Full Paper Vol 15 1 Maret 2019

JURNAL
Pusat Penelitian Pengabdian Masyarakat STMIK Nusa Mandiri

Jl. Damai No. 8 (Margasatwa) Pasar Minggu
http://ejournal.nusamandiri.ac.id/index.php/pilar
ii Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Jurnal Terakreditasi Peringkat 3 berdasarkan Surat Keputusan Dirjen Risbang SK Nomor 21/E/KPT/2018
Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019 iii
DEWAN REDAKSI
Penasehat : Ketua STMIK Nusa Mandiri
Penanggung Jawab : Ketua PPPM STMIK Nusa Mandiri Jakarta
Ketua Editor : Dr. Windu Gata, M.Kom (STMIK Nusa Mandiri)
Editor : Anggi Oktaviani, M.Kom (STMIK Nusa Mandiri)

Nurmalasari, M.Kom (STMIK Nusa Mandiri)
Mohammad Badrul, M.Kom (STMIK Nusa Mandiri)
Sopiyan Dalis, M.Kom (Universitas Bina Sarana Informatika)
Rani Irma Handayani, M.Kom (Universitas Bina Sarana
Informatika)
Ninuk Wiliani, M.Kom (Institut Sains & Teknologi Nasional)
Mitra Bestari : Dr Hilman Ferdinandus Pardede, S.T, MEICT (Pusat Penelitian

Informatika LIPI)
Dr. Sfenrianto, M.Kom (Universitas Bina Nusantara)
Dr. Didi Rosiyadi, M.Kom (Pusat Penelitian Informatika LIPI)
Sukmawati Anggraeni Putri, M.Kom (STMIK Nusa Mandiri
Jakarta)
Dinar Ajeng Kristiyanti, M.Kom (STMIK Nusa Mandiri Jakarta)
Erene Gernaria Sihombing (STMIK Nusa Mandiri)
Betty Dewi Puspasari, S.Kom, MT (Sekolah Tinggi Teknik
Atlas Nusantara Malang)
Bambang Krismono Triwijoyo, M.Kom (STMIK Bumi Gora
Mataram)
Agung Wibowo, M.Kom (Universitas Bina Sarana
Informatika)
Yuri Rahayu, M.Kom (Universitas Bina Sarana Informatika)
Dwi Andini Putri, M.Kom (STMIK Nusa Mandiri)
Alamat Redaksi : Kampus STMIK Nusa Mandiri

Jl. Kramat Raya No, 18, Senen Jakarta Pusat
Indonesia
Website : http://ejournal.nusamandiri.ac.id/index.php/pilar
Email Redaksi : jurnal.pilar@nusamandiri.ac.id
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

iv Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019 v
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 mengundang rekan-rekan peneliti, ilmuwan dari berbagai lembaga pendidikan

tinggi untuk memberikan sumbangan ilmiah, baik berupa hasil penelitian maupun
kajian ilmiah dibidang ilmu komputer, teknologi computer, teknologi informasi. Redaksi
sangat mengharapkan masukan-masukan dari para pembaca, atau yang terkait dengan
penerbitan berkala ilmiah, demi untuk semakin meningkatkan kualitas jurnal
sebagaimana harapan kita bersama.
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

vi Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019
DAFTAR ISI
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019 vii
Cover ........................................................................................................................................................................... i
Dewan Redaksi .................................................................................................................................................. iii
Kata Pengantar .................................................................................................................................................... v
Daftar Isi ............................................................................................................................................................... vii
1. PENYELEKSIAN JURUSAN TERFAVORIT PADA SMK SIRAJUL FALAH DENGAN

METODE SAW
Siti Nurlela, Akmaludin Akmaludin, Sri Hadianti, Lestari Yusuf ....................................... 1-6
DOI : https://doi.org/10.33480/pilar.v15i1.1
2. PENERAPAN METODE TOPSIS DALAM PENILAIAN KINERJA GURU TETAP SD

NEGERI KEBALEN 07
Susliansyah Susliansyah, Indra Riyana Rahadjeng, Heny Sumarno, Chyntia Marianna
Deleaniara. M ........................................................................................................................................... 7-14
3. PENERAPAN FEATURE WEIGHTING OPTIMIZED PADA NAÏVE BAYES UNTUK

PREDIKSI PROSES PERSALINAN
Hilda Amalia, Achmad Baroqah Pohan, Siti Masripah ..................................................... 15-20
4. OPTIMASI ALGORITMA VECTOR SPACE MODEL DENGAN ALGORITMA K-NEAREST

NEIGHBOUR PADA PENCARIAN JUDUL ARTIKEL JURNAL
Siti Fauziah, Daning Nur Sulistyowati, Taufik Asra ........................................................... 21-26
5. KOMPARASI ALGORITMA DENGAN PENDEKATAN RANDOM UNDERSAMPLING

UNTUK MENANGANI KETIDAKSEIMBANGAN KELAS PADA PREDIKSI CACAT
SOFTWARE
Ginabila Ginabila, Ahamd Fauzi .................................................................................................. 27-34
6. PENERAPAN METODE ITERATIVE DICHOTOMIZER 3 (ID 3) UNTUK MENENTUKAN

BEASISWA BERPRESTASI PADA SMP PGRI CARINGIN SUKABUMI
Rizal Amegia Saputra, Lis Saumi Ramdhani, Supriatman Supriatman ..................... 35-40
7. INFORMATION RETRIEVAL SYSTEM PADA FILE PENCARIAN DOKUMEN TESIS

BERBASIS TEXT MENGGUNAKAN METODE VECTOR SPACE MODEL
Ahmad Fauzi, Ginabila Ginabila ................................................................................................... 41-46
8. SERVER-SIDE PROCESSING TECHNIQUES FOR OPTIMIZING THE SPEED OF

PRESENTING BIG DATA
Heni Sulastri, Alam Rahmatulloh, Deri Kurnia Hidayat ................................................... 47-52
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

viii Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019
9. PENERAPAN MODEL WATERFALL PADA PENGEMBANGAN SISTEM INFORMASI

REKAM MEDIS KLINIK RAWAT INAP NAJA SHAFANA PURWOKERTO
Eka Rahmawati, Ragil Wijianto .................................................................................................. 53-60
10. TEKNIK RESPONSIVE WEB DESIGN BOOTSTRAP 4 SERTA PENERAPANNYA DALAM

RANCANG BANGUN LAYOUT WEB
Miftah Faroq Santoso ...................................................................................................................... 61-68
11. PERANCANGAN SISTEM INFORMASI BOOKING PEREKAMAN E-KTP (SI MBOK)

BERBASIS WEB
Hasan Basri, Salman Alfarizi, Alif Rizqi Mulyawan, Aldi Wiguna, Izmi Habiba .... 69-76
12. SISTEM INFORMASI GEOGRAFIS PEMETAAN BENCANA ALAM KOTA BREBES

MENGGUNAKAN METODE EXTREME PROGRAMMING
Warjiyono, Sopian Aji, Tri Indah Permesti ............................................................................ 77-84
13. IMPLEMENTASI ALGORITMA APRIORI TERHADAP DATA PENJUALAN PADA

PERUSAHAAN RETAIL
Jordy Lasmana Putra, Mugi Raharjo, Tommi Alfian Armawan Sandi, Ridwan Ridwan,
Rizal Prasetyo ..................................................................................................................................... 85-90
14. OTOMATISASI SISTEM PRODUK DALAM PENGOLAHAN DATA PADA PROSES

HIRING DI PT.PERTAMINA (PERSERO)
Frieyadie, Chaidir Rahman Faldanu ......................................................................................... 91-96
15. SISTEM PENDUKUNG KEPUTUSAN SELEKSI PEMILIHAN PERGURUAN TINGGI

MENGGUNAKAN METODE TOPSIS
Hylenarti Hertyana ........................................................................................................................ 97-102
16. IMPLEMENTASI METODE TOPSIS TERHADAP PEMILIHAN BUPATI CIAMIS (STUDI

KASUS MAHASISWA ASAL CIAMIS)
Sri Rahayu, Ai Ilah Warnilah ................................................................................................... 103-110
17. PARAMETER ASOSIASI UNTUK MENENTUKAN KORELASI JURUSAN DAN INDEKS

PRESTASI KUMULATIF
Relita Buaton, Deny Jollyta, Herman Mawengkang, Muhammad Zarlis, Syahril Effendi
................................................................................................................................................................ 111-118
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019 ix
18. EVALUASI PENERAPAN INVENTORY SYSTEM MENGGUNAKAN TECHNOLOGY

ACCEPTANCE MODEL (TAM)
Ade Christian .................................................................................................................................. 119-124
19. IMPLEMENTASI DATA MINING UNTUK MENGETAHUI MANFAAT RPTRA

MENGGUNAKAN METODE K-MEANS CLUSTERING
Ditta Sri Wardiani, Nita Merlina ............................................................................................ 125-132
20. ANALISIS TECHNOLOGY ACCEPTANCE MODEL GENERASI MILLENIAL JAKARTA

TERHADAP PENGGUNAAN E-MONEY
Randy Ramanda Sultan, Tuti Haryanti, Laela Kurniawati ........................................ 133-140
P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019 1
PENYELEKSIAN JURUSAN TERFAVORIT PADA SMK SIRAJUL FALAH

DENGAN METODE SAW
Siti Nurlela1; Akmaludin2; Sri Hadianti3; Lestari Yusuf4
1Program Studi Ilmu Komputer

STMIK Nusa Mandiri Jakarta
www.nusamandiri.ac.id
siti.sie@nusamandiri.ac.id
2Program Studi Sistem Informasi

akmaludin@nusamandiri.ac.id

srihadianti07@gmail.com
4Program Studi Sistem Informasi

lestari.lyf@nusamandiri.ac.id
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penyeleksian Jurusan Terfavorit…

2 Jurnal PILAR Nusa Mandiri Vol. 15, No. 1 Maret 2019
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
P-ISSN: 1978-2136 | E-ISSN: 2527-676X| Penyeleksian Jurusan Terfavorit…

2. Menentukan rating kecocokan setiap Dalam pengolahan hasil penelitian, penulis

alternatif pada setiap kriteria menetapkan langkah-langkah penyelesaian yang
3. Membuat matriks keputusan berdasarkan sesuai dengan langkah-langkah Simple Additive
kriteria (Ci), kemudian melakukan Weight (SAW) dimana ada empat tahap, yaitu
normalisasi matriks berdasarkan persamaan menentukan kriteria yang akan dijadikan acuan,
yang disesuaikan dengan jenis atribut (atribut menentukan rating kecocokan setiap alternatif
keuntungan ataupun atribut biaya) sehingga pada setiap kriteria, membuat matriks keputusan
diperoleh matriks ternormalisasi R dan perankingan.
4. Hasil akhir diperoleh dari proses perankingan
yaitu: penjumlahan dari pekalian matriks 1. Menentukan Kriteria
ternormalisasi R dengan vector bobot Tahapan menentukan kriteria dipakai
sehingga diperoleh nilai terbesar yang dipilih dalam memilih suatu alternatif dan memecah
sebagai alternatif terbaik (Ai) sebagai solusi. masalah yang kompleks atau tidak terstruktur
Formula untuk melakukan normalisasi adalah dalam sub-sub masalah lalu menyusunnya
sebagai berikut: menjadi suatu hirarki. Dalam hirarki ini dibuat
menjadi 3 bagian yaitu tujuan, kriteria dan
Xij
Jika j adalah atribut keuntungan (benefit) alternatif.
Maxi Xij
𝑟𝑖𝑗 =
Mini Xij
Jika j adalah atribut biaya (cost) Penyeleksian
{ Xij Jurusan Terfavorit
(Astuti & Isna Zahrotul Fu’ad, 2017) Menyatakan

bahwa Metode SAW membutuhkan proses
normalisasi matriks keputusan (X) ke suatu skala
yang dapat diperbandingkan dengan semua
rating alternatif yang ada. Nilai Ekstrakulikuler Kecekatan Kreativitas Prestasi
Formula untuk melakukan normalisasi metode

SAW
adalah sebagai berikut :
rij : Nilai rating kinerja ternormalisasi
xij : Nilai atribut yang dimiliki dari setiap Teknik Komputer
Akuntansi (AK)
Administrasi
Pemasaran (PM)
kinerja
dan Jaringan (KTJ) Perkantoran (AP)
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)
Untuk pemberian bobot setiap kriteria adalah

C1=5, C2=5, C3=4, C4=4, C5=3. Adapun bobot
dari setiap kriteria dalah sebagai berikut :
HASIL DAN PEMBAHASAN

Tabel 2. Bobot Kriteria 5 5

r22 = = = 1,00
No Kriteria Bobot Max {3; 5; 4; 4; } 5
4 4
1 Nilai 0,25 r23 = = = 1,00
Max {4; 4; 4; 4; } 4
2 Ekstra Kulikuler 0,25 4 4
r24 = = = 1,00
3 Kecekatan 0,2 Max {4; 4; 4; 4; } 4
4 Kreatifitas 0,2 3 3
r25 = = = 1,00
Max {2; 3; 3; 3; } 3
5 Prestasi 0,1
Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, &
Alternatif 3
Hermanto, 2018) 4 4
r31 = = = 1,00
Max {4; 4; 4; 3; } 4
2. Menentukan Rating Kecocokan 4 4
Langkah kedua, menentukan rating r32 = = = 0,80
kecocokan dari setiap alternatif pada setiap Max {3; 5; 4; 4; } 5
4 4
kriteria yang ditunjukan pada tabel dibawah r33 = = = 1,00
ini : Max {4; 4; 4; 4; } 4
4 4
Tabel 3. Rating Kecocokan r34 = = = 1,00
Hasil Penelitian Max {4; 4; 4; 4; } 4
3 3
Alternatif r35 = = = 1,00
C1 C2 C3 C4 C5 Max {2; 3; 3; 3; } 3
A1 68 43 4 4 2
A2 72 86 4 4 3 Alternatif 4
3 3
A3 65 73 4 4 3 r41 = = = 0,75
A4 57 73 4 4 3 Max {4; 4; 4; 3; } 4
4 4
Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, & r42 = = = 0,80
Hermanto, 2018) Max {3; 5; 4; 4; } 5
4 4
r43 = = = 1,00
3. Membuat Matriks Keputusan Max {4; 4; 4; 4; } 4
4 4
Setelah nilai rating alternatif ditemukan, r44 = = = 1,00
langkah ketiga pembentukan matriks keputusan Max {4; 4; 4; 4; } 4
(x) yang dibentuk dari tabel rating kecocokan 3 3
r45 = = = 1,00
dari setiap alternatif pada setiap kriteria. Max {2; 3; 3; 3; } 3
4 3 4 4 2 Hasil dari perhitungan nilai normalisasi dari

setiap alternatif adalah sebagai berikut :
[4 5 4 4 3 ]
4 4 4 4 3
3 4 4 4 3 1,00 0,60 1,00 1,00 0,67
Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, & 1,00 1,00 1,00 1,00 1,00
Hermanto, 2018) [ ]
1,00 0,80 1,00 1,00 1,00
Gambar 2. Matriks Keputusan 0,75 0,80 1,00 1,00 1,00
Sumber: (Nurlela, Akmaludin, Hadianti, Yusuf, &
Selanjutnya menghitung nilai normalisasi dari Hermanto, 2018)
setiap alternative adalah sebagai berikut :
Alternatif 1 Gambar 3. Matriks Keputusan
4 4
r11 = = = 1,00
Max {4; 4; 4; 3; } 4 4. Perankingan
3 3 Langkah keempat yaitu, menghitung hasil
r12 = = = 0,60
Max {3; 5; 4; 4; } 5 akhir nilai preferensi (Vi) diperoleh dari
4 4 penjumlahan dari perkalian elemen baris
r13 = = = 1,00 matriks ternormalisasi (R) dengan bobot
Max {4; 4; 4; 4; } 4
4 4 preferensi (W). adapun bobot yang digunakan
r14 = = = 1,00 adalah sebagai berikut :
Max {4; 4; 4; 4; } 4
2 2 𝑊 = [0,25 0,25 0,20 0,20 0,10]
r15 = = = 0,67
Max {2; 3; 3; 3; } 3
𝑉1 = (0,25 x 1,00) + (0,25 x 0,60) +
Alternatif 2 (0,20 x 1,00) + (0,20 x 1,00) + (0,10 x 0,67)
4 4 = 0,25 + 0,15 + 0,20 + 0,20 + 0,67
r21 = = = 1,00 = 0,867
Max {4; 4; 4; 3; } 4

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.


PENERAPAN METODE TOPSIS DALAM PENILAIAN KINERJA

GURU TETAP SD NEGERI KEBALEN 07
Susliansyah1; Indra Riyana Rahadjeng2; Heny Sumarno3; Chyntia Marianna Deleaniara. M4
1,3,4 SistemInformasi, 2Komputerisasi Akuntansi

Universitas Bina Sarana Informatika
http://www.bsi.ac.id
susliansyah.slx@bsi.ac.id, riyana.irr@bsi.ac.id, heny.hnm@bsi.ac.id, mariannachyntia@gmail.com
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Metode TOPSIS …

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
𝐷𝑖 − = √∑(𝑦𝑖𝑗−𝑌𝑖−)² ........................................... (6)

TOPSIS digunakan untuk memilih
alternatif yang ada, dimana alternatif yang
i = 1,2,....m
terpilih harus mempunyai jarak terdekat dari
solusi ideal Positif dan terjauh dari solusi ideal
Dimana :
negatif. Prosedur TOPSIS dilakukan mengikuti
Di- = Jarak alternatif Ai dengan solusi ideal
langkah-langkah sebagai berikut (Sari, Windarto,
negatif
Hartama, & Solikhun, 2018):
Yj- = Solusi ideal negatif [i]
a. Membuat sebuah matriks keputusan ter-
Yij = Matriks normalisasi [i][j]
normalisasi.
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
b. Membuat matriks keputusan yang ter Dimana:

Vi = Kedekatan tiap alternatif terhadap solusi
normalisasi terbobot V
ideal
Di+ = Jarak alternatif Ai dengan solusi ideal
𝑉𝑖𝑗 = 𝑤𝑖 𝑟𝑖𝑗 ............................................................(2)
positif
Di- = Jarak alternatif Ai dengan solusi ideal
dengan i= 1,2....,m;dan j =1,2,.....n.
negatif
Dimana :
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Metode TOPSIS

Pengembangan potensi peserta C5

1. Data Primer didik
Komunikasi dengan peserta C6
Metode yang digunakan untuk mendapatkan didik
data primer yaitu wawancara langsung kepada Penilaian dan evaluasi C7
kepala sekolah di SD Negeri Kebalen 07 untuk Bertindak sesuai dengan
mengetahui nama-nama guru yang akan dijadikan normaagama,hukum,sosial dan C8
kebudayaan nasional indonesia
populasi dan sample penelitian, adapun nama guru
Menunjukan pribadi yang
dapat dilihat pada tabel di bawah ini: Kepribadian dewasa dan C9
teladan
Tabel 1. Daftar Nama Guru Tetap Etos kerja,tanggung jawab
No Nip Nama yang C10
tinggi,dan rasa bangga menjadi
1 198106012008012005 Dadah Syuhada,
guru
S.Pd Bersikap inklusif,bertindak
2 198203172008012005 Aisyah, S.Pd objektif,serta C11
3 196111241982041002 Achmad Domas, tidak diskriminatif
S.Pd Sosial Komunikasi dengan sesama
4 197011082007012006 Lilis Kokom guru, tenaga C12
Komariah, S.Pd kependidikan, orang tua
peserta didik, dan masyarakat
5 197209292000122005 Aminah, S.Pd
Penguasaan materi, struktur,
6 197202012008011002 Abdul Rouf konsep dan C13
7 197903072014062003 Siti Djuwariyah, pola pikir keilmuan yang
S.Pd Profesional mendukung mata pelajaran
8 196603042014082001 Suyatmi, A.Ma yang diampu
9 195909131979122002 Partini, S.Pd Mengembangkan C14
10 403675165420001301 Asim keprofesionalan
melalui tindakan reflektif
11 412088009000222145 Evah Holifah
12 264376866911001211 Fairuz Abadi
Sumber: (SD Negeri Kebalen07, 2018)
13 645376266520000322 Hadian
14 764476066320000243 Herman
15 556688724067102300 Khoirunnisa b. Bobot Penilaian per Kriteria
16 615076666720000390 Nurhadi Terhadap beberapa kriteria bobot dalam
17 244274765030004264 Nursih Hutabarat, proses penilaian Kinerja Guru agar data yang di
S.Pd olah sesuai dengan kebutuhan.
18 393574364430006222 Riama Saragih
19 197800334652211887 Antonius Endarta Tabel 3. Nilai Bobot Perkriteria
20 345699782001348779 Ahmad Baili Sub Aspek Kriteria Keterangan Nilai
Sumber: (SD Negeri Kebalen07, 2018) Bobot
Meguasai karakteristik C1 Penting 4
peserta didik (25%)
2. Kriteria Penilaian dan Bobot Penilaian Menguasai belajar dan C2 Penting 4
Pada tahap ini akan digunakan sebagai kajian prinsip-prinsip (25%)
teori dalam penelitian ini mengenai kasus-kasus pembelajaran
yang terjadi di SD Negeri Kebalen 07 serta yang mendidik
Pengembangan C3 Sangat
terdapat beberapa kriteria dalam proses penilaian kurikulum penting 5
kinerja Guru di SD Negeri Kebalen 07. (30%)
Kegiatan pembelajar C4 Penting 4
a. Kriteria Penilaian Kinerja Guru yang mendidik (25%)
Pengembangan C5 Sangat
Terdapat beberapa kriteria dalam proses
potensi peserta didik Penting 5
penilaian kinerja Guru yang ada di SD Negeri (30%)
Kebalen 07, adapun kriteria dapat dilihat pada C6 Sangat
tabel dibawah ini: Komunikasi peserta Penting 5
didik (30%)
Penilaian dan evaluasi C7 Penting 4
Tabel 2. Kriteria Penilaian Kinerja Guru (25%)
Aspek Sub Aspek Kriteria Bertindak sesuai C8 Cukup 3
Mengenal karakteristik peserta C1 norma (20%)
Pedagogik didik agama,hukum,sosial
Menguasai teori belajar dan C2 dan kebudayaan
prinsip-prinsip pembelajaran nasional indonesia
yang mendidik Menunjukan pribadi C9 Cukup 3
Pengembangan kurikulum C3 yang dewasa dan (20
Kegiatan pembelajaran yang C4 teladan %)
mendidik Etos kerja tanggung C10 Penting 4

jawab yang tinggi dan (25%) Mengembangkan C14 Penting 4

rasa bangga keprofesionalan (25%)
menjadi guru melalui tindakan
Bersikap inklusif, C11 Cukup 3 reflektif
bertindakobjektif serta (20%) Sumber: (SD Negeri Kebalen07, 2018)
tidak diskriminatif
Komunikasi C12 Sangat 5
dengan sesama Penting (30%) HASIL DAN PEMBAHASAN
guru, tenaga
kependidikan,ora Adapun langkah-langkah penyelesaian
ngtuia peserta masalah dalam penentuan penilaian kinerja guru
didik,dan
masyarakat tetap dengan menggunakan metode Technique For
Penguasaaan C13 Sangat 5 Order Preference bySimiliarity to Ideal Solution
materi,struktur,konsep Penting (30%) (TOPSIS) sebagai berikut:
dan pola pikir
keilmuan yang
mendukung mata
pelajaran yang diampu
Tabel 4. Kecocokan Alternatif Terhadap Setiap Kriteria

No Nama Nilai
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14
1 Dadah 4 4 3 3 3 3 3 3 3 3 3 3 3 3
Syuhada, S.Pd
2 Aisyah, S.Pd 3 4 3 3 4 3 4 3 3 4 4 3 3 4
3 Achmad 4 4 3 4 4 4 4 3 3 4 3 4 3 3
Domas, S.Pd
4 Lilis Kokom 4 3 3 3 3 3 3 3 3 3 3 3 3 3
Komariah,
S.Pd
5 Aminah, S.Pd 4 4 3 4 4 4 4 3 3 4 3 4 3 3
6 Abdul Rouf 3 3 3 3 3 3 3 3 3 3 3 3 3 2
7 Siti 3 3 3 3 3 3 3 3 3 3 3 3 2 2
Djuwariyah,
S.Pd
8 Suyatmi, A.Ma 3 3 3 3 3 3 3 3 3 3 3 3 2 2
9 Partini, S.Pd 4 4 3 4 4 4 4 4 3 3 3 4 3 3
10 Asim 3 3 3 4 4 4 3 3 4 2 2 3 3 3
11 Evah Holifah 3 3 3 4 4 4 2 2 2 3 3 3 3 3
12 Fairuz Abadi 3 3 3 3 3 3 3 3 3 2 3 2 3 3
13 Hadian 3 3 3 3 3 4 4 4 4 2 2 2 2 2
14 Herman 3 3 3 3 2 2 2 4 4 4 4 3 3 2
15 Khoirunnisa 3 3 3 3 2 2 2 4 4 2 2 3 3 3
16 Nurhadi 3 3 3 2 2 2 4 4 4 4 2 3 2 2
17 Nursih 3 3 3 3 2 2 2 2 2 2 3 3 3 4
Hutabarat,
S.Pd
18 Riama Saragih 2 2 2 2 2 3 3 3 3 4 4 2 2 2
19 Antonius 2 2 2 2 2 2 3 3 3 3 4 4 2 2
Endarta
20 Ahmad Baili 2 2 2 2 3 3 3 3 4 2 3 3 3 3
Sumber: (SD Negeri Kebalen07, 2018)
1. Membuat matriks keputusan yang 𝑟31 =

𝑋31
=
4
= 0,283
ternormalisasi 𝑋1 14,1
𝑋41 4
xij 𝑟41 = = = 0,283
𝑟𝑖𝑗 = ...........................................................(1) 𝑋1 14,1
𝑚 𝑋51 4
√∑𝑖 𝑋𝑖𝑗 2 𝑟51 = = = 0,283
𝑋1 14,1
𝑋61 3
X11 𝑟61 = = = 0,212
R11 = 𝑋1 14,1
√X11 + X 21 + X 31 +X 41 + X 51 + X 61 + X 71 + X 81 + X 91 + X101 + ⋯ n 𝑋71 3
𝑟71 = = = 0,212
𝑋1 14,1
|𝑋1| = √42 + 32 + 42 + 42 + 42 + 32 + 32 + 32 + 42 + 32 = 14,1 𝑋81 3
𝑟81 = = = 0,212
𝑋11 4 𝑋1 14,1
𝑟11 = = = 0,283 𝑋91 4
𝑋1 14,1 𝑟91 = = = 0,283
𝑋21 3 𝑋1 14,1
𝑟21 = = = 0,212
𝑋1 14,1

𝑋101 3
𝑟101 = = = 0,212
𝑋1 14,1
Tabel 5. Hasil Perhitungan Matriks Keputusan yang Ternormalisasi

No C C C C C C C C C C C C C C
1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 0,283 0,283 0,234 0,215 0,217 0,214 0,211 0,210 0,206 0,217 0,219 0,216 0,245 0,242
2 0,212 0,283 0,234 0,215 0,289 0,214 0,281 0,210 0,206 0,289 0,292 0,216 0,245 0,322
3 0,283 0,283 0,234 0,286 0,289 0,285 0,281 0,210 0,206 0,289 0,219 0,288 0,245 0,242
4 0,283 0,212 0,234 0,215 0,217 0,214 0,211 0,210 0,206 0,217 0,219 0,216 0,245 0,242
5 0,283 0,283 0,234 0,286 0,289 0,285 0,281 0,210 0,206 0,289 0,219 0,288 0,245 0,242
20 0,141 0,141 0,156 0,143 0,217 0,214 0,211 0,210 0,275 0,144 0,219 0,216 0,245 0,242
Sumber : (Susliansyah et al., 2018)
2. Membuat Matriks Keputusan yang V 4 .1 = W1 . R41 = 0,25 X 0,2857 = 0,07

V 5.1 = W1 . R51 = 0,25 X 0,2857 = 0,07
Ternormalisasi Terbobot V V 6.1 = W1 . R61 = 0,25 X 0,2142 = 0,05
𝑉𝑖𝑗 = 𝑤𝑖 𝑟𝑖𝑗 ......................................................................(2) V 7.1 = W1 . R71 = 0,25 X 0,2142 = 0,05
V 8.1 = W1 . R81 = 0,25 X 0,2142 = 0,05
V 1.1 = W1 . R11 = 0,25 X 0,2857 = 0,07 V 9.1 = W1 . R91 = 0,25 X 0,2857 = 0,07
V 2.1 = W1. R21= 0,25 X 0,2142 = 0,05 V 10.1 = W1 . R101 = 0,25 X 0,2142 = 0,05
V 3.1 = W1 . R31 = 0,25 X 0,2857 = 0,07
Tabel.6 Hasil Perehitungan Matriks Keputusan yang Ternormalisasi dengan Bobot V

No C C C C C C C C C C C C C C
1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 0,07 0,07 0,07 0,05 0,06 0,06 0,05 0,04 0,04 0,05 0,04 0,06 0,07 0,06
2 0,05 0,07 0,07 0,05 0,09 0,06 0,07 0,04 0,04 0,07 0,06 0,06 0,07 0,08
3 0,07 0,07 0,07 0,07 0,09 0,09 0,07 0,04 0,04 0,07 0,04 0,09 0,07 0,06
4 0,07 0,05 0,07 0,05 0,06 0,06 0,05 0,04 0,04 0,05 0,04 0,06 0,07 0,06
5 0,07 0,07 0,07 0,07 0,09 0,09 0,07 0,04 0,04 0,07 0,04 0,09 0,07 0,06
20 0,03 0,04 0,05 0,04 0,06 0,06 0,05 0,04 0,05 0,04 0,04 0,06 0,07 0,06
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 :
Tabel 7. Hasil Perhitungan Solusi Ideal Positif dan Negatif

C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14
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
4. Jarak antara alternatif Ai dengan solusi ideal 0,04)2+(0,04+0,03)2+(0,06-

0,04)2+(0,07+0,05)2+(0,06-0,04)2
positif :
= 0,083
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

13 Hadian 0,086 0,087 KESIMPULAN

14 Herman 0,089 0,079
15 Khoirunnisa 0,094 0,067
16 Nurhadi 0,096 0,075
Penilaian kinerja Guru pada SD Negeri
17 Nursih Hutabarat, S.Pd 0,097 0,066 Kebalen 07 dengan beberapa aspek kriteria
18 Riama Saragih 0,107 0,057 menggunakan Technique For Order Preference
19 Antonius Endarta 0,106 0,061 bySimiliarity to Ideal Solution sudah berjalan
20 Ahmad Baili 0,090 0,062 dengan baik dan dapat menghasilkan pembobotan
Sumber : (Susliansyah et al., 2018) kriteria penilaian dan informasi yang jelas dan
cepat. SD Negeri Kebalen 07 dapat
mempergunakannya sebagai alat bantu
5. Nilai preferensi untuk setiap alternatif (Vi ) pengambilan keputusan yang tepat dalam
diberikan sebagai: pengambilan keputusan penilaian kinerja Guru.
Hasil perhitungan dengan menggunakan metode
𝐷𝑖−
𝑉𝑖 = ............................................................(7) TOPSIS diperoleh perhitungan yang paling
𝐷𝑖− + 𝐷 tertinggi adalah 0,789 dengan nama Achmad
𝑖+
domas,S.Pd dan Aminah,S.Pd
0,083 0,083
𝑉𝑖 = = = 0,588
0,083 + 0,058 0,141
0,106 0,106
𝑉2 =
0,106 + 0,044
=
0,15
= 0,706 REFERENSI
0,118 0,118
𝑉3 = = = 0,786
0,118 + 0,032 0,15 Hertyana, H. (2018). Sistem pendukung keputusan
0,077 0,077
𝑉4 = = = 0,557 penentuan karyawan terbaik menggunakan
0,077 + 0,061 0,138
0,118 0,118 metode topsis. Jurnal Ilmu Pengetahuan Dan
𝑉5 = = = 0,786
0,118 + 0,032 0,15 Teknologi Komputer, 4(1), 43–48.
0,069 0,069
𝑉6 = = = 0,489
0,069 + 0,072 0,141 Hidayat, S., Irviani, R., & Kasmi. (2016). Sistem
0,064 0,064
𝑉7 =
0,064 + 0,076
=
0,14
= 0,457 Penunjang Keputusan Pemilihan Guru
0,064 0,064 Teladan MA AL Mubarok Batu Raja
𝑉8 = = = 0,457
0,064 + 0,076 0,14 Menggunakan Metode TOPSIS. Jurnal TAM
0,03 0,03
𝑉9 = = = 0,468 (Technology Acceptance Model), 6, 1–8.
0,03 + 0,034 0,064
0,089 0,089
𝑉10 = =
0,089 + 0,064 0,153
= 0,581 Hutasoit, R. S., Windarto, A. P., Hartama, D., &
Solikhun. (2016). Sistem pendukung
Keputusan Pemilihan Guru Terbaik Pada
Tabel 9. Hasil Perhitungan Nilai Preferensi Untuk SMK Maria Goretti Pematangsiantar
Setiap Alternatif (Vi) Menggunakan Metode Simple Additive
No Nama Vi Weighting (SAW). JURASIK (Jurnal Riset
1 Dadah Syuhada,S.Pd 0,590
Sistem Informasi & Teknik Informatika), 1(1),
2 Aisyah,S.Pd 0,707
3 Achmad domas,S.Pd 0,789 56–63.
4 Lilis Kokom Komariah,S.Pd 0,561 https://doi.org/10.30645/jurasik.v1i1.9
5 Aminah,S.Pd 0,789
6 Abdul Rouf 0,488 Mallu, S. (2015). Sistem pendukung keputusan
7 Siti Djuwariyah,S.Pd 0,457 penentuan karyawan kontrak menjadi
8 Suyatmi,A.Ma 0,457
9 Partini,S.Pd 0,498
karyawan tetap menggunakan metode topsis.
10 Asim 0,580 Jurnal Ilmiah Teknologi Informasi Terapan
11 Evah Holifah 0,566 (JITTER), I(2), 36–42.
12 Fairuz Abadi 0,452
13 Hadian 0,503 Marbun, M., & Sinaga, B. (2017). Sistem Pendukung
14 Herman 0,469
Keputusan Penilaian Hasil Belajar Mahasiswa
15 Khoirunnisa 0,415
16 Nurhadi 0,441 Dengan Metode TOPSIS Di STMIK Pelita
17 Nursih Hutabarat, S.Pd 0,406 Nusantara Medan. Jurnal Mantik Penusa, 1(2),
18 Riama Saragih 0,350 9–15.
19 Antonius Endarta 0,366
20 Ahmad Baili 0,409
Sari, D. R., Windarto, A. P., Hartama, D., & Solikhun.
Sumber : (Susliansyah et al., 2018) (2018). Sistem Pendukung Keputusan untuk
Rekomendasi Kelulusan Sidang Skripsi
Menggunakan Metode AHP-TOPSIS. Jurnal
Teknologi Dan Sistem Komputer, 6(1), 1–6.

https://doi.org/10.14710/jtsiskom.6.1.2018.
1-6
SD Negeri Kebalen07. (2018). Penggunaan

Datamining Dalam Penialain Kinerja Guru
Tetap SD Negeri Kebalen 07 Menggunakan
Metode TOPSIS.
Surya, C. (2018). Penilaian Kinerja Dosen

Menggunakan Metode TOPSIS (Studi Kasus:
AMIK Mitra Gama). Jurnal Resti, 2(1), 322–
329.
Susilowati, T., Nazar, A., Mukodimah, S., Idris, M.,

Trisnawati, & Satria, F. (2018). Sistem
pendukung keputusan penilaian kinerja guru
sekolah dasar kecamatan gunung alip
menggunakan metode topsis. Jurnal TAM,
9(1), 36–42.
Susliansyah, Rahadjeng, I. R., Sumarno, H., & M, C.

M. D. (2018). Laporan Akhir Penelitian -
Penggunaan Datamining Dalam Penialain
Kinerja Guru Tetap SD Negeri Kebalen 07
Menggunakan Metode TOPSIS.
Tanjung, N. S., Adelina, P. D., Siahaan, M. K., Purba,

E., & Afriany, J. (2018). Sistem Pendukung
Keputusan Pemilihan Guru Teladan Dengan
Menggunakan Metode Composite
Perfomance Index (CPI). Jurnal Riset
Komputer (JURIKOM), 5(1), 13–18.

PENERAPAN FEATURE WEIGHTING OPTIMIZED PADA NAÏVE BAYES

UNTUK PREDIKSI PROSES PERSALINAN
Hilda Amalia1,Achmad Baroqah Pohan2, Siti Masripah3
1,3 SistemInformasi
www.bsi.ac.id
hilda.ham@bsi.ac.id, siti.stm@bsi.ac.id
2SastraInggris
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Feature Weighting…

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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Peneapan Feature Weighting…

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.
Sumber: (Masripah, 2019)

Gambar 2 Metode yang Diusulkan
Dalam penelitian ini akan digunakan metode

data mining naïve bayes untuk melakukan
eksperimen data. Tool yang digunakan adalah
Rapidminer. Langkah Pengolahan data dengan
menggunakan Rapidmier seperti gambar 3
dibawah ini:
Sumber: (Amalia, Pohan, & Masripah, 2019)

Gambar 1 Metode Penelitian
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

didalamnya telah dipilih dataset yang akan diolah,

kemudian dihubungkan dengan modul optimasi
yang digunakan yakni optimize weights (PSO),
didalam modul Optimize Weights (PSO) terdapat
modul cross validation yang berguna untuk
validasi atau training dataset yang diugnakan.
Ttahapan terakhir didalam modul cross valildation
terdapat modul metode naïve bayes dihungunkan
Sumber: (Amalia, Pohan, & Masripah, 2019) dengan apply modul dan performance.
Gambar 3 Tahapan pengolahan data Naïve Bayes Pembahasan selanjutnya adalah melakukan
evaluasi terhadap hasil yang muncul dalam
Dilakukan ekperimen pengolahan data ibu ekperimen yang telah dilakukan yakni evaluasi
melahirkan dengan software Rapidmiber untuk dengan menggunakan kurva ROC dan Confusion
metode data mining yakni naïve bayes. Tahapan Matrik.
awal adalah memilih dataset yang akand
digunakan dalam bentuk excel yakni data ibu
melahirkan diproses dalam modul Read Excell,
dalam modul ini dilakukan pemilihan dataset,
atribut dan tipe data, kemudian dihubungkan
dengan modul Cross Validation.
Tahapan kedua didalam modul cross validation
digunakan modul metode data mining yang akan
digunakan yakni naïve bayes dibubungkan dengan
modul apply model dan performance. Sedangkan
pengolahan data proses persalinan ibu melahirkan
dengan menggunakan optimize weights(PSO),
proses pengolahannya seperti disajikan dalam
gambar 4 dibawah ini:
Sumber: (Amalia, Pohan, & Masripah, 2019)

Gambar 5 Kurva ROC Naïve Bayes
Dari kurva yang dihasilkan dari ekperimen

pengolahan data ibu melahirkan dengan
menggunakan metode naïve bayes dapat diketahui
nilai AUC yang diperoleh yakni sebesar 0.96. Selain
kurva ROC evaluasi juga ddapat dilakukan dengan
melihat kinerja suatu metode dengan mengukur
nilai confusion matrix yang diperoleh. Berikut
table confusion matrix metode naïve bayes:
Tabel 1 Confusion Matrix Naïve Bayes

True Normal True Sesar
Pred. Normal 61 4
Pred. Sesar 2 33
Sumber: ( Masripah, 2019)
Dari table Confusion matrix dapat diketahui bahwa

Sumber: (Amalia, Pohan, & Masripah, 2019) untuk dataset yang di prediksi menghasilkan label
Gambar 4 Tahapan pengolahan data Naïve Bayes normal dan yang benar hasilnya normal juga yakni
dengan Optimize Weights (PSO) sebanyak 61 sampel data, dan yang diprediksi ber
label normal namun hasilnya sesar sebanyak 4
Langkah selanjutnya adalah melakukan sample data. Untuk data yang diprediksi sesar dan
ekpreimen dengan melakukan peningkatkan menghasilkan data normal sehingga tidak sesuai
kinerja metode naïve bayes yakni dengan sesuai sebanyak 2 data dan sebanyak 33 data
menggunakan optimize weights (PSO). Tahapan hasilnya sesar dan diprediksi sesar juga sehingga
pertama memilihi modul read excel yang hasil dan prediksi sesuai. Nilai akurasi kinerja

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)
Dari table 3 diketahui nilai kekuatan dari suatu

atribut dari dataset ibu melahirkan. Atribut yang
bernilai 1 merupakan atribut yang kuat dan
berpengaruh terhadap dataset dan atribut yang
Sumber: (Amalia, Pohan & Masripah, 2019) bernilai 0 tidak memiliki kekuatan atau tidak
Gambar 6 Kurva ROC Optimize Weights(PSO) berpengaruh terhadap dataset ibu melahirkan.
Naïve Bayes
KESIMPULAN
Dari hasil ekperimen diperoleh kurva ROC, kurva
ROC digunakan untuk melakaukan evaluasi Dari hasil penelitian diperoleh bahwa
terhadap kinerja suatu metode. Dari hasil kurva pengolahan dataset ibu melahirkan untuk
ROC yang disajikan diatas dapat diketahui nilai penentuan proses ibu melahirkan yang diolah
AUC yakni 1.00. Hasil ekperimen yakni diperoleh dengan metode naïve bayes menghasilkan nilai
confusion matrix. Tabel 2 merupakan tabel akurasi 94% dengan nilai AUC 0.96. sedangakan
confusion matrix dari proses pengolahan data ibu pengolahan dataset ibu melahirkan untuk
melahirkan dengan menggunakan optimize penentuan proses persalinan ibu melahirkan yang
weights (PSO). diolah dengan optimized weight(PSO) naïve bayes
adalah 98,00%. Sehingga diketahui bahwa metode
Tabel 2 Confusion Matrix Optimize Weights (PSO) peningkatan optimasi kinerja metode optimized
True Normal True Sesar weights (PSO) dapat meningkatkan akurasi yang
Pred. Normal 62 1 dihasilkan oleh metode data mining naïve bayes.
Pred. Sesar 1 36 Dari hasil pengolahan data ibu melahirkan
Sumber: (Amalia, Pohan, & Masripah, 2019) menggunakan optimized weights (PSO) diperoleh
nilai atribut masing-masing yang digunakan, dari
Dari tabel 2 diketahui bahwa untuk data hasil penelitian diketahui bahwa beberapa atribut
yang diprediksi normal dan hasil nya benar normal bernilai 1 yang berarti atribut tersebut
yakni sesuai sebanyak 62 dan yang di prediksi berpengaruh terhadap pengolahan data ibu
normal, hasilnya sesar sebanyak 1 data. Untuk data melahirkan atribut tersebut adalah Tensi, hasil
yang di prediksi sesar dan hasilnya adalah normal pemerikasaan dan kondisi janin. Beberapa atribut
sehingga tidak sesuai sebesar 1 data, sedangkan mendapatkan nilai 0 yang berarti tidak
data yang diprediksi sesar dan hasilnya benar berpengaruh terhadap pengolahan data ibu
sesar sehingga sesuai sebanyak 36 sampel data. melahirkan yaitu Umur, BB Janin, Kondisi Pasien.
Nilai akurasi diperoleh yakni 96%. Dan terdapat atribut yang menghasilkan nilai
Hasil Penelitian dengan penggunaan diantara 0 dan 1 yaitu temperature, nadi, usia janin
metode optimasi optimized weight (PSO) juga dan kondisi janin. Atribut yang berada diantara 0
diperoleh nilai atribut untuk semua atribut yang dan 1 ini memerlukan penelitian lebih lanjut
digunakan dalam penellitian ini. Nilai atribut sehingga diketahui pengaruh atribut tersebut
digunakan untuk mengidentifikasi kekuatan dari secara lebih tepat yakni tidak berpengerahu yang
atribut tersebut. Kekuatan atau pengaruh suatu bernilai 0 atau berpengaruh yakni bernilai 1.
atribut dalam dataset untuk dikelolah merupakan
hasil dari metode optimize weight (PSO) yang REFERENSI
disajikan pada table 3.
Amalia;Eviciena, H. (2017a). Aplikasi Sistem
Penunjang Keputusan Untuk Prediksi

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.
Kamat, A., Oswal, V., & Datar, M. (2015).

Implementation of Classification Algorithms
to Predict Mode of Delivery, 6(5), 4531–
4534.
Kementerian Kesehatan Republik Indonesia.

(2017). Profile Kesehatan Indonesia Tahun

OPTIMASI ALGORITMA VECTOR SPACE MODEL DENGAN ALGORITMA

K-NEAREST NEIGHBOUR PADA PENCARIAN JUDUL ARTIKEL JURNAL
Siti Fauziah1; Daning Nur Sulistyowati2; Taufik Asra3

1
sitifauziah478@gmail.com; 2dns9321@gmail.com
3Program Studi Rekayasa Perangkat Lunak

www.bsi.ac.id
taufik.tas@bsi.ac.id
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.
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Optimasi Algoritma Vector …

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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Optimasi Algoritma Vector ….

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
𝐼𝐷𝐹(𝑡) = log(𝐷 / 𝑑𝑓(𝑡) ) ........................ (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
Pada perhitungan VSM digunakan pembobotan

TF-IDF dan perhitungan nilai similarity dengan Tabel 1. Data Judul Artikel Jurnal
menggunakan Cosine Similarity. Metode TF-IDF No Judul Artikel Jurnal
adalah cara untuk memberikan bobot hubungan Information Retrieval System Pada
suatu term terhadap dokumen. Metode ini Pencarian File Dokumen Berbasis Teks
menggabungkan dua konsep perhitungan bobot 1
Dengan Metode Vector Space Model Dan
yaitu frekuensi kemunculan kata dalam suatu Algoritma ECS Stemmer
dokumen dan inverse dari frekuensi yang Klasifikasi Konten Berita Dengan Metode
mengandung kata tersebut. 2
Text Mining
Penerapan Algoritma Cosine Similarity dan
E. Algoritma K-Nearest Neghbour 3 Pembobotan TF-IDF pada Sistem
Algoritma K-Nearest Neighbor (K-NN) adalah Klasifikasi Dokumen Skripsi
sebuah metode untuk melakukan klasifikasi Perancangan Information Retrieval (IR)
terhadap objek berdasarkan data pembelajaran Untuk Pencarian Ide Pokok Teks Artikel
yang jaraknya paling dekat dengan objek tersebut. 4
Berbahasa Inggris Dengan Pembobotan
K-NN termasuk algoritma supervised learning Vector Space Model
dimana hasil dari query instance yang baru Information Retrieval Tugas Akhir Dan
diklasifikan berdasarkan mayoritas dari kategori Perhitungan Kemiripan Dokumen
pada K-NN. Kelas yang paling banyak munculah 5
Mengacu Pada Abstrak Menggunakan
yang akan menjadi hasil klasifikasi. Klasifikasi Vector Space Model
menggunakan voting terbanyak diantara klasifikasi Aplikasi Information Retrieval (IR) CATA
dari k obyek. Algoritma K-Nearest Neighbor (K-NN) 6 Dengan Metode Generalized Vector Space
menggunakan klasifikasi ketetanggaan sebagai Model
nilai prediksi dari query instance yang baru. Rancang Bangun Information Retrieval
Perhitungannya adalah dengan menjumlahkan System (IRS) Bahasa Jawa Ngoko pada
semua nilai kemiripan yang tergolong dalam satu 7
Palintangan Penjebar Semangad dengan
kategori kemudian membandingkan manakah Metode Vector Space Model (VSM)
yang lebih besar. Rumusnya adalah sebagai Implementasi Vector Space Model Dan
berikut: Beberapa Notasi Metode Term Frequency
8
Inverse Document Frequency (TF-IDF)
Pada Sistem Temu Kembali Informasi
𝑝(𝑥, 𝑐𝑚 ) = ∑𝑚
𝑙=1 𝑆𝐼𝑀(𝑋, 𝑑𝑗 ) ∈ 𝑐𝑚 ..................... (3) Efektifitas Seleksi Fitur Dalam Sistem
9
Temu-Kembali Informasi
Keterangan: Klasifikasi Dokumen Tumbuhan Obat
P(x,cm) : probabilitas dokumen X 10 Menggunakan Metode Improved k-Nearest
menjadi anggota kategori cm Neighbor
Sumber: (Fauziah & Sulistyowati, 2018)
sim(x,dj)∈cm : kemiripan antara dokumen
X dengan dokumen latih dj Judul artikel jurnal tersebut akan
yang merupakan anggota dari mengalami proses text mining yang bertujuan
kategori cm untuk mempersiapkan text menjadi data yang
akan mengalami pengolahan pada proses
m : jumlah sim(x,dj) yang selanjutnya. Dan akan dilanjutkan pada proses
termasuk dalam kategori cm perhitungan dimulai dari menghitung tfidf,
menghitung jarak query dan menghitung
similaritas dokumen.
HASIL DAN PEMBAHASAN Hasil Pengujian Klasifikasi dengan
Algoritma Cosine Similarity Pada pengujian dalam
tahap ini dilakukan 2 tahap pengujian, yaitu tahap
Pengujian yang dilakukan dengan training data dan tahap testing. Pada tahap
mengunakan 10 judul artikel jurnal berbahasa training, data yang digunakan telah diketahui jenis
Indonesia dengan query Information Retrieval. kategorinya. Tahap training digunakan untuk
melihat ketepatan klasifikasi dokumen dengan
algoritma cosine similarity, pada tahap ini data

yang digunakan adalah sejumlah 10 dokumen. 2 D8,D10 3,69 1

Dokumen yang dipilih merupakan dokumen
3 D4,D10 3,25 2
dengan Query Information Retrieval. Data yang
digunakan ditunjukkan pada Tabel I. Selanjutnya 4 D5,D10 3,18 3
merupakan tahap testing, dimana data-data yang 5 D3,D10 3,16 4
diolah belum diketahui kategorinya dan akan
6 D1,D10 3,13 5
mendapatkan kategori secara otomatis dari sistem.
Dalam penelitian ini, kategori yang dipakai adalah 7 D2,D10 3 6
sejumlah 5 kategori dengan pemakaian kata kunci 8 D6,D10 2,8 7
sedemikian rupa. Tabel II merupakan data hasil 9 D9,D10 2,71 8
tahap testing.
Sumber: (Fauziah & Sulistyowati, 2018)
Tabel 2. Menghitung Similaritas
KESIMPULAN
No Nama Dokumen Keterangan
1 D7,D10 Valid Berdasarkan hasil dari analisa dan
2 D8,D10 Valid pengolahan data pada pembahasan diatas, dapat
ditarik kesimpulan sebagai berikut:
3 D4,D10 Valid Dari hasil pengujian dengan kata kunci Information
4 D5,D10 Valid Retrieval maka akan menghasilkan dokumen
5 D3,D10 Valid dengan tingkat kemiripan tertinggi pada Algoritma
Vector Space Model yaitu pada pada Dok 5, Dok 7,
6 D1,D10 Tidak Valid Dok 8 dan Dok 4. Sedangkan dengan Algoritma K-
7 D2,D10 Tidak Valid Nearest Neghbour menghasilkan tingkat kemiripan
8 D6,D10 Tidak Valid pada range Doc7,Doc10 | Doc8,Doc10 | Doc4,D10 |
Doc5,Doc10 | Doc3,Doc10. Setelah dilakukan
9 D9,D10 Tidak Valid perhitungan dengan Algoritma Vector Space Model
Sumber: (Fauziah & Sulistyowati, 2018) dan Algoritma K-Nearest Neghbour terjadi
penambahan kriteria dokumen yang similaritas
Setelah dilakukan proses perhitungan dengan kata kunci.
tersebut maka akan diperoleh hasil seperti terlihat
pada tabel berikut: REFERENSI
Tabel 3. Hasil Similaritas Dokumen Dengan Metode Amburika, B., Chrisnanto, Y. H., & Uriawan, W.
VSM (2016). TEKNIK VECTOR SPACE MODEL
Dokumen Nilai Rank (VSM) DALAM PENENTUAN PENANGANAN
D5 0,88 1 DAMPAK GAME ONLINE PADA ANAK. In
Prosiding SNST ke-7 Tahun 2016 (pp. 73–78).
D7 0,22 2
D8 0,20 3 Aziz, A., Saptono, R., & Suryajaya, K. P. (2015).
D4 0,19 4 Implementasi Vector Space Model dalam
Pembangkitan Frequently Asked Questions
D3 0,18 5
Otomatis dan Solusi yang Relevan untuk
D1 0,17 6 Keluhan Pelanggan. Scientific Journal of
D10 0,17 6 Informatics, Vol. 2, No, 111–122.
D2 0,15 7
Bunyamin, H., & Negara, C. P. (2016). Aplikasi
D6 0,14 8 Information Retrieval (IR) CATA Dengan
D9 0,13 9 Metode Generalized Vector Space Model.
Sumber: (Fauziah & Sulistyowati, 2018) Jurnal Informatika, 4.
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.
1 D7,D10 3,69 1 M.Isa, T., & Abidin, T. F. (2013). Mengukur Tingkat

Kesamaan Paragraf menggunakan Vector

Space Model untuk Mendeteksi Plagiarisme.
In Seminar Nasional dan Expo Teknik Elektro.
Mas`udia Putri Elfa, Atmadja, Martono Dwi,

Mustafa, L. D. (2017). Information Retrieval
Tugas Akhir Dan Perhitungan Kemiripan
Dokumen Mengacu Pada Abstrak
Menggunakan Vector Space Model. Jurnal
Teknik Mesin, Eektro Dan Ilmu Komputer, 8.
Wisnu, D., & Hetami, A. (2015). Perancangan

Information Retrieval (IR) Untuk Pencarian
Ide Pokok Teks Artikel Berbahasa Inggris
Dengan Pembobotan Vector Space Model.
Jurnal Ilmiah Teknologi Dan Informasi ASIA, 9.

KOMPARASI ALGORITMA DENGAN PENDEKATAN RANDOM

UNDERSAMPLING UNTUK MENANGANI KETIDAKSEIMBANGAN KELAS
PADA PREDIKSI CACAT SOFTWARE
Ginabila1; Ahmad Fauzi2
Ilmu Komputer
STMIK Nusa Mandiri
1
14002151@nusamandiri.ac.id, 2fauzi.aau@nusamandiri.ac.id
Abstract— Testing is a process that becomes a Random Undersampling untuk memprediksi

standard in producing quality software. In kecacatan pada software, tingkat akurasi yang
predictions of software defects, prediction errors paling tinggi didapatkan oleh algoritma Random
are very bad. Incorrect and inappropriate data sets Forest dengan tingkat akurasi sebesar 71,932%.
result in inaccurate prediction results will be affect
the software itself. This study aims to overcome the Kata Kunci: Naive Bayes, J48, Random Forest,
problem of class imbalance with the software defect Random Undersampling, Prediksi Cacat Software.
prediction data set, through the Random
Undersampling (RUS) data level approach by taking
several algorithms namely Naive Bayes (NB), J48 PENDAHULUAN
and Random Forest (RF) which aims to compare the
accuracy level highest so that maximum results are Prediksi cacat software merupakan salah
obtained in the process of predicting software satu cara yang efektif untuk meminimalkan biaya
defects. From the results of this study it can be dan usaha dalam membangun atau
found that to overcome class imbalances using the mengembangkan software. Salah satu ciri software
Random Undersampling level data approach to berkualitas adalah yang paling minimal memiliki
predict software defects, the highest level of kecenderungan cacat (Akbar & Rochimah, 2017).
accuracy is obtained by the Random Forest Atribut kode statis atau biasa disebut
algorithm with an accuracy rate of 71.932%. software metric diekstraksi dari software untuk
memprediksi modul yang rusak. Prediksi yang
Intisari— Pengujian saat ini merupakan proses akurat pada cacat modul perangkat lunak sebagai
yang menjadi standar dalam menghasilkan bagian dari upaya untuk mengurangi
software berkulitas. Dalam prediksi cacat software, meningkatnya biaya pengembangan dan
kesalahan prediksi merupakan hal yang sangat pemeliharaan perangkat lunak (Putri & Frieyadie,
buruk. Set data yang salah dan tidak sesuai 2017). Prediktor atau modul yang terdeteksi
mengakibatkan kurang akuratnya hasil prediksi memiliki kecenderungan cacat diharapkan dapat
dan akan berpengaruh terhadap software itu membantu meningkatkan kualitas software untuk
sendiri. Penelitian ini bertujuan untuk mengatasi dirilis pada periode berikutnya (Shuo Wang & Xin
masalah ketidakseimbangan kelas terhadap set Yao, 2013). Berbagai software metrics yang
data prediksi cacat software, melalui pendekatan berbeda ditemukan setelah proses ekstraksi
level data Random Undersampling (RUS) dengan software dan digunakan untuk memprediksi
mengambil beberapa algoritma yaitu Naive Bayes kecenderungan cacat. Untuk mempermudah dan
(NB), J48 dan Random Forest (RF) yang bertujuan membuat proses prediksi kecacatan software lebih
untuk membandingkan mana tingkat akurasi yang praktis, dipilih set metrics yang paling penting dari
paling tinggi sehingga didapatkan hasil yang semua software metrics yang ada (Okutan & Yildiz,
maksimal dalam proses memprediksi cacat 2014).
software. Dari hasil penelitian ini dapat ditemukan Banyaknya dataset untuk memprediksi
bahwa untuk mengatasi ketidakseimbangan kelas kecacatan software yang tersedia dalam repositori
dengan menggunakan pendekatan level data terbuka dan dapat diakses hanya melalui internet
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Komparasi Algoritma Dengan …

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)
perbandingannya dari kelas yang lain sehingga

algoritma data mining tidak dapat menghasilkan Keterangan:
model pengklasifikasi yang optimal untuk H = Mempresentasikan sebuah kelas
memprediksi modul yang cacat. X = Mempresentasikan sebuah atribut
Keseimbangan kelas atau class imbalanced P(H|X) = Posterior Probability
merupakan hal yang sangat penting dalam rangka P (X|H) = Kemungkinan munculnya prediktor
menghasilkan data training atau training set yang P(H) = Prior Probability
baik. Hampir semua algoritma klasifikasi
menunjukkan performa yang sangat buruk ketika J48 adalah salah satu jenis classifier pada
bekerja pada data dengan kelas yang sangat tidak metode klasifikasi dalam data mining dan bagian
seimbang atau imbalance. Pada hakekatnya data dari C4.5 decision tree yang sederhana. C4.5
real adalah tidak seimbang (Siringoringo, 2017). membangun sebuah pohon keputusan
Pada penelitian sebelumnya berdasarkan pada seperangkat input data yang
ketidakseimbanagn kelas diatasi dengan berbagai berlabel. Pohon keputusan adalah model prediksi
pendekatan level data yaitu Random menggunakan struktur pohon atau struktur
Undersampling, Random Oversampling dan berhirarki. Konsep dari pohon keputusan adalah
FSMOTE dengan algoritma Naive Bayes. Hasil dari mengubah data menjadi pohon keputusan dan
penelitian tersebut pendekatan level data FSMOTE aturan-aturan keputusan (Diwandari & Setiawan,
dengan algoritma Naive Bayes menghasilkan 2015). Ukuran information gain digunakan untuk
tingkat akurasi yang paling tinggi untuk mengatasi memilih atribut uji pada setiap node di dalam tree.
ketidakseimbangan kelas data (Aries & Wahono, Ukuran ini digunakan untuk memilih atribut atau
2015). node pada pohon. Atribut dengan nilai
Oleh karena itu penelitian ini bertujuan information gain tertinggi akan terpilih sebagai
untuk mengatasi masalah ketidakseimbangan parent bagi node selanjutnya. Sebelum
kelas melalui pendekatan level data Random menghitung gain harus dihitung terlebih dahulu
Undersampling (RUS) dengan mengambil nilai entropy-nya. Entropy adalah suatu parameter
beberapa algoritma untuk membandingkan mana untuk mengukur heterogenitas (keberagaman)
tingkat akurasi yang paling tinggi untuk dari suatu kumpulan data sampel. Apabila sampel
dikombinasikan dengan pendekatan level data data semakin heterogen maka nilai dari entropy-
yang diambil. nya semakin besar (Andri, Kunang, & Murniati,
2013). Formula dari entropy adalah:
BAHAN DAN METODE
Entropy (S) = ∑𝑐𝑖 − 𝑝𝑖 𝑙𝑜𝑔2 𝑝𝑖 .......................... (2)
Dalam penelitian ini dilakukan komparasi
tiga algoritma pengklasifikasi yaitu Naive Bayes Keterangan:
(NB), J48 dan Random Forest (RF). Komparasi c = Jumlah kelas klasifikasi
ketiga algoritma ini bertujuan untuk mengetahui pi = Jumlah sampel untuk kelas i
nilai akurasi mana yang paling tinggi dari
penggunaan pendekatan level data Random Setelah nilai entropy diperoleh maka
Undersampling untuk mengatasi ketidak langkah selanjutnya adalah menghitung gain
seimbangan kelas dari data yang diambil dari untuk mengukur efektifitas suatu atribut dalam
suatu repositori. mengklasifikasi data. Gain dihitung dengan
Naive Bayes merupakan metode yang tidak menggunakan rumus:
memiliki aturan, Naïve Bayes menggunakan Sv
cabang matematika yang dikenal dengan teori Gain(S,A) = Entropy(s) - ∑v€values(A) s * EntropySv) .. (3)
probabilitas untuk mencari peluang terbesar dari
kemungkinan klasifikasi, dengan cara melihat Keterangan:
frekuensi setiap klasifikasi pada data training. v = Nilai yang mungkin untuk atribut
naïve bayes merupakan metode klasifikasi populer A
dan termasuk dalam sepuluh algoritma terbaik Values(A) = Himpunan nilai yang mungkin
dalam data mining (Frastian, Hendrian, & untuk atribut A
Valentino, 2018). Prediksi Bayes didasarkan pada Sv = Jumlah sampel data untuk nilai v
S = Jumlah seluruh sampel data

Entropy(Sv) = Entropy untuk sampel yang Tabel 1. Atribut Dalam Data

memiliki nilai v. No Atribut
1 loc
2 v(g)
Random forest merupakan pengembangan 3 ev(g)
dari Algoritma C4.5 (decision tree) dengan 4 iv(g)
menggunakan beberapa decision tree, dimana 5 n
setiap decision tree telah dilakukan training data 6 v
7 l
menggunakan sampel individu dan setiap atribut 8 d
dipecah pada tree yang dipilih antara atribut 9 i
subset yang bersifat acak. Dan dalam 10 e
perkembangannya, sejalan dengan bertambahnya 11 b
12 t
dataset, maka tree pun ikut berkembang (Frastian 13 lOCode
et al., 2018). Proses prediksi Random Forest 14 lOComment
ditunjukkan oleh gambar 1 berikut: 15 lOBlank
16 locCodeAndComment
17 uniq_Op
18 uniq_Opnd
19 total_Op
20 total_Opnd
21 branchCount
22 defects
Sumber: (PROMISE, 2010)
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

TN (True Negative) = Data negatif yang  PRC Area

terdeteksi benar Precision Recal Curve biasanya digunakan jika
 Precision ditemui kasus dimana data memiliki kelas yang
Precision = 𝑇𝑃+𝐹𝑃
𝑇𝑃
............................................ (6) tidak seimbang. Sesuai dengan namanya Kurva
ini dibuat berdasarkan nilai yang telah
didapatkan pada perhitungan dengan
Keterangan: confusion matrix, yaitu antara Precision dan
TP (True Positive) = Data positif yang Recall.
terdeteksi benar
 Accuracy
FP (False Positive) = Data negatif yang 𝑇𝑃+𝑇𝑁
terdeteksi positif Accuracy = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
 Recall
Recall =
𝑇𝑃
................................................. (7) Keterangan:
𝑇𝑃+𝐹𝑁 TP (True Positive) = Data positif yang
terdeteksi benar
Keterangan: FP (False Positive) = Data negatif yang
TP (True Positive) = Data positif yang terdeteksi positif
terdeteksi benar TN (True Negative) = Data negatif yang
FN (False Negative) = Data Positif yang terdeteksi benar
terdeteksi negatif FN (False Negative) = Data Positif yang
terdeteksi negatif
 F-Measure
F-Measure = 2 .
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 . 𝑅𝑒𝑐𝑎𝑙𝑙
............... (8) Perhitungan-perhitungan yang telah
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙 disebutkan sebelumnya akan dihitung melalui
WEKA. Waikato Environment for Knowledge
Keterangan:
Analysis (WEKA) merupakan perangkat lunak
Precision = Tingkat ketepatan
pembelajaran mesin yang populer yang ditulis
antara informasi yang
dalam bahasa pemrograman java. WEKA berisikan
diminta oleh pengguna
kumpulan algoritma beserta visualisasinya untuk
dengan jawaban yang
analisis data dan pemodelan prediktif. Algoritma-
diberikan oleh sistem
algoritma pembelajaran mesin pada WEKA dapat
Recall = Tingkat keberhasilan
dimanfaatkan untuk pemecahan masalah dibidang
sistem dalam
data mining. WEKA memiliki implementasi semua
menemukan kembali
teknik pembelajaran untuk klasifikasi dan regresi ,
sebuah informasi.
yaitu decision trees, rules set, pengklasifikasian
 MCC teorema bayes, Support Vector Machines (SVM),
𝑇𝑃∗𝑇𝑁 −𝐹𝑃∗𝐹𝑁
MCC = .. (9) logistik dan linier, multi layers perceptrons dan
√(𝑇𝑃+𝐹𝑃)(𝑇𝑃+𝐹𝑁)(𝑇𝑁+𝐹𝑃)(𝑇𝑁+𝐹𝑁)
metode nearest neighbour. (Frank, Hall, Trigg,
Keterangan: Holmes, & Witten, 2004)
TP (True Positive) = Data positif yang
terdeteksi benar HASIL DAN PEMBAHASAN
FP (False Positive) = Data negatif yang
terdeteksi positif 1. Hasil Perhitungan Menggunakan Algoritma
TN (True Negative) = Data negatif yang Naive Bayes, J48 dan Random Forest
terdeteksi benar Sebelum Menggunakan RUS
FN (False Negative) = Data Positif yang
terdeteksi negatif Dari 2109 data software defect yang ada,
dengan menggunakan algoritma pengklasifikasi
 ROC Area Naive Bayes, J48 dan Random Forest didapatkan
Kurva ROC adalah grafik dua dimensi dimana hasil perhitungan Tabel 2 berikut:
nilai TPR (True Positive Rate) mewakili sumbu
Tabel 2. Hasil Perhitungan Naive Bayes
Y dan nilai FPR (False Positive Rate) mewakili Naive Bayes
sumbu X (Tharwat, 2018). Semakin dekat garis Class False Class True Rate
dengan angka 1 maka akan semakin baik. Pada TP Rate 0,905 0,377 0,824
FP Rate 0,623 0,095 0,541
bagian hasil dan pembahasan juga akan Precision 0,888 0,421 0,816
ditampilkan grafik ROC area dari masing Recall 0,905 0,377 0,824
F-Measure 0,897 0,398 0,820
masing kelas.

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)
Dalam pengujian kedua kelas menggunakan

algoritma Naive bayes, rata-rata sebesar 0,824 Sumber: (Ginabila & Fauzi, 2019)
dari seluruh data positif telah terdeteksi benar Gambar 3. ROC Class False & Class True Algoritma
pada kelasnya masing-masing. Pada Class False Naive Bayes
data negatif yang terdeteksi positif sebesar 0,623
sedangkan pada class true hanya sebesar 0,095. Kurva ROC diatas menunjukkan bahwa
Untuk perhitungan lain yang lebih jelas dapat ROC berada pada true positive sebesar 0,698 pada
dilihat pada tabel 2. class false dan 0,689 pada class true dengan
Berikut adalah grafik ROC dari masing masing menggunakan algoritma J48.
kelas dengan algoritma Naive bayes sebelum
digunakannya pendekatan level data: Tabel 4. Hasil Perhitungan Random Forest
RandomForest
Class
Class True Rate
False
TP Rate 0,965 0,328 0,867
FP Rate 0,672 0,035 0,573
Precision 0,887 0,633 0,848
Recall 0,965 0,328 0,867
F-Measure 0,925 0,432 0,848
MCC 0,391 0,391 0,391
ROC Area 0,824 0,823 0,823
PRC Area 0,956 0,498 0,886
Gambar 2. ROC Class False & Class True Algoritma Dalam pengujian kedua kelas menggunakan
Naive Bayes algoritma Random Forest, rata-rata sebesar 0,867
dari seluruh data positif telah terdeteksi benar
Kurva ROC diatas menunjukkan bahwa ROC pada kelasnya masing-masing. Pada Class False
berada pada true positive sebesar 0,790 pada class data negatif yang terdeteksi positif sebesar 0,669
false dan class true dengan menggunakan sedangkan pada class true hanya sebesar 0,061.
algoritma Naive Bayes. Untuk perhitungan lain lebih jelasnya dapat dilihat
pada tabel 4.
Tabel 3. Hasil Perhitungan J48 Berikut adalah grafik ROC dari masing masing
J48 kelas dengan algoritma Random Forest sebelum
Class False Class True Rate digunakannya pendekatan level data:
TP Rate 0,939 0,331 0,845
FP Rate 0,669 0,061 0,575
Precision 0,885 0,500 0,825
Recall 0,939 0,331 0,845
F-Measure 0,911 0,399 0,832
MCC 0,323 0,323 0,323
ROC Area 0,698 0,689 0,689
PRC Area 0,885 0,364 0,804
Dalam pengujian kedua kelas menggunakan

algoritma J48, rata-rata sebesar 0,845 dari seluruh Gambar 4. ROC Class False & Class True Algoritma
data positif telah terdeteksi benar pada kelasnya Random Forest
masing-masing. Pada Class False data negatif yang
terdeteksi positif sebesar 0,669 sedangkan pada Kurva ROC Gambar 4 diatas menunjukkan
class true hanya sebesar 0,061. Untuk perhitungan bahwa ROC berada pada true positive sebesar
lain lebih jelasnya dapat dilihat pada tabel 3. 0,824 pada class false dan 0,823 pada class true
Berikut adalah grafik ROC dari masing masing dengan menggunakan algoritma Random Forest.
kelas dengan algoritma J48 sebelum digunakannya Setelah melalui perhitungan yang
pendekatan level data: dilakukan, dapat diketahui perbandingan tingkat

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
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
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

telah terdeteksi benar pada kelasnya masing-

masing. Pada Class False data negatif yang Kurva ROC Gambar 8 diatas menunjukkan
terdeteksi positif sebesar 0,313 sedangkan pada bahwa ROC berada pada true positive sebesar
class true sebesar 0,356. Untuk perhitungan lain 0,790 pada class false dan class true setelah
yang lebih jelas dapat dilihat pada tabel 7. digunakannya pendekatan level data Random
Berikut adalah grafik dari ROC menggunakan Undersampling dengan algoritma Random Forest.
RUS + J48 dari masing masing kelas: Setelah melalui perhitungan yang
dilakukan, dapat diketahui nilai akurasi dari
masing masing algoritma setelah menggunakan
pendekatan level data Random Undersampling
adalah sebagai berikut:
Tabel 9. Hasil Perhitungan Akurasi RUS + NB, J48

dan RF
NB J48 RF
Sumber: (Ginabila & Fauzi, 2019) Correctly
Gambar 7. RUS + J48 ROC Class False & Class True Classified 65,337% 66,564% 71,932%
Instances
Kurva ROC Gambar 7diatas menunjukkan Incorrectly
Classified 34,663% 33,435% 28,067%
bahwa ROC berada pada true positive sebesar Instances
0,703 pada class false dan class true setelah Sumber: (Ginabila & Fauzi, 2019)
digunakannya pendekatan level data Random
Undersampling dengan algoritma J48. Dapat dilihat dari tabel 9 diatas bahwa setelah
digunakannya pendekatan level data Random
Tabel 8. Hasil Perhitungan RUS + Random Forest Undersampling untuk menangani
RandomForest
Class False Class True Rate
ketidakseimbangan kelas, tingkat akurasi yang
TP Rate 0,721 0,718 0,719 didapatkan dari masing-masing algoritma menjadi
FP Rate 0,282 0,279 0,281 65,337% untuk penggunaan algoritma Naive
Precision 0,719 0,720 0,719 Bayes, 66,564% dengan Algoritma J48 dan
Recall 0,721 0,718 0,719
71,932% dengan menggunakan Algoritma
F-Measure 0,720 0,719 0,719
MCC 0,439 0,439 0,439 Random Forest.
ROC Area 0,790 0,790 0,790 Berikut adalah Gambar 9 grafik perbandingan
PRC Area 0,816 0,758 0,787 tingkat akurasi setelah digunakan pendekatan
Sumber: (Ginabila & Fauzi, 2019) level data Random Undersampling untuk
mengatasi ketidakseimbangan kelas dari masing-
Dalam penggunaan pendekatan level data masing algoritma:
Random Undersampling dengan algoritma
Random Forest, rata-rata sebesar 0,719 dari
seluruh data positif telah terdeteksi benar pada
kelasnya masing-masing. Pada Class False data 75,00%
negatif yang terdeteksi positif sebesar 0,282 NB
sedangkan pada class true sebesar 0,279. Untuk 70,00%
perhitungan lain yang lebih jelas dapat dilihat J48
pada tabel 8. 65,00% RF
Berikut adalah grafik dari ROC menggunakan
RUS + Random Forest dari masing masing kelas: 60,00%
Accuracy

Gambar 9. Perbandingan Tingkat Akurasi dari RUS
+ Ketiga Algoritma
Dari grafik perbandingan tingkat akurasi

Gambar 9 diatas setelah ditangani
ketidakseimbangan kelasnya dapat dilihat bahwa
Sumber: (Ginabila & Fauzi, 2019) penggunaan Algoritma Random Forest masih
Gambar 8. RUS + Random Forest ROC Class False & paling tinggi tingkat akurasinya dibandingkan
Class True algoritma lainnya.

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
Diwandari, S., & Setiawan, N. A. (2015). Siringoringo, R. (2017). Integrasi Metode

Perbandingan Algoritme J48 dan Nbtree Resampling dan K-Nearest Naighbor pada
Untuk Klasifikasi Diagnosa Penyakit Pada Prediksi Cacat Software Aplikasi Android.
Soybean. Seminar Nasional Teknologi ISD, 2 No.1(1), 47–58.
Informasi Dan Komunikasi, 2015(Sentika),
205–212. Tharwat, A. (2018). Classification assessment
methods. Applied Computing and Informatics.
Frank, E., Hall, M., Trigg, L., Holmes, G., & Witten, I. https://doi.org/10.1016/j.aci.2018.08.003
H. (2004). Data Mining in Bioinformatics
using Weka. Bioinformatics, 20(15), 2479–
2481.
https://doi.org/10.1093/bioinformatics/bth

PENERAPAN METODE ITERATIVE DICHOTOMIZER 3 (ID 3) UNTUK

MENENTUKAN BEASISWA BERPRESTASI PADA SMP PGRI
CARINGIN SUKABUMI
Rizal Amegia Saputra1; Lis Saumi Ramdhani2; Supriatman3;
1Program Studi Sistem Informasi Akuntansi Kampus Kota Sukabumi

Univeritas Bina Sarana Informatika
http://bsi.ac.id/
rizal.rga@bsi.ac.id
2. 3 ProgramStudi Sistem Informasi Kampus Kota Sukabumi

http://bsi.ac.id/
1
lis.lud@bsi.ac.id, 2supriatmanmamang91@gmail.com
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Metode Iterative…

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

Atribut Kategori dan menggabungkan beberapa data yang

<=80 lengkap maupun tidak lengkap juga dilakukan
Sakit <=3 reduction and dicretization untuk data training.
>=4
Izin <=2 4. Tahapan pemodelan (Modelling)
>=3 Tahap ini juga disebut tahap learning karena
Alpa <=2 pada tahap ini data training diklasifikasikan
>=3 oleh model dan kemudian menghasilkan
Jumlah piagam >=2
<=1
sejumlah aturan. Pada penelitian ini,
Jumlah do’a >=90 pembuatan model menggunakan algoritma ID3.
<=89 5. Tahap evaluasi (Evaluation)
Jumlah Surat >=90 Pada tahap ini dilakukan pengujian terhadap
<=89 model-model untuk mendapatkan informasi
Kesiangan <=2
>=3 model yang akurat. Evaluasi dan validasi
Kabur <=2 menggunakan metode Confision Matrix dan
>=3 Kurva ROC.
Merokok =0 6. Tahap Deployment
>=1
Pada tahap ini diterapkan model yang
Jahil =0
>=1 memiliki akurasi tinggi atau yang paling baik pada
Sumber: (Saputra, Ramdhani, and Supriatman SMP PGRI Caringin yang relevan untuk
2018) penyeleksian data calon penerima beasiswa.
3. Tahapan data persiapan (Data Preparation) HASIL DAN PEMBAHASAN

Berdasarkan data latih yang diperoleh, maka
sebelum pemodelan dilakukan, diperlukan Dalam membuat pohon keputusan terlebih
beberapa teknik pre-processing yang digunakan, dahulu kita hitung jumlah class yang layak dan
yaitu: tidak belum layak dan entropy dari masing-masing
a. Data Validation class berdasarkan atribut yang telah ditentukan
Untuk mengidentifikasi dan menghapus data dengan menggunakan data training
yang ganjil (outlier/noise), data yang tidak Dari data training diketahui jumlah kasusnya
konsistensi dan data yang tidak lengkap ada 220 record, siswa yang layak berjumlah 1
(missing value). record dan yang belum layak sebanyak 219 record
b. Data integration and transformation untuk tahun pelajaran 2017/2018, jumlah
Untuk meningkatkan akurasi dan efisiensi recordnya adalah 708 sehingga nilai entropynya
algoritma. Data yang digunakan dalam yaitu:
penulisan ini bernilai kategorikal. Entropy (S) = (-(28/708) x log2 (28/708) +
c. Data size reduction and dicretization (-(680/708) x log2 (680/708)
Untuk memperoleh data set dengan jumlah = 0,240216038
aribut dan record yang lebih sedikit tetapi
Untuk mendapatkan gain tiap atribut, maka harus
bersifat informatif. Proses data training yang
dihitung entropy atribut berdasarkan tiap-tiap
digunakan dalam penelitian ini, dilakukan
kasus. Hasil dari perhitungan dapat dilihat pada
seleksi atribut dan penghapusan data duplikasi
tabel 2 dibawah ini:
menggunakan software RapidMiner. Setelah
dilakukan pengidentifikasian serta menghapus
Tabel 2. Perhitungan Gain Node 1

atribut nilai total layak belum entropy gain
S1 >=80 558 28 530 0,287157747
<=79 150 0 150 0
0,013896797
S2 >=80 500 28 472 0,31135737
<=79 208 0 208 0
0,02033089
SAKIT <=3 541 28 513 0,293810032
>=4 167 0 167 0
0,015708655
IJIN <=2 662 28 634 0,252722327
>=3 46 0 46 0
0,003913524
ALPA <=2 393 28 365 0,370559404
>=3 315 0 315 0


0,034524165
PIAGAM >=2 94 28 66 0,878674493
<=1 614 0 614 0
0,123555865
DO'A >=80 99 28 71 0,859275981
<=79 609 0 609 0
0,120063041
SURAT >=80 108 28 80 0,825626526
<=79 600 0 600 0
0,114273009
KESIANGAN <=2 634 28 606 0,261068728
>=3 74 0 74 0
0,006434155
KABUR <=2 661 28 633 0,253010263
>=3 47 0 47 0
0,004001654
MEROKOK =0 654 28 626 0,255046312
>=1 54 0 54 0
0,004622411
JAHIL =0 672 28 644 0,249882293
>=1 36 0 36 0
0,003039625
Sumber: (Saputra, Ramdhani, and Supriatman 2018)
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:
Tabel 3. Node 1.1 Hasil Konversi

total kasus 136 3 133 0,152849
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


MEROKOK =0 103 3 100 0,189991
>=1 33 0 33 0
0,008959
JAHIL =0 116 3 113 0,173196
>=1 20 0 20 0
0,005124
Sumber:(Saputra, Ramdhani, and Supriatman 2018)
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
Sumber: (Saputra, Ramdhani, and Supriatman Model Kurva ROC

2018) Hasil perhitungan kurva ROC untuk algoritma
Gambar 2. Pohon Keputusan Penentuan Beasiswa ID 3 dengan menggunakan data training hasilnya
sebesar 0,500
Pada gambar 2 diatas maka diperoleh aturan-
aturan sebagai berikut, yaitu:

untuk lebih cepat lagi dalam menentukan yang

layak beasiswa dan penentuan beasiswa dengan
menggunakan metode ID3 ini, memiliki tingkat
akurasi 97,75% sehingga akurat dalam analisa
penyeleksian calon penerima beasiswa.
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.”

Jurnal PILAR Nusa Mandiri Vol. 14, No. 2 September 2018 41
INFORMATION RETRIEVAL SYSTEM PADA FILE PENCARIAN DOKUMEN

TESIS BERBASIS TEXT MENGGUNAKAN METODE VECTOR SPACE
MODEL
Ahmad Fauzi1; Ginabila2
1, 2 Ilmu Komputer
STMIK Nusa Mandiri

1
fauzi.aau@nusamandiri.ac.id, 214002151@nusamandiri.ac.id
Abstract—Speed and density in the process of

finding documents and information has become Kata Kunci: informasi retrival, model sistem
mandatory, contained in information systems, to pengambilan ruang vector.
facilitate the search process or find documents and
information needed, it is called information retrieval PENDAHULUAN
or information retrieval system, implementation of
the theory applied in this study using the model Peningkatan arus informasi yang sangat cepat
method vector space, the purpose of this study is to dalam mendukung kegiatan browsing dan
provide general exposure to the process of finding searching bagi user untuk mempermudah aktivitas
digital documents. With the token and indexing (Irmawati, 2017) Informasi tumbuh dengan sangat
process so that the results of the masses are found in pesat dalam berbagai basis content seperti teks,
the database using keywords, so the system will image, video, visual, audio dan sebagainya. alat
search according to the keywords input into the temu kembali online public access catalog (OPAC)
system, and will be compared with the data sendiri sudah ada sejak tahun 1970. Sejak pertama
contained in the database, so that it can produce the kali diciptakan, pembuatan sistem temu kembali
correct information. informasi telah mengalami proses perubahan
sesuai perkembangannya (Lestari, 2016)
Keywords: retrival information, vector space Informasi tersebut tidak ada artinya bila informasi
retrieval system model. yang relevan tidak dapat ditemukan kembali guna
memenuhi kebutuhan informasi pemustaka. Oleh
Intisari— Kecepatan dan kepadatan dalam proses karena itu, perpustakaan perguruan tinggi
pencarian dokumen dan informasi telah menjadi membutuhkan sistem temu kembali informasi
wajib, terkandung dalam sistem informasi, untuk (information retrieval).
memudahkan proses pencarian atau menemukan perpustakaan perlu melakukan perubahan
dokumen dan informasi yang diperlukan, itu dalam pemeliharaan dan katalogisasi informasi,
disebut informasi retrival atau sistem pengambilan dari sistem tercetak menjadi online dalam bentuk
informasi, implementasi Dari teori yang digital agar dapat diakses dari mana saja (Amin,
diterapkan dalam penelitian ini menggunakan 2012). Perubahan sistem tersebut, terlihat pada
metode model ruang vektor, tujuan penelitian ini pengembangan perpustakaan digital. Layanan
adalah memberikan paparan umum tentang proses perpustakaan digital menyediakan akses instan
pencarian dokumen digital. Dengan proses token terhadap koleksi/dokumen, baik melalui metode
dan indexsing sehingga ditemukan hasil dari pencarian keyword, penulis, maupun judul.(Sjaeful
maskimal terdapat dalam database menggunakan Afandi; Firman Ardiansya; Blasius Soedarsono,
kata kunci, sehingga sistem akan melakukan 2015) masalah utama dalam proses pencarian
pencarian sesuai deanagn kata kunci yang di dokumen digital dibutuhkan waktu yang relatif
inputkan pada sistem, dan akan dibandingkan lama karena pencariannya harus menyertakan isi
dengan data yang terdapat pada database, judul dokumen secara lengkap dan benar pada
sehingga dapat menghasilkan informasi yang aplikasi ELS-NURI, hal ini menjadi tidak relevan
benar. dalam sistem temu kembali informasi. Maka dari
itu dibutuhkan sebuah search engine yang dapat
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Information Retrival Sistem …

42 Jurnal PILAR Nusa Mandiri Vol. 14, No. 2 September 2018
mencari dokumen-dokumen tersebut secara lebih repository.nusamandiri.ac.id yang menjadi bahan

cepat dan mudah serta menghasilkan informasi penelitian dalam penggunaan retrival information
yang relevan tanpa perlu menyertakan judul
dokumen secara lebih terperinci (Zain & Suswati, BAHAN DAN METODE
2016) penulis mecoba menerapakan metode
informasi retrival pada pembaharuan aplikasi ELS- Penulis Pengumpulan data dilakukan
NURI, guna memberikan informasi yang lebih baik dengan cara mempelajari buku dan jurnal yang
dan akurat dalam proses pencarian dokumen tesis mendukung pada penelitian ini, termasuk di
pada aplikasi ELS-NURI,sehingga mahasiswa dapat dalamnya literatur tentang penulisan dan
melakukan pencarian tanpa perlu mengetikan mengenai hal-hal yang mendukung implementasi
keyword secara lengkap dan terperinci, mahasiswa system temu kembali pada aplikasi.
hanya perlu mengetikan kata kunci pada pencarian Metadata koleksi dokumen tesis yang digunakan
dokumen,makan semua isi yang berhubungan antara tahun 2010 – 2016 yang berjumlah 169
dengan katakunci yang sedang dicari akan record. Data tersebut tidak berurutkan, Dari hasil
ditampilkan secara lengkap. penelusuran informasi, dihasilkan 6 dokumen tesis
Penelitian ini menggunakan vektor space yang sering dilihat, pada tahap selanjutnya
model yang merupakan salah satu metode penelitian ini mengambil dari enam dokumen tesis
informasi retrival yang bertujuan untuk sebagai semple pada penelitian kali ini.
mempermudah dalam proses temu kembali
informasi pada dokumen berbasis text digital, Information Retrieval System
penelitian ini pernah dilakukan oleh (Zain & Pengambilan informasi menunjukkan
Suswati, 2016) pada perpustakaan fakultas Teknik proses pencarian informasi yang diperlukan (Zhou,
universitas madurra menggunakan 3 data dan Liu, & Liu, 2012) Information retrieval (IR)
menghasilkan tiga rengking yang berbeda dari umumnya berkaitan dengan pencarian dan
query yang di input pada sebuah system, Penelitian pengambilan informasi berbasis pengetahuan
sebelumnya dilakukan oleh (Elektro et al., 2017) (Sharma & Patel, 2013) sistem information
perhitungan kemiripan dokumen menggunakan retrieval (IR). Salah satu penerapan prinsip
vector space model. Sistem secara otomatis akan relevansi yang sejak dahulu digunakan dalam
melakukan indexing secara offline dan temu pengembanngan sistem (Lestari, 2016)
kembali (retrieval) secara real time. Proses Information Retrieval System menemukan
retrieval dimulai dengan mengambil query dari informasi yang biasanya dalam bentuk dokumen
pengguna, kemudian sistem menghitung dari sebuah data yang tidak terstruktur dalam
kemiripan antara keyword dengan daftar bentuk teks untuk memenuhi kebutuhan informasi
dokumen yang diwakili oleh term-term di dalam dari koleksi data yang sangat besar umumnya
index. Dokumen akan ditampilkan diurutkan tersimpan dalam database computer (Amin &
berdasarkan dokumen yang paling mirip. Purwatiningtyas, 2015)
Penelitian sebelumnya mengenai sitem temu
kembali yang di lakukan oleh (Putung et al., 2016) Vector Space Model
yang menjelaskan pencarian informasi dokumen Model ruang vektor memberikan
skripsi. Terdapat dua proses utama dalam sistem sebuah kerangka pencocokan parsial Hal ini
temu kembali informasi yaitu indexing dan dicapai dengan menetapkan bobot non-biner
retrieval. Proses indexing adalah proses untuk untuk istilah indeks dalam query dan dokumen
memberikan bobot pada kata dalam dokumen, (Amin & Purwatiningtyas, 2015) Tidak hanya
metode pembobotan pada penelitian ini untuk pencarian teks, pencarian informasi juga
menggunakan metode pembobotan TF-IDF. dapat query elemen multimedia seperti
Prosesretrieval adalah proses untuk menghitung gambar,suara,(Yulianto, Budiharto, &
kemiripan query terhadap dokumen. Kartowisastro, 2017) metode ini melihat tingkat
Tujuan penelitian ini Untuk kedekatan atau kesamaan (smilarity) term dengan
mengimplementasikan retrieval system model cara pembobotan term. Dokumen dipandang
pada aplikasi Pengambilan informasi menjadi sebagi sebuah vektor yang memiliki magnitude
bidang penelitian yang penting dibidang ilmu (jarak) dan direction (arah). Pada Vector Space
komputer. Dalam makalah ini, peneliti mewakili Model, sebuah istilah direpresentasikan dengan
berbagai model dan teknik untuk pengambilan sebuah dimensi dari ruang vektor. Relevansi
informasi. menjelaskan metode pengindeksan sebuah dokumen ke sebuah query didasarkan pada
yang berbeda untuk mengurangi ruang pencarian similaritas diantara vektor dokumen dan vektor
dan teknik pencarian yang berbeda untuk query.(Zain & Suswati, 2016) dokumen dan query
mengambil informasi. Dari aplikasi direpresentasikan sebagai vektor dan sudut antara
keduanya.(V. K. Singh, Singh, Vishwavidyalaya,

Programmer, & Vishwavidyalaya, 2015) vektor

dihitung menggunakan fungsi cosinus kesamaan. Penelitian ini dilaksanakan dalam beberapa
Efektivitas VSM sebagian besar tergantung pada tahapan yang diilustrasikan pada Gambar 1. Data
istilah pembobotan yang diterapkan (Harcourt & yang diproses dalam sistem ini adalah koleksi
Japheth, 2016) memungkinkan hasil penghitungan dokumen digital dan query yang telah disiapkan
menjadi peringkat sesuai dengan ukuran sebelumnya.
kesamaan(J. N. Singh, 2012) Dokumen yang relevan adalah yang
paling dekat dengan query yang diberikan.
Dengan cara yang sama, dua dokumen akan
dianggap relevan jika mereka berada
diwilayah tetangganya satu sama
lain(R.K.Makhijani1, I.N.Bharambe2)
e. Membuat Ranking. Setelah menghitung nilai
cosinus lalu di buat perangkingan dari dokumen-
dokumen tersebut
Dokumen tesis yang sering dilihat menjadi sample
pada penelitian ini.
Sumber: (Afandi & Ardiansy, 2015) Contoh : Query (Q) = Kajian metode Naive Bayes
Gambar1. Ilustrasi Model Sistem Temu Kembali 1 (D1) = Kajian Penerapan Algoritma C45, Naive
Informasi Bayes Dan Neural Network Untuk Memenuhi
Penilaian Data Karyawan Service Level Agreement
Langkah metode vector space model Di Bank
2 (D2) = Alternatif Pemilihan Sepeda Motor
a. Menghitung bobot dokumen dengan tf-idf Idf Dengan Metode Analytic Hierarchy Process(Ahp):
=log(D/df) Studi Kasus Pada Masyarakat Purwokerto
b. Menghitung jarak tiap dokumen dan query 3 (D3) = Evaluasi Customer Knowledge
Sqrt (Q) = Sqrt ( ∑) Management Pada Situs E-Commerce
Sqrt (D) = Sqrt ( ∑𝑛𝑗 = 1 𝑄 2𝐽 ) 4 (D4) = Kajian Perbandingan Efektivitas
c. Menghitung Dot Product Sum pencarian lajur terpendek menggunakan
(Q * Di) = ( ∑𝑛𝑗 = D𝐽,2𝐽 ) algoritmatabu search ant colony optimization
5 (D5) = Knowledge Management System Pada
d. Menghitung Similaritas Cosine Ɵ Event Organizer Menggunakan Pendekatan
𝑄∗𝐷
Metode Specific Actions Berbasis Web-Mobile:
|𝑄| ∗ |𝐷| Studi Kasus Kampus Amik Bsi Pontianak
6 (D6) = Penerapan Metode Adaptive-Network-
Based Fuzzy Inference System (Anfis) Model
Sugeno Untuk Memprediksi Index Saham : Studi
Kasus Saham Lq45 Idx.
Tabel 1. Perhitungan tf (Term Frequency)

Token Q Dokumen DF Token Q Dokumen DF
1 2 3 4 5 6 1 2 3 4 5 6
Actiones 0 0 0 0 0 1 0 1 manage 0 0 0 1 0 1 0 2
Adaptive 0 0 0 0 0 0 1 1 masyarakat 0 0 1 0 0 0 0 1
Algoritma 0 1 0 0 1 0 0 2 prediksi 0 0 0 0 0 0 1 1
Alternatif 0 0 1 0 0 0 0 1 metode 1 0 1 0 0 1 1 3
Analytic 0 0 1 0 0 0 0 1 mobile 0 0 0 0 0 1 0 1
Banding 0 0 0 0 1 0 0 1 model 0 0 0 0 0 0 1 1
Based 0 0 0 0 0 0 1 1 motor 0 0 1 0 0 0 0 1
Bayes 1 1 0 0 0 0 0 1 naive 1 1 0 0 0 0 0 1
Cari 0 0 0 0 1 0 0 1 network 0 1 0 0 0 0 1 2
Colony 0 0 0 0 1 0 0 1 neural 0 1 0 0 0 0 0 1
Costomer 0 0 0 1 0 0 0 1 nilai 0 1 0 0 0 0 0 1
Data 0 1 0 0 0 0 0 1 optimization 0 0 0 0 1 0 0 1
Dekat 0 0 0 0 0 1 0 1 organizer 0 0 0 0 0 1 0 1
E-commers 0 0 0 1 0 0 0 1 pendek 0 0 0 0 1 0 0 1
Sumber: (Fauzi & Ginabila, 2019)

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
Table 2. Perhitungan Term Frequency - Inverse Document Frequency

Idf tf*idf
Log Q D1 D2 D3 D4 D5 D6
(D/df)
0.778 0 0 0 0 0 0.778 0
0.778 0 0 0 0 0 0 0.778
0.477 0 0.778 0 0 0.778 0 0
0.778 0 0 0.778 0 0 0 0
0.778 0 0 0.778 0 0 0 0
0.778 0 0 0 0 0.778 0 0
0.778 0 0 0 0 0 0 0.778
0.778 0.778 0.778 0 0 0 0 0
0.778 0 0 0 0 0.778 0 0
0.778 0 0 0 0 1 0 0
0.778 0 0 0 0.778 0 0 0
0.778 0 0.778 0 0 0 0 0
0.778 0 0 0 0 0 0.778 0
0.778 0 0 0 0.778 0 0 0
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)
Table 3. Perhitungan Jarak Q-D

Jara Q-D
Q D1 D2 D3 D4 D5 D6
0 0 0 0 0 0.605 0
0 0 0 0 0 0 0.605
0 0.605 0 0 0.605 0 0
0 0 0.605 0 0 0 0
0 0 0.605 0 0 0 0
0 0 0 0 0.605 0 0
0 0 0 0 0 0 0.605
0.605 0.605 0 0 0 0 0
0 0 0 0 0.605 0 0
0 0 0 0 1 0 0
0 0 0 0 0 0.605 0
0 0 0 0 0 0 0.605
0 0 0 0 0.605 0.605 0
2.422 6.660 7.871 3.027 7.660 9.082 8.099
SQRT (Q) SQRT (D)
1.556 2.580 2.805 1.739 2.767 3.013 2.845
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

Tabel 4. Perhitungan Dot Product

Dont Produk
Q*D1 Q*D2 Q*D3 Q*D4 Q*D5 Q*D6
0 0 0 0 0 0
0.366 0 0 0 0 0
0 0 0 0 0 0
0.366 0 0 0.366 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0.366 0 0 0.366 0.366
0 0 0 0 0 0
0.366 0 0 0 0 0
SUM (Q*D)
1.099 0.366 0 0.366 0.366 0.366
setelah mendapatkan nilai bobot TF-IDF dan jarak KESIMPULAN

antara dokumen dengan query (Q-D) selanjutnya
masing-masing kata, akan dihitung dot product Penelitian ini bekerja sangat signifikan
untuk melihatkan derajat kemiripan antar dengan mengambil informasi dari database
dokumen teks yang tersedia. Hasil dari yang besar cukup memakan waktu terutama
perhitungan dot product dapat dilihat pada table 4, jika informasi tersebut tidak terstruktur.
hasilnya akan mempengaruhi tingkat cosine
Banyak algoritma dan teknik telah
similarity.Perhitungan similaritas Langkah
selanjutnya adalah menghitung nilai Cosinus sudut dikembangkan di bidang penambangan data
antara vector query dengan tiap dokumen dengan dan pengambilan informasi namun
rumus mengambil data dari basis data besar terus
𝑄∗𝐷
Cosine ∅ Di = |𝑄|∗|𝐷| menjadi masalah. Dalam penelitian ini, kami
1,099961117 menggunakan model ruang vektor untuk
D1 = = 0,273856438 melakukan Proses pencarian yang sebelunya
1,556302501∗ 2,580835728
D2 =
0,366653706
= 0,083970428 harus menyertakan judul dokumen secara
1,556302501∗ 2,805664233
0 lengkap, setelah menerapkan konsep
D3 = = 0
1,556302501∗ 1,739999093
0,366653706
information retrival system, pencarian dapat
D4 = = 0,085119187 dilakukan dengan lebih cepat tepat dan
1,556302501∗ 2,767799316
D5 =
0,366653706
= 0,078172214 akurat, tanpa perlu melakukan pencarian
1,556302501∗ 3,013766834
0,366653706 judul dokumen secara terperinci, sistem akan
D6 = = 0,082781966 menyamakan keyword yang di masukan
1,556302501∗ 2,845943865
dengan dokumen yang tersimpan pada
Dari Analisa Vector Space Model diperoleh hasil aplikasi dengan mengambil informasi dari
untuk ketiga dokumen di atas adalah seperti table database Aplikasi ELS-NURI sebagai bahan uji
5 dibawah ini:
coba. Pertama, menghitung skor kemiripan
Tabel 5. Pembuatan Ranking menggunakan rata-rata tertimbang dari
PEMBUATAN RENGKING setiap item ukuran kosinus kemudian
Dokumen Nilai Rengking menghitung ukuran kemiripan dan untuk
D1 0,27385643 1 menentukan sudut antara vektor dokumen
D2 0,08397042 3 dan vektor query karena VSM didasarkan
D3 0 6 pada geometri di mana setiap istilah memiliki
D4 0,08511918 2 dimensi sendiri dalam ruang multi-dimensi,
D5 0,07817221 5 pertanyaan dan dokumen adalah titik atau
D6 0,082781966 4
vektor dalam ruang ini. Ukuran kosinus sering
digunakan. hal tersebut lebih memudahkan

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.
Lestari, N. P. (2016). Uji Recall and Precision

Sistem Temu Kembali Informasi OPAC
Perpustakaan ITS Surabaya SKRIPSI.
Universitas Airlangga, 1. Retrieved from
http://journal.unair.ac.id/LN@uji-recall-
and-precision-sistem-temu-kembali-
informasi-opac-perpustakaan-its-surabaya-
article-10825-media-136-category-8.html
Putung, K. D., Lumenta, A., Jacobus, A., Informatika,

T., Sam, U., & Manado, R. (2016). KUMPULAN
DOKUMEN SKRIPSI, 8(1).
Sharma, M., & Patel, R. (2013). A Survey on

Information Retrieval Models, Techniques
And Applications. International Journal of
Emerging Technology and Advanced
Engineering, 3(11), 542–545.
Singh, J. N. (2012). Analysis of Vector Space Model

in Information Retrieval, 14–18.

SERVER-SIDE PROCESSING TECHNIQUES FOR OPTIMIZING THE SPEED

OF PRESENTING BIG DATA
Heni Sulastri1; Alam Rahmatulloh2; Deri Kurnia Hidayat3
1,2,3ProgramStudi Informatika, Fakultas Teknik, Universitas Siliwangi

http://if.unsil.ac.id
1henisulastri@unsil.ac.id, 2alam@unsil.ac.id, 3deri.kurniahidayat@gmail.com
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Server-Side Processing Techniques…

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.
BAHAN DAN METODE
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
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
Sumber: (Sulastri et al., 2019)

Gambar 4. Client-side Processing
Gambar 4 merupakan alur client-side

processing, browser melakukan request semua data
ke web server yang terhubung ke database.
Sebelum ditampilkan semua data akan diload
terlebih dahulu oleh web browser, setelah data
permintaan di dapatkan barulah web server akan
mengirimkan data untuk ditampilkan di web
browser.
Dalam mode pemrosesan sisi client, pengurutan
data dalam tabel, penelusuran, paging, dan semua
operasi pemrosesan data lainnya dilakukan di web
browser. Ketika data yang diload oleh browser
Sumber: (Sulastri et al., 2019) berjumlah sedikit, waktu pemrosesan tidak akan
Gambar 2. Flowchart Alur Sistem memerlukan waktu yang lama tetapi ketika data
berjumlah sangat besar, proses load data akan
C. Implementasi Perbandingan Cliet Side memerlukan waktu yang sangat lama dan tidak
Processing dengan Server-side Processing efisien.
Gambar 3 merupakan tampilan antarmuka
dashboard yang digunakan untuk memilih

<div class=”table-responsive”> Penjelasan gambar 6 yakni,

<table id=”client” class=”table table-
bordered table-striped table-hover”>
$(‘#client’).DataTable(); adalah sintak untuk
mengkonversi tabel HTML ke dalam format
<thead> DataTables.
<tr>
<th>ID</th>
<script
<th>JOB</th>
src=”js/jquery.dataTables.min.js”></script>
<th>MARTIAL</th>
<script
<th>EDUCATION</th>
src=”js/dataTables.bootstrap.min.js”></script
</tr>
>
</thead>
<link href=”css/dataTables.bootstrap.min.css”
<tbody>
rel=”stylesheet”>
<?php
include “db/koneksi.php”; Sumber: (Sulastri et al., 2019)
$query = mysql_query(“SELECT id, job, Gambar 7. Contoh Sintaks Proses Pemanggilan Jquery
marital, education FROM bank”); DataTables
while ($row =
mysql_fetch_array($query)) {
?> Gambar 7 merupakan sintak untuk bisa
<tr> menggunakan DataTables dengan cara memanggil
<td><?=$row[‘id’];?></td> Plugin Jquery DataTables tersebut di direktori
<td><?=$row[‘job’];?></td>
<td><?=$row[‘marital’];?></td> penyimpanan, ataupun bisa memanggilnya dengan
<td><?=$row[‘education’];?></td cara online menggunakan server publik.
>
</tr>
<?php } ?>
2. Server-side Proceessing
</tbody> Pada tahap ini dijelaskan tahap pemrosesan
</table> DataTables menggunakan server-side processing.
</div>
Gambar 5. Contoh Sintaks Proses Penyajian Data Client-
side Processing
Penjelasan gambar 5 yakni, perintah <div
Gambar 8. Server-side Processing
class=”table-responsive”> digunakan agar tabel
yang dibuat menjadi responsive artinya tabel tidak
akan berantakan walaupun dibuka melalui device Gambar 8 merupakan alur server-side
lain seperti smartphone yang memiliki resolusi processing, ketika menggunakan pemrosesan sisi
layar yang lebih kecil. Perintah id=”client” adalah server, browser akan membuat permintaan Ajax
id tabel yang nantinya akan digunakan untuk baru ke server untuk setiap permintaan data yang
pemanggilan Jquery DataTables dengan diminta. Permintaan ini kemudian dikodekan ke
pemanggilan javascript, sementara sintak format JSON yang akan mengirimkan respon dari
class=”table table-bordered table-striped table- script DataTables AJAX. Sehingga permintaan load
hover” merupakan class tambahan dengan data akan terasa ringan dikarenakan data akan
menggunakan bootstrap, class ini juga berfungsi melakukan request perhalaman ketika akan di
untuk membuat baris tabel yang bergaya strip, efek tampilkan di web browser.
hover pada tabel pada row tabel pada saat cursor <div class="row">
mouse diletakan diatas row tabel. Perintah include <div class="col-lg-12 col-md-12 col-sm-12
“db/koneksi.php”; digunakan untuk col-xs-12">
mengkoneksikan ke database dan perintah $query <div class="table-responsive">
<table id="tes" class="table table-striped
= mysql_query(“SELECT id, job, marital, education table-bordered">
FROM bank”); pemanggilan data yang terdapat di <thead>
database untuk ditampilkan di web browser. <tr>
<th>ID</th>
<th>JOB</th>
<script> <th>MARTIAL</th>
$(function () { <th>EDUCATION</th>
$(document).ready( function () {
$(‘#client’).DataTable(); </tr>
} ); </thead>
</script> </table>
Sumber: (Sulastri et al., 2019) </div></div></div>
Gambar 6. Contoh Sintaks Proses Menampilkan Jquery Sumber: (Sulastri et al., 2019)
DataTables Client-side Processing Gambar 9. Contoh Sintaks Proses Penyajian Data Server-
side Processing.

Gambar 9 merupakan contoh sintak untuk art’]).”,”.mysql_real_escape_string($_GET[‘i

DisplayLength’]);
penyajian data server-side processing, sama seperti }
penyajian data client-side processing tabel ini Sumber: (Sulastri et al., 2019)
mempunyai id tabel yaitu id="tes" untuk Gambar 11. Sintak Pemrosesan Server-side Processing
pemanggilan DataTables. Seperti pada penjelasan
alur proses server-side processing pada gambar Gambar 11 merupakan script yang bertugas
11, DataTables akan melakukan pemintaan AJAX untuk menghandle server-side processing dimana
baru kepada server untuk pemanggilan data. terdapat perintah $aColumns = array( 'id', 'job',
'marital', 'balance', 'housing', 'loan','contact', 'day',
<script>
$(document).ready(function() { 'month' ); yang berfungsi untuk menampilkan
$('#tes').dataTable( { kolom pada tabel. Perintah $sIndexColumn = "id";
"bProcessing": true, digunakan sebagai pemanggilan primary key,
"bServerSide": true,
"sAjaxSource":
dalam database ini yang digunakan sebagai
"data.php", primary key adalah id. Perintah $sTable ="bank";
"aoColumns": [ digunakan sebagai pemanggilan tabel dari
null,null,null, database.Perintah
null,
] $gaSql['user']="root";,$gaSql['password']="";,$gaS
} ); ql['db']="bigdataset";,$gaSql['server']= "localhost";
} ); digunakan sebagai koneksi database, dalam data
</script>
ini database yang digunakan adalah bigdataset
Sumber: (Sulastri et al., 2019) sementara perintah echo json_encode( $output );
Gambar 10. Contoh Sintaks Proses Menampilkan Jquery
DataTables Server-side Processing
digunakan respon permintaan data untuk
ditampilkan dan perintah lainnya adalah perintah
bawaan yang disediakan DataTables untuk
Gambar 10 merupakan contoh sintak untuk pemrosesan dari sisi server.
mengkonversi tabel kedalam bentuk DataTables
dengan permintaan AJAX baru untuk pemrosesanD. Pengujian
sisi server. Pada sintak javascript diatas, request Pengujian dilakukan menggunakan tools JMeter
AJAX akan diarahkan ke file data.php yang bertugas
dengan cara membandingkan penyajian data
menghandle server-side procesing dan untuk
perintah null digunakan untuk menampilkan menggunakan client-side processing dengan server-
kolom yang diisikan data dari database. side processing berdasarkan size, kecepatan load
data dan Performance test. Percobaan dilakukan
<?php
//data kolom yang akan ditampilkan
secara fair, yaitu dengan menggunakan database
$aColums = yang sama sebanyak 50 kali.
array(‘id’,‘job’,‘material’,’education’,’hou
sing’,’loan’,’contact’,’day’,’month’);
Tabel 1. Pengujian Server dan Client-Side
//primary key Processing Menggunakan Tools JMeter
$sIndexColumn = “id”; Kecepatan (ms) Memory (bytes)
Pengujian
Server Client Server Client
//nama table database
1 679 65013 8610 2208377
$sTable = “bank”;
2 699 65062 8610 2207446
//informasi koneksi ke database 3 667 64286 8610 2208488
$gaSql[‘user’] = “root”; 4 608 64311 8610 2209227
$gaSql[‘password’] = “”; 5 588 64760 8610 2207872
$gaSql[‘db’] = “bigdataset”; 6 570 64967 8610 2207745
$gaSql[‘server’] = “localhost”; 7 632 64637 8610 2207479
8 533 64592 8610 2207155
$gaSql[‘link’] = 9 554 64590 8610 2207752
mysql_pconnect($gaSql[‘server’], 10 5151 64050 8610 2209042
$gaSql[‘user’], $gaSql[‘password’]) or die 11 476 64700 8610 2207816
(‘Could not open connection to server’_;
12 497 64155 8610 2208626
Mysql_select_db($gaSql[‘db’], 13 437 64559 8610 2207830
$gaSql[‘link’]) or die (‘Could not select 14 458 64240 8610 2207727
database ‘.$gaSql[‘db’]); 15 399 64138 8610 2207740
16 359 64523 8610 2208026
$sLimit = “”; 17 341 64222 8610 2208121
If (isset($_GET[‘iDisplayStart’]) && 18 303 64182 8610 2208025
$_GET[‘iDisplayLength’] != ‘-1’) 19 179 64021 8610 2207855
{ 20 324 64122 8610 2206916
$sLimit = “LIMIT 21 223 64266 8610 2208669
“.mysql_real_escape_string($_GET[‘iDisplaySt

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).

PENERAPAN MODEL WATERFALL PADA PENGEMBANGAN SISTEM

INFORMASI REKAM MEDIS KLINIK RAWAT INAP NAJA SHAFANA
PURWOKERTO
Eka Rahmawati1; Ragil Wijianto2
1,2 Ilmu Komputer
STMIK Nusa Mandiri

http://nusamandiri.ac.id
ekarahmawatiflash@gmail.com; ragil.rgw@nusamandiri.ac.id
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Model Waterfall…

bergerak sebagai fasilitas publik. Tempat mengumpulkan, mengolah, dan menyediakan

pelayanan kesehatan dapat didirikan oleh informasi. Selain itu sistem yang terkomputerisasi
pemerintah, swasta maupun perorangan seperti dapat meningkatkan kinerja dan menghemat
rumah sakit, puskesmas dan klinik kesehatan. waktu. Dari sistem yang sudah ada pada klinik
Semakin sadarnya masyarakat akan kesehatan Rawat Inap Naja Shafana, maka diperlukan
maka semakin banyak pula fasilitas pelayanan pengembangan sistem yang mengarah kepada
kesehatan yang didirikian. Untuk menyelaraskan komputerisasi.
standar pelayanannya maka pemerintah pun Penelitian sebelumnya juga telah
membuat standar tersendiri untuk sebuah tempat membahas mengenai sistem informasi pada
pelayanan kesehatan yang diatur dalam Peraturan instansi penyedia layanan kesehatan. Penelitian
Menteri Kesehatan. dengan judul “Prototipe Peningkatan Pelayanan
Pesatnya perkembangan teknologi Rawat Jalan Dengan Pengujian FGD Dan ISO 9126
membuat aktifitas manusia dapat dilakukan Pada Klinik Eka Anugerah” yang mengatasi
dengan mudah dan dengan waktu yang singkat. masalah diupayakan dengan menggunakan sistem
Salah satu teknologi yang membantu aktifitas komputerisasi pada pelayanan pasien(Pujiastuti,
manusia ialah komputer. Komputer merupakan 2015). Pada Analisis dan Perancangan Sistem
sebuah alat yang dianggap sebagai barometer Informasi Rekam Medis Pada Puskesmas Simpang
kemajuan teknologi, dengan inovasi-inovasinya Timbangan Indralaya disebutkan bahwa sistem
yang canggih sehingga dapat difungsikan utnuk informasi rekam medis yang terintegrasi
mempermudah pekerjaan manusia (Kurniadi & dibutuhkan pada puskesmas Simpang Timbangan
Mulyani, 2015). Dengan adanya komputer maka Indralaya sehingga dapat memperbaiki sistem
memicu pula sistem terkomputerisasi. yang lama(Sihotang, 2015). Penggunaan sistem
Sistem adalah satu kesatuan komponen yang terkomputerisasi untuk instansi penyedia layanan
membentuk interaksi satu sama lain dan kesehatan sangat penting untuk meningkatkan
untuk mencapai suatu tujuan (Sanjaya,2015). kinerja.
Komputerisasi adalah pemakaian komputer
sebagai alat bantu penyelesaian tugas sebagai BAHAN DAN METODE
pengganti penyelesaian pekerjaan
manual(Saifuddin & Handoko, 2018). Sistem Gambar1 menunjukan metode penelitian
terkomputerisasi merupakan sebuah sistem yang yang diusulkan. Metode dimulai dengan
melibatkan teknologi dalam pencapaian tujuan pengumpulan data. Data Collection dilakukan
sehingga sebuah aktifitas dapat dilaksanakan dengan observation, study literature, dan interview.
dengan efektif. Observation dilakukan dengan melakukan
Namun tidak semua aspek dapat pengamatan terhadap kegiatan yang berkaitan
mengikuti dengan cepat perkembangan teknologi. dengan rekam medis rawat jalan dan rawat inap.
Masih banyak instansi khususnya yang bergerak di Observasi dibutuhkan untuk mendapatkan data-
bidang pelayanan kesehatan masyarakat yang data yang diperlukan seperti data tentang Klinik
belum menggunakan sistem terkomputerisasi Pratama Rawat Inap Naja Shafana secara umum,
dalam menjalankan aktifitasnya. Seperti pada data dokter, data pasien, data obat dan data lain
Klinik Pratama Rawat Inap Naja Shafana yang yang berkaitan dengan rekam medis.
merupakan salah satu tempat pelayanan
kesehatan. Dari pendaftaran pasien hingga
pengambilan obat masih menggunakan sistem
yang belum terkomputerisasi. Input data
operasional harian masih ditulis pada lembaran
kertas yang tentu akan semakin bertambah
banyak setiap harinya. Data dan informasi pada
klinik akan terus bertambah sehingga tidak mudah
(Ernawati, 2017) jika pengolahan tidak
menggunakan sistem. Kemudian proses
pembuatan laporan harus melakukan rekapitulasi
tanpa sistem sehingga membutuhkan waktu.
Berkas yang terus meumpuk juga rentan terhadap
kerusakan dan akan mengalami kesulitan untuk
pencarian data pada jangka waktu tertentu.
Pada era teknologi, sistem yang Sumber: (Rahmawati, 2017)
terkomputerisasi diperlukan untuk memberikan Gambar1. Metode Penelitian
kemudahan. Sistem informasi digunakan untuk
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Model Waterfall …

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.
Penggunaan sistem terkomputerisasi

pada sebuah instansi bertujuan untuk menambah Browse Data Pasien
kelancaran dalam proses pengolahan data. Selain
itu sistem terkomputerisasi dapat mengurangi <<extend>>
permasalahan yang berkaitan dengan hilang atau Tambah

rusaknya data dan meminimalisir kesalahan
dalam pengolahan data. Berikut spesifikasi <<extend>>
<<include>>
kebutuhan (system requirement) dari sistem <<extend>>

Tampilkan Form
Pasien
informasi rekam medis:
A1. Petugas administrasi dapat mengelola data <<include>>
pasien.
A2. Kepala Klinik dapat mengelola data paramedis. Edit
A3. Kepala Klinik, admin rawat jalan dapat <<extend>>

mengelola data pelayanan. Hapus
A4. Apoteker dapat mengelola data obat. <<extend>>
A5. Kepala Klinik, admin rawat jalan dapat

mengelola data rumahsakit rujukan.
A6. Kepala Klinik, admin rawat jalan dapat
Simpan
mengelola data poli.
A7. Kepala Klinik, admin rawat inap dapat
mengelola data kamar.
A8. Kepala Klinik, admin rawat inap dapat Riwayat Pasien
mengelola data disposable.
A9. Kepala Klinik, admin rawat inap dapat
Sumber: (Rahmawati, 2017)
mengelola data tindakan. Gambar 2. Use Case Diagram Mengelola Data
A10. Kepala Klinik, admin IGD dapat mengelola
Pasien
data IGD.
A11. Petugas Administrasi dapat mengelola data
pendaftaran. Gambar2 menunjukan seluruh aktivitas
yang dilakukan pada klinik. Keseluruhan aktivitas

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
Pre-conditions Admin telah login <<extend>>
Post-conditions Data pasien tersimpan, ter- Tambah

update, dan terhapus
<<include>>
Failed end conditions Gagal menyimpan, meng- <<extend>>
Tampilkan Form
update, dan menghapus IGD
Primary Actors Administrator <<extend>>
<<include>>
Main Flow / Basic Path 1. Admin melihat data

pasien Edit
2. Admin menambah data

pasien
3. Admin menyimpan data <<extend>>
pasien Hapus
pasien
Invariant B 2b. Admin menghapus data
pasien
Sumber: Rahmawati (2017) Simpan

Browse Data Gambar 4. Detail Use Case Diagram Mengelola Data
Paramedis
<<extend>> IGD
Tambah
<<include>>
Tabel 3. Deskripsi Use Case Diagram Mengelola
<<extend>>
Tampilkan Form Data IGD

Paramedis
<<extend>>
Usecase Name Mengelola Data IGD
<<include>>
Requirements A10
Edit Goal Admin dapat menambah,
mengedit dan menghapus
data IGD
<<extend>>
Pre-conditions Admin telah login
Hapus
Post-conditions Data IGD tersimpan, ter-
update, dan terhapus
Failed end conditions Gagal menyimpan, meng-
update, dan menghapus
Simpan Primary Actors Administrator
Main Flow / Basic Path 1. Admin melihat data
Sumber: (Rahmawati, 2017) IGD
Gambar 3. Detail Use Case Diagram Mengelola Data 2. Admin menambah
Paramedis data IGD
3. Admin menyimpan
Tabel 2 Deskripsi Use Case Diagram Mengelola data IGD
Data Paramedis
IGD
Usecase Name Mengelola Data Paramedis
Requirements A2 Invariant B 2b. Admin menghapus
Goal Admin dapat menambah, data IGD
mengedit dan menghapus Sumber: Rahmawati (2017)
data Paramedis
Pre-conditions Admin telah login
Post-conditions Data Paramedis tersimpan,
ter-update, dan terhapus
Failed end conditions Gagal menyimpan, meng-
update, dan menghapus
Primary Actors Administrator

Melihat Data
Paramedis
Menampilkan data
paramedis
Input Data
Paramedis
Edit Data
Paramedis
Pilih Tombol Simpan Data

Simpan Paramedis

Gambar 5. Deployment Diagram
Menampilkan Keyword Menampilkan Hasil
Pencarian Pencarian
Pilih Data
Paramedis
Melihat Data
Pasien
Edit
Pilih Tindakan
Menampilkan data pasien Hapus

Menampilkan Dialog
Konfirmasi Hapus
Input Data
Pasien Pilih Jawaban
Edit Data Ya
Pasien Hapus Data
Paramedis
Tidak
PilihTombolS Simpan Data

impan Pasien
Sumber: Rahmawati (2017)
Gambar 7. Activity Diagram Mengelola Data
Paramedis
Menampilkan Keyword Menampilkan Hasil

Pencarian Pencarian
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
Pilih Data Pasien

Resep_id
Resep_idrawat
Paramedik_id
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

Daftarrj_id Sks_bb
Daftarrj_tgl Sks_tb
Daftarrj_jam Sks_goldar
Pasien_id Sks_keperluan
Gambar 6. Activity Diagram Mengelola Data Pasien

Kamar_id
Pelayanan_id Sks_keterangan
Kamar_kelas
Kamar_nama Paramedik_id
Kamar_status
.4.2 Activity Diagram Mengelola Data Paramedis Rim_id

Rj_id
Rim_iddokter
Kamar_id
Rim_tglmasuk
Lab_id
Rim_id Daftarrj_id
Rim_tglperiksa Lab_pemeriksaan
Rim_anamnesia Rj_id Lab_biaya
Rim_diagnosa Daftarrj_id Lab_petugas
Rim_therapy Rj_idpasien Pelayanan_id
Rj_usia Pelayanan_nama
Rj_bb Pelayanan_keterangan
Rik_id Rj_tensi
Rim_id Rj_anamnesia
Rik_tglkeluar Rj_diagnosa
Rik_jmlhari Rj_therapy
Rik_jmlbiaya Rj_iddokter

Gambar 8.Logical Record Structure Sistem Rekam
Medis
LRS menggambarkan adanya relasi antar tabel

akibat adanya relasi antara himpunan entitas.
Setiap tabel yang terdapat pada database memiliki

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.

Gambar 9.Form UGD Sumber: (Rahmawati, 2017)
Gambar 12.Form Pendaftaran Rawat Jalan
Gambar 9 merupakan tampilan dari form UGD.
Form tersebut dapat diakses oleh dokter umum Gambar 12 menunjukan form pendaftaran rawat
atau admin UGD saat ada pasien masuk ke UGD. jalan. Form tersebut dapat diakses oleh admin
Form juga difungsikan untuk input data pasien rawat jalan untuk input data pasien yang akan
yang masuk beserta tindakan yang dilakukan berobat di klinik.
terhadap pasien.
C. Code
Private Sub no_otomatis()

Dim judul, x As String
Dim no As Integer
Call koneksinya
judul = "DFT"
ttgl = Format(Date, "DD/MM/YYYY")
thariini = Format(Date, "ddmmyy")
rsdaftarrj.Open "select*from daftarrj where
mid(daftarrj_id,4,6)='" & thariini & "' order by
daftarrj_id asc", konek
Text1.Text = thariini
With rsdaftarrj
Sumber: (Rahmawati, 2017) If .EOF Then
Gambar 10.Form Data Pasien tid = judul + Format(Date, "ddmmyy") + "001"
Else
Gambar 10 merupakan tampilan dari form data .MoveLast
x = Mid(!daftarrj_id, 10, 3)
pasien. Form tersebut berfungsi untuk
no = x + 1
menambahkan data pasien baru. Form dapat tid = judul + Format(Date, "ddmmyy") +
diakses oleh bagian administrasi. Right("000" & no, 3)
End If
End With
End Sub
Private Sub tidpasien_KeyPress(KeyAscii As Integer)

KeyAscii = Asc(UCase(Chr(KeyAscii)))
Call koneksinya
If KeyAscii = 13 Then
rspasien.Open "SELECT * FROM pasien where
pasien_id ='" & tidpasien & "'", konek
With rspasien
If .BOF And .EOF Then
Sumber: (Rahmawati, 2017) MsgBox tidpasien + " Tidak Ada ", vbInformation,
Gambar 11.Form Data Paramedis "PENCARIAN"
tidpasien.SetFocus

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
End If 1 Mengosongan Id Pasien: Sistem akan Sesuai Valid

'Else semua isian kosong menolak Harapan
'tidpasien.SetFocus data lalu Pelayanan: akses simpan
'End If langsung klik kosong dan
'End If tombol simpan menampilkan
ttgllahir = .Fields("pasien_tgllahir") pesan “Id
'menghitung usia Pasien Tidak
Boleh
Dim tgl1 As Date Kosong”
Dim tgl2 As Date 2 Hanya mengisi Id Pasien: Sistem akan Sesuai Valid
tgl1 = Right(ttgllahir.Text, 4) data idpasien E001 menolak Harapan
tgl2 = Right(ttgl.Caption, 4) dan Pelayanan: akses simpan
tusia = tgl2 - tgl1 mengosongkan kosong dan
data pelayanan menampilkan
Status = .Fields("pasien_status") lalu langsung pesan
rsdaftarbiaya.Open "select*from daftarbiaya mengklik “Pelayanan
where bd_statuspasien='" & Status & "'", konek tombol simpan Tidak Boleh
If Not rsdaftarbiaya.EOF Then Kosong”
tbiaya.Visible = True 3 Menginputkan Id Pasien: Sistem Sesuai Valid
lbiaya = rsdaftarbiaya!bd_biayarawatjalan data yang E001 menerima Harapan
lbiaya2 = rsdaftarbiaya!bd_biayarawatjalan benar lalu (benar) akses simpan
tbiaya = "Rp " + lbiaya mengklik Pelayanan: dan data
lbbiaya.Visible = True tombol simpan Poli berhasil
tbiaya.Enabled = False Umum disimpan
cbpelayanan.SetFocus (benar)
End If
'If .Fields("pasien_status") = "Umum" Then
'tbiaya.Visible = True Tabel 4 menunjukan bahwa pada form login tidak
'tbiaya.Text = "Rp 10.000,00" ada kesalahan fungsi dari sistem informasi. Uji
'lbiaya = 10000 coba yang dilakukan menunjukan bahwa setiap
'lbbiaya.Visible = True form yang ada sudah sesuai dengan kebutuhan
'tbiaya.Enabled = False
pengguna.
'cbpelayanan.SetFocus
'End If
KESIMPULAN
tnama.Enabled = False
talamat.Enabled = False Prosedur rekam medis pada Klinik Naja
tjenis.Enabled = False Shafana belum terkomputerisasi. Penggunaan
tusia.Enabled = False program rekam medis dapat mempercepat proses
pengolahan data. Pengolahan data meliputi proses
cmdedit.Enabled = False input data, penyimpanan data, pencarian data,
cmdsimpan.Enabled = True
pengubahan data dan penghapusan data.
cmdbatal.Enabled = True
cmdhapus.Enabled = False Pencetakan kartu kontrol dan riwayat penyakit
End If pasien dapat dilakukan dengan mudah dan
End With mengurangi resiko kesalahan penulisan. Untuk
End If mendapatkan daftar riwayat penyakit tidak perlu
End Sub mencari di dalam arsip.

Penggunaan sistem yang terkomputerisasi

dapat mengurangi redudansi dan kesalahan
pencatatan. Laporan transaksi maupun file master
dapat diperoleh dengan mudah dan cepat serta
dicetak kapan saja. Data dapat diarsipkan dalam
bentuk soft file dan cetak, sehingga mengurangi
resiko hilang atau rusaknya data. Pengarsipan
dalam bentuk soft file juga mempermudah
pengguna dalam mencari data.
Evaluasi lanjutan diperlukan untuk
mengetahui kinerja sistem secara keseluruhan
dengan menggunakan kuisioner dari pengguna
sistem informasi. Pengembangan software juga
diperlukan agar dapat membantu meningkatkan
kinerja sistem sesuai dengan kebutuhan. Pelatihan
kepada seluruh pengguna ekosistem diperlukan
untuk penerapan sistem baru.
REFERENSI
Ernawati, S. (2017). IMPLEMENTASI MODEL

WATERFALL PADA SISTEM INFORMASI
PEREKAMAN DATA MEDIS PASIEN RAWAT
JALAN (STUDI KASUS : UPTD PUSKESMAS
SEMPLAK BOGOR). Jurnal Techno Nusa
Mandiri, 14(2), 125–130.
https://doi.org/10.33480/TECHNO.V14I2.5
29
Hidayat, R., Marlina, S., & Utami, L. D. (2017).

Perancangan Sistem Informasi Penjualan
Barang Handmade Berbasis Website Dengan
Metode Waterfall, 175–183.
Kurniadi, D., & Mulyani, A. (2015). Prototipe

perangkat lunak sistem kendali peralatan
elektronik berbasis komputer. Jurnal
Wawasan Ilmiah.
Pujiastuti, E. (2015). Prototipe Peningkatan

Pelayanan Rawat Jalan Dengan Pengujian
FGD Dan ISO 9126 Pada Klinik Eka
Anugerah. IJSE-Indonesian Journal on
Software Engineering, 1(1), 62–69.
Saifuddin, & Handoko. (2018). PEMANFAATAN

DATABASE MYSQL UNTUK PROSES
KOMPUTERISASI PEMINJAMAN DAN
PENEMBALIAN ALAT LABORATORIUM DI
SMK BINAWIYATA SRAGEN. Jurnal IT CIDA,
2(1), 67–73.
Sihotang, F. P. (2015). Analisis dan Perancangan

Sistem Informasi Rekam Medis Pada
Puskesmas Simpang Timbangan Indralaya,
1(2), 149–163.

TEKNIK RESPONSIVE WEB DESIGN (RWD) SERTA PENERAPANNYA

DALAM RANCANG BANGUN LAYOUT WEB
Miftah Faroq Santoso

Program Studi Magister Ilmu Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri
http://www.nusamandiri.ac.id
miftah_fs@yahoo.com
Abstract— Technology development make menerapkan konsep Responsive Web Design

influences the way to access the internet, which (RWD), agar layout web dapat beradaptasi
generally uses Desktop and Notebook computers, terhadap ukuran layar. Teknik desain web
giving to other alternatives, namely accessing the responsif dapat dilakukan dengan beberapa cara,
internet using Tablets and Smartphones. The diantaranya dapat menggunakan teknik manual
problem is that the majority of web layout designs dengan menggunakan Media Query CSS dan
cannot adjust the layout size automatically for these pengimplementasian Framework CSS seperti
devices, because the resolution size of each device is Bootstrap CSS. Hasil pengujian didapatkan
different. To overcome the existing problems, we implementasi layout web responsif dengan
need a responsive web design method and technique menggunakan Bootstrap sangat efektif dan efisien,
in order to produce web layouts that can adjust the karena desainer web hanya memerlukan library
size of screen resolution automatically. The method utama dari Bootstrap, yang kemudian dipadukan
used by applying the concept of Responsive Web dengan memodifikasi sesuai dengan keinginan
Design (RWD), so that web layouts can adapt to pengguna.
screen size. Responsive web design techniques can
be done in several ways, including using manual Kata Kunci: responsif, web, css, framework.
techniques using CSS Media Query and
implementing CSS Frameworks such as Bootstrap PENDAHULUAN
CSS. The test results showed that the
implementation of responsive web layouts using Pada era modern sekarang ini
Bootstrap was very effective and efficient, because perkembangan dalam mendesain sebuah website
web designers only needed the main library from begitu cepat dan pesat mengalami perubahan.
Bootstrap, which was then combined by modifying Mulai dari mendesain layout dengan hanya
according to the wishes of the user. menggunakan tabel, hingga saat ini menggunakan
CSS (Cascading Style Sheet) yang berfungsi sebagai
Keywords: responsive, web, css, framework penghias sekaligus pengatur gaya tampilan layout
supaya dapat terlihat menarik dan elegan. Tahun
Intisari—Perkembagan teknologi ikut 2007 perusahaan Apple memperkenal ponsel
mempengaruhi cara mengakses internet yang pada pintar (smartphone) iPhone, yang merupakan
umumnya menggunakan komputer Desktop tonggak sejarah baru, mereka memberikan
maupun Notebook, memunculkan alternatif lain pengalaman baru bagi pengguna internet
yaitu mengakses internet dengan menggunakan bagaimana berselancar didunia maya dengan cara
Tablet dan Smartphone. Yang menjadi kendala yang berbeda, yaitu dengan menggunakan
adalah mayoritas desain layout web tidak dapat smartphone dengan ukuran layar yang tidak lebih
menyesuaikan ukuran layout secara otomatis dari 5 inci.
terhadap perangkat tersebut, dikarenakan ukuran Mengakses halaman web melalui perangkat
resolusi setiap perangkat berbeda. Untuk mobile akan berbeda secara tampilan, jika
mengatasi permasalahan yang ada, diperlukan dibandingkan pada saat mengakses halaman web
sebuah metode dan teknik desain web responsif dengan menggunakan komputer Desktop dan
agar dapat menghasilkan layout web yang dapat Notebook, karena jenis perangkat tersebut
menyesuaikan ukuran resolusi layar secara memiliki resolusi ukuran yang berbeda. Ukuran
otomatis. Metode yang digunakan dengan resolusi pada layar Desktop, Notebook dan Tablet
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Teknik Responsive Web….

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.
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Teknik Responsive Web ….

E. Penarikan kesimpulan <meta name=”viewport” content=”width=device-

width”>
Hasil pengujian kemudian dianalisis untuk
mendapatkan rumusan beberapa kesimpulan
yang dapat diambil dari penelitian. Terdapat tiga konsep yang sangat penting di
dalam teknik penggunaaan responsif web,
3. Perancangan Desain diantaranya: a) Media Query dan Resolusi Layar
b) Fluid Grid Layout c) Flexible Images dan Media
Di dalam penelitian ini pembuatan layout (Baturay & Birtane, 2013).
web menggunakan teknik dan konsep Responsive
Web Design. Dalam menggunakan teknik B. Media Query CSS
responsive web, caranya sangat bervariasi Media Query sangat erat kaitannya dengan
diantaranya dengan menggunakan teknik manual resolusi layar dan merupakan salah satu
seperti Media Query CSS atau dengan komponen utama dari desain responsif, karena
menggunakan CSS Framework seperti Bootstrap memungkinkan desainer web menargetkan style
dan Foundation. CSS secara spesifik berdasarkan ukuran piranti.
A. Responsive Web Design (RWD) Jadi desainer web memiliki kontrol penuh
Terminologi Responsive Web Design (RWD), terhadap CSS yang memungkinkan mendesain
kali pertama dipekernalkan oleh Ethan Marcotte satu layout website untuk digunakan dibeberapa
ditahun 2010, di dalam artikel webnya yang platform sekaligus (Winarno & Zaki, 2015).
berjudul ”A book apart” (M. SOEKARNO PUTRA, Terdapat beberapa tipe query salah satu
2017). Responsif desain web memungkinkan diantaranya adalah: width | min-width | max-
pengguna berselancar di internet dengan width, perintah query ini memungkinkan
menggunakan berbagai perangkat (multi device) menargetkan style pada width dari viewport
seperti smartphone, tablet atau laptop selain browser, juga dapat menargetkan width minimum
komputer desktop. Karena desainya yang dapat dan maksimum. Untuk sintaks penulisan media
menyesuaikan serta dapat beradaptasi dengan query, akan terlihat seperti berikut ini:
berbagai ukuran layar, maka dikenal juga dengan @media only screen and (min-width:768px) and
istilah fluid design, elastic layout, rubber layout, (max-width:1023px){
liquid design, adaptive layout, cross-device design, /* style yang akan diisikan*/
dan flexible design (Bryant & Jones, 2012).
}
Viewport merupakan salah satu fungsi paling
penting yang terdapat pada desain responsif,
viewport digunakan untuk menset ukuran layar C. Bootstrap Twitter ( CSS Framework)
sesuai dengan piranti yang sedang digunakan Fluid Grid Layout atau layout relatif konsep
(Winarno & Zaki, 2015). Ukuran akan disesuaikan responsive web design dengan menjaga ukuran
dengan ukuran layar, artinya pengungjung akan lebar (width) agar tetap relatif terhadap viewport,
men-zoom konten untuk melihat lebih detail. hal ini berdampak pada layout yang
Berikut ini tampilan viewport pada browser, akan memungkinkan untuk beradapatasi serta
terlihat seperti gambar 1 dibawah ini: menyesuaikan terhadap ukuran layar (Zakir,
2016). Prinsip desain fluid adalah: 1) Jangan
menggunakan height yang tetap (fix). 2) Jangan
menggunakan scrollbar horizontal. 3) Pikirkan
bagaimana agar media, seperti gambar dapat
tampil sepenuhnya diberbagai perangkat. Teknik
fluid ini merupakan teknik yang juga digunakan
oleh CSS Framework Bootstrap dan Foundation
untuk penerapanya di dalam desain layout web
responsif.
Bootstrap Twitter merupakan kerangka front-
end yang berfungsi untuk mengembangkan
responsif web layout agar lebih cepat dan mudah
digunakan (Zakir, 2016). Bootstrap kali pertama
Sumber: (Santoso, 2019) diperkenalkan oleh dua orang karyawan Twitter
Gambar1. Width dan Height dari Viewport
yaitu Mark Otto dan Jacob Thornton, hal ini juga
yang membuat framework CSS Bootstrap lebih
Untuk sintaks penulisan meta tag name viewport, cepat dikenal. Dengan menggunakan konsep grid
seperti berikut ini: system, sehingga didalam penggunaannya mudah

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
Tabel 2. Spesifikasi Bootstrap Grid System

Extra Small Small Medium Large Extra Large
<576px ≥576px ≥768px ≥992px ≥1200px
Max container None (auto) 540px 720px 960px 1140px
width
Class prefix .col- .col-sm- .col-md- .col-lg- .col-xl-
# of columns 12
Gutter width 30px (15px on each
side of column)
Nestable Yes
Column ordering Yes
(Santoso, 2019)
Struktur templete yang Bootstrap telah sediakan, <link rel="stylesheet"

href="https://stackpath.bootstrapcdn.com/bootstr
sintaksnya akan terlihat sebagai berikut: ap/4.2.1/css/bootstrap.min.css"
integrity="sha384-
<!doctype html> GJzZqFGwb1QTTN6wy59ffF1BuGJpLSa9DkKMp0DgiMDm4iYM
<html lang="en">
j70gZWKYbI706tWS" crossorigin="anonymous"> 2
<head>

<title>Hello, world!</title>
<meta charset="utf-8">
</head>
<meta name="viewport"
<body>
content="width=device-width, initial-scale=1,
<h1>Hello, world!</h1>
shrink-to-fit=no"> 1

 

<script dan ponsel. Selanjutnya menjelaskan alur

src="https://code.jquery.com/jquery-
3.3.1.slim.min.js" integrity="sha384-
pemrograman dibelakang layar bagaimana CSS
q8i/X+965DzO0rT7abK41JStQIAqVgRVzpbzo5smXKp4YfRv bekerja membuat layout dapat menyesuaikan
H+8abtTE1Pi6jizo" ukuran layar.
crossorigin="anonymous"></script> 3 Adapun yang perlu diperhatikan disaat
<script melakukan wireframing, diantaranya: a)
src="https://cdnjs.cloudflare.com/ajax/libs/popp
er.js/1.14.6/umd/popper.min.js"
Menentukan grid untuk setiap layout. b)
integrity="sha384- Menyiapkan file yang berkaitan dengan Bootstrap.
wHAiFfRlMFy6i5SRaxvfOCifBUQy1xHdJ/yoi7FRNXMRBu5W c) Perancangan desain layout untuk setiap
HdZYu1hA6ZOblgut" perangkat d) Pengujian layout.
crossorigin="anonymous"></script> 4 Berikut rancangan tampilan pada desktop
<script
src="https://stackpath.bootstrapcdn.com/bootstra
dengan melakukan teknik wireframing terlebih
p/4.2.1/js/bootstrap.min.js" integrity="sha384- dahulu, akan terlihat pada gambar dibawah 3 ini:
B0UglyR+jN6CkvvICOB2joaf5I4l3gm9GU6Hc1og6Ls7i6U/
mkkaduKaBhlAXv9k"
crossorigin="anonymous"></script> 5
</body>
</html>
Penjelasan pada skrip diatas dibaris dengan

label angka 1 menjelaskan bahwa, meta tag name
viewport memerintahkan kepada browser untuk
menampilkan layar sesuai dengan perangkat,
lebih tepatnya browser dapat beradaptasi secara
otomatis, kemudian shrinkt-to-fit=no, yang
berfungsi bahwa layout web tidak bisa diperbesar
(zoom) dengan melakukan pinch atau ketuk pada
layar, karena fitur dimatikan. Pada label dengan
angka 2, menjelaskan lokasi file bootstrap.css,
label dengan angka 3 sumber lokasi file jquery.js,
label dengan angka 4 popper.js dan label dengan Sumber: (Santoso, 2019)
angka 5 merupakan bootstrap.js plugin. File Gambar 3. Rancangan tampilan Desktop
jquery.js, popper.js dan bootstrap.js merupakan
file yang berfungsi menjalankan fitur-fitur Desain layout tersebut yang akan tampil pada
Bootstrap seperti navigasi, slider, dropdown agar ukuran layar sedang (default) yang dapat
layout lebih terlihat interaktif. menyesuikan ukuran perangkat seperti tablet dan
ponsel, untuk tampilan tablet akan terlihat pada
D. Desain Model gambar 4 dibawah ini:
Desain mengacu kepada struktur standar
sebuah website yang terdiri atas beberapa bagian,
seperti header, navigasi, content, sidebar dan
footer.
1. Research/ Scoping
Penelitian ini dillakukan dengan melakukan
pengamatan pada layout web yang belum
menerapkan teknik layout responsif. Perancangan
desain responsif ini bertujuan agar layout
tradisional dapat mengakomodir dan
menyesuaikan disegala perangkat baik ponsel
(Hidayat, Utomo, & Djohan, n.d.), tablet dan
desktop dengan menggunakan Framework CSS
Bootstrap versi 4 (empat).
2. Wireframing
Pada tahapan wireframing, mulai
mendifinisikan serta melakukan perancangan
terhadap pengaturan tata letak layout terhadap
lebar layar (Hidayat et al., n.d.). Secara umum Sumber: (Santoso, 2019)
layout akan didesain mengikuti ukuran layar Gambar 4. Rancangan tampilan Tablet
sedang (default) yaitu dekstop, kemudian tablet

Disini hasil tampilan layout jika dibuka pada

piranti seperti tablet, maka menu akan menyusut
digantikan dengan simbol 3 bar, atau lebih
dikenal dengan sebutan hamburger icon.
Hal ini akan terlihat sangat berbeda pada saat
layout diakses pada layar dengan ukuran lebih
kecil seperti ponsel. Layout akan ditampilkan
secara keseluruhan menjadi satu kolom, jika
layout semula terdapat dua kolom, disaat mode
ponsel layout akan disatukan hanya satu kolom.
Untuk tampilannya akan terlihat seperti pada
gambar 5 dibawah ini:
Sumber: (Santoso, 2019)

Gambar 5. Rancangan tampilan Ponsel
Pada bagian ini akan dijelaskan seputar

implementasi model dan pengujian.
A. Implementasi Model
Hasil dari perancangan desain layout web
responsif dapat dilihat secara online di
https://www.kursusbuatweb.com/rwd dan dapat
Gambar 6. Layout Web dengan Bootstrap CSS
diakses pada perangkat desktop, tablet dan ponsel.
Terdapat bagian navigasi, bagian konten terdiri
B. Pengujian
dari slider, beberapa baris gambar, panel pada sisi
Pada bagian pengujian dipaper ini akan
kiri dan google maps, serta video pada bagian
diperlihatkan hasil implementasi berupa tampilan
konten bawah, sebelum footer. Layout secara
layout yang mengimplementasikan Bootstrap CSS
otomatis beradaptasi terhadap layar pengguna,
Framework. Untuk simulasi dan ujicoba
karena menggunakan CSS Framework Bootstrap.
digunakan tools pendukung seperti perambahan
Hal ini tentunya membuat pengguna merasa
(browser) Mozilla dan Chrome. Simulasi pada
nyaman, disisi lain layout Bootstrap sangat user
browser akan terlihat seperti pada gambar 7
friendly, warna tidak terlalu kontras dan tidak
dibawah ini:
mencolok. Grid system yang dimiliki oleh
Bootstrap membuat blok-blok div yang digunakan
dalam membangun layout, akan terus beradaptasi
sesuai dengan ukuran yakni 12 grid, secara
keseluruhan dan grid tersebut dapat berjalan aktif
pada saat class prefix Bootstrap berada pada
breakpoint yang sudah ditetapkan.
Implementasi layout yang menggunakan
Bootstrap Framework secara menyeluruh akan
terlihat seperti pada gambar 6 berikut:

Gambar 7. Fitur Responsive Design Mode pada Mozilla

Untuk hasil ujicoba pada perangkat desktop

atau laptop akan terlihat pada gambar 8 dibawah
ini:

Gambar 10. Tampilan pada layar Ponsel
Pada gambar tersebut diatas terlihat bahwa

browser Mozilla sedang menjalankan fitur
responsive mode. Dengan adanya fitur tambahan
tersebut, dapat menampilkan secara langsung
saat dilakukan simulasi terhadap tampilan web
responsif dibeberapa perangkat sekaligus.
Sedangkan tampilan yang akan terlihat pada
ponsel, akan terlihat pada gambar dibawah 11 ini:

Gambar 8. Tampilan pada layar Desktop atau Laptop
Tampilan pada tablet, pada bagian (section)

menu akan menyusut dan digantikan dengan ikon
humberger icon tiga baris bar horizontal. Akan
terlihat pada gambar dibawah 9 ini:

Gambar 11. Perbandingan Tampilan pada layar Ponsel
dan Desktop
Terlihat perbandingan yang cukup signifikan

antara layout tampilan desktop dan ponsel, namun
secara estetika, layout akan tetap terjaga, serta
dapat beradaptasi terhadap ukuran perangkat
Sumber: (Santoso, 2019) secara otomatis.
Gambar 9. Tampilan pada layar Tablet Hasil ujicoba dilakukan secara langsung
dengan menggunakan perangkat ponsel Lenovo
Sedangkan tampilan yang akan terlihat pada dengan OS Android, akan terlihat pada gambar 12
ponsel, akan terlihat pada gambar 10 dibawah ini: dibawah ini:

sedikit memperlambat pada saat dilakukan proses

render halaman.
KESIMPULAN
Hasil implementasi merancang layout web

responsif selain dengan menggunakan cara manual
seperti penggunaan media query pada CSS, hal ini
dapat dilakukan dengan menggunakan CSS
Framework seperti Bootstrap. Dengan teknik grid
system yang menerapkan 12 kolom pada ukuran
layar, hal ini mempengaruhi cara layout
menyajikan tampilan sesuai dengan ukuran
perangkat, karena layout secara otomatis
beradaptasi terhadap ukuran layar. Tanpa
Gambar 12. Tampilan pada layar Ponsel#2
mengesampingkan fungsi dan tetap
mengedepankan tampilan serta fitur terlihat
Dengan dilakukannya ujicoba dapat dilihat
sangat elegan dan intuitif.
bahwa dengan menggunakan Bootstrap CSS
Framework hasilnya layout dapat berjalan dan
REFERENSI
bekerja secara otomatis menyesuaikan ukuran
layar sesuai dengan perangkat yang digunakan.
Anugerah, S. (2013). Pemodelan Responsive Web
Hal ini dipengaruhi oleh media query dan
Menggunakan Foundation Framework Dalam
viewport. Dalam implementasinya Bootstrap
Pengembangan Perangkat Lunak,
menggunakan Grid System, yang terdiri dari 12
2013(semnasIF), 230–236.
kolom. Jika layout sedang dibuka pada layar
Baturay, M. H., & Birtane, M. (2013). Responsive
ukuran ponsel, maka layout akan ditampilkan 1
Web Design: A New Type of Design for Web-
kolom. Perlu diketahui pada saat membuat layout
based Instructional Content. Procedia - Social
web responsif, scroll horizontal sangat dihindari,
and Behavioral Sciences, 106, 2275–2279.
karena akan mengganggu pengguna disaat
https://doi.org/10.1016/j.sbspro.2013.12.25
melakukan akses pada web tersebut dan
9
meninggalkan kesan serta pengalaman (user
Bryant, J., & Jones, M. (2012). Responsive Web
experience) yang tidak menyenangkan. Halaman
Design. Pro HTML5 Performance.
web hanya menerapkan scroll vertical pada bar
https://doi.org/10.1007/978-1-4302-4525-
sisi sebelah kanan.
4_4
Beberapa keuntungan pada saat menerapkan
layout web responsif, diantaranya: 1) Dapat
Hidayat, A., Utomo, V. G., & Djohan, H. A. (n.d.).
diakses secara mudah oleh pengguna, karena
PENERAPAN RESPONSIVE WEB DESIGN
layout dapat menyesuaikan dibeberapa perangkat
DALAM PERANCANGAN SISTEM MODUL
(multi device) sekaligus. 2) Dapat menampilkan
ONLINE ADAPTIF, 44–48.
dan memunculkan bagian tertentu secara berbeda
pada perangkat. 3) Tidak memerlukan zoom,
M. SOEKARNO PUTRA. (2017). Perancangan
karena teks dapat terlihat dengan jelas. 4) Mudah
Desain Website Digital Library Universitas
dalam bernavigasi. 5) Efisien dan efektif, karena
Bina Darma Dengan Menerapkan Responsive
pengembang tidak harus membuat web dibanyak
Web Design. Jurnal INFORMANIKA, 3(1), 29–
perangkat secara terpisah.
33.
Adapun jika dilihat dari sisi kerugian dalam
penerapan layout responsif ini, diantaranya: 1)
Winarno, E., & Zaki, A. (2015). Desain Web
Screen reader yang digunakan untuk
Responsif dengan HTML5 dan CSS3. PT Elex
menterjemahkan tulisan pada web, akan
Media Komputindo.
mengalami sedikit kendala. 2) Tidak semua
browser support dengan CSS 3 seperti Internet
Zakir, A. (2016). Rancang Bangun Responsive Web
Explorer, namun cara ini dapat disiasati dengan
Layout Dengan Menggunakan Bootstrap
menggunakan JavaScript. 3) Dilihat dari sisi
Framework. InfoTekJar (Jurnal Nasional
performance, dengan menggunakan fitur layout
Informatika Dan Teknologi Jaringan), 1(1), 7–
responsif, gambar dengan ukuran yang besar akan
10.
https://doi.org/10.30743/infotekjar.v1i1.31

PERANCANGAN SISTEM INFORMASI BOOKING PEREKAMAN E-KTP

(SI MBOK) BERBASIS WEB
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Perancangan Sistem Informasi …

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

karawang. Dari permasalah yang didapat, SIMbok dapat dilihat melalui

selanjutnya penulis mendefinisikan serta http:/wap.koleksiapp.com.
mengimplementasikan dalam bentuk sebuah
sistem informasi Booking perekamanan E-KTP.
Desain
Pada tahapan ini penulis membuat Desain 1. Analisa Kebutuhan Perangkat Lunak
perancangan program yang dimulai dari Berikut adalah kebutuhan pengguna :
pembuatan struktur data, ERD, LRS sehingga a. Kebutuhan Penduduk
dapat mempermudah dalam implementasi sistem 1) Dapat melakukan daftar pembuatan akun
informasi Booking perekaman E-KTP. 2) Dapat melihat daftar tempat perekaman
3) Dapat mengisi form pendaftaran antrian
Code Generation perekaman E-KTP
Tahap ini penulis menjabarkan kebutuhan 4) Dapat melakukan edit data pendaftaran
sistem informasi Booking perekaman E-KTP 5) Akses login dan logout
menggunakan bahasa pemograman seperti php, b. Kebutuhan Admin
HTML, CSS, yang kemudian dibuatkan sebuah 1) Dapat melihat grafik pendaftaran
framework menggunakan CodeIgniter 3.1.6. 2) Dapat menyetujui atau menolak
permohonan pendaftar
Pengujian 3) Dapat mengelola data antrian pendaftaran
Pada tahap ini penulis menguji hasil 4) Dapat mengelola data tempat perekaman,
implementasi sistem yang sudah dibuat dengan kecamatan, pekerjaan, dan agama
cara menguji setiap interface yang ada pada sistem 5) Dapat mencetak data dalam format xls dan
informasi Booking perekaman E-KTP. Pengujian csv
tersebut menggunakan pengujian web. 6) Akses login dan logout
Pengujian web stress testing, yang berfokus
untuk memvalidasi kinerja sistem yang diuji 2. Desain Perangkat Lunak
ketika sedang dibawah tekanan, dan volume Untuk memberikan gambaran yang jelas
tekanan yang berada diluar antisipasi sistem, tentang website yang dibangun dibutuhkan
pengujian ini berguna untuk mengetahui apakah rancangan sistem informasi, rancangan
sistem akan gagal berdasarkan indikator database, serta rancangan antar muka untuk
benchmark yang diuji (Gea, 2014). memudahkan dalam proses implementasi
sistem. Berikut adalah rancangan pada website
Support ini:
Aplikasi berbasis web akan berjalan
sesuai dengan harapan, tentunya memerlukan a. Rancangan Sistem
media pendukung. Berjalannya sebuah web tidak Rancangan sistem informasi yang kami buat
terlepas dari Hosting (server) dan Domain (nama menggunakan Use Case Diagram yang dibuat
web). Disisi lain kecepatan dari sebuah server sesuai dengan kebutuhan sistem.
merupakan point utama dalam menguji kualitas
dari sebuah Web, server sendiri dibagi menjadi
beberapa jenis Shared Hosting, VPS Hosting, dan
Dedicated Hosting. Namun, dalam program Si
Mbok kita hanya membutuhkan Shared Hosting
dimana beban Resource dan Storage yang
dibutuhkan program ini tidak terlalu besar, tetapi
yang harus diperhatikan yaitu pembelian lokasi
server. Jika, target utama dari web adalah
Indonesia disarankan untuk memilih lokasi server
dari Singapura karena response dari server
Singapura sangat cepat jika diakses dari Indonesia. Sumber : Basri, Alfarizi, Mulyawan dkk (2019)
Untuk storage disarankan untuk menggunakan Gambar 1. Use Case Diagram
SSD baik itu yang 10GB atau Unlimited. Selain itu
kita harus mengarahkan domain kita ke server Gambar 1 menjelaskan pengguna yakni
dengan menggunakan Name Server yang penduduk dan admin berinteraksi dengan
diberikan penyedia hosting atau melalui DNS dari sistem dengan melakukan beberapa aktivitas
sebuah Hosting. Untuk URL Demo dari Website sesuai dengan kebutuhan pengguna dan admin

yang telah dianalisa agar sistem tersebut 2) LRS

berjalan dengan tepat dan efektif.
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
Sumber : Basri, Alfarizi, Mulyawan dkk (2019)

Gambar 3. Logical Record Structure
Gambar 2 merupakan representasi basis data

sistem informasi booking perekaman E-KTP
sehingga memudahkan sistem untuk mencari data,
menghapus, dan mengupdate data.
c. Rancangan Antarmuka Perangkat

Adapun tampilan sistem informasi booking
perekaman e-ktp sebagai berikut :
1) Halaman Login
Sumber: Basri, Alfarizi, Mulyawan dkk (2019)

Gambar 2. Entity Relationship Diagram
Pada gambar 2 terdapat sejumlah tabel tabel

yang saling memiliki relasi antara yang satu
dengan yang lainnya. Tabel pendaftaran memiliki Sumber : Basri, Alfarizi, Mulyawan dkk (2019)
keterkaitan dengan semua tabel, hal ini Gambar 4. Form Login
dikarenakan tabel pendaftaran memiliki satu
atribut primary key dan enam atribut foreign key Untuk mengakses website ini, baik admin dan
yang berhubungan dengan atribut primary key penduduk diharuskan untuk Login terlebih
tabel lain agar menghindari pengulangan data. dahulu. Admin mengaksesnya dengan mengisi
ID dan password yang telah ditentukan.
Sedangkan untuk penduduk harus daftar akun
terlebih dahulu dengan meng-klik tulisan
Daftar, penduduk akan dialihkan ke form
pendaftaran akun, apabila berhasil, maka NIK

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>
3) Halaman Antarmuka Admin <body>

<div class="login-wrap">
<img src="<?php echo
base_url().'assets/gambar/logo.png'?>">
<h2>Selamat Datang</h2>
<div class="flash-login" data-
flashdata="<?php echo $this->session-
>flashdata('cek') ?>"></div>
<div class="flash-register" data-
>flashdata('register') ?>"></div>
<div class="flash-berhasil" data-
>flashdata('berhasil') ?>"></div>
<div class="flash-out" data-
Sumber : Basri, Alfarizi, Mulyawan dkk (2019) >flashdata('out') ?>"></div>
Gambar 6. Halaman Antarmuka Admin <div class="form">
<form action="<?php
Setelah mengisi ID dan password dengan echo base_url().'login/register'?>"
benar, Admin akan dialihkan pada laman method="post" class="register-form">
dashboard Admin yang menunjukkan grafik <input
serta perhitungan pendaftar dalam satu tahun. type="text" placeholder="NIK/ID Min 16"
Admin akan melihat siapa saja pendaftar yang name="nik" required />
sudah mengirim permohonan dan menyeleksi <input
permohonan tersebut sebelum menyetujuinya type="text" placeholder="Username"
dan memberikan nomor antrian proses name="username" required />

<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

Chip type : Intel(R) HD Graphics Dahmiri, D. (2016). PENGARUH KUALITAS

Family PELAYANAN TERHADAP KEPUASAN
Display Memory : 1664 MB MASYARAKAT PADA DINAS
Dedicated Memory : 32 MB KEPENDUDUKAN DAN PENCATATAN SIPIL
Shared Memory : 1632 MB KABUPATEN SAROLANGUN | Jurnal
Current Mode : 1366 x 768 (32 bit) Manajemen Terapan dan Keuangan. Jurnal
(60Hz) Manajemen Terapan Dan Keuangan, 5(3),
Monitor Name : Generic PnP Monitor 176–185. Retrieved from https://online-
Monitor Model : X163WL journal.unja.ac.id/mankeu/article/view/360
3) Perangkat Lainnya 5
Mouse : Optik USB
Koneksi :Internet dengan Febriharini, Mahmuda, P. (2016). Pelaksanaan
kecepatan 2,68 Mbps Program e KTP Dalam Rangka Tertib
b. Software yang digunakan Administrasi Kependudukan Latar Belakang,
Operating System : Windows 10 Home 64- 17–30.
bit
Script Language : PHP, HTML, CSS, Fefkhiatin, A., Purwoko, & Astrika, L. (2013).
Javascript Jurnal ilmu pemerintahan. Ilmu
Framework : CodeIgniter 3.1.6 Pemerintahan, 2(3), 1–15.
Web Server : APACHE
Web Browser : Google Chrome Fitriani, I. (2017). EVALUASI KEBIJAKAN E-KTP
Database : MySQL DALAM MEWUJUDKAN KOTA
c. Requirement Hosting ADMINISTRASI JAKARTA SELATAN.
Storage : 10GB Renaissance, 2(01), 115–124.
RAM : 1GB
Bandwith : Unlimited Gea, D. (2014). PENGUJIAN KUALITAS WEBSITE
Domain : Unlimited DITINJAU DARI PERSPEKTIF ACCESSIBILITY
Database : Unlimited , EXPERIENCE , MARKETING DAN
Location : USA/SG TECHNOLOGY. ComTech, 5(9), 35–45.
Secure : SSL Certificates
Gunawan, & Imam. (2013). Metode Penelitian
Kualitatif. Jakarta: PT. Bumi Aksara.
KESIMPULAN
Hermawan, W., Hakim, D. B., & Hutagaol, M. P.
Kesimpulan pada penelitian ini adalah penduduk (2016). Analisis Kepuasan Masyarakat
dapat lebih mudah dalam pengajuan perekaman terhadap Kualitas Pelayanan dalam
E-KTP, penduduk yang akan mengajukan Pendaftaran Tanah Pertama kali Pada Kantor
perekaman E-KTP cukup mendaftarkan diri Pertanahan Kabupaten Bogor. Jurnal Ilmu
melalui web, kemudian mengupload semua Keluarga Dan Konsumen, 9(1), 65–75.
dokumen yang dibutuhkan dalam pengajuan https://doi.org/10.24156/jikk.2015.9.1.65
perekaman E-KTP. Setelah penduduk mengajukan
perekaman E-KTP, maka admin atau petugas akan Mustafa, W. (2015). Kinerja Aparat Kantor Camat
melihat data pengajuan yang masuk kemudian Memberikan Pelayanan Administrasi Kepada
petugas mengecek kelengkapan dokumen, apabila Masyarakat Di Kecamatan Blangpidie Aceh
dokumen sudah sesuai admin atau petugas Barat Daya, 3(1), 40–53.
melakukan acc pengajuan yang ada pada sistem,
akan tetapi sebaliknya apabila penduduk tidak Nurfaizal, Y., & Berlilana. (2013). Importance
memenuhi syarat dokumen yang ditentukan maka Performance Analisys pada Kantor
admin atau petugas akan melakukan penolakan Kecamatan Purwokerto Utara Kabupaten
pengajuan. Banyumas (Studi Kasus : Pelayanan E-KTP),
6(1), 58–69.
REFERENSI Rezha, F., Rochmah, S., & Siswidiyanto. (2013).

Analisis Pengaruh Kualitas Pelayanan Publik
Basri, H., Jeni, A., & Jamilah, J. (2016). Rancang Terhadap Kepuasan Masyarakat (Studi
Bangun Program Aplikasi Administrasi tentang Pelayanan Perekaman Kartu Tanda
Rawat. PROSIDING SNIPTEK 2016, 236–241. Penduduk Elektronik (e-KTP) di Kota
Depok). Administrasi Publik, 1(5), 981–990.

Sartini, U., Minarsih, M. M., & Wulan, H. S. (2016).

FAKTOR-FAKTOR YANG MEMPENGARUHI
KEPUASAN MASYARAKAT DALAM
PENGURUSAN KARTU IDENTITAS
PENDUDUK (KTP-EL) DAN DOKUMEN
KEPENDUDUKAN DI KANTOR DINAS
KEPENDUDUKAN DAN PENCATATAN SIPIL
KOTA SEMARANG. Journal of Management,
2(2), 110. Retrieved from
http://jurnal.unpand.ac.id/index.php/MS/ar
ticle/view/504
Sukamto, R. A., & Shalahuddin, M. (2014).

Rekayasa Perangkat Lunak Terstruktur dan
Berbasis Objek. Bandung: Informatika.

SISTEM INFORMASI GEOGRAFIS PEMETAAN BENCANA ALAM KOTA

BREBES MENGGUNAKAN METODE EXTREME PROGRAMMING
Warjiyono1; Sopian Aji2; Tri Indah Permesti3
Sistem Informasi Akuntansi1, Sistem Informasi3

Universitas Bina Sarana Informatika1,3
www.bsi.ac.id 1,3
warjiyono.wrj@bsi.ac.id 1, triindahpermesti23@gmail.com3
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Sistem Informasi Geografis ...

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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Sistem Informasi Geografis …

informasi, data laporan kejadian bencana yang

masih menggunakan papan pengumuman
kebutuhan akan sistem informasi, sehingga
mempermudah dalam melakukan tahapan
selanjutnya
2. Studi Literatur
Peneliti melakukan pencarian referensi dari
website, jurnal, artikel, skripsi untuk
mengetahui teori pendukung penelitian dan
penelitian-penelitian terdahulu yang pernah
dilakukan. Teori tersebut yaitu Sistem
Informasi Geografis (SIG) atau Geografis
Information System (GIS), metode
pengembangan sistem yaitu Extreme
Programming, penelitian-penelitian terdahulu
yang terkait dengan penelitian ini.
3. Pengumpulan Data
Peneliti melakukan observasi di PUSDALOPS
BPBD (Badan Penanggulangan Bencana
Daerah) Kabupaten Brebes. Peneliti
mengumpulkan data untuk sekaligus
pengambilan data terkait Data Profil Instansi,
Data Laporan Bencana, Data Peta Daerah
Bencana Kabupaten Brebes dan data lainnya
yang diberlukan untuk sistem ini. Sumber : (Pressman, 2010)
4. Metode Extreme Programming (XP) Gambar 2. Proses Extreme Programming
Tahapan pengembangan sistem XP ini
menggunakan 4 (empat) kegiatan atau tahapan Adapun tahapan pembangunan aplikasi sistem
yaitu planning, design, coding dan testing informasi geografis pemetaan bencana alam
hingga perangkat lunak di rilis. Kabupaten Brebes, yaitu :
5. Kesimpulan dan Saran 1. Planning (Perencanaan)
Tahap terakhir adalah menyimpulkan, Tahapan ini mengidentifikasi permasalahan
menyarankan dan rekomendasi hasil penelitian yang terjadi sekaligus menganalisa kebutuhan
ini untuk BPBD(Badan Penanggulan Bencana sistem dari pengguna sehingga keluaran sistem
Daerah) Kabupaten Brebes. yang dibangun benar-benar memenuhi
kebutuhan pengguna dengan fitur-fitur utama
Extreme Programming dan fungsionalitasnya.
Extreme Programming merupakan 2. Design (Perancangan)
metodologi pengembangan perangkat lunak yang Tahapan ini membuat pemodelan sistem,
cukup fleksibel untuk mendukung beberapa iterasi pemodelan basis data untuk menggambarkan
teknologi dan menghasilkan prototipe pada waktu hubungan antar data. Pemodelan sistem yang
yang tepat (Fruhling, Tyser, & Vreede, 2005). digunakan yaitu Unified Modelling Language
Extreme Programming (XP) merupakan (UML) sedangkan pemodelan basis data
metodologi pengembangan perangkat lunak yang menggunakan Entity Relationship Diagram
lebih sederhana dan flesibel. Disebut fleksibel (ERD) dan Logical Record Structure (LRS).
karena perubahan-perubahan yang kemungkinan 3. Coding (Pengkodean)
akan terjadi selama pengembangan perangkat Tahapan ini adalah implementasi dari
lunak dapat dilakukan, walaupun terjadi pada perancangan model sistem yang dibuat
tahap akhir pengembangan sistem. kedalam kode program. Bahasa pemrograman
Extreme Programming memerlukan tim yang dipakai adalah PHP, HTML, Javascript dan
yang kecil sampai menengah, mampu menangani CSS. Untuk implementasi basis data,
perubahan kebutuhan sistem yang tidak jelas atau menggunakan Database Management System
perubahan yang sangat cepat (Supriyatna, 2018). yaitu MySQL.
Extreme Programming merupakan pendekatan 4. Test (Pengujian)
berorientasi objek yang mencakup 4 (empat) Tahapan ini melakukan pengujian pada fitur
kegiatan yaitu perencanaa, desain, pengkodean dan dan fungsionalitas dari keseluruhan sistem oleh
pengujian (Pressman, 2010). pengguna sistem dengan menggunakan
pengujian blackbox testing untuk menguji

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
Sistem menyediakan login, berita, Masyarakat/Admin Sistem

komentar, pengaduan online serta maps. Peneliti
juga membutuhkan perangkat keras dan perangkat
lunak untuk menunjang dalam Mulai
menimplementasikan sistem ini. Memasukan user

name
Desain
Memasukkan memv alidasi username
Use Case Diagram sistem informasi mengenail Password dan password
BPBD(Badan Penanggulan Bencana Daerah)

Kabupaten Brebes . valid?
Ya
uc Use Case Model
Memv alidasi Menu

Utama
Melakukan Login
Tanya Jaw ab
Menu Utama Menu Utama

Masyarakat Admin
Mengela Daerah
Bencana
Melihat Berita Mengola Aduan

Daerah Bencana Masyarakat
Input Aduan
Mengola Artikel
Selesai
Masyarakat
Admin
Melihat Artikel
Mengenail Bencana
Sumber: (Warjiyono et al., 2018)

Mengolah Galeri
Gambar 4. Activity Diagram Login Masyarakat dan

Mengolah Laporan
Bencana Admin
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
sesuai dengan akun yang telah diberikan. Untuk

Sumber: (Warjiyono et al., 2018) mendapatkan akun khususnya masyarakat maka
Gambar 3. Use case BPBD Kabupaten Brebes masyarakat diminta untuk mendaftar terlebih dulu.
Gambar 3 menjelaskan tentang

penggunaan website BPBD (Badan Penanggulan
Bencana Daerah) Kabupaten Brebes yang memiliki

act ActRuangAduan
Masyarakat/Admin Sistem
Gambar 6 menjelaskan Activity Diagram
pada Halaman Admin yaitu pada menu aduan
Masyarakat, Admin dapat melihat semua aduan
Mulai
Memilih Menu Aduan Melaporkan data

Aduan dari Masyarakat
yang diberikan dari Masyarakat. Pada saat
memproses aduan maka Tim BPBD (Badan
Melakukan input detail Menampilkan Form Input Penanggulan Bencana Daerah) akan menelusuri
aduan atau laporan yang diberikan dengan
Aduan Aduan
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
Menampilkan Data pengunjung web, selain merubah kalimat

Aduan
Selesai menentukan titik koordinat pada map sehingga
informasi sesuai dengan titik map yang dituju.
Gambar 5. Activity Diagram Aduan Masyarakat
Gambar 5 menjelaskan pada saat

masyarakat ingin memerikan aduan kepada tim
masyarakat diminta untuk memiliki akun, sehingga
pada saat melaporkan adun diminta untuk login
terlebih dahulu. Pada halaman utama masyakat
memilih menu Aduan kemudian sistem akan
menampilkan form aduan yang nantinya akan
diinput sesuai dengan aduan dari masyarakat
berikan. Setelah melakukan penyimpanan aduan
dapat diubah kembali atau dihapus.
act ActRuangOlahAduanAdmin
Admin Sistem

Gambar 7. LRS (Logical Record Structure) pada
Mulai
database
Memilih Aduan Menampilkan Seluruh
Masyarakat Aduan Masyarakat
Gambar 7 menjelaskan LRS (Logical Record
Structure) pada database website Sistem informasi
Memproses Data Aduan Menampilkan detail
Aduan Masyarakat Kabupaten Brebes. Yang terdiri dari 6 table yang
saling ber-relasi antara tabel satu dengan yang
lainnya.
Merubah Aduan
Coding
Hapus Aduan Posting Aduan
Sistem informasi geografis pemetaan bencana alam

Memproses Penympanan
Kabupaten Brebes berbasis website ini, dibuat
dengan menggunakan bahasa pemrograman PHP,
HTML, Javascript dan CSS serta database
Menampilkan Data menggunakan MySQL.
Berikut ini tampilan User Interface atau antar
Aduan
Selesai
muka aplikasi Penanggulangan Bencana Daerah

Kabupaten Brebes yang yang telah dibuat.
Gambar 6. Activity Diagram Halaman Admin
1. User Interface Halaman Admin
Memproses Aduan Masyarakat

Pada gambar 9 merupakan pengaturan

titik-titik rawan bencana pada peta, informasi
bencana didapat dari Tim BPBD(Badan
Penanggulan Bencana Daerah) maupaun dari
aduan masyarakat Kabupaten Brebes. Tentunya
pada saat menerima aduan masyarakat maka Tim
BPBD akan mensurvei kebenaran berita tersebut.
Dan jika pemberitaan benar maka admin akan
memposting pemberitanya dengan mengolah
informasi yang lebih baik dan disertakan titik
koordinat pada map sehinggan informasi mudah
dilacak keberadaannya.
3. User Interface Halaman Pengunjung

Gambar 8. Tampilan Halaman Admin
Pada gambar 8 menunjukan sebuah

halaman admin untuk mengolah data mulai dari
informasi mengenai bencana atau penanggulanan
bencana, artikel-artikel seputar bencana, mengolah
data aduan dari masyarakat, foto atau dokumentasi
baik pada saat evakuasi bencana atau daerah yang
rawan dengan bencana, menggambarkan statistik
bencana khususnya di Kabupaten Brebes sampai
dengan memberikan titik-titik daerah rawan
bencana pada peta sehingga secara visual akan
jelas terlihat oleh pengguna.
2. User Interface Titik Bencana

Gambar 10. Halaman Pengunjung
Pada Gambar 10 adalah halaman

pengunjung untuk memberikan informasi kepada
masyarakat. Informasi yang disampaikan pada web
masyarakat atau pengunjung ini adalah informasi
mengenai berita tentang bencana atau
penanggulangan bencana baik dalam informasi
berita atau artikel, foto atau dokumentasi, titik-titik
rawan bencana pada peta, selain itu juga
masyarakat bisa mengadukan atau
menginformasikan daerah yang rawan akan
bencana.
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
BPBD(Badan Penanggulan Bencana Daerah) Ningtyas, B. A. (2015). Pengaruh Pengetahuan

dengan adanya pemberitaan secara online kepada Kebencanaan Terhadap Sikap Kesiapsiagaan
masyarakat sehingga masyarakat dapat membaca Warga Dalam Menghadapi Bencana Tanah
informasi yang disampaikan. Informasi yang Longsor Di Desa Sridadi Kecamatan Sirampog
disampaikan adalah sebagai berikut dapat Kabupaten Brebes Tahun 2014. Universitas
menampilkan perkiraan Cuaca, peringatan- Negeri Semarang.
peringatan titik yang rawan bencana,
penanggulangan atau penanganan evakuasi Nuryanto, H. D. (2016). Sistem Informasi Bencana.
bencana di Kabupaten Brebes. Retrieved January 18, 2018, from
Selain itu masyarakat pun berperan andil https://republika.co.id/berita/koran/opini-
disini dimana masyarakat bisa melakukan aduan koran/16/12/09/ohwuc815-sistem-
yang bertujuan untuk membantu BPBD (Badan informasi-bencana
Penanggulan Bencana Daerah) dalam
mengumpukan informasi sehingga Tim BPBD bisa Pressman, R. S. (2010). Software Engineering : A
bergerak cepat mengambil tidakan atau keputusan Practitioner’s Approach (Seventh Ed). New
dalam penanganan bencana. Dengan adanya York: MCGraw-Hill.
sistem 2 arah yaitu hak akses masyarakat dan hak
akses admin, sehingga informasi yang diberikan Raharjo, B. S. (2009). Kerentanan Medan Terhadap
data akan segera ter-update dan tepat sasaran Longsoran di Kecamatan Banjarharjo
sesuai dengan informasi yang diberikan. Kabupaten Brebes. Universitas Negeri
Perlunya penelitian lanjut untuk menguji Semarang.
kualitas , menguji penerimaan sistem kepada user
sebagai informasi dan masukan guna Riyanto, M. A. (2017, October). Musim Hujan
pengembangan sistem selanjutnya. Datang, Brebes Utara Rawan Banjir, Brebes
Selatan Rawan Longsor. Tribunnews.Com.
REFERENSI Retrieved from
http://jateng.tribunnews.com/2017/10/09/
Brebes, P. K. (2018). Profil Daerah Kabupaten musim-hujan-datang-brebes-utara-rawan-
Brebes. Retrieved January 11, 2019, from banjir-brebes-selatan-rawan-longsor
http://www.brebeskab.go.id/index.php/prof
il-daerah/sejarah Sasongko, A. (2016). Sistem Informasi Geografis
Berbasis Web Untuk Pemetaan Jalan dan
Eldita, B. R. (2018). Aplikasi Sistem Informasi Bangunan (Studi Kasus : Bidang Tata Ruang
Geografis Objek Wisata Berbasis Mobile Dinas Pekerjaan Umum Kabupaten Kubu
Android Pada Dinak Kepemudaan, Olahraga Raya). Jurnal Khatulistiwa Informatika, 4(1),
dan Pariwisata (Bidang Pariwisata) Kota 1–12.
Metro. Universitas Lampung.
Sinambela, L. P., Rochadi, S., Ghazali, R., Muksin, A.,
Farhi, Z. (2012). Tingkat Kerentanan dan Indeks Setiabudi, D., Bima, D., & Syaifudin. (2010).
Kesiapsiagaan Masyarakat Terhadap Bencana Reformasi Pelayanan Publik : Teori, Kebijakan
Tanah Longsor di Kecamatan Bantarkawung dan Implementasi (Cetakan ke). Jakarta: Bumi
Kabupaten Brebes. Majalah Geografi Aksara.
Indonesia, 26(1), 80–97.
Supriyatna, A. (2018). Metode Extreme
Fruhling, A., Tyser, K., & Vreede, G. De. (2005). Programming Pada Pembangunan Web
Experiences with Extreme Programming in Aplikasi Seleksi Peserta Pelatihan Kerja.
Telehealth : Developing and Implementing a Jurnal Teknik Informatika, 11(1), 1–18.

Tayubi, K. (2018). Delapan Jenis Bencana

Mengancam Wilayah Brebes. Retrieved
January 11, 2018, from
https://nusantara.medcom.id/jawa-
tengah/peristiwa-jateng/0Kvq1eYk-delapan-
jenis-bencana-mengancam-wilayah-brebes
Undang-Undang Republik Indonesia No. 25 Tahun

2009 Tentang Pelayanan Publik. (n.d.).
Warjiyono, W., Aji, S., & Permesti, T. I. (2018).

Laporan Penelitian Dosen Yayasan. Jakarta.

IMPLEMENTASI ALGORITMA APRIORI TERHADAP DATA PENJUALAN

PADA PERUSAHAAN RETAIL
Jordy Lasmana Putra1; Mugi Raharjo2; Tommi Alfian Armawan Sandi3; Ridwan4; Rizal Prasetyo5;
1Program
Studi Magister Ilmu Komputer
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).
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Implementasi Algoritma Apriori…

Padahal dari kumpulan data tersebut memiliki BAHAN DAN METODE

banyak informasi yang sangat bermanfaat untuk Data Mining (CRISP-DM)
dapat dimanfaatkan, salah satunya untuk Berikut ini adalah penjelasan mengenai
mengetahui pola pembelian barang konsumen. enam tahap Siklus hidup proyek data mining
Berdasarkan latar belakang diatas penulis menurut Cross-Industry Standart Proses for Data
merumuskan masalah yang akan dibahas di dalam Mining(CRISP-DM)yang dikembangkan tahun
penelitian ini, antara lain sebagai berikut : 1996 terbagi dalam 6 fase (Kusrini & Luthfi,
1. Bagaimana menerapkan algoritma apriori 2009).
untuk menentukan pola pembelian barang
konsumen?
2. Bagaimana menerapkan algoritma apriori
untuk mengetahui barang apa saja yang sering
dibeli?
Data mining merupakan proses analisa data
untuk menemukan suatu pola dari kumpulan data
Tersebut (Gunadi & Sensuse, 2016). Data mining
mampu menganalisa dan mengolah sekumpulan Sumber : (Nursanti & Vydia, 2013)
data menjadi sebuah informasi yang dapat Gambar 1. Proses Data Mining menurut CRISP-DM
menentukan pola-pola yang dapat menunjang
sebuah keputusan. Berikut ini merupakan penjelasan dari
Ada beberapa algoritma pada data mining gambar di atas :
yang dapat kita gunakan untuk memprediksikan 1. Fase Pemahaman Bisnis (Business
suatu hasil dari pengolahan sekumpulan data. Understanding Phase)
Salah satunya adalah dengan menggunakan a. Penentuan tujuan proyek dan kebutuhan
algoritma apriori. secara detail dalam lingkup bisnis atau
Analisis Apriori didefenisikan suatu proses unit penelitian secara keseluruhan.
untuk menemukan semua aturan apriori yang b. Menerjemahkan tujuan dan batasan
memenuhi syarat minimum untuk support dan menjadi formula dari permasalahan data
syarat minimum untuk (Gunadi & Sensuse, 2016). mining.
Algoritma apriori biasa digunakan dalam mencari c. Menyiapkan strategi awal untuk mencapai
sebuah pola pembelian suatu barang dari tujuan.
sekumpulan data. 2. Fase pemahaman data (Data Understanding
Ditambah dengan metode market basket Phase)
analysis, kita dapat mengetahui dan memprediksi a. Mengumpulkan data.
pola pembelian konsumen, ketika konsumen b. Menggunakan analisis penyelidikan data
membeli barang A, dimungkinkan untuk membeli untuk mengenali lebih lanjut data dan
barang B dengan dilihat dari prosentase pencarian pengetahuan awal.
kedekatan antara barang A dan barang B. Data c. Mengevaluasi kualitas data.
yang digunakan dalam penelitian ini merupakan d. Jika diinginkan, pilih sebagian kecil group
data repository yang bersumber dari data yang mungkin mengundang pola dari
https://www.kaggle.com. permasalahan.
Dengan adanya penelitian ini diharapkaan
dapat meningkatkan omset perusahaan, karena 3. Fase pengolahan data (Data Preparation
dengan mengetahui pola pembelian barang Phase)
konsumen, perusahaan dapat menentukan a. Siapkan data awal, kumpulkan data yang
penempatan tata letak produk-produk yang di akan digunakan untuk keseluruhan fase
jual, sehingga dengan peletakan produk yang berikutnya. Fase ini merupakan pekerjaan
disesuaikan dengan pola pembelian barag berat yang perlu dilaksanakan secara
konsumen, konsumen dapat membeli produk lain intensif.
selain produk utama yang dibelinya, perusahaan b. Pilih kasus dan variabel yang ingin
juga dapat mengefisienkan pembelian stock dianalisis dan yang sesuai analisis yang
barang berikutnya, dan meminimalisir akan dilakukan.
penumpukan stock barang tertentu karena sudah c. Lakukan perubahan pada beberapa
diketahui barang apa saja yang paling sering dibeli variabel jika dibutuhkan.
dan jarang dibeli oleh konsumen, khususnya d. Siapkan data awal sehingga siap untuk
diimplementasikan pada perusahaan retail. perangkat pemodelan.
4. Fase Pemodelan (Modelling Phase)

a. Pilih dan aplikasikan teknik pemodelan

yang sesuai. Pencarian pola kaidah asosiasi mengunakan
b. Perlu diperhatikan bahwa beberapa dua buah parameter nilai yaitu dukungan
teknik mungkin untuk digunakan pada (support) dan keterpercayaan (confidence) yang
permasalahan data mining yang sama. memiliki rentang nilai antara 0% - 100 %
c. Jika diperlukan, proses dapat kembali ke (GIBRAN, 2016).
fase pengolahan data untuk menjadikan
data ke dalam bentuk yang sesuai dengan Metodologi dasar analisis asosiasi terbagi
spesifikasi kebutuhan teknik data mining menjadi dua tahap:
tertentu. 1. Analisa pola frekuensi tinggi Tahap ini mencari
5. Fase Evaluasi kombinasi item yang memenuhi syarat minimum
a. Pengevaluasi satu atau lebih model yang dari nilai support dalam database. Nilai support
digunakan dalam fase permodelan untuk sebuah item diperoleh dengan rumus berikut:
mendapatkan kualitas dan efektivitas 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴)
sebelum disebarkan untuk digunakan.
b. Menetapkan apakah terdapat model yang ΣTransaksiMengandungA
= ∗ 100% … … (1)
memenihi tujuan pada fase awal. 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
c. Menentukan apakah terdapat
permasalahan penting dari bisnis atau 2. Pembentukan aturan assosiatif Setelah semua
penelitian yang tidak tertangani degan pola frekuensi tinggi ditemukan, barulah dicari
baik. aturan assosiatif yang memenuhi syarat minimum
d. Mengambil keputusan yang berkaitan untuk confidence dengan menghitung confidence
dengan penggunaan hasil dari data aturan assosiatif A _B Nilai confidence dari aturan
mining. A _B
6. Fase Penyebaran diperoleh dari rumus berikut:
a. Menggunakan model yang dihasilkan. 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(𝐴 → 𝐵)
Terbentuknya model tidak menandakan
telah terselesaikannya proyek. ΣTransaksiMengandungA & BgA
= ∗ 100% … … (2)
b. Contoh sederhana penyebaran: ΣT𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
pembuatan laporan.
c. Contoh kompleks penyebaran: penerapan Algoritma Apriori
proses data mining secara paralel pada Algoritma yang berpengaruh untuk mining
department lain. frequent Itemset untuk aturan asosiasi (Gunadi &
Sensuse, 2016) Algoritma apriori termasuk jenis
aturan asosiasi pada data mining. Aturan yang
Association Rule atau Aturan Asosiasi menyatakan asosiasi antara beberapa atribut
Merupakan ikatan atau bias juga di sebut sering disebut affinity analysis atau market basket
hubungan “apa dengan apa”. Aturan asosiasi juga analysis. Analisis asosiasi atau association rule
sering dinamakan market basket analysis (analisis mining adalah teknik data mining untuk
keranjang menemukan aturan suatu kombinasi item. Salah
belanja), atau bisa dinamakan aturan asosiasi satu tahap analisis asosiasi yang menarik
dalam bentuk “if-then” atau “jika-maka”. Aturan perhatian banyak peneliti untuk menghasilkan
ini dihitung dari sekumpulan data yang sifatnya algoritma yang efisien adalah analisis pola
probabilitas (Robi Yanto, 2015). Contoh asosiasi frekuensi tinggi (frequent pattern mining).
dalam sebuah penelitian, yaitu dengan Penting tidaknya suatu asosiasi dapat diketahui
menemukan barang dalam perusahaan retail yang dengan dua tolak ukur, yaitu: support dan
sering dibeli secara bersamaan, dan barang yang confidence. Support (nilai penunjang) adalah
tidak pernah diberi secara bersamaan. persentase kombinasi item tersebut dalam
Interestingness measure yang digunakan adalah: database, sedangkan confidence (nilai kepastian)
adalah kuatnya hubungan antar-item dalam
a. Support, adalah suatu ukuran yang aturan asosiasi.
menunjukkan seberapa besar tingkat dominasi
suatu item atau itemset dari keseluruhan HASIL DAN PEMBAHASAN
transaksi.
b. Confidence, adalah suatu ukuran yang Algoritma apriori biasa digunakan untuk
menunjukkan hubungan antar dua item secara mencari aturan asosiasi yang dapat memenuhi
conditional (berdasarkan suatu kondisi syarat minimum support (nilai penunjang), yang
tertentu). dimana merupakan kombinasi tiap item dalam

database. Dan syarat minimum confidence (nilai No Item Set Support

kepastian), yang dimana merupakan kuatnya FLAG HOT WATER BOTTLE
hubungan antar item dalam aturan asosiasi. RED WOOLLY HOTTIE WHITE
5 HEART. CREAM CUPID HEARTS 13%
Pembentukan 1 Itemset COAT HANGER
Berikut adalah proses penyelesaian dari CREAM CUPID HEARTS COAT
pembentukan 1 item set dengan jumlah minimum 6 HANGER, RED WOOLLY 13%
support 10% dengan rumus: HOTTIE WHITE HEART.
SET 7 BABUSHKA NESTING
Σpemilihan 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 7 BOXES, CREAM CUPID HEARTS 13%
= ∗ 100% … … (3)
Σpemilihan COAT HANGER
CREAM CUPID HEARTS COAT
Tabel 1. Item Set 8 HANGER, SET 7 BABUSHKA 13%
No Item Set Support NESTING BOXES
GLASS STAR FROSTED T-LIGHT WHITE HANGING HEART T-
1 13%
HOLDER 9 LIGHT HOLDER, CREAM CUPID 13%
CREAM CUPID HEARTS COAT HEARTS COAT HANGER
2 13%
HANGER CREAM CUPID HEARTS COAT
KNITTED UNION FLAG HOT 10 HANGER, WHITE HANGING 13%
3 13%
WATER BOTTLE HEART T-LIGHT HOLDER
CREAM CUPID HEARTS COAT Sumber : (Putra, 2019)
4 13%
HANGER
RED WOOLLY HOTTIE WHITE Pembentukan Aturan Asosiasi
5 13%
HEART. Setelah terbentuk item set, selanjutnya
CREAM CUPID HEARTS COAT dicari aturan asosiasi yang memenuhi syarat
6 13%
HANGER minimum untuk confidence dengan menghitung
SET 7 BABUSHKA NESTING confidence aturan asosiasi A ke B, dengan minimal
7 13%
BOXES confidence = 90%.
8 13%
HANGER
WHITE HANGING HEART T- Untuk menemukan nilai confidence dari aturan A
9 13% ke B dengan rumus :
LIGHT HOLDER
10 13% Σpemilihan 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 ∩ 𝐵
HANGER = ∗ 100% … … (5)
Sumber: Putra (2019) Σpemilihan mengandung A
Pembentukkan 2 Item set Dengan rumus diatas dapat diperoleh nilai

Berikut adalah proses penyelesaian dari confidence dari 2 item set seperti table di bawah
pembentukan 2 item set dengan jumlah minimum ini:
support 10% dengan rumus:
Tabel 3. Aturan Asosiasi
𝜮𝒑𝒆𝒎𝒊𝒍𝒊𝒉𝒂𝒏 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 ∩ 𝑩 No Item Set Support
= ∗ 𝟏𝟎𝟎% … (𝟒) Jika membeli GLASS STAR
𝒑𝒆𝒎𝒊𝒍𝒊𝒉𝒂𝒏
FROSTED T-LIGHT HOLDER,
1 100%
Tabel 2. Item Set juga membeli CREAM CUPID
No Item Set Support HEARTS COAT HANGER
GLASS STAR FROSTED T-LIGHT Jika membeli CREAM CUPID
1 HOLDER, CREAM CUPID 13% HEARTS COAT HANGER, juga
2 100%
HEARTS COAT HANGER membeli GLASS STAR FROSTED
CREAM CUPID HEARTS COAT T-LIGHT HOLDER
2 HANGER, GLASS STAR 13% Jika membeli KNITTED UNION
FROSTED T-LIGHT HOLDER FLAG HOT WATER BOTTLE,
3 100%
KNITTED UNION FLAG HOT juga membeli CREAM CUPID
3 WATER BOTTLE, CREAM CUPID 13% HEARTS COAT HANGER
HEARTS COAT HANGER Jika membeli CREAM CUPID
CREAM CUPID HEARTS COAT 4 HEARTS COAT HANGER, juga 100%
4 13% membeli KNITTED UNION
HANGER, KNITTED UNION

No Item Set Support 6. Quantity_CREAM CUPID HEARTS COAT

FLAG HOT WATER BOTTLE HANGER=true 3 ==> Quantity_RED WOOLLY
Jika membeli RED WOOLLY HOTTIE WHITE HEART.=true 3
HOTTIE WHITE HEART. juga
5 100% 7. Quantity_SET 7 BABUSHKA NESTING
membeli CREAM CUPID
HEARTS COAT HANGER BOXES=true 3 ==> Quantity_CREAM CUPID
Jika membeli CREAM CUPID HEARTS COAT HANGER=true 3
HEARTS COAT HANGER, juga
6 100% 8. Quantity_CREAM CUPID HEARTS COAT
membeli RED WOOLLY HOTTIE
HANGER=true 3 ==> Quantity_SET 7
WHITE HEART.
BABUSHKA NESTING BOXES=true 3
Jika membeli SET 7 BABUSHKA
NESTING BOXES, juga membeli 9. Quantity_WHITE HANGING HEART T-LIGHT
7 100%
CREAM CUPID HEARTS COAT HOLDER=true 3 ==> Quantity_CREAM CUPID
HANGER HEARTS COAT HANGER=true 3
Jika membeli CREAM CUPID
HEARTS COAT HANGER, juga 10. Quantity_CREAM CUPID HEARTS COAT
8 100%
membeli SET 7 BABUSHKA HANGER=true 3 ==> Quantity_WHITE
NESTING BOXES HANGING HEART T-LIGHT HOLDER=true 3
Jika membeli WHITE HANGING
HEART T-LIGHT HOLDER, juga Berikut ini merupakan cara membaca
9 100%
membeli CREAM CUPID dari hasil perhitungan diatas yang
HEARTS COAT HANGER menggunakan tools Rapid Miner Studio 9.1 :
Jika membeli CREAM CUPID
HEARTS COAT HANGER, juga 1. Apabila konsumen membeli GLASS STAR
10 100%
membeli WHITE HANGING FROSTED T-LIGHT HOLDER, konsumen juga
HEART T-LIGHT HOLDER akan membeli CREAM CUPID HEARTS COAT
Sumber : (Putra, 2019) HANGER dengan nilai confidence 100%.
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
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.
8. Apabila konsumen membeli CREAM CUPID REFERENSI

Arifianti, R. (2016). ANALISIS TATA LETAK
membeli SET 7 BABUSHKA NESTING BOXES
DALAM PERSPEKTIF RITEL Ria.
dengan nilai confidence 100%. AdBispreneur, 1(3), 251–258.
9. Apabila konsumen membeli WHITE HANGING Fauziah, S., & Ratnawati. (2018). Penerapan
HEART T-LIGHT HOLDER, konsumen juga Metode FIFO Pada Sistem Informasi
akan membeli CREAM CUPID HEARTS COAT Persediaan Barang. Jurnal Teknik Komputer,
HANGER dengan nilai confidence 100%. 4(1), 98–108.
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),

OTOMATISASI SISTEM PRODUK DALAM PENGOLAHAN DATA PADA

PROSES HIRING DI PT.PERTAMINA (PERSERO)
1Frieyadie, 2Chaidir Rahman Faldanu
Sistem Informasi
1frieyadie@nusamandiri.ac.id, 2mk.chaidir.faldanu@mitrakerja.pertamina.com
AbstractOne 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
IntisariSatu 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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Otomatisasi Sistem Produk…

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.
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Otomatisasi Sistem Produk …

8. Pengabilan Kesimpulan dan Saran C. Populasi dan Sampel Penelitian

Tahap kesimpulan dan saran merupakan Menurut Sugiyono (2010:80) “Populasi adalah
tahapan terakhir dari kegiatan penelitian. Dalam wilayah generalisasi yang terdiri atas : obyek atau
tahapan kesimpulan dijelaskan secara singkat subyek yang mempunyai kualitas dan karakteristik
mengenai hasil dari penelitian yang telah tertentu yang ditetapkan oleh penulis untuk
dilakukan. Sedangkan dalam tahap saran dipelajari dan kemudian ditarik kesimpulannya”.
merupakan tahap memberikan catatan jika ada Sampel merupakan bagian dari jumlah dan
kekurangan atau hal yang tidak sempurna dalam kerakteristik yang dimiliki oleh populasi tersebut
sebuah penelitian. (Sugiyono, 2015). Bilamana populasi terlalu besar
dan penulis tidak memungkinkan untuk
B. Instrumen Penelitian mempelajari dari seluruh populasi, maka penulis
Adapun instrumen penelitian yang digunakan dapat menggunakan sampel dari populasi sebagai
dalam penelitian ini yang berfungsi sebagai alat bahan penelitian. Dalam penelitian ini, penulis
pengumpul data adalah berbentuk kuesioner menggunakan sampel yang diambil dari populasi
dengan menggunakan skala likert. karyawan pada SPC HR Operation PT. Pertamina
Skala Likert adalah suatu skala psikometrik yang (Persero) yang berjumlah 26 orang karyawan
umum digunakan dalam kuesioner, dan sebagai sampel, dimana pengambilan jumlah
merupakan skala yang paling banyak digunakan sample berdasarkan pada sebuah rumus yang
dalam riset berupa survei. Nama skala ini diambil menurut G. Sevilla Cunsello, et all dapat digunakan
dari nama Rensis Likert, yang menerbitkan suatu untuk menentukan besaran sampel, yaitu dengan
laporan yang menjelaskan penggunaannya. menggunakan rumus Slovin sebagai berikut
Sewaktu menanggapi pertanyaan dalam skala (Prasetyo & Jannah, 2012) :
Likert, responden menentukan tingkat persetujuan
mereka terhadap suatu pernyataan dengan 𝑛=
𝑁
……………………………………………….. (1)
memilih salah satu dari pilihan yang tersedia. Skala 1+ 𝑁 𝑒 2
Likert merupakan metode skala bipolar yang
mengukur baik tanggapan positif ataupun negatif dimana :
terhadap suatu pernyataan. Empat skala pilihan n = jumlah sampel
juga kadang digunakan untuk kuesioner skala N = jumlah populasi
Likert yang memaksa orang memilih salah satu e = batas toleransi kesalahan (error tolerance)
kutub karena pilihan "netral" tak tersedia (Taufiq,
2015) D. Metode Analisis Data
Sewaktu menanggapi pertanyaan atau pernyataan Untuk mencapai tujuan dari penelitian ini,
dalam skala likert, responden menetukan tingkat maka metode analisis data yang digunakan adalah
persetujuan mereka terhadap suatu pernyataan metode kuantitatif. Metode kuantitatif biasa
dengan memilih salah satu pilihan yang tersedia. dinamakan dengan metode tradisional, karena
Biasanya disediakan lima pilihan skala dengan metode ini sudah cukup lama digunakan sehingga
format seperti berikut : sudah mentradisi sebagai metode untuk penelitian.
1. Sangat tidak setuju Metode ini digunalakan sebagai metode penelitian
2. Tidak setuju ilmiah karena telah memenuhi kaidah-kaidah
3. Netral ilmiah yaitu konkrit, obyektif, terukur, rasional dan
4. Setuju sistematis. Metode ini disebut kuantitatif karena
5. Sangat setuju data penelitian berupa angka-angka. Dalam
penelitian ini, penelti melakukan teknik analisis
Selain pilihan dengan lima skala seperti contoh data yang dilakukan setelah data dari kuesioner
diatas, kadang digunakan juga skala dengan tujuh yang disebarkan terkumpul dan kemudian diolah
atau sembilan tingkat. Suatu studi empiris melalui beberapa tahap, sebagai berikut :
menemukan bahwa beberapa karakterisitik hasil 1. Data diolah dari jawaban yang diberikan dari
kuesioner dengan berbagai jumlah pilihan tersebut responden setelah mengisi kuesioner dengan
ternyata sangat mirip. memberi tanda silang (X) pada alternatif
Adapun skala penilaian dengan skor masing – jawaban yang sesuai dengan skala yang telah
masing pilihan sebagai berikut: dicantumkan untuk masing-masing
Skala Penilaian pertanyaan.
1 Sangat Tidak Setuju 2. Kriteria penilaian untuk masing-masing
2 Tidak Setuju indikator yang dinyatakan melalui
3 Cukup Setuju pernyataan/pertanyaan dalam kuesioner
4 Setuju adalah sebagai berikut :
5 Sangat Setuju Skor 1 untuk jawaban sangat tidak setuju
Skor 2 untuk jawaban tidak setuju

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.

f. Penilaian Keseluruhan ada juga perebedaan ketika penyajian lapoaran

Penilaian keseluruhan terhadap pengaruh data harian dengan data bulanan ketika masih
otomatisasi SAP pada proses hiring di PT melakukan dengan cara manual. Dengan adanya
Pertamina (persero) dihitung berdasarkan nilai otomatisasi SAP ini user dapat menginput data
rata-rata dari tiap aspek Perceived Usefulness hanya dari 1 jendela aplikasi. Cukup dengan
(Kegunaan Penggunaan), Perceived Ease of Use menginput data yang akan di otomatisasi maka
(Kemudahan Penggunaan), Attitude Toward Using sistem akan melakukan perekaman data secara
(Sikap Terhadap Pengaplikasian), Behavioral otomatis.
intention to use (perilaku keinginan untuk tetap
menggunakan) dan Actual use (pemakaian aktual): 2. Mempercepat waktu kerja secara keseluruhan
Lamanya waktu pengerjaan pembuatan
Tabel 2. Hasil Aspek Penilaian laporan biasanya disebabkan oleh sulitnya
Aspek Prosentase menghitung load data yang begitu banyak dan
Perceived Usefulness (Persepsi 88,71%, perhitungan yang belum terintegrasi. otomatisasi
Kegunaan) SAP pada proses hiring ini perhitungan
Perceived Ease of Use (Kemudahan 85,18% mempermudah perhitungan yang tadinya manual
Penggunaan) yang menguras banyak waktu dan tenaga pun bisa
Attitude Toward Using (Sikap 88,46 jauh berkurang dikarenakan user SAP hanya perlu
Terhadap Pengaplikasian) mengimport data dari file excel ke dalam sistem.
Behavioral intention to use 87,91%
(perilaku keinginan untuk tetap 3. Mengurangi jumlah human error
menggunakan) Kesalahan input data yang disebabkan karena
Actual use (pemakaian aktual) 88,46 kesalahan manusia sebagai pengguna juga
Sumber: (Frieyadie & Faldanu, 2018) disebabkan load data yang begitu banyak sehingga
menyebabkan tenaga user terkuras banyak dan
berdampak pada kurangnya daya konsentrasi
Me = (88,71 + 85,18 + 88,46 + 87,91 + 88,46) / 5 dalam pekerja dan perhitungan yang belum
Me = 437,72 / 5 terintegrasi yang menguras pikiran sehingga
Me = 87,74 menyebabkan banyak kesalahan dalam
memproses data seperti kesalahan hitung,
Berdasarkan perhitungan diatas diperoleh duplikasi dan banyaknya data yang belum
data bahwa tingkat penerimaan user SAP terhadap terhitung atau terlewat. Dampak yang dirasakan
pengaruh otomatisasi SAP pada proses hiring di PT setelah adanya implementasi ini adalah semua
Pertamina (persero) dalam semua aspek secara aktifitas user terbantu dengan kinerja sub modul.
keseluruhan adalah 87,74%, termasuk dalam Sistem membantu meringankan pekerjaan user
kategori sangat setuju. yang menguras tenaga dan pikiran dan melakukan
koreksi otomatis jika ada kesalahan data berupa
Analisis Aspek Motivasi duplikasi atau data yang tidak valid sehingga
jumlah kesalahan dalam memproses data pun jadi
1. Mempermudah proses pekerjaan sangat sedikit.
Seperti yang sudah dijelaskan pada tabel IV.10,
tingkat penerimaan pengguna SAP terhadap KESIMPULAN
pengaruh otomatisasi SAP pada proses hiring di PT
Pertamina (persero) dalam aspek perceived ease Berdasarkan pengujian dan pembahasan Pengaruh
of use (kemudahan penggunaan) ini mencapai Otomatisasi Systems Application And Products In
angka 88,71% yang berarti mayoritas pengguna Data Processing (SAP) Pada Proses Hiring Di PT.
SAP di SPC HR Operation sangat setuju bahwa Pertamina (Persero) maka, kesimpulan yang dapat
pengaruh otomatisasi SAP pada proses hiring ini diambil yaitu tingkat penerimaan user SAP
memang mempermudah proses pekerjaan. terhadap Otomatisasi Proses Hiring di PT.
Mempermudah proses pekerjaan artinya Pertamina (Persero) berdasarkan perceived
user merasakan bahwa pengaruh otomatisasi SAP usefulness (persepsi kegunaan), perceived ease of
pada proses hiring mengurangi kesulitannya use (persepsi kemudahan), attitude toward using
dalam melakukan pekerjaan-pekerjaan seperti (sikap terhadap pengaplikasian), behavioral
yang di sebutkan pada BAB I. Misalnya proses intention to use (perilaku keinginan untuk tetap
perekaman data yang dilakukan berulang-ulang. menggunakan) dan actual use (pemakaian aktual)
Awalnya untuk melakukan proses hiring sering secara keseluruhan mencapai 87,74%, termasuk
sekali mengalami proses perekaman data yang dalam kategori sangat setuju. Berdasarkan
berulang-ulang. Belum lagi proses perekaman data pertanyaan-pertanyaan dalam aspek perceived
tersebut bisa dilakukan lebih dari 8 jam. Kemudian usefulness (persepsi kegunaan) diperoleh nilai

penerimaan 88,71% user SAP di SPC HR Operation ACTIVITY-BASED COSTING (TDABC)

yang menyatakan bahwa Otomatisasi Proses DENGAN ENTERPRISE RESOURCES
Hiring mengurangi kesulitannya dalam melakukan PLANNING (ERP): GENERASI BARU SISTEM
pekerjaan-pekerjaan seperti: proses perekaman MANAJEMEN BIAYA KELAS DUNIA. Jurnal
data, sinkronisasi, dan memperkecil human error. Ekonomi Dan Bisnis Airlangga (J E B A) |
Adanya implementasi ini pencatatan laporan data Journal of Economics and Business Airlangga,
waktu pekerja menjadi lebih terintegrasi 20(1).
dikarenakan user dapat menginput data hanya dari https://doi.org/10.20473/JEBA.V20I12010.4
1 jendela aplikasi, sisanya dilakukan secara 277
otomatis oleh sistem.
REFERENSI
Agustiawan, Y. (2012). PERUBAHAN DALAM

ORGANISASI PADA IMPLEMENTASI SISTEM
INFORMASI. Teknologi: Jurnal Ilmiah Sistem
Informasi, 1(2), 110–116.
https://doi.org/10.26594/teknologi.v1i2.64
Banowosari, L. Y., & Yunufa, T. (2006). APLIKASI

PRODUCTION PLANNING INVENTORY
CONTROL (PPIC) DALAM ENTERPRISE
RESOURCES PLANNING SYSTEM (ERP) DI
PERUSAHAAN DAGING OLAHAN XYZ. In
Proceeding, Seminar Ilmiah Nasional
Komputer dan Sistem Intelijen (KOMMIT
2006) (pp. 1–4). Depok: Universitas
Gunadarma. Retrieved from
file:///C:/Users/Frieyadie/Downloads/FullP
aperLintang_Yunufa_Kommit2006.pdf
Frieyadie, F., & Faldanu, C. R. (2018). Laporan

Akhir Penelitian Mandiri. Jakarta.
Prasetyo, B., & Jannah, L. M. (2012). Metode

Penelitian Kuantitatif: Teori dan Aplikasi (1st
ed.). Jakarta: Rajawali Pers.
Ratri, S. M. (2016). Analisis Faktor-Faktor Yang

Memengaruhi Penggunaan E-Learning
Moodle Oleh Guru Smk Negeri 2 Yogyakarta
Dengan Pendekatan Technology Acceptance
Model (TAM). Jurnal Elektronik Pendidikan
Teknik Informatika, 5(4), 1–9. Retrieved from
http://journal.student.uny.ac.id/ojs/index.p
hp/pti/article/view/4700
Sugiyono. (2015). Metode Penelitian Kuantitatif

Kualitatif Dan R&D. Bandung: Alfabeta.
Taufiq, R. (2015). PENILAIAN KINERJA DOSEN

DALAM BIDANG BELAJAR MENGAJAR DI
FAKULTAS TEKNIK UNIVERSITAS
MUHAMMADIYAH TANGERANG. Faktor
Exacta, 5(1), 77–85.
https://doi.org/10.30998/FAKTOREXACTA.
V5I1.185
Tjahjadi, B. (2010). INTEGRASI TIME-DRIVEN

SISTEM PENDUKUNG KEPUTUSAN SELEKSI PEMILIHAN PERGURUAN

TINGGI MENGGUNAKAN METODE TOPSIS
Hylenarti Hertyana
Sistem Informasi
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.
Intisari—Alumni SMA sederajat seringkali PENDAHULUAN

mengalami kesulitan di dalam menentukan
perguruan tinggi untuk melanjutkan studi. Setiap tahun alumni SMA sederajat yang telah
Pemilihan perguruan tinggi untuk alumni SMA lulus, berlomba-lomba mencari perguruan tinggi
sederajat terkendala hanya berdasarkan untuk melanjutkan studinya. Di Indonesia jumlah
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Sistem Pendukung Keputusan…

perguruan tinggi terus mengalami pertumbuhan BAHAN DAN METODE

baik kelas negeri maupun swasta(Triono, Agus;
Aminudin, n.d.). Proses pemilihan PTS bagi A. Rancangan Penelitian
siswa/calon mahasiswa dan orang tua merupakan
proses yang rumit apabila hal – hal diatas dalam 1. Sumber Data
pertimbangan mereka dan mungkin mereka akan Penulis melakukan penelitian pada kasus
membuat kesalahan dalam pemilihan PTS yang seleksi pemilihan perguruan tinggi dengan
pada akhirnya membuat mereka menyesal dan mengumpulkan data-data yang terkait dengan
menyusahkan bagi mereka(Budilaksono, Sularso; judul penelitian. Berdasarkan hasil penelitian
Suwarno; Herwanto, 2016). Kebingungan dan diperoleh 7 kriteria diantaranya Biaya(BY)
keragu-raguan saat memilih jurusan pada diperoleh dari biaya perkuliahan, Nilai
umumnya disebabkan oleh kurang mengenal Akeditasi(NA) diperoleh dari nilai akreditasi
jurusan-jurusan di Perguruan Tinggi dan perguruan tinggi, Prestasi(PS) diperoleh dari
prospektusnya(Walidain, Birrul; Ardian, n.d.). prestasi akademik dan non akademik, Pendidikan
Untuk memperoleh informasi yang cepat dan Dosen(PD) diperoleh dari pendidikan dosen,
hampir akurat akan pemilihan PT yang tepat Fasilitas(FS) diperoleh dari fasilitas yang tersedia,
dibutuhkan suatu proses otomatisasi dengan Beasiswa(BS) diperoleh dari beasiswa yang ada
menggunakan teknologi(Kartikadarma & Zami, pada perguruan tinggu tersebut dan UKM(UK)
2011). Sistem pendukung keputusan merupakan diperoleh dari unit kegiatan mahasiswa yang
sistem yang dapat digunakan untuk membantu tersedia pada perguruan tinggi tersebut.
mengambil keputusan berdasarkan kriteria yang
ada(Kurniawan, Mustafidah, & Shofiyani, 2015). 2. Teknik Pengumpulan Data
Penulis menggunakan metode TOPSIS untuk Adapun teknik pengumpulan data yang penulis
membantu dalam mengambil keputusan dalam gunakan adalah sebagai berikut:
seleksi pemilihan perguruan tinggi. Metode 1) Studi Pustaka (Library Research)
TOPSIS ini didasarkan pada konsep dimana Pengumpulan data dilakukan dengan mencari
alternatif terpilih yang terbaik tidak hanya referensi jurnal, buku-buku ilmiah, dan data-
memiliki jarak terpendek dari solusi ideal positif, data yang sesuai dengan judul penelitian.
namun juga memiliki jarak terpanjang dari solusi 2) Observasi (Observation)
ideal negatif konsep ini banyak digunakan pada Pengumpulan data dilakukan melalui
konsep MCDM untuk menyelesaikan masalah pengamatan secara langsung pada beberapa
keputusan secara praktis, hal ini disebabkan perguruan tinggi.
konsepnya sederhana dan mudah dipahami
komputasinya efisien, dan memiliki kemampuan
untuk menukur kinerja relatif dari alternatif – D. Metode TOPSIS
alternatif keputusan dalam bentuk matematis Technique For Order Preference By Similarity
yang sederhana(Agung, H; Ricky, 2016). To Ideal Solution atau biasa disebut TOPSIS
Berdasarkan Permendikbud 49/2014 tentang merupakan suatu metode yang mampu
Standar Nasional Pendidikan Tinggi dapat menyelesaikan permasalahan dengan multi
dirangkum tentang beberapa kriteria yang dapat kriteria. Metode Technique For Order Preference
dijadikan tolak ukur untuk memilih perguruan By Similarity To Ideal Solution (TOPSIS) untuk
tinggi. Berdasarkan Permendikbud 49/2014 dan pemilihan perguruan tinggi dapat ditemukan pada
beberapa literatur yang menjadi referensi penulis, literatur-literatur yang terdapat pada buku-buku
maka diperoleh 7 kriteria untuk seleksi pemilihan dan jurnal-jurnal ilmiah.
perguruan tinggi bagi calon mahasiswa baru Adapun langkah-langkah dari prosedur
diantaranya adalah Biaya (BY) yang diperoleh dari TOPSIS dalam proses penyelesaian masalah
biaya perkuliahan, Nilai Akeditasi (NA) yang adalah sebagai berikut :
diperoleh dari nilai akreditasi perguruan tinggi, 1) Membuat matriks keputusan yang
Prestasi (PS) yang diperoleh dari prestasi ternormalisasi.
akademik dan non akademik, Pendidikan Dosen
(PD) yang diperoleh dari pendidikan dosen, 𝒙𝒊𝒋
𝒓𝒊𝒋 = ………………………….................. (1)
Fasilitas (FS) yang diperoleh dari fasilitas yang √∑𝒎 𝟐
𝒊=𝟏 𝒙𝒊𝒋
tersedia, Beasiswa (BS) yang diperoleh dari
beasiswa yang ada pada perguruan tinggi dan
UKM (UK) yang diperoleh dari unit kegiatan dengan i=1,2…,m dan j=1,2,…,n.
mahasiswa yang tersedia pada perguruan tinggi
tersebut. 2) Membuat matriks keputusan yang
ternormalisasi terbobot.

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)
Dengan : Diketahui bahwa bobot tiap Kriteria adalah

𝒎𝒂𝒙𝒊 𝒚𝒊𝒋 𝑱𝒊𝒌𝒂 𝒋 𝒂𝒅𝒂𝒍𝒂𝒉 𝒂𝒕𝒓𝒊𝒃𝒖𝒕 𝒌𝒆𝒖𝒏𝒕𝒖𝒏𝒈𝒂𝒏 sebagai berikut:
𝒚+𝒋 = { 𝒎𝒊𝒏 𝒚
𝒊 𝒊𝒋 𝑱𝒊𝒌𝒂 𝒋 𝒂𝒅𝒂𝒍𝒂𝒉 𝒂𝒕𝒓𝒊𝒃𝒖𝒕 𝒃𝒊𝒂𝒚𝒂 Tabel 1. Bobot tiap kriteria
𝒎𝒊𝒏 𝒚 𝑱𝒊𝒌𝒂 𝒋 𝒂𝒅𝒂𝒍𝒂𝒉 𝒂𝒕𝒓𝒊𝒃𝒖𝒕 𝒌𝒆𝒖𝒏𝒕𝒖𝒏𝒈𝒂𝒏 Kriteria BY NA PS PD FS BS UK
𝒚−𝒋 = {𝒎𝒂𝒙𝒊 𝒚𝒊𝒋
𝒊 𝒊𝒋 𝑱𝒊𝒌𝒂 𝒋 𝒂𝒅𝒂𝒍𝒂𝒉 𝒂𝒕𝒓𝒊𝒃𝒖𝒕 𝒃𝒊𝒂𝒚𝒂 Bobot 4 5 4 3 4 3 3
Sumber: (Hertyana, 2019)
4) Menentukan jarak antara nilai setiap alternatif
dengan matriks solusi ideal positif & matriks Tabel 1 menjelaskan tentang nilai kepentingan
solusi ideal negatif. untuk setiap kriteria.
Jarak antara alternatif 𝑫𝒊 dengan solusi ideal
positif dirumuskan sebagai : Bobot nilai dibagi menjadi 5 penilaian, yaitu:
Sangat Tidak Penting = 1
Tidak Penting = 2
𝑫𝒊+ = √∑𝒏𝒋=𝟏( 𝒚+
𝒊
− 𝒚𝒊𝒋 )𝟐 𝒊 = 𝟏, 𝟐 …………… (5) Cukup Penting = 3
Penting = 4
Jarak antara alternatif 𝑨𝒊 dengan solusi ideal Sangat Penting = 5
negatif dirumuskan sebagai :
Tabel 2. Membuat keputusan ternormalisasi
𝑫𝒊− = √∑𝒏𝒋=𝟏( 𝒚𝒊𝒋 − 𝒚−
𝒊𝒋
)𝟐 ……………………….. (6) BY NA PS PD FS BS UK
P1 4 4 4 4 5 4 4
5) Menentukan nilai preferensi untuk setiap P2 3 4 3 5 4 4 3
alternatif. TOPSIS membutuhkan rating kinerja P3
setiap alternatif Ai pada setiap criteria Cj yang 3 5 5 5 4 4 3
ternormalisasi, yaitu : Hasil
Pangkat
34 57 50 66 57 48 34
Perkrite
Nilai preferensi untuk setiap alternatif (𝑽𝒊 ) ria
diberikan sebagai Akar
Hasil
5.83 7.54 7.07 8.12 7.54 6.92 5.83
𝐷− Pangkat
𝑖 09 98 10 40 98 82 09
𝑉𝑖 = 𝐷−+𝐷 + ………………………………. (7) Perkrite
𝑖 𝑖 ria
Sumber: (Hertyana, 2019)
HASIL DAN PEMBAHASAN Tabel 2 diatas menjelaskan tentang nilai

keputusan ternormalisasi untuk setiap kriteria.
Adapun penyelesaian masalah mengenai
seleksi pemilihan perguruan tinggi menggunakan
metode TOPSIS adalah dengan diperolehnya 7 Rumus menormalisasikan
kriteria. Adapun 7 kriteria tersebut diantaranya
Biaya(BY) diperoleh dari biaya perkuliahan, Nilai (𝐷𝑎𝑡𝑎)
Akeditasi(NA) diperoleh dari nilai akreditasi ...…………………. (8)
(𝑎𝑘𝑎𝑟 ℎ𝑎𝑠𝑖𝑙 𝑝𝑎𝑛𝑔𝑘𝑎𝑡 𝑝𝑒𝑟𝑘𝑟𝑖𝑡𝑒𝑟𝑖𝑎)
perguruan tinggi, Prestasi(PS) diperoleh dari

R1.1=4: 5.8309=0.6860 Tabel 4 menjelaskan tentang hasil normalisasi

R1.2=3: 5.8309=0.5145 berbobot untuk setiap kriteria.
R1.3=3: 5.8309=0.5145
Mencari Max dan Min dari Normalisasi
R2.1=4: 7.5498=0.5298 Berbobot
R2.2=4: 7.5498=0.5298
R2.3=5: 7.5498=0.6622 Tabel 5. Max dan Min dari Normalisasi Berbobot
BY NA PS PD FS BS UK
R3.1=4: 7.0710=0.5656 P1 2.74 2.64 2.262 1.476 2.648 1.731
R3.2=3: 7.0710=0.4242 4 9 4 9 8 9
2.058
R3.3=5: 7.0710=0.7071 P2 2.05 2.64 1.696 1.846 2.119 1.731 1.543
8 9 8 2 2 9 5
R4.1=4: 8.1240=0.4923 P3 2.05 3.31 2.828 1.846 2.119 1.731 1.543
8 1 4 2 2 9 5
R4.2=5: 8.1240=0.6154 Ma 2.74 3.31 2.828 1.846 2.648 1.731
R4.3=5: 8.1240=0.6154 x 4 1 4 2 8 9
2.058
Mi 2.05 2.64 1.696 1.476 2.119 1.731 1.543
R5.1=5: 7.5498=0.6622 n 8 9 8 9 2 9 5
R5.2=4: 7.5498=0.5298 Sumber: (Hertyana, 2019)
R5.3=4: 7.5498=0.5298
Tabel 5 menjelaskan tentang hasil max dan min
R6.1=4: 6.9282=0.5773 dari normalisasi berbobot untuk setiap kriteria.
R6.2=4: 6.9282=0.5773
R6.3=4: 6.9282=0.5773
R7.1=4: 5.8309=0.6860 MENCARI D+ D- DI SETIAP ALTERNATIF
R7.2=3: 5.8309=0.5145 Rumus Mencari D+
R7.3=3: 5.8309=0.5145
𝐷𝑥+= √(AxC1 − Y1+)2 + (AxC1 − Y2+)2 + ⋯ + (AxCn − Yn+)2
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
Tabel 4. Normalisasi Berbobot = 1.0077

BY NA PS PD FS BS UK
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+.

Rumus Mencari D- urutan perangkingan. Berikut ini adalah tabel 8.

Preferensi dan Rangking Alternatif.
𝐷𝑥−= √(AxC1 − Y1−)2 + (AxC1 − Y2−)2 + ⋯ + (AxCn − Yn−)2
𝐷1− Tabel 8. Preferensi dan Rangking Alternatif

(2.744 − 2.058)2 + (2.649 − 2.649)2 + (2.2624 − 1.6968)2 + Alternatif Preferensi Rangking
= √(1.4769 − 1.4769)2 + (2.6488 − 2.1192)2 + (1.7319 − 1.7319)2 P1 0,5498 2
+(2.058 − 1.5435)2
P2 0,1824 3
P3 0,5747 1
= 1.1556 Sumber:
𝐷2− Berdasarkan tabel diatas diperoleh P3 sebagai

(2.058 −2.058)2+ (2.649 − 2.649)2 + (1.6968 − 1.6968)2 + perguruan tinggi dengan nilai tertinggi.
= √(1.8462 − 1.4769)2 + (2.1192 − 2.1192)2 + (1.7319 − 1.7319)2
+(1.5435 − 1.5435)2
= 0.3691 REFERENSI
𝐷3− Agung, H; Ricky, R. (2016). APLIKASI SISTEM

(2.058 − 2.058)2 + (3.311 − 2.649)2 + (2.8284 − 1.6968)2 + PENDUKUNG KEPUTUSAN UNTUK
= √(1.8462 − 1.4769)2 + (2.1192 − 2.1192)2 + (1.7319 − 1.7319)2 PEMILIHAN SISWA TELADAN
+(1.5435 − 1.5435)2
MENGGUNAKAN METODE TOPSIS. Jurnal
Ilmiah FIFO, 8, 112.
= 1.3619
Budilaksono, Sularso; Suwarno; Herwanto, A.
(2016). SISTEM PENDUKUNG KEPUTUSAN
Tabel 7. Hasil Perhitungan D- PEMILIHAN PERGURUAN TINGGI SWASTA
D1- 1.1556 PROGRAM STUDI TEKNIK INFORMATIKA DI
D2- 0.3691 PROPINSI DKI JAKARTA DENGAN METODE
D3- 1.3619 AHP DAN PROMETHEE. In Seminar Nasional
Teknologi Informasi dan Multimedia 2016 (p.
Sumber: Hertyana (2019)
3.3-7-3.3-12). Yogyakarta.
Tabel 7 menjelaskan tentang nilai hasil
Hertyana, H. (2019). Laporan Akhir Penelitian.
perhitungan D-.
Sistem Pendukung Keputusan Seleksi
Pemilihan Perguruan Tinggi Menggunakan
Metode Topsis. Jakarta.
Mencari V/Hasil
Kartikadarma, E., & Zami, F. Al. (2011). DESAIN
PERANGKAT LUNAK PENDUKUNG
Rumus Mencari V
KEPUTUSAN PEMILIHAN PERGURUAN
𝐷𝑥 − TINGGI BAGI SISWA SMA TINGKAT AKHIR.
Vx = In Seminar Nasional Teknologi Informasi &
(𝐷𝑥 −) + (𝐷𝑥+)
Komunikasi Terapan 2011 (Semantik 2011)
1.1556 (Vol. 2011).
V1 = = 0,5498
1.1556 + 0.9459 Kurniawan, E., Mustafidah, H., & Shofiyani, A.
0.3691 (2015). Metode TOPSIS untuk Menentukan
V2 = = 0,1824 Penerimaan Mahasiswa Baru Pendidikan
0.3691 + 1.6535 Dokter di Universitas Muhammadiyah
1.3619 Purwokerto ( TOPSIS Method to Determine
V3 = = 0,5747 New Students Admission at Medical School
1.3691 + 1.0077
in University of Muhammadiyah
Setelah diperoleh seluruh perhitungan, langkah Purwokerto). JUITA, III(November), 201–
selanjutnya adalah menentukan nilai preferensi 206.
tertinggi hingga terendah sehingga diperoleh
Triono, Agus; Aminudin, N. (n.d.). SISTEM

PENDUKUNG KEPUTUSAN PEMILIHAN

PERGURUAN TINGGI DENGAN SIMPLE
ADDITIVE WEIGHTING ( SAW ), (09), 51–57.
Walidain, Birrul; Ardian, Y. (n.d.). Sistem

Pendukung Keputusan Pemilihan Perguruan
Tinggi Dan Jurusan Berbasis Web
Menggunakan Metode Topsis, 1–8.

IMPLEMENTASI METODE TOPSIS TERHADAP PEMILIHAN BUPATI

CIAMIS (STUDI KASUS MAHASISWA ASAL CIAMIS)
Sri Rahayu1; Ai Ilah Warnilah2
Ilmu Komputer
srahayu110527@gmail.com
Sistem Informasi
www.bsi.ac.id
ai.aiw@bsi.ac.id
AbstractOne form of democracy in Indonesia, on Indonesia. Diantaranya Kabupaten Ciamis yang

June 27, 2018 regional elections would be held menyelenggarakan Pemilihan Bupati dan wakilnya.
simultaneously in various region in Indonesia. Dalam pemilihan pemimpin sering terjadi
Among them was Ciamis Regency which organized pelanggaran pemilu. Melihat kondisi ini, penulis
the Election of Regents and their representatives. In ingin menganalisa penilaian para pemilih terhadap
the selection of leaders there were often election para paslon apakah sesuai dengan hasil pilkada
violations. Seeing this condition, the author wanted atau tidak dengan mengimplementasikan metode
to analyze the voters’ assessment of the candidate pengambilan keputusan TOPSIS dalam pemilihan
paired whether in accordance with the results of the Bupati dan wakilnya pada tahun 2018 berdasarkan
election or not by implementing the Technique for observasi yang dilakukan kepada 100 orang
Order Preference by Similarity to Ideal Solution mahasiswa asal Ciamis yang memiliki hak pilih
decision-making method in the election of regents pada Pilkada tahun 2018 dari berbagai Perguruan
and representatives in 2018 based on observations Tinggi yang dikumpulkan datanya dengan
made to 100 students from Ciamis who had the kuesioner secara purposive sampling. Penelitian ini
right to vote in the Regional Head Election in 2018 menghasilkan pasangan calon nomor urut 1 yaitu
from various Universities whose data was collected pasangan H. Herdiat Sunarya dan Yana Diana
by questionnaire using purposive sampling. This Putra mendapatkan nilai 0.691490149 lebih tinggi
research produces candidate number 1 pair of pair dari pasangan calon nomor urut 2 H. Iing Syam
H. Herdiat Sunarya and Yana Diana Putra get value Arifin dan H. Oih Burhanudin yang mendapatkan
0,691490149 higher than candidate number 2 H. nilai 0.308509851, hasil penelitian ini sama halnya
Iing Syam Arifin and H. Oih Burhanudin who get dengan rekapitulasi penghitungan suara pemilihan
value 0,308509851, the results of this study as well Bupati dan Wakil Bupati Ciamis oleh KPU (Komisi
as the vote count recapitulation of the election of Pemilihan Umum) Kabupaten Ciamis pada 5 Juli
Regent and Vice Regent of Ciamis by KPU (General 2018 mulai pukul 9.00 WIB - 23.00 WIB yakni suara
Election Commission) Ciamis Regency on July 5, terbanyak diraih oleh pasangan calon nomor urut
2018 starting at 9.00 pm – 23:00 pm ie the most 1.
votes achieved by the candidate number 1.
Kata Kunci : Mahasiswa Asal Ciamis, Pemilihan
Keywords : Bupati Ciamis Election, Students of Bupati Ciamis, TOPSIS.
Ciamis, TOPSIS.
PENDAHULUAN
Abstrak–Salah satu wujud demokrasi di Indonesia,
pada tanggal 27 Juni 2018, akan digelar pemilihan Sebagaimana diyakini bersama bahwa filsafat
kepala daerah serentak di berbagai daerah di demokrasi yang paling mendasar, yang
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Implementasi Metode TOPSIS…

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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Implementasi Metode TOPSIS …

dilakukan penelitian apakah para pemilih item1 0.791 0.3 Valid

melakukan pemilu sesuai dengan hati nuraninya
atau tidak. Dalam penelitian ini menggunakan item2 0.875 0.3 Valid
metode TOPSIS (Technique for Order Preference by item3 0.841 0.3 Valid
Similarity to Ideal Solution). Metode tersebut Alpha 0.785 0.7 Reliabel
dipilih karena merupakan suatu bentuk metode
pendukung keputusan yang didasarkan pada Sumber : (Rahayu & Warnilah, 2018)
konsep bahwa alternative yang terbaik tidak
hanya memiliki jarak terpendek dari solusi ideal 3. Mengolah Dan Menyajikan Data
positif tetapi juga memiliki jarak terpanjang dari Setelah data terkumpul dan dinyatakan
solusi ideal negatif. (Monita, 2013). valid berdasarkan pengujian validitas dan
Sebagai bentuk konfirmasi, penulis tidak reabilitas, data diolah berdasarkan langkah-
terlibat dalam gerakan politik apapun, tidak langkah yang ada pada metode TOPSIS (Technique
berpihak kepada salah satu pasangan calon dan for Order Preference by Similarity to Ideal Solution)
bukan anggota partai manapun. Oleh karena itu, dengan langkah – langkah sebagai berikut :
tulisan ini bersifat netral, tidak memihak dan a. Membuat matriks keputusan dan tentukan
diperhitungkan berdasarkan data-data yang bobot kriteria.
didapat selama proses penelitian dan dihitung b. Hitung matriks keputusan yang dinormalkan.
berdasarkan metode yang digunakan. c. Hitung matriks keputusan yang dinormalisasi
tertimbang.
BAHAN DAN METODE d. Tentukan solusi ideal negatif dan solusi ideal
positif.
Tahapan yang dilakukan dalam penelitian e. Hitung langkah-langkah pemisahan dari solusi
ini ditempuh dengan berbagai kegiatan di bawah ideal positif dan solusi ideal negatif.
ini: f. Menentukan kedekatan setiap alternatif
1. Pengumpulan Data terhadap solusi ideal.
Pengumpulan data dengan cara membuat g. Buat peringkat urutan preferensi atau pilih
masing-masing 3 (tiga) pernyataan berdasarkan alternatif yang paling dekat dengan 1 (satu).
kriteria yang ditentukan dalam bentuk kuesioner (Mauliana, Hunaifi, & Wahyudi, 2018).
yang dibagikan kepada 100 (seratus) orang
responden sebagai sampel dengan teknik 4. Menarik Kesimpulan
purposive sampling untuk memberikan penilaian Setelah data diolah dan didapat hasilnya
terhadap masing-masing alternatif dari kriteria secara kuantitatif, maka penulis dapat menarik
yang ada. Kesioner ini dibagikan secara offline kesimpulan alternatif mana yang mendapatkan
untuk menghindari sampainya kuesioner pada nilai tertinggi dengan jarak terdekat dengan nilai
responden yang tidak tepat. postif dan memiliki jarak terjauh dari nilai negatif
2. Uji Validitas Dan Reliabilitas kemudian membandingkannya dengan hasil
Untuk memastikan ketepatan instrumen pilkada.
penelitian atau dalam hal ini kuesioner, peneliti
melakukan pengujian validitas (validity) dan HASIL DAN PEMBAHASAN
reliabilitas (reability). Uji validitas digunakan
untuk mengukur sah, atau valid tidaknya suatu 1. Membuat matriks keputusan dan tentukan
kuesioner. Reabilitas menunjuk pada suatu bobot kriteria.
pengertian bahwa instrumen yang digunakan Pada tahap pertama perhitungan metode
dalam penelitian untuk memperoleh informasi TOPSIS (Technique for Order Preference by
yang digunakan dapat dipercaya sebagai alat Similarity to Ideal Solution) ini, matriks keputusan
pengumpulan data dan mampu mengungkap dibuat dari baris Kriteria dan kolom Alternatif,
informasi yang sebenarnya di lapangan. (Dewi, serta nilainya didapat dari penjumlahan total nilai
2018). rata-rata data kuesioner pada setiap kriteria.
Instrumen pengujian menggunakan
Microsoft Office Excel 2010 dengan bantuan add ins Tabel 2.
MyESI (Excel Statistik Indonesia). Berikut salah Matriks Keputusan
C1 C2 C3 C4 C5 C6 C7
satu hasil uji validitas dan reliabilitas : 337.3 354.0 344.6 328.0 328.3 335.3 343.6
A
33333 00000 66666 00000 33333 33333 66666
1
333 000 667 000 333 333 667
Tabel 1. 333.0 347.0 342.3 331.6 325.6 334.0 338.0
A
Hasil Pengujian Validitas dan Reliabilitas 2
00000 00000 33333 66666 66666 00000 00000
000 000 333 667 667 000 000
No Pertanyaan R Nilai Kritis Keterangan
Sumber : (Rahayu & Warnilah, 2018)

Tabel 2. merupakan matriks keputusan 337.333333333

A1C1 = = 0.711662965
berdasarkan data kuesioner yang telah didapat,
sedangkan bobot kriterianya telah dipaparkan 474.007149501
pada table sebelumnya
333.000000000
A2C1 = = 0.702521049
2. Hitung matriks keputusan yang dinormalkan. 474.007149501
Langkah yang kedua adalah membuat tabel
keputusan ternormalisasi dengan rumus : 354.000000000
A1C2 = = 0.714132158
𝑖𝑗
𝑟𝑖𝑗 ………………………………………………(1) 495.706566428
√∑𝑚 𝑥 2𝑖𝑗
𝑖 =1
347.000000000
Keterangan : A2C2 = = 0.70010901
rij =hasil dari normalisasi matriks keputusan R 495.706566428
i = 1,2,3,...,m;
j = 1,2,3,...,n; 344.666666667
xij= elemen dari matriks keputusan, A1C3 = = 0.709504313
i = 1,2,3, ..., m,
485.785160562
j = 1, 2, 3, ..., n.
342.333333333
Caranya dengan terlebih dahulu membuat
A2C3 = = 0.704701092
bilangan pembagi dari hasil akar penjumlahan per
kolom tabel keputusan yang telah dipangkatkan 2 485.785160562
(dua) sebanyak kriteria yang digunakan.
328.000000000
Pembagi Kriteria 1 A1C4 = = 0.703165563
= √(337.3333333332)+(333.0000000002) 466.461978920
= 474.007149501
331.666666667
= √(354.0000000002)+(347.0000000002) 466.461978920
= 495.706566428
328.333333333
= √(344.6666666672)+(342.3333333332)
462.451679157
= 485.785160562
Pembagi Kriteria 4 325.666666667

A2C5 = = 0.704217719
= √(328.0000000002)+(331.6666666672)
= 466.461978920 462.451679157
335.333333333
Pembagi Kriteria 5
= √(328.3333333332)+(325.6666666672) A1C6 = = 0.708513955
= 462.451679157 473.291077926
Pembagi Kriteria 6 334.000000000

= √(335.3333333332)+(334.0000000002) A2C6 = = 0.705696802
= 473.291077926 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 =

𝐴+ = {(𝑚𝑎𝑥𝑣𝑖𝑗 ) (𝑚𝑖𝑛𝑣𝑖𝑗 |𝑗 ∈ 𝑗 ′ ) , 𝑖 = 1,2,3, … 𝑚} = {𝑉1+ , 𝑉2+ , … 𝑉𝑚+ }………..(3)

482.027776977 𝐴− = {(𝑚𝑎𝑥𝑣𝑖𝑗 ) (𝑚𝑖𝑛𝑣𝑖𝑗 |𝑗 ∈ 𝑗′) , 𝑖 = 1,2,3, … 𝑚} = {𝑉1− , 𝑉2− , … 𝑉𝑚− }………..(4)
Sehingga menghasilkan tabel matriks keputusan Sumber : (Adiwisanghagni, 2015)

ternormalisasi seperti berikut ini : Dimana :
v ij = elemen matriks V baris ke-i dan kolom
Tabel 3. Matriks Keputusan Ternormalisasi ………ke-j
C1 C2 C3 C4 C5 C6 C7
J = {j=1,2,3,...,n dan j berhubungan dengan
…….benefit criteria}
0.7116 0.7141 0.7095 0.7031 0.7099 0.7085 0.7129
A1
62965 32158 04313 65563 84087 13955 60296 J' = {j=1,2,3,...,n dan j berhubungan dengan
A2
0.7025 0.7000 0.7047 0.7110 0.7042 0.7056 0.7012 …….cost criteria}
21049 10901 01092 26154 17719 96802 04404
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:
Sehingga terbentuk tabel matriks keputusan +

𝐷1 = √(𝑣11 − 𝑣1+ )2 + (𝑣12 − 𝑣2+ )2 + (𝑣13 − 𝑣3+ )2 + (𝑣14 − 𝑣4+ )2 + (𝑣15 − 𝑣5+ )2
ternormalisasi terbobot dibawah ini : 2+
𝐷 = √(𝑣21 − 𝑣1+ )2 + (𝑣22 − 𝑣2+ )2 + (𝑣23 − 𝑣3+ )2 + (𝑣24 − 𝑣4+ )2 + (𝑣25 − 𝑣5+ )2
3+
Tabel 4. 𝐷 = √(𝑣31 − 𝑣1+ )2 + (𝑣32 − 𝑣2+ )2 + (𝑣33 − 𝑣3+ )2 + (𝑣34 − 𝑣4+ )2 + (𝑣35 − 𝑣5+ )2
Matriks Keputusan Ternormalisasi Terbobot …………………………………………………………………(5)

C1 C2 C3 C4 C5 C6 C7 Sumber : (Adiwisanghagni, 2015)
2.1349 2.8565 3.5475 3.5158 3.5499 3.5425 2.8518
A1
88894 28632 21566 27815 20436 69773 41185 Caranya adalah dengan mengakarkan
pengurangan dari nilai solusi ideal positif dengan
A2
2.1075
63148
2.8000
43602
3.5235
05462
3.5551
30768
3.5210
88595
3.5284
84009
2.8048
17615
nilai terbobot dari setiap kriteria yang masing –
masing pengurangan tersebut dipangkatkan 2
Sumber : (Rahayu & Warnilah, 2018) (dua) dan dijumlahkan dengan pengurangan dari
nilai solusi ideal positif dengan kriteria lainnya.
4. Tentukan solusi ideal negatif dan solusi ideal
positif. D+A1 = 0.039302953
Solusi ideal positif dinotasikan dengan A+ dan D+A2 = 0.088093151
solusi ideal negatif dinotasikan dengan A-
dirumuskan sebagai berikut : Sedangkan untuk menghitung jarak alternatif dari
solusi ideal negatif (D-) caranya adalah dengan

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

nomor urut 2 (dua) H. IING SYAM ARIFIN dan H. news/49-kpu-kabupaten-ciamis-tetapkan-

OIH BURHANUDIN yang mendapatkan nilai nomor-urut-pasangan-calon
0.308509851.
Hasil penelitian ini sama halnya dengan Dewi, dian ayunita. (2018). Uji Validitas Dan
kenyataan di lapangan yaitu berdasarkan kabar Reliabilitas. 7(1), 17–23.
yang ditulis Nurhandoko pada Koran Pikiran
Rakyat tanggal 6 Juli 2018 menyatakan bahwa : Hermansyah, D. (2018). Rekap KPU Usai , Herdiat-
“Komisi Pemilihan Umum (KPU) Kabupaten Yana Unggul Telak dari. Retrieved from
Ciamis tuntas menyelesaikan proses rekapitulasi https://news.detik.com/berita-jawa-
penghitungan suara pemilihan Gubernur-Wakil barat/d-4101053/rekap-kpu-usai-herdiat-
Gubernur Jawa Barat dan pemilihan Bupati dan yana-unggul-telak-dari-petahana-ciamis
Wakil Bupati Ciamis pada Pilkada serentak 2018.
Penghitungan suara yang digelar di gedung Mauliana, P., Hunaifi, N., & Wahyudi, F. (2018).
Kesenian Ciamis berlangsung Kamis, 5 Juli 2018 Menggunakan Metode Topsis ( Studi Kasus :
mulai pukul 9.00 WIB - 23.00 WIB. Hasil Swamitra Ksp Intranz ). 3(1).
rekapitulasi pemilihan Bupati dan wakil Bupati
Ciamis, pasangan nomor 1 Herdiat Sunarya–Yana Monita, D. (2013). Sistem Pendukung Keputusan
D Putera memperoleh 415.767 suara (59,59 Penerima Bantuan Langsung Tunai Dengan
persen), sedangkan nomor 2 Iing Syam Arifin–Oih Menggunakan Metode Analitical Hirarki
Burhanudin mendapat 281.947 (40,41 persen). Process. Pelita Informatika Budi Darma,
Total suara sah sebanyak 697.714 , dan tidak sah III(April), 29–36.
24.237 suara. Sedangkan jumlah pemilih dalam
Daftar Pemilih Tetap (DCT) sebanyak 920.858 Rahayu, S., & Warnilah, A. I. (2018).
pemilih.” (Hermansyah, 2018). IMPLEMENTASI METODE TOPSIS TERHADAP
Hal ini menjawab identifikasi masalah PEMILIHAN BUPATI CIAMIS ( STUDI KASUS
diantaranya : 1) Kriteria pemimpin yang ideal MAHASISWA ASAL CIAMIS ) (Vol. 14).
yang didapat dari 2 (dua) penelitian terdahulu
yaitu popularitas, komunikasi, kepemimpinan, Rosta, J., & Tannady, H. (2017). Aplikasi AHP
keahlian/kecakapan, ketegasan, jujur, merakyat dalam Menentukan Kandidat Gubernur DKI
dapat digunakan sebagai tolak ukur penilaian Jakarta 2012-2017. ComTech: Computer,
pada pemilihan Bupati Ciamis 2) Metode TOPSIS Mathematics and Engineering Applications,
sebagai salah satu metode penunjang keputusan 4(1), 394.
terbukti dapat menyelesaikan persoalan https://doi.org/10.21512/comtech.v4i1.276
pemilihan Bupati Ciamis 2018 dan 100 orang 2
sampel mahasiswa yang berasal dari Kabupaten
Ciamis dapat diterima dan mewakili dengan seputarbandungraya. (2019). Jadwal Tahapan
instrumen kuesioner yang dibuat. 3) Dengan Pilkada Serentak Jawa Barat 2018. pp. 2017–
mengikuti langkah-langkah yang ada pada metode 2019. Retrieved from
TOPSIS data yang didapatkan dari isian kuesioner https://www.seputarbandungraya.com/201
kepada responden diolah dan disajikan dalam 7/10/jadwal-tahapan-pilkada-serentak-
bentuk angka. 4) Serangkaian kegiatan penelitian jawa.html
yang dilakukan dapat menunjukkan bahwa para
pemilih memilih berdasarkan penilaian pada para Surbakti, Ramlan ; Supriyanto, D. ; S. T. (2011).
paslon. Penanganan Pelanggaran Pemilu
Penanganan Pelanggaran Pemilu.
REFERENSI Suyatno, S. (2017). Pemilihan Kepala Daerah

(Pilkada) dan Tantangan Demokrasi Lokal di
Adiwisanghagni, M. (2015). Penggunaan metode Indonesia. Politik Indonesia: Indonesian
topsis dalam rancangan sistem penunjang Political Science Review, 1(2), 212.
keputusan untuk menentukan lokasi usaha https://doi.org/10.15294/jpi.v1i2.6586
baru ( Studi Kasus : Arena Disc Yogyakarta ).
Seminar Nasional Teknologi Informasi Dan Syafirullah, L. (2014). Penerapan Analityc
Multimedia 2015, 187–192. Hierarchy Process ( AHP ) Dalam Pemilu
Pilpres Ri 2014. Bianglala Informatika, 2(2),
Ciamis, K. K. (2018). Komisi pemilihan umum 37–43.
kabupaten ciamis (Vol. 2). Retrieved from
http://kab-ciamis.kpu.go.id/1/index.php/8- Yusianto, R., Arif, M., & Antono, V. (2009).

Implementasi Analytical Hierarchy Process (

Ahp ) Dalam Pemilihan Calon Presiden Ra
Pada Pemilihan Umum Secara Langsung
Tahun 2009.

PARAMETER ASOSIASI UNTUK MENENTUKAN KORELASI JURUSAN

DAN INDEKS PRESTASI KUMULATIF
Relita Buaton1; Deny Jollyta2; Herman Mawengkang3; Muhammad Zarlis4; Syahril Effendi5
1Program Studi Doktor Ilmu Komputer

Universitas Sumatera Utara
www.usu.ac.id
relibbc79@gmail.com
2Program Studi Teknik Informatika

Sekolah Tinggi Ilmu Komputer Pelita Indonesia
www.stikom.pelitaindonesia.ac.id
deny.jollyta@lecturer.pelitaindonesia.ac.id
3Program Studi Matematika

www.usu.ac.id
hmawengkang@yahoo.com

www.usu.ac.id
m.zarlis@yahoo.com
5Fakultas Ilmu Komputer dan Teknologi Informasi

www.usu.ac.id
syahnyata1@gmail.com
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
P-ISSN:1978-1946 | E-ISSN: 2527-6514 | Parameter Asosiasi Untuk…

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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514| Parameter Asosiasi Untuk…

membantu perusahaan atau pihak terkait dalam didefinisikan dalam (Istrat & Lalić, 2017) sebagai
membuat keputusan. berikut:
BAHAN DAN METODE Confidence (X => Y) = P (Y ǀ X) …………………….(1)

Support (X => Y) = P (X U Y) ………………….......(2)
Aturan Asosiasi
Analisis asosiasi atau penggalian aturan Dimana X dan Y merupakan item dari
asosiasi merupakan teknik penambangan data sekelompok data. Confidence didefinisikan
untuk menemukan aturan asosiasi antara sebagai nilai kepastian yang menunjukkan
kombinasi item. Aturan asosiasi ingin kuatnya hubungan antar item dalam sebuah
memberikan informasi dalam bentuk hubungan if apriori (Al Syahdan & Sindar, 2018). Sedangkan
then. Support didefinisikan sebagai sejumlah transaksi
Agrawal merupakan orang pertama yang yang mengandung sekelompok data (Kamsu-
kembali menetapkan aturan asosiasi pada tahun Foguem, Rigal, & Mauget, 2013). Pada penelitian
1993 untuk melakukan analisis keranjang pasar. ini kedua parameter digunakan untuk
Metode keranjang pasar dalam (Correa Bahnsen, menghitung berapa besar hubungan antara
Stojanovic, Aouada, & Ottersten, 2013) dan variabel jurusan sekolah asal, jurusan di
(Pulakkazhy & Balan, 2013) telah secara dominan perguruan tinggi dan IPK melalui sistem online
digunakan dalam analisis penjualan, meskipun yang dirancang.
secara signifikan telah dibuktikan dalam bidang
lain seperti analisis penjualan kartu kredit oleh Bagan Alir Penelitian
(Orriols-Puig, Martínez-López, Casillas, & Lee, Penelitian ini dilakukan dengan beberapa
2013) dan (Sánchez, Vila, Cerda, & Serrano, tahapan kegiatan. Gambar 1 merupakan bagan
2009). Metode ini tidak dapat secara eksplisit alir (flowchart) yang menggambarkan setiap
digunakan dalam kasus yang bersifat simultan, kegiatan penelitian yang dilakukan.
tetapi hanya dalam kasus yang bersifat berturut-
turut yang mungkin sangat berguna dalam
pemasaran, seperti yang terdapat dalam
penelitian (Orriols-Puig et al., 2013). Selain itu
metode ini juga dapat dikembangkan sebagai
algoritma klasik dengan memenuhi batasan
minimum support dan confidence (Anitha, A.
Karthika, Bindu, & V. Sriramakrishnan, 2018).
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

Penelitian dimulai dengan mempersiapkan

basis pengetahuan seperti yang diperlihatkan
pada Gambar 1. Basis pengetahuan yang
dimaksudkan adalah data alumni dari 93
perguruan tinggi yang berasal dari 19 provinsi di
seluruh Indonesia, kemudian diinputkan sebagai
awal kegiatan. Data yang diuji berjumlah 10.254
data. Desain dan pembuatan sistem online
dilakukan setelah semua data diperoleh dan
dianalisis sesuai dengan kebutuhan penelitian.
Untuk mendapatkan hasil yang diinginkan,
variabel utama yang digunakan untuk menguji
data adalah jurusan di sekolah asal, jurusan di
perguruan tinggi dan IPK, yang kemudian
ditambahkan dengan variabel lain seperti nama
perguruan tinggi, kategori perguruan tinggi dan
provinsi untuk memfasilitasi interaksi calon
mahasiswa dengan sistem yang dibuat.
Proses pengujian data dilakukan dengan
menggunakan nilai support dan confidence yang
telah ditentukan. Sistem online yang telah dibuat
memungkinkan siapa saja yang dapat melihat
prediksi tentang kesesuaian jurusan sekolah
dengan jurusan di perguran tinggi yang dipilih
dan IPK yang akan diperoleh.
Sumber: (Buaton et al., 2019)
HASIL DAN PEMBAHASAN Gambar2. Diagram Use Case
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.


Tabel 2. Hasil Pehitungan Support dan Confidence Tabel 2 menampilkan hasil prediksi data calon
Kategori I mahasiswa dengan memasukkan jurusan sekolah
IPK Support Confidence Keterangan asal dan jurusan di perguruan tinggi. Sistem
IPK Rule tidak menampilkan informasi yang dapat digunakan
Skala A: ditemukan dalam sebagai acuan dalam pengambilan keputusan.
4.00 0.00% 0.00% basis pengetahuan Sedangkan tampilan dari sistem online untuk
IPK Kategori I terdapat pada Gambar 3.
Skala A- Rule tidak
:3.67- ditemukan dalam
3.99 0.00% 0.00% basis pengetahuan
Berdasarkan basis
pengetahuan, jika
jurusan anda di
SMA/Sederajat :
IPS dan anda
memilih Program
Studi di Perguruan
Tinggi : Sistem
Informasi, maka
kemungkinan besar
IPK anda : B+:3,33-
IPK 3,66 dengan
Skala Support : 0.09% Sumber: (Buaton et al., 2019)
B+:3.33- dan Confidence : Gambar3. Seleksi Jurusan Kategori I
3.66 0.09% 12.31% 12.31%
Berdasarkan basis Pada Kategori II, pilihan calon mahasiswa adalah
pengetahuan, jika
berdasarkan jurusan di sekolah asal, jurusan di
jurusan anda di
SMA/Sederajat : perguran tinggi dan IPK. Hasil perhitungan
IPS dan anda parameter asosiasi terdapat dalam Gambar 4 dan
memilih Program tampilannya diperlihatkan pada Gambar 5.
Studi di Perguruan
Tinggi : Sistem Jurusan
Informasi, maka Perguruan
kemungkinan besar Jurusan Sekolah Asal Tinggi IPK
IPK anda: B:3,00- Sistem
IPS Informasi B+
IPK 3,32 dengan
Support 0.44%
Skala Support : 0.44% Confidence 63.08%
B:3.00- dan Confidence : Berdasarkan basis pengetahuan pada database data mining,
3.32 0.44% 63.08% 63.08% jika jurusan anda di SMA/Sederajat : IPS dan anda memilih
Berdasarkan basis Program Studi di Perguruan Tinggi : Sistem Informasi, maka
pengetahuan, jika kemungkinan besar IPK anda : IPK Skala B+:3,33-3,66
jurusan anda di dengan Confidence 63,08 %, dan Support 0,44 %,
SMA/Sederajat : Sumber: (Buaton et al., 2019)
IPS dan anda Gambar4. Hasil Perhitungan Support dan
memilih Program Confidence Kategori II
Studi di Perguruan .
Tinggi : Sistem
Informasi, maka
kemungkinan besar
IPK anda : B-:2,67-
IPK 2,99 dengan
Skala B- Support : 0.17%
:2.67- dan Confidence :
2.99 0.17% 24.62% 24.62%
IPK
Skala Rule tidak
C+:2.33- ditemukan dalam
2.66 0.00% 0.00% basis pengetahuan
IPK
Skala Rule tidak
C:2.00- ditemukan dalam Sumber: (Buaton et al., 2019)
2.32 0.00% 0.00% basis pengetahuan Gambar 5. Seleksi Jurusan Kategori II

Kategori III merupakan model penyeleksian

terakhir pada sistem online. Calon mahasiswa
dapat menemukan program studi yang sesuai
cukup melalui kriteria jurusan sekolah asal.
Sistem menampilkan simulasi IPK yang mungkin
dapat diraih oleh calon mahasiswa. Sebagian
perhitungan support dan confidence Kategori III
dapat dilihat pada Gambar 6, sedangkan tampilan
antarmukanya terdapat pada Gambar 7.
IPK Skala A: 4.00 Sumber: (Buaton et al., 2019)

IPK Skala A-: 3.67-3.99 Gambar7. Seleksi Jurusan Kategori III
 Berdasarkan basis pengetahuan pada database, jika
anda memilih Program Studi Teknik Informatika di
Perguruan Tinggi, kemungkinan besar anda akan Dari hasil perhitungan menggunakan
memperoleh IPK Skala A-:3,67-3,99, dengan Confidence parameter algoritma A Priori untuk semua
: 100,00% dan Support : 0,01% kategori, tingkat kepercayaan pada lebih dari
 Berdasarkan basis pengetahuan pada database, jika 10000 data berada pada level maximum, yakni
anda memilih Program Studi Administrasi Negara di
Perguruan Tinggi, kemungkinan besar anda akan 100%. Hal ini disebabkan oleh variabel jurusan
memperoleh IPK Skala A-:3,67-3,99, dengan Confidence sekolah asal memiliki kemungkinan yang lebih
: 100,00% dan Support : 0,03% besar untuk diterima di semua jurusan perguruan
 tinggi, walaupun nilai support yang dihasilkan
IPK Skala B+: 3.33-3.66
bervariasi karena tergantung pada kombinasi tiga
anda memilih Program Studi Teknik Informatika di variabel utama, yakni jurusan sekolah asal,
Perguruan Tinggi, kemungkinan besar anda akan jurusan di perguruan tinggi dan IPK. Selain itu, di
memperoleh IPK Skala B+-: 3.33-3.66 dengan beberapa basis pengetahuan memiliki nilai yang
Confidence : 100.00% dan Support : 0.04%
kecil pada variabel jurusan perguruan tinggi,
anda memilih Program Studi Administrasi Negara di seperti jurusan marketing dan fisika. Namun,
Perguruan Tinggi, kemungkinan besar anda akan hasil perhitungan berhasil menunjukkan nilai
memperoleh IPK Skala A-: 3.33-3.66 dengan confidence : support dan confidence tertinggi yang tentunya
100.00% dan Support : 0.22%
sangat mempengaruhi kesesuaian pilihan calon
IPK Skala B: 3.00-3.32
 Berdasarkan basis pengetahuan pada database, jika mahasiswa.
anda memilih Program Studi Teknik Informatika di
Perguruan Tinggi, kemungkinan besar anda akan KESIMPULAN
memperoleh IPK Skala B+-: 3.00-3.32 dengan
Confidence : 100.00% dan Support : 0.14%.
Penggunaan parameter support dan
anda memilih Program Studi Administrasi Negara di confidence telah memperlihatkan adanya korelasi
Perguruan Tinggi, kemungkinan besar anda akan antara jurusan sekolah asal, jurusan di perguruan
memperoleh IPK Skala A-: 3.00-3.32 dengan Confidence tinggi dan IPK. Penelitian ini telah membuktikan
: 100.00% dan Support : 0.27%
bahwa berbagai data mahasiswa alumni yang
dikumpulkan dalam sebuah basis pengetahuan
Gambar6. Hasil Perhitungan Support dan
dapat menunjukkan adanya keterkaitan ketiga
Confidence Kategori III
variabel tersebut. Bahkan hasil perhitungan
support dan confidence dari beberapa data telah
Hasil perhitungan support dan confidence pada
menunjukkan hasil maksimal yakni 100%.
Gambar 6 memungkinkan calon mahasiswa
Kelemahan yang ditemukan pada hasil
mengetahui prediksi IPK yang dapat diraih pada
perhitungan adalah pencapaian nilai support dan
semua skala setiap jurusan di perguruan tinggi.
confidence yang tinggi hanya pada sejumlah kecil
Hasil ini lebih memungkinkan bagi calon
data dalam basis pengetahuan. Hal ini dapat
mahasiswa untuk dengan mudah membuat
dievaluasi dari teknik pengumpulan basis
keputusan.
pengetahuan untuk kebutuhan pengujian. Hasil
penelitian ini telah memberikan gambaran dan
acuan bagi calon mahasiswa dalam memilih
jurusan yang diinginkan di perguruan tinggi dan
pencapaian IPK yang mungkin diperoleh sehingga
diharapkan dapat memfasilitasi proses
pembelajaran dan menghasilkan lulusan yang
kompeten.

Applications, ICMLA 2013, 12, 333–338.

REFERENSI https://doi.org/10.1109/ICMLA.2013.68
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

mining in banking and its applications- A

review. Journal of Computer Science, 9(10),
1252–1259.
https://doi.org/10.3844/jcssp.2013.1252.1
259
Sánchez, D., Vila, M. A., Cerda, L., & Serrano, J. M.

(2009). Association rules applied to credit
card fraud detection. Expert Systems with
Applications, 36, 3630–3640.
https://doi.org/10.1016/j.eswa.2008.02.00
1
Santhosh, S., & Francis, M. (2015). Clinic + - A

Clinical Decision Support System Using
Association Rule Mining. International
Journal of Innovative Research in Computer
and Communication Engineering, 3(4),
3585–3590.
Tseng, V. S., Shie, B. E., Wu, C.-W., & Yu, P. S.

(2013). Efficient Algorithms for Mining Top-
K High Utility Itemsets from Transactional
Database. IEEE Transactions on Knowledge
and Data Engineering, 28(8), 1772–1787.
https://doi.org/10.1109/tkde.2015.245886
0
Yabing, J. (2013). Research of an Improved

Apriori Algorithm in Data Mining
Association Rules. International Journal of
Computer and Communication Engineering,
2(1), 25–27.
https://doi.org/10.7763/ijcce.2013.v2.128

EVALUASI PENERAPAN INVENTORY SYSTEM MENGGUNAKAN

TECHNOLOGY ACCEPTANCE MODEL (TAM)
Ade Christian
Teknik Informatika
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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Evaluasi Penerapan Inventory…

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

pernyataan. Berikut adalah keseluruhan 𝑘

𝑟11 = ((𝑘−1)) (1 −
∑ 𝜎𝑏 2
) ……………………………. (1)
pertanyaan yang digunakan dalam kuesioner 𝜎2𝑡
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

Nilai r Nilai Keterangan 31 sd 40 tahun 10 71,4%

tabel r 41 sd 50 tahun 1 7,1%
5% Hitung Tingkat SMA 2 14,3%
(N=14) Pendidikan Diploma 5 35,7%
AU3 0,458 0,975 Valid Sarjana (S1) 7 50%
AU4 0,458 0,975 Valid Lama <5 tahun 14 100%
Sumber: (Christian, 2017) Penggunaan
Sumber: (Christian, 2017)
Berdasarkan hasil uji validitas yang
dilakukan sebagaimana tabel diatas, maka dapat Berdasarkan tabel di atas, diketahui bahwa
diketahui bahwa seluruh item pada pertanyaan jumlah responden laki-laki dan perempuan
yang digunakan pada variabel kegunaan (PU), berimbang yaitu masing-masing sebanyak 7 orang
variabel kemudahan (PEOU), variabel sikap atau 50%. Sementara dari sisi usia, kebanyakan
menggunakan (ATU), variabel kenyamanan (PE), responden berusia antara 31 sd 40 tahun yaitu
maupun variabel penerimaan IT (AU) adalah valid. sebanyak 10 orang atau 71,4% dari jumlah
Hai ini dapat dilihat dari nilai r hitung dari responden. Berdasarkan tingkat pendidikan
semua item pertanyaan lebih besar dari r tabel mayoritas responden memiliki tingkat pendidikan
0,458 maka dapat disimpulkan bahwa item Sarjana (S1) yaitu sebanyak 7 orang atau 50%.
pernyataan tersebut mampu menghasilkan data Sedangkan dari sisi lama menggunakan Inventory
yang dapat mewakili objek atau nilai yang System semua responden memilih <5 tahun yaitu
dibutuhkan untuk variabel-variabel pada sebanyak 14 orang atau 100%.
penelitian ini.
b. Analisis Deskriptif
b) Uji Reliabilitas Statistik deskriptif ini dilakukan untuk
Dasar pengambilan keputusan dalam uji melihat rata-rata (mean) sikap responden
reliabilitas, suatu variabel akan dinyatakan terhadap tiap-tiap variabel yang diuji. Dari hasil
konsisten (riable) apabila nilai cronbach’s alpha uji frekuensi statistik deskriptif yang telah
lebih besar atau sama dengan 0,6. dilakukan, diperoleh hasil sebagai berikut:
Tabel 2. Hasil Uji Reliabilitas Tabel 4. Hasil Analisis Deskriptif

Nilai PU PEOU ATU PE AU
Variabel Keterangan Valid 14 14 14 14 14
Cornbach’s Alpha
Missing 0 0 0 0 0
PU 0,905 Reliable
PEOU 0,863 Reliable Mean 25.7857 25.8571 16.4286 8.0000 16.2857
ATU 0,930 Reliable Median 25.0000 25.0000 16.0000 8.0000 16.0000
PE 1,000 Reliable Minimum 24.00 24.00 13.00 6.00 12.00
AU 0,952 Reliable Maximum 30.00 30.00 20.00 10.00 20.00
Sumber: (Christian, 2017) Sumber: (Christian, 2017)
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%

Persepsi kenyamanan penggunaan

(perceived enjoyment/PE) memiliki kisaran b. Koefisien Determinasi
antara nilai niminum 6 sampai dengan nilai Analisa koefisiensi determinan pada
maximum 10 dengan nilai rata-rata mean dan penelitian ini dilakukan dengan menggunakan R
median sebesar 8. Dengan demikian berarti Square (r2). Dimana apabila R Square semakin
pengguna beranggapan bahwa aplikasi ini cukup mendekati angka 1, maka dinyatakan semakin
nyaman digunakan bagi responden. kuat variabel bebas dapat memprediksi variabel
Persepsi penggunaan (actual user/AU) memiliki terikat. Berdasarkan tabel di atas, variabel yang
kisaran antara nilai minimum 12 sampai dengan memiliki nilai R Square di atas 0,5 (mendekati
nilai maximum 20 dengan nilai rata-rata mean angka 1) adalah korelasi PEOU-PU (0,858),
16.2857 dan nilai median sebesar 16. Dengan korelasi PU-ATU (0,565), korelasi PEOU-ATU
demikian berarti pengguna beranggapan bahwa (0,578), korelasi PE-ATU (0,553), dan korelasi
aplikasi ini cukup mudah digunakan bagi ATU-AU (0,655). Sehingga dapat dinyatakan
responden. korelasi-korelasi variabel-variabel tersebut dapat
c. Analisis Regresi Linier Sederhana memprediksi variabel minat menggunakan
Berdasarkan analisis regresi linier sederhana Inventory System. Sementara pada korelasi PU-AU
yang telah dilakukan sesuai dengan persamaan dapat dinyatakan variabel bebas kurang dapat
regresi yang telah ditentukan, maka diperoleh memprediksi variabel terikatnya.
informasi sebagaimana dirangkum dalam tabel c. Koefisiensi Regresi
berikut: Analisa koefisiensi regresi diukur dengan
membandingkan nilai koefisien t hitung dengan
Tabel 5. Rangkuman Analisis Regresi Linier nilai t tabel, maka dapat dinyatakan bahwa
Sederhana terdapat pengaruh signifikan variabel bebas
terhadap variabel terikat. Nilai t tabel untuk
penelitian ini adalah 1,782. Berdasarkan tabel di
atas, dapat diketahui bahwa nilai t hitung untuk
masing-masing korelasi memiliki nilai lebih besar
dari t tabel. Sehingga dapat dinyatakan bahwa
terdapat pengaruh signifikan antara variabel
bebas terhadap variabel terikat.
d. Uji Hipotesis
Sumber: (Christian, 2017) Uji hipotesis dilakukan untuk menuji semua
hipotesis yang telah diajukan dengan metode
Berdasarkan tabel di atas, maka dilakukan sebagaimana telah ditentukan pada metode
analisa sebagai berikut: penelitian, sebagai berikut.
a. Koefisiensi Korelasi 1. Persepsi kemudahan penggunaan Inventory
Analisa koefisien kolerasi dilakukan dengan System berpengaruh positif signifikan
membandingkan nilai F Hitung (ANOVA) untuk terhadap persepsi kegunaan Inventory
setiap pengukuran dengan nilai F Tabel, yaitu 4,75. System.
Apabila F Hitung lebih besar dari F Tabel, maka Hipotesis 1 (H1) diterima, karena nilai B
dapat dinyatakan terdapat pengaruh variabel adalah 0,969 yang berarti lebih besar dari 0.
bebas terhadap variabel terikat. Selain itu juga dapat diketahui bahwa nilai t
Berdasarkan analisis regresi yang dilakukan, hitung untuk variabel kemudahan sistem
nilai f hitung variabel PEOU terhadap variabel PU adalah 8,506 yang berarti lebih besar dari t
adalah sebesar 72,352 atau lebih besar dari nilai f tabel 1,782. Dengan kata lain, variabel
tabel. Sehingga dapat diartikan bahwa variabel persepsi kemudahan mempunyai pengaruh
kemudahan berpengaruh terhadap variabel positif signifikan terhadap variabel persepsi
kegunaan. Hal yang sama juga terlihat pada hasil kegunaan.
analisis regresi terhadap variabel PU terhadap 2. Persepsi kegunaan Inventory System
variabel ATU dengan nilai f hitung 15,589. berpengaruh positif signifikan terhadap sikap
Pengaruh variabel PEOU terhadap variabel ATU pengguna Inventory System.
dengan nilai f hitung 16,482. Pengaruh variabel PE Hipotesis 2 (H2) diterima, karena nilai B
terhadap variabel ATU dengan nilai f hitung adalah 0,567 yang berarti lebih besar dari 0.
14,824. Pengaruh variabel PU terhadap variabel Selain itu juga dapat diketahui bahwa nilai t
AU dengan nilai f hitung 4,748. Pengaruh variabel hitung untuk variabel kegunaan adalah 3,948
ATU terhadap variabel AU dengan nilai f hitung yang berarti lebih besar dari t tabel 1,782.
22,810. Dimana nilai f hitung lebih besar dari f Dengan kata lain, variabel persepsi kegunaan
tabel.

mempunyai pengaruh positif signifikan menyimpulka nbahwa secara umum para

terhadap variabel persepsi sikap pengguna. pengguna sudah memiliki sikap dalam
3. Persepsi kemudahan sistem Inventory System menggunakan Inventory System. Peneliti
berpengaruh positif signifikan terhadap sikap menemukan dan menyimpulkan bahwa pengguna
pengguna Inventory System. sudah merasa senang dan nyaman dalam
Hipotesis 3 (H3) diterima, karena nilai B menggunakan Inventory System. Peneliti
adalah 0,600 yang berarti lebih besar dari 0. menemukan dan menyimpulkan bahwa secara
Selain itu juga dapat diketahui bahwa nilai t umum pengguna sudah menerima Inventory
hitung untuk variabel kegunaan adalah 4,060 System sebagai alat bantu dalam menyelesaikan
yang berarti lebih besar dari t tabel 1,782. pekerjaan mereka.
Dengan kata lain, variabel persepsi
kemudahan sistem mempunyai pengaruh REFERENSI
positif signifikan terhadap variabel persepsi
sikap pengguna. Aidi, A. (2014). Sistem Informasi Manajemen.
4. Persepsi kenyamanan pengguna berpengaruh Bogor: In Media.
positif signifikan terhadap sikap pengguna.
Hipotesis 4 (H4) diterima, karena nilai B Arikunto, S. (2014). Prosedur Penelitian Suatu
adalah 1 yang berarti lebih besar dari 0. Selain Pendekatan Praktik. Jakarta: Rineka Cipta.
itu juga dapat diketahui bahwa nilai t hitung
untuk variabel kenyamanan pengguna adalah Christian, A. (2017). Laporan Akhir Penelitian
3,850 yang berarti lebih besar dari t tabel Mandiri. Jakarta.
1,782. Dengan kata lain, variabel persepsi
kenyamanan pengguna mempunyai pengaruh Jogiyanto. (2005). Analisis dan Desain Sistem
positif signifikan terhadap variabel persepsi Informasi Pendekatan Terstruktur Teori dan
sikap pengguna. Praktek Aplikasi Bisnis. Yogyakarta: Andi
5. Persepsi kegunaan berpengaruh positif Offset.
signifikan terhadap Penerimaan IT.
Hipotesis 5 (H5) diterima, karena nilai B Marakarkandy, B., Yajnik, N., & Dasgupta, C.
adalah 0,574 yang berarti lebih besar dari 0. (2017). Enabling Internet Banking Adoption:
Selain itu juga dapat diketahui bahwa nilai t An empirical examination with an
hitung untuk variabel kegunaan adalah 2,179 augmented technology acceptance model
yang berarti lebih besar dari t tabel 1,782. (TAM). Journal of Enterprise Information
Dengan kata lain, variabel persepsi kegunaan Management, 30(2), 263–294.
mempunyai pengaruh positif signifikan https://doi.org/10.1108/JEIM-10-2015-
terhadap variabel penerimaan IT. 0094
6. Persepsi pengguna berpengaruh positif
signifikan terhadap penerimaan TI. Santoso, B. (2012). Pengaruh Perceived
Hipotesis 6 (H6) diterima, karena nilai B Usefulness, Perceived Ease of Use, dan
adalah 1,158 yang berarti lebih besar dari 0. Perceived Enjoyment terhadap Penerimaan
Selain itu juga dapat diketahui bahwa nilai t Teknologi Informasi. Jurnal Studi Akuntansi
hitung untuk variabel pengguna adalah 4,776 Indonesia, 1, 1–15.
yang berarti lebih besar dari t tabel 1,782.
Dengan kata lain, variabel persepsi pengguna Sugiyono. (2008). Metode Penelitian Kuantitatif
mempunyai pengaruh positif signifikan Kualitatif, Dan R&D. Bandung: Alfabeta.
terhadap variabel penerimaan IT.
KESIMPULAN
Berdasarkan analisis dan pembahasan pada

bagian sebelumnya, maka dapat diambil
kesimpulan sebagai berikut: Peneliti menemukan
dan menyimpulkan bahwa para pengguna
Inventory System merasakan penggunaan yang
cukup baik dan berguna bagi pengguna dalam
menyelesaikan pekerjaannya. Peneliti menemukan
dan menyimpulkan bahwa pengguna Inventory
System sudah merasa mudah untuk digunakan
dan dipelajari. Peneliti menemukan dan

IMPLEMENTASI DATA MINING UNTUK MENGETAHUI MANFAAT

RPTRA MENGGUNAKAN METODE K-MEANS CLUSTERING
Ditta Sri Wardiani1, Nita Merlina2
Sistem Informasi
STMIK Nusa Mandiri
1dittasriw@gmail.com
Sistem Informasi Kampus Kota Sukabumi

http://bsi.ac.id/ubsi
2nita@nusamandiri.ac.id
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
IntisariLahan 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
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Implementasi Data Mining….

menyuplai oksigen. Berkurangnya jumlah ruang

terbuka hijau di Jakarta (Rosyidin, W. F., Giyanti,
S., & Dahlia, 2017) Harapannya agar DKI Jakarta
dapat meraih predikat salah satu kota layak anak.
RPTRA sendiri adalah kependekan dari Ruang
Publik Terpadu Ramah Anak. Dengan mengusung
tema ruang hijau dan taman yang sangat menarik
untuk anak-anak dilengkapi dengan taman
bermain, serta ruang perpustakaan dan ruang-
ruang lainnya. Sejauh ini telah dibangun beberapa
RPTRA di penjuru Jakarta agar semakin
banyaknya ruang terbuka hijau dan membuat asri
DKI Jakarta ini. Fasilitas-fasilitas yang dibutuhkan
oleh masyarakat sekitar, menjadikan RPTRA ini
Sumber: (Wardiani & Merlina, 2018)
menjadi tempat untuk berkumpul, tempat
Gambar 1. Tahapan Penelitian
bermain anak-anak, dan bahkan hingga tempat
untuk berolahraga. Dilihat dari kegunaannya
B. Sumber Data dan teknik pengumpulan data
RPTRA sendiri sangat penting, sehingga dengan
Populasi dari penelitian ini adalah masyarakat
adanya penelitian ini dapat membantu pemerintah
sekitar RPTRA Kampung Benda sedangkan sample
dalam melihat manfaat RPTRA dan
dari penelitian ini adalah menggunakan Random
meneglompokkannya menjadi 3 ruang yang paling
Sample.
sering diminati oleh pengunjung. Maka dari itu
diperlukan suatu proses pengklasteran data
C. Analisis Data
(Prasetyowati & Rofiq, 2016) ruangan dengan
Untuk mencapai tujuan penelitian maka
menggunakan suatu teknik data mining. Teknik
analisis yang digunakan adalah analisis data
data mining yang akan digunakan pada penelitian
kuantitatif yang dimana merupakan suatu analisa
ini adalah clustering dengan pendekatan metode
data yang digunakan apabila kesimpulan-
K-Means (Suwardika, 2017).
kesimpulan yang diperoleh dapat dibuktikan
dengan angka-angka dan juga dalam perhitungan
BAHAN DAN METODE
dipergunakan rumus yang ada hubungannya
dengan penulisan. Dalam hal ini akan
Dalam penelitian ini menggunakan design
dipergunakan analisa K-Means Clustering.
penelitian deskriptif sederhana yang merupakan
Penulis mengambil 3 ruangan yang terdiri dari
jenis penelitian yang bertujuan untuk mengetahui
Ruang Aula, Ruang Perpustakaan dan Ruang
gambaran atau deskripsi tentang suatu keadaan
Bermain dengan waktu penelitian 2 bulan. Adapun
secara objektif (Sugiyono, 2014). Dalam penelitian
data dari 3 ruangan tersebut sebagai berikut :
ini penulis menggunakan data mining dalam
proses untuk menggali nilai tambah berupa
1. Ruang Aula
informasi yang selama ini tidak diketahui secara
Bulan April – mei 2018
manual dari suatu data. (Vulandari, 2017).
Sedangkan K-Means merupakan metode yang
Tabel 1. Data Aula 1
digunakan dalam algoritma clustering berbasis Hari / Hari /
jarak yang membagi data ke dalam sejumlah Jumlah Jumlah
Tanggal Tanggal
cluster dan algoritma ini hanya bekerja pada Minggu, 1 April 32 Selasa, 1 Mei 33
atribut numerik. (Dhuhita, 2016) dan untuk 2018 pengunjung 2018 pengunjung
Senin, 2 April 36 Rabu, 2 Mei 24
menunjang pengolahan data maka penulis 2018 pengunjung 2018 pengunjung
menggunakan program spreadsheet (Wicaksono Selasa, 3 April 41 Kamis, 3 Mei 14
Yudhy & Solusi Kantor, 2017) 2018 pengunjung 2018 pengunjung
Rabu, 4 April 38 Jumat, 4 Mei 24
A. Rancangan Penelitian 2018 pengunjung 2018 pengunjung
Kamis, 5 April 33 Sabtu, 5 Mei 46
Langkah-langkah penelitian ini adalah sebagai 2018 pengunjung 2018 pengunjung
berikut : Jumat, 6 April 45 Minggu, 6 21
2018 pengunjung Mei 2018 pengunjung
Sabtu, 7 April 29 Senin, 7 Mei 41
2018 pengunjung 2018 pengunjung
Minggu, 8 April 39 Selasa, 8 Mei 62

Hari / Hari / Hari / Jumlah Hari / Jumlah

Jumlah Jumlah
Tanggal Tanggal Tanggal Tanggal
Selasa, 10 April 26 Kamis, 10 52 Minggu, 8 29 Selasa, 8 Mei 31
2018 pengunjung Mei 2018 pengunjung April 2018 pengunjung 2018 pengunjung
Rabu, 11 April 36 Jumat, 11 37 Senin, 9 49 Rabu, 9 Mei 23
Kamis, 12 April 121 Sabtu, 12 Mei 20 Selasa, 10 52 Kamis, 10 21
2018 pengunjung 2018 pengunjung April 2018 pengunjung Mei 2018 pengunjung
Jumat, 13 April 14 Minggu, 13 51 Rabu, 11 49 Jumat, 11 34
2018 pengunjung Mei 2018 pengunjung April 2018 pengunjung Mei 2018 pengunjung
Sabtu, 14 April 40 Senin, 14 Mei 46 Kamis, 12 12 Sabtu, 12 Mei 25
2018 pengunjung 2018 pengunjung April 2018 pengunjung 2018 pengunjung
Minggu, 15 51 Selasa, 15 48 Jumat, 13 19 Minggu, 13 18
April 2018 pengunjung Mei 2018 pengunjung April 2018 pengunjung Mei 2018 pengunjung
Senin, 16 April 25 Rabu, 16 Mei 26 Sabtu, 14 25 Senin, 14 Mei 49
2018 pengunjung 2018 pengunjung April 2018 pengunjung 2018 pengunjung
Selasa, 17 April 37 Kamis, 17 29 Minggu, 15 31 Selasa, 15 48
2018 pengunjung Mei 2018 pengunjung April 2018 pengunjung Mei 2018 pengunjung
Rabu, 18 April 29 Jumat, 18 60 Senin, 16 26 Rabu, 16 Mei 14
Kamis, 19 April 29 Sabtu, 19 Mei 34 Selasa, 17 39 Kamis, 17 18
2018 pengunjung 2018 pengunjung April 2018 pengunjung Mei 2018 pengunjung
Rabu, 18 41 Jumat, 18 17
Jumat, 20 April 60 Minggu, 20 47
April 2018 pengunjung Mei 2018 pengunjung
Kamis, 19 27 Sabtu, 19 Mei 23
April 2018 pengunjung 2018 pengunjung
Jumat, 20 57 Minggu, 20 29
Minggu, 22 37 Selasa, 22 52
Sabtu, 21 21 Senin, 21 Mei 10
Senin, 23 April 59 Rabu, 23 Mei 21 April 2018 pengunjung 2018 pengunjung
Minggu, 22 37 Selasa, 22 27
Selasa, 24 April 56 Kamis, 24 43 April 2018 pengunjung Mei 2018 pengunjung
Senin, 23 14 Rabu, 23 Mei 48
Rabu, 25 April 57 Jumat, 25 24 April 2018 pengunjung 2018 pengunjung
2018 pengunjung Mei 2018 pengunjung Selasa, 24 23 Kamis, 24 22
Kamis, 26 April 32 Sabtu, 26 Mei 23 April 2018 pengunjung Mei 2018 pengunjung
2018 pengunjung 2018 pengunjung Rabu, 25 37 Jumat, 25 23
Jumat, 27 April 65 Minggu, 27 41 April 2018 pengunjung Mei 2018 pengunjung
2018 pengunjung Mei 2018 pengunjung Kamis, 26 29 Sabtu, 26 Mei 15
Sabtu, 28 April 12 Senin, 28 Mei 57 April 2018 pengunjung 2018 pengunjung
2018 pengunjung 2018 pengunjung Jumat, 27 15 Minggu, 27 17
Minggu, 29 46 Selasa, 29 38 April 2018 pengunjung Mei 2018 pengunjung
April 2018 pengunjung Mei 2018 pengunjung Sabtu, 28 12 Senin, 28 Mei 39
Senin, 30 April 52 Rabu, 30 Mei 31 April 2018 pengunjung 2018 pengunjung
2018 pengunjung 2018 pengunjung Minggu, 29 38 Selasa, 29 31
Kamis, 31 42 April 2018 pengunjung Mei 2018 pengunjung
Mei 2018 pengunjung Senin, 30 21 Rabu, 30 Mei 33
Sumber: (Wardiani & Merlina, 2018) April 2018 pengunjung 2018 pengunjung
Kamis, 31 36
Mei 2018 pengunjung
A. Ruang Perpustakaan Sumber: (Wardiani & Merlina, 2018)

Bulan April – mei 2018
Tabel 3. Data Perpustakaan 1 B. Ruang Bermain
Hari / Jumlah Hari / Jumlah
Tanggal Tanggal Bulan April – mei 2018
Minggu, 1 31 Selasa, 1 Mei 24 Tabel 5. Data Bermain 1
April 2018 pengunjung 2018 pengunjung Hari /
Senin, 2 23 Rabu, 2 Mei 12 Hari / Tanggal Jumlah Jumlah
Tanggal
April 2018 pengunjung 2018 pengunjung Minggu, 1 April 32 Selasa, 1 23
Selasa, 3 36 Kamis, 3 Mei 14 2018 pengunjung Mei 2018 pengunjung
April 2018 pengunjung 2018 pengunjung Senin, 2 April 24 Rabu, 2 Mei 24
Rabu, 4 34 Jumat, 4 Mei 27 2018 pengunjung 2018 pengunjung
April 2018 pengunjung 2018 pengunjung Selasa, 3 April 38 Kamis, 3 14
Kamis, 5 25 Sabtu, 5 Mei 43 2018 pengunjung Mei 2018 pengunjung
April 2018 pengunjung 2018 pengunjung Rabu, 4 April 31 Jumat, 4 27
Jumat, 6 41 Minggu, 6 32 2018 pengunjung Mei 2018 pengunjung
April 2018 pengunjung Mei 2018 pengunjung Kamis, 5 April 32 Sabtu, 5 36
Sabtu, 7 25 Senin, 7 Mei 41 2018 pengunjung Mei 2018 pengunjung
April 2018 pengunjung 2018 pengunjung

Hari /
Hari / Tanggal Jumlah Jumlah
Tanggal
Minggu, 8 April 35 Selasa, 8 22
Selasa, 10 April 26 Kamis, 10 12
Rabu, 11 April 36 Jumat, 11 37
Kamis, 12 April 12 Sabtu, 12 26
Sabtu, 14 April 40 Senin, 14 35
Senin, 16 April 25 Rabu, 16 21
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
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
pengunjung selama 2 bulan dibagi 8 minggu,
Senin, 23 April 32 Rabu, 23 16
2018 pengunjung Mei 2018 pengunjung seperti pada tabel dibawah ini :
2018 pengunjung Mei 2018 pengunjung Table 7.Contoh Transformasi Data
Rabu, 25 April 24 Jumat, 25 24 Ruang Aula
Kamis, 26 April 36 Sabtu, 26 21 No Jumlah Rata-rata
2018 pengunjung Mei 2018 pengunjung 1 32 4,00
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)
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
2 23 2,88
3 36 4,50
HASIL DAN PEMBAHASAN Sumber: (Wardiani & Merlina, 2018)
Berikut ini merupakan skema proses pengolahan

data menggunakan K-Means, yaitu : Table 9. Contoh Transformasi Data Ruang
Bermain
No Jumlah Rata-rata
1 32 4,00
2 24 3,00
3 38 4,75

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)
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
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

15 51 6,38 Sumber: (Wardiani & Merlina, 2018)

17 37 4,63
18 29 3,63 Table 16. Data Cluster 1 Iterasi 9
19 29 3,63 32 4,00
20 60 7,50 36 4,50
21 32 4,00 38 4,75
22 37 4,63 33 4,13
23 59 7,38 29 3,63
24 56 7,00 39 4,88
25 57 7,13 29 3,63
26 32 4,00 26 3,25
27 65 8,13 36 4,50
29 46 5,75 14 1,75
30 52 6,50 25 3,13
31 33 4,13 37 4,63
35 46 5,75 29 3,63
37 41 5,13 29 3,63
38 62 7,75 32 4,00
39 33 4,13 37 4,63
40 52 6,50 32 4,00
41 37 4,63 12 1,50
43 51 6,38 33 4,13
44 46 5,75 24 3,00
45 48 6,00 14 1,75
47 29 3,63 24 3,00
48 60 7,50 21 2,63
49 34 4,25 33 4,13
50 47 5,88 37 4,63
51 59 7,38 20 2,50
52 52 6,50 26 3,25
54 43 5,38 29 3,63
57 41 5,13 34 4,25
58 57 7,13 21 2,63
59 38 4,75 24 3,00
60 31 3,88 23 2,88
61 42 5,25 38 4,75
Jumlah 48 2048 256,00 31 3,88
Rata-rata 42,67 5,33 Jumlah 977 122,13
Sumber: (Wardiani & Merlina, 2018) Rata-rata 28,74 3,59

Data X Y Table 17. Data Cluster 2 Iterasi 9
121 15,13 41 5,13
45 5,63
Jumlah 12 121 15,13 40 5,00
Rata-rata 121 15,13 51 6,38
60 7,50
Sumber: (Wardiani & Merlina, 2018) 59 7,38
56 7,00
Lanjut hingga data tidak mengalami perubahan 57 7,13
atau berpindah cluster. Data ruang aula berhenti 65 8,13
pada iterasi ke-9. Berikut hasil iterasi ke 9 : 46 5,75
52 6,50
Table 15. Jarak Centroid Iterasi 9 46 5,75
N Jarak Centroid 41 5,13
1 2 3
o terdekat yg diikuti 62 7,75
1 3,29 18,88 89,69 3,29 1 52 6,50
51 6,38
2 7,32 14,84 85,66 7,32 1
46 5,75
3 12,36 9,81 80,62 9,81 2 48 6,00

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
RPTRA Kampung Benda ini sudah ada beberapa
yang mengetahui terdapat fasilitas-fasilitas dan
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

RESAPAN BIOPORI DI KAWASAN DAS

CIKAPUNDUNG BAGIAN TENGAH. Jurnal
Perencanaan Wilayah Dan Kota, 13(1), 1–14.
Retrieved from
https://ejournal.unisba.ac.id/index.php/pla
nologi/article/view/1385
Sugiyono. (2014). Metode Penelitian Kombinasi

(Mixed Method). Alfabeta.
Suwardika, G. (2017). PENGELOMPOKKAN DAN

KLASIFIKASI PENGGUNAAN KONTRASEPSI
DI INDONESIA. Jurnal Matematika, Sains, Dan
Teknologi, 17(1), 9–19. Retrieved from
http://ilp.ut.ac.id/index.php/JMST/article/v
iew/263
Vulandari, R. T. (2017). Data Mining Teori dan

Aplikasi Rapidminer. Yogyakarta: Gaava
Media.
Wardiani, D. S., & Merlina, N. (2018). Laporan

Akhir Penelitian Mandiri. Jakarta.
Wicaksono Yudhy & Solusi Kantor. (2017).

Panduan Lengkap Menggunakan Excel 2016.
Jakarta. PT. Elex Media Komputindo.

ANALISIS TECHNOLOGY ACCEPTANCE MODEL GENERASI MILLENIAL

JAKARTA TERHADAP PENGGUNAAN E-MONEY
Randy Ramanda Sultan 1; Tuti Haryanti2; Laela Kurniawati3
1, 3 Program
Studi Sistem Informasi
STMIK Nusa Mandiri
randyramanda.s@gmail.com, laela@nusamandiri.ac.id
2Program Studi Sistem Informasi Akuntansi

www.bsi.ac.id
tuti.tty@bsi.ac.id
Abstract— The development of Digital Technology mencanangkan Gerakan Non-Tunai dan

that has penetrated almost all lines of human life In melakukan sosialisasi-sosialisasi ke berbagai
the field of Finance e-money is considered to have lapisan masyarakat. Akan tetapi, walaupun
many benefits, mostly because the simplicity factor berbagai sosialisasi telah dilakukan, penerimaan
in using it. Bank Indonesia as the authority in e-money di Indonesia masih tergolong rendah.
charge of finance also launched Non-Cash Berdasarkan penelitian sebelumnya, terdapat
Movement and conducted socialization- banyak faktor yang dapat mempengaruhi tinggi
socialization to various layers of society. However, rendahnya penerimaan dan penggunaan
although socialization has been done, the teknologi, antara lain persepsi resiko dan kondisi
acceptance of e-money in Indonesia is still low. fasilitas. Penelitian ini dilakukan untuk
Based on previous research, there are many factors mengetahui pengaruh kedua faktor-faktor
that can influence the high acceptance and use of eksternal tersebut terhadap penggunaan uang
technology, among others, the perception of risk elektronik di kalangan masyarakat millennial
and Facilitating condition. This research was jakarta yang dilakukan dengan menguji pengaruh
conducted to find out the influence of both external faktor-faktor tersebut menggunakan pendekatan
factors to the use of electronic money among Technology Acceptance Model (TAM). Subjek
jakarta millennial society conducted by testing the dalam penelitian ini berjumlah 100 orang.
influence of these factors using approach Pengumpulan data dilakukan dengan
Technology Acceptance Model (TAM). Subjects in menyebarkan kuisioner online. Analisis data
this study amounted to 100 people. Data collection menggunakan aplikasi SPSS for Windows versi
is done by distributing online questionnaire. Data 16.0. Berdasarkan hasil penelitian didapatkan
analysis using SPSS for Windows version 16.0. Based bahwa Kedua faktor eksternal berpengaruh dalam
on the research result, it is found that the two penerimaan e-money.
external factors have an effect on the acceptance of
e-money. Kata Kunci: Technology Acceptance Model, TAM,
SPSS, Millenial, Jakarta, E-money
Key Word: Technology Acceptance Model, TAM,
SPSS, Millenial, Jakarta, E-money PENDAHULUAN
Intisari—Perkembangan Teknology Digital yang Berkembangnya teknologi informasi

telah merambah hampir seluruh lini kehidupan beberapa tahun belakangan ini telah membawa
manusia Dibidang Keuangan e-money dianggap banyak perubahan terhadap berbagai lini
memiliki banyak manfaat, diantaranya kehidupan, tak terkecuali dibidang transaksi
dikarenakan faktor kesederhanaan dalam keuangan. Dengan adanya perkembangan
menggunakannya. Bank Indonesia sebagai otoritas dibidang teknologi informasi dan terus
yang berwewenang dalam bidang keuangan pun berkembangnya infrastruktur yang menunjang hal
P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Analisis Technology Acceptance …

tersebut menyebabkan industri perbankan ikut berhubungan dengan penelitian mengenai

melakukan inovasi-inovasi dalam hal pembayaran generasi millenial dan penggunaan e-money
elektronik (Electronic Payment). C. Wawancara
Berdasarkan Data yang dilansir oleh Bank Melakukan Wawancara kepada narasumber
Indonesi Pada bulan juni 2017, uang tunai yang yang merepresentasikan generasi millenial
beredar dalam arti luas (M2) mencapai Rp. 5,278 Jakarta terutama yang menggunakan e-money
Trilliun (Divisi Statistik Moneter dan Fiskal, n.d.). agar mendapatkan data yang valid.
Dari sekian banyak bank yang beroperasi di
Indonesia, Bank Central Asia (BCA) adalah bank Penelitian Terkait
pertama yang menerbitkan e-money di Indonesia Hasil dari uji penelitian Identifikasi
dengan menerbitkan produk e-money yang Faktor-Faktor Pada Penerimaan E-money Pada
dikenal dengan kartu Flazz pada tahun 2009, lalu Kalangan Mahasiswa di Yogyakarta Menggunakan
pada tahun yang sama BI meluncurkan peraturan Technology Acceptance Model menunjukan bahwa
mengenai uang elektronik untuk mengatur dua faktor eksternal yang diujikan, yaitu Kondisi
peredaran produk perbankan tersebut. Fasilitas dan persepsi resiko berpengaruh
Berdasarkan data statistik Bank Indonesia terhadap penerimaan E-money pada responden
(BI), dengan pertumbuhan nominal 216,46%, yang di ujikan (Paramita, 2016).
volume transaksi uang elekronik meningkat Beberapa universitas di Indonesia telah
157,31% menjadi 330,67 juta transaksi dari menerapkan penggunaan e-money untuk
November 2017 yang mencapai 128,51 juta transaksi ekonomi yang terjadi didalam kampus
transaksi (Bank Indonesia, 2017). Penyebab seperti penggunaan e-money dikantin kampus.
kenaikan volume dan nilai transaksi uang Universitas Indonesia telah menerapkan
transaksi adalah meningkatnya jumlah uang yang penggunakaan e-money dikantin kampus sejak
beredar dimasyarakat. Sampai November 2018, tahun 2013, sedangkan Fakultas ekonomika dan
jumlah uang elektronik yang beredar sebanyak bisnis Universitas Diponegoro e-money hanya
152,067 atau meningkat 33,72% dengan periode digunakan sebagai kartu identitas dan kartu hadir
sama tahun sebelumnya sebanyak 113,72 juta. bagi mahasiswa dan dosen dan belum digunakan
Ada beberapa kelebihan e-money untuk aktivitas transaksi ekonomi dilingkungan
dibandingkankan uang fisik. Pertama, bisa FEB Undip (Ramadhan, Prasetyo, & Irviana, 2016).
melakukan berbagai transaksi tanpa membawa
banyak uang fisik, Kedua bisa melakukan transaksi
lebih cepat karena tinggal mengurangi nilai di e- Metode Pengumpulan Data
money dengan nilai transaksi. Namun ada juga Penelitian ini menggunakan kuesioner yang
kekurangan e-money. Pertama, belum semua diberikan secara langsung kepada Subjek.
transaksi bisa memakai e-money karena e-money Pengolahan data dalam penelitian ini dilakukan
baru bisa dipakai di merchant yang bekerja sama terhadap jawaban responden melalui penyebaran
dengan penerbit. Kedua, risiko seluruh uang kuesioner yang telah diberikan. Pengujian
hilang ketika pengguna kehilangan kartu (Rosanti hipotesis menggunakan perangkat lunak SPSS for
& Mustafa, 2018) atau piranti yang dipakai Windows versi 16.0.
menyimpan e-money (Wibowo, Rosmauli, & Subjek pada penelitian ini adalah
Suhud, 2015). masyarakat Millenial Jakarta dengan kelompok
umur antara 17 sampai 25 tahun. Sumber data
diperoleh melalui penyebaran kuesioner Online
BAHAN DAN METODE yang dimulai dari tanggal 24 Desember 2017
sampai dengan tanggal 31 Desember 2017.
Penulis juga melakukan beberapa metode kuesioner yang disebar sebanyak 100 buah
dalam penulisan ini sebagai proses penelitian dan jumlah kuesioner yang kembali pun sebanyak
data, guna untuk menunjang penyusunan 100 buah. Dari 100 kuesioner yang kembali 4
penelitian ini. Beberapa metode yang digunakan buah data tidak dapat diolah dan 96 data dapat
penulis dalam mengumpulkan data adalah sebagai diolah. Data yang tidak diolah dikarenakan subjek
berikut : tidak memilik e-money
A. Observasi Penelitian ini dilakukan berdasarkan hasil
Melakukan penelitian langsung ke lapangan jawaban atas kuesioner yang dapat diolah
agar mempermudah dalam pengambilan data sebanyak 96 kuesioner. Berdasarkan tanggapan
yang akan digunakan dalam penelitian. subjek atas hasil data kuesioner yang terkumpul,
B. Studi Pustaka maka hasil dari identifikasi karakteristik subjek
Dengan mempelajari buku-buku dan adalah sebagai berikut :
literatur-literatur yang relevan yang

Gambaran Subjek Penelitian Berdasarkan Interval=

Nilai maksimal−nilai minimal
=
5−1
= 0.8 (1)
Jenis Kelamin jumlah kelas 1
Proporsi subjek penelitian berdasarkan

jenis kelamin yaitu 44 orang atau 45.8% pria dan 1.00 - 1.79 = Sangat Rendah
52 orang atau 54.2% wanita. 1.80 - 2.59 = Rendah
2.60 – 3.39 = Sedang
Gambaran Subjek Berdasarkan Umur 3.40 – 4.19 = Tinggi
Proporsi terbanyak subjek penelitian 4.20 – 5.00 = Sangat Tinggi
berdasarkan jenis umur adalah kelompok umur
20-25 tahun dengan subjek sebanyak 44 orang Nilai rata-rata dari masing-masing variabel
atau 45.8%. Kemudian kelompok umur 26-30 adalah 3,66 yang berada pada 3,40 – 4,19, yang
tahun dengan subjek sebanyak 25 orang atau 26%, berarti Perceived of Risk dipersepsikan responden
kelompok umur <20 tahun dengan batas umur termasuk tinggi. Nilai rata-rata ini menunjukan
bawah 17 tahun, dan 12 subjek atau 12,5% bahwa variabel PoR adalah tinggi.
dengan kelompok umur 31-35 tahun. Nilai rata-rata (mean) masing-masing
Pendidikan variabel adalah 3,76, Nilai-nilai tersebut berada
Proporsi subjek penelitian berdasarkan pada skala 3,40 – 4,19, yang berarti Facilitating
tingkat pendidikan terbanyak ada tingkatan S1 Condition dipersepsikan responden termasuk
(Sarjana) atau sederajat dengan jumlah subjek tinggi. Nilai rata-rata ini menunjukan bahwa
sebanyak 59 Orang atau 61.5%. Tingkat variabel FC adalah tinggi.
pendidikan terbesar kedua adalah dari Pendidikan Nilai rata-rata (mean) masing-masing
SMA/SMK yaitu sebesar 17 subjek atau 17.7%. adalah 3,91, Nilai-nilai tersebut berada pada skala
Tingkat Pendidikan S2 atau sederajat dan Diploma 3,40 – 4,19, yang berarti Perceived of Usefulness
atau sederajat memiliki jumlah subjek yang sama dipersepsikan responden termasuk tinggi. Nilai
yaitu 10 orang atau 10,4%. rata-rata ini menunjukan bahwa variabel PoU
adalah tinggi.
Jenis Kartu Nilai rata-rata (mean) masing-masing
Dari 96 subjek, 59 subjek atau 61.5% variabel adalah 4,15, Nilai-nilai tersebut berada
menggunakan Kartu Flazz yang di publish oleh pada skala 3,40 – 4,19, yang berarti Perceived Ease
BCA, diikuti dengan E-Cash Mandiri sebanyak 42 of Use dipersepsikan responden termasuk tinggi.
subjek atau 43.8%, E-toll card menempati posisi Nilai rata-rata ini menunjukan bahwa variabel
ketiga dengan subjek sebanyak 40 orang atau PEoU adalah tinggi.
41.7%, di posisi keempat dan kelima T-Cash Nilai rata-rata variabel adalah 4,02, Nilai-
telkomsel dan JakCard Bank DKI memiliki jumlah nilai tersebut berada pada skala 3,40 – 4,19, yang
subjek 24 dan 22 orang, atau 25% dan 22,9%. berarti Attitude toward Using dipersepsikan
TapCash BNI memiliki jumlah subjek sebanyak 16 responden termasuk tinggi. Nilai rata-rata ini
orang atau 16,7%. Brizzi BRI memiliki jumlah menunjukan bahwa variabel AtU adalah tinggi
subjek sebanyak 13 orang atau 13.5%. dan Nilai rata-rata (mean) masing-masing variabel
terakhir 6 subjek atau 6.3% memilih e-money yang adalah 3.96, Nilai-nilai tersebut berada pada skala
diterbitkan oleh publisher lainnya. hasil tersebut 3,40 – 4,19, yang berarti Behavioral Intention to
didapat dari subjek yang memiliki kartu lebih dari Use dipersepsikan responden termasuk tinggi.
satu jenis. Nilai rata-rata ini menunjukan bahwa variabel
Deskripsi Responden Berdasarkan Variabel BItU adalah tinggi
Variabel-variabel yang digunakan dalam Nilai rata-rata (mean) masing-masing variabel
penelitian ini meliputi faktor persepsi resiko adalah 3,71, Nilai-nilai tersebut berada pada skala
(Perceived of Risk (PoR)), kondisi fasilitas 3,40 – 4,19, yang berarti Actual Use dipersepsikan
(Facilitating Condition (FC)) persepsi kemudahan responden termasuk tinggi. Nilai rata-rata ini
penggunaan (Perceived of usefulness (PoU)), menunjukan bahwa variabel AU adalah tinggi
persepsi manfaat (Perceived Ease of Use (PEoU)),
sikap terhadap penggunaan (Attitude toward using HASIL DAN PEMBAHASAN
(ATU)), minat terhadap penggunaan (Behavioral
Intention to Use (BItU)) & penggunaan aktual Hasil Uji Validitas Data
(Actual Use (AU)) diuji secara statistik deskriptif. Berdasarkan hasil data dari kuesioner
Skor penelitian berdasarkan kriteria yang telah diolah diketahui bahwa variabel PoR
menurut skala likert ini akan diperoleh dengan terdiri dari 4 pertanyaan yang keseluruhannya
rumus aritmatika mean yaitu: adalah valid dengan nilai signifikansi lebih kecil
dari 0,05. Hal ini berarti bahwa setiap item
pertanyaan PoR yang digunakan dalam penelitian

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.

4. Korelasi antara FC dan PEoU sebesar 0,734 mempunyai maksud hubungan

Berdasarkan perhitungan, diperoleh angka antara variabel AtU dan BItU cukup kuat. Korelasi
antar variabel FC dan PEoU sebesar 0,578. Korelasi dua variabel tersebut mempunyai probabilitas
sebesar 0,578 mempunyai maksud hubungan sebesar 0,000 < 0,05, maka telah cukup bukti untuk
antara variabel FC dan PEoU kuat. Korelasi dua menolak Ho; p = 0 dan menerima Ha; p ≠ 0
variabel tersebut mempunyai probabilitas sebesar sehingga korelasi bersignifikan
0,000 < 0,05, maka telah cukup bukti untuk 11. Korelasi antara BItU dan AU
menolak Ho; p = 0 dan menerima Ha; p ≠ 0 Berdasarkan perhitungan, diperoleh angka
sehingga korelasi bersignifikan antar variabel BItU dan AU Sebesar 0,659 Korelasi
5. Korelasi antara PoU dan PEoU sebesar 0,659 mempunyai maksud hubungan
Berdasarkan perhitungan, diperoleh angka antara variabel BItU dan AU cukup kuat. Korelasi
antar variabel PoU dan PEoU sebesar 0,732 dua variabel tersebut mempunyai probabilitas
Korelasi sebesar 0,732 mempunyai maksud sebesar 0,000 < 0,05, maka telah cukup bukti
hubungan antara variabel PoU dan PEoU kuat. untuk menolak Ho; p = 0 dan menerima Ha; p ≠ 0
Korelasi dua variabel tersebut mempunyai sehingga korelasi bersignifikan.
probabilitas sebesar 0,000 < 0,05, maka telah Berdasarkan hasil penelitian terhadap
cukup bukti untuk menolak Ho; p = 0 dan beberapa konstruk dalam model penelitian ini,
menerima Ha; p ≠ 0 sehingga korelasi bersignifikan maka dapat digambarkan beberapa jawaban
6. Korelasi antara PoU dan AtU hipotesis yang telah dirumuskan sebagai
Berdasarkan perhitungan, diperoleh angka berikut.
antar variabel PoU dan AtU Sebesar 0,684 Korelasi
sebesar 0,684 mempunyai maksud hubungan Tabel 2 Hasil Uji Hipotesis
antara variabel PoU dan AtU kuat. Korelasi dua Hipotesis Hubung Hasil Nilai Signifik Keterang
variabel tersebut mempunyai probabilitas sebesar an Uji T Peng asi an
aruh
0,000 < 0,05, maka telah cukup bukti untuk
H1 PoR 4,011 0,38 0,000 Diterima
menolak Ho; p = 0 dan menerima Ha; p ≠ 0 terhada 2
sehingga korelasi bersignifikan p PoU
H2 PoR 3,268 0,31 0,002 Diterima
7. Korelasi antara PEoU dan AtU terhada 9
p PEoU
Berdasarkan perhitungan, diperoleh angka H3 FC 6,860 0,57 0,000 Diterima
antar variabel PEoU dan AtU Sebesar 0,682 terhada 8
Korelasi sebesar 0,682 mempunyai maksud p PoU
hubungan antara variabel PEoU dan AtU kuat. H4 FC 7,612 0,61 0,000 Diterima
terhada 8
Korelasi dua variabel tersebut mempunyai p PEoU
probabilitas sebesar 0,000 < 0,05, maka telah H5 PEoU 10,40 0,73 0,000 Diterima
cukup bukti untuk menolak Ho; p = 0 dan terhada 3 2
menerima Ha; p ≠ 0 sehingga korelasi bersignifikan p PoU
8. Korelasi antara PEoU dan AtU H6 PoU 9,082 0,68 0,000 Diterima
terhada 4
Berdasarkan perhitungan, diperoleh angka p AtU
antar variabel PEoU dan AtU Sebesar 0,682 H7 PEoU 9,049 0,68 0,000 Diterima
Korelasi sebesar 0,682 mempunyai maksud terhada 2
hubungan antara variabel PEoU dan AtU kuat. p AtU
H8 PoU 7,170 0,59 0,000 Diterima
Korelasi dua variabel tersebut mempunyai terhada 5
probabilitas sebesar 0,000 < 0,05, maka telah p BItU
cukup bukti untuk menolak Ho; p = 0 dan H9 AtU 10,49 0,73 0,000 Diterima
menerima Ha; p ≠ 0 sehingga korelasi bersignifikan terhada 0 4
p BItU
9. Korelasi antara PoU dan BItU
H10 BItU 8,505 0,65 0,000 Diterima
Berdasarkan perhitungan, diperoleh angka terhada 9
antar variabel PoU dan BItU Sebesar 0,595 Korelasi p AU
sebesar 0,595 mempunyai maksud hubungan Sumber : (Sultan, Haryanti, & Kurniawati, 2018)
antara variabel PoU dan BItU kuat. Korelasi dua
variabel tersebut mempunyai probabilitas sebesar Hasil uji T pada hipotesis 1, 2, 3, dan 4
0,000 < 0,05, maka telah cukup bukti untuk pada tabel diatas menunjukan bahwa ada
menolak Ho; p = 0 dan menerima Ha; p ≠ 0 hubungan signifikan antara Perceived of Risk
sehingga korelasi bersignifikan (PoR) dan Facilitating Condition (FC) dengan
10. Korelasi antara AtU dan BItU Perceived of Usefulness (PoU) dan Perceived Ease of
Berdasarkan perhitungan, diperoleh angka Use (PEoU), dimana pada keempat nilai
antar variabel AtU dan BItU Sebesar 0,734 Korelasi bersignifikansi. Penelitian menunjukan bahwa

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.
Tabel 3. Nilai Rata-Rata Konstruk REFERENSI

Konstruk Rata-Rata Keterangan
Perceived of Risk (PoR) 3.66 Bank Indonesia.
Tinggi(2017). Uang Beredar Meningkat
Facilitating Condition (FC) 3.76 Tinggi pada Juni 2017. Retrieved from
Perceived of Usefulness (PoU) 3.91 Tinggi https://www.bi.go.id/id/ruang-media/info-
Perceived Ease of Use (PeoU) 4.15 Tinggi terbaru/Pages/Uang-Beredar-Meningkat-
Attitude toward using (AtU) 4.02 Tinggi pada-Juni-2017.aspx
Behavioral Intention to Use (BItU) 3.96 Tinggi
Attitude toward using (AtU) 3.71 TinggiDivisi Statistik Moneter dan Fiskal. (n.d.). Analisis
Sumber : (Sultan, Haryanti, & Kurniawati, 2018) Perkembangan Uang Beredar (M2) - Juni
2017 - Bank Sentral Republik Indonesia.
Dari beberapa jawaban yang diberikan
oleh responden menunjukan bahwa rata-rata dari Paramita, D. (2016). Identifikasi Faktor-Faktor
nilai kontruks PoR dan SK adalah tinggi. Dan rata- Penerimaan E-Money Pada Kalangan
rata dari konstruk diatas yang paling berdominan Mahasiswa di Yogyakarta Menggunakan
adalah tinggi. Acceptance Model, 8.
Dari hasil gambaran kuesioner yang telah
diisi oleh para responden menunjukan bahwa nilai Ramadhan, A. F., Prasetyo, A. B., & Irviana, L.
rata-rata konstruk PoU sebesar 3,91 dan PEoU (2016). Persepsi Mahasiswa Dalam
sebesar 4,15. gambaran ini menunjukan bahwa Menggunakan E-money. Persepsi Mahasiswa
PEoU dan PoU tinggi. Dalam Menggunakan E-Money, 13, 1–15.
Gambaran konstruk dari nilai rata-rata
yang didapat dari konstruk AtU sebesar 4,02 hal Rosanti, N., & Mustafa, M. (2018). Faktor
ini menunjukan bahwa variabel AtU adalah tinggi, Keengganan Pengguna Jasa Tol Beralih
begitu juga dengan variabel BItU sebesar 3,96 Menggunakan E-Money. Patria Artha
adalah tinggi, variabel tentang AU memilik nilai Management Journal, 2(1), 23 – 40.
rata-rata sebesar 3.71, hal ini menunjukan bahwa https://doi.org/10.33857/PAMJ.V2I1.107
variabel AU juga tinggi.
Sultan, R. R., Haryanti, T., & Kurniawati, L. (2018).
KESIMPULAN Laporan Akhir Penelitian Mandiri: Analisis
Technology Acceptance Model Generasi
Dari hasil penelitian, didapatkan kesimpulan Millenial Jakarta Terhadap Penggunaan E-
berupa persepsi resiko terhadap persepsi Money. Jakarta.
kemudahan penggunaan berpengaruh 38%,
persepsi resiko terhadap persepsi manfaat Wibowo, S. F., Rosmauli, D., & Suhud, U. (2015).
berpengaruh 32%, kondisi fasilitas terhadap Pengaruh Persepsi Manfaat, Persepsi
persepsi berpengaruh 58%, kondisi fasilitas Kemudahan, Fitur Layanan, Dan
terhadap persepsi manfaat berpengaruh 62%, Kepercayaan Terhadap Minat Menggunakan
persepsi manfaat terhadap persepsi kemudahan E-Money Card (Studi Pada Pengguna Jasa
penggunaan berpengaruh 73%, persepsi Commuterline Di Jakarta). JRMSI - Jurnal
kemudahan penggunaan terhadap sikap terhadap Riset Manajemen Sains Indonesia, 6(1), 440.
penggunaan berpengaruh 68%, persepsi manfaat https://doi.org/10.21009/JRMSI.006.1.06
terhadap sikap terhadap penggunaan
berpengaruh 68%, persepsi kemudahan
penggunaan minat terhadap penggunaan
berpengaruh 60% , sikap terhadap penggunaan
terhadap minat terhadap penggunaan

Full Paper Vol 15 1 Maret 2019

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full Paper Vol 15 1 Maret 2019

Diunggah oleh

Hak Cipta:

Format Tersedia

JURNAL

Pusat Penelitian Pengabdian Masyarakat STMIK Nusa Mandiri

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Penasehat : Ketua STMIK Nusa Mandiri

Penanggung Jawab : Ketua PPPM STMIK Nusa Mandiri Jakarta

Ketua Editor : Dr. Windu Gata, M.Kom (STMIK Nusa Mandiri)

Editor : Anggi Oktaviani, M.Kom (STMIK Nusa Mandiri)

Mitra Bestari : Dr Hilman Ferdinandus Pardede, S.T, MEICT (Pusat Penelitian

Alamat Redaksi : Kampus STMIK Nusa Mandiri

Email Redaksi : jurnal.pilar@nusamandiri.ac.id

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

Redaksi mengundang rekan-rekan peneliti, ilmuwan dari berbagai lembaga pendidikan

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

1. PENYELEKSIAN JURUSAN TERFAVORIT PADA SMK SIRAJUL FALAH DENGAN

2. PENERAPAN METODE TOPSIS DALAM PENILAIAN KINERJA GURU TETAP SD

3. PENERAPAN FEATURE WEIGHTING OPTIMIZED PADA NAÏVE BAYES UNTUK

4. OPTIMASI ALGORITMA VECTOR SPACE MODEL DENGAN ALGORITMA K-NEAREST

5. KOMPARASI ALGORITMA DENGAN PENDEKATAN RANDOM UNDERSAMPLING

6. PENERAPAN METODE ITERATIVE DICHOTOMIZER 3 (ID 3) UNTUK MENENTUKAN

7. INFORMATION RETRIEVAL SYSTEM PADA FILE PENCARIAN DOKUMEN TESIS

8. SERVER-SIDE PROCESSING TECHNIQUES FOR OPTIMIZING THE SPEED OF

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

9. PENERAPAN MODEL WATERFALL PADA PENGEMBANGAN SISTEM INFORMASI

10. TEKNIK RESPONSIVE WEB DESIGN BOOTSTRAP 4 SERTA PENERAPANNYA DALAM

11. PERANCANGAN SISTEM INFORMASI BOOKING PEREKAMAN E-KTP (SI MBOK)

12. SISTEM INFORMASI GEOGRAFIS PEMETAAN BENCANA ALAM KOTA BREBES

13. IMPLEMENTASI ALGORITMA APRIORI TERHADAP DATA PENJUALAN PADA

14. OTOMATISASI SISTEM PRODUK DALAM PENGOLAHAN DATA PADA PROSES

15. SISTEM PENDUKUNG KEPUTUSAN SELEKSI PEMILIHAN PERGURUAN TINGGI

16. IMPLEMENTASI METODE TOPSIS TERHADAP PEMILIHAN BUPATI CIAMIS (STUDI

17. PARAMETER ASOSIASI UNTUK MENENTUKAN KORELASI JURUSAN DAN INDEKS

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

18. EVALUASI PENERAPAN INVENTORY SYSTEM MENGGUNAKAN TECHNOLOGY

19. IMPLEMENTASI DATA MINING UNTUK MENGETAHUI MANFAAT RPTRA

20. ANALISIS TECHNOLOGY ACCEPTANCE MODEL GENERASI MILLENIAL JAKARTA

P-ISSN: 1978-1946 | E-ISSN: 2527-6514

PENYELEKSIAN JURUSAN TERFAVORIT PADA SMK SIRAJUL FALAH

Siti Nurlela1; Akmaludin2; Sri Hadianti3; Lestari Yusuf4

1Program Studi Ilmu Komputer

2Program Studi Sistem Informasi

3Program Studi Ilmu Komputer

4Program Studi Sistem Informasi

Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.

P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penyeleksian Jurusan Terfavorit…

P-ISSN: 1978-2136 | E-ISSN: 2527-676X| Penyeleksian Jurusan Terfavorit…

2. Menentukan rating kecocokan setiap Dalam pengolahan hasil penelitian, penulis

(Astuti & Isna Zahrotul Fu’ad, 2017) Menyatakan

Formula untuk melakukan normalisasi metode

Untuk pemberian bobot setiap kriteria adalah

P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penyeleksian Jurusan Terfavorit…

Tabel 2. Bobot Kriteria 5 5

4 3 4 4 2 Hasil dari perhitungan nilai normalisasi dari

P-ISSN: 1978-2136 | E-ISSN: 2527-676X| Penyeleksian Jurusan Terfavorit…

P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penyeleksian Jurusan Terfavorit…

P-ISSN: 1978-2136 | E-ISSN: 2527-676X| Penyeleksian Jurusan Terfavorit…

PENERAPAN METODE TOPSIS DALAM PENILAIAN KINERJA

Susliansyah1; Indra Riyana Rahadjeng2; Heny Sumarno3; Chyntia Marianna Deleaniara. M4

1,3,4 SistemInformasi, 2Komputerisasi Akuntansi

Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.

P-ISSN: 1978-1946 | E-ISSN: 2527-6514 | Penerapan Metode TOPSIS …

𝐷𝑖 − = √∑(𝑦𝑖𝑗−𝑌𝑖−)² ........................................... (6)

b. Membuat matriks keputusan yang ter Dimana: