adalah ID Mhs, Jenis kelamin, Jalur Masuk, IP Object Weka CLI sebagai API yang memproses
Beban semester 1, SKS Beban semester 1, IPK data untuk diprediksi menggunakan algoritme
Beban Semester 1, SKSK Beban semester 1, IP Naive Bayes, dan data_train, data_test, dan
lulus semester 1, SKS lulus semester 1, IPK hasil_predict sebagai model yang menyimpan
lulus semester 1, SKSK lulus semester 1, IP data.
Beban semester 2, SKS Beban semester 2, IPK
Beban Semester 2, SKSK Beban semester 2, IP
lulus semester 2, SKS lulus semester 2, IPK
lulus semester 2, SKSK lulus semester 2, IP
Beban semester 3, SKS Beban semester 3, IPK
Beban Semester 3, SKSK Beban semester 3, IP
lulus semester 3, SKS lulus semester 3, IPK
lulus semester 3, SKSK lulus semester 3, IP
Beban semester 4, SKS Beban semester 4, IPK
Beban Semester 4, SKSK Beban semester 4, IP
lulus semester 4, SKS lulus semester 4, IPK
lulus semester 4, SKSK lulus semester 4, IPK Gambar 4. Sequence digram melihat prediksi
lulus, predikat, dan Yudisium. kelulusan
Gambar 6. Class diagram kelas controller Gambar 9. Perancangan halaman prediksi kelulusan
Sedangkan pada gambar 7 merupakan
gambaran class diagram yang menunjukan 3.4. Implementasi Sistem
hubungan antar kelas model. Selain itu Implementasi merupakan tahap proses
gambaran class diagram kelas model digunakan mengimplementasikan tampilan sistem sesuai
sebagai acuan untuk mendesain basis data dengan perancangan yang telah dianalisis.
sistem. Implementasi dilakukan dalam bentuk
dashboard berbasis website dengan
menggunakan bahasa PHP, HTML, CSS,
JavaScript, dan menggunakan Weka CLI untuk
memproses algoritme. Hasil dari implementasi
dari setiap fitur tergambarkan pada gambar 10,
gambar 11, dan gambar 12.
4.1. Kesimpulan
Kesimpulan yang dapat diambil
berdasarkan hasil penelitian yaitu
pengembangan visualisasi dashbord berbasis
website untuk memprediksi kelulusan dapat
dilakukan dengan memanfaatkan Weka CLI
Gambar 12. Implementasi halaman buat prediksi sebagai API yang memproses data dengan data
mining, dimana algoritme Naive Bayes juga
Sedangkan pada gambar 12, implementasi
dapat dipilih untuk melakukan prediksi pada
fitur buat prediksi digunakan untuk membuat
sistem.
prediksi terhadap data yang akan dilakukan
Selain itu hasil pengujian black-box dalam
pengujian dengan bentuk form input secara
pengembangan sistem menunjukan hasil yang
manual untuk setiap atribut data.
valid untuk semua fitur, dan hasil pengujian
3.5. Pengujian Black-Box usability menggunakan System Usability Scale
menghasilkan nilai sebesar 57.5 dimana nilai
Pengujian Black-Box merupakan pengujian tersebut termasuk kedalam adjective rating
yang didasarkan pada detail aplikasi seperti good namun tingkat acceptability masih
tampilan aplikasi, fungsi-fungsi yang ada pada tergolong Low.
aplikasi, dan kesesuaian alur fungsi dengan
bisnis proses yang diinginkan oleh customer. 4.2. Saran
Pengujian ini tidak melihat dan menguji souce
Saran yang dapat diberikan untuk
code program (hmsisfo, 2016). Pengujian
penelitian berikutnya pada penelitian ini
black-box dilakukan dari sudut pandang
diantaranya adalah 3. Mengembangkan sistem
pengguna sehingga dapat membantu apakah
yang telah dibangun dari sisi pengguna lain
spesifikasi perangkat lunak sudah sesuai.
seperti mahasiswa untuk mencoba prediksi atau
Hasil dari pengujian black-box terhadap 4
akademik untuk mengupdate data training yang
fitur pada sistem menunjukan hasil valid,
digunakan. Selain itu pengembangan dari sisi
dimana setiap kebutuhan fitur yang telah
fungsionalitas dengan fitur – fitur dinamis
didefinisikan dapat ditampilkan dan diproses
untuk memperbarui data training, model, dan
pada sistem sesuai dengan ekspektasi luaran
data testing yang akan digunakan juga dapat
yang diharapkan oleh Kaprodi SI.
dilakukan pada penelitian selanjutnya.
3.6. Pengujian Usability – System Usability Selain itu pengembangan dengan
Scale memperhatikan aspek user interface, user
experience, dan usability sistem juga diperlukan
System Usability Scale atau biasa disingkat supaya sistem bisa mencapai adjective rating
SUS merupakan metode pengujian yang kategori best imaginable dan acceptability
dilakukan dengan tujuan untuk memperoleh ranges dengan kategori acceptable.
nilai dari hasil implementasi sistem dari sudut
pandang pengguna akhir (end user) (Ependi, 5. DAFTAR PUSTAKA
2017). Jumlah pertanyaan pada SUS sebanyak
BAN-PT., 2008. Naskah Akreditasi Program
10 pertanyaan, dengan menggunakan skala
Studi Sarjana. Jakarta.
likert 5 tingkat, mulai dari sangat tidak setuju
hingga sangat setuju. Bustami., 2013, Penerapan Algoritma Naive
Hasil dari pengujian usability Bayes Untuk Mengklasifikasi Data
menggunakan System Usability Scale yang Nasabah Asuransi. TECHSI : Jurnal
dilakukan kepada Kaprodi SI menghasilkan Penelitian Teknik Informatika. Vol. 3.
nilai 57.5. Berdasarkan nilai tersebut, Ependi, U., 2017. System Usability Scale