoleh dari beasiswa yang ada
𝒚𝒊𝒋 = 𝒘𝒊 𝒓𝒊𝒋 ……………………………………………… (2) pada perguruan tinggi tersebut dan UKM(UK)
diperoleh dari unit kegiatan mahasiswa yang
dengan i=1,2…,m dan j=1,2,…,n. tersedia pada perguruan tinggi tersebut. Sebagai
Bahan pertimbangan (kriteria) terdapat 2
3) Menentukan matriks solusi ideal positif & pertimbangan yang digunakan yaitu
matriks solusi ideal negatif.
𝑨+ = (𝒚+𝟏
, 𝒚+
𝟐
, … , 𝒚+
𝒏
) ……………………………. (3) P1= Perguruan Tinggi A
P2= Perguruan Tinggi B
P3= Perguruan Tinggi C
𝑨− = (𝒚+
𝟏
, 𝒚+
𝟐
, … , 𝒚+
𝒏
) ……………………………….(4)
𝐷1+
Tabel 3. Data Normalisasi (2.744 − 2.744)2 + (2.649 − 3.311)2 + (2.2624 − 2.8284)2 +
BY NA PS PD FS BS UK = √(1.4769 − 1.8462)2 + (2.6488 − 2.6488)2 + (1.7319 − 1.7319)2
+(2.058 − 2.058)2
0.686 0.529 0.565 0.492 0.662 0.577 0.686
P1
0 8 6 3 2 3 0
0.514 0.529 0.424 0.615 0.529 0.577 0.514 = 0.9459
P2
5 8 2 4 8 3 5
P 0.514 0.662 0.707 0.615 0.529 0.577 0.514
3 5 2 1 4 8 3 5 𝐷2+
(2.058 − 2.744)2 + (2.649 − 3.311)2 + (1.6968 − 2.8284)2 +
Sumber: Hertyana (2019) = √(1.8462 − 1.8462)2 + (2.1192 − 2.6488)2 + (1.7319 − 1.7319)2
+(1.5435 − 2.058)2
Tabel 3 menjelaskan tentang hasil data
normalisasi untuk setiap kriteria.
= 1.6535
Membuat Normalisasi Berbobot
𝐷3+
(2.058 − 2.744)2 + (3.311 − 3.311)2 + (2.8284 − 2.8284)2 +
(Data normalisasi) x (Bobot kriteria) .................... (8) = √(1.8462 − 1.8462)2 + (2.1192 − 2.6488)2 + (1.7319 − 1.7319)2
+(1.5435 − 2.058)2
P1
2.74 2.64 2.262 1.476 2.648 1.731
2.058 Tabel 6. Hasil Perhitungan D+
4 9 4 9 8 9 D1+ 0.9459
2.05 2.64 1.696 1.846 2.119 1.731 1.543
P2
8 9 8 2 2 9 5
D2+ 1.6535
P 2.05 3.31 2.828 1.846 2.119 1.731 1.543 D3+ 1.0077
3 8 1 4 2 2 9 5 Sumber: Hertyana (2019)
Sumber: Hertyana (2019)
Tabel 6 menjelaskan tentang nilai hasil
perhitungan D+.
= 0.3691 REFERENSI
Ilmu Komputer
STMIK Nusa Mandiri Jakarta
www.nusamandiri.ac.id
srahayu110527@gmail.com
Sistem Informasi
Universitas Bina Sarana Informatika
www.bsi.ac.id
ai.aiw@bsi.ac.id
dipopulerkan oleh Abraham Lincoln, tidak lain Melihat kondisi ini, penulis ingin
adalah “dari rakyat”, “oleh rakyat”, dan “untuk menganalisa penilaian para pemilih terhadap para
rakyat”. (Suyatno, 2017) paslon apakah sesuai dengan hasil pilkada atau
Salah satu wujud dari demokrasi ini, pada tidak dengan mengimplementasikan metode
hari Rabu, tanggal 27 Juni 2018 mendatang, akan pengambilan keputusan TOPSIS (Technique for
digelar pemilihan kepala daerah serentak di Order Preference by Similarity to Ideal Solution)
berbagai daerah di Indonesia. Selain pemilihan dalam pemilihan Bupati dan wakilnya pada tahun
Gubernur, sebanyak 16 kota di Jawa Barat akan 2018 berdasarkan observasi yang dilakukan
menggelar pemilihan Wali kota/Bupati. Diantara kepada 100 orang mahasiswa asal Ciamis yang
kabupaten dan kota tersebut adalah Kabupaten memiliki hak pilih pada Pilkada tahun 2018 dari
Sumedang, Bogor, Purwakarta, Subang, Kuningan, berbagai Perguruan Tinggi yang dikumpulkan
Majalengka, Cirebon, Garut, Ciamis, Kabupaten datanya dengan kuesioner secara purposive
Bandung Barat, Kota Bandung, Bogor, Banjar, sampling. Sementara pada penelitian sejenis
Bekasi, Cirebon dan Kota Sukabumi. sebelumnya, penyebaran kuesioner dibagikan
(seputarbandungraya, 2018). kepada 10 orang responden yang dipilih secara
Kabupaten Ciamis adalah salah satu random sampling yang diwakili oleh akademisi,
kabupaten yang akan menyelenggarakan Pilkada pedagang, petani, pekerja bangunan, ibu rumah
(Pemilihan Kepala Daerah) serentak, yakni tangga, buruh, PNS, wiraswasta, mahasiswa dan
memilih Bupati dan wakilnya. Dalam hal ini, KPU guru SD. Dalam penelitian ini yang menjadi
(Komisi Pemilihan Umum) Kabupaten Ciamis, alternatif yaitu Capres A (SBY), Capres B
berdasarkan Peraturan Komisi Pemilihan Umum (Megawati), dan Capres C (Prabowo) yang dioleh
Nomor 2 Tahun 2018 tentang Perubahan atas dengan metode tersebut dan menghasilkan Capres
Peraturan Komisi Pemilihan Umum Nomor 1 A (SBY) mendapat bobot prioritas akhir 0,385,
Tahun 2017 tentang Tahapan, Program, dan Capres B (Megawati) mendapatkan Bobot
Jadwal Penyelenggaraan Pemilihan Gubernur dan Prioritas 0,357, dan Capres C (Prabowo)
Wakil Gubernur, Bupati dan Wakil Bupati, mendapatkan bobot prioritas akhir 0,227.”
dan/atau Walikota dan Wakil Walikota Tahun (Yusianto, Arif, & Antono, 2009).
2018, dan Keputusan Komisi Pemilihan Umum Observasi ini dilakukan khusus kepada
Kabupaten Ciamis Nomor 15/PL.03.3- mahasiswa sebagai kelompok masyarakat terdidik
Kpt/3207/KPU-Kab/II/2018 tentang Penetapan dan idelis tanpa tercampuri isu-isu politik di
Nomor Urut dan Daftar Pasangan Calon Peserta masyarakat dan bentuk kampanye lainnya,
Pemilihan Bupati dan Wakil Bupati Ciamis Tahun sehingga diharapkan data yang didapat adalah
2018 dengan ini Komisi Pemilihan Umum data yang semurni-murninya.
Kabupaten Ciamis mengumumkan penetapan Kriteria yang digunakan dalam penelitian
nomor urut dan daftar pasangan calon peserta ini diambil dari kriteria yang ada ada penelitian
pemilihan Bupati dan Wakil Bupati Ciamis Tahun terdahulu, diantaranya “Merakyat, Ketegasan,
2018 adalah: Jujur” (Syafirullah, 2014) dan “Komunikasi,
1. Pasangan Calon Bupati dan Wakil Bupati H. Kepemimpinan, Keahlian/Kecakapan dan
HERDIAT SUNARYA dan YANA DIANA PUTRA Popularitas” (Yusianto et al., 2009). Sedangkan
pada Nomor Urut 1 (satu); pada jurnal ComTech Vol 4 No. 1 Juni 2013
2. Pasangan Calon Bupati dan Wakil Bupati H. berjudul Aplikasi AHP Dalam Menentukan
IING SYAM ARIFIN dan H. OIH BURHANUDIN Kandidat Gubernur DKI Jakarta 2012-2017
pada Nomor Urut 2 (dua). (Ciamis, 2018) menggunakan kriteria penilaian berdasarkan dari
Memilih seorang pemimpin adalah program kerja yang diangkat masing-masing
kegiatan yang tidak mudah dilakukan, karena kandidat yaitu kriteria banjir, transportasi,
selain menjadi tanggung jawab rakyat juga akan ekonomi dan kesejahteraan masyarakat,
menentukan masa depan wilayahnya selama lima pelayanan publik, serta kredibilitas dan
tahun mendatang. Dalam prosesnya, sering terjadi elektabilitas yang dihitung dengan menggunakan
pelanggaran pemilu, seperti yang tercantum metode Analytic Hierarchy Process (AHP) dan
dalam buku Penanganan Pelanggaran Pemilu menghasilkan nilai kandidat 1 (satu) 0,840,
disebutkan “Sengketa hukum dan pelanggaran kandididat 2 (dua) 0,160, kandidat 3 (tiga) 1,290,
pemilu dapat dibagi menjadi enam jenis, yakni: (1) kandidat 4 (empat) 0,783, kandidat 5 (lima) 0,255
pelanggaran pidana pemilu (tindak pidana dan kandidat 6 (enam) 1,755. (Rosta & Tannady,
pemilu); (2) sengketa dalam proses pemilu; (3) 2017).
pelanggaran administrasi pemilu; (4) pelanggaran Berdasarkan penelitian terkait yang
kode etik penyelenggara pemilu; (5) perselisihan sebelumnya sudah pernah dilakukan tentang
(sengketa) hasil pemilu; dan (6) sengketa hukum pemilihan pemimpin di suatu wilayah, dapat
lainnya.” (Surbakti, Ramlan ; Supriyanto, 2011). disimpulkan bahwa pemilihan pemimpin ini perlu
335.333333333
Pembagi Kriteria 5
= √(328.3333333332)+(325.6666666672) A1C6 = = 0.708513955
= 462.451679157 473.291077926
Pembagi Kriteria 7
343.666666667
= √(343.6666666672)+(338.0000000002) A1C7 = = 0.712960296
= 482.027776977
482.027776977
Kemudian setiap nilai pada tabel keputusan dibagi
dengan pembagi masing – masing kriterianya. 338.000000000 = 0.701204404
A2C7 =
Sumber : (Rahayu & Warnilah, 2018) Solusi ideal positif ditentukan oleh nilai tertinggi
yang didapat dari masing-masing kriteria pada
3. Hitung matriks keputusan yang dinormalisasi tabel matriks keputusan ternormalisasi terbobot
tertimbang. dan sebaliknya solusi ideal negatif ditentukan dari
nilai terendah masing-masing kriteria pada tabel
𝑤11 𝑟11 ⋯ 𝑤1𝑛 𝑟1𝑛 yang sama. Berikut ini tabel solusi ideal positif dan
𝑉=[ ⋮ ⋱ ⋮ ]……………………(2) negatif:
𝑤𝑚1 𝑟𝑚1 ⋯ 𝑤𝑛𝑚 𝑟𝑛𝑚
Tabel 5. Solusi Ideal Positif
Caranya dengan mengalikan masing-masing
elemen matriks keputusan ternormalisasi dengan
C1 C2 C3 C4 C5 C6 C7
setiap bobot kriterianya. A
+
2.1349 2.8565 3.5475 3.5551 3.5499 3.5425 2.8518
88894 28632 21566 30768 20436 69773 41185
A1C1 = 0.711662965 x 3 = 2.134988894
A2C1 = 0.702521049 x 3 = 2.107563148 Sumber : (Rahayu & Warnilah, 2018)
A1C2 = 0.714132158 x 4 = 2.856528632
A2C2 = 0.700010901 x 4 = 2.800043602 Tabel 6. Solusi Ideal Negatif
A1C3 = 0.709504313 x 5 = 3.547521566 C1 C2 C3 C4 C5 C6 C7
A
A2C3 = 0.704701092 x 5 = 3.523505462 -
2.1075 2.8000 3.5235 3.5158 3.5210 3.5284 2.8048
A1C4 = 0.703165563 x 5 = 3.515827815 63148 43602 05462 27815 88595 84009 17615
A2C4 = 0.711026154 x 5 = 3.555130768 Sumber : (Rahayu & Warnilah, 2018)
A1C5 = 0.709984087 x 5 = 3.549920436
A2C5 = 0.704217719 x 5 = 3.521088595 5. Hitung langkah-langkah pemisahan dari solusi
A1C6 = 0.708513955 x 5 = 3.542569773 ideal positif dan solusi ideal negatif.
A2C6 = 0.705696802 x 5 = 3.528484009 Dalam kata lain, langkah ini adalah menghitung
A1C7 = 0.712960296 x 4 = 2.851841185 jarak alternatif dari solusi ideal positif (D+)
A2C7 = 0.701204404 x 4 = 2.804817615 berdasarkan rumus:
3+
Tabel 4. 𝐷 = √(𝑣31 − 𝑣1+ )2 + (𝑣32 − 𝑣2+ )2 + (𝑣33 − 𝑣3+ )2 + (𝑣34 − 𝑣4+ )2 + (𝑣35 − 𝑣5+ )2
mengakarkan pengurangan dari nilai solusi ideal Maka didapatkan nilai kedekatan relative terhadap
negatif dengan nilai terbobot dari setiap kriteria solusi ideal digambarkan dalam tabel dibawah ini,
yang masing-masing pengurangan tersebut yang menyatakan bahwa nilai tertinggi
dipangkatkan 2 (dua) dan dijumlahkan dengan merupakan nilai terdekat dengan solusi ideal
pengurangan dari nilai solusi ideal negatif dengan sedangkan nilai terendah merupakan nilai
kriteria lainnya berdasarkan rumus: terpanjang dari solusi ideal.
Tabel 9.
Nilai Kedekatan Relatif Terhadap Solusi Ideal
−
𝐷1 = √(𝑣11 − 𝑣1− )2 + (𝑣12 − 𝑣2− )2 + (𝑣13 − 𝑣3− )2 + (𝑣14 − 𝑣4− )2 + (𝑣15 − 𝑣5− )2
−
𝐷2 = √(𝑣21 − 𝑣1− )2 + (𝑣22 − 𝑣2− )2 + (𝑣23 − 𝑣3− )2 + (𝑣24 − 𝑣4− )2 + (𝑣25 − 𝑣5− )2
−
𝐷3 = √(𝑣31 − 𝑣1− )2 + (𝑣32 − 𝑣2− )2 + (𝑣33 − 𝑣3− )2 + (𝑣34 − 𝑣4− )2 + (𝑣35 − 𝑣5− )2 Alternatif C
…………………………………………………………………(6) Paslon 1 0.691490149
Paslon 2 0.308509851
D-A1 = 0.088093151 Sumber : (Rahayu & Warnilah, 2018)
D-A2 = 0.039302953
7. Buat peringkat urutan preferensi atau pilih
Berikut ini hasil dari perhitungan mencari jarak alternative yang paling dekat dengan 1 (satu).
alternatif dari solusi ideal postif dan dari solusi
ideal negatif : Dengan didapatkannya nilai kedekatan alternative
terhadap solusi ideal yang akan diambil, maka
Tabel 7. rangking setiap alternative dapat ditentukan
Jarak Solusi Ideal Positif sebagai berikut :
Alternatif D+
Paslon 1 0.039302953 Tabel 10.
Paslon 2 0.088093151 Nilai Kedekatan Relatif Terhadap Solusi Ideal
Sumber : (Rahayu & Warnilah, 2018) Alternatif C Rangking
Paslon 1 0.691490149 1
Tabel 8. Paslon 2 0.308509851 2
Jarak Solusi Ideal Negatif Sumber : (Rahayu & Warnilah, 2018)
Alternatif D-
Paslon 1 0.088093151 Berdasarkan tabel 10., dari hasil penelitian
Paslon 2 0.039302953 terhadap 100 (seratus) orang mahasiswa asal
Sumber : (Rahayu & Warnilah, 2018) Ciamis dengan menggunakan kuesioner
berdasarkan kriteria terpilih yang
6. Menentukan kedekatan setiap alternative diimplementasikan pada metode TOPSIS
terhadap solusi ideal dengan rumus : (Technique for Order Preference by Similarity to
Ideal Solution) dapat dilihat bahwa Paslon 1 (satu)
𝑆𝑖− yaitu pasangan H. Herdiat Sunarya dan Yana Diana
𝐶1 = ……………………………………………..(7)
𝑆𝑖− + 𝑆𝑖+ Putra merupakan alternatif yang memiliki nilai
Sumber : (Adiwisanghagni, 2015) kedekatan yang lebih tinggi artinya lebih banyak
dipilih menjadi pasangan calon Bupati dan Wakil
Untuk mendapatkan nilai kedekatan 108lternat Bupati Ciamis pada Pemilihan Bupati tahun 2018
terhadap solusi ideal yang akan diambil, didapat dibandingkan dengan Paslon 2 (dua) yaitu
dari jarak solusi ideal negatif dibagi dengan pasangan calon H. Iing Syam Arifin dan H. Oih
penjumlahan jarak solusi ideal negatif dan jarak Burhanudin.
solusi ideal positif pada setiap alternative yang
ada, dengan cara :
KESIMPULAN
0.088093151 0.088093151
CA1 = = Berdasarkan penelitian pemilihan Bupati
0.039302953+0.088093151 0.127396104 Ciamis 2018 yang dilakukan penulis kepada
= 0.691490149 mahasiswa asal Ciamis dengan menggunakan
0.039302953 0.039302953 metode TOPSIS (Technique for Order Preference by
CA2 = = Similarity to Ideal Solution) sebagai salah satu
0.088093151+0.039302953 0.127396104 metode pengambilan keputusan, hasilnya
= 0.308509851 menunjukkan bahwa pasangan calon nomor urut
1 (satu) yaitu pasangan H. HERDIAT SUNARYA
dan YANA DIANA PUTRA mendapatkan nilai
0.691490149 lebih tinggi dari pasangan calon
Abstract—One of the problems in higher knowledge base in the form of an alumni database
education is the mistake of prospective students in on the online system created. Training or testing
majors selection. This is caused by not paying was conducted on 10,254 data in the database and
attention to the suitability of the major in the produced new information and knowledge that
original school with the chosen major in higher between the majors of the original school, the
education so that it impacts not only non optimal choice of majors in higher education and GPA had
processing and learning outcomes, such as the low a strong correlation with the value of confidence
GPA, but also on social life, such as increasing reaching 100%.
unemployment. The selection of the right major is
very important and to help prospective students in Key Word: Association Rule, Support, Confidence,
choosing it requires an online system that can be Correlation.
accessed by everyone and select original school
majors to see conformity with majors in higher Intisari—Salah satu permasalahan dalam
education. This system uses association rules and perguruan tinggi adalah kesalahan calon
parameters of support and confidence in data mahasiswa dalam pemilihan jurusan di
mining. The purpose of this research is to perguruan tinggi pilihannya. Kesalahan ini
determine the correlation between majors in the disebabkan kurang memperhatikan kesesuaian
original school, majors in higher education and the jurusan di sekolah asal dengan jurusan yang
achievement of the GPA through the use of support dipilih sehingga berdampak tidak hanya pada
and confidence parameters that process the proses dan hasil pembelajaran yang tidak
maksimal, seperti perolehan indeks prestasi di perguruan tinggi yang disesuaikan dengan
kumulatif (IPK) yang rendah, namun juga jurusan sekolah asal. Itu sebabnya pemilihan
berdampak pada kehidupan sosial, seperti jurusan yang sesuai dalam pendidikan tinggi
bertambahnya pengangguran. Pemilihan jurusan sangat penting dan melalui penelitian ini dapat
yang tepat sangat penting dan untuk membantu diketahui seberapa kuat keterkaitan ketiga
calon mahasiswa dalam memilihnya dibutuhkan variabel utama tersebut, yakni jurusan sekolah
sebuah sistem online yang dapat diakses oleh asal, jurusan di perguruan tinggi dan IPK yang
setiap orang dan menyeleksi jurusan sekolah asal diperoleh.
untuk melihat kesesuaian dengan jurusan di Penggalian informasi tentang keterkaitan
perguruan tinggi. Sistem ini menggunakan aturan ini dilakukan dengan aturan asosiasi dalam data
asosiasi dan parameter support dan confidence mining. Menurut (Agrawal, Imielinski, & Swami,
dalam ilmu data mining. Tujuan dari penelitian 1993), aturan asosiasi pertama kali
ini adalah untuk mengetahui adanya korelasi diperkenalkan oleh Agrawal. Aturan asosiasi
antara jurusan di sekolah asal, jurusan di merupakan sebuah ekspresi yang ditunjukkan
perguruan tinggi dan raihan IPK melalui oleh X => Y, dimana X dan Y merupakan
penggunaan parameter support dan confidence sekumpulan data yang terhubung dengan adanya
yang memproses basis pengetahuan dalam parameter support dan confidance. Artinya,
bentuk basis data alumni pada sistem online yang bahwa transaksi dari sebuah database yang
dibuat. Training atau pengujian dilakukan terdiri dari X cenderung mengandung Y (Agrawal
terhadap 10.254 data dalam basis data dan et al., 1993). Keadaan ini untuk mengenali
menghasilkan informasi serta pengetahuan baru sekumpulan aturan yang berdampingan dalam
bahwa antara jurusan sekolah asal, pilihan beberapa kumpulan data. Sedangkan pada
jurusan di perguruan tinggi dan IPK memiliki penelitian ini, untuk melakukan seleksi terhadap
korelasi yang kuat dengan nilai confidence yang jurusan di perguruan tinggi, sebuah sistem online
mencapai 100%. dirancang dan dibuat dengan menggunakan
sejumlah data alumni mahasiswa.
Kata Kunci: aturan asosiasi, support, confidence, Berbagai penelitian yang berkaitan dengan
korelasi. penggunaan parameter support dan confidence
untuk pengambilan keputusan telah banyak
PENDAHULUAN dilakukan melalui korelasi yang terbentuk. Pada
penelitian (Kwon, Lee, Park, & Kim, 2017), hasil
Pemilihan jurusan yang tepat di perguruan tes yang menggunakan parameter support dan
tinggi menjadi suatu hal yang sangat penting confidence dapat dengan tepat memprediksi
sebelum memulai perkuliahan. Salah satu kegagalan mesin di lingkungan manufaktur
parameter untuk mengukur keberhasilan studi secara nyata melalui hasil penyelidikan hubungan
atau kualitas lulusan di perguruan tinggi adalah antara penyebab dan jenis kegagalan mesin.
melalui perolehan Indeks Prestasi Kumulatif Dalam (Istrat & Lalić, 2017) dan (Santhosh &
(IPK), yakni >=3,0. Nilai IPK yang tinggi Francis, 2015), rule asosiasi digunakan sebagai
merupakan salah satu faktor yang menunjukkan alat untuk membantu pengambilan keputusan
kualifikasi mahasiswa dan menjadi ukuran dalam industri tekstil dan pengembangan klinik.
kompetensi dalam menghadapi kebutuhan dunia Aturan asosiasi juga dapat digunakan
kerja. untuk memprediksi kecelakaan yang akan terjadi
Untuk sampai pada tujuan tersebut, di masa mendatang dan memungkinkan
terdapat satu hal yang dianggap menjadi awal pengemudi untuk menghindari kecelakaan
permasalahan, yakni kesalahan dalam memilih tersebut. Namun, karena teknik ini menghasilkan
jurusan di perguruan tinggi. Menurut Educational sejumlah besar aturan keputusan, dapat
Psychologist dari Integrity Development Flexibility mencegah para pembuat keputusan membuat
(IDF) bahwa 87% mahasiswa Indonesia yang pilihan sendiri dari aturan yang paling relevan
salah dalam memilih jurusan di pendidikan tinggi (Ait-Mlouk, Gharnati, & Agouti, 2017).
telah menyebabkan beberapa hal seperti memicu Penelitian selanjutnya yang menggunakan
jumlah pengangguran, tidak bisa memperoleh IPK parameter dari algoritma A Priori ini adalah
tinggi, tidak mampu bertahan dan tidak optimis menemukan aturan perguruan tinggi yang solid
dalam perkuliahan, tidak tertarik pada mata dan substansial dalam kegiatan penerimaan
kuliah yang diberikan dan dampak terburuknya mahasiswa berdasarkan aturan yang berlaku
adalah dikeluarkan atau drop out (Harahap, (Ahuja, Garg, Jain, & Sachdeva, 2018). Berbagai
2014). penelitian terkait lainnya juga menunjukkan
Situasi ini menunjukkan bahwa perolehan bahwa parameter support dan confidence mampu
IPK ada hubungannya dengan pemilihan jurusan menghasilkan berbagai aturan yang dapat
membantu perusahaan atau pihak terkait dalam didefinisikan dalam (Istrat & Lalić, 2017) sebagai
membuat keputusan. berikut:
Algoritma A Priori
Sebuah kasus mengenai aturan asosiasi yang
menggunakan analisis keranjang pasar (market
basket analysis) (Chauhan & Cerpa, 2001),
mengklasifikasi item dalam beberapa kelompok
yang dibeli bersamaan di supermarket. Analisis
tersebut dikenal dengan nama Algoritma A Priori.
Algoritma Algoritma A Priori bekerja didasarkan
pada asumsi bahwa jika sejumlah item muncul
dalam sekelompok data, maka data yang muncul
pasti berada dalam kelompok data yang sama
(Astudillo, Bardeen, & Cerpa, 2014). Manfaat dari
peningkatan fungsi algoritma A Priori telah
diuraikan oleh (Yabing, 2013) dan (Jafarzadeh,
Rahmati Torkashvand, Asgari, & Amiry, 2015).
Aturan algoritma untuk asosiasi bertingkat telah
diusulkan oleh (Ding, Shi, Chen, & Taher Azar,
2015). Sedangkan algoritma lain yang tersedia
untuk penambangan aturan asosiasi telah
dibandingkan dan dianalisis dalam penelitian
(Tseng, Shie, Wu, & Yu, 2013). Sumber: (Buaton, Jollyta, Mawengkang, Zarlis, &
Untuk mengukur kekuatan aturan asosiasi Effendi, 2019)
terdapat dua parameter yang dikenal sebagai Gambar1. Bagan Alir Penelitian
support dan confidance. Parameter ini
Pembahasan penelitian dimulai dengan Terdapat tiga aktor pada sistem online
mengkonversi nilai IPK ke huruf yang Penyeleksian Jurusan dan IPK, yakni admin,
diberlakukan pada penelitian ini sebagai data uji, operator dan calon mahasiswa yang disebut juga
seperti yang ditampilkan Tabel 1. sebagai pengguna. Berdasarkan Gambar 2, admin
bertugas sebagai aktor yang mengatur dan
Tabel 1. Konversi IPK menjalankan sistem. Operator adalah orang yang
IPK HURUF ditugaskan oleh perguruan tinggi untuk
4,00 A melakukan manipulasi data seperti memasukkan
3.67-3.99 A- data, menambah, edit dan menghapus data dari
3.33-3.66 B+ database. Setiap operator hanya diizinkan untuk
3.00-3.32 B memasukkan data sesuai dengan perguruan
2.67-2.99 B- tinggi masing-masing. Data yang sudah
2.33-2.66 C+ dimasukkan operator secara otomatis menjadi
2.00-2.32 C database pengetahuan dalam menentukan nilai
Sumber: (Buaton et al., 2019) support dan confidence.
Aktor terakhir yang terdapat pada sistem
Selanjutnya adalah pembuatan sistem online yang adalah calon mahasiswa atau pengguna. Sistem
diawali dengan perancangan menggunakan yang dibangun dapat dipakai secara lansung oleh
diagram usecase seperti yang diperlihatkan pada calon mahasiswa atau pengguna. Pengguna bisa
Gambar 2. memasukkan tiga variabel utama yang digunakan
sebagai ukuran dalam menyeleksi jurusan.
Penelitian ini menyediakan sistem dengan
antarmuka yang interaktif. Antarmuka bagi
pengguna dibagi ke dalam tiga kategori dimana
setiap kategori menampilkan perhitungan
support dan confidence sebagai hasil dari
pengujian sistem. Adapun hasil pengujian
parameter asosiasi untuk Kategori I ditunjukkan
oleh Tabel 2.
Agrawal, R., Imielinski, T., & Swami, A. (1993). Ding, S., Shi, Z., Chen, K., & Taher Azar, A. (2015).
Sigmod93Assoc. In Mining Association Rules Mathematical Modeling and Analysis of Soft
between Sets of tems in Large Database (pp. Computing. Mathematical Problems in
1–10). Engineering (Vol. 2015).
https://doi.org/10.1155/2015/578321
Ahuja, R., Garg, A. G., Jain, D., & Sachdeva, D.
(2018). Predicting B.Tech student Harahap, R. F. (2014). Duh, 87% Mahasiswa
admission decisions by data mining Indonesia Salah Jurusan! Okexone.Com, p.
algorithms. International Journal of News Kampus. Retrieved from
Engineering & Technology, 7(1–3), 90–94. https://news.okezone.com/read/2014/02/
https://doi.org/10.14419/ijet.v7i1.3.9664 24/373/945961/duh-87-mahasiswa-
Ait-Mlouk, A., Gharnati, F., & Agouti, T. (2017). An indonesia-salah-jurusan
improved approach for association rule
mining using a multi-criteria decision Istrat, V., & Lalić, N. (2017). Association Rules as a
support system: a case study in road safety. Decision Making Model in the Textile
European Transport Research Review, 9(40), Industry. Fibres and Textiles in Eastern
1–13. https://doi.org/10.1007/s12544- Europe, 25(4), 8–14.
017-0257-5 https://doi.org/10.5604/01.3001.0010.230
2
Al Syahdan, S., & Sindar, A. (2018). Data Mining
Penjualan Produk Dengan Metode Apriori Jafarzadeh, H., Rahmati Torkashvand, R., Asgari,
Pada Indomaret Galang Kota. Jurnal C., & Amiry, A. (2015). Provide a new
Nasional Komputasi Dan Teknologi approach for mining fuzzy association rules
Informasi (JNKTI), 1(2), 56–63. using Apriori algorithm. Indian Journal of
https://doi.org/10.32672/jnkti.v1i2.771 Science and Technology, 8(S7), 127–134.
https://doi.org/10.17485/ijst/2015/v8i8/
Anitha, G., A. Karthika, R., Bindu, G., & V. 63627
Sriramakrishnan, G. (2018). Modified classic
a priori algorithm for association rule Kamsu-Foguem, B., Rigal, F., & Mauget, F. (2013).
mining. International Journal of Engineering Mining association rules for the quality
& Technology, 7(2.21), 414–416. improvement of the production process.
https://doi.org/10.14419/ijet.v7i2.21.1245 Expert Systems with Applications, 40(4),
5 1034–1045.
https://doi.org/10.1016/j.eswa.2012.08.03
Astudillo, C., Bardeen, M., & Cerpa, N. (2014). 9
Editorial: Data mining in electronic
commerce confidence - Support vs. Kwon, J. H., Lee, S. B., Park, J., & Kim, E. J. (2017).
Confidence. Journal of Theoretical and Association Rule-based Predictive Model for
Applied Electronic Commerce Research, 9(1), Machine Failure in Industrial Internet of
1–7. https://doi.org/10.4067/S0718- Things. In Journal of Physics: Conference
18762014000100001 Series (Vol. 892, pp. 1–8).
https://doi.org/10.1088/1742-
Buaton, R., Jollyta, D., Mawengkang, H., Zarlis, M., 6596/892/1/012008
& Effendi, S. (2019). Laporan Akhir
Penelitian Mandiri. Kota Medan. Orriols-Puig, A., Martínez-López, F. J., Casillas, J., &
Lee, N. (2013). A soft-computing-based
Chauhan, A., & Cerpa, N. (2001). A Comparison of method for the automatic discovery of fuzzy
Procurement Models for B2B Electronic rules in databases: Uses for academic
Commerce. In Optima (pp. 1–14). research and management support in
marketing. Journal of Business Research,
Correa Bahnsen, A., Stojanovic, A., Aouada, D., & 66(2013), 1332–1337.
Ottersten, B. (2013). Cost sensitive credit https://doi.org/10.1016/j.jbusres.2012.02.
card fraud detection using bayes minimum 033
risk. Proceedings - 2013 12th International
Conference on Machine Learning and Pulakkazhy, S., & Balan, R. V. S. (2013). Data
Teknik Informatika
STMIK Nusa Mandiri Jakarta
ade.adc@nusamandiri.ac.id
Abstract— This research aims was to evaluate and menggunakan, persepsi kenyamanan penggunaan,
analyze Inventory System implementation using dan penerimaan IT. Pengolahan dan analisis data
Technology Acceptance Model (TAM) . The data menggunakan statistic deskriptif dan analisis
used in this research are primary data and regresi linear sederhana menggunakan SPSS versi
secondary data, collected using several data 21. Hasil penelitian ini adalah 1) Persepsi
collection techniques, such as observation, kemudahan penggunaan Inventory System
interviews, questionnaires, and literature review. berpengaruh positif signifikan terhadap persepsi
The variables in this research are Perceived kegunaan. 2) Persepsi kegunaan Inventory System
Usefulness, Perceived Ease of Use, Attitude Toward berpengaruh positif signifikan terhadap sikap
Using, Perceived Enjoyment, Acceptance of IT. pengguna. 3) Persepsi kemudahan Inventory
Processing and analysis of data in this research was System berpengaruh positif signifikan terhadap
using descriptive statistics analysis and simple sikap pengguna Inventory System. 4) Persepsi
linear regression analysis, which done by the kenyamanan pengguna berpengaruh positif
support of the Application SPSS version 21. The signifikan terhadap sikap pengguna. 5) Persepsi
results of this research are as follows 1) perceived kegunaan berpengaruh positif signifikan terhadap
ease of use Inventory System have given positive Penerimaan IT. 6) Persepsi pengguna
and significant influence on Perceived Usefulness. 2) berpengaruh positif signifikan terhadap
Perceived Usefulness Inventory System have given penerimaan TI
positive and significant influence on user’s attitude.
3) Perceived Ease of Use have given positive and Kata Kunci: Perceived Usefulness, Perceived Ease of
significant influence on user’s attitude. 4) Perceived Use, Perceived Enjoyment, Attitude Toward Using,
Enjoyment have given positive and significant Acceptance of IT, Technology Acceptance Model.
influence on user’s attitude. 5) Perceived Usefulness
have given positive and significant influence on PENDAHULUAN
acceptance of IT. 6) Perceived Ease of Use have
given positive and significant influence on Meningkatnya standar kecepatan dan
acceptance of IT. ketepatan yang diberikan oleh perusahaan
mengharuskan adanya pengembangan sistem
Keywords: Perceived Usefulness, Perceived Ease of yang juga meningkat. Adanya pengembangan
Use, Perceived Enjoyment, Attitude Toward Using, suatu sistem akan membantu perusahaan untuk
Acceptance of IT, Technology Acceptance Model. memudahkan pengolahan data yang berkualitas
dan berguna bagi perusahaan. Untuk itu, tiap
Intisari—Penelitian ini dilakukan untuk perusahaan memerlukan sistem yang bisa
mengevaluasi dan menganalisa penerapan mengelola semua proses yang terjadi, mulaidari
Invetory System dengan menggunakan proses mengumpulkan, memasukkan, mengolah,
Technology Acceptance Model (TAM). Tipe data dan menyimpan data-data tersebut.
yang digunakan dalam penelitian ini adalah data Masalah yang timbul dalam Inventory
primer dan data sekunder, yang dikumpulkan System ini adalah kadang kala terdapat peringatan
menggunakan beberapa teknik pengumpulan data, double data saat input kode faktur, padalah kode
seperti observasi, wawancara, kuesioner, dan faktur tersebut baru dan belum pernah di input
studi pustaka. Variabel penelitian ini terdiri dari sebelumnya.
persepsi kegunaan, Persepsi kemudahan, sikap
Menurut Kang dalam (Santoso, 2012) berbasis pada computer yang dapat menyajikan
sistem teknologi informasi akan membantu dan menghimpun berbagai jenis data yang akurat
perusahaan untuk memperbaiki kinerja organisasi untuk bermacam kebutuhan.
hanya apabila perusahaan menggunakan sistem
teknologi informasi secara aktual dalam langkah B. Technology Acceptance Model
yang efisien. Penerapan teknologi baru dalam TAM diperkenalkan pertama kali oleh Davis
suatu organisasi akan berpengaruh pada pada tahun 1986 merupakan adopsi dari Theory
keseluruhan organisasi, terutama pada sumber of Reasoned Action (TRA) yang dibuat khusus
daya manusia. Faktor pengguna sangatlah penting untuk pemodelan penerimaan pengguna terhadap
untuk diperhatikan dalam penerapan sistem baru, sistem informasi. Menurut Davis et al. tujuan
karena tingkat kesiapan pengguna untuk utama TAM adalah untuk memberikan dasar
menerima sistem baru mempunyai pengaruh untuk penelusuran pengaruh faktor eksternal
besar dalam menentukan sukses tidaknya terhadap kepercayaan, sikap, dan tujuan
pengembangan/penerapan sistem tersebut pengguna. TAM menganggap bahwa 2 keyakinan
Adapun hipotesis penulisan dalam individual, yaitu persepsi manfaat (perceived
melakukan penelitian ini, sebagai berikut: usefulness, disingkat PU) dan persepsi kemudahan
H1 Persepsi kemudahan sistem perceived ease of pengguna (perceived easy of use, disingkat PEOU),
use (PEOU) berpengaruh positif terhadap adalah pengaruh utama untuk perilaku
persepsi kegunaan perceived usefulness (PU) penerimaan komputer.
dalam penggunaan Inventory System. Berikut adalah gambar TAM yang secara
H2 Persepsi kegunaan perceived usefulness (PU) spesifik menyebutkan perilaku sebagai pengguna
berpengaruh positif terhadap sikap teknologi:
penggunaan attitude Toward Using (ATU)
dalam penggunaan Inventory System.
H3 Persepsi kemudahan sistem perceived ease of
use (PEOU) berpengaruh positif terhadap
sikap pengguna attitude Toward Using (ATU)
dalam penggunaan Inventory System.
H4 Persepsi kenyamanan pengguna perceived
enjoyment (PE) berpengaruh positif terhadap
sikap pengguna attitude toward using (ATU) Sumber: (Marakarkandy, Yajnik, & Dasgupta,
dalam penggunaan Inventory System. 2017)
H5 Persepsi kegunaan perceived usefulness (PU) Gambar 1. Technology Acceptance Model (TAM)
berpengaruh positif terhadap acceptance of IT
(AU) dalam penggunaan Inventory System. C. Metode Penelitian
H6 Persepsi pengguna attitude toward using 1. Rancangan Penelitian
(ATU) berpenngaruh positif terhadap Penelitian ini bertujuan untuk menganalisis
acceptance of IT (AU) dalam penggunaan serta mendeskripsikan data tentang penerimaan
Inventory System. teknologi inventory system berdasarkan
Technologi Acceptance Model (TAM) di PT. DaeIn
BAHAN DAN METODE Tech Indonesia dengan unsur-unsur pokok yang
ditemukan sesuai dengan latar belakang masalah,
A. Sistem Informasi Manajemen identifikasi masalah, dan ruang lingkup. Penelitian
Menurut Robert A. Leitch dan K. Roscoe ini merupakan penelitian survey karena dilakukan
Davis dalam (Jogiyanto, 2005) “Sistem informasi dengan menggunakan kuesioner sebagai alat
adalah suatu sistem yang di dalam suatu pengumpul data pokok. Adapun unit analisis yang
organisasi yang mempertemukan kebutuhan diteliti adalah pengguna sesungguhnya inventory
pengolahan transaksi harian, mendukung operasi, system.
bersifat manajeral dan kegiatan strategi dari suatu 2. Instrumen Penelitian
organisasi dan menyediakan pihak luar tertentu Instrument penelitian ini berupa kuesioner
dengan laporan-laporan yang diperlukan”. yang di adopsi dari penelitian terdahulu.
Sedangkan Menurut Raymond McLeod dan Kuesioner untuk variabel persepsi kegunaan
G. Schell dalam (Aidi, 2014) menerangkan bahwa (perceived usefulness), persepsi kemudahan
“SIM adalah suatu sistem berbasis computer yang pengguna (perceived ease of use), sikap terhadap
menyediakan informasi bagi beberapa pemakai penggunaan (attitude toward using), persepsi
dengan kebutuhan serupa”.Istilah sistem kenyamanan penggunaan (perceived enjoyment),
informasi secara umum sering diartikan sebagai dan penerimaan TI (acceptance of IT) diukur
suatu sistem yang terintegrasi secara optimal dan dengan menggunakan masing-masing 5 item
tersebut.
3. Metode Pengumpulan Data Keterangan:
Adapun metode dalam mengumpulkan data r11 : Reliabilitas instrument
penelitian ini yaitu dengan menggunakan metode k : Jumlah butir pertanyaan atau banyaknya
penyebaran kuesioner mengenai penerimaan soal
teknologi yang diberikan langsung kepada para Σ σb2 : Jumlah varians butir
responden atau karyawan yang menggunakan σ2t : Varians total
inventory system. b) Validitas
4. Populasi dan Sampel Penelitian Validitas adalah suatu ukuran yang
Populasi, sehingga seluruhnya berjumlah menunjukan tingkat-tingkat kevalidan atau
sebanyak 14 orang. kesahihan suatu instrument (Arikunto, 2014).
Sementara itu, sampel adalah bagian dari Teknik yang digunakan untuk mengetahui derajat
jumlah dan karakteristik yang dimiliki oleh kevalidan kuesioner adalah uji statistic kolerasi
populasi tersebut. (Sugiyono, 2008) Dalam product moment, yang dikembangkan oleh
menentukan sampel, peneliti menggunakan teknik Pearson. Rumus kolerasi product moment adalah
total sampling, yaitu teknik penentuan sample sebagai berikut:
dengan mengambil seluruh anggota populasi
N ( ∑XY)− (∑X)x (∑Y)
sebagai sampel. Dengan demikian, maka jumlah rxy= ………………………………….. (2)
√{N ∑X2 }{N ∑Y2 − (∑Y)2 }
sampel pada penelitian ini adalah sebanyak 14
orang. Keterangan:
5. Metode Analisis Data rxy : koefisien kolerasi
a) Analisis Deskriptif ∑X : jumlah skor pertanyaan
Statistik deskriptif adalah statistik yang ∑Y : jumlah skor total
digunakan untuk menganalisa data dengan cara N : jumlah responden
mendeskripsikan atau menggambarkan data yang
telah terkumpul sebagai mana adanya tanpa HASIL DAN PEMBAHASAN
bermaksud membuat kesimpulan yang berlaku
untuk umum atau generalisasi (Sugiyono, 2008). Uji Validitas dan Uji Reliabilitas
Dalam penelitian ini analisis deskriptif digunakan 1) Uji Validitas
untuk menganalisis profil sampel serta deskripsi Dasar pengambilan keputusan pada pengujian
variabel yang digunakan dalam penelitian. validitas adalah apabila nilai r hitung lebih besar
b) Analisis Regresi daripada nilai r tabel, maka dapat dinyatakan
Regrasi adalah pengukur hubungan dua bahwa instrument valid. Nilai r tabel untuk
variabel atau lebih yang dinyatakan dengan penelitian ini adalah 0,458.
bentuk hubungan atau fungsi (kadir, 2015).Untuk
menentukan bentuk hubungan (regresi) Tabel 1. Hasil Uji Validitas
diperlukan pemisah yang tegas antara variabel Nilai r Nilai Keterangan
bebas (X) dan variabel terikat (Y). pada regrasi tabel r
harus ada variabel yang ditentukan dan variabel 5% Hitung
(N=14)
yang menentukan, atau dengan kata lain adanya
PU1 0,458 0,758 Valid
ketergantungan variabel yang satu dengan PU2 0,458 0,942 Valid
variabel yang lainnya dan sebaliknya. Kedua PU3 0,458 0,834 Valid
variabel biasanya bersifat kausal atau mempunyai PU4 0,458 0,679 Valid
hubungan sebab akibat yaitu saling berpengaruh. PU5 0,458 0,938 Valid
PU6 0,458 0,834 Valid
Analisis regresi yang digunakan pada penelitian
PEOU1 0,458 0,579 Valid
ini adalah analisis regresi linier sederhana, dengan PEOU2 0,458 0,702 Valid
persamaan regresi sebagai berikut: Y = a + bX + e. PEOU3 0,458 0,891 Valid
PEOU4 0,458 0,916 Valid
6. Reliabilitas dan Validitas PEOU5 0,458 0,749 Valid
a) Reliabilitas PEOU6 0,458 0,792 Valid
ATU1 0,458 0,828 Valid
Reliabilitas adalah derajat konsisten dan ATU2 0,458 0,956 Valid
stabilitas data dalam interval waktu ATU3 0,458 0,956 Valid
tertentu..(Sugiyono, 2008) Pengujian reliabilitas ATU4 0,458 0,910 Valid
pada penelitian ini mengunakan rumus koefisien PE1 0,458 1,000 Valid
reliabilitas Alpha-Cronbuch, sebagai berikut: PE2 0,458 1,000 Valid
AU1 0,458 0,849 Valid
AU2 0,458 0,951 Valid
Berdasarkan tabel di atas, diketahui bahwa Tabel di atas menunjukan bahwa persepsi
semua variabel penelitian adalah reliable. Hal kegunaan (perceived usefulness/PU) memiliki
tersebut dapat dilihat dari nilai Cronbach’s Alpha kisaran antara nilai ninimum 24 sampai dengan
semua variabel lebih besar dari 0,6 sehingga dapat nilai maximum 30 dengan nilai rata-rata mean
disimpulkan bahwa setiap variabel yang ada pada sebesar 25,7857 dan nilai median sebesar 25.
penelitian ini cukup akurat, stabil atau konsisten Dengan demikian berarti pengguna beranggapan
dalam mengukur nilai yang dibutuhkan untuk bahwa aplikasi ini cukup berguna bagi responden.
penelitian ini. Persepsi kemudahan (perceived ease of
a. Profil Responden use/PEOU) memiliki kisaran antara nilai minimum
Pada penelitian ini, penulis mengajukan 24 sampai dengan nilai maximum 30 dengan nilai
kuesioner pada 14 responden dan semua rata-rata mean 25,8571 dan nilai median sebesar
kuesioner dikembalikan dengan lengkap, 25. Dengan demikian berarti pengguna
sehingga seluruh kuesioner layak digunakan beranggapan bahwa aplikasi ini cukup mudah
dalam penelitian. digunakan bagi responden.
Adapun profil responden pada penelitian ini, Sikap menggunakan (attitude toward
sebagai pada tabel berikut ini: use/ATU) memiliki kisaran antara nilai minimum
13 sampai dengan nilai maximum 20 dengan nilai
Tabel 3. Profil Responden rata-rata mean 16.4286 dan nilai median sebesar
Variabel Karakteristik Jumlah Persentasi 16. Dengan demikian berarti pengguna
Jenis Kelamin Laki-laki 7 50% beranggapan bahwa aplikasi ini cukup baik dalam
Perempuan 7 50% sikap menggunakan setiap respondennya.
Usia 21 sd 30 tahun 3 21,4%
KESIMPULAN
Sistem Informasi
STMIK Nusa Mandiri
http://nusamandiri.ac.id
1dittasriw@gmail.com
Abstract The vacant land in DKI Jakarta is berinteraksi dengan yang lainnya. Menggunakan
increasingly reducing due to the construction of metode K-Means Clustering dapat membantu
houses, queues, factories, which are increasingly pemerintah ataupun petugas pada setiap RPTRA
rapid. Making less green open space and water lebih mudah melihat seberapa bermanfaatnya
catchment areas. That way, the park of the children RPTRA ini. Dan pemerintah juga memfasilitasi
to play even decreases, as well as the DKI Jakarta beberapa ruangan yang terdapat di RPTRA ini
Provincial Government, decides to make a Child- yaitu Ruang Aula, Ruang Perpustakaan dan Ruang
Friendly Integrated Public Room or what we know Bermain. Hasil penelitian ini adalah ruang aula yg
as RPTRA with facilities that can help the memiliki nilai tertinggi untuk pengunjung yang
community around it. With this RPTRA, the public dating dimana nilai yang didapat adalah 1319
especially children can play and interact with each pengunjung .
other. Using the K-Means Clustering method can
help the government or officers in each RPTRA more Kata Kunci : DKI Jakarta, RPTRA, Data Mining,
easily see how useful this RPTRA and the Clustering
government also facilitates some of the rooms
contained in this RPTRA namely the hall, library, PENDAHULUAN
and playroom. The results of this research are the
hall that has the highest value for visitors who come Kehidupan yang semakin meningkat,
where the value obtained is 1319 visitors. pembangunan dimana-mana, membuat DKI
Jakarta kini semakin padat. Kurangnya lahan
Keywords : DKI Jakarta, RPTRA, Data Mining, resapan air (Sanitya & Burhanudin, 2013),
Clustering kurangnya ruang terbuka hijau (Indah, Wardiyati,
& Setyobudi, 2014), ruang terbuka bagi publik
IntisariLahan kosong yang terdapat di DKI maupun ruang edukasi yang umum bisa
Jakarta ini semakin mengurang karena dimanfaatkan bagi siapa saja menjadi suatu
pembangunan rumah, kantor, pabrik dll yang masalah bagi kehidupan sosial masyarakat Jakarta
semakin pesat. Membuat berkurangnya ruang sebagai dampak keadaan lingkungan fisik
terbuka hijau dan daerah resapan air. Dengan tersebut. Dengan banyaknya masalah ini, sehingga
begitu taman untuk biasanya anak-anak menjadi tugas untuk Pemprov DKI Jakarta agar
bermainpun ikut berkurang juga. Pemrov DKI dapat menyelesaikan masalah ini. Pemerintah
Jakarta memutuskan untuk membuat Ruang Provinsi DKI Jakarta memutuskan untuk
Publik Terpadu Ramah Anak atau yang kita kenal membangun lahan terbuka hijau dan ruang publik
dengan sebutan RPTRA dengan fasilitas-fasilitas terbuka untuk masyarakat salah satunya yaitu
yang dapat membantu masyarakat disekitarnya. RPTRA. RTH berfungsi sebagai penyeimbang
Dengan RPTRA ini umumnya masyarakat pembangunan kota, khususnya dalam
khususnya anak-anak dapat bermain dan saling menanggulangi banjir, menyerap polutan, dan
Hari /
Hari / Tanggal Jumlah Jumlah
Tanggal
2018 pengunjung Mei 2018 pengunjung
Sabtu, 7 April 26 Senin, 7 Mei 31
2018 pengunjung 2018 pengunjung
Minggu, 8 April 35 Selasa, 8 22
2018 pengunjung Mei 2018 pengunjung
Senin, 9 April 21 Rabu, 9 Mei 13
2018 pengunjung 2018 pengunjung
Selasa, 10 April 26 Kamis, 10 12
2018 pengunjung Mei 2018 pengunjung
Rabu, 11 April 36 Jumat, 11 37
2018 pengunjung Mei 2018 pengunjung
Kamis, 12 April 12 Sabtu, 12 26
2018 pengunjung Mei 2018 pengunjung
Jumat, 13 April 14 Minggu, 13 32
2018 pengunjung Mei 2018 pengunjung
Sabtu, 14 April 40 Senin, 14 35
2018 pengunjung Mei 2018 pengunjung
Minggu, 15 April 31 Selasa, 15 38
2018 pengunjung Mei 2018 pengunjung
Senin, 16 April 25 Rabu, 16 21
2018 pengunjung Mei 2018 pengunjung
Selasa, 17 April 37 Kamis, 17 26
2018 pengunjung Mei 2018 pengunjung
Rabu, 18 April 24 Jumat, 18 34 Sumber: (Wardiani & Merlina, 2018)
2018 pengunjung Mei 2018 pengunjung Gambar 2. Skema Algoritma K-Means
Kamis, 19 April 29 Sabtu, 19 32
2018 pengunjung Mei 2018 pengunjung 1. Transformasi Data
Jumat, 20 April 31 Minggu, 20 25
2018 pengunjung Mei 2018 pengunjung Transformasi data pengunjung dibuat
Sabtu, 21 April 32 Senin, 21 29 disatukan selama 2 bulan dalam satu tabel,
2018 pengunjung Mei 2018 pengunjung hari/tanggal diubah menjadi nomor urut dan
Minggu, 22 April 33 Selasa, 22 39 menambahkan atribut rata-rata dari jumlah
2018 pengunjung Mei 2018 pengunjung
pengunjung selama 2 bulan dibagi 8 minggu,
Senin, 23 April 32 Rabu, 23 16
2018 pengunjung Mei 2018 pengunjung seperti pada tabel dibawah ini :
Selasa, 24 April 21 Kamis, 24 18
2018 pengunjung Mei 2018 pengunjung Table 7.Contoh Transformasi Data
Rabu, 25 April 24 Jumat, 25 24 Ruang Aula
2018 pengunjung Mei 2018 pengunjung
Kamis, 26 April 36 Sabtu, 26 21 No Jumlah Rata-rata
2018 pengunjung Mei 2018 pengunjung 1 32 4,00
Jumat, 27 April 39 Minggu, 27 35
2018 pengunjung Mei 2018 pengunjung 2 36 4,50
Sabtu, 28 April 12 Senin, 28 32 3 41 5,13
2018 pengunjung Mei 2018 pengunjung Sumber: (Wardiani & Merlina, 2018)
Minggu, 29 April 33 Selasa, 29 37
2018 pengunjung Mei 2018 pengunjung
Senin, 30 April 25 Rabu, 30 32 Table 8. Contoh Transformasi Data
2018 pengunjung Mei 2018 pengunjung Ruang Perpustakaan
Kamis, 31 15 No Jumlah Rata-rata
Mei 2018 pengunjung
1 31 3,88
Sumber: (Wardiani & Merlina, 2018)
2 23 2,88
3 36 4,50
HASIL DAN PEMBAHASAN Sumber: (Wardiani & Merlina, 2018)
Pengukuran jarak yang digunakan adalah jarak 32 = jumlah dari transformasi data ruang aula
Euclidean Distance. Jumlah cluster (K) adalah 3 (data 1)
yaitu cluster pertama produk untuk jumlah 12 = x dari centroid awal ruang aula
sedikit, cluster kedua untuk jumlah sedang dan 4,00 = rata-rata dari transformasi data ruang aula
cluster ketiga untuk jumlah banyak. (data 1)
1,5 = y dari centroid awal ruang aula
2. Inisialisasi Data
Untuk jarak centroid selanjutnya dapat dilihat
a. Ruang Aula pada tabel berikut :
Dilakukan pemilihan K data sebagai centroid awal Tabel 11. Jarak Centroid Iterasi 1
secara acak yaitu dipilih data ke- 28, 4, dan 12. N
1 2 3
Jarak Centroid
o terdekat yg diikuti
Table 10. Contoh Centroid Awal Aula 1 20,16 6,05 89,69 6,05 2
Centroid x Y 2 24,19 2,02 85,66 2,02 2
1. 12 1.50
3 29,23 3,02 80,62 3,02 2
2. 38 4,75
3. 121 15,125 Sumber: (Wardiani & Merlina, 2018)
Sumber: (Wardiani & Merlina, 2018)
Selanjutnya dihitung centroid yang baru
untuk setiap cluster berdasarkan data yang
tergabung pada setiap clusternya.
b. Ruang Perpustakaan
Dilakukan pemilihan K data sebagai Table 12. Data Cluster 1 Iterasi 1
centroid awal secara acak yaitu dipilih data ke- 51,
36, dan 20. Data x y
c. Ruang Bermain 13 14 1,75
Dilakukan pemilihan K data sebagai centroi 16 25 3,13
awal secara acak yaitu dipilihh data ke- 13, 7, dan 28 12 1,50
14. 32 24 3,00
33 14 1,75
d. Iterasi 34 24 3,00
Mengihitung jarak setiap data ke centroid 36 21 2,63
terdekat. Centroid terdekat akan menjadi claster 42 20 2,50
yang diikut oleh data tersebut. Berikut penulis 46 26 3,25
melakukan perhitungan dengan data ruang aula 53 21 2,63
terlebih dahulu. Rumus Euclidean distance: 55 24 3,00
56 23 2,88
2 Jumlah 12 248 31,00
𝑑(𝑥𝑗 , 𝑐𝑗 ) = √∑𝑛𝑗=1(𝑥𝑗 , − 𝑐𝑗 ) ……………………. (1)
Rata-rata 20,67 2,58
Sumber: (Wardiani & Merlina, 2018)
Dimana: d= jarak; J= banyaknya data; c= centroid;
X= data
Table 13. Data Cluster 2 Iterasi 1
A. Cluster untuk Ruang Aula Data X Y
Jarak centroid data ke 1 pada cluster 1 1 32 4,00
adalah 2 36 4,50
3 41 5,13
𝑑(𝑥𝑗 , 𝑐𝑗 ) 4 38 4,75
5 33 4,13
𝑛
2 6 45 5,63
= √∑(𝑥𝑗 − 𝑐𝑗 ) = √(32 − 12)2 + (4,00 − 1,5)2 7 29 3,63
𝑗=1 8 39 4,88
9 29 3,63
= √400 + 6,25 = 20,16 10 26 3,25
11 36 4,50
Dimana: 14 40 5,00
60 7,50 KESIMPULAN
47 5,88
59 7,38 Hipotesa H0 dapat diterima oleh masyarakat
52 6,50 Kampung Benda menggunakan metode K-Means
43 5,38 Clustering. Dengan hasil ruang aula adalah
41 5,13 ruangan yang paling sering dikunjungi. Dengan
57 7,13
perhitungan data mining dan dibantu oleh
42 5,25
Software pendukung (Microsoft Excel) dalam
Jumlah 1319 164,88
mengolah data dapat merubah cara penyimpanan
Rata-rata 50,73 6,34
arsip menjadi lebih efisien. Pengunjung pada
Sumber: (Wardiani & Merlina, 2018)
RPTRA Kampung Benda ini sudah ada beberapa
yang mengetahui terdapat fasilitas-fasilitas dan
Table 18. Data Cluster 3 Iterasi 9
ruangan-ruangan apa saja di RPTRA ini. Metode K-
121 15,13
Means Clustering ini dapat membantu petugas dan
Jumlah 121 15,13 pemerintah untuk mengetahui seberapa manfaat
Rata-rata 121 15,13 RPTRA yang ada sekarang ini, dengan melihat data
dan dapat membuat grafik pengunjung setiap
Sumber: (Wardiani & Merlina, 2018) bulan atau setiap tahunnya. Ruang aula
merupakan ruangan yang sering dikunjingi dari
A. Hasil dari perhitungan ruang aula adalah : aspek manajerial, penelitian ini dapat
Untuk Cluster 1 atau cluster dengan nilai dikembangkan lagi dengan menggunakan
paling kecil dari data ruang aula adalah perhitungan lainnya atau metode lainnya yang
sebanyak 977 pengunjung. Untuk Cluster 2 lebih akurat. Hasil penelitian ini adalah ruang aula
atau cluster dengan nilai sedang dari data yg memiliki nilai tertinggi untuk pengunjung yang
ruang aula adalah sebanyak 1319. Dan untuk dating dimana nilai yang didapat adalah 1319
Cluster 3 atau cluster dengan nilai besar dari pengunjung .
data ruang aula adalah sebanyak 121
pengunjung. REFERENSI
B. Hasil dari perhitungan ruang perpustakaan
adalah : Dhuhita, W. M. P. (2016). Clustering Menggunakan
Untuk Cluster 1 atau cluster dengan nilai Metode K-Means untuk Menentukan Status
paling kecil dari data ruang aula adalah Gizi Balita. . . Jurnal Informatika, Vol.2, 160–
sebanyak 531 pengunjung. Untuk Cluster 2 174.
atau cluster dengan nilai sedang dari data
ruang aula adalah sebanyak 713. Dan untuk Indah, A. S. K., Wardiyati, T., & Setyobudi, L.
Cluster 3 atau cluster dengan nilai besar dari (2014). ANALISA LANSKAP JALUR HIJAU
data ruang aula adalah sebanyak 518 DAN UPAYA PENERAPAN SMART GREEN
pengunjung. LAND PADA RUANG TERBUKA HIJAU. Jurnal
C. Hasil dari perhitungan ruang bermain adalah: Produksi Tanaman, 2(3).
Untuk Cluster 1 atau cluster dengan nilai https://doi.org/10.21176/PROTAN.V2I3.97
paling kecil dari data ruang aula adalah
sebanyak 139 pengunjung. Untuk Cluster 2 Prasetyowati, E., & Rofiq, A. A. (2016). PENILAIAN
atau cluster dengan nilai sedang dari data KINERJA KEUANGAN KOPERASI PADA
ruang aula adalah sebanyak 509. Dan untuk DINAS KOPERASI DAN UMKM PAMEKASAN
Cluster 3 atau cluster dengan nilai besar dari DENGAN K-MEANS. Jurnal Simantec, 5(2),
data ruang aula adalah sebanyak 1033 67–74. Retrieved from http://neo-
pengunjung. bis.trunojoyo.ac.id/simantec/article/view/1
D. Hasil keseluruhan dari perhitungan 3 data 591
pengunjung yaitu ruang aula, ruang
perpustakaan dan ruang bermain pada Rosyidin, W. F., Giyanti, S., & Dahlia, S. (2017).
RPTRA Kampung Benda dengan penulis Analisis Spasial Ruang Publik Terpadu
mengambil jumlah cluster ke 2 dalam setiap Ramah Anak (RPTRA) “Puspita” sebagai
data menghasilkan ruang aula 1319 Urban Resilience di Kelurahan Pesanggrahan
pengunjung, ruang perpustakaan 713 Jakarta Selatan. Jurnal Geografi Edukasi Dan
pengunjung dan ruang bermain 509 Lingkungan, Vol.1, 19–26.
pengunjung. Ruangan yang paling sering
dipilih oleh pengunjung yaitu ruang aula. Sanitya, R. S., & Burhanudin, H. (2013).
PENENTUAN LOKASI DAN JUMLAH LUBANG
1, 3 Program
Studi Sistem Informasi
STMIK Nusa Mandiri
www.nusamandiri.ac.id
randyramanda.s@gmail.com, laela@nusamandiri.ac.id
ini mampu mengungkapkan sesuatu yang diukur Pada tabel 1 menunjukan nilai cronbach’s
pada kuesioner tersebut. Berdasarkan hasil data alpha sebesar 0.871 yang artinya kuesioner
dari kuesioner yang telah diolah diketahui bahwa tersebut termasuk kedalam kriteria reliabel. Hal
variabel FC terdiri dari 3 pertanyaan yang ini menunjukan bahwa setiap item pernyataan
keseluruhannya adalah valid dengan nilai yang digunakan mampu memperoleh data yang
signifikansi lebih kecil dari 0,05. Hal ini berarti konsisten. Hal ini juga menunjukkan bahwa bila
bahwa setiap item pertanyaan FC yang digunakan pernyataan itu diajukan kembali akan diperoleh
dalam penelitian ini mampu mengungkapkan jawaban yang relatif sama dengan jawaban
sesuatu yang diukur pada kuesioner tersebut. sebelumnya.
Berdasarkan hasil data dari kuesioner Uji Normalitas
yang telah diolah diketahui bahwa variabel PoU Uji normalitas dalam penelitian ini
terdiri dari 5 pertanyaan yang keseluruhannya menggunakan uji Kolmogorov-Smirnov. Uji
adalah valid dengan nilai signifikansi lebih kecil Kolmogorov-Smirnov adalah salah satu cara untuk
dari 0,05. Hal ini berarti bahwa setiap item menguji goodness fit. Dalam hal ini yang
pertanyaan PoU yang digunakan dalam penelitian diperhatikan adalah tingkat kesesuaian antara
ini mampu mengungkapkan sesuatu yang diukur distribusi nilai sampel (skor yang diobservasi)
pada kuesioner tersebut. dengan distribusi teoritis tertentu (normal,
Berdasarkan hasil data dari kuesioner uniform, atau position).
yang telah diolah diketahui bahwa variabel PEoU Berdasarkan hasil Penelitian One-Sample
terdiri dari 5 pertanyaan yang keseluruhannya Kolmogorov-Smirnov Test dapat disimpulkan
adalah valid dengan nilai signifikansi lebih kecil bahwa:
dari 0,05. Hal ini berarti bahwa setiap item a. Nilai Kolmogorov-Smirnov Z variabel PoR
pertanyaan PEoU yang digunakan dalam adalah 1.59 < 1.97. Dengan demikian Ho
penelitian ini mampu mengungkapkan sesuatu diterima. Hal ini berarti variabel PoR
yang diukur pada kuesioner tersebut. Berdasarkan berdistribusi normal.
hasil data dari kuesioner yang telah diolah b. Nilai Kolmogorov-Smirnov Z variabel FC
diketahui bahwa variabel AtU terdiri dari 3 adalah 1.933 < 1.97. Dengan demikian Ho
pertanyaan yang keseluruhannya adalah valid diterima. Hal ini berarti variabel FC
dengan nilai signifikansi lebih kecil dari 0,05. Hal berdistribusi normal.
ini berarti bahwa setiap item pertanyaan AtU yang c. Nilai Kolmogorov-Smirnov Z. variabel PoU
digunakan dalam penelitian ini mampu adalah 1.184 < 1.97. Dengan demikian Ho
mengungkapkan sesuatu yang diukur pada diterima. Hal ini berarti variabel PoU
kuesioner tersebut. berdistribusi normal.
Berdasarkan hasil data dari kuesioner d. Nilai Kolmogorov-Smirnov Z. variabel PEoU
yang telah diolah diketahui bahwa variabel BItU adalah 1.799 < 1.97Dengan demikian Ho
terdiri dari 3 pertanyaan yang keseluruhannya diterima. Hal ini berarti variabel PEoU
adalah valid dengan nilai signifikansi lebih kecil berdistribusi normal.
dari 0,05. Hal ini berarti bahwa setiap item e. Nilai Kolmogorov-Smirnov Z. variabel AtU
pertanyaan BItU yang digunakan dalam penelitian adalah 0,046 dan 1.373 < 1.97. Dengan
ini mampu mengungkapkan sesuatu yang diukur demikian Ho diterima. Hal ini berarti variabel
pada kuesioner tersebut. Berdasarkan hasil data AtU berdistribusi normal.
dari kuesioner yang telah diolah diketahui bahwa f. Nilai Kolmogorov-Smirnov Z. variabel BItU
variabel AU terdiri dari 3 pertanyaan yang adalah 1.791 < 1.97. Dengan demikian Ho
keseluruhannya adalah valid dengan nilai diterima. Hal ini berarti variabel BItU
signifikansi lebih kecil dari 0,05. Hal ini berarti berdistribusi normal.
bahwa setiap item pertanyaan AU yang digunakan g. Nilai Kolmogorov-Smirnov Z. variabel AU
dalam penelitian ini mampu mengungkapkan adalah 1.531< 1.97. Dengan demikian Ho
sesuatu yang diukur pada kuesioner tersebut. diterima. Hal ini berarti variabel AUB
berdistribusi normal.
Hasil Uji Reliabilitas
Peneliti menggunakan kategori Uji Multikolinieritas
reliabilitas sesuai dengan kaidah reliabilitas Uji Multikolinieritas bertujuan untuk
Guilford yaitu: menguji apakah model regresi ditemukan adanya
Tabel 1 korelasi antar variabel independen. Model regresi
Hasil Uji Relabilitas yang baik mensyarakatkan tidak adanya
Cronbach's Alpha N of Items multikolinieritas dengan cara melihat nilai
.871 7 Tolerance dan VIF (Variance Inflation Factor).
Sumber : (Sultan, Haryanti, & Kurniawati, 2018) Metode pengambilan keputusan yaitu jika semakin
mendekati terjadinya masalah multikolinieritas. Nilai Adjusted R Square sebesar 0,507 atau
Dalam kebanyakan penelitian menyebutkan 50,7% menunjukkan bahwa variabel PoR, FC,
bahwa jika Tolerance lebih dari 0,1 dan VIF PEoU, PoU, AtU, BItU sebesar 53,8%, sedangkan
kurang dari sisanya sebesar 46,2% dijelaskan oleh faktor-
10 maka tidak terjadi multikolinieritas faktor lain yang tidak disertakan dalam penelitian
Berdasarkan Hasil penelitian didapat ini
bahwa nilai Variance Inflantion Factor (VIF) tidak Uji Signifikansi Simultan (Uji F)
lebih dari angka 10 untuk setiap variabel yang Uji F digunakan untuk menguji pengaruh
ditunjukkan dengan nilai VIF sebesar 1.252 untuk semua variabel independen yang dimasukkan
variabel PoR; 1,904 untuk variable FC; 2.677 dalam model regresi secara bersama-sama
untuk variabel PoU; 2,763 untuk variabel PEoU. terhadap variabel dependen yang diuji pada
Maka berdasarkan nilai VIF tidak ditemui masalah tingkat signifikan 0,05. Hasil uji F dapat dilihat
multikolonieritas antar variabel. pada tabel IV.27, jika nilai probabilitas lebih kecil
Berdasarkan Hasil penelitian didapat dari 0,05 maka Ha diterima dan menolak Ho,
nilai Variance Inflantion Factor (VIF) tidak lebih sedangkan jika nilai probabilitas lebih besar dari
dari angka 10 untuk setiap variabel yang 0,05 maka Ho diterima dan menolak Ha.
ditunjukkan dengan nilai VIF sebesar 1.240 untuk Hasil Uji Simultan F dapat dilihat pada
variabel PoR; 1.921 untuk variable FC; 2.957 tabel IV.27 bahwa nilai F diperoleh 32,252 dengan
untuk variabel PoU; 2.844 untuk variabel PEoU tingkat signifikansi 0,000. Karena tingkat
dan 2.846 untuk variable AtU. Maka berdasarkan signifikansi lebih kecil dari 0,05 maka variabel
nilai VIF tidak ditemui masalah multikolonieritas PoR, FC, PoU, dan PEoU berpengaruh secara
antar variabel bersama-sama dan signifikan terhadap ATU.
Berdasarkan Hasil penelitian didapat Hasil Uji Simultan F dapat dilihat pada
bahwa nilai Variance Inflantion Factor (VIF) tidak tabel IV.28 bahwa nilai F diperoleh 25,995 dengan
lebih dari angka 10 untuk setiap variabel yang tingkat signifikansi 0,000. Karena tingkat
ditunjukkan dengan nilai VIF sebesar 1.251 untuk signifikansi lebih kecil dari 0,05 maka variabel
variabel PoR; 1.801 untuk variable FC; 2.773 PoR, FC, PoU, PEoU serta AtU berpengaruh secara
untuk variabel PoU; 2.858 untuk variabel PEoU; bersama-sama dan signifikan terhadap BItU.
2.881 untuk variable AtU dan 2.360 untuk variabel Hasil Uji Simultan F dapat dilihat pada
BItU. Maka berdasarkan nilai VIF tidak ditemui tabel IV.29 bahwa nilai F diperoleh 17,252 dengan
masalah multikolonieritas antar variabel. tingkat signifikansi 0,000. Karena tingkat
signifikansi lebih kecil dari 0,05 maka variabel
Uji Regresi Linier Berganda PoR, FC, PoU, PeoU,AtU dan BitU berpengaruh
Uji koefisien determinasi secara bersama-sama dan signifikan terhadap AU.
Koefisien determinasi (R2) bertujuan
mengukur seberapa jauh kemampuan variabel Uji Signifikansi Parsial (Uji t)
independen (PoR, FC, PoU, dan PEoU ) dalam Uji t dilakukan untuk menguji pengaruh
menjelaskan variasi variabel dependen (AtU, BItU masing-masing variabel independen secara parsial
dan AU). Nilai koefisien determinasi adalah antara terhadap variabel independen yang diuji pada
nol dan satu. Penelitian ini menggunakan nilai R2, tingkat signifikansi 0,05. Hasil uji t dapat dilihat
jika nilai R2 adalah sebesar 1 berarti fluktuasi pada tabel 4.29, jika nilai probabilitas t lebih kecil
variabel dependen seluruhnya dapat dijelaskan dari 0,05 maka Ha diterima dan menolak Ho,
oleh variabel independen. Nilai R berkisar dari 0 sedangkan jika nilai probabilitas t lebih besar dari
sampai 1, jika nilai R semakin mendekati angka 0 0,05 maka Ho diterima dan menolak Ha.
berarti semakin lemah kemampuan variabel Hasil Hipotesis 1:
independen untuk menjelaskan fluktuasi variabel Pengaruh PoR terhadap PoU
dependen. Hasil uji hipotesis 1 variabel PoR
Nilai Adjusted R Square sebesar 0,664 atau mempunyai tingkat signifikansi sebesar 0.000. Hal
66,4% menunjukkan bahwa variabel PoR, PoU, ini berarti variabel PoR berpengaruh dan
PEoU, FC sebesar 68,5%, sedangkan sisanya bersignifikan terhadap PoU karena tingkat
sebesar 31,5% dijelaskan oleh faktor-faktor lain signifikansi yang dimiliki variabel PoR lebih kecil
yang tidak disertakan dalam penelitian ini. dari 0,05.
Nilai Adjusted R Square sebesar 0,612 Hasil Hipotesis 2:
menunjukkan bahwa variabel PoR, FC, PEoU, PoU Pengaruh PoR terhadap PEoU
mempunyai pengaruh sebesar 63,7%, sedangkan Hasil uji hipotesis 2 variabel PoR
sisanya sebesar 36,3% dijelaskan oleh faktor- mempunyai tingkat signifikansi sebesar 0.002. Hal
faktor lain yang tidak disertakan dalam penelitian ini berarti variabel PoR berpengaruh dan
ini. bersignifikan terhadap PEoU karena tingkat
signifikansi yang dimiliki variabel PoR lebih kecil Hasil Hipotesis 10:
dari 0,05. Pengaruh BItU terhadap AU
Hasil Hipotesis 3: Hasil uji hipotesis 10 Variabel BItU
Pengaruh FC terhadap PoU mempunyai tingkat signifikansi sebesar 0.000. Hal
Hasil uji hipotesis 3 variabel FC ini berarti variabel BItU berpengaruh dan
mempunyai tingkat signifikansi sebesar 0.000. Hal bersignifikan terhadap AU karena tingkat
ini berarti variabel FC berpengaruh dan signifikansi yang dimiliki variabel BItU lebih kecil
bersignifikan terhadap PoU karena tingkat dari 0,05.
signifikansi yang dimiliki variabel FC lebih kecil
dari 0,05. Uji Analisis Korelasi Antar Variabel
Hasil Hipotesis 4: 1. Korelasi antara PoR dan PoU
Pengaruh FC terhadap PEoU Berdasarkan perhitungan diperoleh angka
Hasil uji hipotesis 4 variabel FC antar variabel PoR dan FC sebesar 0,092. Untuk
mempunyai tingkat signifikansi sebesar 0.000. Hal mentafsirkan angka tersebut digunakan kriteria
ini berarti variabel FC berpengaruh dan sebagai berikut:
bersignifikan terhadap PEoU karena tingkat 0 – 0,25 → : Korelasi sangat lemah (dianggap tidak
signifikansi yang dimiliki variabel FC lebih kecil ada)
dari 0,05. > 0,25 – 0,5 → : Korelasi cukup kuat
Hasil Hipotesis 5: > 0,5 – 0,75 : korelasi kuat
Pengaruh PEoU terhadap PoU > 0,75 – 1 → : Korelasi sangat kuat
Hasil uji hipotesis 5 variabel PEoU Untuk pengujian lebih lanjut, maka diajukan
mempunyai tingkat signifikansi sebesar 0.000. Hal hipotesis:
ini berarti variabel PEoU berpengaruh dan Ho; p = 0 : tidak ada hubungan (korelasi) yang
bersignifikan terhadap PoU karena tingkat signifikan antara dua variabel.
signifikansi yang dimiliki variabel PEoU lebih kecil Ha; p ≠ 0 : ada hubungan (korelasi) yang signifikan
dari 0,05. antara dua variabel.
Hasil Hipotesis 6: Pengujian berdasarkan signifikan:
Pengaruh PoU terhadap AtU Jika probabilitas > 0,05 maka Ho diterima
Hasil uji hipotesis 6 variabel PoU Jika probabilitas < 0,05 Ho ditolak
mempunyai tingkat signifikansi sebesar 0.000. Hal Berdasarkan perhitungan, diperoleh angka
ini berarti variabel PoU berpengaruh dan antar variabel PoR dan PoU sebesar 0,382.
bersignifikan terhadap AtU karena tingkat Korelasi sebesar 0,382 mempunyai maksud
signifikansi yang dimiliki variabel PoU lebih kecil hubungan antara variabel PoR dan PoU cukup
dari 0,05. kuat. Korelasi dua variabel tersebut mempunyai
Hasil Hipotesis 7: probabilitas sebesar 0,000 < 0,05, maka telah
Pengaruh PEoU terhadap AtU cukup bukti untuk menolak Ho; p = 0 dan
Hasil uji hipotesis 7 variabel PEoU menerima Ha; p ≠ 0 sehingga korelasi
mempunyai tingkat signifikansi sebesar 0.000. Hal bersignifikan.
ini berarti variabel PEoU berpengaruh dan 2. Korelasi antara PoR dan PeoU
bersignifikan terhadap AtU karena tingkat Berdasarkan perhitungan, diperoleh angka
signifikansi yang dimiliki variabel PEoU lebih kecil antar variabel PoR dan PEoU sebesar 0,319.
dari 0,05. Korelasi sebesar 0,319 mempunyai maksud
Hasil Hipotesis 8: hubungan antara variabel PoR dan PEoU cukup
Pengaruh PoU terhadap BItU kuat dan. Korelasi dua variabel tersebut
Hasil uji hipotesis 8 variabel PoU mempunyai probabilitas sebesar 0,002 < 0,05,
mempunyai tingkat signifikansi sebesar 0.000. Hal maka telah cukup bukti untuk menolak Ho; p = 0
ini berarti variabel PoU berpengaruh dan dan menerima Ha; p ≠ 0 sehingga korelasi
bersignifikan terhadap BItU karena tingkat bersignifikan.
signifikansi yang dimiliki variabel PoU lebih kecil 3. Korelasi antara FC dan PoU
dari 0,05. Berdasarkan perhitungan, diperoleh angka
Hasil Hipotesis 9: antar variabel FC dan PoU sebesar 0,618. Korelasi
Pengaruh AtU terhadap BItU sebesar 0,618 mempunyai maksud hubungan
Hasil uji hipotesis 9 variabel AtU antara variabel FC dan PoU kuat. Korelasi dua
mempunyai tingkat signifikansi sebesar 0.000. Hal variabel tersebut mempunyai probabilitas sebesar
ini berarti variabel AtU berpengaruh dan 0,000 < 0,05, maka telah cukup bukti untuk
bersignifikan terhadap BItU karena tingkat menolak Ho; p = 0 dan menerima Ha; p ≠ 0
signifikansi yang dimiliki variabel AtU lebih kecil sehingga korelasi bersignifikan.
dari 0,05.
nilai konstruk eksternal Perceived of Risk (PoR) berpengaruh 73%, minat terhadap penggunaan
dan Facilitating Condition (FC) terhadap Perceived terhadap penggunaan aktual berpengaruh 66%.
Usefulness (PU) dan Perceived Ease of Use (PEU) Berdasarkan penelitian yang telah
adalah signifikansi dengan nilai signifikans 0,000 dilakukan, diketahui bahwa faktor eksternal yang
dan 0,002 berpengaruh terhadap penerimaan e-money
Hal ini ditunjukan dengan nilai rata-rata adalah kondisi fasilitas dan persepsi resiko.
variabel Perceived of Risk (PoR) sebesar 3.66 pada Faktor-faktor eksternal mempengaruhi perilaku,
rentang nilai 0-5. Nilai rata-rata ini menunjukan sikap dan minat seseorang atau subjek dalam
bahwa variabel Perceived of Risk (PoR) adalah menggunakan e-money
Tinggi.