DESAIN DAN IMPLEMENTASI PENCARIAN BUKU PADA RAK PERPUSTAKAAN BERBASIS MOBILE MENGGUNAKAN AUGMENTED REALITY

DESAIN DAN IMPLEMENTASI PENCARIAN BUKU PADA RAK PERPUSTAKAAN BERBASIS MOBILE MENGGUNAKAN AUGMENTED REALITY Agus Komarudin, Rezki Yuniarti Universitas Jenderal Achmad Yani, Universitas Jenderall Achmad Yani

ABSTRAK. Perpustakaan merupakan satu tempat yang dapat digunakan orang untuk menambah pengetahuan dengan cara membaca buku-buku yang tersimpan di dalamnya. Di tempat ini orang dapat menemukan buku-buku referensi yang dibutuhkan untuk menambah pembendaharaan ilmu. Untuk meminjam buku di perpustakaan setiap orang harus terdaftar sebagai anggota, setelah terdaftar baru dapat meminjamnya. Setelah terdaftar sebagai anggota dan sebelum meminjam buku maka anggota perpustakaan harus mencari buku yang akan dipinjamnya. Proses untuk mencari buku yang akan dipinjam membutuhkan waktu dan ketelitian yang ekstra, dikarenakan terdapat banyak rak dan setiap rak memiliki banyak buku yang berderet. Untuk itu dibutuhkan satu sistem yang dapat mempernudah anggota perpustakaan dalam mencari dan menemukan buku yang akan dipinjamnya. Sistem tersebut nantinya akan memanfaatkan teknologi yang ada yaitu teknologi Augmented Reality (AR). AR ini nantinya akan dimasukkan ke dalam satu alat komunikasi berupa smartphone. Sistem ini nantinya dapat membantu anggota perpustakaan dalam menemukan buku yang akan dipinjam/dibacanya dengan cara mengarahkan smartphone kearah rak buku dan jika ditemukan buku yang dicari maka sistem akan menandai buku yang dicarinya adapun smartphone yang digunakan adalah yang berbasis android. Kata Kunci: perpustakaan, augmented reality, pencarian buku 1.

PENDAHULUAN

Dunia pendidikan merupakan bidang yang sangat membantu dalam menentukan perkembangan suatu negara. Maju tidaknya suatu pendidikan tergantung salah satunya dari bidang yang satu ini. Di Indonesia pendidikan dibagi menjadi beberapa jenjang mulai dari tingkat dasar, menengah, atas dan pendidikan tinggi. Setiap warga negara wajib memperoleh pendidikan minimal sampai dengan Sekolah Menengah Atas (SMA). Untuk menunjang dalam proses pembelajaran dalam pendidikan diperlukan bahan-bahan ajar atau buku-buku pelajaran yang dapat diakses oleh setiap siswa baik tingkat dasar, menengah, atas dan tinggi. Di setiap sekolah menyediakan layanan untuk membaca maupun peminjaman buku-buku yang disebut dengan perpustakaan. Yang menjadi anggota perpustakaan adalah siswa-siswa, guru ataupun umum. Dalam meminjam buku di perpustakaan sering kali anggota perpustakaan merasa kesulitan dalam menemukan buku yang dicarinya. Kesulitan itu muncul karena banyaknya rak yang Seminar Nasional Matematika, Sains dan Informatika 2015

345

Prosiding

ISBN 978-602-18580-3-5

terdapat pada ruang perpustakaan tersebut. Selain itu pula pengelompokkan jenis buku yang tidak tertata rapi akan menyebabkan pula lamanya dalam proses mencari buku. Perkembangan teknologi sekarang ini sangat pesat. Mulai dari teknologi komputer sampai dengan teknologi untuk komunikasi. Perangkat komputer dapat digunakan untuk mengolah data apa pun termasuk pengolahan data perpustakaan. Dengan menggunakan media ini maka proses untuk pencarian buku di perpustakaaan akan semakin dipermudah. Untuk meminjam buku anggota dapat menanyakan langsung kepada petugas perpustakaan tentang buku yang akan dicarinya, apakah ada atau tidak di perpustakaan tersebut. Petugas akan mencari buku tersebut dengan menggunakan aplikasi yang di dalamnya tersimpan data-data koleksi buku. Jika buku yang dicari ada di database perpustakaan artinya buku tersebut ada di rak-rak di ruang perpustakaan, maka anggota perpustakaan dapat langsung mencarinya. Proses untuk mencari buku pada rak-rak yang ada kadang membutuhkan waktu dan ketelitian penglihatan yang ekstra dikarenakan di dalam satu rak terdapat banyak buku. Terkadang karena kurang ketelitian dalam mencarinya kemungkinan proses pencarian buku di dalam rak tersebut akan di ulang. Dan itu menyebabkan banyak waktu terbuang. Untuk mengatasi itu semua, maka akan diajukan sebuah kajian penelitian tentang sistem untuk pencarian buku di perpustakaan yang memanfaatkan teknologi yang ada. Teknologi yang akan digunakan merupakan perpaduan antara perangkat komputer dan perangkat komunikasi yang sifatnya bergerak (mobile). Teknologi tersebut menggunakan satu perangkat yang disebut dengan smartphone. Perangkat ini merupakan perangkat yang multifungsi, dapat digunakan seperti layaknya komputer, atau dapat digunakan untuk melakukan komunikasi. Dengan menggunakan smartphone ini nantinya diharapkan dapat mengatasi permasalahan yang ada. Dalam sistem yang dibuat nantinya berupa perangkat lunak yang dapat diakses di perangkat smartphone dengan memadukannya dengan teknologi Augmented Reality (AR). 2.

METODE PENELITIAN

Dalam penelitian ini menggunakan metode dengan langkah-langkah sebagai berikut: 2.1 Pengumpulan Data Metode yang pertama adalah mengumpulkan data. Pada penelitian ini proses pengumpulan data dilakukan dengan cara studi pustaka atau literatur yaitu pengumpulan data dengan membaca

Seminar Nasional Matematika, Sains dan Informatika 2015

346

Prosiding

ISBN 978-602-18580-3-5

buku-buku referensi yang terkait dengan penelitian ini. Studi pustaka antara lain mencari jurnaljurnal tentang Augmented reality, mempelajari tetang tools vuforia dan unity. 2.2 Rancang Bangun Perangkat Lunak ini terdiri dari empat tahap utama : a. Analisis sistem Aplikasi. Pada tahap ini akan dilakukan analisa kebutuhan perangkat lunak yang akan dikembangkan. b. Desain sistem Aplikasi. Pada tahap ini akan dilakukan perancangan model perangkat lunak yang akan dikembangkan. Yaitu menggunakan Vuforia SDK, Unity. c. Pengkodean sistem Aplikasi. Pada tahap ini akan dilakukan proses penulisan program untuk merealisasikan rancangan sistem dengan menggunakan bahasa pemrograman atau alat bantu berupa framework aplikasi. d. Pengujian sistem Aplikasi. Pada tahap ini akan dilakukan proses pengujian fungsionalitas sistem Aplikasi yang telah dikembangkan. Pengujian yang dilakukan adalah menguji pendeteksian dengan berbagai macam jenis marker dengan aturan tertentu Berikut ini adalah flowchart penelitian :

Gambar 1 Metode Penelitian 3.

HASIL PENELITIAN DAN PEMBAHASAN

3.1 Analisis Sistem Dalam tahap analisis sistem akan dibahas mengenai apa saja yang dibutuhkan dalam sistem aplikasi yang akan dibuat. Seminar Nasional Matematika, Sains dan Informatika 2015

347

Prosiding

ISBN 978-602-18580-3-5

3.2 Kebutuhan Perangkat Lunak Dalam pembuatan system ini dibutuhkan beberapa perangkat lunak diantaranya: 1. Android SDK : berfungsi sebagai tools yang digunakan untuk membuat aplikasi berbasis mobile pada perangkat android. 2. Unity: digunakan untuk mendesain antarmuka dan melakukan coding. Bahasa yang digunakan adalah C# (dibaca:C Sharp). 3. Vuforial: digunakan untuk membuat aplikasi berbasis augmented reality 3.3 Fugsionalitas Sistem Sistem pencarian buku pad arak perpustakaan berbasis augmented reality ini diakses oleh satu user saja (Single User ). Dimana user tersebut dapat menjalankan aplikasi ini dengan menggunakan media marker qrcode yang sudah ditentukan. Secara umum alur sistem aplikasi yang dibuat adalah sebagai berikut : 1. User membuka aplikasi melalui Smartphone Android yang sudah terinstall aplikasi. 2. User menuliskan judul buku yang akan dicarinya setelah itu menekan tombol cari. 3. Jika buku yang dituliskan tadi terdapat di dalam database maka user akan diminta untuk menuju lokasi rak buku tempat buku tersebut disimpan. 4. Setelah ada di depan rak user mengarahkan kamera smartphone kearah marker yang terdapat di setiap buku ke arah rak dengan jarak maksimum 20cm. 5. Program akan secara otomatis membaca setiap marker dan akan menunjukkan posisi buku yang dicari. 6. Akan tetapi jika pada saat user memasukkan judul buku yang dicari dan menekan tombol cari, buku tidak terdapat dalam database maka program akan memberikan keterangan bahwa buku yang dicari user tidak ditemukan. 3.4 Perancangan Sistem Dalam penelitian ini sistem yang akan dibangun adalah berupa aplikasi yang dapat dijalankan di perangkat smartphone yang menggunakan system operasi Android. Dalam penerapannya akan dibuat sebuah media penanda yang didalamnya terdapat beberapa marker dengan pola yang telah ditentukan dimana masing-masing marker akan diidentifikasi koordinatnya dan akan memunculkan objek. Adapun objek yang akan dimunculkan adalah posisi buku yang dicari.


348

Prosiding

ISBN 978-602-18580-3-5

3.5 Pembuatan Marker Marker berfungsi sebagai media pengenal dari setiap buku yang ada di rak perpustakaan. Jenis marker yang digunakan adalah marker berupa QRCode. Pola marker harus diciptakan untuk setiap judul buku. Antara judul buku yang satu dengan yang lain dibuat dengan pola marker yang berbeda dan bersifat unik. Setiap marker yang telah dibuat maka tahap berikutnya adalah proses penganalan objek marker. Caranya adalah dengan meng-upload semua marker melalui website vuforia akan menghasilkan sebuah source code (hasil dari gambar setelah di-generate vuforia) berupa file unitypackage. File ini merupakan file konfigurasi dari vuforia terhadap marker - marker yang telah di-upload.

Gambar 4 Marker untuk buku Pada Gambar 4 merupakan salah satu desain marker yang akan digunakan untuk memunculkan objek yaitu posisi buku yang dicari user. Marker tersebut diregistrasi ke web vuforia pada menu target manager. Marker akan diberi nilai kualitas marker. Setelah marker diregistrasi, kita dapat mengekstrak marker tersebut dan mengimplementasikannya dalam aplikasi. Pada gambar 5 merupakan desain sistem dan pada gambar 6 merupakan alur jalannya aplikasi.

Gambar 5 Desain Sistem Pencarian Buku Seminar Nasional Matematika, Sains dan Informatika 2015

349

Prosiding

ISBN 978-602-18580-3-5

Gambar 6 Perancangan Sistem Pencarian Buku 3.6 Perancangan Antarmuka Antar muka aplikasi ini akan didesain sesederhana mungkin agar user yang menggunakan aplikasi ini dapat dimudahkan dalam penggunaannya. Adapun desain user interface yang akan dibangun adalah seperti di bawah ini :

Tampilan Gambar dan Judul Aplikasi

Gambar 7 Splash Screen

Setelah muncul splash screen seperti gambar 7 kemudian akan mengakses kamera android dan menampilkan informasi posisi buku yang dicari pada marker yang sudah didefinisikan. Adapun


350

Prosiding

ISBN 978-602-18580-3-5

desain antar muka secara umum yaitu berupa tampilan kamera android yang nantinya akan langsung mendeteksi markernya. Judul Nama buku : Cari

Keterangan:

Cari Posisi

Gambar Antarmuka pencarian buku Antarmuka pencarian buku digunakan untuk mencari buku berdasarkan kata kunci judul buku. Jika buku yang dicari terdapat di dalam

database maka

tampilan ini akan memberikan

keterangan bahwa buku yang dicari berada di posisi rak. Setelah itu user dapat menuju lokasi rak yang dimaksud untuk selanjutnya mencari posisi buku pad arak tersebut. Apabila judul buku yang dicari tidak terdapat di database maka system akan memberikan keterangan bahwa buku yang dicari tidak ada di dalam database.

Gambar 8 Antarmuka posisi buku yang ditemukan 3.7 Implementasi Sistem Aplikasi pencarian buku pada rak perpstakaan berbasis AR adalah sebuah perangkat lunak aplikasi mobile android berbasis augmented reality yang dibangun sebagai alat untuk membantu user dalam menemukan buku yang dicari pad arak perpustakaan. Dengan diterapkannya perangkat lunak ini, diharapkan bahwa pengguna mendapatkan kemuahan dalam mencari dan menemukan buku bacaan yang akan dibacanya. Perangkat lunak ini Seminar Nasional Matematika, Sains dan Informatika 2015

351

Prosiding

ISBN 978-602-18580-3-5

dibuat menggunakan bahasa pemrograman C# dengan tools Unity dan Android SDK. Selain itu aplikasi ini juga menggunakan library Vuforia sebagai tools untuk membuat aplikasi augmented reality. Komponen-komponen yang terlibat didalamnya yaitu: 1. User sebagai pengguna aplikasi 2. Marker dalam hal ini berupa gambar qrcode sebagai acuan untuk menampilkan posisi buku yang dicari 3. Telepon seluler berbasis android Proses yang dapat dijelaskan adalah sebagai berikut: 1. User mengarahkan ponsel android ke arah kumpulan marker. 2. Aplikasi akan memproses marker. 3. Informasi posisi buku yang dicari akan ditampilkan sesuai marker yang diarahkan oleh user. Hasil implementasi program dapat dilihat pada gambar di bawah ini :

Gambar 9. Implementasi Splash Screen

Gambar 10. Implementasi Pencarian Buku

Gambar 11. Implementasi Posisi Buku ditemukan 4. KESIMPULAN Seminar Nasional Matematika, Sains dan Informatika 2015

352

Prosiding

ISBN 978-602-18580-3-5

Hasil dari penelitian ini telah berhasil dibangun sebuah system berupa aplikasi pencarian buku di rak perpustakaan berbasis augmented reality yang mampu melakukan hal berikut: 1. Mendeteksi marker berupa QRCode yang dibuat secara acak untuk satu judul buku, yang dalam penelitian ini dilakukan dengan menggunakan API Vuforia. 2. Memberikan informasi mengenai buku yang dicari user dan menunjukkan posisi buku tersebut pada rak buku. Setelah dilakukan pengujian, aplikasi dapat membantu user dalam mencari buku pad arak perpustakaan. Pencarian buku dilakukan dengan mendekatkan smartphone pada kumpulan marker yang ditempel pada setiap buku. Marker akan terbaca oleh aplikasi jika jarak maksimumnya 50cm. Hasil penelitian ini masih terdaat kekurangan yaitu jika terdapat marker yang memilki pola marker yang padat sulit untuk dikenali oleh sistem. Untuk itu perlu dikembangkan lagi mengenai jenis marker yang dapat digunakan untuk pengenal dari setiap buku.

DAFTAR PUSTAKA Makri, A., et al.: ULTRA: Light Augmented Reality Mobile System. In: Proceedings of the ISMAR 2005 Vienna (2005) Duarte Nuno Jardim Nunes (2001)., Object Modeling for User-Centered Development and User Interface Design: The Wisdom Approach., Portugal : UNIVERSIDADE DA MADEIRA Willbert O. Galitz (2007), The Essential Guide to User Interface Design An Introduction to GUI Design Principles and Techniques, Wiley J. Christian et al. , Virtual and Mixed Reality Interfaces for e-Training: Examples of Applications in Light Aircraft Maintenance, 4th International Conference on Universal Access in HumanComputer Interaction, UAHCI 2007 Held as Part of HCI International 2007 Beijing, China, July 22-27, 2007 Proceedings, Part III


353

ANALISIS KINERJA PROTOKOL REAKTIF PADA JARINGAN MANET DALAM SIMULASI JARINGAN MENGGUNAKAN NETWORK SIMULATOR DAN TRACEGRAPH Bayu Nugroho, Noor Akhmad Setiawan, dan Silmi Fauziati Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada

ABSTRAK. Kumpulan mobile node yang saling berkomunikasi dalam jaringan nirkabel membentuk suatu jaringan Mobile Ad Hoc Network (MANET). Topologi dalam jaringan MANET dapat saja berubah sewaktu-waktu karena fungsi mobilitas peralatan tersebut yang dapat bergerak secara dinamis, oleh karena itu pemilihan protokol routing yang tepat sangat dibutuhkan pada rancangan jaringan yang akan dibangun. Penelitian ini menganalisis kinerja protokol DSR dan AODV pada jaringan MANET menggunakan simulator jaringan dengan merancang skenario simulasi dan jumlah node yang bervariasi yaitu 50, 100 dan 150 node. Hasil simulasi berupa trace file yang dianalisis menggunakan software aplikasi Tracegraph, berdasarkan simulasi pada skenario yang dirancang, protokol AODV memberikan kinerja yang lebih baik dari protokol DSR dalam hal End to end Delay dengan penambahan jumlah node. Kata Kunci: AdHoc Network, MANET, AODV, DSR, Reactive Protocol 1. PENDAHULUAN Jaringan Ad Hoc merupakan suatu sistem komunikasi otonom yang fleksibel antar beberapa perangkat di jaringan nirkabel. Kumpulan mobile node yang saling berkomunikasi dalam jaringan nirkabel membentuk suatu jaringan Mobile Ad Hoc Network (MANET). Setiap node penghubung dalam jaringan MANET dapat berfungsi sebagai host dan router yang akan meneruskan paket data ke node tujuan. Topologi dalam jaringan MANET dapat saja berubah sewaktu-waktu karena fungsi mobilitas peralatan tersebut yang dapat bergerak secara dinamis, Abdulwahid & Jiang (2012). Oleh karena pergerakan node dan perubahan topologi yang fleksibel, maka dalam merancang suatu jaringan MANET membutuhkan pemilihan protokol routing yang sesuai dengan rancangan yang akan dibangun. Routing merupakan suatu proses mentransfer paket data antara jaringan yang berbeda atau dalam satu jaringan dari satu node ke node lainnya. Pada jaringan MANET, masing-masing node mempunyai kemampuan melakukan pemrosesan yang serupa secara mandiri tanpa terkoneksi dengan jaringan Infrastruktur, tetapi tetap bisa saling berinteraksi dalam pertukaran data seperti melakukan pengiriman paket data, memelihara table routing, dan sebagainya melalui mekanisme kerja pada Protokol Routing, Song, Ning, Wang, & Jamalipour (2012). Protokol Routing dalam Seminar Nasional Matematika, Sains dan Informatika 2015

354

Prosiding

ISBN 978-602-18580-3-5

jaringan MANET terbagi dalam beberapa kategori diantaranya, protokol routing on demand yang bersifat reaktif, protokol routing table driven yang bersifat proaktif, dan protokol routing hybrid yang merupakan gabungan dari kedua protokol reaktif dan proaktif. Protokol routing reaktif membangun rute (route discovery) melalui pesan permintaan Route Request Packets (RREQ) dan pesan Route Reply (RREP). Route discovery juga dibangun jika komunikasi yang akan diinisiasi oleh node yang tidak memiliki rute, maka protokol routing ini akan mencoba untuk membangun rute, Mehta & Gupta (2014). Protokol ruting yang termasuk kategori protokol reaktif diantaranya adalah DSR (Dynamic Source Routing) dan AODV (Ad hoc On-demand Distance Vector). DSR merupakan protokol routing yang dirancang khusus untuk digunakan dalam multi-hop wireless ad hoc pada jaringan mobile node. Teknik Routing pada protokol DSR

menggunakan konsep source routing yang berarti bahwa node sumber harus mengetahui urutan hop lengkap untuk meneruskan paket data menuju tujuan. Setiap node menyimpan informasi jalur rute yang tersedia dalam route cache, pada saat node menerima permintaan pencarian rute, protokol akan mencari informasi di dalam route cache nya untuk mencari informasi yang diperlukan. Pada teknik ruting protokol AODV, proses routing akan dibangun berdasarkan permintaan (on-demand) hanya jika sebuah rute diperlukan dari node sumber, Rohankar et al. (2012). Protokol AODV menggunakan nilai squence number dalam membangun rute, nilai tersebut memastikan bahwa jalur yang dihasilkan pada proses route dicovery merupakan informasi jalur routing paling update dan jalur yang bebas looping (loop-free). Beberapa penelitian kinerja protokol pada jaringan MANET diantaranya adalah penelitian yang dilakukan oleh Rohankar et al. (2012) yang menganalisis pengaruh dan performance random based mobility models pada tiga jenis protokol yaitu DSDV, AODV, dan DSR. Penelitian tersebut menganalisis jenis model mobilitas pada jaringan MANET. Parameter yang di evaluasi meliputi End to End delay, Throughput, dan Packet Delivery Ratio dengan jumlah node antara 20 sampai 70 node. Hasil perbandingan antara tiga protokol routing tersebut adalah Random Walk mobility model performanya melebihi Random Waypoint mobility model dan Random Direction mobility model pada protokol DSDV. Penelitian pada protokol on-demand, Maheshwari & Nedunchezhian (2013) menganalisis load balancing dan fault tolerance dalam jaringan ad-hoc pada protokol on-demand (BRSR-AOMDV) dengan komparasi protokol AODV. Hasil analisis penelitian yang dilakukan meliputi Packet Delivery Ratio Protokol BRSRAOMDV dibandingkan dengan AODV meningkatkan Packet Delivery Ratio hingga 30%. Seminar Nasional Matematika, Sains dan Informatika 2015

355

Prosiding

ISBN 978-602-18580-3-5

Throughput pada Protokol BRSR-AOMDV dibandingkan dengan AODV meningkatkan Throughput sebesar 50%. Penelitian ini bertujuan menganalisis kinerja protokol MANET pada kategori protokol Reaktif. Properti protokol Reaktif sangat berguna dalam lingkungan MANET yang terbatas sumber daya yang dimiliki oleh mobile node, Mehta & Gupta (2014). Kinerja protokol yang dianalisis adalah protokol DSR dan AODV pada simulasi menggunakan program Simulator. Simulasi dilakukan dengan membangun skenario menggunakan jumlah node yang bervariasi untuk menganalisis protokol yang diuji. Aplikasi yang digunakan untuk simulasi ini menggunakan program Simulator jaringan Network Simulator 2 (NS2) versi 2.35, pada sistem operasi Linux. Analisis tracing file hasil simulasi NS2 menggunakan aplikasi TraceGraph versi 2.02, informasi yang dihasilkan berupa data grafik ataupun teks. 2. METODE PENELITIAN Simulasi dilakukan menggunakan software NS2 dengan beberapa parameter umum yang digunakan. Tabel 1 berisi data parameter simulasi yang digunakan. Tabel 1. Parameter Penelitian Parameter

Nilai Parameter

Propagation

TwoRayGround

Maximum speed

20 m/s

Mobility Model

Random Way Point

Type Routing

DSR, AODV

Network Area

500 x 500 m

Time Simulation

100 second

Tabel 1 menunjukkan parameter yang digunakan dalam penelitian ini meliputi jenis protokol yang digunakan adalah protokol DSR dan AODV dengan jumlah node yang bervariasi pada area simulasi 500x500 meter dengan durasi waktu simulasi selama 100 second. Perancangan pola skenario (Scenario Pattern) dibangkitkan melalui tools pada simulator NS2 melalui file setdest dengan model mobilitas acak (Random Way Point). Dalam simulasi ini dibuat 3 skenario dengan jumlah node 50, 100 dan 150 dengan pause time 0 second, maximum speed 20m/s, area topologi 500x500 meter dan simulation time 100 seconds. Perancangan pola trafik (Traffic pattern) Seminar Nasional Matematika, Sains dan Informatika 2015

356

Prosiding

ISBN 978-602-18580-3-5

dibangkitkan melalui file cbrgen untuk membuat pola trafik CBR (Constant Bit Rate) pada masing-masing node 50, 100 dan 150 dengan maximum connections of 10 at a rate of 8kbps. Setelah merancang skenario dan pola trafik, selanjutnya membuat desain simulasi pada program simulator NS2. Dalam simulasi ini dua protokol yaitu AODV dan DSR digunakan untuk menghasilkan trace file yang dibangkitkan dalam simulator program. Langkah selanjutnya adalah menganalisis file tracing tersebut, analisa hasil file tracing dilakukan pada tiap kelompok node menggunakan software Tracegraph 2.02. Kinerja protokol dalam simulasi dievaluasi berdasarkan nilai Throughput, merupakan jumlah paket data yang diterima per detik di sisi penerima, Cummulative all Paket, merupakan jumlah seluruh paket yang terkirim oleh node pada waktu simulasi, dan nilai Sent Packets dan Lost Packets. 3. HASIL PENELITIAN DAN PEMBAHASAN Gambar 1 menyajikan parameter opsi hasil dari tracing file pada menu aplikasi Tracegraph terhadap skenario simulasi yang dianalisis meliputi Packet type berisi jenis paket yang digunakan, Packet size berisi besarnya paket, Start–End merupakan waktu simulasi, Source trace dan Destination trace merupakan kedudukan node berupa AGT untuk Agent dan RTR untuk Router, serta Sent dan ACK packet merupakan jenis paket yang digunakan.

Gambar 1. Menu aplikasi Tracegraph Pada Gambar 2 menunjukkan grafik hasil simulasi untuk nilai Cummulative all paket yang berupa perbandingan jumlah seluruh paket data yang terkirim (sent), diterima (received), dan paket yang hilang (dropped) pada protokol DSR selama waktu simulasi. Dari Gambar 2 jelas Seminar Nasional Matematika, Sains dan Informatika 2015

357

Prosiding

ISBN 978-602-18580-3-5

tampak bahwa peningkatan jumlah paket data Sent dan Received meningkat drastis mulai 40 detik pertama dari total waktu simulasi yang dijalankan.

Gambar 2. Perbandingan jumlah paket data protokol DSR. Sent, Received, dan Dropped Gambar 3 menyajikan grafik pada nilai Cummulative all paket protokol AODV, terlihat bahwa jumlah paket data yang terkirim (Sent) cenderung meningkat stabil meskipun terjadi penurunan pada detik ke 52, namun jumlah paket received lebih kecil dibanding protokol DSR.

Gambar 3. Perbandingan jumlah paket data protokol AODV. Sent, Received, dan Dropped Tabel 2 berisi data hasil simulasi kinerja protokol DSR dan AODV pada aplikasi Tracegraph dengan jumlah node yang bervariasi yaitu 50, 100, dan 150.


358

Prosiding

ISBN 978-602-18580-3-5

Tabel 2. Nilai pengujian kinerja protokol dengan jumlah node yang bervariasi 50 Node Pengujian Average Throughput (kbps) Average End to end Delay (ms) Number of Sent Packets Number of Lost Packets

DSR 51,41 0,012 1331 19

AODV 49,74 0,954 7477 27

100 Node DSR 57,34 0,146 1146 29

AODV 55,01 0,102 1480 0

150 Node DSR 61,00 0,009 1145 16

AODV 55,50 0,783 2060 0

Tabel 2 menunjukkan nilai Average Throughput pada protokol DSR mengalami peningkatan dari protokol AODV dengan rata-rata peningkatan sebesar 4,795 kbps untuk setiap penambahan 50 node, namun pada pengujian Number of Sent Packets mengalami penurunan di setiap jumlah penambahan node. Pada pengujian protokol AODV, jumlah paket yang terkirim mengalami kenaikan tiap penambahan jumlah node, dan jumlah paket yang hilang (Lost Packets) lebih kecil dari protokol DSR. 4. KESIMPULAN Pergerakan node dan topologi yang berubah-ubah pada jaringan MANET membutuhkan proses routing yang baik untuk meminimalisasi kehilangan paket data pada saat pengiriman berlangsung. Dari hasil perbandingan nilai pada kedua protokol, AODV memberikan kinerja yang lebih baik dalam hal paket data yang terkirim (Sent Packets) dan Lost Packets dengan penambahan jumlah node, namun dalam nilai Average Throughput, protokol DSR memberikan kinerja yang lebih baik dari AODV. DAFTAR PUSTAKA Abdulwahid, H. K., & Jiang, G. (2012). Scheduled-links multicast routing for MANETs (pp. 1956–1961). Maheshwari, D., & Nedunchezhian, R. (2013). Balanced Reliable Shortest Route for AOMDV (BRSR-AOMDV) Using TF Mechanism in MANET. Int. J. Computer Technology & Applications, 4(6), 902–909. Mehta, A., & Gupta, A. (2014). Retrospection and comparison of Dsdv and Aomdv routing protocols in Manet using Ns-2 (pp. 325–329). Seminar Nasional Matematika, Sains dan Informatika 2015

359

Prosiding

ISBN 978-602-18580-3-5

Rohankar, R., Bhatia, R., Shrivastava, V., & Sharma, D. K. (2012). Performance analysis of various routing protocols (proactive and reactive) for random mobility models of Adhoc networks (pp. 331–335). Song, Q., Ning, Z., Wang, S., & Jamalipour, A. (2012). Link stability estimation based on link connectivity changes in mobile ad-hoc networks. 35(6), 2051–2058. Zadin, A., & Fevens, T. (2013). Maintaining path stability with node failure in mobile Ad Hoc networks (Vol. 19, pp. 1068–1073).


360

REVIEW : KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK PENGENALAN AKTIFITAS Budy Santoso1, Lukito Edi Nugroho2, Hanung Adi Nugroho3 1,2,3 Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl. Grafika No.2 Yogyakarta – 55281 Email : [email protected], [email protected], [email protected]

ABSTRAK. Smartphone saat ini tidak hanya digunakan sebagai perangkat komunikasi , tetapi juga memiliki fitur sensor yang dapat diakuisisi datanya sehingga dapat menjadi arah penelitian baru, beberapa sensor yang ada, seperti akselerometer, kompas digital, giroskop, GPS, mikrofon, dan kamera. Sensor-sensor tersebut memungkinkan sebuah ponsel memunculkan fasilitas aplikasi di beberapa bidang strategis yang dibutuhkan manusia. Pengenalan aktifitas fisik pengguna pada dasarnya dapat di trace dengan memanfaatkan teknologi sensor yang tertanam pada Smartphone. Penulis mereview beberapa makalah/paper yang terkait dengan pengenalan aktifitas dengan menggunakan sensor yang tertanam pada smartphone. Kemudian pada proses klasifikasi menggunakan beberapa algoritma klasifikasi. Kata Kunci: Activity Recognition, smartphone, accelerometer, gyroscope 1. PENDAHULUAN Perangkat mobile saat ini telah dilengkapi dengan berbagai macam fitur dan layanan untuk pengguna. Beberapa jenis perangkat mobile itu sendiri sudah tertanam beberapa sensor seperti telah dilengkapi dengan GPS sensor, temperature sensor, sensor suara, sensor gambar, sensor cahaya, sensor arah, dan sensor akselerasi. Sensor-sensor dalam perangkat mobile tersebut dapat menghasilkan sensor data yang berguna untuk pengetahuan baru. Dalam beberapa penelitian, sensor data tersebut dapat diakuisisi sehingga menghasilkan pengetahuan baru dan dapat salah satunya dapat digunakan untuk mengenali aktifitas fisik penggunanya. Perangkat mobile merupakan perangkat yang tidak bisa dipisahkan dengan penggunanya, penggunaan smartphone saat ini menjadi gaya hidup baru masyarakat modern. Dengan kondisi seperti itu, tentunya menjadi sebuah tantangan bagi kalangan akademisi untuk menggali lebih dalam peranan lain ataupun peluang yang dihasilkan dari penggunaan smartphone tersebut. Sehingga penulis memilih perangkat mobile yang berbasis Android sebagai platform untuk proses pengambilan sensor datanya, sistem operasi bersifat opensource dan mendominasi Seminar Nasional Matematika, Sains dan Informatika 2015

361

Prosiding

ISBN 978-602-18580-3-5

pengguna smartphone pada umumnya. Akselerometer dapat merekam data akselerasi yang disebabkan oleh perpindahan dan massa / gravity dari pengguna. Akselerometer sensor pada smartphone telah diakui oleh banyak komunitas ilmuwan karena miniaturisasinya, fleksibel, dapat dibawa kemana saja dibandingkan dengan mengambil data dari sensor yang dipasang pada tubuh pengguna, yang dapat mengganggu kenyamanan dalam beraktifitas (Ailisto, Lindholm, Mantyjarvi, Vildjiounaite, & Makela, 2005). Gyroscope mendeteksi kecepatan sudut, yang dihitung dengan menggunakan data pengukuran diambil dari 3-axis untuk mengukur atau mempertahankan orientasi, dengan prinsip ketetapan momentum sudut. Dalam makalah ini, penulis mereview beberapa penelitian terkait klasifikasi sensor data akselerometer dan sensor giroskop yang tertanam pada smartphone pada penelitian-penelitian sebelumnya, metode klasifikasi di paparkan sehingga diharapkan penulis akan menemukan trend penelitian baru dibidang klasifikasi data sensor akselerometer dan sensor gyroscope untuk proses pengenalan aktifitas. 2. TINJAUAN PUSTAKA

Gambar 1. Fitur sensor pada smartphone 2.1 Accelerometer Accelerometer memiliki beberapa aplikasi dalam bidang industri dan ilmu pengetahuan. Accelerometer yang sangat sensitif adalah komponen dari sistem navigasi inersia untuk pesawat dan rudal

digunakan

untuk

mendeteksi

dan

memantau

getaran

mesin

berputar.

Accelerometer digunakan dalam komputer tablet dan kamera digital sehingga gambar pada layar selalu ditampilkan tegak. Seminar Nasional Matematika, Sains dan Informatika 2015

362

Prosiding

ISBN 978-602-18580-3-5

Gambar 2. Accelerometer axes pada smartphone Accelerometer telah digunakan dalam sensor smartphone untuk pengenalan aktifitas. Popularitasnya adalah karena fakta bahwa akselerometer dapat langsung mengukur Status gerak fisiologi subjek. Misalnya, jika pengguna melakukan perubahan/transisi aktifitasnya dari berjalan ke jogging, itu akan mencerminkan pada bentuk sinyal pembacaan percepatan sepanjang sumbu vertical, akan ada perubahan mendadak pada amplitudonya. Selain itu, data percepatan dapat menunjukkan pola gerak dalam jangka waktu tertentu, yang membantu dalam pengenalan aktifitas yang kompleks (Su, Tong, & Ji, 2014a). Dalam cara yang sama, accelerometer digunakan untuk mendeteksi kecelakaan mobil dan menggunakan air bag pada waktu yang tepat (Lane et al., 2010). 2.2 Gyroscope Gyroscope adalah perangkat yang menggunakan gravitasi bumi untuk membantu menentukan orientasi. Desainnya terdiri dari disk bebas-berputar yang disebut rotor, dipasang pada sumbu berputar di tengah roda yang lebih besar dan lebih stabil.


363

Prosiding

ISBN 978-602-18580-3-5

Gambar 3 axis gyroscope Giroskop mengukur tingkat rotasi pada smartphone dengan mendeteksi gerakan roll, pitch, dan yaw dari smartphone sepanjang x, y, dan sumbu z, masing-masing. Arah sumbu ditunjukkan pada Gambar 3. Raw Data dari sensor giroskop adalah tingkat rotasi di rad / s (radian per detik) sekitar masing-masing tiga sumbu fisik: Rotation i = <xi; yi; zi>, (i =1, 2, 3…). Giroskop sangat membantu dalam aplikasi navigasi serta beberapa game smartphone yang menggunakan data rotasi. Dalam penelitian activity recognition, giroskop digunakan untuk membantu deteksi orientasi bergerak (Su, Tong, & Ji, 2014b). 2.3 Activity Recognition Tujuan penting dalam komputasi mobile adalah kemampuan untuk merasakan dan bereaksi berdasarkan lingkungan. Dalam beberapa tahun terakhir, banyak peneliti telah berfokus pada pengenalan pola gerakan dengan bantuan hanya accelerometer (Ayu, Ismail, Matin, & Mantoro, 2012). Oleh karena itu, metode mana seseorang pilih akan selalu ada false positive, dan pendekatan penulis mencoba untuk mengatasi masalah ini dan membatasi terjadinya kesalahan positif dengan pilihan ambang batas yang cermat (Bujari, Licar, & Palazzi, 2012). Pemantauan aktivitas manusia secara akurat memiliki potensi untuk meningkatkan sistem kesehatan, peringatan dini darurat, pemantauan kebugaran dan assist living (Lopes, MendesMoreira, & Gama, 2012). Pada penelitian (Anjum & Ilyas, 2013) menggunakan algoritma klasifikasi SVM dengan mengenali aktivitas umum seperti: stationary, walking, running, bicycling, ascending stairs, descending stairs and driving. Penelitian tentang akselerometer data mendapat perhatian dari para peneliti untuk mengenali aktifitas penggunanya, dimulai dengan sensor yang wearable sampai perkembangan sensor Seminar Nasional Matematika, Sains dan Informatika 2015

364

Prosiding

ISBN 978-602-18580-3-5

akselerometer yang sudah tertanam pada perangkat mobile. Pada penelitian (Mannini & Sabatini, 2010) mengemukakan metode klasifikasi pengenalan aktifitas berbasis wavelet dimana komponen gerak dinamis dan komponen gravitasi dipisahkan, sehingga menghasilkan akurasi 8,4%. (Shoaib, Scholten, & Havinga, 2013) mengumpulkan data dari tiga jenis sensor yaitu Accelerometer (A), Gyroscope (G) dan Magnetometer (M). Dalam pengujiannya menggunakan tujuh algoritma klasifikasi yang umum digunakan yaitu Naïve Bayes, SVM, Neural Networks, Logistic Regression, kNN, RB Classifier dan, Decision Tree. Dari pengujian dihasilkan kombinasi A dan G (AG) nilai True Positive Rate (TPR) lebih baik daripada A dan G secara independen, untuk semua orientasi posisi yang diuji. Sedangkan, hasil pengujian untuk sensor magnetometer tidak memiliki performance yang bagus, sehingga disimpulkan bahwa sensor magnetometer tidak membantu proses pengenalan aktifitas secara signifikan. 3. METODOLOGI PENELITIAN Pada bab ini, penulis mengusulkan metode yang akan digunakan dalam penelitian selanjutnya dengan prosedur seperti dibawah ini :

Gambar 3a. Metode yang digunakan untuk pengenalan aktifitas Dengan menggunakan dua data sensor pada smartphone yaitu sensor akselerometer dan sensor giroskop untuk melihat akurasi dan performance dari setiap classifier. Adapun orientasi posisi menjadi parameter yang akan diujicobakan yaitu dengan orientasi tiga independensi posisi yaitu in-hand, in-pocket, in-bag dengan aktifitas berjalan yang bersifat dinamis (walk), naik (upstairs), turun (downstairs). Seminar Nasional Matematika, Sains dan Informatika 2015

365

Prosiding

ISBN 978-602-18580-3-5

3.1 Pengumpulan Data Data

yang

dikumpulkan

dari

accelerometer

memiliki

atribut

sebagai

berikut:

percepatan sepanjang sumbu x, percepatan sepanjang sumbu y, dan percepatan sepanjang sumbu z. Data gyroscope sensor terdiri dari tiga sumbu rotasi roll,pitch dan yaw, diwakili dengan vektor x,y,z. Pengujian dengan menggunakan sampel/subjek dengan jumlah subjek dan waktu yang telah ditentukan. 3.2 Pra-Pemrosesan Raw Data biasanya perlu pre-processing. Data sensor harus dibagi secara sequential windows, untuk di pre-processing. Untuk aplikasi online, window harus didefinisikan secara paralel dengan pengumpulan data dan untuk aplikasi offline; window didefinisikan sebelum pengumpulan data. Raw Data harus dibagi menjadi training set dan testing set. Training set akan digunakan untuk melatih algoritma pengenalan aktivitas dan testing set kemudian akan digunakan untuk mengevaluasi algoritma setelah training. 3.3 Ekstraksi Fitur Untuk mendapatkan data sensor yang akurat dan konsisten, beberapa teknik ekstraksi fitur yang sering digunakan untuk training dan testing dalam metode klasifikasi yaitu time domain dan frequency domain features. Untuk time domain fitur yang digunakan adalah Mean, Variance (VAR), dan Standard Deviation (SD). Dalam istilah computation costs , fitur time domain lebih murah dibandingkan dengan menggunakan fitur frequency domain, karena adanya perhitungan Extra Fourier Transform (Figo, Diniz, Ferreira, & Cardoso, 2010).

Gambar 4. Metode ekstrksi fitur untuk data sensor Seminar Nasional Matematika, Sains dan Informatika 2015

366

Prosiding

ISBN 978-602-18580-3-5

3.4 Klasifikasi Dari perspektif data mining, pengenalan aktifitas adalah masalah multi-class classification. Banyak classifier yang ada dapat digunakan, seperti disebutkan dibawah ini : 1) Bayesian Decision Making 2) Rule Based Algorithm 3) Least-Square Methods 4) k-Nearest Neighbour 5) Support Vector Machines 6) Neural Network 4. DISKUSI Umumnya penelitian tentang pengenalan aktifitas menggunakan sensor smartphone mengimplementasikan satu metode saja. Hal ini sangat menyulitkan untuk melakukan perbandingan akurasi klasifikasi karena perbedaan metode eksperimen dari setiap study. Oleh karena itu, perlu untuk membandingkan metode multiple classification dalam sebuah standar eksperimen yang lebih cocok digunakan untuk smartphone, sehingga dapat membantu para peneliti lain untuk mengimplementasikan classifier lain di masa yang akan datang. 5. KESIMPULAN Dalam makalah ini, penulis mereview beberapa penelitian sebelumnya tentang penggunaan smartphone untuk pengenalan aktifitas (Activity of Daily Living). Proses klasifikasi yang dilakukan secara offline, dimana data terlebih dahulu diakuisisi pada smartphone dengan orientasi posisi yang telah ditentukan kemudian diolah dengan menggunakan tools Weka pada computer desktop. Pada kasus ini, diajukan tiga orientasi posisi smartphone yaitu in-hand, in-pocket, in-bag dengan tiga aktifitas fisik yang bersifat dinamis yaitu walk, upstairs, downstairs. Sehingga hasil akhir yang diharapkan adalah dapat mengetahui manakah sensor yang memiliki performance terbaik dengan tiga orientasi posisi dengan satu aktifitas yang sama.


367

Prosiding

ISBN 978-602-18580-3-5

DAFTAR PUSTAKA Ailisto, H. J., Lindholm, M., Mantyjarvi, J., Vildjiounaite, E., & Makela, S.-M. (2005). Identifying people from gait pattern with accelerometers (Vol. 5779, pp. 7–14). http://doi.org/10.1117/12.603331 Anjum, A., & Ilyas, M. U. (2013). Activity recognition using smartphone sensors. In 2013 IEEE Consumer Communications and Networking Conference (CCNC) (pp. 914–919). http://doi.org/10.1109/CCNC.2013.6488584 Ayu, M. A., Ismail, S. A., Matin, A. F. A., & Mantoro, T. (2012). A Comparison Study of Classifier Algorithms for Mobile-phone‘s Accelerometer Based Activity Recognition. Procedia Engineering, 41, 224–229. http://doi.org/10.1016/j.proeng.2012.07.166 Bujari, A., Licar, B., & Palazzi, C. E. (2012). Movement pattern recognition through smartphone‘s accelerometer. In 2012 IEEE Consumer Communications and Networking Conference (CCNC) (pp. 502–506). http://doi.org/10.1109/CCNC.2012.6181029 Figo, D., Diniz, P. C., Ferreira, D. R., & Cardoso, J. M. P. (2010). Preprocessing techniques for context recognition from accelerometer data. Personal and Ubiquitous Computing, 14(7), 645–662. http://doi.org/10.1007/s00779-010-0293-9 Lane, N. D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., & Campbell, A. T. (2010). A survey of mobile phone sensing. IEEE Communications Magazine, 48(9), 140–150. http://doi.org/10.1109/MCOM.2010.5560598 Lopes, A., Mendes-Moreira, J., & Gama, J. (2012). Semi-supervised learning: Predicting activities in Android environment (Vol. 960, pp. 38–42). Presented at the CEUR Workshop Proceedings.

Retrieved

from

http://www.scopus.com/inward/record.url?eid=2-s2.0-

84924414967&partnerID=40&md5=104ec16fdf6003da8bfb5de0fa349613 Mannini, A., & Sabatini, A. M. (2010). Machine Learning Methods for Classifying Human Physical

Activity

from

On-Body

Accelerometers.

Sensors,

10(2),

1154–1175.

http://doi.org/10.3390/s100201154 Shoaib, M., Scholten, H., & Havinga, P. J. M. (2013). Towards Physical Activity Recognition Using Smartphone Sensors. In Ubiquitous Intelligence and Computing, 2013 IEEE 10th International Conference on and 10th International Conference on Autonomic and Trusted Computing (UIC/ATC) (pp. 80–87). http://doi.org/10.1109/UIC-ATC.2013.43 Seminar Nasional Matematika, Sains dan Informatika 2015

368

Prosiding

ISBN 978-602-18580-3-5

Su, X., Tong, H., & Ji, P. (2014a). Activity recognition with smartphone sensors. Tsinghua Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194 Su, X., Tong, H., & Ji, P. (2014b). Activity recognition with smartphone sensors. Tsinghua Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194


369

SEGMENTASI MRI TUMOR OTAK MENGGUNAKAN FUZZY C-MEANS (FCM) Diah Priyawati1, Indah Soesanti2 Universitas Gadjah Mada, Fakultas Teknik, Jurusan Teknik Elektro dan Teknologi Informasi Yogyakarta – 55284 1,2 [email protected], [email protected]

ABSTRACT. Brain tumor segmentation is done manually by an expert radiologist. This process takes long time, difficult, and can be subjective result. The purpose of this paper is to perform automatic segmentation using Fuzzy C-Means (FCM), to provide easiness or second opinion for the diagnosis the disease. FCM is a fuzzy partition algorithm that is superior and very appropriate applied to brain images with varied intensity. FCM algorithm works by determining the membership function of dataset to each cluster center, based on the distance between the clusters and datasets. The closer dataset from a cluster center, take the greater possibility of entering into that cluster. The experimental results show that the proposed FCM successfully performs brain tumor segmentation with clear boundaries where tumor region will appear brighter than others. Moreover, superiority of FCM method is also able to reduce noise. Kata Kunci: FCM, MRI, segmentation, brain tumor. 1. PENDAHULUAN Citra medis berbeda dengan citra biasa, karena citra medis sering acak, kabur, dan banyak noise (Zhang & Xiao, 2008). Magnetic Resonance Imaging (MRI) merupakan peralatan radiologi terbaik untuk mendiagnosa tumor otak (Balafar et al., 2010). Namun interpretasi secara rinci dari citra otak membutuhkan waktu lama karena daerah-daerah dengan warna dan bentuk yang tidak normal. MRI juga sulit membedakan adanya edema, yaitu daerah yang berada di dekat tumor aktif dan tumpang tindih dengan jaringan normal (Liu et al., 2014). Segmentasi perlu dilakukan karena tujuan segmentasi adalah membagi citra menjadi beberapa bagian yang homogen sehingga mampu memberikan informasi daerah citra guna keperluan deteksi, atau mempermudah proses analisis dan diagnosa penyakit. Segmentasi MRI tumor otak umumnya dilakukan secara manual oleh pakar radiologi. Segmentasi manual membutuhkan waktu lama, dan tidak praktis. Disamping itu pakar radiologi dapat bersifat subjektif, mengingat jumlah citra setiap pasien saat ini cukup banyak dan jaringan yang bermacam-macam bentuk serta intensitasnya sehingga akan membuat jaringan tumor menjadi mirip seperti jaringan normal (Al Tamimi et al., 2014). Hal ini mendorong perlunya segmentasi tumor otak secara otomatis yang dapat mempermudah diagnosa. Beberapa penelitian Seminar Nasional Matematika, Sains dan Informatika 2015

370

Prosiding

ISBN 978-602-18580-3-5

segmentasi otomatis dengan metode konvensional diantaranya dengan menggunakan teknik thresholding (Natarajan et al., 2012), active contour (Atkins dan Mackiewich, 1998), operasi morfologi (Jyoti el al., 2014), dan kombinasi region growing dengan ekstraksi fitur titik (Sarathi, Ansari, Uher, Burget, & Dutta, 2013). Metode segmentasi berbasis klaster fuzzy merupakan teknik yang cocok diterapkan pada citra otak yang memiliki intensitas beragam (Alia et al., 2010). Klaster fuzzy mengelompokkan dataset berdasarkan derajat keanggotaan. Sehingga pada penelitian ini bertujuan untuk melakukan segmentasi otomatis menggunakan Fuzzy C-Means (FCM). FCM adalah algoritme klaster fuzzy yang paling unggul dan diharapkan metode yang diusulkan mampu memberikan segmentasi daerah homogen secara jelas. 2. METODE PENELITIAN 2.1 Segmentasi Tujuan segmentasi citra tumor otak adalah membagi informasi citra ke dalam bagian-bagian yang bermanfaat dengan cara memberikan batasan daerah otak normal dengan daerah tumor (Al Tamimi et al., 2014). Segmentasi dapat didefinisikan sebagai berikut, apabila himpunan seluruh piksel citra dan segmentasi adalah pembagian kesamaan (misalnya

merupakan

merupakan homogenitas dari piksel citra sehingga

ke dalam sebuah area dari subset-subset yang memiliki ) seperti pada persamaan (2.1) dengan ⋃

dan (2.1)

2.2 Fuzzy C-Means (FCM) Fuzzy C-Means merupakan salah satu algoritme metode segmentasi pada kategori klasifikasi dan klaster (Liu et al., 2014). Kategori klasifikasi dan klaster adalah metode segmentasi dengan melibatkan konsep machine learning yang bertujuan merancang sistem agar dapat bertindak berdasarkan data empiris seperti berasal dari sensor atau data. FCM pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981 yang merupakan pengembangan dari K-Means dengan pembobotan fuzzy. FCM adalah metode klaster yang membagi tiap data menjadi anggota dari suatu klaster dengan derajat (level) keanggotaan (Full et al., 1982). Berbeda dengan sistem klaster crisp, klaster fuzzy dapat memasukkan dataset Seminar Nasional Matematika, Sains dan Informatika 2015

di beberapa kelompok klaster. Output 371

Prosiding

ISBN 978-602-18580-3-5

klaster fuzzy adalah matriks keanggotaan keangotaan fuzzy pola untuk klaster atau

[

]

dinyatakan dalam interfal [0,1] (Kusrini, 2009).

‖∑

{ [

seperti pada persamaan (2.2). Derajat

∑

(2.2)

]

Citra masukan

Membaca citra Algoritme FCM

Aplikasi perangkat lunak

Citra tersegmentasi Analisa Gambar 1. Diagram blok langkah-langkah penelitian Keunggulan FCM antara lain, pertama, mampu memberikan hasil terbaik dari dataset yang banyak. Kedua, FCM menetapkan keanggotaan data sampel ke lebih dari satu pusat klaster. Sehingga memungkinan dataset memiliki lebih dari satu pusat klaster. Ketiga, FCM mampu mensegmentasi citra tumor otak dengan baik (Liu et al., 2014). Gambar 1 merupakan tahapan penelitian yang diusulkan. Penelitian dimulai dengan memasukkan citra masukan MRI tumor otak, kemudian mengolahnya pada aplikasi perangkat lunak dan menganalisa citra hasil segmentasi. Aplikasi perangkat lunak dibuat dengan pemrograman MATLAB yang terdiri dari proses pembacaan citra, penerapan algoritme FCM, kemudian mendapatkan nilai keanggotaan tiap-tiap klaster dan diperoleh citra hasil segmentasi. 3. HASIL PENELITIAN DAN PEMBAHASAN Penelitian menggunakan citra MRI simulasi dari website Harvard Medical School (Harvard, 2015) dengan teknik pengambilan axial. Pada penelitian ini metode FCM dibandingkan dengan metode K-Means. Metode segmentasi diterapkan pada citra normal, seperti pada gambar 2. Citra normal akan terlihat simetris antara otak bagian kanan dan otak bagian kiri. Selanjutnya metode Seminar Nasional Matematika, Sains dan Informatika 2015

372

Prosiding

ISBN 978-602-18580-3-5

digunakan untuk melakukan segmentasi citra tumor berjenis sarcoma seperti ditunjukkan pada gambar 3. Metode yang diusulkan juga diuji pada citra tumor dengan intensitas rendah yaitu ditunjukkan pada gambar 4. Selain itu penelitian juga menggunakan citra tumor yang mengandung noise jenis salt & pepper dengan

(a)

seperti terlihat pada gambar 5.

(b) Gambar 2. Hasil segmentasi citra normal.

(c)

(a) Citra Awal. (b) Hasil segmentasi dengan FCM. (c) Hasil segmentasi dengan K-Means

(a)

(b) Gambar 3. Hasil segmentasi citra tumor sarcoma

(c)

(a) Citra Awal. (b) Hasil segmentasi dengan FCM. (c) Hasil segmentasi dengan K-Means Hasil penelitian menunjukkan bahwa metode FCM mampu melakukan segmentasi dengan batasan yang jelas. Daerah tumor terlihat lebih terang atau lebih gelap dibanding daerah sekitar. Selain itu ketidaksimetrisan antara otak bagian kanan dan kiri menjadi indikasi citra otak abnormal. Metode FCM juga mampu melakukan segmentasi daerah tumor yang berintensitas rendah. Selain itu metode FCM mempunyai kinerja yang lebih baik dalam hal mengurangi noise dibanding metode K-Means. Seminar Nasional Matematika, Sains dan Informatika 2015

373

Prosiding

ISBN 978-602-18580-3-5

(c) (a) (b) Gambar 4. Hasil segmentasi citra tumor dengan kekontrasan rendah (a) Citra Awal. (b) Hasil segmentasi dengan FCM. (c) Hasil segmentasi dengan K-Means

(b) (c) (a) Gambar 5. Hasil segmentasi citra tumor yang mengandung noise (a) Citra Awal. (b) Hasil segmentasi dengan FCM. (c) Hasil segmentasi dengan K-Means 4. KESIMPULAN Segmentasi citra menggunakan metode FCM telah dibandingkan dengan segmentasi menggunakan metode K-Means. Penelitian menunjukkan citra hasil segmentasi mempunyai batasan daerah homogen yang jelas dimana daerah tumor umumnya mempunyai intensitas lebih terang atau lebih gelap dibanding daerah sekitar. Metode yang dirancang juga mampu melakukan segmentasi citra tumor yang kekontrasannya rendah dan citra yang mengandung noise. Ini membuktikan FCM merupakan algoritme yang cocok diterapkan untuk segmentasi otomatis tumor otak. Untuk penelitian-penelitian selanjutnya, dapat dikembangkan teknik-teknik yang mampu meningkatkan keakuratan segmentasi otomatis guna mempermudah deteksi atau analisis tumor otak. Seminar Nasional Matematika, Sains dan Informatika 2015

374

Prosiding

ISBN 978-602-18580-3-5

DAFTAR PUSTAKA Alia, O. M., Mandava, R., & Aziz, M. E. (2010). A hybrid Harmony Search algorithm to MRI brain segmentation. In Cognitive Informatics (ICCI), 2010 9th IEEE International Conference on (pp. 712–721). Al-Tamimi, M. S. H., & Sulong, G. (2014). Tumor Brain Detection Through MR Images: A Review Of Literature. Journal of Theoretical and Applied Information Technology, 62(2). Atkins, M. S., & Mackiewich, B. T. (1998). Fully automatic segmentation of the brain in MRI. Medical Imaging, IEEE Transactions on, 17(1), 98–107. Balafar, M. A., Ramli, A. R., Saripan, M. I., & Mashohor, S. (2010). Review of brain MRI image segmentation methods. Artificial Intelligence Review, 33(3), 261–274. Full, W. E., Ehrlich, R., & Bezdek, J. C. (1982). FUZZY QMODEL—A new approach for linear unmixing. Journal of the International Association for Mathematical Geology, 14(3), 259– 270. Harvard Medical School. (n.d.). Retrieved from http://med.harvard.edu/AANLIB/ Jyoti, A., Mohanty, M. N., & Pradeep Kumar, M. (2014). Morphological based segmentation of brain image for tumor detection. In Electronics and Communication Systems (ICECS), 2014 International Conference on (pp. 1–5). Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit ANDI. Liu, J., Li, M., Wang, J., Wu, F., Liu, T., & Pan, Y. (2014). A survey of MRI-based brain tumor segmentation methods. Tsinghua Science and Technology, 19(6), 578–595. Natarajan, P., Krishnan, N., Kenkre, N. S., Nancy, S., & Singh, B. P. (2012). Tumor Detection using threshold operation in MRI Brain Images. In Computational Intelligence & Computing Research (ICCIC), 2012 IEEE International Conference on (pp. 1–4). Sarathi, M. P., Ansari, M. A., Uher, V., Burget, R., & Dutta, M. K. (2013). Automated Brain Tumor segmentation using novel feature point detector and seeded region growing. In Telecommunications and Signal Processing (TSP), 2013 36th International Conference on (pp. 648–652). Zhang, Q., & Xiao, H. (2008). Extracting Regions of Interest in Biomedical Images (pp. 3–6). IEEE. http://doi.org/10.1109/FBIE.2008.8


375

ANALISIS POLA SPATIO-TEMPORAL PENUMPANG TRANSPORTASI PUBLIK DENGAN MINING SMARTCARD DATA (STUDI KASUS BRT TRANS JOGJA) Fahmi Dzikrullah1), Noor Akhmad Setiawan 2), Selo 3) 1), 2), 3) Jurusan Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada, Yogyakarta Jl. Grafika 2, Kampus UGM, Yogyakarta 55281 Email : [email protected] 1), [email protected] 2), [email protected] 3)

ABSTRAK. Semakin popularnya smartcard sebagai alat pembayaran elektronik transportasi publik yang cepat dan mudah juga dapat meyediakan informasi yang komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang tujuan dasarnya untuk membuat system transportasi yang dapat membantu pengguna transportasi untuk mendapatkan informasi, mempermudah transaksi, meningkatkan kapasitas prasarana, mengurangi kemacetan atau antrian, mengurangi polusi lingkungan dan mengefisiensikan pengelolaan transportasi. Tujuan penulisan paper ini adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang transportasi massal transjogja untuk mempelajari dan memahami perilaku perjalanan penumpang yang terekam di jaringan transit transportasi dengan mengunakan metode pendekatan teknik datamining dan management database. Kata Kunci: Smartcard, Data mining, Spatio-Temporal, Penumpang, BRT 1. PENDAHULUAN Seiring dengan semakin padatnya kendaraan dan tidak sebandingnya dengan ruas ruang jalan, Bus Rapid Transit (BRT) merupakan transportasi massal alternatif andalan di kota - kota besar, dengan popularnya smartcard sebagai e-ticketing atau alat pembayaran elektronik transportasi publik yang cepat dan mudah, data dari smartcard juga dapat di olah menjadi berbagai informasi komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang tujuan dasarnya untuk membuat system transportasi yang mempunyai kecerdasan, sehingga dapat membantu pemakai transportasi dan pengguna transportasi untuk mendapatkan informasi, mempermudah transaksi, meningkatkan kapasitas prasarana, mengurangi kemacetan atau antrian, mengurangi polusi lingkungan dan mengefisiensikan pengelolaan transportasi. Adapun Bus Rapid Transit System di Indonesia yang menerapkan e-ticketing dengan smartcard diantaranya adalah Transjakarta, Transjogja dan Trans Batik Solo yang di kembangkan dan dikelola oleh PT. Seminar Nasional Matematika, Sains dan Informatika 2015

376

Prosiding

ISBN 978-602-18580-3-5

AINO Indonesia. Kemudian alasan pemilihan Bus Rapid Trasit (BRT) transjogja sebagai studi kasus dikarenakan transjogja adalah program pioner BRT di Indonesia, dan transjogja mempunyai rule bisnis ticketing yang unik dengan menerapkan jenis kartu yang lebih bervariasi berdasarkan jenis pengguna daripada 2 moda di atas, berikut tabel jenis kartu transjogja: Tabel 1 Jenis Kartu e-ticketing Smartcard Transjogja No 1.

Jenis Kartu Kartu Prepaid Bank

Deskripsi Kartu prabayar yang di keluarkan oleh beberapa Bank dan berkerjasama berkerjasama dengan DISHUB Yogyakarta, yaitu Bank BCA (Flazz), BRI (Brizzi), BNI (Tapcash) dan Mandiri (e-Money)

2.

Kartu Reguler Pelajar

Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk pelajar tingkat pendidikan SD, SMP dan SMA

3. 4.

Kartu Reguler Umum Gamacard

Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk masyarakat umum Kartu prabayar time-based DISHUB Yogyakarta yang berkerjasama dengan Universitas Gadjah Mada dan terintegrasi dengan kartu tanda mahasiswa UGM

5.

Single Trip

Kartu yang dibawa petugas untuk pembayaran sekali perjalanan dengan metode pembayaran tunai, tariff single trip dibagi menjadi 2 berdasarkan jenis pengguna, yaitu single trip umum dan single trip pelajar Sumber : DISHUBKOMINFO DIY

Selain itu transjogja juga memiliki bus fleet management untuk tracking kendaraan dan manajemen jalur bus transjogja dengan Global Positioning System (GPS), data transaksi transjogja perbulan tahun 2013 mencapai rata-rata 498.124, dan rata-rata 542.135 transaksi perbulan pada tahun 2014[1], dengan potensi bertambahnya volume data, demand for data processing velocity atau permintaan kecepatan pemprosesan data, dan variability data dan informasi, smartcard data juga sangat berpotensi menjadi big data processing. Tujuan dalam penelitian adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari yang terekam di jaringan transit halte dengan mengunakan metode pendekatan teknik datamining dan management database, analisa pola spatio-temporal penumpang dapat berguna dalam berbagai aplikasi, misalnya untuk forecast atau memprediksi permintaan penumpang atas transportasi publik berdasarkan waktu (weekdays, week-end, dan musim liburan), segmentasi dan klasifikasi berdasarkan jenis penumpang, dan dengan data tambahan dari GPS dapat mengukur performa transit bus di tiap halte sehingga dengan penyesuaian yang benar dapat mengurangi biaya operasional, dan membantu mengoptimalkan penggunaan moda transportasi umum massal transjogja.


377

Prosiding

ISBN 978-602-18580-3-5

2. METODE PENELITIAN Pada bab ini, penulis menjelaskan metode akuisisi data dan proses datamining yang akan digunakan dalam penelitian. selanjutnya dengan prosedur seperti dibawah ini : 2.1 Arsitektur Akuisisi Data

Gambar 1. Arsitektur Gambar 1 mendeskripsikan arsitektur dan alur proses akuisisi data dan dijelaskan sebagai berikut : 1. Data smartcard di capture dari data transaksi penumpang di setiap halte transjogja, aplikasi di yang dipasang di single board computer di setiap gate akan mengupload data transaksi ke processing unit secara batch via mobile wireless modem dengan interval waktu, kemudian menyimpan data transaksi ke database server. 2. Data GPS di capture dari setiap bus yang di pasang modul GPS, aplikasi processing unit di yang ditanam di setiap single board computer di bus akan mengupload data GPS ke processing unit secara dynamic real-time. kemudian menyimpan data GPS ke database server. 3. Processing unit akan meretrive data spatial processing dari database server berupa datetime, Bus ID, lokasi lat dan long, rute dan kecepatan bus kemudian data di visualisasikan dengan geographical information. 4.

Dalam proses datamining akan mengambil source raw data berupa dump dataset transaksi smartcard dari database server yang kemudian di ektraksi mengunakan tools Weka[2] dan Rapidminer [3], langkah proses selanjutnya akan di jelaskan di bawah.


378

Prosiding

ISBN 978-602-18580-3-5

2.2 Proses Datamining

Gambar 2. Proses Datamining Proses dalam penelitian ini mengadopsi metodologi datamining project Cross-Industry Standard Process for Data Mining (CRISP-DM) [4] , yang di jelaskan dengan 6 langkah proses berikut : 2.2.1 Bussines Understanding Bussines Understanding penentuan tujuan bisnis, menilai situasi saat ini, menetapkan tujuan datamining, dan mengembangkan rencana proyek dalam hal ini menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari. 2.2.2 Data Understanding Pada Langkah Data Understanding ini mencakup pengumpulan data awal, deskripsi data, eksplorasi data, dan verifikasi kualitas data. dengan maksud untuk mengidentifikasi pola dalam data. Dalam penelitian ini data yang digunakan adalah data transaksi bulan januari 2015. Seminar Nasional Matematika, Sains dan Informatika 2015

379

Prosiding

ISBN 978-602-18580-3-5

2.2.3 Data Preparation Setelah source raw data tersedia, langkat selanjutnya dalam data preparation adalah Data Cleaning, dan Data Transformation, yaitu data harus dipilih hanya yang akan digunakan, dibersihkan dari data noise data hal ini seperti membuang field failed transaction flag, dan field lainnya yang tidak digunakan, kemudian disusun ke dalam data yang di inginkan. Berikut tabel data transformation dari smartcard data dan GPS. Tabel 1 Struktur Transformation Data Smart Card Data No

Field Name

Deskripsi

1. 2. 3.

Card Serial Number Tanggal Transaksi Transit

Serial number kartu Tanggal akuisisi data transaksi kartu Transit Halte/Pindah Jalur Trayek

4.

Jenis Pengguna

Jenis pengguna kartu

5.

Jenis Kartu

Jenis kartu yang digunakan pada BRT transjogja

6.

Halte ID

Kode gate / lokasi halte keberangkatan

Contoh

56434FCD 2014-11-10 13:05:30 0=Tidak Transit 1=Transit; U=Umum; P=Pelajar S=Single Trip R= Reguler B= Gamacard/Timebased M= Mandiri e-Money BNI= BNI Tapcash BRI= BRI Brizzi BCA= BCA Flazz 01

Tabel 2 Struktur Data GPS No 1. 2. 3. 4. 5. 6.

Field Name

GPS DATETIME Vehicle ID LON LAT Arah Jalur Kecepatan

Deskripsi

Waktu akuisisi data GPS Nomor/ID Bus Longtitude Latitude Jalur Bus Kecepatan Bus

Contoh

2014-11-10 13:05:30 Bus 5 -7.75589010388709 110.48966020345688 1A 11.6 KM/H

2.2.4 Data Modeling Data Modelling mengunakan software weka[2] dan rapidminer[3] untuk visualisasi dan analisis cluster yang berguna untuk pattern discovery dan analisis awal. Adapun pattern discovery yang digunakan pada penelitian ini yaitu algoritma k-means clustering, Algoritma untuk melakukan K-Means clustering adalah sebagai berikut [5]: 

Pilih K buah titik centroid secara acak


380

Prosiding



ISBN 978-602-18580-3-5

Kelompokkan data sehingga terbentuk K buah cluster dengan titik centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya



Perbaharui nilai titik centroid



Ulangi langkah 2 dan 3 sampai nilai dari titik centroid tidak lagi berubah Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Perhitungan jarak Minkowski dapat digunakan untuk menghitung jarak antar 2 buah data. Rumus untuk menghitung jarak tersebut adalah: (2.1) Di mana: g = 1, untuk menghitung jarak Manhattan g = 2, untuk menghitung jarak Euclidean g = ∞, untuk menghitung jarak Chebychev xi , xj adalah dua buah data yang akan dihitung jaraknya p = dimensi dari sebuah data

2.2.5 Evaluation Hasil model harus dievaluasi dalam konteks tujuan bisnis yang ditetapkan pada tahap Bussiness Understanding. Hal ini akan mengarah pada identifikasi kebutuhan lain seringkali melalui pengenalan pola, dimana hasil dari berbagai visualisasi, menunjukkan hubungan baru yang memberikan pemahaman yang lebih dalam. 2.2.6 Deployment - Passanger Analysis Hasil Data mining ini dapat digunakan untuk verifikasi hipotesis sebelumnya, atau untuk knowledge discovery atau penemuan pengetahuan / informasi dari data. 3. HASIL PENELITIAN DAN PEMBAHASAN Dalam penelitian ini data yang digunakan adalah data transaksi bulan januari 2015, kemudian di setelah dilakukan data cleansing dari noise data dan data transform seperti di atas, di rubah ke file ektensi .arff untuk meringankan beban memory, kemudian dilakukan training set data untuk mengevalusi modelling cluster k-means Euclidean dan Manhattan. Mengunakan Rumus Persamaan (2.1). Seminar Nasional Matematika, Sains dan Informatika 2015

381

Prosiding

ISBN 978-602-18580-3-5

Gambar 5. Training Set Clustering Euclidean dan Manhattan Dengan 4 iterasi menghasilkan clustered instance jenis penumpang True sejumlah 87% untuk clustering K-means Euclidean dan 88% untuk k-means Manhattan. Dengan Weka Explorer dan diketahui visualisasi demografi jumlah transaksi jenis pengguna dan jenis kartu sebagai berikut :

Gambar 4. Grafik Demografi Jenis Penumpang dan Jenis Kartu Selanjutnya dilakukan pemetaan pola spatio-temporal penumpang mengunakan data peak transaksi harian dan menghasilkan grafik sebagai berikut :

Gambar 6. Data Jumlah Penumpang Berdasarkan Halte Boarding Keberangkatan Seminar Nasional Matematika, Sains dan Informatika 2015

382

Prosiding

ISBN 978-602-18580-3-5

Gambar 7. Data Pola Jumlah Penumpang Berdasarkan Jam Dari data tersebut diketahui dominasi jumlah jenis transaksi oleh kartu singletrip sebanyak 456.938 transaksi dan kartu reguler dengan rincian jenis pengguna umum sebanyak 4.99.838 dan jenis pengguna pelajar sebanyak 29.502, kemudian jenis kartu berlanganan reguler kurang dari 60 ribu transaksi, dan kartu bank kurang dari 10 ribu transaksi. Dari grafik selanjutnya menunjukan bahwa peak transaksi di halte boarding keberangkatan terminal bus antar provinsi ke objek wisata mempunyai prosentase jumlah penumpang terbanyak, dengan peak transaksi rentan waktu antara jam 9 dan jam 11 pagi yang di dominasi oleh jenis kartu single trip umum. 4. KESIMPULAN Dari Hasil di atas dapat di jadikan dasar pengetahuan dalam hal ini memahami pola spatiotemporal atau perilaku perjalanan penumpang di transportasi massal transjogja berdasarkan halte boarding keberangkatan dan data pola jumlah penumpang berdasarkan waktu. Untuk selanjutnya diharapkan dapat diterapkan untuk operasi bisnis transportasi masal, misalnya prediksi penumpang transportasi publik berdasarkan kurun waktu, segmentasi dan klasifikasi berdasarkan jenis penumpang, dan penelitian salanjutnya dilakukan penambahan visualisasi geospatial untuk data GPS untuk mengukur performa perjalanan bus di tiap halte sehingga dengan penyesuaian yang benar dapat mengurangi biaya operasional, dan membantu mengoptimalkan penggunaan moda transportasi umum massal transjogja. Akan tetapi Model ini perlu dipantau untuk perubahan kondisi operasi di masa akan datang, karena apa yang mungkin benar hari ini mungkin tidak benar di bulan atau tahun berikutnya. Jika perubahan signifikan terjadi, model harus diulang. Tujuannya untuk mencatat hasil proyek data mining sehingga bukti, sehingga tersedia dokumentasi untuk studi lebih lanjut di masa depan atau penelitian selanjutnya. Seminar Nasional Matematika, Sains dan Informatika 2015

383

Prosiding

ISBN 978-602-18580-3-5

5. DAFTAR PUSTAKA [1] PT.

AINO

Indonesia,

―e-Ticketing

Transjogja.‖

[Online].

Available:

http://ainosi.co.id/read/studi/1/1/transjogja.html. [Accessed: 01-Apr-2015]. [2] I. H. Witten, F. Eibe, and A. H. Mark, in Data Mining Practical Machine Learning Tools and Technique, Third Edition., Morgan Kaufmann, 2011, pp. 101–110. [3] H. Markus and Ralf Klinkenber, in RapidMiner: Data Mining Use Cases and Business Analytics Applications (Chapman & Hall/CRC Data Mining and Knowledge Discovery Series, CRC Press, 2013, pp. 20–25. [4] R. Wirth, ―CRISP-DM: Towards a standard process model for data mining,‖ in Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining, 2000, pp. 29–39. [5] S. Russel and P. Norvig, ―Artificial Intelligence A Modern Approach,‖ in Artificial Intelligence A Modern Approach, Third., Upper Saddle River.


384

PERANCANGAN SISTEM IDENTIFIKASI UMUR POHON DENGAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Gunawan Abdillah, Wina Witanti Program Studi Informatika, Universitas Jenderal Achmad Yani Cimahi [email protected]

ABSTRAK. Berbagai manfaat dapat diperoleh dari keberadaan hutan melalui fungsinya, baik sebagai penyedia sumber daya air bagi manusia dan lingkungan, kemampuan penyerapan karbon, pemasok oksigen di udara, penyedia jasa wisata, dan mengatur iklim global. Pembalakan liar adalah bentuk penyimpangan dari pemanfaatan hutan yang seharusnya. Akibat pembalakan liar, hutan tidak lagi dapat memberikan manfaat yang sebesar-besarnya bagi kemakmuran rakyat. Salah satu cara untuk menentukan usia pohon yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Citra pohon diidentifikasi dengan melakukan tahapan grayscale, edge detection, trehshold, segmentasi dan normalisasi. Untuk memprediksi usia pohon digunakan Jaringan Syaraf Tiruan menggunakan pembelajaran Backpropagation. Penelitian ini menghasilkan sebuah sistem yang dapat mengidentifikasi umur pohon. Pada perancangan sistem, identifikasi umur pohon dibagi menjadi tiga kelas yaitu kelas 1 dengan umur 0 – 5 tahun, kelas 2 dengan umur 6 – 10 tahun, dan kelas 3 dengan umur 11 – 15 tahun. Dari hasil uji terhadap perbandingan target MSE didapatkan hasil yang paling optimal pada MSE 0.001, dengan waktu pelatihan 01:12, dan tingkat akurasi sebesar 78%. Pengujian terhadap 50 data uji baru, sistem berhasil mengidentifikasi usia pohon sebanyak 34 citra dengan akurasi ketepatan sebesar 68%. Kata Kunci : lingkaran tahun, usia pohon, pengolahan citra, Jaringan Syaraf Tiruan. 1. PENDAHULUAN Keberadaan hutan sebagai bagian dari sebuah ekosistem yang besar memiliki arti dan peran penting dalam menyangga sistem kehidupan. Berbagai manfaat dapat diperoleh dari keberadaan hutan melalui fungsinya, baik sebagai penyedia sumber daya air bagi manusia dan lingkungan, kemampuan penyerapan karbon, pemasok oksigen di udara, penyedia jasa wisata, dan mengatur iklim global. Pembalakan liar menjadi ancaman kepunahan fungsi ekologi hutan tropis Indonesia. Pembalakan liar yang terjadi di Indonesia menimbulkan dampak yang sangat luas terhadap kondisi lingkungan sekaligus kelangsungan fungsinya bagi kehidupan berbagai komunitas secara lintas generasi. Ancaman kekeringan, bahaya banjir, tanah longsor, kebakaran, menipisnya lapisan ozon, pemanasan global dan perubahan iklim. Sadino dkk (2011). Peraturan Menteri Kehutanan Republik Indonesia No : P 20/Menhut-II/2013 tentang izin pemanfaatan kayu mengatur tentang tata kelola pemanenan pohon jati. Agar dapat memberikan Seminar Nasional Matematika, Sains dan Informatika 2015

385

Prosiding

ISBN 978-602-18580-3-5

penghasilan yang maksimal sebaiknya pohon jati ditebang jika telah cukup dewasa untuk menghasilkan kayu berkualitas baik, minimal pohon telah berumur sekitar 15-20 tahun. Agus Astho Pramono dkk (2013). Penelitian tentang sistem identifikasi usia tanaman dan pengenalan pola sudah banyak dilakukan, Muhammad Nasir dkk (2013) dalam penelitiannya untuk mendeteksi masa pertumbuhan tanaman padi dan identifikasi produktivitasnya melalui analisis citra digital. Penelitian ini menghasilkan nilai NDVI dari saat tanaman padi berumur 3 MST adalah < -0.03 dan pada 10 MST (Minggu Setelah Tanam) nilai NDVI sebesar 0.45 sehingga menunjukkan bentuk kurva dengan puncaknya saat padi pada umur (fase) vegetatif optimum – padi bunting (umur sekitar 70-80 hari setelah tanam atau sekitar 10-11 MST). Salah satu cara untuk menentukan usia pohon yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon jati tersebut. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Informasi ini dapat digunakan untuk mendeteksi banyaknya lingkar tahun kayu, karena garis atau lengkung lingkaran kayu mempunyai nilai piksel lebih tinggi dibandingkan dengan daerah disekitarnya. Penelitian ini telah dirancang sistem identifikasi umur pohon menjadi tiga kelas yaitu kelas 1 dengan umur 0 – 5 tahun, kelas 2 dengan umur 6 – 10 tahun, dan kelas 3 dengan umur 11 – 15 tahun. 2. METODOLOGI PENELITIAN Perancangan sistem identifikasi citra digital sebuah pohon untuk prediksi umur pohon dengan jaringan syaraf tiruan dapat dilihat pada gambar 1. 2.1.Grayscale Gonzalez, R.C., dan Woods, R.E (1992). Pengolahan citra yang dilakukan pertama kali adalah dengan melakukan proses grayscale sehingga citra asli yang berukuran 24 bit diubah ke dalam ukuran 8 bit seperti pada Gambar 2. Proses grayscale mengakibatkan nilai citra berada pada rentang 0 (hitam) sampai 255 (putih) desimal.


386

Prosiding

ISBN 978-602-18580-3-5

Citra Asli Format Jpg

Grayscale

Edge Detection

Tresholding

Segmentasi

Normalisasi

Jaringan Syaraf Tiruan Backpropagation

Klasifikasi Umur Pohon

Gambar 1. Bagan alir penelitian Seminar Nasional Matematika, Sains dan Informatika 2015

387

Prosiding

ISBN 978-602-18580-3-5

Gambar 2. Proses Grayscale 2.2 Edge Detection Proses edge detetction atau deteksi tepi adalah proses melakukan proses konvolusi terhadap kernel sehingga mengakibatkan pewarnaan yang lebih kontras pada citra, kernel yang digunakan dalam penelitian ini adalah kernel gauss. Perubahan citra grayscale ke dalam citra hasil edge detection dapat dilihat pada Gambar 3.

Gambar 3. Proses Edge Detection 2.3. Tresholding Proses ini bertujuan untuk mencari nilai bit biner 0 (hitam) atau 255 (putih) menggunakan nilai ambang yang ditentukan atau menggunakan nilai tengah yaitu 128. Sehingga nilai tiap pixel yang memiliki nilai keabuan dengan rentang 0 sampai 255 menjadi nilai biner 0 atau 255 saja, Gonzalez, R.C., dan Woods, R.E (1992) seperti pada Gambar 4.


388

Prosiding

ISBN 978-602-18580-3-5

Gambar 4. Proses Treshold Proses pengolahan citra berikutnya adalah normalisasi, proses ini bertujuan untuk mengubah ukuran citra asli ke dalam ukuran tertentu sehingga memperkecil penggunaan memori dan juga supaya jumlah input untuk Jaringan Syaraf Tiruan (JST) seragam. Pada penelitian ini citra asli dirubah ke dalam ukuran 50x50 piksel. 2.4 Jaringan Syaraf Tiruan Backpropagation Arsitektur Jaringan Syaraf Tiruan (JST) menggunakan pembelajaran Backpropagation terdiri dari lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Lapisan masukan berjumlah 2500 neuron, didapat dari hasil normalisasi citra dengan ukuran 50x50 piksel. Lapisan tersembunyi memiliki jumlah neuron bebas, biasanya hasil akhir untuk menentukan jumlah neuron pada lapisan tersembunyi adalah dengan melakukan optimasi pada proses pelatihan atau dengan menggunakan 2/3 dari jumlah neuron pada lapisan input sehingga jumlah neuron pada lapisan tersembunyi adalah 1666 neuron. LiMin (1994)

Gambar 5. Arsitektur Multi Layer Perceptron Seminar Nasional Matematika, Sains dan Informatika 2015

389

Prosiding

ISBN 978-602-18580-3-5

4. HASIL DAN PEMBAHASAN Sistem identifikasi umur pohon diimplementasikan dalam perangkat lunak dengan tahapan pertama yaitu proses pelatihan terhadap dataset yang digunakan sebagai data latih. Dalam proses pelatihan ditentukan besarnya Learning Rate, toleransi kesalahan, dan iterasi (Epoch) yang dilakukan.

Gambar 6. Tampilan pelatihan umur pohon 4.1 Uji Akurasi Sistem Pengenalan Pola 4.1.1 Uji Akurasi Terhadap Data Latih Pada tahap ini data yang digunakan dalam proses pelatihan akan diujikan kembali terhadap sistem. Total semua data yang digunakan dalam proses pelatihan berjumlah 150 data set. Tabel 1. Pengujian terhadap data latih No

Citra Pohon

1

Citra Pohon 1

1-5 tahun

Dikenali

2

Citra Pohon 2

1-5 tahun

Dikenali

3

Citra Pohon 3

1-5 tahun

Dikenali

4

Citra Pohon 4

1-5 tahun

Dikenali

…

…

150

Citra Pohon 150

Kelas

… 11-15 tahun

Total dikenali Seminar Nasional Matematika, Sains dan Informatika 2015

Dikenali/Tidak Dikenali

… Dikenali 150 390

Prosiding

ISBN 978-602-18580-3-5

4.1.2 Uji Akurasi Terhadap Data Uji / Baru Pengujian pada tahap ini menggunakan data yang belum pernah dilakukan pada proses pelatihan menggunakan JST backpropagation. Data yang diujikan berjumlah 50, berikut ini merupakan hasil pengujian terhadap data uji. Tabel 2. Pengujian terhadap data uji

No

Citra Pohon

Kelas

Dikenali/Tidak Dikenali

1

Citra Pohon 1

1-5 tahun

Dikenali

2

Citra Pohon 2

1-5 tahun

Dikenali

3

Citra Pohon 3

1-5 tahun

Tidak dikenali

…

…

…

…

49

Citra Pohon 49

11-15 tahun

Dikenali

50

Citra Pohon 50

11-15 tahun

Dikenali

Total dikenali

34

5. KESIMPULAN Salah satu cara untuk menentukan usia pohon jati yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon jati. Penghitungan jumlah lingkaran tahun kayu bisa dilakukan dengan cara manual oleh para ahli yaitu dengan melihat potongan penampang pohon. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Informasi ini dapat digunakan untuk mendeteksi banyaknya lingkar tahun kayu, karena garis atau lengkung lingkaran kayu mempunyai nilai piksel lebih tinggi dibandingkan dengan daerah disekitarnya. Citra pohon diidentifikasi dengan Seminar Nasional Matematika, Sains dan Informatika 2015

391

Prosiding

ISBN 978-602-18580-3-5

melakukan grayscale, edge detection, trehshold, segmentasi dan normalisasi. Untuk memprediksi usia pohon digunakan Jaringan Syaraf Tiruan (JST) menggunakan pembelajaran Backpropagation. Penelitian ini menghasilkan sebuah sistem yang dapat mengidentifikasi umur pohon jati. Pada perancangan sistem, identifikasi umur pohon jati dibagi menjadi tiga kelas yaitu kelas 1 dengan umur 1 – 5 tahun, kelas 2 dengan umur 6 – 10 tahun dan kelas 3 dengan umur 11 – 15 tahun. Dari hasil uji terhadap perbandingan target MSE didapatkan hasil yang paling optimal pada MSE 0.001, dengan waktu pelatihan 01:12, dan tingkat akurasi sebesar 78%. Pengujian terhadap 50 data uji baru, sistem berhasil mengidentifikasi usia pohon sebanyak 34 citra dengan akurasi ketepatan sebesar 68%. DAFTAR PUSTAKA Gonzalez, R.C., dan Woods, R.E. (1992). Digital Image Processing, Addison-Wesley Publishing Company, USA. LiMin Fu, (1994). Neural Networks in Computer Intelligence, McGraw Hill, Inc, Singapore. Nasir, Muhammad dkk, (2013). Deteksi Usia Tanaman Padi Berdasarkan Indeks Warna, Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM), ISSN : 978-602-19837-2-0 Sadino dkk, (2011). Peran Serta Masyarakat Dalam Pemberantasan Pembalakan Liar Hutan, Kementrian Hukum Dan Ham, Jakarta. Pramono, Agus Astho dkk, (2013). Pengelolaan Hutan Jati Rakyat, Center for International Forestry Research, Bogor.


392

ANALISA DAN PERANCANGAN PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET DAN BACKPROPAGATION Immanuela P. Saputro1, Ernawati2, B.Yudi Dwiandiyanta3 Magister Teknik Informatika Pascasarjana Universitas Atma Jaya Yogyakarta123 Jl. Babarsari 44, 55281, Yogyakarta, Indonesia

ABSTRAK. Pengenalan ekspresi wajah telah menjadi topik penelitian yang menarik selama satu dekade terakhir. Berbagai metode telah digunakan untuk membangun sebuah sistem pengenalan ekspresi wajah manusia. Citra ekspresi wajah adalah citra dimensi spasial yang berisi informasi warna. Penelitian ini bertujuan untuk menguji tingkat akurasi jaringan backpropagation dalam melakukan klasifikasi ekspresi wajah seseorang. Untuk mendapatkan vektor input bagi jaringan, digunakan transformasi wavelet Haar. Inisialisasi bobot jaringan diberikan secara random menggunakan metode Nguyen Widrow, fungsi aktivasi yang digunakan sigmoid biner, dan nilai laju pembelajaran sebesar 0,05. Terdapat dua lapisan tersembunyi masing-masing berjumlah 100 dan 50 node serta tiga node untuk lapisan output. Jaringan dilatih dengan menggunakan 70 data yang terdiri dari 10 orang dan setiap orang mempunyai tujuh ekspresi. Pengujian dilakukan menggunakan data lain yang terdiri dari satu orang dengan tujuh ekspresi. Berdasarkan hasil pengujian, vektor citra input yang diperoleh dengan transformasi wavelet Haar dapat memberikan unjuk kerja sebesar 85,71% pada jaringan backpropagation dalam pengklasifikasian ekspresi wajah. Kata Kunci: ekspresi wajah, wavelet Haar, backpropagation 1. PENDAHULUAN Ekspresi wajah memberikan ukuran perilaku penting untuk studi mengenai emosi, proses kognitif dan interaksi sosial. Ketersediaan perangkat pencitraan dan perangkat komputasi dengan biaya yang semakin terjangkau membuat otomatisasi sistem pengenalan ekspresi wajah memiliki potensi untuk dikembangkan dengan biaya yang lebih murah dan diterapkan pada kehidupan sehari-hari (Kumbhar, Jadhav, & Patil, 2012). Dalam dunia pendidikan ekspresi wajah dapat digunakan untuk mengetahui tingkat kebosanan mahasiswa di dalam kelas (Whitehill, Serpell, Lin, Foster, & Movellan, 2014) serta dapat juga digunakan untuk memberikan solusi bagi mahasiswa yang bermasalah pada saat melakukan bimbingan konseling pada konselor (Grafsgaard, Wiggins, & Boyer, 2013). Penelitian ilmiah tentang ekspresi wajah dimulai oleh Ekman dan Friesen. Setiap ekspresi adalah perubahan singkat gerakan otot wajah disekitar daerah alis, mata, mulut, dan rahang. Berdasarkan hal tersebut kemudian ekspresi wajah digolongkan menjadi 6 yaitu senang, sedih, marah, takut, kaget, dan jijik (Ekman & Freissen, Seminar Nasional Matematika, Sains dan Informatika 2015

393

Prosiding

ISBN 978-602-18580-3-5

1976). Dalam satu dekade telah banyak dikembangkan otomatisasi sistem pengenalan ekspresi wajah dengan berbagai metode. Pada penelitian ini akan dibuat suatu aplikasi untuk mengidentifikasi

emosi melalui ekspresi wajah sehingga seorang konselor dapat melakukan konseling dengan baik serta mampu memberikan solusi yang tepat. Aplikasi akan dibangun dengan menggunakan Otsu thresholding dan adaptive thresholding pada tahap praproses. Otsu thresholding digunakan untuk melakukan segmentasi citra secara global menggunakan nilai ambang yang ditentukan dengan cara memisahkan bagian obyek dan latar belakang yang saling bertumpukan dan adaptive thresholding digunakan untuk mendapatkan bagian-bagian kecil dalam citra menggunakan nilai ambang lokal, yang dihitung secara adaptif berdasarkan statistik piksel-piksel tetangga (Amani, Shahbahrami, & Nahvi, 2013). Untuk mendapatkan ekstraksi ciri, digunakan wavelet Haar yang kemudian akan dinormalkan dengan rumus tertentu. Wavelet Haar termasuk dalam keluarga wavelet orthogonal yang sederhana namun dapat digunakan untuk mentransformasi sinyal 2D (M.Satiyan, M.Hariharan, & R.Nagarajan , 2010). Proses pelatihan serta pengklasifikasian ekspresi wajah menggunakan jaringan syaraf tiruan backpropagation. Backpropagation dipilih karena telah banyak digunakan dalam penelitian dan keberhasilan dari penerapan metode ini dalam berbagai aplikasi (Rada, 2014).

2. METODE PENELITIAN Pengumpulan data dan materi pendukung untuk proses penyelesaian masalah pada penelitian ini menggunakan metode penelitian kepustakaan. Langkah-langkah yang ditempuh dalam pengembangan aplikasi pengenalan ekspresi wajah meliputi tahap analisa kebutuhan aplikasi, perancangan aplikasi, implementasi aplikasi, dan pengujian aplikasi. Blok diagram sistem pengenalan ekspresi wajah yang akan dibuat dapat dilihat pada gambar 1. Proses pengenalan dimulai dari tahap akuisisi citra yang akan digunakan sebagai citra masukan diperoleh melalui capture kamera digital dengan ukuran 256x256 piksel. Langkah selanjutnya adalah pengolahan citra meliputi perubahan ukuran citra dan thresholding. Pada tahap ekstraksi ciri, vektor bobot citra diperoleh dengan menggunakan wavelet Haar yang kemudian dinormalisasikan untuk memperoleh kisaran data antara -2 dan 2. Tahap berikutnya adalah pelatihan serta pengujian data kedalam jaringan syaraf tiruan backpropagation. Seminar Nasional Matematika, Sains dan Informatika 2015

394

Prosiding

ISBN 978-602-18580-3-5

Pelatihan

Praproses

Ekstraksi Ciri wavelet Haar

Klasifikasi ekspresi wajah dengan backpropagation

Pengujian

Praproses

Ekstraksi Ciri wavelet Haar

Klasifikasi ekspresi wajah dengan backpropagation

Gambar 1. Blok Diagram Sistem Pengenalan Ekspresi Wajah 3. HASIL PENELITIAN DAN PEMBAHASAN Tujuan dari penelitian ini untuk mengetahui tingkat akurasi jaringan backpropagation sistem pengenalan ekspresi wajah dengan ekstraksi ciri citra masukan yang diperoleh menggunakan wavelet Haar. Citra wajah untuk pelatihan dan pengujian diambil di lapangan. Pada gambar 2 dapat dilihat hasil capture kamera sebelum citra dilakukan praproses.

Gambar 2. Citra wajah asli 3.1 Praproses Praproses dilakukan untuk mendapatkan citra dengan sebaran informasi yang lebih baik dibandingkan dengan citra awal. Pada penelitian ini praproses menggunakan metode Otsu thresholding untuk memisahkan objek dan latar belakangnya selanjutnya akan dicari bagianbagian kecil citra menggunakan nilai threshold lokal yang dihitung secara adaptif berdasarkan statistik piksel-piksel bertetangga. Gambar 3 menunjukkan hasil praproses citra awal.

(a)

(b)

(c)

(d)

Gambar 3. Praproses citra awal (a) citra awal yang telah diubah ukuran pikselnya menjadi 16x16; (b) citra skala keabuan; (c) citra hasil Otsu thresholding; (d) citra hasil adaptive thresholding Seminar Nasional Matematika, Sains dan Informatika 2015

395

Prosiding

ISBN 978-602-18580-3-5

3.2 Ekstraksi ciri Wavelet adalah gelombang mini yang mempunyai kemampuan untuk mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya sedikit mengandung energi yang dapat dihilangkan tanpa mengurangi nilai informasinya.. Ekstraksi ciri adalah proses untuk memunculkan ciri citra. Proses ekstraksi ciri pada penelitian ini menggunakan transformasi wavelet Haar. Wavelet Haar adalah wavelet orthogonal yang paling sederhana namun dapat diterapkan pada transformasi citra 2D (Sutarno, 2010). Setelah vektor ciri diperoleh, akan dinormalisasi dengan menggunakan persamaan (3.1) ̅

(3.1)

Tahap ekstraksi ciri citra masukan ditunjukkan pada gambar 4.

(a)

(b) Gambar 4. Tahap ekstraksi ciri (a) dekomposisi citra dengan wavelet Haar;(b) normalisasi vektor citra 3.3 Backpropagation Backpropagation merupakan metode pembelajaran yang didasarkan pada minimalisasi fungsi error melalui propagasi mundur sinyal error (MSE) dalam jaringan. Dalam jaringan backpropagation setiap unit dalam lapisan input akan terhubung dengan setiap unit yang ada di lapisan tersembunyi. Demikian juga untuk setiap unit dalam lapisan tersembunyi akan terhubung dengan lapisan output (Puspitaningrum, 2006). Algoritma backpropagation dapat dibagi kedalam dua bagian yaitu alogoritma pelatihan dan algoritma pengujian. Jaringan backpropagation pada penelitian ini dibangun dengan menggunakan lapisan input dengan jumlah node sebanyak 256, dua lapisan tersembunyi dengan jumlah node masingmasing 100 dan 50 serta satu lapisan output dengan 3 node. Fungsi-fungsi yang digunakan dalam Seminar Nasional Matematika, Sains dan Informatika 2015

396

Prosiding

ISBN 978-602-18580-3-5

jaringan ini adalah, untuk fungsi aktivasi yang menghubungkan setiap lapisan adalah sigmoid biner. Hal ini karena output yang diinginkan hanya berupa 0 dan 1. Fungsi pelatihan menggunakan gradient decent backpropagation serta nilai laju pembelajaran sebesar 0,05 dan MSE sebesar 0,01. Sedangkan untuk hasil perbandingan target dengan data uji dapat dilihat pada Tabel 1. Tabel 1. Hasil Perbandingan Target dengan Data Uji

Unjuk kerja sistem pengenalan ekspresi wajah dihitung berdasarkan pada persamaan (3.2)

(3.2) Data untuk pengujian menggunakan satu sampel data uji diperoleh dari tujuh ekspresi hanya satu ekspresi yang tidak dapat dikenali, yaitu ekspresi ke-enam sehingga berdasarkan persamaan (3.2) diperoleh akurasi sebesar (6/7) * 100% = 85,71% . 4. KESIMPULAN

Vektor citra masukan yang diperoleh dari hasil dekomposisi wavelet Haar, penggunaan dua lapisan tersembunyi dengan fungsi aktivasi sigmoid biner serta pemberian bobot secara random


397

Prosiding

ISBN 978-602-18580-3-5

dengan metode Nguyen Widrow dapat memberikan unjuk kerja 85,71% dalam pengklasifikasian ekspresi wajah seseorang dengan dimensi citra sebesar 16x16 piksel.

DAFTAR PUSTAKA Amani, N., Shahbahrami, A., & Nahvi, M. (2013). A New Approach for Face Image Enhancement and Recognition . International Journal of Advanced Science and Technology, 1-10. Ekman, P., & Freissen, W. V. (1976). Measuring Facial Movement. Environment Psychology and Nonverbal Behavior , 1(1), 56-75. Grafsgaard, J. F., Wiggins, J. B., & Boyer, K. E. (2013). Automatically Recognizing Facial Expression:Predicting Engagement and Frustration. Memphis: EDM. Kumbhar, M., Jadhav, A., & Patil, M. (2012). Facial Expression Recognition Based on Image Feature. International Journal of Computer and Communication Engineering, 1(2), 117-119. M.Satiyan, M.Hariharan, & R.Nagarajan . (2010). Recognition of Facial Expression Using Haar Wavelet Transform. International Journal Of Electrical And Electronic Systems Research, 89-96. Puspitaningrum. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset. Rada. (2014). Klasifikasi Kain Sumba Menggunakan Gelombang Singkat dan Backpropagation (Tesis). Yogyakarta: Universitas Atma Jaya. Sutarno. (2010). Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah. Jurnal Generic, 15-21. Whitehill, J., Serpell, Z., Lin, Y. C., Foster, A., & Movellan, J. R. (2014). The Faces of Engagement: Automatic Recognition of Student Engagement from Facial Expressions. IEEE TRANSACTIONS ON AFFECTIVE COMPUTING, 5(1), 86-98.


398

Analisis Jejaring Sosial untuk Rekomendasi Personal pada Komunitas Online Irma Yuliana1, Paulus Insap Santosa2, Noor Akhmad Setiawan3 Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl. Grafika No.2 Yogyakarta - 55281

ABSTRAK. Analisa Jejaring Sosial (AJS) memberikan peran penting dalam menggambarkan interaksi informal dengan menggambarkan keadaan interaksi manusia sebagai mana keadaan nyata. Adapun saat ini ditunjang oleh kemutakhiran gawai dan beragam aplikasi media sosial, yang bahkan multiguna, baik untuk komunikasi, sosialisasi, iklan/marketing, e-commerce, distribusi berita, kontrol sosial serta sebagai media interaksi antar penggemar dengan para public figure. Bukan hanya faktor centraliti yang merupakan faktor utama seseorang dianggap penting, tetapi information broker, yaitu seseorang yang bukan pusat dari keterhubungan banyak orang. Analisa Jejaring Sosial (AJS). merepresentasikannya dalam bentuk graphs sehingga lebih ringan dan mudah dalam pembaca, untuk membuat Rekomendasi personal berdasarkan ketersediaan data yang mellimpah, Metode based- ranking Kata Kunci : analisis jejaring sosial, sistem rekomendasi, komunitas 1. PENDAHULUAN Aplikasi komputasi

berkembang searah dengan komputasi personal yang memfasilitasi

pengguna untuk berkolaborasi dan mengembangkan interaksi sosial. Fenomena ini dikenal sebagai ‗social computing‘ ,bagian dari teknologi informasi yang mengupas

irisan antara

manusia dan studi sosial yang terhubung melalui jaringan komputer. Jaringan komputer pada akhirnya juga merupakan jaringan sosial yang menghubungkan manusia, organisasi dan pengetahuan. Disamping teknologi web sendiri telah memberikan keleluasaan pengguna untuk terikat dalam interaksi sosial dengan memberikan kontribusi keahliannya, berbagi konten dan menyebarluaskan informasi [1] Ada tiga karakteristik penting dalam ilmu sosial komputasi yaitu keterhubungan (connectivity) yang membentuk keterhubungan antar pengguna dalam suatu grup, kerjasama (collaboration) yang memodelkan bagaimana mereka berinteraksi dan komunitas (community) yaitu kelompok atau kluster berdasarkan kemiripan dan hubungan kedekatan antar pengguna [2]. Sebagaimana layanan aplikasi komputasi sosial ini semakin bersifat pervasive, menjadikan informasi menjadi kian tak terbendung yang berakibat semakin kompleksnya pengambilan keputusan Bahkan saat menghadapi sebidang layar monitor yang terhubung ke jaringan internet. Begitu banyaknya informasi yang dihadirkan seringkali membuat pengguna kehilangan fokus dan akhirnya tersesat jauh dari awal tujuan yang ditentukan (lost in hyperspace), selain juga membuang waktu yang berguna. Hadirnya jejaring media sosial semakin menjembatani seseorang untuk memiliki banyak keterhubungan, baik secara offline maupun online. Fasilitas Seminar Nasional Matematika, Sains dan Informatika 2015

399

Prosiding

ISBN 978-602-18580-3-5

untuk berkolaborasi dan berinteraksi sosial sangat digemari saat ini, yang dibuktikan dengan semakin membengkaknya angka pengguna media jejaring sosial, seperti facebook, twitter, flikr dan sebagainya. Bertolak belakang dengan ekses negatif yang sering diberitakan, seharusnya jejaring melalui media sosial dapat bermafaat jika kita dapat mengolah informasi yang disajikan. Pemilahan dan penyaringan informasi dapat dilakukan untuk memperoleh sesuatu yang berguna dan dibutuhkan. Berkomunitas adalah salah satu solusi ketika seseorang merasa awam dengan hal baru yang dimilikinya dan ingin menggali lebih banyak informasi mengenainya. Tentu saja komunitas yang dimaksud di sini adalah sekumpulan pengguna komputer yang secara eksplisist mendefinisikan dirinya dalam suatu platform, misalnya Flikr, Tweeter atau Facebook, yang memberikan dukungan informasi pada lingkungannya tersebut, termasuk dalam tukar menukar informasi dan bahkan aktivitas bersama secara offline [2]. Komunitas seni beladiri merupakan salah satu jenis komunitas dari sekian banyak komunitas online di Facebook melalui group nya. Terdiri dari banyak seni beladiri dalam komunitas ini, dan beragam praktisi mulai dari pakar hingga yang masih awam, begitu pun ada banyak alasan bagi seseorang untuk bergabung. Seni beladiri merupakan pengetahuan yang diajarkan sebagai dasar untuk membela diri pada situasi tertentu. Secara formal pengajaran seni beladiri dilakukan oleh lembaga tertentu sebagai salah satu cabang olah raga. Sebagai seni oleh tubuh ada banyak jurus yang harus dikuasai, tingkatan yang harus ditempuh dan tentu saja waktu yang diluangkan ketika seseorang secara sukarela tergabung dalam suatu perguruan seni beladiri. Pengajaran dengan menggunakan metode langsung tatap muka dan ujian kenaikan tingkat bukanlah suatu hal yang mudah bagi mereka yang sudah cukup sibuk dengan kegiatan sehari – hari dan bekerja. Pola hidup sehat dengan berolah raga ataupun teknik membela diri terutama bagi perempuan praktis sangat diperlukan, meskipun cara pembelajaran formal sulit dilakukan, melalui komunitas seseorang dapat belajar banyak, bahkan belajar langsung dari guru secara online streaming. Namun berlimpahnya informasi dalam komunitas tersebut seringkali menimbulkan ketidakfokusan dalam belajar tentang seni beladiri. Diperlukan penyaringan informasi sesuai dengan kebutuhan agar dapat mengambil manfaat dari banyaknya informasi yag tersaji. Berangkat dari fenomena di atas, mengenai sumber pengetahuan yang melimpah didukung oleh jejaring media sosial hingga terbentuk banyak komunitas online dengan beragam tema. Pengaksesan di dalam komunitas informasi seringkali menghabiskan banyak waktu dan tenaga, Seminar Nasional Matematika, Sains dan Informatika 2015

400

Prosiding

ISBN 978-602-18580-3-5

karena minimal pengguna harus membaca satu persatu berita kiriman anggota komunitas, baru kemudian menentukan kesesuaiannya dengan informasi yang dicari. Dengan kata lain pengguna harus mampu mengenali satu persatu anggota yang aktif berpartisipasi melalui informasi yang dibaginya misalnya sebagai narasumber [3] Kesulitan terhadap penyaringan informasi mengenai data spesifik seperti inilah yang sering dihadapi oleh pengguna. Selain itu banyaknya pertanyaan yang serupa oleh anggota komunitas yang baru juga seringkali merepotkan anggota lama dengan memberikan jawaban yang serupa dan berulang – ulang. Jadi selain memetakan aktivitas anggota dalam komunitas sebagai upaya seleksi informasi, diharapkan juga pengguna dapat memperoleh informasi relevan yang seringkali muncul sebagai frequency asked question (FAQ). 2. METODE PENELITIAN Penelitian mengenai SNA (Social Network Analysis) sebenarnya sudah dimulai puluhan tahun yang lalu, jauh sebelum era media sosial seperti Facebook dan Twitter. Analisa jejaring sosial merupakan suatu teknik untuk memetakan dan mengukur relasi dan komunikasi yang terjadi antar manusia, kelompok, organisasi, komputer ataupun entitas yang memproses suatu informasi [4][5]. Hubungan relasi ini divisualisasikan dengan graph SNA yang tervisualisasi akan menjadi lebih mudah untuk dianalisis. Hubungan relasi ini divisualisasikan dengan graph seperti yang terlihat pada gambar 1. Titik pada gambar yang disebut ‘node‘ atau simpul merepresentasikan personal atau individu yang dihubungkan oleh garis yang membentuk ‘vertex‘. Dua node yang terhubung dinyatakan dengan adanya garis yang menghubungkan keduanya. Node dan vertex memiliki arti pengukuran tersendiri yang dijelaskan oleh beberapa terminologi dalam teori graf berikut ini . a) Keantaraan (betweeness) Keantaraan mengukur banyaknya koneksi suatu individu. Pada teori graf,

keantaraan ini

adalah sentralitas suatu simpul pada suatu jejaring. Keantaraan ini juga mengukur konektifitas tetangga suatu simpul. b) Jembatan (bridge) Jembatan pada analisis jejaring sosial adalah suatu sisi yang apabila sisi tersebut diputus maka akan menimbulkan pemisahan satu graf menjadi dua graf. Konsepnya sama seperti jembatan pada teori graf.


401

Prosiding

ISBN 978-602-18580-3-5

c) Kedekatan (closeness) Kedekatan adalah derajat bagaimana individu dekat dengan anggota jejaring lainnya. Kedekatan ini menggunakna graf berbobot dalam aplikasinya. Kedekatan ini adalah kebalikan dari jumlah bobot terpendek antara individu ke semua individu lain. Makin tinggi kedekatan artinya suatu individu mempunyai ikatan erat dengan antar temannya. d) Koefisien cluster Koefisien ini mengukur derajat bagaimana kenalan-kenalan individu ternyata kenal satu sama lain dan membentuk cluster. e) Derajat (degree) Seperti derajat pada teori graf, derajat pada analisis jejaring sosial juga merupakan jumlah hubungan ke simpul lain. Di sini bisa disebut sebagai jumlah ‖teman langsung‖. f) Kepadatan (density) Kepadatan adalah tingkat bagaiamana suatu jejaring sosial kenal semua anggota di dalamnya. Jejaring yang padat memiliki jumlah sisi yang mendekat jumlah sisi yang memungkinkan dalam jejaring tersebut. g) Sentralitas (centrality) Ini adalah ukuran pentingnya suatu simpul dalam suatu jejaring. Derajat ini memberi nilai relatif pada suatu simpul berdasarkan prinsip bahwa koneksi ke simpul- simpul yang memiliki skor tinggi lebih berkontribusi pada skor simpoul yang ingin kita ukur dibandingkan koneksi ke simpul yang memiliki skor kecil. Metode SNA dapat diterapkan pada berbagai bidang kajian misalnya ilmu antropologi, biologi, ilmu komunikasi, geografi, psikologi social, dan ilmu-ilmu eksata lainnya seperti matematika, fisika dan kimia. meskipun data yang diolah tidak langsung diambil dari media jejaring sosial. Beberapa penelitian menggunakan metode ini dengan mencermati keterhubungan dan aktivitas pada objek penelitian. Pola permainan suatu pertandingan sepakbola dapat dimonitor dengan metode ini [6], untuk mengevaluasi kekalahan ataupun kecurangan yang mungkin terjadi. Kular dan Menezes menggunaan metode analisa jejaring sosial bahkan pada resep masakan di seluruh dunia untuk mengkaitkan tinjauan latar belakang sejarah suatu daerah dengan sajian kuliner ciri khasnya [7]. Selanjutnya Shang dan Tayebi [8][9] menerapkan SNA untuk mengidentifikasi terorisme melalui komunitas tertentu. Penelitian lain memanfaatkan teori keterhubungan melalui graph dalam manajemen disaster[10], kampanye politik [11], Seminar Nasional Matematika, Sains dan Informatika 2015

402

Prosiding

ISBN 978-602-18580-3-5

perencanaan perjalanan wisata [12], monitoring kemacetan lalu lintas[13] dan sebagainya. III. HASIL PENELITIAN DAN PEMBAHASAN SNA yang mengambil data dari media jejaring sosial memiliki informasi yang melimpah yang perlu disaring untuk mendapatkan pengetahuan yang lebih spesifik dan akan lebih ringkas jika dikemas dalam suatu rekomendasi. Persoalan ini tidaklah mudah mengingat saat ini menyajikan informasi yang relevan saja tidaklah cukup, tapi juga penting, terutama pada waktu kritis untuk membuat keputusan. Tavakolifard dan Amleroth [2] menyatakan dalam tulisannya bahwa ada tiga layanan social computing yang menonjol yaitu sistem rekomendasi, sistem reputasi/ kepercayaan dan jejaring sosial [3]. Pada kesempatan ini dilakukan penelitian yang minimal melibatkan 2 layanan tersebut yaitu sistem rekomendasi berbasis layanan jejaring media sosial. Data pada penelitian ini diperoleh dari media sosial facebook melalui komunitas/grup yang dibentuk oleh pengguna yaitu Komunitas Penggemar dan Praktisi Beladiri Indonesia yang memiliki 18.596 anggota. Gambar 2 dibawah menjelaskan penggunaan media sosial Facebook selama ini yang cukup favorit di kalangan masyarakat [3]. Analisa jejaring sosial atau SNA diterapkan untuk menentukan hubungan keterdekatan antar anggota dalam komunitas . Kepercayaan biasanya dibangun berdasarkan keterdekatan hubungan anggota dalam komunitas. [14]. Pada ketiga gambar berikut, berturut – turut meerupakan proses dalam SNA. Mulai yang pertama nerupakan visualisassi ekstrak data dari media sosial komunitas dalam facebook.

Gambar 1. Visualisasi ekstrak data komunitas Pada gambar tersebut terlihat adanya ‗vertex‘ yang terlihat tebal dan tipis, maka disaring lagi hanya vertex yang tebal saja yang menggambarkan hubungan aktif. Selanjutnya gambar 4 sudah Seminar Nasional Matematika, Sains dan Informatika 2015

403

Prosiding

ISBN 978-602-18580-3-5

menunjukkan hubungan aktivitas antar node.

Gambar 2. Vertex aktif Pada gambar 5 selanjutnya menunjukkan degree yang dimiliki masing – masing node. Maka terlihat warna yang berbeda – beda antara node yang satu dengan yang lain, tergantung pada degree in atau out yang dimiliki.

Gambar 3. Visualisasi degree node Setelah terrlihat node aktif yang memiliki degree cukup tinggi, maka terdektesi pula tingkat kedekatan yang menjadi dasar tingkat kepercayaan pengguna untuk mendapatkan informasi nanti. Tidak hanya berhenti di sini, proses selanjutnya adalah menyusun rekomendasi dari informasi yang diperoleh tersebut. Recommender system atau sistem pemberi rekomendasi akan memudahkan pengguna untuk Seminar Nasional Matematika, Sains dan Informatika 2015

404

Prosiding

ISBN 978-602-18580-3-5

mengatasi masalah information overload hingga terjadi lost in hyperspace di atas dengan menyediakan saran-saran bersifat personal berdasarkan pada sejarah perilaku pengguna sebelumnya (tertarik atau tidak terhadap sesuatu)[15] Selanjutnya, level prioritas suatu informasi diseleksi melalui proses ranking. Proses ranking ini yang akan mengevaluasi property yang dimiliki objek dan dibanding kan dengan permintaan user. Sedangkan ranking dikenal melalui beberapa metode antara lain : constraint-based, similarity-based dan network-based. Metode network-based ranking diterapkan dalam penelitian inikarena semua objek terikat dan mempunyai relasi dalam suatu komunitas. 4. KESIMPULAN Penelitian ini diharapkan mampu mengidentifikasi pengguna yang berpengaruh dan memiliki kedekatan dengan pengguna, sehingga informasi yang rekomendasikan sesuai dengan yang diperlukan. Dari tahap awal diperoleh nilai maksimum eigenvector centrality adalah 0.009, pagerank maksimum 6.653 dan terbentuk 11 group atau cluster yang menggambarkan ragam macam seni beladiri yang diperbincangkan dalam komunitas tersebut.

Gambar 4. 11 Kluster yang terbentuk DAFTAR PUSTAKA [1] [2]

[3] [4] [5]

Y. Tian, ―Social Multimedia Computing,‖ IEEE Trans. Knowl. Data Eng., no. August, pp. 27–36, 2010. M. Tavakolifard, K. C. Almeroth, and S. Barbara, ―Social Computing: An Intersection of Recommender Systems, Trust/Reputation Systems, and Social Networks,‖ no. August, pp. 53–58, 2012. A. Kardan, A. Omidvar, and F. Farahmandnia, ―Expert Finding on Social Network with Link Analysis Approach.‖ Aggarwal Charu, Ed., Social Network Data Analytics. New York: Springer, 2011. N. Akhtar, H. Javed, and G. Sengar, ―Analysis of Facebook Social Network,‖ 2013 5th Int. Conf. Comput. Intell. Commun. Networks, pp. 451–454, Sep. 2013.


405

Prosiding

[6] [7]

[8]

[9]

[10]

[11] [12]

[13] [14] [15]

ISBN 978-602-18580-3-5

K.-J. Park and A. Yilmaz, ―Social Network Approach to Analysis of Soccer Game,‖ 2010 20th Int. Conf. Pattern Recognit., pp. 3935–3938, Aug. 2010. D. K. Kular, R. Menezes, and E. Ribeiro, ―Using network analysis to understand the relation between cuisine and culture,‖ Proc. 2011 IEEE 1st Int. Netw. Sci. Work. NSW 2011, pp. 38–45, 2011. X. Shang and Y. Yuan, ―Social Network Analysis in Multiple Social Networks Data for Criminal Group Discovery,‖ 2012 Int. Conf. Cyber-Enabled Distrib. Comput. Knowl. Discov., pp. 27–30, Oct. 2012. M. a. Tayebi and U. Glasser, ―Investigating Organized Crime Groups: A Social Network Analysis Perspective,‖ 2012 IEEE/ACM Int. Conf. Adv. Soc. Networks Anal. Min., pp. 565–572, Aug. 2012. K. Wei and W. Wen, ―Research on Emergency Information Management Based on the Social Network Analysis üü A Case Analysis of Panic Buying of Salt,‖ pp. 1302–1310, 2011. L. Ya-ting, ―The Social Network Analysis of Political Blogs in People,‖ pp. 5441–5444, 2011. L. Ahmedi, K. Rrmoku, and K. Sylejmani, ―Tourist Tour Planning Supported by Social Network Analysis,‖ 2012 Int. Conf. Soc. Informatics, no. SocialInformatics, pp. 295–303, Dec. 2012. J. Li, V. Chen, and V. Lin, ―Research on traffic layout based on social network analysis,‖ 2010 2nd Int. Conf. Educ. Technol. Comput., pp. V1–284–V1–288, Jun. 2010. C. Chen, J. Zeng, X. Zheng, and D. Chen, ―Recommender System Based on Social Trust Relationships,‖ 2013 IEEE 10th Int. Conf. E-bus. Eng., pp. 32–37, Sep. 2013. X. Li and L. Chen, ―Recommendations based on Network Analysis,‖ pp. 978–979, 2011.


406

EVALUASI DAN RANGKING ONTOLOGI STUDENT PAYMENT BERBASIS MATRIK DENGAN OntoQA Jaeni, Selo, dan Sri Suning Kusumawardani [email protected], [email protected], [email protected] Jurusan Teknik Elektro dan Teknologi Informasi, FT UGM Yogyakarta

ABSTRAK. Dalam web semantik sejumlah layanan dapat dikembangkan dengan ontologi berbeda yang akan digunakan untuk otomatisasi integrasi layanan. Ketika akan menggunakan kembali ontologi dalam aplikasi, pengguna dihadapkan dengan masalah menentukan apakah ontologi cocok sesuai yang dibutuhan sehingga diperlukan evaluasi terhadap ontologi tersebut. Adapun tujuan dari paper ini adalah untuk mengevaluasi ontologi student payment dengan metode OntoQA. Kata Kunci: ontologi, OntoQA, web semantik, student payment 1. PENDAHULUAN Kebutuhan informasi pembayaran dan kemudahan mahasiswa membayar kewajiban keuangan melalui bank secara online kepada perguruan tinggi diperlukan untuk mendukung kelancaran proses akademik. Jumlah mahasiswa yang semakin besar dalam suatu perguruan tinggi membutuhkan efesiensi dan efektifitas dalam proses pembayaran. Untuk mendukung layanan multi bank secara online diperlukan integrasi layanan antara bank dan perguruan tinggi. Masalah layanan terintegrasi menjadi semakin penting terutama dalam lingkungan terbuka seperti Web Semantic, sejumlah besar layanan yang dikembangkan oleh sejumlah besar pengguna dengan teknologi yang berbeda. Masalah automated integration of services adalah kunci untuk realisasi sukses dari Web Semantic atau sistem lain dengan layanan berinteraksi dengan satu sama lain merupakan tantangan dalam riset kedepan (Lu Fang, 2012) . Semantik web menyediakan makna ekplisit untuk informasi dan data web masa depan. Salah tujuannya adalah memungkinkan intelligent search agents untuk proses dan intergasi data dari berbagai sumber pada level konseptual. Ontologi merepresentasikan berbagai macam domain knowledge dan informasi sebagai salah satu faktor kunci sukses semantik web. Namun, kondisi saat ini pengembangan domain ontologi untuk

semantic web adalah masih dalam masa

pertumbuhan baik dari segi kuantitas dan kualitas. Salah satu isu utama adalah biaya pengembangan tinggi terkait dengan pengetahuan akuisisi secara manual konstruksi ontologi. Memperoleh pengetahuan domain membutuhkan banyak sumber daya dan memakan banyak waktu (Gómez-Pérez, 2002 ). Seminar Nasional Matematika, Sains dan Informatika 2015

407

Prosiding

ISBN 978-602-18580-3-5

Membangun ontologi dapat dicapai dengan dua pendekatan: dapat mulai dari awal ( Cristani, M., Cuel, R. A 2005 ), atau bisa dibangun dengan sebuah ontologi yang ada. dalam kedua kasus, teknik untuk mengevaluasi ontologi yang dihasilkan diperlukan. Teknik-teknik tersebut tidak hanya akan berguna selama proses rekayasa ontologi ,hal itu juga dapat berguna untuk pengguna akhir yang membutuhkan untuk menemukan ontologi yang paling cocok. Dengan penelitian ini memanfaatkan relational database yang sudah ada, hasil yang diharapkan dari penelitian ini adalah perancangan ontologi student payment sebagai solusi integrasi antara perguruan tinggi X dengan bank Y. Sistem diharapkan dapat melayani berbagai jenis sistem pembayaran yang disediakan secara dinamis baik untuk kebutuhan saat ini maupun mendatang. Dalam teknologi web semantik, informasi yang disajikan bukan hanya untuk konsumsi manusia sebagai user tetapi kini sudah dapat dimanfaatkan oleh mesin. Web semantik merupakan teknologi baru dalam dunia internet, teknologi web semantik dapat diterapkan pada berbagai bidang kehidupan web semantik merupakan perluasan dari web saat ini,

informasi

memiliki arti yang terdefinisi lebih baik, sehingga memungkinkan manusia dan komputer dapat bekerjasama lebih optimal dalam pengolahan dan penyajian informasi (Berners-Lee, 2001). 2. METODE PENELITIAN Menurut Tartir (2005), dengan sebuah pendekatan berbasis evolusi, perubahan penting karakteristik ontologi yang sama di berbagai versi dapat dilacak. Sedangkan secara Logis dengan menggunakan aturan built-in dalam ontologi, konflik dalam ontology. Sedangkan

ontology builder berguna untuk mendeteksi

berbasis matrik

disebut juga berbasis feature - yang

mengumpulkan berbagai jenis statistik yang merepresentasikan pengetahuan dalam ontologi . Di antara alat evaluasi pre-deployment, OntoQA menonjol karena bekerja pada populasi ontologi sehingga memungkinkan memanfaatkan pengetahuan untuk mendapatkan ukuran yang lebih baik kualitas ontologi. Selain itu, ini lebih mudah untuk gunakan dibandingkan dengan alat evaluasi lainnya. OntoQA (Ontology Quality Analysis) merupakan salah satu cara

untuk mengevaluasi

kualitas dari ontologi. Kerangka kerja OntoQA dikategorikan dalam schema metrics dan knowledge metrics yang disebut juga instance metrics (S. Tartir dan Arpinar, 2007).


408

Prosiding

ISBN 978-602-18580-3-5

Pada Schema metrics dilakukan beberapa rangkaian penghitungan untuk mengetahui skema ontologi antara lain : Relationship Richness (RR) atau yang disebut juga Relationship Diversity (RD), digunakan untuk mengetahui keberagaman relasi yang dimiliki.

Tabel 1. Skala klasifikasi nilai RR Rentang Skala

Nilai Skala

0,00 – 0,20

Minimum

0,21 – 0,40

Kurang

0,41 – 0,60

Cukup

0,61 – 0,80

Kaya

0,80 – 1,00

Maksimum

Inheritance Richness (IR) atau yang disebut juga Schema Deepness (SD) digunakan untuk mengukur distribusi informasi dengan membedakan ontologi ke dalam 2 karakter, yaitu ontologi dengan karakter deep atau ontologi dengan karakter shallow.

Tabel 2. Perbandingan nilai IR dan rentang skor nilai IR Rentang Skala

Nilai Skala

0,00 – 1,34

Spesifik

1,35 – 2,68

Cukup Spesifik

2,69 – 4,02

Cukup Umum

4,03 – 5,36

Umum


409

Prosiding

ISBN 978-602-18580-3-5

Tabel 3. Hasil Evaluasi dengan OntoQA No

Ontologi

IR

1

TAP (Guha & McCool, 2003)

5.36

2

PSM (Tan et al., 2012)

4.59

3

SWETO (Aleman & Halaschek, 2004)

4.00

4

GlycO (Sheth & York, 2004)

1.56

Attribute Richness (AR) digunakan untuk mengukur jumlah informasi yang ada. Semakin banyak attribute atau slot maka semakin banyak informasi yang disediakan oleh ontologi.

3.1 Knowledgebase Metrics Class Richness (CR): metrik ini indikator bagaimana instances didistribusikan pada seluruh kelas knowledgebase dengan demikian memberikan gambaran tentang seberapa baik knowledgebase memanfaatkan pengetahuan

dimodelkan oleh kelas skema.CR tinggi

menunjukkan bahwa data dalam KB direpresentasikan lebih banyak dari pengetahuan dalam skema. Class Importance (CI) adalah persentase jumlah instances yang termasuk dalam root inheritance sub-tree dalam KB dibandingkan dengan jumlah class instances dalam KB. Class ini penting karena akan membantu mengidentifikasi area dari skema berada dalam fokus pada saat instance ditambahkan kedalam KB. Sedangkan Cohesion (Coh) adalah ukuran bagaimana komponen (CC) terhubung yang merepresentasikan grafik KB. Coh = CC, CC adalah jumlah komponen yang terhubung. 3. HASIL PENELITIAN DAN PEMBAHASAN Ontologi student payment pada penelitian ini dibangun dari hasil konversi dari relational database dengan menggunakan RDBToOnto Converter dan dievaluai dengan metode OntoQA. Pengujian ontologi menggunakan metode OntoQA (Ontology Quality Analysis), OntoQA terdiri


410

Prosiding

ISBN 978-602-18580-3-5

dari tiga rangkaian evaluasi yaitu: evaluasi relationship richness (RR), evaluasi inheritance richness (IR), dan evaluasi attribute Richness (AR).

Gambar 1. Gambar Ontologi Graph Student Payment.

Schema Metrics:

Tabel 3. Hasil Intepretasi Knowledgebase Metrics

Axiom :1021

Total Instances: 98

Total Classes: 8

Class Richness: 100.0

Total Relationships: 59

Average Population: 12.25

Relationship Richness:0

Instance Coverage: 6.03

4. KESIMPULAN Kesimpulan dari evaluasi ontologi student payment dengan menggunakan metode OntoQA dihasilkan ontologi yang cukup umum, dengan kedalaman pengetahuan yang memadai, dan banyak memiliki relasi non-inheritance . Rancangan ontologi yang dihasilkan dapat dimanfaatkan sebagai metadata student payment berbasis web semantik. Menggunakan OntoQA untuk mengevaluasi ontology Student Payment untuk menentukan tingkat penyelarasan ontology dengan tujuan. Pada kasus ini AR perlu lebih ditingkatkan dengan memperbanyak properti dan CR dengan memperkaya instance.


411

Prosiding

ISBN 978-602-18580-3-5

No

Nama Evaluasi

Hasil

Kesimpulan

1

Relationship Richness (RR)

0

Ontologi membawa informasi pada level minimum

2

Inheritance Richness (IR)

1

Pengetahuan bersifat spesifik, diantara PSM dan SWETO.

3

Attribute Richness (AR)

7,3

Rata rata setiap class memiliki 7 attribute, berarti informasi yang ada sangat banyak.

Inheritance Richness: 1.0

Height Distribution: 0.5

DAFTAR PUSTAKA Lu Fang, Lijie Wang, Meng Li, Junfeng Zhao1,, Yanzhen Zou1, Lingshuang Shao, 2012.Towards Automatic Tagging for Web Services, " IEEE 19th International Conference on Web Services, Gómez-Pérez, A., Manzano-Macho, D., Alfonseca, E., Núñez, R., Blacoe, I., Staab, S., Corcho, O., Ding, Y., Paralic, J., Troncy, R. , 2003: A Survey of Ontology Learning Methods and Techniques. In: Gómez-Pérez, A., Manzano-Macho, D. (eds.) OntoWeb Consortium. Berners-Lee., 2001, "The Semantic Web". The Scientific American . N. Noy and D. McGuinness, 2001, ―Ontology development 101: A guide to creating your first ontology,‖ Development, vol. 32, pp. 1–25. A. Gómez-Pérez, M. Fernández-López, and O. Corcho, 2004, Ontological Engineering: with examples from the areas of Knowledge Management, e-Commerce and the Semantic Web., p. 403. Davies, J., Studer, R., dan Warren, P. 2006, Semantic web Teknologies Trends and Research in Ontology-based Systems. John Wiley & Sons, Chichester. Y. Y. Y. Yan, J. Z. J. Zhang, and M. Y. M. Yan, 2006 ―Ontology Modeling for Contract: Using OWL to Express Semantic Relations,‖ 10th IEEE Int. Enterp. Distrib. Object Comput. Conf. Antoniou, G., dan van Harmelen, F.2008, A Semantic web Primer. MIT Press S. Tartir, I. Arpinar, M. Moore, A. Sheth, and B. Aleman-Meza,2005 ―OntoQA: Metric-Based Ontology Quality Analysis,‖ in IEEE Workshop on Knowledge Acquisition from Distributed, Autonomous, Semantically Heterogeneous Data and Knowledge Sources, pp. 45–53. S. Tartir and I. B. Arpinar, ―Ontology evaluation and ranking using OntoQA,‖ in ICSC 2007 International Conference on Semantic Computing, pp. 185–192. Connolly, Thomas and Carolyn Begg. 2005, Database System: A Practical Approach to Design, Implementation, and Management, 4th Edition. Addison Wesley: Harlow, England. Cristani, M., Cuel, R. A 2005, Survey on Ontology Creation Methodologies. International Journal of Semantic Web and Information Systems (IJSWIS), Vol. 1, Issue 2.


412

PERANCANGAN SISTEM INFORMASI SUMBER DAYA MANUSIA DI PT. ABC BERBASIS WEB La Media Central of Development for Indonesian People (CENDEVIP) Bogor [email protected]

ABSTRAK. Setiap perusahaan tentu memiliki sistem informasi sumber daya manusia (human resource information system). Pada PT. ABC sistem informasi Sumber Daya Manusia (SDM) tersebut membantu bisnis dalam mengembangkan susunan kebutuhan kepegawaian, mengidentifikasi potensipotensi karyawan baru, menyimpan arsip karyawan, menjejaki pelatihan, keterampilan, dan prestasi kerja karyawan, dan membantu para manajer mengembangkan rencana yang sesuai dengan kompensasi dan pengembangan karir karyawan. Sistem ini, dalam PT. ABC dapat membantu bisnis dalam melakukan koordinasi susunan kepegawaian dengan aktivitas yang terlibat dalam proses bisnis perusahaan guna meningkatkan efisiensi dan pencapaian tujuan perusahaan. Sumber daya manusia bertanggung jawab untuk menarik, mengembangkan, dan memelihara satuan kerja perusahaan. Sistem informasi sumber daya manusia mendukung berbagai aktivitas yaitu mengidentifikasi potensi-potensi karyawan, memelihara catatan lengkap, atas tiap karyawan, dan menciptakan program untuk mengembangkan talenta dan keterampilan karyawan. Rancangan sistem informasi SDM yang dibangun merupakan bagian dari implementasi peningkatan efisiensi penggunaan sumber daya yang ada di PT. ABC. Kata Kunci: SDM, kepegawaian, karyawan. 1. PENDAHULUAN Sebuah perusahaan tentu memiliki fungsi sumber daya manusia atau yang dulu lebih dikenal adalah fungsi personalia, fungsi Sumber Daya Manusia (SDM) dalam perusahaan adalah menangani banyak proses khusus yang berhubungan dengan personil perusahaan. Manajemen Sumber Daya Manusia merupakan pilar fungsi utama organisasi dalam mendukung pola penentuan strategi dan kebijakan secara terpadu. Keputusan-keputusan sumber daya manusia yang sehat harus didukung oleh informasi mengenai sumber daya manusia yang baik. Sebuah konsep yang digunakan dalam mengelola personil tersebut adalah sistem infomasi sumber daya manusia (SI-SDM) (Ekade B. D., Ashok N. P., 2013) Salah satu sumber daya yang dimiliki oleh perusahaan untuk meningkatkan persaingan dan menciptakan perusahaan tersebut memiliki keunggulan kompetitif, perusahaan yang mampu terus beradaptasi terhadap perubahab lingkungan strategis yang sangat cepat adalah SDM yang Seminar Nasional Matematika, Sains dan Informatika 2015

413

Prosiding

ISBN 978-602-18580-3-5

ada di dalamnya (Irmawati, W., 2010). SI-SDM merupakan prosedur sistematik untuk mengumpulkan, menyimpan, mengambil dan memvalidasi data oleh organisasi mengenai sumber daya manusia, dan kegiatan-kegiatan personalia (Nicholas A. B. II. 2005). SI-SDM membantu aktivitas strategis manajer SDM dalam mengelola pelatihan dan pengembangan, perencanaan karir, pelacakan calon karyawan dalam seleksi dan perencanaan karir karyawan (Shikha N. K., Gulati K., 2012).

PT. ABC merupakan sebuah perusahaan swasta yang

mengelola 1600 karyawan dan bergerak di bidang tekstil. Dalam pengolahan data karyawannya sering kali mengalami kesulitan khususnya dalam hal pemberdayaan SDM-nya. Oleh karena itu, dengan majunya teknologi, maka PT. ABC juga akan menerapkan SI-SDM guna meningkatkan efisiensi

sumber

daya

dengan

cara

merancang

SI-SDM

yang

selanjutkan

akan

diimplementasikan dengan teknologi berbasis web. Dalam rancangan sistem informasi sumber daya yang akan dibangun, diharapkan PT. ABC dapat mendapatkan keuntungan khususnya dengan peningkatan kinerja karyawannya dan memaksimalkan sumber daya manusia (SDM) yang ada di perusahaan. SDM yang terlatih dan terampil dapat mendukung PT. ABC untuk meningkatkan daya saing perusahaan. Teknologi informasi yang ada di perusahaan ini pun telah mendukung sehingga kepentingan pihak pengelola perusahaan untuk membuat dan menetapkan strategi, kebijakan dan rencana kerja yang berkaitan dengan kebijakan SDM yang ada, dapat dibantu dengan aplikasi yang akan dibangun. 2. METODE PENELITIAN Dalam penelitian ini metode yang digunakan adalah metode deskriptif yaitu menjabarkan permasalahan yang berkenaan dengan penelitian. Pelaksanaan penelitian ini maka dilakukan langkah-langkah seperti pada metode penelitian seperti pada Gambar 1. Masukan untuk sistem informasi SDM adalah data calon karyawan dan data SDM yang ada di perusahaan. Data tersebut disimpan dalam sebuah database. Database adalah suatu kumpulan data komputer yang terintegrasi, diatur dan disimpan menurut cara tertentu sehingga mudah dalam hal pengambilan kembali. Isi database, lokasi database SI-SDM dan perangkat lunak manajemen Database telah disiapkan dalam perusahaan.


414

Prosiding

ISBN 978-602-18580-3-5

Keluaran sebagai output yang mengubah data menjadi informasi. Keluaran dari penelitian ini adalah rancangan SI-SDM yang berisi informasi yang dihasilkan dari hasil analisis dan pengolahan data yang ada.

Gambar 1. Metode Penelitian 3. HASIL PENELITIAN DAN PEMBAHASAN Perencanaan pegawai atau SDM dalam organisasi adalah serangkaian kegiatan atau aktivitas yang dilakukan secara sistematis dan strategis yang berkaitan dengan peramalan kebutuhan tenaga kerja/pegawai dimasa yang akan datang dalam suatu organisasi (publik, bisnis) dengan menggunakan sumber informasi yang tepat guna penyediaan tenaga kerja dalam jumlah dan kualitas sesuai yang dibutuhkan (Kamuli, S., 2009). Dalam melakukan perancangan SI-SDM, maka digunakan alat perancangan diagram konteks yang menggambarkan sistem yang akan dibangun, di sana juga terlihat batasan dari rancangan yang akan dihasilkan. Entitas yang terlibat dalam sistem adalah karyawan, ka. divisi SDM dan


415

Prosiding

ISBN 978-602-18580-3-5

pimpinan yang mengalirkan data dan informasi yang sesuai dengan fungsinya. Lihat Gambar 2 untuk lebih jelasnya. KARYAWAN Data Karyawan

Informasi Pelatihan Informasi Prestasi Informasi Karyawan

SISTEM INFORMASI SDM BERBASIS WEB

Data Karyawan

Informasi Prestasi Kerja \Informasi Potensi Karyawan

Umpan balik

KA. DIVISI SDM

Laporan

PIMPINAN

Gambar 2. Diagram Konteks Sistem Informasi SDM Berbasis Web Beberapa tabel dibuat untuk melengkapi rancangan SI-SDM ini, tabel-tabel tersebut terbentuk dari Entity Relationship Diagram (ERD) yang terdiri dari 6 (enam) entitas eksternal, juga 6 (enam) relasi, yang kardinalitas antar tabelnya berbeda-beda. ERD merupakan suatu model untuk menjelaskan hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang mempunyai hubungan antar relasi. ERD untuk memodelkan struktur data dan hubungan antar data, untuk menggambarkannya digunakan beberapa notasi dan simbol. ERD dari sistem yang akan dibangun dapat dilihat pada Gambar 3. Entitas dan relasi yang terbentuk menjadi tabel adalah: 1. Karyawan = (No, NIK, Nama, TglLahir, Divisi, Jabatan) 2. Potensi = (NoP, JenisPotensi, NamaPotensi, NIK) 3. Prestasi = (IdP, JenisPrestasi,NamaPrestasi, NIK, IdS) 4. Standar = (IdS,NamaStandar, IdK) 5. Pelatihan = (IdPel, NamaPelatihan, IdK) 6. Karir = (IdK, NamaKarir) Seminar Nasional Matematika, Sains dan Informatika 2015

416

Prosiding

ISBN 978-602-18580-3-5

7. Mengikuti = (IdI, Durasi, TglMulai, TglSelesai, Lokasi, NIK, IdPel)

Gambar 3. ERD sistem informasi SDM berbasis web

Gambar ERD di pada Gambar 3, tidak menampilkan atribut primary key, atribut yang menjadi primary key dapat dilihat pada entitas dan relasi yang terbentuk pada kamus data, ditandai dengan atribut pertama yang diberi garisbawah. Tabel 1 merupakan contoh tabel yang terbentuk untuk SI-SDM, yang terdiri dari 6 (enam) field. Tabel 1. Contoh Tabel Karyawan No

NIK

1

111111

2

NAMA

TGL LAHIR

DIVISI

JABATAN

Amir Mahmud

12-12-1981

Hukum

Pimpinan Hukum

222222

Sidra Mahendra

1-1-1983

Humas

Ka. Div. Humas

3

333333

Dominik Canra

12-1-1980

Sekretaris

Asisten Manajer

4

444444

Lukas Batubara

23-2-1981

SDM

Ka. Div. SDM

5

555555

Selvie Nastiti

4-9-1992

SPI

Auditor


417

Prosiding

ISBN 978-602-18580-3-5

4. KESIMPULAN Penelitian ini fokus utamanya adalah pada perancangan SI-SDM di PT. ABC. Penelitian ini sangat bermanfaat bagi PT. ABC karena perusahaan ini memiliki relatif banyak karyawan yang harus dikelola dan berencana untuk memanfaatkan teknologi informasi guna meningkatkan daya saing perusahaan. Penelitian ini mengidentifikasi beberapa kebutuhan guna implementasi yang dapat dibuat dengan berbagai modul yang sesuai dengan kebutuhan dari sisi pengolahan SDM. SI-SDM yang akan dibangun, diharapkan dapat membantu dalam mengurangi berbagai biaya seperti biaya tenaga kerja, biaya perekrutan dan lain-lain karena sistemnya telah komputerisasi. Pada intinya, dapat disimpulkan bahwa SI-SDM pada akhirnya adalah alat yang sangat baik untuk perencanaan sumber daya manusia, meskipun ada tindakan-tindakan yang tidak sepenuhnya dapat dilakukan oleh sistem informasi ini. DAFTAR PUSTAKA Ekade B. D., Ashok N. P. (2013). Human Resource Information System : A Tool for Decision Making. India. Irmawati, W.. (2010). Pengaruh Sistem Informasi Kepegawaian terhadap Perencanaan Sumber Daya Manusia pada Sekretariat Jenderal Departemen Energi dan Sumber Daya Mineral. Tesis: Universitas Indonesia. Indonesia. Kamuli, S. (2009). Perencanaan Pegawai. Fakultas ilmu Sosial Universitas Gorontalo. Indonesia. Nicholas A. B. II. (2005). The Impact of Human Resource Information Systems: An Exploratory Study in the Public Sector. Milledgeville, Georgia, Amerika Serikat. Shikha N. K., Gulati K. (2012). Human Resource Information System and its impact on Human Resource Planning: A perceptual analysis of Information Technology companies. India.


418

PENCARIAN JARAK TERPENDEK MENGGUNAKAN ALGORITMA DIJKSTRA Landung Sudarmana Program Studi Manajemen Informatika STMIK Jenderal Achmad Yani Yogyakarta [email protected]

ABSTRAK. Setiap pelaku perjalanan berusaha mencari rute terbaik masingmasing yang meminimumkan biaya perjalanan, dengan mencoba mencari beberapa rute alternative yang akhirnya berakhir pada suatu pola rute yang stabil setelah beberapa kali melakukan melakukan perjalanan. Penelitian ini menggunakan analisis perhitungan algoritma dijkstra dengan memberikan studi kasus yang merupakan kasus peneliti yang terjadi setiap hari berangkat kekampus, dari hasil analisis dapat untuk mengetahui cara kerja algoritma dalam menyelesaikan pencarian jalur terpendek untuk kasus ini. Hasil penelitian dalam analisis menyimpulkan bahwa algoritma tersebut dapat memberikan solusi optimal dengan jarak terpendek 15 kilometer, dan urutan jalur yang harus dilalui adalah Ngemplak, Minomartani, Condong Catur dan terakhir STMIK Jenderal Achmad Yani. Kata Kunci: algoritma dijkstra, jalur terpendek, solusi optimal 1. PENDAHULUAN Melakukan rute perjalanan dari suatu daerah asal ke suatu daerah tujuan, sangat lazim apabila memilih rute yang paling menguntungkan dalam perjalanan, diantara penentu pemilihan rute yaitu waktu tempuh, nilai waktu, biaya perjalanan dan biaya operasi kendaraan. Untuk pemilihan waktu tempuh merupakan waktu total perjalanan yang diperlukan, termasuk berhenti dan tundaan dari suatu tempat ke tempat yang lain melalui rute tertentu, untuk pemilihan nilai waktu merupakan sejumlah uang yang disediakan untuk dikeluarkan dan dihemat untuk satu unit perjalanan, untuk pemilihan biaya perjalanan dapat dinyatakan dalam bentuk uang, waktu tempuh, jarak atau gabungan ketiganya dengan kata lain jumlah dari biaya setiap rute jalan yang di laui, dan untuk pemilihan mengenai biaya operasi kendaraan antara lain meliputi penggunaan bahan bakar, pelumas, biaya penggantian sparepart, dan upah (Miro, F., 2002). Setiap pelaku perjalanan berusaha mencari rute terbaik masing-masing pertimbangan dalam melakukan perjalanan diantara memilih jarak yang terpendek, tetapi untuk menentukan rute yang terpendek mengalami kesulitan, karena dalam kenyataannya rute dari daerah asal ke daerah tujuan terdapat banyak jalur yang ada pada setiap daerah yang dilalui, dikarenakan tidak hanya memiliki satu jalur saja, banyak jalur yang bisa dilalui sehingga membentuk suatu jaringan.


419

Prosiding

ISBN 978-602-18580-3-5

Perkembangan teknologi informasi memungkinkan penerapan sistem informasi dengan memasukkan informasi keruangan. Adanya informasi keruangan maka pencari informasi tidak hanya diberikan informasi dalam bentuk angka dan huruf saja akan tetapi visualisasi tempat dimana informasi tersebut dihasilkan. Peranan penerapan algoritma pencarian rute merupakan salah satu bagian yang membuat pencarian rute tervisualisasi melalui komputer atau portable mobile comunication dikembangkan (Pribadi, F.S.& Mulwinda, A. 2010). Algoritma pencarian rute merupakan dasar kerja suatu perangkat lunak, akan tetapi keefektifan suatu algoritma pencarian dalam menentukan rute tergantung pada langkah-langkah yang diberikan oleh algoritma itu sendiri, sehingga ada algoritma tertentu yang sesuai untuk pencarian rute tertentu, dan ada juga algoritma tertentu untuk efektif dan efisian dalam pencarian rute yang lain. Algoritma dijkstra memiliki sifat yang sederhana dan lempeng (straightforward), serta dapat menyelesaikan lintasan terpendek dari sebuah verteks asal dan verteks tujuan dalam suatu graf berbobot G=(V,E). Jarak terpendek diperoleh dari dua verteks jika total bobot dari semua edges dalam jaringan graf adalah yang paling minimal (Murty, U.S.R & Bondy, J.A, 1982). Kelebihan algoritma ini selain menguntungkan dari sisi running time, juga dapat menyelesaikan beberapa kasus pencarian lintasan terpendek, yaitu: pertama; pencarian lintasan terpendek antara dua buah simpul tertentu, kedua; pencarian lintasan terpendek antara semua pasangan simpul, ketiga; pencarian lintasan terpendek dari simpul tertentu ke semua simpul, empat; pencarian lintasan terpendek antara dua buah simpul yang melalui beberapa simpul tertentu (McHugh, J.A, 1990). Berdasarkan uraian diatas, maka diperlukan adanya analisis perhitungan algoritma dijkstra untuk mengetahui jarak terpendek yang merupakan solusi optimal akan dipilih untuk ditempuh, sehingga dapat mengefektifkan dan mengefisiankan perjalanan dengan suatu kasus. Penelitian ini bertujuan untuk menemukan rute yang efektif dan efisien dengan penerapan algoritma pencarian yang tepat, sehingga rute yang ditemukan akan benar-benar menjadi rute yang terbaik. 2. METODE PENELITIAN Penelitian ini menggunakan studi literatur, dilakukan untuk mempelajari teori – teori, jurnal penelitian sebelumnya yang berkaitan dengan rute terpendek. Penelitian diawali dengan proses mengumpulkan serta mempelajari berbagai sumber tertulis dari berbagai buku, jurnal maupun Seminar Nasional Matematika, Sains dan Informatika 2015

420

Prosiding

ISBN 978-602-18580-3-5

artikel-artikel yang berkaitan dengan teori graph, rute terpendek, algoritma dijkstra. Disamping itu juga diperoleh dari berbagai sumber yang berhubungan dan mendukung penelitian. Dalam penelitian ini akan menggabungkaan dan melengkapi teori berbagai sumber yang ada untuk dapat mencapai tujuan yang diinginkan. Langkah – langkah yang dilakukan dalam penenlitian ini adalah: 1. Mempelajari teori graph, rute terpendek, algoritma dijkstra; 2. Mempelajari aplikasi dari algoritma dijkstra dalam menentukan rute terpendek; 3. Memberikan perlakuan studi kasus terhadap algoritma dijkstra; 4. Menganalisis perlakuan studi kasus rute terpendek dengan algoritma dijkstra; 5. Membahas hasil analisis dari algoritma dijkstra. 3. HASIL PENELITIAN DAN PEMBAHASAN a.

Studi Kasus Adapaun studi kasusnya

merupakan suatu kasus yang dialami seorang pegawai untuk

mencari rute tependek yang dimulai dari Ngemplak (rumah) menuju ke kampus STMIK Jenderal Achmad Yani Yogyakarta, dengan berbagai rute yang dilalui, adapun rute tersebut dapat digambarkan dalam bentuk jaringan graph, dengan asumsi titik (node) menggambarkan daerah dan garis menggambarkan jalan dalam satuam kilometer (KM), terlihat pada gambar 1.

Gambar 1. Rute pada studi kasus


421

Prosiding

ISBN 978-602-18580-3-5

Keterangan; Node A: Ngemplak (initial point);

Node E: Perempatan Kentungan;

Node B: Pertigaan Besi;

Node F: Timbangan Lawas;

Node C: SMKN I Maguwoharjo;

Node G: Perempatan UIN;

Node D: Minomartani;

Node H: Perempatan Condong Catur;

b.

Alangkah Algoritma Dijkstra Langkah prosedural algoritma dijkstra sebagai berikut (McHugh, J.A.,1990):

1.

Memberi nilai bobot (jarak) untuk setiap titik ke titik lainnya, lalu set nilai 0 pada node awal dan nilai tak hingga terhadap node lain (belum terisi)

2.

Mempersiapkan semua node yang ―belum terjamah‖ dan set node awal sebagai ―node keberangkatan‖

3.

Dari node keberangkatan, pertimbangkan node tetangga yang belum terjamah dan hitung jaraknya dari titik keberangkatan. Sebagai contoh, jika titik keberangkatan A ke B memiliki bobot jarak 6 dan dari B ke node C berjarak 2, maka jarak ke C melewati B menjadi 6 + 2 = 8. Jika jarak ini lebih kecil dari jarak sebelumnya (yang telah terekam sebelumnya) hapus data lama, simpan ulang data jarak dengan jarak yang baru.

4.

Saat selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node yang telah terjamah sebagai ―node terjamah‖. Node terjamah tidak akan pernah di cek kembali, jarak yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya.

5.

Mempersiapkan ―node belum terjamah‖ dengan jarak terkecil (dari node keberangkatan) sebagai ―node keberangkatan‖ selanjutnya dan lanjutkan dengan kembali ke step 3

c.

Analisis Perhitungan

Analisis rute terpendek dengan algoritma Dijkstra dapat dijelaskan langkah per langkah pencarian rute terpendek secara rinci di mulai dari node awal sampai node tujuan dengan nilai jarak terkecil, dan langkah-langkah tersebut sebagai berikut: 1.

Node awal A, node tujuan J, dan setiap edge yang terhubung antar node telah diberi nilai sesuai gambar 2.


422

Prosiding

ISBN 978-602-18580-3-5

8

3

B

E

I

5

1

1

1

3

A

2

H

D 4

1

C

3

J 0,

F

G

3

Gambar 2. Studi kasus- langkah 1 Dijkstra 2.

Melakukan kalkulasi terhadap node tetangga yang terhubung langsung dengan node keberangkatan (node A), dan hasil yang didapat adalah node B, karena bobot nilai node B paling kecil dibandingkan bobot nilai pada node lain, nilai tersebut adalah 0 + 5 = 5 sesuai yang terlihat pada gambar 3. 5

B 5 1 1

A

D 1 1

C


Node B diset menjadi node keberangkatan, dan ditandai sebagai node yang telah dipakai, dan melakukan kalkulasi kembali terhadap node – node

tetangga yang berhubungan

langsung dengan node yang telah dipakai. Kalkulasi menunjukkan bahwa node E menjadi node keberangkatan selanjutnya dikarenakan bobotnya yang paling kecil dari hasil kalkulasi terakhir yaitu 5 + 8 = 13, dan dapat dlihat pada gambar 4. Seminar Nasional Matematika, Sains dan Informatika 2015

423

Prosiding

ISBN 978-602-18580-3-5

8 5

3

1

B

E

I

5

1

1

1 1

A

H

D 1

C


Selanjutnya perhitungan dengan node H ditandai menjadi node yang telah dipakai. Dari semua node tetangga belum terpakai yang terhubung langsung dengan node terpakai, node selanjutnya yang ditandai menjadi node terpakai adalah node H, karena nilai bobot yang terkecil dengan nilai 10 + 3 = 13, dan hasil dapat dilihat pada gambar 5. A

5

8

1

E

D

5

1 1 1

B

2

C 2

1

I


Node H menjadi node terpakai, kemudian melakukan kalkulasi kembali, dan menemukan bahwa node J (node tujuan) telah tercapai lewat node H. Jalur terpendeknya adalah A D H J, dan nilai bobot yang didapat adalah 13 + 2 = 15. Jika node tujuan telah telah tercapai maka kalkulasi algoritma dijkstra dinyatakan telah selesai, dan hasil akhir dapat dilihat pada gambar 6.


424

Prosiding

ISBN 978-602-18580-3-5

1

1

I

C E

1

H 5

3

3 4

1

A

D

2 1

5

J

8

B

Gambar 6. Studi kasus- langkah 5 Dijkstra

d.

Pembahasan Hasil analisis perhitungan pencarian jarak terpendek yang dilakukan algoritma Dijkstra

dapat menemukan solusi optimal untuk menentukan jarak terpendek dari Ngemplak (initial point) ke STMIK Jenderal Achmad Yani Yogyakarta (terminal point) dengan jarak 15 kilometer dengan urutan rute yang harus dilalui adalah Ngemplak, Minomartani, terminal Condongcatur, STMIK Jenderal Achmad Yani. Algoritma Dijkstra pada analisis perhitungannya, dengan mencari minimum lokal untuk node yang dilalui hingga didapat

sebuah rute antar node yang dijadikan pedoman untuk

melakukan perhitungan berikutnya. Pada awal perhitungan dengan memulai dari node start (initial point) sebagai dasar untuk menentukan node minimum berikutnya apakah ada node tujuan (terminal point) merupakan goal dari proses pencarian, jika ditemukan maka proses berhenti pada node tersebut sehingga node lainya tidak dilakukan penghitungan lagi atau diabaikan. 4. KESIMPULAN Setelah melalui analisis dan pembahasan maka diambil kesimpulan sebagai berikut; 1. Algoritma dijkstra dalam aplikasi penentuan rute terpendek dapat menemukan solusi optimal untuk menentukan jarak terpendek dari Ngemplak (initial point) ke STMIK Jenderal Achmad Yani Yogyakarta (terminal point) dengan jarak 15 kilometer dengan Seminar Nasional Matematika, Sains dan Informatika 2015

425

Prosiding

ISBN 978-602-18580-3-5

urutan rute yang harus dilewati adalah Ngemplak, Minomartani, terminal Condongcatur, STMIK Jenderal Achmad Yani. 2. Algoritma dijkstra dalam pencarian rute terpendek akan berhenti bila solusi node tujuan (terminal point) ditemukan, tanpa harus membandingkan lagi dengan node – node yang lain DAFTAR PUSTAKA McHugh, JA.,1990, Algorithmic Graph Theory, Prentice Hall International, Inc., Englewood Cliffs, NJ. Miro, F., 2002, Perencanaan Transportasi, Erlangga, Jakarta Murty, U.S.R & Bondy, J.A, 1982, Graph Theory with Aplication, North-Holland, New York. Pribadi, F.S. & Mulwinda, A. 2010, Pencarian Rute dengan Menggunakan Algoritma Depth First, Breath First dan Hill Climbing, Jurnal Kompetensi, Vol. 2, No. 1


426

ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi1) Fusna Failasufa2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga

ABSTRAK. Data transaksi suatu supermarket, seperti Pamella supermarket, semakin hari semakin banyak dan bertambah. Data ini seringkali hanya disimpan tanpa diolah lebih lanjut, sehingga menjadi informasi yang sangat berguna bagi supermarket tersebut. Data transaksi yang hendak diolah, disimpan dalam data mining. Untuk mengetahui prilaku konsumen dalam membeli barang pada suatu supermarket, dapat dihasilkan dari pengolahan data transaksi harian yang diolah dengan menggunakan algoritma tertentu. Salah satu algoritma yang bisa dipergunakan adalah algoritma apriori. Algoritma apriori dapat dipergunakan untuk mengolah sekumpulan data (data mining) transaksi harian supermarket Pamella. Pengolahan untuk menganalisis pola pembelian konsumen Pamella Supermarket dapat dilakukan pada setiap cabang, sehingga dengan menerapkan metode tersebut, diharapkan dapat menghasilkan pola aturan asosiasi pembelian konsumen pada setiap cabang Pamella Supermarket. Dari pola yang dihasilkan tersebut kemudian dilakukan proses interpretasi menjadi sebuah informasi atau knowledge. Kata Kunci : Data mining, Algoritma apriori, Analisis pola pembelian 1. PENDAHULUAN Pertumbuhan data transaksi pada suatu supermarket semakin bertambah besar setiap hari. Data transaksi tersebut seringkali hanya dipergunakan untuk mengolah data sirkulasi barang dan dibiarkan menumpuk tanpa ada tindakan yang lebih lanjut. Dengan bertambahnya jumlah data pada perusahaan tersebut, maka peran analis untuk menganalisis data secara manual perlu digantikan dengan aplikasi yang berbasis komputer, sehingga proses analisa dan kualitas hasil analisa dapat dilakukan lebih efektif da efisien. Analisis data transaksi ini dapat dilakukan dengan cara implementasi data mining dengan algoritma apriori ke dalam aplikasi untuk analisis pola pembelian konsumen di Pamella Supermarket. Dari analisis ini, akan diketahui pola pembelian konsumen pada masing – masing cabang. Data mining berisi pencarian trend atau pola yang diinginkan dalam database yang besar untuk membantu pengambilan keputusan di waktu yang akan datang. KDD (Knowledge Discovery in Database) adalah keseluruhan proses konversi data mentah menjadi pengetahuan yang bermanfaat yang terdiri dari serangkaian tahap transformasi meliputi data preprocessing dan postprocessing. Seminar Nasional Matematika, Sains dan Informatika 2015

427

Prosiding

ISBN 978-602-18580-3-5

Algoritma apriori menggunakan strategi pemangkasan itemset dengan berbasis ukuran support disebut sebagai support based pruning. Strategi pemangkasan dibuat oleh sifat kunci ukuran support, support untuk itemset tidak pernah melebihi support subsetnya. Sifat seperti ini dikenal dengan antimonotonic property dari ukuran support. Hal utama dalam teorema algoritma Apriori menggunakan prinsip : ―Jika sebuah itemset itu frekuen, semua subset dari itemset tersebut pasti juga frekuen. Sebaliknya, jika sebuah itemset infrequent, maka semua transaksi yang berisi itemset tersebut beserta supersetnya tentulah infrequent‖. 2. METODE PENELITIAN Penelitian ini menggunakan metode eksperimental dengan menerapkan algoritma apriori ke dalam sistem serta menganalisis tren pembelian konsumen pada setiap supermarket dengan karakteristik yang dimiliki pada ketiga supermarket tersebut. Tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut: 1.

Seleksi Data (Data Selection). Pemilihan pada data mentah transaksi penjualan yang diperoleh dari setiap cabang Pamella Supermarket yang akan digunakan dalam proses data mining.

2.

Preprocessing/Cleaning Data. Data yang diambil dilakukan proses preprocessing dan cleaningyang meliputi pembuangan duplikasi data, memperbaiki kesalahan cetak pada data, serta melengkapi value yang masih kosong, serta penambahan field yang diperlukan.

3.

Transformation. Proses transformasi data melalui preprocessing/cleaning

sehingga

menghasilkan data yang siap diolah dengan data mining. 4.

Data Mining. Data siap diolah dan diproses dengan data mining untuk pencarian pola menggunakan algoritma apriori, sehingga akan menghasilkan pola pembelian konsumen yang akan menjadi acuan untuk proses interpretation/evaluatin.

5.

Interpretation/Evaluation. Pola yang dihasilkan dari proses data mining akan diinterpretasikan menjadi sebuah informasi atau bahkan pengetahuan (knowledge). 3. HASIL PENELITIAN DAN PEMBAHASAN

Proses penelitian dilaksanakan dengan tahapan sebagai berikut :


428

Prosiding

1.

ISBN 978-602-18580-3-5

Seleksi Data. Data transaksi penjualan diperoleh dalam format excel kemudian di masukkan dalam database untuk proses data mining.

2.

Preprocessing/Cleaning. Proses membuang data yang terduplikasi serta melengkapi datadata yang masih kosong. Diperoleh data transaksi penjualan seperti berikut : Tabel 1 : Perbandingan data sebelum dan sesudah preprocessing No 1. 2. 3

3.

Cabang Pamella Pamella1 Pamella4 Pamella6

Sebelum Preprocessing 24.679 record 9.693 record 16.417 record

Sesudah Preprocessing 18.563 record dengan jumlah transaksi 2.272 dan 5.712 data barang 6.185 record dengan jumlah transaksi 1.388 dan 3.278 data barang 11.557 record dengan jumlah transaksi 1.887 dan 5.173 data barang

Transformation. Data di import ke dalam database dan dipecah menjadi data transaksi penjualan dan data master barang.

4.

Proses Data Mining. Data diolah dengan algoritma apriori. Proses ini menghasilkan rule atau aturan asosiasi pada setiap cabang Pamella Supermarket sebagai berikut Tabel 2 : Perbandingan jumlah kandidat 1-itemset pada setiap cabang Pamella Supermarket Support (%) 1,5 1,8 2 2,2

Pamella Supermarket 1 27 22 17 9



Pada tabel di atas ditunjukkan bahwa Pamella Supermarket 1 menghasilkan kandidat 1itemset paling banyak diantara ketiga cabang yang lain. Berikut ini hasil pengolahan data untuk kandidat 1-itemset tertinggi yang disajikan pada tabel 3 berikut ini : Tabel 3 : Perbandingan kandidat 1-itemset pada setiap cabang Pamella Supermarket Cabang Pamella Supermarket 1

Kandidat 1-itemset tertinggi Indomie goreng special Pepsodent pg white 75 gr Multi roll tom 02 Gula pasir 1kg Sedaap mie goreng

Suppport (%) 5,9 3,26 3,21 3,08 3,08

Pamella Supermarket 4

Indomie goreng spc Sedaap mie goreng Beras kiloan Pepsodent white 75 gr Gula 1 kg

2,59 2,16 1,87 1,8 1,66


Indomie goreng special Sedap mie goreng Multi grafis refill mp-01/40 Sunlight pouch lime 800 ml Gula ½ kg putih

5,25 2,28 2,01 2,01 1,85

Dari tabel di atas dapat dilihat bahwa pada semua cabang Pamella Supermarket, item INDOMIE GORENG SPECIAL adalah merupakan item yang paling sering dibeli oleh konsumen. Pada Pamella Supermarket 1, item yang paling sering dibeli selanjutnya adalah Seminar Nasional Matematika, Sains dan Informatika 2015

429

Prosiding

ISBN 978-602-18580-3-5

PEPSODENT PG WHITE 75 GR, sedangkan untuk Pamella Supermarket 4 dan Pamella Supermarket 6 item yang paling sering dibeli selanjutnya adalah SEDAAP MIE GORENG. Berikut ini data hasil pengolahan untuk kandidat 2-itemset pada masing-masing Cabang Pamella Supermarket : Tabel 4. Kandidat 2-itemset tertinggi pada masing-masing cabang Pamella Supermarket Cabang Pamella Supermarket 1



Kandidat 2-itemset tertinggi Indomie goreng special, indomei ayam bawang Indomie goreng special, lifebuoy soap lemon fresh 80 gr Indomie goreng special, indomie goreng pedas Indomie goreng special, selection kapas 35 gr Indomie goreng special, gula pasir 0,5 gr

Suppport (%) 1,232 0,572 0,572 0,528 0,528

Sedaap mie goreng, sedaap mie ayam bawang Pepsodent white 75 gr, gula ½ kg Indomie goreng spc, pepsodent white 75 gr Indomie goreng spc, sedaap mie goreng Indomie goreng spc, beras kiloan

0,36 0,288 0,216 0,144 0,144

Indomie goreng special, indomie ayam bawang Indomie goreng special, indomie soto mie Indomie goreng special, sunlight pouch lime 800 ml Sunlight pouch lime 800 ml, pepsodent white 190 gr Indomie goreng special, multi grafis refill mp-01/40

1,166 1,113 0,689 0,477 0,424

Dari kandidat 2-itemset diatas dapat dihasilkan rule atau aturan asosiasi yang merupakan pola pembelian konsumen pada setiap cabang Pamella Supermarket sebagai berikut : Tabel 5 : Hasil pembangkitan Aturan Asosiasi /pola pembelian konsumen pada setiap cabang dan nilai confidence-nya Cabang Pamella Supermarket 1



Kandidat 2-itemset tertinggi Indomei ayam bawang=> indomie goreng special Indomie goreng pedas =>indomie goreng special Lifebuoy soap lemon fresh 80 gr=>indomie goreng special, Selection kapas 35 gr=> indomie goreng special Gula pasir 0,5 gr=> indomie goreng special

Confidence(%) 60,87 27,08 26,53 21,05 21,05

Sedaap mie ayam bawang =>sedaap mie goreng Gula ½ kg=> pepsodent white 75 gr Sedaap mie goreng=>sedaap mie ayam bawang Pepsodent white 75gr=> gula ½ kg Gula ½ kg=>sedaap mie ayam bawang

22,73 18,18 16,67 16 9,09

Indomie ayam bawang=> indomie goreng special Indomie soto mie=> indomie goreng special Sunlight pouch lime 800 ml=> indomie goreng special Pepsodent white 190 gr=> sunlight pouch lime 800 ml Sunlight pouch lime 800 ml=> pepsodent white 190 gr

73,33 67,74 34,21 29,03 23,68

4. KESIMPULAN Dari pengujian setiap cabang Pamela Supermarket, menghasilkan aturan sebagai berikut : 1.

Untuk pamella Supermarket 1


430

Prosiding

ISBN 978-602-18580-3-5

Itemset tertinggi adalah INDOMIE GORENG SPESIAL, INDOMIE AYAM BAWANG dengan nilai support 1,232%. Artinya 1,232% dari seluruh transaksi mengandung pembelian dengan item INDOMIE GORENG SPESIAL dan INDOMIE AYAM SPECIAL. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 60,87%, yang artinya sebanyak 60,87% konsumen yang membeli INDOMIE AYAM BAWANG juga membeli INDOMIE GORENG SPECIAL. 2.

Untuk Pamella Supermarket 4 Itemset tertinggi adalah SEDAAP MIE GORENG, SEDAAP MIE AYAM BAWANG dengan nilai support 0,36%. Artinya 0,36% dari seluruh transaksi mengandung pembelian dengan item SEDAAP MIE GORENG dan SEDAAP MIE AYAM BAWANG. Aturan asosiasi dengan nilai confidence tertinggi adalah SEDAAP MIE AYAM BAWANG => SEDAAP MIE GORENG dengan nilai confidence 22,73%, yang artinya sebanyak 22,73% konsumen yang membeli SEDAAP MIE AYAM BAWANG juga membeli SEDAAP MIE GORENG.

3.

Untuk Pamella Supermarket 6 Itemset tertinggi adalah INDOMIE GORENG SPECIAL, INDOMIE AYAM BAWANG dengan nilai support 1,166%. Artinya 1,166% dari seluruh transaksi mengandung pembelian dengan item INDOMIE GORENG SPECIAL dan

INDOMIE AYAM

BAWANG. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 73,33%, yang artinya sebanyak 73,33% konsumen yang membeli INDOMIE AYAM BAWANG juga membeli INDOMIE GORENG SPECIAL. Hasil interpretasi knowledge yang diperoleh dari pola pembelian konsumen di atas adalah : 1.

Pola pembelian ketiga cabang Pamella Supermarket tidak jauh berbeda. Hal ini dapat dilihat dari aturan-aturan yang dihasilkan. Dari ketiga cabang Pamella Supermarket, pola yang paling banyak dihasilkan adalah pola pembelian untuk pembelian MIE instan.

2.

Item yang sering dibeli oleh konsumen pada semua cabang Pamella Supermarket adalah INDOMIE GORENG SPECIAL, sehingga persediaan/stok barang untuk item tersebut harus paling banyak daripada stok Mie untuk jenis lain.


431

Prosiding

ISBN 978-602-18580-3-5

3.

Untuk pola yang mempunyai nilai confidence tinggi, bisa dijadikan sebagai sarana paket promo untuk dua item yang bersamaan. Misalnya, untuk rule/pola INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL, bisa menggabungkan kedua item tersebut menjadi suatu paket promo dengan harga promosi. DAFTAR PUSTAKA

Azmi, K. N. 2012. Data Mining Menggunakan Algoritma Agglomerative Hierarchical Clustering dan Algoritma Apriori pada Data Transaksi Swalayan. Skripsi. UGM Yogyakarta. Dewantara, H. 2013. Perancangan Aplikasi Data Mining Algoritma Apriori untuk Frekuensi Analisis Keranjang Belanja pada Data Transaksi Penjualan. Skripsi. Universitas Brawijaya Malang. Gunadi, G. (2012). Penerapan Metode Data Mining Market Basket Analysis terhadap Data Penjualan Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth). Jurnal. Telematika MKOM . Hermawati, F. A. (2013). Data Mining. Penerbit ANDI Yogyakarta. Kusrini, & Luthfi, E. T. 2009. Algoritma Data Mining. Penerbit ANDI Yogyakarta. Moertini, V. 2002. Data Mining sebagai Solusi Bisnis. Penelitian Staf Pengajar Jurusan Ilmu Komputer Universitas Katholik Parahyangan Bandung . Olson, D., & Shi, Y. (2008). Pengantar Ilmu Penggalian Data Bisnis. Salemba Jakarta. Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Penerbit ANDI Yogyakarta.


432

ANALISIS PROSES BISNIS UNTUK PERANCANGAN ARSITEKTUR BISNIS PADA UNIKA DE LA SALLE MANADO Voice Esther Ticoalu1, Irya Wisnubhadra2, dan Benyamin L. Sinaga3 Universitas Atmajaya Yogyakarta123

ABSTRAK. Pemahaman yang benar terhadap proses bisnis sangat penting bagi suatu organisasi sebagai langkah awal dalam penerapan SI/TI, karena dapat membantu organisasi untuk merancang strategi SI/TI. Unika De La Salle (UDLS) Manado menyadari pentingnya peranan SI/TI dalam meningkatkan mutu akademik dan pelayanan prima kepada semua stakeholder untuk mencapai kesuksesan. Namun, proses bisnis saat ini belum sepenuhnya didukung oleh penerapan SI/TI, sehingga berdampak pada proses pengambilan keputusan oleh pimpinan universitas dalam mencapai visi, misi, dan tujuan universitas. Tujuan penelitian ini adalah untuk memberikan usulan solusi terhadap permasalahan proses bisnis di UDLS Manado dan memodelkannya dalam arsitektur bisnis. Analisis proses bisnis dilakukan dengan pendekatan sistematik menggunakan aturan ESIA. Metodologi TOGAF ADM digunakan untuk memodelkan arsitektur bisnis. Hasil penelitian menunjukkan bahwa analisis proses bisnis memberikan solusi perancangan kembali proses bisnis. Arsitektur bisnis memberikan gambaran jelas model proses bisnis dan dapat menjadi dasar untuk pemodelan arsitektur sistem informasi dalam perancangan enterprise architecture. Kata Kunci: proses bisnis, arsitektur bisnis, TOGAF ADM

1. PENDAHULUAN Penerapan sistem informasi/teknologi informasi (SI/TI) dalam suatu organisasi telah menjadi isu yang sangat penting, karena SI/TI dapat membantu organisasi meraih kesuksesan bahkan membantu organisasi meraih keunggulan bersaing ditengah persaingan bisnis yang semakin ketat (Luftman, 2004). Namun, agar penerapan SI/TI berjalan sesuai dengan kebutuhan organisasi yang searah dengan strategi organisasi, maka perlu diawali dengan pemahaman proses bisnis. Pemahaman yang benar terhadap proses bisnis yang sedang berjalan membantu organisasi untuk mengambil keputusan merancang kembali proses bisnis yang baik, murah, dan cepat, agar penerapan SI/TI menjadi maksimal (Ward & Peppard, 2005). Unika De La Salle (UDLS) Manado merupakan salah satu universitas swasta di Provinsi Sulawesi utara yang didirikan pada tahun 2000 dan memiliki 5 fakultas dan 9 program studi. UDLS berkomitmen mengelola perguruan tinggi secara profesional berbasis teknologi informasi Seminar Nasional Matematika, Sains dan Informatika 2015

433

Prosiding

ISBN 978-602-18580-3-5

untuk memenuhi standar nasional pendidikan, standar lembaga pendidikan De La Salle dan standar pelayanan prima. Hal tersebut menunjukkan bahwa UDLS menyadari pentingnya peranan SI/TI dalam mencapai kesuksesan meningkatkan mutu akademik dan pelayanan yang prima kepada stakeholder. Namun, proses bisnis saat ini belum didukung oleh penerapan SI/TI yang terintegrasi. Dengan menganalisa proses bisnis, maka dapat dicapai pengertian yang sangat jelas mengenai bagaimana bisnis dalam perusahaan sebenarnya bekerja dan dapat mulai mengerti bagaimana mengubah bisnis menjadi lebih efisien dan efektif (Laudon & Laudon, 2012). Proses bisnis yang baik mengoptimalkan penerapan sistem informasi yang terintegrasi. Pemodelan arsitektur bisnis yang baik akan menghasilkan kebutuhan arsitektur sistem informasi yang dapat dijadikan panduan dalam penerapan sistem informasi (Yunis, Surendro, & Telaumbanua, Arsitektur Bisnis: Pemodelan Proses Bisnis Dengan Object Oriented, 2010). 2. METODE PENELITIAN

Mulai

Identifikasi Proses Bisnis

Dekomposisi Proses Bisnis

Proses Bisnis As-Is

Menggunakan Porter’s Value Chain Analysis

Menggunakan Functional Decomposition Diagram (FDD)

Proses Bisnis To-Be

Gap Analysis

Pengusulan Solusi

Menggunakan aturan ESIA

Selesai

Gambar 1. Tahapan Penelitian Dua tahapan besar yang dilakukan dalam penelitian ini adalah analisis proses bisnis dan perancangan arsitektur bisnis seperti yang ditunjukkan gambar 1. Analisis proses bisnis dilakukan dengan menggunakan porter’s value chain analysis, Functional Decomposition Diagram (FDD), dan melakukan gap analysis proses bisnis. Dalam merancang usulan proses bisnis digunakan aturan ESIA: eliminate, simplify, integrate, automate (Ward & Peppard, 2005). Seminar Nasional Matematika, Sains dan Informatika 2015

434

Prosiding

ISBN 978-602-18580-3-5

Tahap perancangan arsitektur bisnis mengacu pada tahapan dalam metodologi TOGAF (The Open Group Architecture Framework) ADM (Architecture Development Method) (The Open Group, 2011) (Yunis, Surendro, & Panjaitan, Pengembangan Model Arsitektur Enterprise untuk Perguruan Tinggi, 2010) sebagai berikut: 1) Preliminary Phase, 2) Architecture Vision (A), 3) Business Architecture (B). Penelitian ini dilakukan di Unika De La Salle Manado. Data dikumpulkan lewat studi pustaka, observasi, dan wawancara. Studi pustaka dilakukan dengan mencari bahan-bahan materi yang berhubungan dengan topik serta penelitian sebelumnya yang berkaitan. Observasi analisis catatan berupa pengumpulan data dari dokumen yang ada, yang berhubungan dengan penelitian ini. Wawancara dilakukan kepada Rektor dan pejabat struktural, pimpinan UPT Pusat Teknologi Informasi, dan staf yang berkaitan dengan penelitian ini. 3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 Analisis Proses Bisnis Analisis proses bisnis UDLS Manado, diawali dengan pemahaman proses bisnis lewat identifikasi proses bisnis yang sedang berjalan yang merupakan rangkaian aktivitas yang saling berhubungan untuk mencapai visi, misi, dan tujuan universitas. Kumpulan aktivitas di UDLS yang saling berhubungan dalam penciptaan nilai digambarkan berdasarkan value chain Michael E. Porter (Porter, 1985) seperti yang ditunjukkan pada gambar 2 di bawah ini. 4

15

10

PMB UTAMA Akademik

P e n g e m b a n

Lulusan

Manajeme n Sarana dan

Penelitian dan Pengabdian Masyarakat

Prasarana

SDM Penjaminan Mutu PENDUKUNG

Gambar 2. Value Chain Unika De La Salle Manado Value chain UDLS Manado terdiri atas aktivitas utama dan aktivitas pendukung yang saling berhubungan dalam proses penciptaan nilai. Dari aktivitas utama dan pendukung pada value Seminar Nasional Matematika, Sains dan Informatika 2015

435

Prosiding

ISBN 978-602-18580-3-5

chain dirumuskan turunan proses bisnis untuk mengidentifikasi aktivitas sub-proses bisnis sehingga menjadi lebih detil agar dapat mengidentifikasi masalah pada setiap sub-proses bisnis. Gap Analysis Proses Bisnis yang Sedang Berjalan Gap analysis dilakukan dengan membandingkan proses bisnis yang sedang berjalan (as-is) dengan proses bisnis ideal yang diharapkan (to-be). Proses bisnis ideal disusun berdasarkan Standar Mutu dan Renstra UDLS Manado. Kesenjangan antara proses bisnis as-is dan to-be menunjukkan bahwa ada permasalahan pada proses bisnis sehingga perlu adanya perancangan kembali proses bisnis. Alternatif solusi diberikan baik solusi proses maupun solusi non-proses, dan dari alternatif solusi dipilih usulan solusi berdasarkan pendekatan sistematik aturan akronim ESIA : eliminate semua aktivitas yang tidak memberi nilai tambah, simplify aspek pekerjaan yang memungkinkan, integrate elemen-elemen proses, dan automate bagian yang tepat. Hasil analisis proses bisnis adalah usulan solusi seperti yang ditunjukkan pada gambar 3. 3.2. Perancangan Arsitektur Bisnis Dalam perancangan arsitektur bisnis, berikut ini tahapan yang ditempuh: 3.2.1 Preliminary Phase Pada tahap ini dilakukan pendefinisian kerangka kerja arsitektur organisasi dan prinsipprinsip organisasi. Kerangka kerja yang digunakan adalah TOGAF dengan menggunakan metodologi TOGAF ADM mencakup tiga fase yaitu preliminary phase, architecture vision, dan business architecture. 3.2.2 Tahap Architecture Vision Komitmen manajemen terlihat dalam bentuk kebijakan universitas yang tertuang dalam Rencana Strategis (RENSTRA) Unika De La Salle Manado 2014-2019. Dalam RENSTRA tersebut dicantumkan salah satu kebijakan universitas adalah memperbaharui sistem informasi sesuai dengan kebutuhan dan perkembangan zaman. 3.2.3 Pemodelan Arsitektur Bisnis Pemodelan arsitektur bisnis diawali dengan analisis proses bisnis seperti yang sudah dijelaskan sebelumnya. Proses bisnis yang diusulkan menekankan pada peningkatan proses bisnis. Arsitektur bisnis digambarkan dengan menggunakan Business Process Modeling Notation (BPMN) seperti yang digambarkan pada gambar 4.


436

Prosiding

ISBN 978-602-18580-3-5

Kerjasama dan

Automate, Integrate, Simplify, integrate, Visi, Misi,

Integrate Keuangan

Gambar 3. As-Is Model Proses Bisnis Penerimaan Mahasiswa Baru dan Usulan Solusi

Gambar 4. Usulan Model Business Process Modeling Penerimaan Mahasiswa Baru Seminar Nasional Matematika, Sains dan Informatika 2015

437

Prosiding

ISBN 978-602-18580-3-5

Tabel 1. Perbedaan sistem lama dan baru pada proses PMB Aktivitas Proses Pendaftaran

Proses Seleksi

Proses pelaporan perkembangan PMB

Laporan akhir PMB

Sistem Lama Proses pendaftaran online tidak terintegrasi dengan sistem informasi akademik Sistem USM CBT tidak terintegrasi dengan sistem informasi PMB sehingga pelaporan hasil seleksi masih dilakukan secara manual menggunakan Ms. Excel. Dilakukan secara manual menggunakan Ms. Excel sehingga sering terjadi kesalahan

Sistem Baru Sistem pendaftaran online terintegrasi dengan sistem informasi akademik Sistem USM CBT terintegrasi dengan sistem informasi PMB

Tampilan laporan bisa langsung dilihat setiap hari oleh pimpinan sesuai dengan informasi yang dibutuhkan kapan saja Dilakukan secara manual dan Laporan akhir PMB laporan hanya berupa jumlah saja menampilkan semua data secara tanpa analisa yang maksimal rinci sebagai gabungan semua hasil PMB yang memberikan masukan kepada pimpinan dalam rangka membuat kebijakan dan strategi untuk PMB tahun berikutnya

4. KESIMPULAN Analisis proses bisnis memberikan solusi perlu adanya peningkatan proses bisnis dengan melakukan perancangan kembali proses bisnis di Unika De La Salle Manado, baik aktivitas utama maupun pendukung. Perancangan kembali proses bisnis yang dilakukan lewat pemodelan arsitektur bisnis menggunakan TOGAF ADM, memberikan gambaran jelas model proses bisnis di Unika De La Salle Manado. Model arsitektur bisnis yang dibangun dapat menjadi dasar untuk memodelkan arsitektur sistem informasi dalam perancangan enterprise architecture. DAFTAR PUSTAKA Laudon, K. C., & Laudon, J. P. (2012). Sistem Informasi Manajemen (10th ed.). Jakarta: Salemba Empat. Luftman, J. N. (2004). Managing the Information Technology Resource Leadership in the Information Age (First Edition ed.). New Jersey: Pearson Education, Inc. Seminar Nasional Matematika, Sains dan Informatika 2015

438

Prosiding

ISBN 978-602-18580-3-5

Porter, M. E. (1985). Competitive Advantage Creating and Sustaining Superior Performance. New York: The Free Press. The Open Group. (2011). TOGAF Version 9.1. US: The Open Group. Ward, J., & Peppard, J. (2005). Strategic Planning for Information Systems (3rd ed.). West Sussex England: John Wiley & Sons. Yunis, R., Surendro, K., & Panjaitan, E. S. (2010). Pengembangan Model Arsitektur Enterprise untuk Perguruan Tinggi. JUTI, Vol. 8 No.1(Januari 2010), 9-18. Yunis, R., Surendro, K., & Panjaitan, E. S. (2010). Pengembangan Model Arsitektur Enterprise untuk Perguruan Tinggi. Jurnal Ilmiah Teknologi Informasi (JUTI), 8(1), 9-18. Yunis, R., Surendro, K., & Telaumbanua, K. (2010, Mei 22). Arsitektur Bisnis: Pemodelan Proses Bisnis Dengan Object Oriented. Seminar Nasional Informatika, 167-173.


439

RANCANG BANGUN CLOUD COMPUTING UMKM MENGGUNAKAN TOGAF- ADM

Wina Witanti1, Agus Komarudin2 Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, 1,2 Universitas Jenderal Achmad Yani, Jl. Terusan Jenderal Sudirman Cimahi Jawa Barat E-mail: [email protected], [email protected] 1,2

ABSTRAK. Usaha Mikro, Kecil dan Menengah (UMKM) merupakan usaha ekonomi produktif yang berdiri sendiri dilakukan oleh orang per orang atau badan usaha yang bukan merupakan anak perusahaan yang dimiliki atau menjadi bagian baik langsung maupun tidak langsung, dengan pendapatan penjualan tahunan. Teknologi informasi adalah alat untuk UMKM yang aktif dalam menjalankan bisnis. Penelitian ini bertujuan untuk merancang dan mengimplementasikan pendekatan teknologi informasi berbasis cloud dengan metode Enterprise Architecture Planning (EAP) TOGAF ADM. Teknologi cloud computing digunakan agar dapat mengurangi biaya teknologi informasi untuk UMKM karena dapat digunakan bersama-sama. Aplikasi yang dibangun berdasarkan metode TOGAF ADM. Terdapat sembilan langkah yang harus dilaksanakan dalam metode tersebut, yang diterjemahkan ke dalam aktivitas perancangan arsitektur enterprise, guna rencana implementasi sebagai tahapan selanjutnya. Luaran dari tahapan ini adalah sebuah arsitektur enterprise yang dapat digunakan oleh UMKM untuk mencapai tujuan strategisnya. Kata Kunci: UMKM, cloud, EAP, TOGAF ADM 1. PENDAHULUAN Usaha Mikro, Kecil dan Menengah (UMKM) merupakan salah satu bagian dari sistem pemerintahan administratif di Indonesia memiliki keinginan yang sangat besar untuk dapat memanfaatkan Teknologi Informasi dan Komunikasi (TIK) didalam operasionalnya. Berdasarkan pada hasil wawancara dan observasi di lapangan, pengolahan data administrasi di UMKM selama ini masih banyak yang bersifat konvensional, sebagai contoh pengarsipan dokumen memerlukan ruangan arsip khusus dan menghabiskan waktu yang lama. Cloud computing atau komputasi awan muncul sebagai teknologi komputasi masa kini yang menyediakan layanan serta memungkinkan pengguna (user) untuk melakukan akses secara elektronik terhadap informasi kapan saja dan dimana saja. Salah satu keuntungan yang dapat dirasakan oleh user adalah tidak perlu menyediakan sumber daya pemrosesan, media penyimpanan dan layanan berupa aplikasi, karena hal tersebut telah disiapkan oleh cloud provider. UMKM cukup menyewa aplikasi tersebut, kemudian mengisi data didalamnya dan Seminar Nasional Matematika, Sains dan Informatika 2015

440

Prosiding

ISBN 978-602-18580-3-5

menggunakan aplikasi administrasi yang telah disediakan, sehingga dapat meningkatkan produktivitas karena adanya layanan IT yang mudah dalam pengoperasiannya (Dharmayanti, D., Witanti, W., Sulaeman, G., 2012). Dalam upaya peningkatan penetrasi implementasi teknologi informasi di UMKM di Cimahi, maka diperlukan sebuah teknologi cloud based application atau aplikasi berbasis cloud. Aplikasi yang dibangun disiapkan untuk dapat secara umum dinikmati secara bersama-sama sehingga para pengguna aplikasi dapat memerlukan investasi yang besar dalam hal infrastruktur teknologi (Witanti, W., Renaldi, F., 2013). Aplikasi bagi UMKM yang masih sangat terbatas dan belum memiliki format yang sama baik dari sisi informasi maupun data yang diolahnya, mendorong dilakukannya penelitian ini. Biaya pengembangan suatu sistem informasi yang relatif mahal serta kebutuhan infrastruktur penunjangnya juga mendorong penggunaan aplikasi bersama yang dapat dilakukan dengan cloud computing, ditawarkan sebagai solusi dari masalah pada UMKM. 2. METODE PENELITIAN The Open Group Architecture Framework (TOGAF) adalah sebuah framework dan sebuah metode untuk melaksanakan arsitektur enterprise. Framework arsitektur harus mengandung sekumpulan tools dan menyediakan kosa kata umum dan harus mencakup daftar standar yang direkomendasikan dan produk yang dapat digunakan untuk mengimplementasikan building block (Mukrodin, 2013). TOGAF memberikan metode yang detail mengenai pembangunan, pengelolaan, dan pengimplementasian arsitektur enterprise dan sistem informasi yang disebut dengan Architecture Development Method (ADM) (Open Group,2009). ADM merupakan hasil dari kerja sama praktisi arsitektur dalam Open Group Architecture Forum. TOGAF terdiri dari dua bagian utama yaitu: a.

Architecture Development Method (ADM). ADM merupakan inti dari TOGAF. Berdasarkan pada Gambar 1 dapat dilihat bahwa jantung dari ADM adalah requirement management. Arsitektur bisnis, sistem informasi dan teknologi selalu diselaraskan dengan kebutuhan dan berhubungan dengan tujuan bisnis. Arah panah menunjukkan proses berkelanjutan melalui tahapan ADM.


441

Prosiding

ISBN 978-602-18580-3-5

Gambar 1. Struktur dasar ADM - siklus pengembangan arsitektur b.

Enterprise Continuum Jika ADM menjelaskan proses untuk membangun arsitektur enterprise, enterprise continuum merupakan sumber daya dan filosofi untuk mengembangkan arsitektur melalui building block yang dapat digunakan kembali. Enterprise continuum adalah sebuah alat komunikasi yang penting dan pemahaman antara individual dalam enterprise, antara pelanggan enterprise dan organisasi vendor. 3. HASIL PENELITIAN DAN PEMBAHASAN Tahapan dari TOGAF ADM secara ringkas dapat dijelaskan sebagai berikut: a. Preliminary Phase Setelah melakukan wawancara dan observasi, pada penelitian ini didapatkan proses inti bagi pelaku UMKM yaitu proses pendaftaran, pencatatan konsumen, pencatatan transaksi penjualan dan pelaporan transaksi bulanan. b. Phase A: Architecture Vision Pada fase ini diciptakan keseragaman pandangan mengenai pentingnya arsitektur enterprise untuk mencapai tujuan organisasi yang dirumuskan dalam bentuk strategi serta menentukan lingkup dari arsitektur yang akan dikembangkan.


442

Prosiding

ISBN 978-602-18580-3-5

c. Phase B: Business Architecture Aktor dalam usecase diagram terdiri dari 2 (dua), di mana aktor yang akan mengakses sistem diharuskan untuk melakukan login terlebih dahulu, penggambarannya dituliskan seperti pada Gambar 2. Pendaftaran UMKM

<>

Kelola Data UMKM Pelaku UMKM

<> <>

Admin <>

Pencatatan Konsumen

Pelaporan Transaksi Bulanan

Pencatatan Transaksi Penjualan

Pelaku UMKM

Gambar 2. Usecase diagram sistem d. Phase C: Information System Architecture Pada tahap ini, lebih ditekankan pada aktivitas arsitektur sistem informasi dikembangkan. Pendefinisian arsitektur sistem informasi dalam tahapan ini meliputi arsitektur data, arsitektur aplikasi yang akan digunakan oleh organisasi. Arsitektur data lebih memfokuskan pada data digunakan untuk kebutuhan fungsi bisnis, proses dan layanan, lihat Gambar 3.

Gambar 3. Arsitektur aplikasi sistem yang akan dibangun

e. Phase D: Technology Architecture Arsitektur teknologi yang digunakan pada penelitian ini dapat dilihat pada Gambar 4.


443

Prosiding

ISBN 978-602-18580-3-5

Client Interface

PHP

Network

LAN

Internet HTTPs

Presentation Apache XAMPP

Application Application Integration

JDBC

Databases pendaftaran

konsumen

penjualan

laporan

Gambar 4. Arsitektur teknologi f. Phase E: Opportunities and Solution Pada tahapan ini lebih ditekankan pada manfaat yang diperoleh dari arsitektur enterprise yang meliputi arsitektur bisnis, arsitektur data, arsitektur teknologi, sehingga menjadi dasar bagi stakeholder untuk memilih dan menentukan arsitektur yang akan diimplementasikan. g. Phase F: Migration Planning Pada tahapan ini akan dilakukan penilaian dalam menentukan rencana migrasi dari suatu sistem informasi. h. Phase G: Implementation Governance Pada fase ini disusun rekomendasi untuk pelaksanaan tatakelola implementasi yang sudah dilakukan, Gambar 5 menjelaskan mengenai tata kelola arsitektur sistem cloud computing. USER INTERFACE LAYER

User Interface

Browser

Frame set

DOMAIN LAYER

Internet

Cloud Server

Respon Page

Application Layer

Web Application Domain Layer

Actor

DATA ACCESS LAYER

Data Access Layer

Database

Gambar 5. Tata kelola arsitektur sistem cloud computing Seminar Nasional Matematika, Sains dan Informatika 2015

444

Prosiding

ISBN 978-602-18580-3-5

i. Phase H: Architecture Change Management Pada fase ini ditetapkan rencana manajemen arsitektur dari sistem yang baru dengan cara melakukan pengawasan terhadap perkembangan teknologi dan perubahan lingkungan organisasi, baik internal maupun eksternal serta penentuan siklus pengembangan arsitektur enterprise berikutnya. Hasil penelitian ini adalah sebuah aplikasi cloud computing yang dapat dimanfaatkan oleh UMKM untuk melakukan pendaftaran UMKM, pencatatan konsumen UMKM, pencatatan transaksi penjualan, dan pelaporan transaksi, yang semuanya merupakan terjemahan dari modul pemasaran dan penjualan (Witanti, W., Renaldi, F., 2013). 4. KESIMPULAN Rancangan arsitektur enterprise yang digunakan pada penelitian ini mengadopsi The Open Group Architecture Framework ADM yang merupakan pendekatan secara holistik untuk mendesain, yang dimodelkan dengan empat tingkat: bisnis, aplikasi, data dan teknologi. Hal tersebut memberikan kelayakan secara menyeluruh sebagai model awal yang dipergunakan untuk membangun aplikasi nantinya yang terdiri dari modularisasi, standarisasi dan telah tersedia, melakukan perbaikan teknologi dan produk. Pada UMKM pemahaman mengenai proses bisnis harus lebih ditingkatkan, karena kompleksitas dan karakteristik yang berbeda untuk masing-masing UMKM. Hasil dari penelitian ini diharapkan dapat membantu pihak UMKM untuk menerapkan teknologi berbasis cloud dalam aktivitas pengelolaan transaksinya.

DAFTAR PUSTAKA Dharmayanti, D., Witanti, W., Sulaeman, G. (2012). Pembuatan Aplikasi Cloud Computing pada Showroom Mobil, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta. Mukrodin. (2013). Model Enterprise Architecture E-Commerce Usaha Mikro Kecil dan Menengah Menggunakan Framework Zachman, Tesis Program Studi Magister Sistem Informasi, Universitas Diponegoro, Semarang. Open Group. (2009). The Open Group Architecture Framework: Architecture Development Method.

Diakses

pada

Tanggal

2

Agustus

2014

dari

http://www.opengroup.org/architecture/togaf9-doc/arch/. Seminar Nasional Matematika, Sains dan Informatika 2015

445

Prosiding

ISBN 978-602-18580-3-5

Witanti, W., Renaldi, F. (2013). Kerangka Kerja Aplikasi Teknologi Informasi sebagai Acuan dalam Pengembangan dan Implementasi Teknologi Informasi Berbasis Cloud pada UMKM Cimahi, Konferensi Nasional Ilmu Komputer, Universitas Hasanudin, Makasar.


446

JARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI Winita Sulandari1, Titin Sri Martini1, Nughthoh Arfawi Kurdhi1, Hartatik2, Yudho Yudhanto2 1 Jurusan Matematika FMIPA UNS email: [email protected] 2 Prodi D3 Informatika FMIPA UNS

ABSTRAK. Penentuan relasi fuzzy pada runtun waktu fuzzy orde tinggi lebih rumit dibandingkan pada runtun waktu fuzzy orde pertama. Penelitian ini mengusulkan jaringan fungsi basis radial untuk menentukan relasi fuzzy orde tinggi. Metode yang diusulkan diterapkan pada data jumlah pendaftar Universitas Alabama. Nilai rata-rata kuadrat kesalahan dari hasil peramalan menggunakan metode yang diusulkan selanjutnya dibandingkan dengan hasil peramalan dari metode yang diusulkan oleh peneliti lain. Hasil penelitian menunjukkan bahwa penggunaan jaringan fungsi basis radial pada penentuan relasi fuzzy memberikan hasil peramalan yang lebih akurat dibandingkan metode yang lain. Kata Kunci: fungsi radial basis, fuzzy, orde tinggi 1. PENDAHULUAN Penerapan fuzzy pada peramalan runtun waktu semakin berkembang sejak model runtun waktu fuzzy orde 1 dikembangkan oleh Song dan Chissom (1993a, 1993b). Pada tahun 1996, Chen mengenalkan metode runtun waktu fuzzy yang lebih sederhana dibandingkan dengan metode yang disampaikan oleh Song dan Chissom (1993a, 1993b). Metode Chen (1996) tidak menggunakan operasi matriks dalam penentuan relasi fuzzy. Peneliti lain, Huarng dan Hui-Kuang (2006) mengusulkan jaringan feedforward sederhana untuk menentukan relasi fuzzy pada model runtun waktu fuzzy orde 1. Di sisi yang lain, Tsai (2001) dan Chen (2002) mengembangkan model runtun waktu fuzzy orde tinggi. Kedua peneliti tersebut mendefinisikan relasi fuzzy berdasarkan data pengamatan sebelumnya. Penentuan relasi fuzzy dengan metode Tsai (2001) maupun Chen (2002) menjadi lebih rumit ketika orde fuzzy bertambah. Bahkan bisa lebih rumit jika dibandingkan dengan jaringan feedforward. Pada tahun 2009, Aladag, et al mengembangkan metode yang diusulkan oleh Huarng dan Hui-Kuang. Aladag, et al. (2009) menggunakan jaringan feedforward untuk menentukan relasi fuzzy orde tinggi. Beberapa arsitektur jaringan digunakan untuk menentukan relasi fuzzy pada data jumlah pendaftar Universitas Alabama. Hasil peramalan metode Aladag, et al (2009) kemudian dibandingkan dengan hasil peramalan metode Song dan Chissom (1993a), Seminar Nasional Matematika, Sains dan Informatika 2015

447

Prosiding

ISBN 978-602-18580-3-5

Song dan Chissom (1994), Sullivan dan Woodall (1994), Chen (1996), Hwang, et al. (1998), dan Chen (2002). Berdasarkan hasil perbandingan nilai rata-rata kuadrat kesalahan beberapa metode tersebut, diperoleh kesimpulan bahwa penggunaan jaringan feedforward pada penentuan relasi fuzzy memberikan hasil peramalan yang lebih baik. Penelitian ini mengusulkan tipe jaringan yang lain, yaitu jaringan fungsi radial basis untuk menentukan relasi fuzzy pada model runtun waktu fuzzy orde tinggi. Dalam penerapannya, jaringan fungsi basis radial mungkin membutuhkan neuron yang lebih banyak dibandingkan jaringan feedforward, namun seringkali jaringan fungsi basis radial dapat belajar lebih cepat dibandingkan jaringan feedforward (Moody and Darken, 1989). Sebagaimana yang dilakukan oleh Aladag, et al. (2009), metode yang diusulkan dalam penelitian ini diterapkan pada data jumlah pendaftar Universitas Alabama. Untuk menunjukkan bahwa metode yang diusulkan memberikan hasil peramalan yang lebih maka dilakukan perbandingan hasil peramalan dengan metode yang diusulkan Aladag, et al. (2009). Kriteria yang digunakan untuk membandingkan model adalah nilai rata-rata kuadrat kesalahan peramalan. 2. METODE PENELITIAN Dalam penelitian ini, relasi fuzzy ditentukan dengan jaringan fungsi basis radial. Langkahlangkah dari metode yang diusulkan dijelaskan sebagai berikut. Langkah 1. Menentukan dan mempartisi semesta pembicaraan data pengamatan. Semesta pembicaraan U = [nilai awal, nilai akhir] dibagi menjadi beberapa interval dengan panjang interval sama. Panjang interval yang dipilih pada penelitian ini sama dengan panjang interval pada penelitian Huarng (2001), yaitu 200, 300, 400, 500, 500, 700, 800, 900 dan 1000. Langkah 2. Mendefinisikan himpunan fuzzy. Setiap pengamatan linguistik,

dapat didefinisikan

berdasarkan interval-interval yang terbentuk pada Langkah 1. Langkah 3. Menyatakan setiap data pengamatan runtun waktu dalam bentuk himpunan fuzzy. Langkah 4. Menentukan relasi fuzzy menggunakan jaringan fungsi basis radial.


448

Prosiding

ISBN 978-602-18580-3-5

Langkah 5. Menentukan peramalan fuzzy jaringan fungsi basis radial. Nilai peramalan adalah nilai tengah interval yang bersesuaian peramalan fuzzy jaringan fungsi basis radial. 3. HASIL PENELITIAN DAN PEMBAHASAN Semesta pembicaraan dalam penelitian ini adalah data runtun waktu jumlah pendaftar Universitas Alabama, dengan interval. Himpunan fuzzy dengan

yang dinyatakan dalam bentuk himpunan , = 1, 2, …, k menyatakan interval ke-i dan k adalah banyaknya dari

didefinisikan sebagai

adalah fungsi keanggotaan dari himpunan fuzzy

menyatakan runtun waktu fuzzy yang terdefinisi pada dan misalkan

=

maka relasi fuzzy dapat dinyatakan sebagai

; . Jika

,

[

]

Notasi

dipengaruhi oleh ,

=

,

dan model yang

terbentuk disebut model runtun waktu fuzzy orde m. Orde yang dibahas pada penelitian ini adalah orde 2, 3 dan 4. Penentuan relasi fuzzy menggunakan jaringan fungsi basis radial dimulai dengan penentuan pasangan input-target terlebih dahulu. Jaringan fungsi basis radial adalah suatu jaringan syaraf tiruan yang terdiri dari lapisan dengan fungsi aktivasi basis radial dan lapisan output dengan fungsi linier. Contoh arsitektur jaringan fungsi basis radial disajikan pada Gambar 1.

Lapisan tersembunyi Lapisan output Gambar 1. Arsitektur jaringan fungsi basis radial dengan 4 input dan satu output Chen, et al. (1991) menyatakan bahwa apapun fungsi basis yang digunakan tidak begitu mempengaruhi performa model. Fungsi aktivasi basis radial yang digunakan dalam penelitian ini Seminar Nasional Matematika, Sains dan Informatika 2015

449

Prosiding

ISBN 978-602-18580-3-5

adalah fungsi radbas, yang dinyatakan sebagai

dengan

adalah jarak antara input

dengan pusat neuron pada lapisan tersembunyi. Output jaringan fungsi basis radial merupakan jumlahan linear dari output lapisan tersembunyi dikalikan bobot w atau dirumuskan sebagai ∑

dengan p adalah banyaknya neuron pada lapisan input.

Untuk mempermudah pemahaman, berikut diberikan contoh penggunaan jaringan fungsi basis radial pada penentuan relasi runtun waktu fuzzy orde 2 dengan panjang interval 1.000. Misal semesta pembicaraan data pendaftar universitas Alabama tahun 1971 hingga 1992 adalah [

], dibagi ke dalam 7 interval dengan panjang setiap interval 1.000, sehingga [

diperoleh

]

Selanjutnya, didefinisikan

[

] ,

[

…,

sebagai variabel linguistik dari setiap interval

]

. Transformasi data

pendaftar dalam bentuk fuzzy dan pasangan input target disajikan pada Tabel 1. Tabel 1. Runtun waktu fuzzy orde 2 pendaftar Universitas Alabama Jumlah pendaftar

Tahun Aktual

Fuzzy -

Target

Input-1

Input-2

1971

13055

-

1972

13563

1973

13867

1

1

1

1974

14696

2

1

1

1975

15460

3

2

1

1976

15311

3

3

2

1977

15603

3

3

3

1992

18876

6

7

7

-

Berdasarkan Tabel 1 dapat dilihat bahwa pada runtun waktu fuzzy orde 2, oleh

dan

atau dalam bentuk relasi fuzzy dapat dituliskan

Dalam hal ini, indeks dari input jaringan

dipengaruhi ,

.

digunakan untuk perhitungan jaringan fungsi basis radial. Nilai

orde 2 adalah 1 dan 1 sedangkan nilai target adalah 1. Dengan cara yang

sama diperoleh nilai input jaringan

adalah 1 dan 1 sedangkan nilai target adalah 2, dan


450

Prosiding

ISBN 978-602-18580-3-5

seterusnya hingga diperoleh sebanyak 20 pasangan input target. Output dari jaringan fungsi basis radial adalah berupa indeks variabel linguistik. Dengan demikian jika nilainya 1 berarti nilai peramalan fuzzy adalah

Demikian juga jika outputnya 2 berarti nilai peramalan fuzzy adalah

dan seterusnya. Output dari jaringan fungsi basis radial dimungkinkan berupa bilangan riil, jika demikian maka dapat dilakukan pembulatan ke nilai bilangan bulat terdekat. Selanjutnya, nilai peramalan jumlah pendaftar Universitas pada tahun ke-t adalah nilai tengah interval yang bersesuaian dengan peramalan fuzzy jaringan fungsi basis radial. Hasil perhitungan nilai rata-rata kuadrat kesalahan peramalan disajikan pada Tabel 2. Tabel 2. Perbandingan hasil penelitian dengan penelitian sebelumnya oleh Aladag, et al. (2009)

Panjang interval 200

Nilai rata-rata kuadrat kesalahan orde 2 orde 3 Metode Metode Aladag, et Aladag, et al. yang yang al.(2009) (2009) diusulkan diusulkan 78.073 40.853 369.015 3.094

orde 4

1.174.929

Metode yang diusulkan 3.265

Aladag, et al.(2009)

300

117.413

50.833

301.715

8.767

1.128.468

9.137

400

132.533

54.313

278.531

11.336

1.112.585

500

168.743

38.793

242.315

62.457

1.201.357

11.365 22.237

600

142.733

198.553

282.721

26.420

1.310.085

25.754

700

151.693

86.773

274.147

118.462

927.535

75.337

800

243.173

250.213

449.857

68.115

1.187.540

66.765

900

208.463

1.204.588

368.094

878.846

1.196.301

825.720

1000

361.193

317.993

246.973

286.378

942.662

116.820

Berdasarkan Tabel 2, terlihat bahwa metode yang diusulkan cenderung memberikan nilai ratarata kuadrat kesalahan yang lebih kecil dibandingkan dengan metode yang diusulkan Aladag, et al. (2009). Hasil terbaik diperoleh dari model runtun waktu fuzzy orde 3 ketika panjang intervalnya adalah 200, dengan nilai rata-rata kuadrat kesalahan peramalan adalah 3.904. 4. KESIMPULAN Hasil percobaan menunjukkan bahwa panjang interval mempengaruhi keakuratan hasil peramalan. Nilai rata-rata kuadrat kesalahan hasil peramalan cenderung semakin kecil dengan semakin pendeknya panjang kelas interval yang dipilih. Berdasarkan nilai rata-rata kuadrat Seminar Nasional Matematika, Sains dan Informatika 2015

451

Prosiding

ISBN 978-602-18580-3-5

kesalahan hasil peramalan, dapat disimpulkan bahwa jaringan fungsi basis radial lebih baik dalam menentukan relasi fuzzy pada runtun waktu fuzzy orde tinggi dibandingkan dengan jaringan feedforward. DAFTAR PUSTAKA Aladag, C.H., Basaran, M.A., Egrioglu, E., Yolcu, U., and V.R.Uslu. (2009). Forecasting in High Order Fuzzy Time Series by Using Neural Networks to Define Fuzzy Relations. Expert Systems with Applications, 36, 4228-4231. Chen, S., Cowan, C.F.N., and Grant, P.M. (1991). Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks. IEEE Transactions on Neural Networks, 2, 2, 302-309. Chen, S. M. (1996). Forecasting Enrollments Based on Fuzzy Time Series. Fuzzy Sets and Systems, 81, 311-319. Chen, S. M. (2002). Forecasting Enrollments Based on High Order Fuzzy Time Series. Cybernetics and Systems, 33, 1- 16. Huarng, K. (2001). Effective Length of Intervals to Improve Forecasting in Fuzzy Time Series. Fuzzy Sets and Systems, 123, 387-394. Huarng, K., and Hui-Kuang, Y. (2006). The Application of Neural Networks to Forecast Fuzzy Time Series. Phisica A, 363, 481-491. Hwang, J.R., Chen, S.M., and Lee, C.H. (1998). Handling Forecasting Problems Using Fuzzy Time Series. Fuzzy Sets and Systems, 100, 2, 217-228. Moody, J. and Darken, C.J. (1989). Fast Learning in Networks of Locally-Tunes Processing Units. Neural Computation, 1, 2, 281-294. Tsai, C. (2001). A Theoretical Study and Forecast of Fuzzy Time Series. Journal of Interdiciplinary Mathematics, 4,2-3, 139-153. Song, Q., and Chissom, B.S. (1993a). Fuzzy Time Series and Its Models. Fuzzy Sets and Systems, 54, 269-277. Song, Q., and Chissom, B. S. (1993b). Forecasting Enrollments with Fuzzy Time Series–Part I. Fuzzy Sets and Systems, 54, 1–10. Song, Q., and Chissom, B. S. (1994). Forecasting Enrollments with Fuzzy Time Series–Part II. Fuzzy Sets and Systems, 62, l, 1–8. Sullivan, J., and Woodall, W. H. (1994). A comparison of Fuzzy Forecasting and Markov Modelling, Fuzzy Sets and Systems, 64, 3, 279-293.


452

PENERAPAN ALGORITMA K-MEDOIDS DALAM PENENTUAN FAKTOR TERBESAR SUMBER INFORMASI PEMILIHAN JURUSAN DI UNJANI Yulison Herry Chrisnanto1, Gunawan Abdillah2 1,2 Jurusan Informatika Fakultas MIPA Universitas Jenderal Achmad Yani

ABSTRAK. Aplikasi data mining telah banyak digunakan pada berbagai bidang, dimana ekstraksi data dari tumpukan data dalam jangka waktu terrtentu menjadi informasi yang sebelumnya tidak diketahui telah menjadi area yang menarik untuk distudi sampai sekarang. Banyak pengembang perangkat lunak besar telah mengembangkan produk sistem manajemen basis data (DBMS) yang dilengkapi dengan proses data mining. Teknik data mining yang dikenal salah satunya adalah teknik clustering. Beberapa algoritma yang digunakan pada teknik ini antara lain k - Means, k - Medoids atau CLARA dan yang lainnya. Penelitian ini akan mengkaji algoritma k-Medoids atau lebih dikenal sebagai partitioning around medoids (PAM) yang akan diterapkan pada penentuan sumber informasi yang paling banyak digunakan oleh calon mahasiswa di Unjani dalam memilih program studi. Dengan menggunakan data sebanyak 4668 akan diterapkan proses clustering. Perhitungan jarak antara objek data dengan medoids baik di dalam maupun di luar cluster menggunakan teknik Euclidean Distance, serta uji mutu cluster menggunakan Teknik Silhoutte . Hasil dari penelitian ini menggambarkan sumber informasi terbesar bagi calon mahasiswa dalam bentuk cluster. Kata Kunci: Data Mining, Clustering, K-Medoids 1. PENDAHULUAN Kegiatan promosi menjelang penerimaan mahasiswa baru disetiap perguruan tinggi terutama perguruan tinggi swasta menjadi program yang sangat penting, hal tersebut dikarenakan angka perolehan penerimaan mahasiswa baru setiap tahun tergantung dari program promosi yang telah dilakukan, namun demikian jumlah peminatan untuk setiap program studi dapat beragam bahkan dapat tidak tergantung pada program promosi tingkat jurusan. Ada program studi yang memiliki peminatan cukup tinggi, meskipun program promosinya tidak dilakukan secara khusus, hal ini dapat diakibatkan oleh seberapa dikenalnya program studi tersebut oleh masyarakat. Evaluasi program promosi dapat dilakukan dengan melihat perolehan jumlah peminat untuk setiap program studi, namun demikian tingkat efektifitas program promosi yang telah dilaksanakan apabila dikaitkan dengan jumlah peminatan pada program studi sulit untuk ditentukan. Evaluasi yang dapat dilakukan hanya sebatas menentukan tingkat peminatan berdasarkan asal calon mahasiswa, wilayah mana saja serta media promosi apa saja yang memberikan kontribusi calon Seminar Nasional Matematika, Sains dan Informatika 2015

453

Prosiding

ISBN 978-602-18580-3-5

mahasiswa tertinggi. Akan tetapi hasil evaluasi itu tidak sepenuhnya memberikan gambaran konkrit sumber informasi bagi calon mahasiswa mengetahui dan memutuskan untuk memilih Unjani sebagai tempat pendidikan lanjutan. Penelitian ini akan melakukan studi terhadap data mahasiswa Unjani pada kurun waktu tertentu dengan menggunakan metoda clustering , dimana metoda ini adalah metoda yang sering digunakan dalam proses penambangan data (data mining). Hasil akhir dari penelitian ini berupa informasi yang berisi faktor berpengaruh dominan terhadap pemilihan program studi atau bidang peminatan tertentu oleh calon mahasiswa khususnya di Unjani dengan menggunakan metoda clustering, dengan demikian sumber informasi utama calon mahasiswa dalam memilih Unjani sebagai tempat menempuh pendidikan lanjutan dapat diketahui dengan jelas. 2. METODE PENELITIAN Penelitian ini akan mengikuti alur penelitian seperti pada Gambar 1. Dimana proses penelitian dibagi menjadi tiga bagian utama, yaitu persiapan data, data mining dan presentasi. Automate 3.

4. 5. 6. 7.

Automate

Persiapan Data

8. 9.Desain proses data mining 10. 11. 12. Pengumpulan data calon 13. mahasiswa baru UNJANI Tahun 14. Desain 15. struktur data eksternal 16. 17.

Automate

Software Construction

Presentasi

Gambaran Sumber Informasi bagi Calon mahasiswa baru Menentukan rancangan skenario Unjani pengumpulan data Desain Program Komputer Desain struktur data internal Tahapan Data Cleaning Desain Algoritma PAM

Gambar 1. Bagan alir penelitian Seperti pada Gambar 1. di atas, penelitian akan dimulai dari proses persiapan kedataan, dimana data yang diperlukan bersumber pada data akademik mahasiswa seluruh Unjani yang dibatasi hanya untuk mahasiswa angkatan 2013/2014. Data tersebut merupakan data dasar yang Seminar Nasional Matematika, Sains dan Informatika 2015

454

Prosiding

ISBN 978-602-18580-3-5

perlu dilakukan proses pembersihan data, hanya data yang diperlukan saja yang akan dipilih. Tahapan persiapan data meliputi tahapan cleaning dan data warehousing. Apabila data dasar sudah memenuhi aspek kebergunaan maka data tersebut dapat diakses langsung melalui perangkat lunak. Tahap berikutnya adalah merancang proses data mining dan dilanjutkan dengan proses rancangan program komputernya. Fokus dari perangkat lunak ini adalah mengerjakan proses clustering dengan algoritma k-Medoids (PAM). Tahap akhir dari proses penelitian ini adalah menyiapkan kebutuhan informasi yang representatif[2]. Algoritma K-MEDOIDS Clustering merupakan teknik dalam data mining yang dapat dikatagorikan sebagai model partisi data, dimana kumpulan data sebanyak N objek dipartisi menjadi k cluster. Dalam pembentukan partisi melalui mekanisme seleksi optimum yang dilakukan secara iteratif. Proses partisi dimulai dari menginisiasi objek yang akan mewakili cluster yang diinginkan, selanjutnya akan dikalkulasi objek baru yang mewakili cluster lalu dipilih berdasarkan mutu dari objek tersebut dengan melakukan pertukaran terhadap objek lama (medoids). PAM menggunakan metoda k-Medoid untuk mengidentifikasi cluster-cluster. PAM memilih sembarang objek dari sekumpulan data sebagai medoids, setiap objek k akan mewakili k class. Klasifikasi objek lain dari kumpulan data didasarkan jarak dari k-medoids. Setelah medoids terbentuk, berikutnya menentukan objek-objek dalam himpunan data dengan mengukur jarak terdekat dengan medoidsnya. Secara iteratif dipilih sebuah objek baru lalu dilakukan kalkulasi ulang dan total jarak antara medoids baru dengan medoids lama dibandingkan, nilai terkecil atau dengan kata lain hasil perbandingan jarak total bernilai < 0, maka akan menggantikan medoids lama, Berikut ini adalah algoritma k-Medoids [1]: Input : K: Jumlah cluster yang dikehendaki D: Dataset yang berisi objek-objek Output : Cluster yang berisi objek-objek yang representatif didasarkan pada kedekatan minimum jarak dengan medoid Metoda : Secara acak, pilih k objek di dalam D sebagai medoid awal Ulangi : 1. Tentukan objek terdekat dengan medoid 2. Secara acak pilih objek non-medoid Oacak 3. Hitung total point S untuk ditukarkan point Oj dengan Oacak 4. Jika S < 0 maka tukar Oj dengan Oacak sebagai k medoid baru Hingga tidak ada perubahan

2.1 Persamaan Euclidean Distance Seminar Nasional Matematika, Sains dan Informatika 2015

455

Prosiding

ISBN 978-602-18580-3-5

Salah satu cara untuk menghitung jarak setiap objek baik objek dalam cluster yang sama maupun objek diluar cluster dapat menggunakan Euclidean Distance yng digambarkan seperti pada persamaan 2.1 berikut ini[4]:

(2.1) 2.2 Uji Mutu Cluster Untuk melihat mutu cluster dapat digunakan perhitungan Silhouette, yaitu sebuah teknik untuk melakukan evaluasi mutu dari sebuah cluster. Teknik ini merupakan metoda untuk melakukan validasi cluster, yaitu metoda yang menggabungkan metoda cohesion dan metoda separation. Tahapan yang dilakukan dalam metoda ini antara lain: a.

Untuk setiap objek i, hitung rata-rata jarak dari objek ke i dengan seluruh objek yang berada pada satu cluster dan nilai rata-rata tersebut bernama ai

b. Untuk setiap objek i, hitung rata-rata jarak dari objek ke i dengan objek yang berada di cluster lainnya dan diambil nilai rata-rata terkecil, yang disebut bi c.

Hitung nilai koefisien Silhouette dengan persamaan [3][5]: Si = (bi – ai) / max(ai, bi)

(2.2)

3. HASIL PENELITIAN DAN PEMBAHASAN Pada penelitian ini, algoritma clustering yang digunakan adalah k-Medoids atau lebih dikenal dengan

partitioning aroud medoids (PAM), Gambar 2. berikut ini merupakan data calon

mahasiswa Unjani yang akan digunakan pada proses clustering sebagai berikut :

Gambar 2. Data calon mahasiswa Unjani


456

Prosiding

ISBN 978-602-18580-3-5

Berdasarkan data calon mahasiswa tersebut, dipilih atribut data sesuai dengan kebutuhan proses selanjutnya dilakukan kodefikasi dan disimpan dengan format CSV. Gambar 3 berikut ini memperlihatkan data calon mahasiswa Unjani yang siap untuk diproses menggunakan algoritma k-Medoids

Gambar 3. Data calon mahasiswa yang telah dikodekan dalam format CSV Berdasarkan data tersebut maka selanjutnya disusun program komputer menggunakan bahasa pemrograman tertentu, dalam hal ini menggunakan PHP. Langkah pertama dalam proses konstruksi kode adalah menentukan struktur data internal dalam bentuk array dua dimensi yang akan merepresentasikan data calon mahasiswa Unjani sesuai dengan karakteristik algoritma kMedoids. Langkah-langkah yang dilakukan pada Algoritma k-Medoids secara umum dapat dijelaskan sebagai berikut [2]: Langkah-1:

menginisiasi medoids secara acak dari kumpulan data uji. Medoids yang dipilih sebanyak 3

Langkah-2:

Tentukan anggota dari setiap cluster dengan menghitung jarak terdekat dengan setiap medoids

Langkah-3:

Tentukan Medoids baru, serta mengkalkulasi setiap jarak setiap objek dengan medoids baru, selanjutnya dipilih nilai terkecil dari jarak yang dihasilkan dan ditentukan sebagai Medoids baru dengan ketentuan jarak total medoids dengan objek dalam cluster < dari jarak total medoids dengan objek luar cluster.

Langkah-4

: ulangi langkah-2 hingga Medoids tidak berubah

Data uji yang digunakan pada penelitian ini diimplementasikan menggunakan struktur data array dua dimensi. Array yang dibentuk memiliki 6 (enam) kolom yang akan mewakili atribut dari data uji. Pembentukan array yang dikonstruksi menggunakan PHP. Pembentukan array dua dimensi dilakukan secara iteratif mengambil data uji yang disimpan secara eksternal sesuai Seminar Nasional Matematika, Sains dan Informatika 2015

457

Prosiding

ISBN 978-602-18580-3-5

dengan atribut yang telah didefinisikan. Data yang dihasilkan sebanyak 4668 data dari 9675 data. Tidak semua data diambil sebagai data uji dengan pertimbangan waktu yang digunakan dalam proses. Proses kalkulasi yang dilakukan terhadap data internal ternyata akan dipengaruhi oleh konfigurasi web servernya terkait dengan layanan permintaan dari browsernya. Listing program di atas memperlihatkan array dua dimensi yang diberi nama DataDaftar yang akan mewakili data pendaftar Tahun 2013. Atribut pertama merupakan nomor urut data ( 0 – jumlah data-1), atribut kedua merupakan kode program studi (sesuai dengan yang berlaku di Unjani), atribut ketiga merupakan kode asal daerah calon, atribut keempat berisi kode sumber informasi calon mahasiswa baru Unjani, atribut berikutnya adalah kode kelompok, dimana kelompok ditentukan berdasarkan kolompok jenis sumber informasi antara lain : media cetak, media elektronik dan relasi. Terakhir adalah kode cluster, dimana nilai awal diinisiasi dengan nilai 99. Berdasarkan proses konstruksi yang telah dilakukan, maka dapat ditentukan cluster sesuai dengan karakteristik setiap objek yang ada. Hasil eksekusi sistem memperlihatkan cluster yang terbentuk dengan nilai medoids awal yang ditetapkan sebanyak 3 (tiga). Ketiga medoids ini merupakan pusat dari cluster yang dibentuk berdasarkan jarak terdekat setiap objek dari masingmasing medoids. Pembentukan medoids dilakukan secara acak yang diambil dari semua objek data yang diuji. Gambar 4 berikut ini memperlihatkan pembentukan awal medoids secara acak. Berdasarkan medoids yang terbentuk, maka dapat dikalkulasi anggota cluster. Secara iteratif, medoids diperbaharui melalui perhitungan jarak antara setiap objek non-medoids dengan medoids baru yang menjadi pusat masing-masing cluster.

Gambar 4. Pembentukan Medoids awal dan cluster awal berdasarkan3 medoid Seminar Nasional Matematika, Sains dan Informatika 2015

458

Prosiding

ISBN 978-602-18580-3-5

Kolom ―Medoids Terpilih‖ dengan baris nomor 1, 6 dan 8 merupakan medoids baru yang dijadikan sebagai pusat cluster, karena jarak antara medoids baru tersebut dengan setiap objek dalam cluster bernilai paling kecil. Tingkat derajat keanggotaan cluster dapat diukur dengan mengunakan persamaan Silhouette (persamaan 2.2) , dimana Si adalah jarak rata-rata Silhouette yang dihasilkan melalui pengurangan jarak rata-rata objek di luar cluster dengan medoids salah satu cluster dibagi dengan nilai maksimum rata-rata jarak setiap objek dalam sebuah cluster dengan rata-rata jarak setiap objek di luar cluster. Jika nilai Sihaouette mendekatai 1 (Si positif), maka tingkat derajat keanggotaan sebuah cluster dapat dikatakan baik. Hasil dari nilai Silhouette dapat dilihat pada Gambar 5 berikut ini :

Gambar 5. Hasil uji mutu cluster dengan teknik Silhoutte Dengan menggunakan data yang sama, pengujian mutu cluster dilakukan juga menggunakan aplikasi R-Language yang hasilnya antara lain : 0.6462188, 0.06586493 dan 0.4848112 (seperti pada Gambar 6). Dengan demikian hasil yang diperoleh dari penelitian ini tidak menyimpang dari hasil Silhouette yang diperoleh dari Aplikasi R-Language. R-Language merupakan aplikasi statistik yang dapat digunakan juga untuk proses data mining[6]. Dengan hasil di atas, dapat disimpulkan bahwa proses kakulasi objek dalam setiap cluster terhadap medoids dapat berjalan dengan baik dengan jumlah iterasi yang dilakukan sebanyak 10 iterasi. Dengan jumlah data uji sebanyak 4668 data. Hasil dari proses clustering dengan algoritma k-Medoids dapat dilihat seperti pada Gambar 7, dimana sumber informasi ditunjukan melalui angka prosentase.

Gambar 6. Penggunaan R-language dengan data yang sama


459

Prosiding

ISBN 978-602-18580-3-5

Gambar 7. Hasil proses k-Medoids clustering Setelah proses implementasi dilakukan, maka dapat dilihat hasil eksekusi perangkat lunak yang merepresentasikan penerapan data mining yang menggunakan algoritma k-Medoids seperti pada Gambar 7 di atas. Intepretasi atas hasil proses data mining tersebut dapat dijelaskan seperti pada Tabel 1 sebagai berikut : Tabel 1. Intepretasi terhadap hasil data mining dengan K-Medoids No

Cluster

1

0

2

1

3

2

Intepretasi Sebaran terbesar dari objek merupakan prodi yang berada pada Fakultas Teknik Sebaran terbesar dari objek merupakan prodi yang berada pada Fakultas Mipa Sebaran terbesar dari objek merupakan prodi yang berada pada Fakultas Isip

Sumber Informasi terbanyak Internet, teman dan brosur Internet, teman dan Alumni Unjani Internet, teman dan brosur

Media intenet merupakan cara yang paling diminati untuk mengakses informasi terkait penerimaan mahasiswa baru di Unjani, selanjutnya adalah relasi atau teman, dimana mekanisme ini merupakan penyebaran informasi dari mulut ke mulut dengan melihat kepuasan layanan yang menghasilkan rekomendasi. Terakhir adalah dari brosur yang diperoleh serta almuni Unjani itu sendiri. Fakultas Teknik dan Fakultas ISIP memiliki kesamaan mayoritas sumber informasi bagi calon mahasiswa baru di Unjani, sedangkan Fakultas MIPA sumber informasi terbanyak lainnya yang bersumber dari para alumni itu sendiri. Sudah barang tentu sumber informasi yang berkorelasi dengan program studi atau fakultas akan dipengaruhi oleh kode yang diberikan pada masing-masing prodi tersebut, hal ini dikarenakan proses kalulasi clustering didasarkan data


460

Prosiding

ISBN 978-602-18580-3-5

numerik dari nilai masing-masing atribut data uji yang digunakan. Namun demikian proses yang sudah dilakukan dapat mewakili mekanisme pembentukan cluster berdasarkan teknik k-medoids.

4. KESIMPULAN Dari penelitian yang telah dilakukan dapat disimpulkan hal-hal sebagai berikut : a.

Penerapan algoritma k-Medoids dalam proses data mining clustering memperlihatkan hasil yang baik, hal ini dapat dilihat dari hasil pembentukan objek-objek yang tersebar pada ketiga cluster. Berdasarkan data yang diberikan, setiap cluster memiliki karakteristik yang berbeda, namun demikian nilai objek pada kasus ini masih belum memadai, hal ini dikarenakan sumber data yang diolah memiliki nilai atribut yang berupa string, sehingga perlu dilakukan proses pemadanan secara cermat dalam bentuk numerik. Nilai objek akan dipengaruhi oleh pengkodean yang diberikan, sehingga hasil dari kalkulasi belum sepenuhnya dapat merepresentasikan tujuan dari penelitian ini.

b. Algoritma clustering dengan teknik k-Medoids kurang dapat menangani jumlah data yang besar, sehingga dalam penelitian ini data yang digunakan sebanyak 4668 data. Dengan proses pembentukan medoids sebanyak 10 iterasi dengan konsumsi waktu sebesar 9,1 menit, dengan demikian untuk jumlah data yang lebih besar dapat dipertimbangkan untuk menggunakan tools pengkonstruksi kode yang lebih tepat. DAFTAR PUSTAKA [1] Yulison Herry Chrisnanto, Algoritma Partitioning Around Medoids (PAM) Sebagai Teknik Clustering pada Data Mining, Majalah Ilmiah MIPA Unjani, Aristoteles Volume 11 Nomor 1 Oktober 2013, ISBN : 1693-5543 [2] Yulison Herry Chrisnanto, Gunawan Abdillah, Penerapan Algoritma Partitioning Around Medoids (PAM) Clustering untuk Melihat Gambaran Umum Kemampuan Akademik Mahasiswa, Proceeding SENTIKA 2015, ISSN : 2089-9815 [3]

Moh‘d Belal Al-Zoubi, Mohammad al Rawi. An Efficient Approach for Computing Silhouette Coefficients, Journal of Computer Science 4 (3):252-255, 2008

[4] Jiawei Han, Micheline Kamber, Jian Pei, Data Mining Concepts and Tehcniques, third edidtion, Morgan Kaufmann, 2012 Seminar Nasional Matematika, Sains dan Informatika 2015

461

Prosiding

ISBN 978-602-18580-3-5

[5] Peter Grabusts, The Choice of Metric For Clustering Algorithms. Proceeding of the 8th International Scientific and Practical Conference. Volume II, ISSN 1691-5402, ISBN 9789984-44-071-2. Environment. Technology.Resources [6] Luis Torgo. Data Mining with R: learning by case studies. LIACC-FEP, University of Porto. 2003


462

PENGUKURAN TINGKAT KEPUASAN TERHADAP LAYANAN TEKNOLOGI INFORMASI DI UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA Agus Mulyanto Jurusan Informatika Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Kalijaga Yogyakarta [email protected]

ABSTRAK. Pelayanan akademik berbasis teknologi informasi sudah menjadi kebutuhan di Universitas Islam Negeri Sunan Kalijaga. Sebuah layanan dapat diukur tingkat kepuasannya secara kuantitatif. Penelitian ini akan mengukur tingkat kepuasan mahasiswa terhadap layanan teknologi informasi . Metode yang digunakan dalam penelitian ini adalah deskriptif kuantitatif. Pengambilan data menggunakan kuesioner dengan lima skala likert dan wawancara. Pengujian dilakukan terhadap validitas dan reliabilitas intrumen, uji normalitas dan linearitas, uji korelasi antar variabel dan pengukuran tingkat kepuasan. Analisis data menggunakan alat bantu software SPSS 18.00 for Windows. Nilai signifikan korelasi antara variabel kemanfaatan dengan variabel kemudahan penggunaan adalah 0,001. Sedangkan nilai signifikan korelasi antara variabel kemudahan penggunaan dengan variabel penggunaan aktual adalah 0,036. Keduanya bernilai < 0,05 sehingga dapat dijustifikasi bahwa variabel tersebut saling berkorelasi. Sedangkan nilai signifikan antara variabel-variabel yang lain lebih dari 0,05 sehingga dapat dijustifikasi antar variabel-variabel tersebut tidak saling berkorelasi. Tingkat kepuasan terhadap layanan teknologi informasi pada posisi netral (skor 56-75%). Kata kunci : layanan, perceived usefulness, perceived ease of use, attitude toward using, behavioral intention, actual system use 1. PENDAHULUAN Seiring dengan perkembangan teknologi informasi, manusia menjadi tergantung kepada teknologi informasi dalam menyelesaikan masalah dan kenyamanan urusannya. Layanan teknologi telah menjadi bagian yang penting dalam segala aspek kehidupan. Teknologi informasi selalu terus dikembangkan sebagai penunjang kelancaran dan kemudahan proses bisnis. Layanan teknologi yang dapat memberikan kepuasan pengguna diharapkan berpengaruh pada tingkat produktifitas. Saat ini layanan akademik di Universitas Islam Negeri (UIN) Sunan Kalijaga Yogyakarta sudah berbasis teknologi. Layanan akadamik berbasis teknologi informasi ini menjadi tanggung jawab Unit Pelaksana Teknis Pusat Teknologi Informasi dan Pangkalan Data (PTIPD). Sejauh mana kualitas layanan ini dapat dilihat dari tingkat kepuasan stakeholdernya. Penelitian tentang analisis tingkat kepuasan telah banyak dilakukan peneliti terdahulu. Hermanto (2008) dan Ambariki (2005) pernah melakukan penelitian tentang tingkat kepuasan konsumen terhadap suatu pelayanan. Hermanto (2008) meneliti tingkat kepuasan konsumen terhadap pelayanan Terminal Peti Kemas Semarang, sedangkan Ambariki (2005) menganalisis tingkat kepuasan nasabah atas pelayanan teller di Bank Permata Area Jakarta. Penelitian ini Seminar Nasional Matematika, Sains dan Informatika 2015

463

Prosiding

ISBN 978-602-18580-3-5

bertujuan menganalisis hubungan antara kepuasan dengan kepentingan nasabah pada pelayanan Teller Bank Permata. Tingkat kepuasan pelayanan teller Bank Permata terhadap nasabah dan mengetahui unsur-unsur pelayanan mana yang perlu mendapatkan prioritas untuk diperhatikan atau diperbaiki serta bagaimana tanggapan nasabah apakah unsur-unsur pelayanan sudah sesuai dengan harapan nasabah. (Pramudi, Ashari, & Selo, 2013) telah melakukan penelitian menggunakan Technology Acceptance Model (TAM) untuk menganalisa pengaruh persepsi kemanfaatan (perceived usefulness) dan persepsi kemudahan menggunakan (perceived ease of use) dari pengguna Buku Sekolah Elektronik (BSE) terhadap sikap dan minat menggunakan BSE. Selain itu juga menganalisa pengaruh norma subyektif, kualitas akses, relevansi system dan kemampuan diri menggunakan komputer terhadap perilaku penggunaan BSE, serta penggunaan nyata BSE. Penelitian ini mengambil studi kasus di Kabupaten Kulon Progo dengan mengambil sampel sebanyak 167 responden guru pengguna BSE. Berdasarkan latar belakang masalah yang telah dikemukakan di atas, maka tujuan penelitian ini adalah: 1. Mencari hubungan antar setiap faktor yaitu persepsi atas kemanfaatan (perceived usefulness), persepsi atas kemudahan penggunaan (perceived ease of use), sikap untuk terus menggunakan (attitude toward using), perilaku yang menunjukkan keinginan (behavioral intention), dan penggunaan aktual (actual system use). 2.

Mengukur tingkat kepuasan mahasiswa terhadap layanan teknologi informasi yaitu

layanan akses internet, layanan system informasi perpustakaan, layanan system informasi akademik dan layanan system informasi registrasi. 2. METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah deskriptif kuantitatif. Pengambilan data menggunakan wawancara dan kuesioner. Analisis data menggunakan alat bantu software SPSS 18.00 for Windows. Berdasarkan uraian permasalan yang telah dikemukakan, maka hipotesis yang diajukan dalam penelitian ini adalah ada hubungan positif dan signifikan antara layanan teknologi informasi dengan tingkat kepuasan mahasiswa. 2.1 Obyek Penelitian Obyek Penelitian ini adalah mahasiswa UIN Sunan Kalijaga Yogyakarta. Pengambilan data dilakukan pada semester gasal tahun akademik 2013/2014. Sampel diambil dari semua Fakultas, yaitu Fakultas Sains dan Teknologi, Fakultas Sosial dan Humaniora, Fakultas Tarbiyah dan Keguruan, Fakultas Adab, Fakultas Syariah dan Ilmu Hukum, Fakultas Ekonomi dan Bisnis Seminar Nasional Matematika, Sains dan Informatika 2015

464

Prosiding

ISBN 978-602-18580-3-5

Islam, Fakultas Dakwah, dan Fakultas Ushuludin. Wawancara dilakukan dengan Kepala Pusat Teknologi Informasi dan Pangkalan Data (PTIPD) UIN Sunan Kalijaga. Sampel diambil secara acak sederhana (simple sampling random). 2.2 Variabel dan Instrumen Penelitian Variabel Layanan Teknologi Informasi pada penelitian ini terdiri atas layanan akses internet, layanan perpustakaan, layanan registrasi dan layanan system informasi akademik. Variabel ini akan dinilai dengan skala ordinal, yang terdiri dari tiga kategori yaitu puas, netral, tidak puas dengan penilaian sebagai berikut (Nursalam, 2003) : 1) Puas

: bila mencapai skor 76-100%

2) Netral : bila mencapai skor 56-75% 3) Tidak Puas

: bila mencapai skor < 56%

Penelitian menggunakan instrument (alat ukur penelitian) berupa angket/kuesioner dengan alasan angket/kuesioner sangat tepat digunakan dalam metode survei karena jumlah responden banyak (Sugiyono, 2012). Nilai angket diuukur skala likert dengan 5 skala. Kelima skala tersebut diberi nilai 1 (sangat tidak puas), 2 (tidak puas), 3 (netral), 4 (puas) dan 5 (sangat puas). Komponen angket ada lima faktor yaitu: X1: persepsi atas kemanfaatan (perceived usefulness) X2: persepsi atas kemudahan penggunaan (perceived ease of use) X3: sikap untuk terus menggunakan (attitude toward using) X4: perilaku yang menunjukkan keinginan (behavioral intention) X5: penggunaan aktual (actual system use). 2.3 Analisis Data Penelitian Analisis data penelitian ini menggunakan pendekatan statistik yaitu : uji asumsi yang meliputi uji normalitas dan uji linieritas, serta uji hipotesis. Sebelum data dianalisis mengunakan analisis product moment, data hasil penelitian harus diuji normalitas distribusi datanya dengan menggunakan metode Kolmogorov - Smirnov. Menurut Suseno (2010), jika signifikansi yang ditunjukan oleh output Kolmogorov - Smirnov berada di atas 0,05 (signifikansi > 0,05), maka data berdistribusi normal. Sebaliknya, jika signifikansi yang ditunjukan oleh output Kolmogorov - Smirnov berada di bawah 0,05 (signifikansi < 0,05), maka data berdistribusi tidak normal. Uji linieritas dimaksudkan untuk menguji apakah hubungan yang terjadi antara variabel bebas dan variabel terikat bersifat linier atau tidak. Uji linearitas dalam pelaksanaannya Seminar Nasional Matematika, Sains dan Informatika 2015

465

Prosiding

ISBN 978-602-18580-3-5

menggunakan pendekatan analisis varians, dengan ketentuan jika hasil p < 0,05 maka data dinyatakan linier, tetapi jika hasil p > 0,05 maka data dinyatakan tidak linier (Suseno, 2010). Metode uji hipotesis yang dipergunakan oleh penulis adalah model korelasi product moment dari Pearson. Metode korelasi product moment ini dipilih karena dirancang untuk mengetahui korelasi parametrik antara variabel bebas (layanan teknologi informasi UIN Sunan Kalijaga) dengan variabel tergantung (tingkat kepuasan). Adapun kaidah dari metode korelasi product moment menurut Suseno (2010) adalah, jika hasil p < 0,05 maka hipotesis dinyatakan diterima, tetapi jika hasil p > 0,05 maka hipotesis dinyatakan ditolak. Menurut (Sarwono, 2013) korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut independen. Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala ordinal. Kuat lemah hubungan diukur menggunakan jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat hubungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) positif.

Sebaliknya. jika

koefesien korelasi

diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis mengenai signifikansi antar variabel yang dikorelasikan, karena kedua Seminar Nasional Matematika, Sains dan Informatika 2015

466

Prosiding

ISBN 978-602-18580-3-5

variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempunyai hubungan sangat kuat dengan variabel Y. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut. Korelasi antar variabel dalam penelitian ini disajikan dalam gambar 1. Layanan

Akses Internet

Sistem Informasi Perpustakaan Tingkat Kepuasan Sistem Informasi Akademik

Sistem Informasi Registrasi

Gambar 1 Korelasi layanan terhadap tingkat kepuasan 3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 Profil responden Responden pada penelitian ini sebanyak 120 orang. Sedangkann profilnya digambarkan dalam klasifikasi berdasarkan jenis kelamin, usia, semester, dan fakultas. Profil responden penelitian ini disajikan dalam tabel 1.

Tabel 1 Profil repsonden Seminar Nasional Matematika, Sains dan Informatika 2015

467

Prosiding

Profil Jenis Kelamin Usia (tahun)

Semester

Fakultas

ISBN 978-602-18580-3-5

Klasifikasi Pria Wanita Tidak mencantumkan 18 19 20 21 22 24 Tidak mencantumkan 1 3 5 7 9 Adab dan Ilmu Budaya Sains dan Teknologi Ilmu Tarbiyah dan Keguruan Syariah dan Hukum Sosial dan Humaniora Dakwah dan Komunikasi Ekonomi dan Bisnis Islam Ushuluddin dan Pemikiran Islam

Frekuensi 48 72 4 22 45 24 16 8 1 2 23 59 27 8 1 16 3 22 17 22 12 16 12

Persentasi (%) 40.00 60.00 3.33 18.33 37.50 20.00 13.33 6.67 0.83 1.67 19.17 49.17 22.50 6.67 0.83 13.33 2.50 18.33 14.17 18.33 10.00 13.33 10.00

Jumlah 120 120

120

120

3.2 Analisis Hasil Penelitian 3.2.1 Uji Validitas dan Reliabilitas Sebelum hasil kuesioner diolah dengan analisis korelasi, kuesioner tersebut harus valid dan reliabel. Sehingga harus diuji validitas dan reliabilitas terlebih dahulu. Uji validitas dilakukan untuk mengetahui keabsahan masing-masing item kuesioner dari masing-masing variabel. Uji validitas yang digunakan yaitu menggunakan uji korelasi product moment. Suatu item kuesioner dapat dikatakan valid ketika nilai sig dalam SPSS kurang dari 0.05. Berdasarkan perhitungan terlihat bahwa semua item mempunyai nilai 0,000, sehingga dapat disimpulkan semua valid dan dapat dilanjutkan kepada analisis selanjutnya. Sedangkan uji reliabilitas yang digunakan adalah jenis cronbach alpha. Suatu instrumen penelitian dapat dikatakan reliabel jika nilai cronbach alpha yang didapatkan lebih besar dari 0,5. Nilai Cronbach Alpha pada variabel kemanfaatan, kemudahan penggunaan, sikap untuk terus menggunakan, penggunaan yang menunjukan keinginan dan penggunaan aktual masingmasing sebesar 0,951, 0,869, 0,954, 0,860, dan 0,802. Semuanya lebih besar dari 0,5. Hal ini menunjukan bahwa kelima variabel tersebut aktual reliabel. Seminar Nasional Matematika, Sains dan Informatika 2015

468

Prosiding

ISBN 978-602-18580-3-5

3.2.2 Uji Normalitas dan Linearitas Berdasarkan perhitungan olah data didapatkan bahwa nilai kolmogorov-smirnov untuk variabel kemanfaatan, kemudahan penggunaan, sikap untuk terus menggunakan, penggunaan yang menunjukan keinginan dan penggunaan aktual masing-masing berturut-turut 0,061, 0,066, 0,068, 0,065 dan 0,060. Semuanya lebih besar dari 0,05 sehingga dapat disimpulkan semua variabel terdistribusi normal. Sedangkan nilai signifikan linearitas antar variabel, terlihat nilai sig antar variabel semua kurang dari 0,05 sehingga bisa di simpulkan bahwa hubungan antar setiap faktor adalah linier. 3.2.3 Uji Korelasi Tabel 2 Nilai signifikansi (nilai sig) korelasi antar variabel Variabel

X1

X1

X2

X3

X4

X5

0.001

0.126

0.887

0.891

0.272

0.386

0.036

0.711

0.353

X2

0.001

X3

0.126

0.272

X4

0.887

0.386

0.711

X5

0.891

0.036

0.353

0.142 0.142

Berdasar tabel 2 nilai signifikan (nilai sig) korelasi antara variabel kemanfaatan dengan variabel kemudahan penggunaan adalah 0,001. Sedangkan nilai signifikan (nilai sig) korelasi antara variabel kemudahan penggunaan dengan variabel penggunaan aktual adalah 0,036. Keduanya bernilai < 0,05 sehingga dapat dijustifikasi bahwa variabel kemanfaatan dengan variabel kemudahan penggunaan saling berkorelasi dan variabel kemudahan penggunaan dengan variabel penggunaan aktual juga saling berkorelasi. Sedangkan nilai signifikan antara variabel-variabel yang lain lebih dari 0,05 sehingga dapat dijustifikasi antar variabel-variabel tersebut tidak saling berkorelasi. 3.3 Analisis Tingkat Kepuasan Layanan yang menjadi objek penelitian ini dibatasi pada 4 (empat) layananan yaitu layanan akses Internet, layanan sistem informasi perpustakaan, layanan sistem informasi akademik dan layanan sistem informasi registrasi. Hasil perhitungan tingkat kepuasan terhadapa layanan teknologi informasi disajikan dalam tabel 1 dan gambar 1. Tabel 1 Tingkat kepuasan terhadap layanan teknologi informasi No

Layanan Tidak Puas


Tingkat Kepuasan Netral

Puas 469

Prosiding

ISBN 978-602-18580-3-5

1.

Akses Internet

2.

Sistem Informasi Perpustakaan Sistem Informasi Akademik Sistem Informasi Registrasi

3. 4.

Freq 13

Percent 10.8

Freq 85

Percent 70.8

Freq 22

Percent 18.3

1

0.8

89

74.2

30

25.0

13

10.8

81

67.5

26

21.7

13

10.8

90

75.0

17

14.2

Berdasar tabel 1 dan gambar 1 dapat dilihat bahwa tingkat kepuasan terhadap keempat layanan tersebut sebagian besarnya pada posisi netral. Layanan akses Internet terlihat bahwa mayoritas mahasiswa UIN Sunan Kalijaga tingkat kepuasannya pada posisi netral yaitu sebanyak 85 orang atau 70,8 %, untuk posisi puas sebanyak 22 orang yang paling sedikit adalah mahasiswa tidak puas yaitu sebanyak 13 orang. Layanan kriteria perpustakaan terlihat bahwa mayoritas mahasiswa UIN Sunan Kalijaga tingkat kepuasan nya pada posisi netral yaitu sebanyak 89 orang atau 74,2 %, untuk posisi puas sebanyak 30 orang yang paling sedikit adalah mahasiswa tidak puas yaitu sebanyak 13 orang. Layanan Sistem Informasi Akademik terlihat bahwa mayoritas mahasiswa UIN Sunan Kalijaga tingkat kepuasan nya pada posisi netral yaitu sebanyak 81 orang atau 67,5 %, untuk posisi puas sebanyak 26 orang atau 21,7% yang paling sedikit adalah mahasiswa tidak puas yaitu sebanyak 13 orang atau 10,8%. Layanan kriteria registrasi terlihat bahwa mayoritas mahasiswa UIN Sunan Kalijaga tingkat kepuasan nya pada posisi netral yaitu sebanyak 90 orang atau 75,0 %, untuk posisi puas sebanyak 17 orang yang paling sedikit adalah mahasiswa tidak puas yaitu sebanyak 13 orang.

Tingkat Kepuasan 100

Netral

50

Puas

0

Tidak Puas

Gambar 1 Grafik tingkat kepuasan terhadap layanan teknologi informasi 4. KESIMPULAN


470

Prosiding

ISBN 978-602-18580-3-5

Berdasarkan hasil analisis dan pembahasan pada bab sebelumnya maka dalam penelitian ini dapat ditarik kesimpulan sebagai berikut: 1. Variabel kemanfaatan dengan variabel kemudahan penggunaan dan variabel kemudahan penggunaan dengan penggunaan aktual yang saling berkolerasi. Sedangkan antar variabel-variabel lain tidak saling berkorelasi. 2. Tingkat kepuasan mahasiswa UIN Sunan Kalijaga terhadap layanan teknologi informasi berada di posisi netral atau sedang.

Kontribusi Penelitian ini dapat memberi kontribusi bagi pengelola layanan Teknologi Informasi, dalam hal ini Pusat Teknologi Informasi dan Pangkalan Data (PTIPD) UIN Sunan Kalijaga Yogyakarta untuk terus melakukan peningkatan layanan dan inovasi Teknologi Informasi. Peningkatan layanan dan inovasi diharapkan dapat meningkatkan tingkat kepuasan civitas akademika dan memberi kemudahan dalam administrasi akademik. Penelitian selanjutnya disarankan untuk menambah cakupan layanan dan meningkatkan cakupan responden yang tidak hanya mahasiswa tetapi juga dosen dan karyawan.

DAFTAR PUSTAKA Anwar, Saiful. (2011). Reliabilitas dan Validitas. Yogyakarta: Pustaka Pelajar. Sarwono, Jonathan, 2013, Korelasi, diakses dari http://www.jonathansarwono.info/korelasi/ korelasi.htm tanggal 29 Nopember 2013. Arikunto, Suharsimi. (2010). Prosedur Penelitian Suatu Pendekatan Praktik. Yogyakarta: Rineka Cipta. Azwar, Saifuddin. (2009). Metode Penelitian. Yogyakarta:Pustaka Pelajar. Effendi, Sofian dan Masri, Singarimbun. (2001). Metode Penelitian Survei. Edisi ketiga. Jakarta: LP3ES. Nursalam. (2003). Konsep dan Penerapan Metodologi Penelitian dalam Ilmu Keperawatan. Jakarta: Salemba Medika. Salim, Peter. Yenny Salim, (1991). Kamus Besar Bahasa Indonesia Kontemporer. Jakarta: Modern Lish Press Stanislaus S Uyanto. (2006). Pedoman Analisis Data dengan SPSS. Yogyakarta: Graha Ilmu. Sugiyono. (2009). Metode Penelitian Kuantitatif kualitatif R&D. Bandung: CV Alfabeta Sugiyono. (2011). Statistika untuk Penelitian. Bandung: CV Alfabeta. Suseno, M. N. (2011). Handout Statistika. Yogyakarta: Program Studi Psikologi Fakultas Ilmu Sosial dan Humaniora UIN Sunan Kalijaga. Suseno, M. N. (2010). Pedoman Praktikum Statistika. Yogyakarta: Laboraturium Psikologi Fakultas Ilmu Sosial dan Humaniora UIN Sunan Kalijaga. Seminar Nasional Matematika, Sains dan Informatika 2015

471

PENGEMBANGAN MODEL BLENDED E-LEARNING BERBASIS SCORM-LMS TERHADAP MOTIVASI DAN PRESTASI BELAJAR MAHASISWA Agustinus Lambertus Suban, Maria Florentina Rumba Teknik Informatika –Universitas Nusa Nipa Maumere

Informatics Engineering Department is one of the flagship department and has the most students at the Nusa Nipa University, every year graduated from high school students' interest to enter This course has increased. Coverage of the material in each course so dense that require the allocation of more time in order to complete the lesson. This is an obstacle for the allocation of limited time and material representation model in print instructional materials that are difficult to understand, the amount of charge on the subject matter so that it becomes a barrier for students to understand the material and students' motivation to decrease. Through blended learning models (combined direct face to face learning in the classroom and elearning) based on SCORM (Sharable Content Object Reference Model) and LMS (Learning Management System), the learning process is not just limited to the classroom but outside the classroom can be developed without hindered by space and time. This research is expected to be a solution in increasing motivation and competence of students in courses of Informatics Engineering Department. ABSTRACT.

Keywords: Model Blended e-learning, SCORM–LMS, Motivtion. 1. PENDAHULUAN Program Studi Teknik Informatika merupakan salah satu Program studi unggulan dan memiliki mahasiswa terbanyak pada Universitas Nusa Nipa, dari tahun ke tahun minat siswa tamatan SLTA untuk masuk program studi ini mengalami peningkatan. Program studi ini memiliki 45 mata kuliah wajib dan 11 mata kuliah peminatan, cakupan materi pada tiap mata kuliah sangat padat sehingga memerlukan alokasi waktu yang lebih banyak agar pembelajarannya tuntas. Hal ini menjadi kendala karena alokasi waktu yang sangat terbatas dan model representasi materi pada bahan ajar cetak yang sulit dipahami sehingga hal tersebut menjadi penghambat bagi mahasiswa dalam memahami materi. Berkaitan dengan mata kuliah di Program studi Teknik Informatika, karena tingkat kesulitan yang cukup tinggi dan banyaknya muatan materi pada mata kuliah di Program studi ini menjadikan motivasi belajar mahasiswa menjadi rendah. Mahasiswa merasa bahwa mata kuliah dalam program studi ini susah dipelajari dan cakupan materinya cukup banyak yang berakibat pada menurunnya motivasi dan semangat belajar. Melalui model blended learning (kombinasi Seminar Nasional Matematika, Sains dan Informatika 2015

472

Prosiding

ISBN 978-602-18580-3-5

pembelajaran tatap muka secara langsung di ruang kelas dan e-learning) berbasiskan SCORM (Sharable Content Object Reference Model) dan LMS (Learning Management System), proses pembelajaran tidak hanya terbatas di kelas melainkan dapat dikembangkan di luar kelas tanpa terhalang oleh ruang dan waktu. Metode pembelajaran yang selama ini dilakukan adalah dengan metode pembelajaran di kelas dan di Laboratorium yaitu dengan ceramah, diskusi, praktikum dan latihan mengerjakan soal. Akan tetapi karena fasilitas laboratorium yang ada saat ini belum memadai serba terbatas dan banyaknya materi yang harus disampaikan, metode pembelajaran kuliah di kelas dengan media pembelajaran sering kali tidak dapat diimplementasikan dengan baik. Pengajar lebih memfokuskan pada pencapaian materi yang dibebankan pada SAP dan silabus. Penelitian ini diharapkan dapat memberi sumbangan untuk memberikan solusi dalam meningkatkan motivasi dan kompetensi mahasiswa pada Program Studi Teknik Informatika karena program studi ini juga merupakan salah satu program studi unggulan dan memiliki mahasiswa terbanyak pada Universitas Nusa Nipa (Unipa). Permasalahan-permasalahan seperti yang telah dikemukan di atas memerlukan usaha penyelesaian yang tidak mudah untuk dilakukan. Penelitian ini diharapkan dapat memberi sumbangan untuk memberikan solusi dalam meningkatkan motivasi dan kompetensi mahasiswa pada Program Studi Teknik Informatika. Berdasarkan pengamatan, motivasi mahasiswa untuk memiliki sarana penunjang perkuliahan seperti laptop, notebook, juga mengalami peningkatan yang cukup signifikan. Hal ini menjadi sebuah dukungan dalam pembelajaran. Melalui Model Blended Learning (kombinasi pembelajaran tatap muka secara langsung di ruang kelas dan elearning) berbasiskan SCORM (Sharable Content Object Reference Model) dan LMS (Learning Management System) proses pembelajaran tidak hanya terbatas di kelas melainkan dapat dikembangkan di luar kelas tanpa terhalang oleh ruang dan waktu. 2. TINJAUAN PUSTAKA 2.1 e-learning: Zaharias (2007), Mengembangkan metode evaluasi kegunaan kuesioner berbasis aplikasi elearning. Metode ini memperluas praktek saat ini dengan berfokus bukan hanya pada pertimbangan kognitif, tetapi juga afektif yang dapat mempengaruhi kegunaan e–learning, Hasil penelitian ini memberikan bukti yang signifikan untuk keandalan dan validitas metode, Seminar Nasional Matematika, Sains dan Informatika 2015

473

Prosiding

ISBN 978-602-18580-3-5

sehingga praktisi kegunaan dapat menggunakannya dengan keyakinan saat mengevaluasi desain aplikasi e-learning. Kusumaputri (2012), mengidentifikasi Critical Success Factors (CSF) Model terhadap implementasi e-learning di perguruan tinggi Islam dan untuk mengusulkan strategi yang diperoleh dari perspektif holistik, konsultatif, dan emansipatori. Menurut Maria (2007), Meskipun konsep e-learning menawarkan banyak manfaat dan keunggulan, tetapi dalam penerapannya bukan merupakan hal yang mudah. Berbagai kendala yang dihadapi tentu harus diatasi untuk mencapai manfaat dan keunggulan tersebut. Survei yang dilakukan pada tiga Perguruan Tinggi terhadap 300 mahasiswa menunjukkan hasil bahwa perilaku manusia (mahasiswa) yang mencakup komitmen, kedisiplinan, dan kemandirian sudah cukup mendukung untuk penerapan e-learning. Tetapi secara khusus pihak pengelola perlu mencermati aspek kemandirian karena beberapa indikator masih belum menunjukkan dukungan seperti yang diharapkan. 2.2 Model Blended E–learning: Forer dan Mitchell (2010), menggunakan blended e-learning pada tahun pertama mahasiswa Jurusan Geografi di Universitas Auckland, meneliti bagaimana mahasiswa menggunakan elearning dibandingkan mekanisme pembelajaran tradisional, bagaimana mekanisme e-learning telah mempengaruhi perilaku belajar mereka dan lebih menarik.

Wills (2006), Untuk

menerapakan Blended e-learning di Universitas Wollongong diperlukan rencana yang strategis dengan menggunakan 5 faktor kunci yaitu Strategi, Structure, Management processes, Roles and skills, Technology. Sementara itu, istilah blended learning dipergunakan untuk mendeskripsikan suatu situasi pembelajaran yang menggabungkan beberapa metode penyampaian yang bertujuan untuk memberikan pengalaman yang paling efektif dan efisien. (Harriman (2004) dan Williams, (2003). Kombinasi yang dimaksud dapat berupa gabungan beberapa macam teknologi pengajaran, misalnya video, CD-ROM, film, atau internet dengan pengajaran tatap muka (face to face) yang dilakukan oleh dosen/pendidik. 2.3 SCROM dan LMS: SCORM (Shareable Content Object Reference Model) adalah standar pendistribusian paket e–learning yang dapat digunakan untuk menampung berbagai spesifikasi dan standar untuk konten e–learning berbasis web dengan mengacu pada interoperability, accesibility,dan reusability

Rice (2010). Tujuan dari SCORM adalah sebuah

upaya

untuk

mulai

menyeragamkan pengembangan sistem e–learning berbasiskan teknologi web yang disebut Seminar Nasional Matematika, Sains dan Informatika 2015

474

Prosiding

ISBN 978-602-18580-3-5

Learning Management Systems (LMS). Beberapa kelebihan Learning Management System Berbasis Blended e-learning menurut Mohammad (2013) yaitu : (a) Meningkatkan kadar interaksi

pembelajaran

antara

peserta

didik

dengan

guru

atau instruktur (enhance

interactivity); (b) Memungkinkan terjadinya interaksi pembelajaran dari mana dan kapan saja (time and place flexibility); (c) Menjangkau peserta didik dalam cakupan yang luas (potential to reach a global audience); (d) Mempermudah penyempurnaan dan penyimpanan materi pembelajaran (easy updating of content as well as archivable capabilities). Beberapa hasil penelitian di beberapa negara tentang keberhasilan penggunaan Learning Management System (LMS) berbasis Blended e-learning, khususnya di negara maju, yang dikutip dari Wawan Setiawan (2012). Saat ini hampir seluruh program distance learning di Amerika, Australia, dan Eropa dapat juga diakses melalui Internet. Studi yang dilakukan oleh Amerika, sangat mendukung dikembangkannya Blended e-learning, menyatakan bahwa computer based learning sangat efektif, memungkinkan 30% lebih baik, 40% waktu lebih singkat, dan 30% biaya lebih murah. Ali, (2007). Tujuan Penelitian : 1. Mengembangkan Model blended learning Berbasis SCORM-LMS untuk mengetahui Motivasi dan Prestasi Belajar Mahasiswa Pada Program Studi Teknik Informatika 2. Mengukur motivasi dan prestasi mahasiswa terhadap penerapan model blended e-learning pada mata kuliah di Program Studi Teknik Informatika 3. Mengetahui manfaat yang akan didapat dengan diimplementasikan model blended learning bagi mahasiswa, dosen dan Program Studi.

3. METODE PENELITIAN

Penelitian ini dilakukan di Program Studi Teknik Informatika Universitas Nusa Nipa yang dilaksanakan pada semester gasal Tahun Akademik 2013/2014 dengan alokasi waktu 6 bulan, terhitung dari bulan Februari 2014 – Juli 2014. Dalam penelitian ini dilakukan beberapa langkah dalam penelitian : 1. Persiapan penelitian 2. Kajian terhadap model blended learning (Kombinasi antara pembelajaran di ruang kelas, ruang laboratorium dan e-learning) Seminar Nasional Matematika, Sains dan Informatika 2015

475

Prosiding

3. Kajian

ISBN 978-602-18580-3-5

terhadap

sistem

pembelajaran

di

Program Studi Teknik Informatika

(Pembelajaran di kelas, di ruang , dan e-learning) 4. Digitalisasi materi mata kuliah yang ada di Program Studi Teknik Informatika untuk diimplementasikan pada sistem e-learning. 5. Pengembangan media pembelajaran mata kuliah yang ada pada Program Studi Teknik Informatika pada sistem e-learning 6. Implementasi pembelajaran di ruang kelas, ruang laboratorium, dan e-learning 7. Analisis data dan evaluasi. Teknik pengumpulan data dilakukan melalui beberapa cara yaitu : 1) Observasi langsung terhadap proses pembelajaran dengan model blended learning (pembelajaran di kelas, di laboratorium, dan e-learning). 2) Merecord aktivitas belajar mahasiswa pada sistem e-learning dan membuat laporan yang dapat dilihat secara menyeluruh. 3). Mengadakan interview dengan mahasiswa dan dosen yang berkaitan. 4) Membuat instrumen penelitian berupa pedoman wawancara dan kuisioner terhadap pengaruh pembelajaran blended learning terhadap motivasi dan hasil belajar mahasiswa pada mata kuliah yang ada di Program Studi Teknik Informatika. 5) Melakukan tes kepada mahasiswa untuk melihat kondisi awal mahasiswa (pre test) pada pada akhir siklus (post test) setiap siklus. 4. HASIL PENELITIAN DAN PEMBAHASAN Dalam upaya meningkatkan kualitas pembelajaran, program studi Teknik Informatika membangun sistem e-learning diimplementasikan dengan pembelanjaran online menggunakan SCORM-LMS. Sistem e-learning ini telah berfungsi sebagimana mestinya dan dapat diakses melalui URL : http://e-learning-unipa.net Dengan adanya sistem e-learning ini para dosen dapat mengelola materi perkuliahan, yakni : membuat silabus, mengupload perkuliahan, memberikan tugas kepada mahasiswa, menerima upload pekerjaan mahasiswa, membuat tes/quiz, memberikan nilai, memonitor keaktifan mahasiswa, mengolah nilai mahasiswa, berinteraksi dengan mahasiswa dan sesama dosen melalaui forum diskusi dan chat, serta menggunakan fasilitas-fasilitas yang ada pada sistem elearning. Untuk mahasiswa dapat mengakses informasi dan materi kuliah, dapat berinteraksi dengan sesama mahasiswa dan dosen, mengerjakan tes/quiz, mengirimkan tugas perkuliahan, melihat pencapaian hasil belajar, dan juga menggunakan fasilitas yang ada pada sistem eSeminar Nasional Matematika, Sains dan Informatika 2015

476

Prosiding

ISBN 978-602-18580-3-5

learning. Salah satu keuntungan bagi dosen yang membuat mata kuliah online berbasis LMS adalah kemudahan. Hal ini karena dosen tidak perlu mengetahui sedikitpun tentang pemrograman web, sehingga waktu dapat dimanfaatkan lebih banyak untuk memikirkan konten (isi) pembelajaran yang akan disampaikan. Tampilan halaman depan dari e-learning dapat dilihat pada Gambar 1 di bawah ini :

Gambar 1: Tampilan awal e-learning Program Studi Teknik Informatika Ketika user / pengguna memilih menu Proram Studi Teknik Informatika maka tampilan berikutnya adalah list mata kuliah yang ada pada program studi seperti ditampilkan pada Gambar 2 sebagai berikut.

Gambar 2: Tampilan Mata Kuliah Program Studi Teknik Informatika Pengembangan Media Pembelajaran Mata Kuliah Yang Ada pada Program Studi Teknik Informatika Pada

Sistem e-learning. Pada tahap ini dilakukan pengembangan media

pembelajaran e-learning dengan model blended learning berbasis SCORM-LMS. Dosen dapat mengecek aktivitas mahasiswa berdasarkan waktu (hari), berdasar topik yang ada atau berdasar kegiatan lain yang dikembangkan. Adapun rekaman aktivitas pengguna baik mahasiswa dan dosen pada e-learning dapat terlihat seperti Gambar 3 berikut. Seminar Nasional Matematika, Sains dan Informatika 2015

477

Prosiding

ISBN 978-602-18580-3-5

Gambar 3: Daftar rekaman aktivitas pengguna pada e-learning dan Chating/ diskusi antara dosen dan maahsiswa ANALISIS DATA DAN EVALUASI a. Hasil Kuisioner Pengukuran pengaruh dan dampak pembelajaran model blended learning terhadap peningkatan motivasi mahasiswa dilakukan tidak hanya melalui pengamatan langsung dan laporan aktivitas pada e-learning melainkan juga menggunakan instrument kuisioner kepada mahasiswa. Kuisioner ini digunakan untuk mengukur 3 aspek pengaruh penggunaan model pembelajaran blended learning terhadap motivasi belajar, peningkatan interaksi dan kemanfaatannya bagi mahasiswa. Berdasarkan kuisioner kepada mahasiswa yang menambil mata kuliah Model dan Simulasi, diperoleh data seperti ditunjukan pada Tabel 1.

Tabel 1: Hasil Kuisioner Mata Kuliah Model Dan Simulasi N o

1

Aspek

Kemanfaata n Interaksi

Jmlh Item

10

Jmlh mhs

30

Skor rerat a 3,2

Jumlah Responden Yang Menilai Tida kuran k g 0 2

bai k 5

sanga t 23

Total Rspond n

Presentase baik

sangat

30

16,7 76,67 % % 2 10 30 3,6 0 1 8 21 30 26,7 70,00 % % 3 Motivasi 10 30 3,8 0 1 10 19 30 33,3 63,33 % % Hasil kuisioner terhadap mahasiswa menunjukkan bahwa penerapan model blended learning ternyata memberikan kemanfaatan yang tinggi dengan skor 3,5 atau 76,67 % menyatakan sangat bermanfaat. Hal ini juga terjadi pada aspek interaksi dengan hasil 3,4 atau 70 % serta motivasi yang mencapai skor 3,8 atau 76,0 %. Hal ini

berarti mahasiswa merasakan terjadinya

peningkatan motivasi, kemanfaatan dan kualitas interaksi dengan menggunakan pembelajaran Seminar Nasional Matematika, Sains dan Informatika 2015

478

Prosiding

ISBN 978-602-18580-3-5

model blended learning. Berdasarkan kuisioner kepada mahasiswa yang mengambil mata kuliah Lingkungan Pemrograman Visual diperoleh data seperti yang terdapat pada tabel 2 berikut: Tabel 2 Hasil Kuisioner Mata Kuliah Lingkungan Pemrograman Visual (LPV) No

Aspek

Jmlh Item

1 2 3

Kemanfaatan Interaksi Motivasi

10 10 10

Jmlh Skor mhs rerata 35 35 35

3,2 3,6 3,4

Jumlah Responden Yang Total Presentase Menilai Rspond Tidak kurang baik sangat n baik sangat 0 0 9 26 35 25,7% 74,2% 0 0 10 25 35 28,6% 71,4% 0 1 6 28 35 17,1% 80,0%

Untuk mengukur pengaruh model pembelajaran blended learning terhadap

hasil

belajar

mahasiswa dilakukan melalui tes (pre test dan post test). Pre tes dilakukan pada saat sebelum dilakukan tindakan penerapan model blended learning, sedangkan post tes dilakukan setelah mahasiswa melakukan treatmen menggunakan model blended learning. Untuk menghindari bias dalam pengukuran, maka soal pre test dan post test di buat berbeda disesuaikan dengan topik yang sudah diajarkan. Hasil pre tes menunjukkan rata-rata mahasiswa mencapai nilai rerata 55,2. Nilai rata-rata mahasiswa masih berada jauh di bawah standar yang ditetapkan yaitu 75,0. Mahasiswa yang mencapai nilai di atas 75,0 jumlahnya 25% dari total mahasiswa yang diuji. Nilai antara 51 s.d 74 hanya 10,2%, sedangkan mahasiswa yang memperoleh nilai di bawah 50 sebesar 64,8%, dengan kata lain sebagain besar mahasiswa belum mencapai nilai tuntas. Hasil post tes menunjukkan peningkatan nilai yang cukup signifikan dengan rerata 80,2. Walaupun masih ada beberapa mahasiswa yang mendapatkan nilai kurang dari 70 akan tetapi prosesentasinya sebesar 5,2 %. Berdasarkan uraian di atas, penerapan atau implementasi model blended learning pada mata kuliah Model Dan Simulasi

pada pembelajaran di kelas dan e-learning sudah dapat

direalisasikan. Implemntasi model blended learning pada mata kuliah Lingkungan Pemrograman visual pada pembelajaran di Laboratoriumdan e-learning juga sudah dapat direalisasikan. Penilaian berdasarkan 10 item yaitu Validasi pada halaman login, Akses Materi Kuliah/Download, Akses Tugas, Pengumuman (nilai mata kuliah dan info akademik), mengerjakan

Latihan

soal,

mengirim

Tugas/Upload,

Mengikuti

diskusi,

sharing

informasi/Forum, Update Profil Mahasiswa sebagai user, Update materi Kuliah berdsarkan tanggal/sesie pertemuan. Seminar Nasional Matematika, Sains dan Informatika 2015

479

Prosiding

ISBN 978-602-18580-3-5

5. KESIMPULAN Berdasarkan hasil penelitian, perancangan e-learning, uji coba penggunnannya terhadap beberapa mata kuliah, analisa kuisioner dan mengamati keaktivan pengguna dalam al ini dosen dan mahasiswa, maka dapat ditarik kesimpulan sebagai berikut: 1. Adanya peningkatan motivasi belajar mahasiswa terhadap penerapan model blended learning pada mata kuliah Model dan simulasi dan Lingkungan Pemrograman Visual yang ditunjukkan dengan tingkat kehadiran mahasiswa di kelas, frekuensi belajar dan keaktifan mahasiswa dalam diskusi, bertanya dan memberikan masukan. 2. Penerapan model blended learning pada mata kuliah Model dan Simulasi dan mata kuliah Lingkungan Pemrograman Visual memberikan manfaat yang signifikan terhadap motivasi mahasiswa. 3. Terjadi peningkatan hasil belajar mahasiswa pada mata kuliah Model dan simulasi dan Lingkungan pemrograman Visual arena mahasiswa mampu mengoptimlkan semua fasilitas yang terdapat pada e-learning yakni, forum diskusi online, chating, pengumpulan tugas secara online dan ujian secara online. 4. Proses perkuliahan lebih fleksibel dan terbuka, dan penghematan terhadap penggunan krtas pada saat ujian dan penugasan. DAFTAR PUSTAKA Zaharias Panagiotis , 2007, Developing a Usability Evaluation Method for E-learning Applications: From Functional Usability to Motivation to Learn. Kusumaputri Erika, 2012, Program Holistik E-Learning Di Perguruan Tinggi Islam. Forer, Mitchel, 2010, Blended Learning: The Perceptions of First-year Geography Students, Journal of Geography in Higher Education, Vol. 34, No. 1, 77–89, February 2010. Wills Sandra, 2006, Proceedings of the 7th International Conference on Information T echnology Based Higher Education & Training, Sydney , July 2006 Harriman, G. (2004). What is Blended Learning? E-Learning Resources. http://www.grayharriman. com/blended_learning.htm, diakses tanggal 09 Februari 2015 Williams, S. (2003). Clerical medical feeds back on blended learning. Industrial and Commercial Training, 35(1), 22–25. Mohammad A. Alseweed, 2013, Students‘ Achievement and Attitudes Toward Using Traditional Learning, Blended Learning, and Virtual Classes Learning in Teaching and Learning at the University Level, Studies in Literature and Language, Vol. 6, No. 1, 2013, pp. 65-73, DOI:10.3968/j.sll.1923156320130601.1464 Seminar Nasional Matematika, Sains dan Informatika 2015

480

Prosiding

ISBN 978-602-18580-3-5

Setiawan, Wawan, 2012, Development of Personal Learning Network System To Build ELiteracy, IJCSI International Journal of Computer Science Issues, Vol. 9, Issue 2, No 1, March 2012, ISSN (Online): 1694-0814 Ali Muhamad, 2007, Analisis Dampak Implementasi Model Blended Learning (Kombinasi Pembelajaran Di Kelas Dan E-Learning) Pada Mata Kuliah Medan Elektromagnetik, Oktober, 2007 Martyn, M. (2003). The hybrid online model: Good practice. Educause Quarterly, 26(1), 18–23.


481

ANALISIS KINERJA PERANGKAT LUNAK KEAMANAN KOMPUTER Bambang Sugiantoro, S.Si., M.T.1 Yazid Ubaidilah, S.Kom.2 1,2 Program Studi Teknik Informatika UIN Sunan Kalijaga Yogyakarta Jl marsda adisucipto Yogyakarta ABSTRACT. Utilization of computers in almost every aspect of life we often see. But over time the security aspects in the exchange of information and data to be ignored even become mandatory aspect to make the exchange of information and data to be safe from people who are not interested. To answer these challenges, Suricata comes as one solution to reducing crime in the field of computer security is to make it as an alarm when the computer server where data and information are attacked.One computer crime is a DOS attack is to make a server serving multiple clients at one time that led to the use of bandwidth and computer memory quickly drained away. So when there is a client or other user who attempts to access the server can not receive the service server because the server was down. Having conducted more in-depth analysis of a series of views of the descriptive analysis of pre-test and post-test can be concluded that the Suricata IDS is able to reduce DOS attack. Keywords: Suricata, IDS, memory usage, DOS Attack 1. PENDAHULUAN Penggunaan media telekomunikasi memang memudahkan pekerjaan kita semua.Namun dari segudang kegunaannya tersimpan ancaman, gangguan dan dampak buruk yang terkadang tidak terpikirkan ketika kita menggunakan telekomunikasi.Teknologi telekomunikasi yang bisa diakses kapan saja dan di mana saja membuat pertukaran data dan informasi begitu mudahnya dilakukan oleh siapa saja.Bahkan tidak sedikit orang melakukan pencurian data dan informasi demi keuntungannya sendiri.Untuk mencegah terjadinya pengaksesan oleh orang yang tidak mempunyai wewenang sistem dapat diperkuat dari sisi keamanannya. Keamanan jaringan tergantung pada kecepatan pengatur jaringan dalam menindaklanjuti sistem saat terjadi gangguan. Untuk memperkuat keamanan jaringan komputer dapat diterapkan sistem pendeteksi serangan dalam jaringan tersebut. IDS (Intrusion Detection System) membantu administrator jaringan dalam memantau keadaan sistem dengan mendeteksi dan menganalisa lalu lintas paket-paket data yang terjadi pada jaringan. Suricata adalah salah satu IDS engine open source yang dirilis oleh OISF (Open Information System Foundation) organisasi non-profit yang didanai oleh pemerintahan Amerika Serikat. Dalam pengamatan penulis IDS snort paling banyak digunakan karena snort merupakan standard de facto IDS di dunia. Akan tetapi kemunculan Suricata sebagai IDS belum banyak Seminar Nasional Matematika, Sains dan Informatika 2015

482

Prosiding

ISBN 978-602-18580-3-5

dilakukan riset dalam dunia.Oleh karena itu, penulis mencoba melakukan riset kecil tentang Suricata IDS.Di mana penulis menitikberatkan pada penelitian bagaimana performa server sebelum dan sesudah adanya Suricata.Dalam hal ini pemakaian memori komputer yang menjadi tolok ukur. Berdasarkan latar belakang yang telah diuraikan sebelumnya, penulis mengambil rumusan masalah bagaimana kinerja server sebelum dan sesudah adanya Suricata IDS dalam menangani IP Flooding/DOS attack yang menguras memori komputer. 2. LANDASAN TEORI 2.1 IDS (Intrusion Detection System) Salah satu metode keamanan jaringan tersebut yaitu dengan IDS (Intrusion Detection System) dan IPS (Intrusion Prevention System). Menurut Dr. Natarajan Meghanathan professor di Jackson State University menyatakan bahwa IDS (Intrusion Detection System) adalah layaknya alarm di dunia nyata. Tugas utama dari sebuah IDS yaitu mengidentifikasi aktivitas mencurigakan ataupun aktivitas yang merugikan sistem, bukan aktivitas normal. Selain itu juga mampu mengklasifikasikan aktivitas tersebut dan jika memungkinkan IDS dapat merespon aktivitas itu. Ada beberapa alasan untuk memasang IDS di sistem : 1. Untuk mencegah masalah yang disebabkan adanya peningkatan resiko ditemukannya lubang keamanan. 2. Untuk mendeteksi serangan dan masalah keamanan lainnya yang tidak bisa dicegah oleh alat keamanan lainnya. 3. Untuk mendokumentasikan ancaman yang telah terdeteksi. 4. Bertindak sebagai quality control untuk administrasi dan desain keamanan, khususnya untuk organisasi skala besar dan kompleks. 5. Untuk menyediakan informasi yang berguna tentang serangan dimana hal itu terjadi, mengizinkan diagnose yang lebih mendalam, upaya pemulihan sistem dan pembenaran faktor kausatif. IDS merupakan sebuah sistem komputer yang dapat dipadukan antara hardware dan software yang bekerja secara bersama-sama yang dapat mengenali adanya penyusupan pada sebuah jaringan. Beberapa komponen dari sebuah IDS yaitu : Seminar Nasional Matematika, Sains dan Informatika 2015

483

Prosiding

ISBN 978-602-18580-3-5

a. Analysis engine :melakukan pengujian terhadap trafik jaringan dan membandingkannya dengan pola aktivitas mencurigakan atau merugikan di dalam database engine. Komponen ini sering disebut ―otak‖ dari sebuah IDS. b. Traffic collector (sensor) : mengumpulkan aktivitas atau even dari IDS untuk dilakukan pengujian. Untuk sebuah HIDS (Host-based Intrusion Detection System) bisa berupa file-file log, log audit, atau trafik yang datang ataupun yang keluar dari sistem. Sedangkan untuk NIDS (Network-based Intrusion Detection System) bisa berupa trafik jaringan yang tertangkap oleh sebuah sniffer. c. Signature database :sebuah kumpulan pola dan definisi dari aktivitas mencurigakan atau merugikan. d. User interface and reporting : tampilan yang menyajikan alert dan memberikan interaksi kepada pengguna untuk mengoperasikan IDS tersebut. Berikut gambar komponen IDS dari Conklin and White dalam karyanya yang berjudul Principles of Computer Security, 2ndEdition :

Gambar 2.1 Komponen IDS Dilihat dari kemampuan IDS dalam hal mendeteksi serangan atau upaya penyusupan di dalam jaringan, maka IDS terbagi menjadi dua yaitu : 1. NIDS (Network-based Intrusion Detection System) yaitu IDS yang menguji aktivitas trafik yang melewati jaringan dengan mengumpulkan paket-paket data lalu dianalisa apakah paket tersebut merupakan paket normal atau paket serangan. NIDS biasanya diletakkan di bagian penting jaringan seperti di server atau pintu masuk jaringan. Seminar Nasional Matematika, Sains dan Informatika 2015

484

Prosiding

ISBN 978-602-18580-3-5

2. HIDS (Host-based Intrusion Detection System) yaitu IDS yang hanya memantau aktivitas jaringan di sistem individu dan tidak mempedulikan sistem lain atau jaringan itu. HIDS sering diletakkan di firewall, web server atau server yang terhubung langsung dengan internet. 3. METODE PENELITIAN Penelitian ini termasuk jenis penelitian laboratorium (Laboratory-based research), yaitu penelitian kuantitatif dalam pengumpulan data dengan cara eksperimen.Eksperimen bertujuan untuk menumbuhkan variabel-variabel dan selanjutnya dikontrol untuk dilihat efektivitas dari Suricata IDS dalam menangani adanya upaya serangan dari attacker berupa DOS attack. Pengukuran keefektivitasan dari Suricata dilihat dari besarnya penggunaan memori komputer dalam hal menangani serangan tersebut. Yaitu dengan cara membandingkan hasil dari pengukuran memori sebelum dan sesudah diinstall Suricata ke dalam server. Sebelum melakukan pengujian, terlebih dahulu merancang ruang lingkup penelitian yaitu desain jaringan yang akan digunakan. Berikut rancangan jaringan penelitian :

Gambar 3.1 Arsitektur Penelitian Komputer yang digunakan sebagai server diuji terlebih dahulu dengan software aplikasi DOS bawaan Kali Linux OS yaitu Siege.Pengujian ini dilakukan selama 5 kali berturut-turut dimulai dari batas waktu 1 menit sampai 5 menit dengan jarak pengujian selama 1 menit. Untuk mengetahui konsumsi memori komputer yang digunakan, peneliti menggunakan aplikasi top yaitu aplikasi task manager Linux. Seminar Nasional Matematika, Sains dan Informatika 2015

485

Prosiding

ISBN 978-602-18580-3-5

Dalam menghubungkan komputer server dan attacker diperlukan ip address. IP address diatur statik secara manual dengan merubah file konfigurasi dari file interfaces di dalam folder /etc/network. Dalam hal ini komputer server mendapat IP address 192.168.1.1 sedangkan komputer attacker mempunyai IP address 192.168.1.2. Dalam menguji Suricata yang berada di server dengan IP address 192.168.1.1, attacker melakukan IP Flooding langsung dari komputer dengan IP address 192.168.1.2. Setelah dilakukan pengujian pre-test (sebelum adanya Suricata) langkah selanjutnya ialah dengan melakukan pengujian post-test (setelah adanya Suricata). Akan tetapi sebelum melakukan post-test, terlebih dahulu diberikan treatment yaitu instalasi Suricata. 4. HASIL PENELITIAN DAN PEMBAHASAN Hasil dari penelitian ini dibagi menjadi dua hasil yaitu pre-test dan post-test.Hasil pre-test adalah dimana komputer diserang sebelum menggunakan Suricata IDS.Sedangkan hasil post-test adalah komputer diserang setelah diinstall Suricata IDS.Setiap kali dilakukan penyerangan, diukur penggunaan memori komputer. Pengukuran tersebut menggunakan aplikasi top bawaan sistem operasi Linux. Sebelum dilakukan pengujian, komputer server menunjukkan penggunaan memori standar yaitu 585.396 KB dengan task 172 buah. Sedangkan hasil pengujian pre-test adalah sebagai berikut : Tabel 4.1 Perbandingan hasil pengujian pre-test Menit 1 2

Memori 770708 768208

Prosentase 40,0 39,9

Task 176 176

3

841900

43,7

178

4

849700

44,1

178

5

851848

44,2

178

Pengujian post-test pertama diambil setelah pengujian tahap pertama selesai dilakukan. Akan tetapi komputer server di rebootterlebih dahulu agar seperti kondisi baru dinyalakan. Hasil dari pengujian post-test tersaji di tabel 4.2.


486

Prosiding

ISBN 978-602-18580-3-5

Tabel 4.2 Tabel hasil pengujian post-test Menit

Mem Used

Percentage Task

1

1182480

61,4

181

2

1193232

61,9

181

3

1197644

62,2

181

4

1202396

62,4

184

5

1207644

62,7

184

Secara keseluruhan hasil pengujian Suricata menggunakan serangan IP Flooding yang difokuskan terhadap penggunaan memori komputer dapat dilihat di tabel 4.3. Uji normalitas pre-test dengan metode Kolmogorov-Smirnov dengan tool PSPP dapat dilihat di bawah ini.

Gambar 4.1 Uji normalitas pre-test Dari gambar tersebut tingkat signifikansi data pre-test mulai dari variabel menit, memori dan task masing-masing bernilai 1,00; 0,68; dan 0,51 yang berarti melebihi nilai signifikansi sebesar 0,05. Hal ini membuktikan bahwa distribusi data pre-test termasuk distribusi data yang normal. Berikut hasil uji normalitas data post-test yang telah dilakukan :

Gambar 4.2 Uji normalitas Post-test Seminar Nasional Matematika, Sains dan Informatika 2015

487

Prosiding

ISBN 978-602-18580-3-5

Dapat dilihat dari gambar di atas taraf signifikansi dari variabel menit senilai 1,00, variabel memori senilai 1,00 dan variabel task senilai 0,51 yang berarti telah melebihi taraf signifikansi yang telah ditetapkan yaitu sebesar 0,05. Hal ini membuktikan bahwa H0 diterima dan data posttest memang termasuk distribusi data yang normal pula. Setelah diketahui bahwa data dari pre-test maupun post-test adalah data yang berdistribusi normal, langkah berikutnya ialah uji homogenitas yang dimaksudkan untuk memperlihatkan bahwa dua atau lebih kelompok data sampel berasal dari populasi yang memiliki variansi yang sama. Berikut hasil uji homogenitas data pre-test yaitu data hasil pengujian sebelum adanya instalasi Suricata IDS :

Gambar 4.3 Uji homogenitas pre-test Terlihat dari hasil pengolahan data melalui software aplikasi PSPP menunjukkan bahwa data tersebut berasal dari variansi yang homogen. Hasil uji homogenitas mencapai nilai signifikansi 0,17 melebihi 0,05 yang berarti H0 diterima. Sedangkan hasil uji homogenitas data setelah diinstall Suricata dapat dilihat di gambar 4.4 di bawah ini :

Gambar 4.4 Uji homogenitas post-test Seminar Nasional Matematika, Sains dan Informatika 2015

488

Prosiding

ISBN 978-602-18580-3-5

Uji homogenitas pada data hasil pengujian setelah diinstall Suricata memperlihatkan angka nilai signifikansi sebesar 0,30 yang berarti bahwa data-data tersebut merupakan data yang mempunyai variansi yang sama. Pengujian ada tidaknya korelasi antar variabel dapat digunakan dengan metode bivariate correlation atau sering disebut juga Product Moment Pearson. Dalam melakukan uji korelasi perlu memperhatikan Test of Significant yaitu meliputi Two-Tailed (uji dua sisi) digunakan dalam kondisi belum diketahui bentuk hubungan antar variabel dan One-Tailed (satu sisi) digunakan untuk menguji test of significant dari dua variabel akan tetapi telah diketahui adanya arah kecenderungan hubungan negative atau positif di antara dua variabel yang berhubungan. Pengujian korelasi pertama dilakukan dengan data pre-test menghasilkan output sebagai berikut :

Gambar 4.5 Uji korelasi Pre-test Dari hasil di atas dapat diketahui bahwa besarnya penggunaan memori oleh server berdasarkan korelasi dengan banyaknya task yang berjalan dengan tingkat signifikansi sebesar 0,00. Hal ini berarti penggunaan memori tidak ada hubungannya dengan banyaknya task yang berjalan. Untuk pengujian kedua yaitu uji korelasi post-test dapat dilihat di gambar 4.6 :

Gambar 4.6 Uji korelasi post-test Dapat kita lihat dari hasil uji korelasi antara task dan memori setelah diinstall Suricata berbeda dengan uji korelasi sebelumnya. Dengan tingkat korelasi sebesar 0,11 berarti penggunaan memori memiliki hubungan yang erat dengan banyaknya task. Seminar Nasional Matematika, Sains dan Informatika 2015

489

Prosiding

ISBN 978-602-18580-3-5

Langkah analisis selanjutnya yaitu menganalisis keefektifan penelitian ini. Apakah dengan menginstall Suricata IDS dapat mengurangi serangan DOS atau malah sebaliknya dapat membuat komputer server lebih cepat kehabisan memori. Sampel dependen atau sampel berpasangan biasanya diambil dari satu kelompok sampel yang diberikan dua perlakuan yang berbeda. Penelitian ini juga termasuk sampel dependen dikarenakan ada perlakuan berbeda yaitu penyerangan kepada komputer server sebelum Suricata IDS diinstall dan penyerangan sesudah IDS diinstall. Tabel 4.4 Data Penggunaan Memori Pre-test dan Post-test Memori Pengujian Sebelum

Sesudah

1

770708

1182480

2

768208

1193232

3

841900

1197644

4

849700

1202396

5

851848

1207644

Dengan menggunakan tingkat kepercayaan 95 %. Apakah instalasi Suricata tersebut efektif untuk menghalau serangan DOS atau tidak ?

Gambar 4.7 Uji T Sampel Dependen data penelitian. Dari hasil analisis di atas dapat disimpulkan bahwa rata-rata memori komputer sebelum diinstall Suricata setelah diberi serangan DOS adalah 750.546,40 dengan standar deviasi 5.591,79


490

Prosiding

ISBN 978-602-18580-3-5

sedangkan penggunaan memori setelah diinstall Suricata ialah sebesar 1.056.064,00 dengan nilai standar deviasi 4622,60. Pada output kedua di atas angka signifikansi korelasi bernilai 0,06 antara dua variabel yaitu sebelum dan sesudah diinstall Suricata memiliki hubungan yang erat. Sedangkan output ketiga setelah dibandingkan hasil uji T sampel dependen tampak bahwa nilai T* = -24,15. Dalam pengambilan kesimpulan digunakan nilai signifikansi. Tertera pada gambar di atas bahwa nilai signifikansi 0,00 < 0,005. Hal ini mutlak H0 ditolak, sehingga dapat disimpulkan bahwa instalasi Suricata IDS benar-benar efektif dalam melakukan pertahanan terhadap serangan DOS. Setelah mengetahui bagaimana hasil akhir dari analisis pre-test dan post-test, ada baiknya kita sajikan hasil pengujian dilihat dari sistem Suricata itu sendiri. Setelah Suricata IDS diaktifkan, secara otomatis Suricata akan mencatat apapun yang berjalan di trafik jaringan baik itu lalu lintas jaringan normal maupun serangan. Di bawah ini adalah hasil dari pengujian posttest : Tabel 4.6 Deteksi serangan pengujian deteksi 1 1419 2 2837 3 6038 4 9724 5 16705 Dari rangkaian pengujian dan analisis terhadap penggunaan memori baik sebelum dan sesudah diinstall Suricata dapat disimpulkan bahwa meskipun penggunaan memori setelah diinstall Suricata lebih tinggi dibanding memori yang digunakan sebelum adanya instalasi Suricata, akan tetapi Suricata mampu menghasilkan alert berupa output http.log, fast.log dan stats.log yang masing-masing dapat menerangkan dari mana penyerang berasal baik berupa informasi IP address yang digunakan, http header yang dikirim maupun jenis serangan yang digunakan. Di bawah ini adalah contoh output http.log dan fast.log :


491

Prosiding

ISBN 978-602-18580-3-5

Gambar 4.8 Output http.log Dapat dilihat dari gambar di atas bahwa Suricata mampu mengenali IP address yang telah melakukan IP Flooding adalah 192.168.1.1.

Gambar 4.9 Output fast log Serangan yang berhasil dideteksi berupa TCPv4 invalid checksum dengan klasifikasi keamanan tingkat 3 dari IP address 192.168.1.2 yaitu IP Flooding. Deteksi ini berjalan sesuai dengan rule yang telah dibuat didalam folder /etc/suricata/rules. 5. KESIMPULAN Berdasarkan hasil analisa dan pembahasan dapat diperoleh kesimpulan bahwa penelitian ―Analisis Sistem Deteksi Serangan Keamanan Jaringan Menggunakan Suricata‖ dengan menggunakan sistem operasi Ubuntu LTS 12.04.2 desktop dengan memanfaatkan tools attacker Seminar Nasional Matematika, Sains dan Informatika 2015

492

Prosiding

ISBN 978-602-18580-3-5

Siege bawaan sistem operasi Kali Linux memperlihatkan bahwa Suricata dapat menangani serangan dengan baik. Hal ini dapat dilihat dari penggunaan memori yang baik. Didukung pula Suricata dapat mendeteksi adanya serangan DOS. Hasil analisis uji T sampel dependen membuktikan bahwa server dengan bantuan Suricata IDS dapat meredam lebih banyak daripada server yang berjalan tanpa diinstall Suricata IDS. DAFTAR PUSTAKA Al Fatta, H. (2007). Analisis dan Perancangan Sistem Informasi untuk Keunggulan Bersaing Perusahaan & Organisasi Modern. Yogyakarta: CV. Andi Offset. Albin, E. (2011). A Comparative Analysis of The Snort and Suricata Intrusion-Detection Systems. Monterey: Naval Postgraduate School. Alexander, L. A. (2010, November 19). Ancaman keamanan data dan jenis gangguan. Retrieved Desember 5, 2013, from Double klikk: http://dobelklikk.wordpress.com/2010/11/19/ancaman-keamanan-data-dan-jenis-jenisgangguanancaman/ Complete list of Suricata Features. (n.d.). Retrieved March 20, 2014, from Suricata IDS: http://suricata-ids.org/features/all-features/ cyruslab. (2012, 10 18). Building an IDS : installing snorby, suricata and barnyard2. Retrieved March 24, 2014, from The Network Journal: http://cyruslab.net/2012/10/18/building-an-idspart-1-installing-pre-requisites-and-snorby/ Day, D. J., & Burns, B. M. (2011). ICDS 2011. A Performance Analysis of Snort and Suricata Network Intrusion Detection and Prevention Engines , 187-192. firnsy. (n.d.). Barnyard2. Retrieved March 24, 2014, from Github.com: https://github.com/firnsy/barnyard2 Fuzi, F. (2011). An Analysis of Intrusion Detection System. Melaka: Universiti Teknikal Malaysia Melaka. Kacha, C., & Shevade, K. A. (2012). IJETAE_1212_44. Comparison of Different Intrusion Detection and Prevention Systems , 243-245. Keamanan Jaringan. (2013, April 11). Retrieved Desember 05, 2013, from Wikipedia: http://id.wikipedia.org/wiki/Keamanan_jaringan Kusumawati, M. (2010). Implementasi IDS (Intrusion Detection System) Serta Monitoring Jaringan dengan Interface Web Berbasis Base pada Keamanan Jaringan. Depok: UI Press. L. Person, L., & S. Davie, B. (2012). Computer Networks: A Systems Approach. Elsevier. McRee, R. (2010). ISSA Journal. Suricata: An introduction , 40-42. Meghanathan, D. N. (2012). Intrusion Detection Systems. Jackson State University. Messer, W. H. (2011). Performance Testing Suricata : The Effect of Configuration Variables On Offline Suricata Performance. Georgia Institute of Technology. Messer, W. H. (2011). Performance Testing Suricata: The Effect of Configuration Variables On Offline Suricata Performance. Georgia Institute of Technology. Mulyono. (2013). Perancangan dan Implementasi Sistem Monitoring Jaringan LAN (Local Area Network) dengan Notifikasi SMS. Yogyakarta: UIN Sunan Kalijaga. Naimzada, A. K., Stefani, S., & Torriero, A. (2009). Networks, Topology and Dynamics: Theory and Applications to Economics and Social Systems. Milano: Springer. Seminar Nasional Matematika, Sains dan Informatika 2015

493

Prosiding

ISBN 978-602-18580-3-5

Panwar, S. S., Mao, S., Ryoo, J. d., & Li, Y. (2004). TCP/IP Essentials : A Lab-Based Approach. Cambridge University Press. Putri, L. (2011). Implementasi Intrusion Detection System (IDS) Menggunakan Snort pada Jaringan Wireless. Jakarta: UIN Syarif Hidayatullah. Qudratullah, M. F., & Suphandi, E. D. Handout Praktikum Metode Statistika. Yogyakarta. Rahardjo, B. (2005). Keamanan Sistem Informasi Berbasis Internet. Jakarta: PT Insan Infonesia & PT INDOCISC. Rob. (2013, July 2). What is Linux. Retrieved March 20, 2014, from Linux.org: http://www.linux.org/threads/what-is-linux.4076/ Saputra, A. (2005). Pengembangan perangkat wireless IDS (Intrusion Detection System) berbasis embedded sytem . Jakarta: UIN Syarif Hidayatulloh. Stammler, J. H. (2011). Suricata Performance White Paper. Syafrizal, M. (2005). Pengantar Jaringan Komputer. Yogyakarta: Andi. Yuhefizar. (2008). 10 Jam menguasai internet, teknologi dan aplikasinya. Jakarta: Elex Media Komputindo.


494

MENINGKATKAN KREATIVITAS PENGGALIAN DATA DAN PENEMUAN PENGETAHUAN Budi Sutedjo Dharma Oetomo Prodi Sistem Informasi Universitas Kristen Duta Wacana Jl. Dr. Wahidin 5-19 Yogyakarta, Telp. 0274-563929, e-mail: [email protected]

ABSTRAK. Dewasa ini, perusahaan sudah semakin menyadari tentang arti penting dari penggalian data dan penemuan pengetahuan dari tumpukan atau gudang data yang dimilikinya. Namun, usaha-usaha penggalian data itu sangat bergantung pada kreativitas dari para penggali data. Oleh karena itu, diperlukan usaha-usaha untuk meningkatkan kreativitas mereka, agar proses penggalian data dan penemuan pengetahuan itu memberikan manfaat yang besar bagi perusahaan. Kata kunci: kreativitas penggalian data, inovasi penemuan pengetahuan.

1. PENDAHULUAN Dalam satu dekade terakhir ini, persaingan dunia usaha semakin kompetitif. Perusahaanperusahaan bersaing untuk merebut pasar dan mendominasi perdagangan. Hal itu ditandai dengan hadirnya pemain-pemain baru dalam usaha sejenis dan produk-produk substitusi, diferensiasi produk, perang merek dan harga, pengembangan strategi-strategi bisnis yang baru dan penyerapan teknologi secara besar-besaran oleh perusahaan (Porter, 2008). Pimpinan-pimpinan perusahaan pun berusaha keras untuk menambah modal kerja guna pengembangan infrastruktur, maupun penyediaan mesin-mesin untuk meningkatkan kualitas dan mempercepat produksi. Mereka juga berusaha untuk mengimplementasi perangkat keras dan lunak teknologi informasi untuk meningkatkan kualitas layanan administrasi dan pengambilan keputusan. Di samping itu, mereka juga semakin selektif dalam perekrutan tenaga kerja dan pembelian bahan baku, serta semakin teliti dalam merancang proses kerja dan menyusun anggaran. Kata ―efisien‖ dan ―efektif‖ seakan menjadi mantera untuk meningkatkan produktivitas dan memangkas pengeluaran-pengeluaran yang tidak perlu. Menurut Usman (2014, 3), perusahaan akan ―efisien‖, bila para pimpinan dan karyawan dapat melakukan pekerjaan dengan benar. Oleh karena itu, pimpinan perusahaan harus berusaha untuk menyusun Standard Operating Procedur (SOP) untuk setiap proses bisnisnya, agar para karyawan dapat dipastikan melakukan proses bisnis dan tugasnya dengan benar.


495

Prosiding

ISBN 978-602-18580-3-5

Selain itu, Usman (2014, 3) juga berpendapat bahwa perusahaan akan ―efektif‖, jika para pimpinan dan karyawan dapat melakukan pekerjaan-pekerjaan yang benar. Jadi, pimpinan perusahaan harus terus berusaha untuk melakukan kontrol dan audit terhadap seluruh proses bisnisnya, agar mereka dapat mengurangi bahkan menghindari proses yang tidak seharusnya dikerjakan, mengurai dan menata ulang struktur organisasi dan sistem birokrasi yang rumit, medeskripsikan pekerjaan yang sesuai dengan kompetensi para karyawan, menetapkan target dan pasar sasaran yang tepat. Oleh karena itu, pimpinan perusahaan mulai memaksimalkan fungsi basis data yang dimilikinya. Jika di masa lalu, basis data yang dimiliki perusahaan belum banyak digunakan untuk dasar peningkatan kualitas dan pengambilan keputusan, maka kini, para pimpinan berusaha melakukan penggalian data atau data mining atau yang kerap disebut analisis data eksploratif (Olson, 2008, 6) atau penambangan data (McLeod, 2010, 232). Mereka mulai menyediakan waktu untuk membuka kembali timbunan data transaksi penjualan, data-data konsumen, berkas-berkas karyawan, kartu-kartu persediaan barang, laporanlaporan produksi, rekening bank, laporan rugi laba dan neraca. Mereka menelaah dan menganalisis data itu dengan bantuan para ahli dan aplikasi sistem informasi untuk mencari hubungan antara data yang tidak dikenal dengan pemakainya (McLeod, 2010, 232). Penggalian data itu dilakukan untuk menemukan informasi-informasi atau pengetahuanpengetahuan tentang bahan baku, proses produksi, kinerja peralatan yang digunakan, perilaku konsumen, staf dan pemasok, maupun pengaruh program pemasaran yang tersembunyi. Lewat kegiatan itu, diharapkan mereka mampu menemukan informasi-informasi penting untuk mengevaluasi dan meningkatkan kualitas proses bisnisnya. Usaha-usaha penggalian data itu tentu sangat bergantung pada kreativitas para penggali data. Mereka harus memiliki kreasi dan inovasi dalam menggali timbunan data dalam jumlah yang sangat besar. Tanpa kreasi dan inovasi, maka mereka hanya akan menghabiskan waktu untuk membaca tumpukan data semata. Lambat laun, mereka pun akan jenuh, frustrasi dan merasa terjebak di tengah gudang data atau datawarehouse (Laudon, 2013, 252-253). Namun, tidak semua penggali data dapat terus kreatif dan inovatif di tengah pekerjaan yang sifatnya rutin. Oleh karena itu, perlu dirumuskan langkah-langkah untuk terus meningkatkan kreasi dan inovasi semua pihak yang terkait dengan proses penggalian data tersebut, agar proses itu dapat memberi manfaat yang sebesar-besarnya bagi perusahaan. Seminar Nasional Matematika, Sains dan Informatika 2015

496

Prosiding

ISBN 978-602-18580-3-5

2. HASIL PENELITIAN DAN PEMBAHASAN Sering kali, kata ―kreatif‖ dan ―inovatif‖ seakan-akan hanya monopoli orang-orang yang menjadi wirausahawan atau entrepreneur. Padahal dalam Kamus Besar Bahasa Indonesia (2008), kata ―kreatif‖ dipahami sebagai kemampuan untuk mencipta dan kata ―inovasi‖ dipahami sebagai penemuan baru yang berbeda dari yang sudah ada atau yang sudah dikenal sebelumnya yang dapat dikembangkan oleh siapa saja yang ingin terus maju dan berkembang dalam profesinya. Hendro (2011, 105) berpendapat, bahwa pemikiran kreatif itu penting, karena hal itu berguna untuk: 1.

Menemukan gagasan, ide, peluang dan inspirasi baru.

2.

Mengubah masalah atau kesulitan dan kegagalan menjadi sebuah pemikiran yang cemerlang untuk langkah selanjutnya.

3.

Menemukan solusi yang inovatif.

4.

Menemukan suatu kejadian yang belum pernah dialami atau yang pernah ada hingga menjadi sebuah penemuan baru.

5.

Menemukan teknologi baru.

6.

Mengubah keterbatasan yang ada sebelumnya mejadi sebuah kekuatan atau keunggulan. Banyak orang merasa bahwa dirinya tidak dapat berpikir kreatif atau kreativitas itu hanya miliki

orang-orang tertentu saja. Ungkapan-ungkapan itu timbul, karena gambaran tentang kreativitas yang dimiliki seseorang seringkali tidak lengkap. Hendro (2011, 107) menggambarkan kreativitas sebagai:

1.

Bukan semata-mata pemecahan masalah, tetapi penciptaan sesuatu yang lebih baik, orisinil dan unik.

2. Cara mengoptimalkan dan menggunakan pengetahuan yang dimiliki seseorang untuk mengatasi masalah yang belum ada jawaban yang pasti. 3. Cara untuk memunculkan sebuah inspirasi yang brilian. 4. Tidak bisa ditiru, dicangkok atau dipaksakan kepada orang lain, tetapi kreativitas dapat dipelajari dan dilatih. 5. Menggunakan cara yang berbeda dan lain dari yang orang lain lakukan. 6. Kunci untuk merancang desain produk baru dan munculnya teknologi baru. 7. Tanpa kreativitas tidak akan ada inovasi atau penemuan baru.


497

Prosiding

ISBN 978-602-18580-3-5

Jika para penggali data dapat terus menciptakan sasaran, kriteria dan sudut pandang baru, serta melakukan penemuan-penemuan metode penggalian data, hubungan-hubungan antar data yang baru, maka proses penggalian data menjadi menarik bagi dirinya, sehingga ia dapat bertekun dan secara teliti melakukan pengamatan dari setiap data dan kemungkinan relasi yang terbentuk di antaranya. Penggalian data pun dapat berkembang dengan cepat dan mendatangkan banyak manfaat bagi perusahaan (Olson, 2008, 7). Untuk membangun kemampuan kreativitas dalam diri para penggali data itu, maka diperlukan sejumlah sikap dasar yang harus ditumbuhkan dalam diri mereka yang meliputi: 1.

Rasa ingin tahu yang tinggi. Dimana, rasa ingin tahu itu akan menumbuhkan pertanyaanpertanyaan dalam benak para penggali data untuk mengenali perilaku data dan hubunganhubungan antar data yang mungkin terjadi.

2.

Semangat berkompetisi yang positif. Di mana, semangat itu akan menciptakan daya juang dan kemampuan para penggali data untuk menemukan rahasia-rahasia atau pengetahuan yang baru atau relasi-relasi unik yang terdapat dalam tumpukan data dengan cepat, sebelum kompetitor menemukannya. Namun, langkah-langkah yang ditempuhnya didasarkan pada metode-metode yang ilmiah atau penelitian, bukan didasarkan pada hal-hal yang bersifat supranatural atau kecurangan-kecurangan.

3.

Keinginan bekerja secara efektif. Dimana, para penggali data tidak asal-asalan dalam melakukan proses-proses penggalian. Apalagi, Olson (2008, 9) juga menekankan bahwa kunci efektivitas dalam penggalian data adalah ditemukannya informasi yang dapat ditindaklanjuti atau actionable. Oleh karena itu, mereka perlu memvalidasi data, agar diperoleh data-data yang benar untuk diteliti. Mereka juga harus menempuh prosedur yang benar dan memastikan semua tindakan yang dilakukannya itu benar. Untuk membangkitkan kemampuan kreatif dalam diri penggali data, maka dapat ditempuh

langkah sebagai berikut (diubah suai dari Hendro, 2011, 108-109): 1.

Mulailah dan terus berimajinasi. Di mana, seorang penggali data perlu memiliki dan memelihara imajinasinya dalam usaha menemukan rahasia-rahasia atau pengetahuanpengetahuan yang terpendam dalam gudang data, seperti hubungan usia dengan pemilihan produk, latar belakang demografi seseorang dengan keputusan pembelian, harga dengan kualitas dan relasi lainnya. Selain itu, penggali data juga dapat menemukan pasangan-


498

Prosiding

ISBN 978-602-18580-3-5

pasangan barang dalam keranjang belanja konsumen, misalnya roti tawar – mentega – meses, sikat gigi - pasta gigi – sabun mandi. 2.

Keberanian untuk berpikir berbeda dari orang lain bahkan berlawanan. Seorang penggali data perlu memiliki keberanian untuk melihat perilaku data dari sudut pandang yang berlawanan dengan kaidah yang sudah. Namun, perbedaan itu bukan dilandasi oleh sikap apriori, melainkan keinginan untuk mendapatkan informasi-informasi penting dari sudut pandang yang berbeda, misalnya: secara umum orang menghubungkan antar cuaca dingin dengan minuman hangat, seperti sekoteng, wedang jahe, atau ronde, tetapi penggali data harus terbuka pada fakta baru bahwa toko-toko di daerah wisata yang berhawa dingin justru banyak menyediakan es.

3.

Belajar berpikir optimis, sehingga para penggali data selalu memiliki harapan dalam setiap usaha untuk mencermati data dan mencari relasi-relasi yang mungkin terbentuk. Selama data-data itu masih dapat dibaca dan dipelajari, maka penggali data dapat terus optimis dalam menemukan hal-hal baru.

4.

Berpikir lebih rinci dengan memperhatikan hal-hal yang dianggap remeh atau tidak sesuai dengan kaidah umum oleh kompetitor. Seorang penggali data perlu mencermati secara terinci, agar tidak ada informasi yang terlewatkan untuk dipertimbangkan.

5.

Amati kejadian-kejadian yang terjadi di seputar data, agar penggali data dapat menemukan dampak positif dan negatif yang timbul, maupun relasi-relasi unik yang terjadi, misalnya kejadian kenaikan atau penurunan penjualan saat harga jual dinaikkan atau promosi dilakukan lewat media televisi.

6.

Terus belajar untuk meningkatkan wawasan dan keterampilan, serta menambah pengalaman dalam menangani kasus-kasus yang terjadi.

7.

Rayakan keberhasilan dan berilah penghargaan para penggali data yang mampu menemukan relasi antar data yang sangat bermanfaat dan fenomena-fenomena yang semula tidak pernah diperhitungkan oleh perusahaan. 3. KESIMPULAN Dewasa ini, proses penggalian data sudah disadari sebagai kebutuhan ―primer‖ baru yang

sangat penting bagi perusahaan di masa kini. Lewat penggalian data itu, para pemimpin dan staf perusahaan dapat semakin mengenal dan memahami perilaku dari para pemasok, SDM Seminar Nasional Matematika, Sains dan Informatika 2015

499

Prosiding

ISBN 978-602-18580-3-5

perusahaan, bahan baku, proses produksi, pemasaran, penjualan, keuangan, ekspedisi dan berbagai departemen lainnya. Namun, proses penggalian data itu membutuhkan kreativitas dari para penggali, agar mereka dapat menemukan rahasia-rahasia dan pengetahuan-pengetahuan baru yang terkandung dalam tumpukan data tersebut. Para penggali yang kreatif sangat berjasa dalam menemukan bentuk dan pola-pola relasi yang terjadi antar data, agar pola-pola yang ditemukannya itu dapat segera ditindaklanjuti. Kreativitas bukan merupakan bakat atau warisan leluhur atau sifat keturunan, tetapi kreatifitas itu sejatinya dapat dipelajari. Oleh karena itu, para penggali data dapat dan perlu terus berlatih, agar mereka semakin kreatif dan inovatif dalam menemukan pengetahuan dibalik proses penggalian data tersebut. DAFTAR PUSTAKA Hendro (2011), Dasar-dasar Kewirausahaan, Penerbit Erlangga. Kamus Besar Bahasa Indonesia (Edisi keempat). (2008), Balai Pustaka, Laudon, Kenneth C & Laudon, Jane P (2013), Management Information Systems: Managing the Digital Firm, Pearson. McLeod, Raymond Jr & Schell, George P (2010), Sistem Informasi Manajemen, Indeks. Olson, David & Shi, Yong (2008), Pengantar Ilmu Penggalian Data Bisnis, Penerbit Salemba Empat. Porter, Michael E (2008), Keunggulan Bersaing, Karisma Publishing. Usman, Husaini, Prof, Dr, M.Pd., MT (2014), Manajemen: Teori, PRaktik dan Riset Pendidikan, Penerbit Bumi Aksara.


500

EVALUASI PENGARUH AVATAR TERHADAP KEMUDAHAN IDENTIFIKASI KARAKTERISTIK WISATAWAN PADA PEMANDU WISATA MANDIRI BERBASIS SOSIAL MEDIA Faiz Umar Baraja S.Kom., Dr. Ridi Ferdiana, S.T., M.T., dan Dani Adhipta, S.Si., M.T. Universitas Gadjah Mada

ABSTRAK. Keterbatasan jumlah pemandu wisata yang ada saaat ini menyebabkan wisatawan kesulitan untuk mendapatkan informasi mengenai obyek wisata yang akan dituju. Sebagai solusi atas kendala yang ada, maka pada penelitian ini akan dikembangkan aplikasi pemandu wisata mandiri. Aplikasi ini akan dikembangkan pada perangkat mobile, dengan tujuan memberikan kenyamanan wisatawan dalam menemukan informasi saat berwisata. Fokus penelitian ini adalah pada kemudahan penggunaan avatar untuk identifikasi karakteristik wisatawan pada aplikasi pemandu wisata mandiri berbasis sosial media. Atribut-atribut yang ada pada avatar adalah jenis kelamin, ras dan tipe wisata. Metode yang digunakan pada penelitian ini adalah usability testing, yaitu dengan mengukur lama waktu yang diperlukan responden untuk menyelesaikan tugas yang diberikan. Hasil penelitian menunjukkan bahwa avatar pada aplikasi pemandu wisata mandiri tidak berpengaruh secara signifikan dalam memudahkan identifikasi karakteristik wisatawan. Hal ini terjadi karena tidak adanya fitur untuk menseleksi avatar yang tampil di peta. Sehingga menyebabkan responden membutuhkan waktu yang lebih lama untuk mengidentifikasi karakteristik avatar jika avatar yang tampil di peta cukup banyak. Kata Kunci: avatar, pariwisata, wisatawan, internet, usability 1. PENDAHULUAN Pariwisata atau tour adalah suatu perjalanan yang dilakukan untuk rekreasi atau liburan dan juga persiapan yang dilakukan untuk aktivitas ini. Pariwisata adalah suatu perjalanan yang dilakukan orang untuk sementara waktu, yang diselenggarakan dari suatu tempat ke tempat lain meninggalkan tempatnya semula, dengan suatu perencanaan dan dengan maksud bukan untuk berusaha atau mencari nafkah di tempat yang dikunjungi, tetapi semata-mata untuk menikmati kegiatan pertamasyaan dan rekreasi atau untuk memenuhi keinginan yang beraneka ragam (Marpaung & Bahar, 2000). Seorang wisatawan adalah seseorang yang melakukan perjalanan paling tidak sejauh 80 km (50 mil) dari rumahnya dengan tujuan rekreasi. Dalam melakukan perjalanan wisatanya seorang wisatawan biasanya menggunakan pemandu wisata untuk mengetahui tujuan wisata. Pemandu wisata adalah petugas pariwisata yang berkewajiban memberi petunjuk dan informasi yang diperlukan wisatawan. Jumlah wisatawan Seminar Nasional Matematika, Sains dan Informatika 2015

501

Prosiding

ISBN 978-602-18580-3-5

yang membutuhkan jasa pemandu wisata baik dalam bahasa Indonesia maupun asing banyak, akan tetapi jumlah yang ada belum memenuhi kebutuhan terhadap pemandu wisata. Ratih (2012) menyatakan saat ini hanya terdapat 35 pemandu wisata yang terdaftar sebagai pemandu wisata legal di Candi Prambanan. Dari total pemandu wisata yang ada, 26 orang diantaranya merupakan pemandu wisata aktif yang setiap hari melakukan pemanduan di Candi Prambanan. Pemandu wisata tersebut minimal menguasai pemanduan dalam bahasa Indonesia dan Inggris. Selain itu beberapa bahasa yang dikuasai pemandu wisata antara lain bahasa Jepang, Perancis, Belanda, Jerman, Spanyol, Italia dan Korea. Adanya keterbatasan jumlah pemandu wisata menyebabkan wisatawan kesulitan untuk mendapatkan informasi mengenai obyek wisata yang akan dituju. Sebagai solusi atas kendala yang ada, maka pada penelitian ini akan dikembangkan aplikasi pemandu wisata mandiri. Aplikasi ini akan dikembangkan pada perangkat mobile, dengan tujuan memberikan kenyamanan wisatawan dalam menemukan informasi saat berwisata. Pada pengembangannya aplikasi ini berbasis pada sosial media. Dengan adanya sosial media, pengguna dapat berkomunikasi dan berbagi informasi antar sesama pengguna aplikasi. Selain sosial media, aplikasi ini juga menerapkan avatar sebagai bentuk representasi pengguna. Fokus penelitian ini adalah pada kemudahan penggunaan avatar untuk identifikasi karakteristik wisatawan pada aplikasi pemandu wisata mandiri berbasis sosial media. 2. METODE PENELITIAN Peralatan yang digunakan pada penelitian ini meliputi perangkat keras dan perangkat lunakan. Perangkat keras yang digunakan pada penelitian ini antara lain komputer apple macbook pro atau mac mini, layar terpisah jika menggunakan mac mini dan iPad. Sementara perangkat lunak yang digunakan pada penelitian ini antara lain Mac OSX dengan versi 10.7.5 atau lebih tinggi, XCode dengan versi 4.3 atau yang lebih tinggi dan apple developer license. Data yang digunakan pada penelitian ini ada dua. Kedua data tersebut adalah data hasil survei preliminer dan data hasil evaluasi usability. Kegiatan yang dilakukan pada penelitian ini meliputi survei preliminer, pengembangan prototype dan evaluasi usability. Data hasil dari evaluasi usability digunakan untuk pembuktian hipotesis penelitian. 2.1 Survei Preliminer


502

Prosiding

ISBN 978-602-18580-3-5

Pada penelitian ini digunakan 3 aplikasi sebagai pengukur kepuasan pengguna dan kegunaan aplikasi. Ketiga aplikasi yang digunakan pada penelitian ini adalah visitskane, waze dan askanna. Kuesioner pada survei awal ini terdiri dari 15 pertanyaan yang terbagi dalam 4 kategori. Keempat kategori yang terdapat pada kuesioner ini adalah usefulness, ease of use, ease of learn dan satisfaction. Masing-masing kategori memiliki pertanyaan yang berbeda sesuai dengan kategorinya. Untuk mengukur jawaban dari responden, pada kuesioner ini digunakan metode skala Likert. Jawaban pada kuesioner ini memiliki skala 1 sampai 5. Dengan adanya 5 skala, responden dapat menentukan tingkat persetujuannya terhadap pernyataan yang terdapat pada kuesioner. Mengingat paket kuesioner yang digunakan adalah USE QUESTIONAIRRE yang menggunakan pilihan skala Likert, maka pengolahan data hasil survei ini menggunakan metode analisis skala Likert (Riduwan & Akdon, 2007). 2.2 Pengembangan Prototype Ada dua bentuk prototype yang dikembangkan pada penelitian ini, yaitu low fidelity dan high fidelity. Prototype low fidelity dikembangkan dengan membuat desain antar muka dalam bentuk gambar sketsa. Selain bentuk low fidelity, penelitian ini juga mengembangkan prototype dalam bentuk high fidelity. Prototype high fidelity merupakan gambaran lebih rinci dari aplikasi yang dikembangkan. Pada bagian ini pengguna dapat merasakan interaksi yang ada pada aplikasi serta dapat menggunakan beberapa fitur yang ada pada aplikasi yang dikembangkan. Prototype high fidelity ini dikembangkan dalam bentuk aplikasi mobile yang berjalan pada sistem operasi iOS. 2.3 Evaluasi Usability Pada evaluasi usability penelitian ini terdapat 3 hal yang perlu dievaulasi. Ketiga hal tersebut adalah efektifitas, kemudahan penggunaan perangkat lunak dan kepuasan pengguna terhadap perangkat lunak. Untuk mendapatkan hasil evaluasi berdasarkan masing-masing metrik diperlukan cara yang berbeda-beda. Penentuan jumlah partisipan pada uji usablity ini adalah berdasarkan konsep yang dipopulerkan oleh Nielsen dan Landauer (Nielsen & Landauer, 1993). Konsep tersebut adalah menggunakan berbagai uji usability kecil dengan hanya 5 partisipan dalam setiap pengujian pada tahap pengembangan. Adapun jumlah partisipan yang terlibat dalam evaluasi ini adalah enam orang. Seluruh partisipan telah memiliki pengetahuan dasar tentang penggunaan aplikasi mobile.


503

Prosiding

ISBN 978-602-18580-3-5

Teknik pengujian usability pada penelitian ini adalah dengan menggunakan uji berbasis skenario. Teknik ini dipilih karena hasilnya benar-benar representatif terhadap apa yang terjadi di lapangan karena pengujian melibatkan pengguna secara langsung. Untuk lokasi evaluasi dilakukan di ruangan dengan lingkungan yang terkendali. Lokasi evaluasi pada penelitian ini adalah di salah satu ruang tempat tinggal peneliti. Pada lokasi evaluasi telah tersedia perangkat keras yang akan digunakan selama proses evaluasi. Selama pengguna menyelesaikan tugas yang diberikan, peneliti mendampingi pengguna untuk memberi arahan dan mengamati aktifitas pengguna. 3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 Survei Preliminer Hasil survei preliminer menunjukkan bahwa sebagian besar responden lebih tertarik dengan penerapan avatar pada perangkat lunak dibandingkan dengan perangkat lunak yang tidak menggunakan avatar. Hal ini terlihat dari analisis kuesioner pada survei preliminer yang menyaatakan bahwa adanya avatar pada perangkat lunak lebih memudahkan pada penggunaan perangkat lunak. Table 4.1 menampilkan analisis hasil survei pada kemudahan penggunaan perangkat lunak. Tabel 4.1. Tabel interpretasi skor dari frekuensi hasil survei Ease of Use. No 1 2 3 4

Interpretasi Skor Visitskane AskAnna 68 84 68 86 56 70 60 66

Waze 92 90 82 68

3.2 Avatar Aplikasi yang dikembangkan pada penelitian ini menyediakan beberapa avatar sebagai pilihan atau yang biasa disebut dengan predefined avatar. Avatar yang disediakan memiliki beberapa atribut. Atribut-atribut tersebut adalah jenis kelamin, ras dan tipe wisata. Gambar 1 menampilkan beberapa pilihan avatar yang tersedia dengan ras Asia.


504

Prosiding

ISBN 978-602-18580-3-5

Pada Gambar 1 terlihat ada 6 macam pilihan avatar. Avatar-avatar tersebut merupakan avatar yang memiliki atribut ras yang sama namun memiliki atribut jenis kelamin dan tipe wisata yang berbeda. Pada penelitian ini, atribut avatar ras dibagi menjadi 4 ras. Keempat ras tersebut adalah ras Asia, Arab, Eropa dan Afrika. Selain atribut ras, atribut tipe wisata dibagi menjadi 3 tipe wisata. Ketiga atribut tipe wisata tersebut adalah wisata kerja, wisata alam dan wisata budaya dan sejarah.

Gambar 1. Pilihan avatar pada ras Asia 3.3 Evaluasi Evaluasi pada penelitian ini adalah dengan menggunakan uji usability. Hasil data yang didapat pada uji usability ini digunakan untuk pembuktian hipotesis. Metode analisis yang digunakan untuk pembuktian hipotesis adalah dengan menggunakan metode Run Test. 3.3.1 Lama Waktu Penyelesaian Tabel 1. Menunjukkan runtun dari hasil uji usability untuk rata-rata lama waktu penyelesaian tugas yang diperlukan oleh responden. Berdasarkan pengolahan data yang telah dilakukan, maka jumlah run adalah 3 dan nilai batas terkecil untuk menolak H0 adalah 0 dan batas terbesar untuk menolak Ho adalah 8. Dengan menggunakan taraf siginifikansi 95%, maka jumlah run berada diantara titik terendah dan titik tertinggi tabel F. Tabel 1. Runtun dari rata-rata lama waktu penyelesaian tugas

Runtun

1 0

2 1

3 1

Responden 4 1


5 0

6 0 505

Prosiding

ISBN 978-602-18580-3-5

Berdasarkan hasil analisis data mengenai lama penyelesaian tugas dapat diketahui bahwa hipotesis avatar pada aplikasi pemandu wisata mandiri dapat mempercepat dalam identifikasi karakteristik wisatawan ditolak. Faktor yang menyebabkan penolakan hipotesis ini adalah tidak adanya fitur untuk menseleksi avatar yang tampil di peta. Hal ini menyebabkan responden membutuhkan waktu yang lebih lama untuk mengidentifikasi karakteristik avatar jika avatar yang tampil di peta cukup banyak. 4. KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa avatar pada aplikasi pemandu wisata mandiri tidak berpengaruh secara signifikan dalam mempercepat identifikasi karakteristik wisatawan. Hal ini terjadi karena tidak adanya fitur untuk menseleksi avatar yang tampil di peta. Sehingga menyebabkan responden membutuhkan waktu yang lebih lama untuk mengidentifikasi karakteristik avatar jika avatar yang tampil di peta cukup banyak. DAFTAR PUSTAKA Marpaung, H., & Bahar, H. (2000). Pengantar Pariwisata. Bandung: Alfabeta. Purwaningsih, R. (2012). Pengaruh Kualitas Pelayanan Pemandu Wisata Terhadap Kepuasan Wisatawan Di Candi Prambanan (Tinjauan Khusus Pada Kemampuan Berbahasa Verbal). Riduwan, & Akdon. (2007). Rumus dan Data dalam Analisis Statistika. Bandung: Alfabeta. Nielsen, J., & Landauer, T. K. (1993). A mathematical model of the finding of usability problems. In Proceedings of the SIGCHI conference on Human factors in computing systems, 206-213.


506

DISAIN AWAL PROTOTYPE G2A UNTUK ANALISA DATA PERTANIAN DAN PEDESAAN

Hanna Arini Parhusip1 dan Ramos Somnya2 Pusat Studi Simitro, Fakultas Teknologi Informasi Universitas Kristen Satya Wacana

ABSTRAK. Prototype ini berupa software yang didisain sebagai kombinasi dari GIS (Geographical Information System) dan metode GSTAR (Generalized Space Time Autoregressive). GIS merupakan sistem untuk membaca peta secara otomatis yang ditentukan oleh karakteristik lokasi, dan didisain untuk memilih 3 lokasi berdekatan secara otomatis. Ketiga lokasi ini akan dilakukan GSTAR untuk mendapatkan hubungan produktivitas padi yang tergantung dari beberapa variabel prediktor yang diperhatikan. Selanjutnya, hasil fungsi linear yang dihasilkan digunakan sebagai fungsi tujuan untuk menentukan optimasi dari produktivitas suatu daerah terhadap komoditas pertanian khususnya padi dan padi. Informasi yang sudah ada belum memberikan kemampuan pengguna untuk dapat menganalisa data yang dipunyai untuk dapat menganalisa mandiri. Prototype ini ditujukan kepada dinas-dinas pemerintahan dapat melakukan analisa dengan data yang dimiliki dan dimampukan dalam melakukan perencanaan pembangunan dibidang pertanian. Adapun kasus yang dipelajari adalah data pertanian Boyolali yaitu produksi padi yang dianalisa dengan memperhatikan curah hujan dan luas panen pada tahun 2008-2013. Prototype ini dapat menampilkan hasil analisa dengan Excel terkait dengan peta Boyolali tiap kecamatan. Kata Kunci: 3-6 GIS (Geographical Information System), GSTAR (Generalized Space Time Autoregressive) , solver. 1. PENDAHULUAN Keberhasilan panen padi dipelajari dalam beberapa aspek khusunya karena pengaruh lingkungan tanah (misal : subur , kritis) dan karena pengaruh lingkungan luarnya (misal :curah hujan dan luas area sekitarnya), waktu tanam. Dengan memperhatikan waktu tanam, telah diketahui bahwa penelitian untuk mengetahui periode tanam yang optimal (maksimal) telah dilakukan untuk daerah Surakarta Dewi,dkk,2013(a)) bahwa periode tanam yang terbaik adalah September-Desember berdasarkan data BPS Surakarta 1992-2012. Penelitian tersebut dilakuan dengan memperhatikan nilai fungsi tujuan yang dipilih yang berbentuk kuadratik yang parameter-parameternya ditentukan menggunakan Singular Value Decomposition (SVD) dan Ant Colony Optimization (ACO)(Dewi,dkk,2013(b)). Beberapa algoritma digunakan untuk


507

Prosiding

ISBN 978-602-18580-3-5

mendapatkan solusi optimal dijelaskan dengan lengkap dan beberapa program didalamnya dapat membantu untuk memahami hasil-hasil tersebut di atas secara detail (Parhusip,2014). Penelitian terdahulu membahas tentang data curah dan lahan kritis mempengaruhi produksi padi optimal di 3 Kecamatan(Ampel ,Selo dan Cepogo) (Parhusip dan Edi, 2014). Dari hasil ditunjukkan bahwa pendekatan klasik GSTAR tidak tepat untuk data seperti curah hujan, lahan kritis, dan produksi panen padi. GSTAR termodifikasi diperkenalkan (padi yang dihasilkan pada lokasi Selo tergantung dari hasil pada dari kedua lokasi persekitarannya pada waktu yang sama, lahan kritisnya dari ketiga lokasi pada waktu yang sama, curah hujan pada lokasi ketiganya pada waktu sebelumnya dan pada waktu yang sama. Ternyata hasil tersebut lebih baik. Model yang digunakan telah lebih melibatkan aspek natural bahwa hasil panen tergantung pada karakteristik tanah (yaitu lahan kritis) dan banyaknya curah hujan (Parhusip dan Edi, 2015). Kita dapat menguji hasil parameter dengan program R. Hasil menunjukkan bahwa variabel padi dari kedua lokasi yang lain lebih kontribusi secara signifikan dengan toleransi 95% atau 0.05 p-value. Hasil model untuk produksi padi pada Selo ditunjukkan pada Gambar 1.

Gambar 1. Model GSTAR (disimbolkan ‗-o‘ ) dan data (disimbolkan ‗*‘) untuk produksi panen padi sebagai fungsi lahan kritis dan curah hujan pada waktu yang sama (Parhusip dan Edi,2014). Untuk selanjutnya kita dapat melakukan optimasi untuk hasil panen padi untuk tiap Kecamatan di Boyolali. Artinya, bagaimana kita dapat membuat keputusan berapakah panen padi yang optimal untuk Selo,Ampel, Cepogo dan Kecamatan yang lain. Akan tetapi model optimasi belum diuji lebih lanjut pemerintah setempat belum menggunakan program /software yang sudah dibuat. Untuk itulah program akan didisain lebih mudah dijangkau oleh dinas setempat dalam melakukan pengolahan data yang berkaitan dengan kebijakan ekonomi pada bidang pertanian. Dari hasil desiminasi yang dilakukan, diperoleh kesulitan dalam menggunakan program yang telah dibuat oleh Pusat Penelitian Simitro karena program yang dibuat terlalu berat pada Seminar Nasional Matematika, Sains dan Informatika 2015

508

Prosiding

ISBN 978-602-18580-3-5

personal computer. Untuk itu perlu dilakukan perbaikan program dimana GSTAR dapat diakses dengan mudah yaitu menggunakan excel. Hal ini dilakukan dengan cara pembuatan software yang mudah digunakan secara mandiri dan disebut prototype G2A yang menjadi materi pokok pada makalah ini. 2. METODE PENELITIAN 2.1

Pemilihan variabel prediktor Pada penelitian terdahulu (Parhusip dan Edi, 2014(a)) curah hujan dan luas area lahan

kritis sebagai variabel prediktor selain banyaknya padi pada waktu sebelumnya sebagai variabel autoregresi. Akan tetapi untuk mengetahui produksi padi pada tiap kecamatan, lahan kritis tidak dapat menjadi faktor dalam menentukan optimal produksi padi (sebagaimana pada awal penelitian) karena beberapa lokasi mempunyai luas lahan kritis 0. Sebenarnya tidak adanya lahan kritis pada lokasi tersebut menunjukkan bahwa lokasi tersebut cukup subur dibandingkan lokasi yang memiliki area kritis. Akan tetapi karena beberapa tidak mempunyai lahan kritis, kita tidak dapat membuat model dengan variabel prediktor yang sama. Oleh karena itu variabel prediktor yang dipilih adalah variabel prediktor natural yang memungkinkan pertumbuhan padi yaitu curah hujan dan luas lahan. Hasil optimal curah hujan dan luas lahan hanya akan menunjukkan kemampuan lokasi tersebut untuk produksi optimal pada berdasarkan data curah hujan dan luas lahan panen. 2.2

Model yang digunakan dalam Prototype G2A Prototype G2A adalah prototype yang dibuat menggunakan metode GIS (Geographical

Information System) dan Model Generalized Space Time Auto Regressive (GSTAR) yang sudah dimodifikasi oleh Parhusip dan Edi (2014) dimana modifikasi ini berdasarkan regresi klasik, tidak hanya autoregresi. GSTAR Termodifikasi disusun berdasarkan regresi dari 3 lokasi yang dikerjakan secara simultan dimana model tersebut berbentuk : (Apriyanti, dkk, 2014), yaitu Z1 (t )  10Z1 (t  1)  11w11Y1 (t )  w12 R1 (t )  e1 (t ) ;

(1.a)

Z2 (t )  20Z2 (t  1)  21w21Y2 (t )  w23R2 (t )  e2 (t ) ;

(1.b)

Z3 (t )  30Z3 (t  1)  31w31Y3 (t )  w32R3 (t )  e2 (t ) .

(1.c)

dengan


509

Prosiding

ISBN 978-602-18580-3-5

Zi(t)

= variabel data produksi padi pada waktu t di lokasi i, i = 1,2,3.

Yi(t)

= variabel luas lahan panen pada waktu t di lokasi i, i = 1,2,3 .

Ri(t)

= variabel curah hujan padi pada waktu t di lokasi i, i = 1,2,3 .

k 0

= diag ( k10 ,...,  kn0 ) dan  k1 = diag ( k11 ,...,  kN1 ) merupakan parameter model

w

= bobot (weigth) yang dipilih untuk memenuhi wii  0 dan



1 j

wij  1

Uji signifikansi parameter individual (Uji t) digunakan untuk menguji tingkat signifikansi parameter dalam model (Nurhayati, 2013). Langkah-langkah pengujian parameter, yaitu Ho

: ki  0 , k = 1,2,3 dan i = 0,1

Ha

: ki  0 , k = 1,2,3 dan i = 0,1

Statistik uji :

t hitung 

 ki ki adalah parameter dan S ( ki ) , dimana

S (ki ) adalah standar Perbedaan

parameter. Kriteria pengujian dengan α = 5% adalah tolak Ho jika |thitung| > ttabel , artinya parameter signifikan. Hal ini dilakukan dengan software Data Analysis pada Excel. Lokasi tiap kecamatan didaftar dalam program GIS sehingga dapat ditunjukkan keterkaitan antar 3 lokasi terpilih dalam melakukan GSTAR Termodifikasi. Dengan menggunakan Google map, kita dapat mencatat semua kecamatan yang ditunjukkan pada Gambar 2.

Gambar 2. Lokasi 19 kecamatan yang ditunjukkan dengan bullet Seminar Nasional Matematika, Sains dan Informatika 2015

510

Prosiding

ISBN 978-602-18580-3-5

3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 Hasil GSTAR Termodifikasi Hasil penelitian merupakan software yang dapat digunakan untuk melakukan analisa data tentang optimasi produksi padi pada suatu lokasi kecamatan yang dipengaruhi oleh curah hujan dan luas lahan dan produksi padi pada lokasi yang sama pada waktu sebelumnya mengikuti persamaan (1.a)-(1.c). Kemudian software G2A dilengkapi dengan modul agar dapat digunakan oleh dinas-dinas terkait. Jadi keluaran program merupakan estimasi parameter model GSTAR Termodifikasi dengan bobot lokasi seragam yang ditunjukkan pada Tabel 1. Dari Tabel 1 , ada 2 thitung yang tidak besar dari ttabel atau lebih kecil dari ttabel artinya parameter tidak signifikan dengan α = 0,05. 3.2 Optimasi Fungsi Tujuan Fungsi tujuan (Zi) pada penelitian ini disusun berdasarkan model GSTAR Termodifikasi yang telah diperoleh seperti pada Tabel 3. Sedangkan kendala yang berpengaruh adalah curah hujan dan luas lahan panen di masing-masing lokasi. Fungsi tujuan dan kendala dapat dituliskan pada Tabel 2. Untuk memperoleh hasil optimasi dari fungsi tujuan yang telah disusun digunakan Solver pada Ms.Excel 2007. Hasil optimasi untuk 3 kecamatan di Kabupaten Boyolali disajikan pada Tabel 3. Tabel 1. Estimasi parameter model GSTAR termodifikasi untuk data produksi padi di Sambi, Ngemplak, Nogosari Parameter

Hasil Estimasi 0.881605

thitung

ttabel

Kesimpulan (α = 0,05)

p-value

22.98156185

2.32269 x 10-67

0.999203

23.3165063

-68

 30

0.974516

22.63509894

11

0.108073

 21

 31

10  20

1.50919 x 10

Signifikan Signifikan

3.97571 x 10-66

Signifikan

2.904320824

0.003962546

Signifikan

-0.00734

-0.177364342

0.859345605

Tidak Signifikan

0.022723

0.547653452

0.584349678

Tidak Signifikan

1,98


511

Prosiding

ISBN 978-602-18580-3-5

Tabel 2. Fungsi tujuan dan kendala program linier untuk 3 kecamatan di Kabupaten Boyolali. Kecamatan (k) Fungsi Tujuan 1 SAMBI

Kendala Fungsi Tujuan

2 NGEMPLAK 3 NOGOSARI

Kendala Fungsi Tujuan Kendala

Program Linier Z1 = 0.881604988X1+0.054036Y1+0.054036484R1 0.82392≤ X1≤1.154330658 0.889663≤ Y1≤1.101012484 0.012263≤ R1≤2.007030739 Z2 = 0.999203X2-0.00367Y2-0.00367R2 0.824202≤ X2≤1.151376 0.853421≤ Y2≤1.121576 0.05756≤ R2≤1.859913 Z3 = 0.974516X3+0.011361Y3+0.011361R3 0.824202≤ X3≤1.151376 0.959018≤ Y3≤1.037881 0.012842≤ R3≤1.945488

Kendala non-negative : X k , Yk , Rk  0 ; dengan: Xk

= Produksi padi di lokasi k dalam kurun waktu 5 tahun

Yk

= Luas lahan di lokasi k dalam kurun waktu 6 tahun

Rk

= Curah hujan di lokasi k dalam kurun waktu 6 tahun

k

= 1 s/d 3 dimana 1 = Sambi, 2 = Ngemplak, 3 = Nogosari Tabel 3. Produksi padi optimal di Kecamatan Sambi, Ngemplak, dan Nogosari Produksi Padi Optimal

Data Produksi Padi Asli (ton)

Lokasi

Perbedaan Data asli dan optimasi

Tidak Berdimensi

Berdimensi (ton)

Min

Max

Sambi

1.185611395

29826

20164

29048

3%

Ngemplak

1.139516873

22179

15931

22633

2%

Nogosari

1.155929277

38131

29237

36202

5%

Tabel 3 menunjukkan besarnya produksi padi optimal dalam kurun waktu 6 tahun (2008 s/d 2013). Hasil penelitian yang berada pada interval data asli hanya produksi padi di Kecamatan Ngemplak, sedangkan pada kecamatan lain lebih besar dari maksimal data asli. Hasil secara keseluruhan menunjukkan bahwa produksi padi (hasil perhitungan) berbeda dengan maksimal data produksi padi pada data asli dengan perbedaan kurang dari 5%. Jadi sekalipun beberapa parameter tidak signifikan fungsi tujuan mempunyai perbedaan yang tidak terlalu besa dengan data yang ada. Oleh karena itu hasil optimasi dapat diterima. Perbedaan tersebut dibandingkan dengan data dapat dianggap sebagai kemungkinan untuk tiap kecamatan dimungkinkan dapat Seminar Nasional Matematika, Sains dan Informatika 2015

512

Prosiding

ISBN 978-602-18580-3-5

meningkatkan produksinya. Sebagai aplikasi dari hasil penelitian ini, maka tiap kecamatan (Sambi, Ngemplak, dan Nogosari) disarankan dapat meningkatkan hasil panen hingga 100 ton per tahun . Hal ini diambil dengan mengambil kira-kira selisih data dan perkiraan dalam 6 tahun. Dengan menggunakan Prototype G2A maka hasil komputasi/optimasi dapat langsung ditunjukkan dengan peta pada lokasi terkait. Untuk ketiga lokasi yang dipelajari ditunjukkan pada Gambar 3. Modul yang dibuat telah diujicobakan ke desa Asinan Kabupaten Semarang pada 2 Maret 2015 dengan memberikan pelatihan excel terlebih dahulu. Foto kegiatan ditunjukkan pada Gambar 4-5. Mahasiswa juga memberikan pendampingan kepada tiap peserta agar mampu menggunakan program dengan mudah. Untuk selanjutnya perlu dilakukan kegiatan diseminasi penelitian ini pada dinas terkait di Boyolali atau pada wilayah yang lebih luas sehingga hasil komputasi dapat memberikan kontribusi pada pemerintah dalam melakukan perencanaan.

Gambar 3. Hasil keluaran akhir prototype G2A Seminar Nasional Matematika, Sains dan Informatika 2015

513

Prosiding

ISBN 978-602-18580-3-5

Gambar 4. Awal kegiatan dengan pelatihan dasar-dasar statistika

Gambar 5. Mahasiswa mendampingi tiap peserta untuk dapat memahami materi yang diberikan 4. KESIMPULAN Makalah ini menjelaskan tentang pembuatan awal prototype G2A yaitu software dengan bantuan Excel dan Geographical Information System dimana pada Excel didisain untuk menganalisa data produksi pertanian khususnya padi di Boyolali pada tahun 2008-2013. Pada Excel , digunakan model regresi GSTAR Termodifikasi yang menggunakan menu Regresi dan Solver pada Excel. Prototype G2A digunakan untuk menganalisa data produksi panen padi di Sambi, Ngemplak dan Nogosari sebagai contoh 3 kecamatan di Boyolali. Data yang digunakan adalah data produksi panen padi, luas lahan dan curah hujan. Komputasi menunjukkan perbedaan dengan data hanya sekitar maksimum 5% sekalipun ada 2 parameter regresi yang tidak signifikan. Perbedaan yang muncul dapat dianggap sebagai besarnya kemungkinan tiap kecamatan dapat memproduksi secara optimal dimana dari komputasi ditunjukkan bahwa tiap kecamatan dapat meningkatkan produksinya sekitar 100 ton dalam setahun. Jika ada masa 3 kali panen dalam Seminar Nasional Matematika, Sains dan Informatika 2015

514

Prosiding

ISBN 978-602-18580-3-5

setahun, maka tiap panen dimungkinkan meningkatkan sekitar 30 ton. Hasil ini belum dikomunikasikan pada dinas terkait. Ucapan Terima Kasih Makalah ini merupakan hasil penelitian tahap 1 , HIBAH UPT (Internal UKSW) SK No.31/Penel/Rek/5/1/2015.

DAFTAR PUSTAKA Apriyanti, P.D, Parhusip, H.A, Linawati.(2014). Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali, prosiding Seminar Nasional UNNES,8 Nov 2014, ISBN 978-602-1034-06-4; hal.314-325. (https://www.researchgate.net/profile/Hanna_Parhusip/publications : doi 10.13140/2.1.4197.4084) Dewi, V.P, Parhusip,H,A, Linawati, L.(2013). Analisa Hasil Panen Padi menggunakan Pemodelan Kuadratik, prosiding Seminar Nasional Matematika VII UNNES, ISBN 978-60214724-7-7. Dewi, V.P, Parhusip,H,A, Linawati, L.(2013). Optimasi Hasil Panen Padi menggunakan Singular Value Decomposition (SVD) dan Ant Colony Algorithm (ACO), prosiding Seminar Nasional Matematika UNS. Parhusip, H.A.(2014). Optimasi Taklinear, ISBN 978-602-9493-14-6, Tisara Grafika Salatiga,221 hlm. Parhusip, H.A & Edi, W.M.(2014). Analisa Data Iklim Boyolali dengan Regresi Klasik dan Metode GSTAR, Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, ISBN 978-602-70609-0-6, hal.319-331,24 Mei 2014, Universitas PGRI Ronggolawe,Tuban. Parhusip,H.A, Edi, S.W.M., Prasetyo, S.Y.J.( 2014). Analisa Data Pemodelan Untuk Ilmu Sosial dan Sains, ISBN 978-602-9493-16-0, Tisara Grafika Salatiga,398 hlm,25 cm. Parhusip, H.A & Edi, S.W.M, (2015). Optimal Production of Paddy Fields Using Modified GSTAR Models, International Journal of Agricultural Science and Technology (IJAST) , Vol. 3, Issue 1, February 2015 www.seipub.org/ijast; ISSN(online) : 2327-7645; ISSN print: 2327-7246 doi: 10.14355/ijast.2015.0301.01.


515

STUDI HAZOP PADA SISTEM DISTRIBUSI BBM BERBASIS FUZZY LAYER OF PROTECTION ANALYSIS DI INSTALASI SURABAYA GROUP (ISG) PT. PERTAMINA TANJUNG PERAK Nur Ulfa Hidayatullah, Ali Musyafa Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya

ABSTRAK. Bahan Bakar Minyak (BBM) merupakan sektor industri yang memiliki potensi bahaya dan resiko tinggi. Proses distribusi BBM ke SPBU selalu dijaga ketepatannya, sehingga tidak mengalami kerugian dari segi material maupun non material. Resiko dari segi proses operasi perlu diketahui agar dapat mengukur dampak secara kualitatif dan kuantitatif yang dihasilkan baik dari ekonomi, keamanan pekerja, dan dampak terhadap lingkungan. Layer Of Protection Analysis (LOPA) merupakan metode sederhana dalam suatu penilaian resiko yang menunjukkan lapisan perlindungan secara kualitatif dan kuantitatif dalam membuat sebuah skenario bahaya yang akan terjadi. Perhitungan resiko dengan teknik LOPA efektif dan realistis digunakan untuk mengembangkan skenario pada Hazard And Operability Study (HAZOPS). Suatu pengambilan keputusan modern berbasis software masih sangat jarang digunakan pada dunia industri. Fuzzy Layer Of Protection Analysis tepat digunakan sebagai metode penilaian risiko berbasis pakar yang memperlihatkan lapisan perlindungan secara kualitatif dan kuantitatif. Probabilitas dampak ekonomi sistem FLOPA digunakan oleh pihak manajemen untuk pengambilan keputusan yang berpengaruh besar terhadap ketahanan ekonomi perusahaan dan kebutuhan masyarakat. Hasil evaluasi merupakan penjamin sistem, aset, lingkungan, dan reputasi yang aman bagi perusahaan dan pemerintah demi terciptanya pembangunan yang sustainable sehingga lingkungan dan kota menjadi hijau serta sektor ekonomi menjadi lancar. Hal ini dibuktikan dengan adanya SIL rating node 1 hingga 3, yaitu NO SIL, SIL 0, dan SIL 1. Selain itu hasil FLOPA economic impact pada node 2 hingga 3 secara keseluruhan berkategori medium dengan total losses/tahun dalam range US $ 10.000 – US $ 100.000. Kata Kunci: 3-6 Distribusi BBM, Fuzzy Layer of Pretection Analysis, HAZOP 1. PENDAHULUAN Bahan Bakar Minyak (BBM) sangat berperan penting dalam aktivitas ekonomi khususnya sebagai bahan bakar kendaraan. Kebutuhan bahan bakar kendaraan diproduksi oleh PT. Pertamina (Persero) dimana salah satu kegiatan pemasaran dan pendistribusian BBM dilakukan oleh PT. Pertamina Unit Pemasaran (UPMS) V yang berada di Tanjung Perak Surabaya. Instalasi Surabaya Group (ISG) merupakan terminal bahan bakar minyak PT. Pertamina (Persero) yang Seminar Nasional Matematika, Sains dan Informatika 2015

516

Prosiding

ISBN 978-602-18580-3-5

kegiatannya menerima dan menyalurkan bahan bakar minyak. Sebelum didistribusikan, BBM ditampung dalam tangki penyimpanan ISG yang kemudian disalurkan ke SPBU menggunakan mobil tangki distribusi.Proses distribusi BBM ke SPBU selalu dijaga, sehingga tidak mengalami kerugian dari segi material maupun non material. Untuk mencegah dan mengurangi dampak dari resiko yang ditimbulkan dari potensi bahaya, diperlukan adanya process safety management yang baik dari perusahaan. Hazard and Operability Studi (HAZOPS) merupakan teknik analisa bahaya yang digunakan untuk meninjau suatu proses atau operasi secara sistematis. Layer Of Protection Analysis (LOPA) merupakan bentuk metode sederhana dalam penilaian resiko yang menunjukkan lapisan perlindungan secara kualitatif dan kuantitatif dalam membuat sebuah skenario bahaya yang akan terjadi (Kenneth, First, 2010). Suatu pengambilan keputusan modern berbasis software masih sangat kurang digunakan pada dunia industri. Model yang efektif, efisien dan handal diperlukan dalam sebuah penilaian resiko sehingga memberi hasil penilaian yang lebih baik, mudah diterapkan, dan akurat dibandingkan metode konvensional. Sistem fuzzy merupakan salah satu metode yang tepat untuk digunakan dalam melakukan sebuah penilaian, estimasi maupun prediksi secara kualitatif dan kuantitatif. Keluaran sistem fuzzy dalam variable linguistik diperlukan agar hasil penilaian dan estimasi bahaya dimengerti oleh pekerja yang memiliki pengetahuan awam dalam bidang safety. Selain itu penerapan metode HAZOPS dan LOPA berbasis model fuzzy diperlukan agar memberikan hasil kombinasi metode yang lebih baik secara kualitatif dan kuantitatif. Hal inilah yang membuat tertarik untuk melakukan studi HAZOPS pada sistem distribusi PT PERTAMINA berbasis Fuzzy-Layer Of Protection Analysis (FLOPA). 2. METODE PENELITIAN 2.1 Prosedur LOPA Worksheer LOPA (terlampir) dikerjakan berdasarkan deviasi tertinggi HAZOP dimana hasil consequence HAZOP merupakan impact event description LOPA. Severity HAZOP merupakan impact event severity level LOPA sedangkan Possible causes HAZOP digunakan untuk mengisi kolom initiating causes LOPA. (Dowell, 1998) Severity HAZOP yang berwarna merah atau kategori resiko tinggi yang dapat diintegrasikan dalam LOPA. (Lassen, CA, 2008). Perhitungan frekuensi untuk PFD dimulai dari kolom initiating cause frequency yang diperoleh dari likelihood HAZOP. Protection Layers pada LOPA diperoleh berdasarkan safeguard HAZOP Seminar Nasional Matematika, Sains dan Informatika 2015

517

Prosiding

ISBN 978-602-18580-3-5

dimana dijabarkan dalam beberapa kolom seperti general process design, Basic Process Control System (BPCS), Alarms, dan additional mitigation. Seluruh kolom IPL diisi dengan nilai PFD dari masing-masing scenario yang ada. Nilai SIL menunjukkan kategori probabilitas kegagalan SIF dimana memastikan Initiating Event Likelihood (IEL) tidak melebihi Target Mitigated Event Likelihood (TMEL) dengan beberapa ketentuan seperti berikut : a. Jika jumlah IELt ≤ TMEL, maka pengurangan resiko tidak diperlukan karena tidak melebihi rasio LOPA > 1 dengan rumusan berikut : b. Jika jumlah IELt > TMEL dan terdapat SIF, maka PFD SIF harus dihitung untuk menentukan SIL dari SIF c. Jika jumlah IELt > TMEL dan tidak terdapat SIF, maka lapisan-lapisan yang ada dianggap tidak memadai untuk mtigasi resiko sehingga diperlukan rekomendasi untuk strategi inherently safer design atau desain ulang sistem, menambahkan lapisan pelindung/SIF. Tabel 1. Integrity Level untuk SIF Kategori SIL

PFD SIF

RRF= (1/PFD)

NR- tidak dibutuhkan

1 ≤ PFD

RRF≤1

SIL 0

10-1 ≤ PFD < 1

1 < RRF ≤ 10

SIL 1

10-2 ≤ PFD < 10-1

10 < RRF ≤ 100

SIL 2

10-3 ≤ PFD < 10-2

100 < RRF ≤ 1.000

SIL 3

10-4 ≤ PFD < 10-3

1.000 < RRF ≤ 10.000

SIL 4

10-5 ≤ PFD < 10-4

10.000 < RRF ≤ 100.000

Sumber : ISA TR 84.00.02-2002 2.2 Fuzzy Layer of Protection Analysis (FLOPA) Seminar Nasional Matematika, Sains dan Informatika 2015

518

Prosiding

ISBN 978-602-18580-3-5

Sistem fuzzy dibuat menggunakan variabel masukan berupa numeric dan keluaran yang diharapkan numeric dan linguistic sehingga metode Mamdani dan Takagi Sugeno dapat diterapkan. Pengolahan data menggunakan sistem fuzzy dilakukan secara dua tahap. Tahap pertama diharapkan memiliki variabel keluaran berupa dampak keparahan (gambar 1). Hal ini dapat dikaitkan dari segi aspek manusia, lingkungan dan asset. Keluaran dari tahap pertama akan digunakan untuk pengolahan data pada tahap kedua dengan menambahkan variabel masukan berupa aspek ekonomi sehingga nantinya keluaran akhir dapat digunakan sebagai pengambil keputusan terkait dengan kebutuhan pihak manajemen. Tahapan dalam sistem fuzzy seperti berikut :

Gambar 1. Diagram Blok FLOPA 3. HASIL PENELITIAN DAN PEMBAHASAN 3.1 SIL Rating Berdasarkan hasil analisis menggunakan LOPA diperoleh hasil tingkatan SIL seperti tabel 2.


519

Prosiding

ISBN 978-602-18580-3-5

Tabel 2. SIL Rating LOPA Node 1-3 Node 1 (Tanker Loading - Pipeline - Pig Receiver) NR

33,33%

SIL 0

50 %

SIL 1

16,67 %

Node 2 (Pig Receiver – Storage Tank) NR

54,55 %

SIL 0

18,18 %

SIL 1

27,27 %

Node 3 (Storage Tank – Pipeline – Filling Shed) NR

66,67 %

SIL 0

33,33 %

Tabel 2. merupakan hasil perhitungan PFD Safety Integrity Function (SIF) dari TMEL dibandingkan dengan nilai total Initiating Event Likelihood (IEL) sehingga diperoleh beberapa tingkatan SIL pada scenario LOPA node 1 hingga 3. Berdasarkan SIL rating yang diperoleh terlihat bahwa pada masing-masing node memerlukan penambahan IPL seperti penentuan dan penginstalan dari alarm-alarm berdasarkan prinsip ALARP (As Low As Reasonably Practicable) sehingga dapat mengurangi resiko keterlambatan dari respon operator yang harus turun lapangan untuk mengatasi bahaya tertentu. 3.2 FLOPA – Risk Impact Analisa resiko secara bertahap dilakukan berbasis sistem fuzzy sesuai dengan diagram blok pada gambar 1. Hasil keluaran terlihat pada surface viewer seperti gambar 2. Seminar Nasional Matematika, Sains dan Informatika 2015

520

Prosiding

ISBN 978-602-18580-3-5

Gambar 2. Surface Viewer Risk Impact Keluaran dari sistem fuzzy memiliki kesesuaian terhadap sistem penilaian resiko pada perusahaan distribusi minyak dalam beberapa kasus tertentu. Hal ini dapat menunjukkan bahwa hasil penilaian resiko berbasis software memiliki tingkat kevalidan yang dapat digunakan untuk menentukan langkah

yang akan diambil

pihak manajemen. Hasil

penilaian fuzzy

memperlihatkan bahwa 1 skenario memiliki resiko dengan tindakan pemantauan pada node 1 dan node 2, 8 skenario berupa tindakan pengendalian dan 9 skenario berupa tujuan dan sasaran pada node 2 dan node 3. 3.3 FLOPA – Sil Rating Penilaian SIL berbasis fuzzy dilakukan setelah memperoleh hasil dari risk impact FLOPA. Sistem penilaian memiliki masukan dari risk impact dan frekuensi sehingga keluaran berupa tingkatan SIL. Hasil menunjukkan bahwa pada node 1 memiliki scenario dengan tingkatan SIL 1 sehingga tidak menunjukkan perlunya pengamanan tingkat tinggi seperti pada node 2 dan node 3. Pada node 2 terdapat hasil yang menunjukkan SIL 3, hal ini memperlihatkan perlunya tindakan lebih pada scenario overflow tanki seiring dengan frekuensi yang sering terjadi. Terdapat 2 skenario pada node 3 yang memiliki tingkat SIL 3 dimana dampak yang terjadi berupa kebocoran, emisi uap HC sehingga menyebabkan potensi kebakaran. Hasil memperlihatkan bahwa perlunya tindakan untuk menjaga resiko yg terjadi dengan frekuensi kejadian yang tinggi.


521

Prosiding

ISBN 978-602-18580-3-5

Gambar 3. Surface Viewer SIL Rating 4. KESIMPULAN Kesimpulan yang diperoleh dari penelitian yang telah dilakukan adalah : a. LOPA memiliki hasil kuantitatif pada analisis risiko berupa SIL rating node 1 hingga 3, yaitu NR sebesar 33,33% pada node 1, 54,55% pada node 2, dan 66,67% pada node 3 ; SIL 0 sebesar 50% pada node 1, 18,18% pada node 2, dan 33,33% pada node 3 ; SIL 1 sebesar 16,67% pada node 1 dan 27,27% pada node 2 b. FLOPA menghasilkan keluaran berupa SIL 1 dengan 4 skenario pada node 1, 1 skenario dengan SIL 3 dan NR serta 3 skenario berupa SIL 1 pada node 2, dan pada node 3 sebanyak 5 skenario dengan SIL 1, 3 skenario berupa SIL 2, dan 2 skenario dengan SIL 3 pada node 3. DAFTAR PUSTAKA Center Chemical Process Safety.(2001). Layer of Protection Analysis: Simplified Process Risk Assessment, Second Edition. American Institut Of Chemical Engineering, New York. Dowell, Arthur M.(1998). Layer of Protection Analysis for Determining Safety Integrity Level. ISA Transactions, 37, 155-165. United State of America: Elsevier Science Ltd. First, Kenneth, (2010), ―Scenario identiﬁcation and evaluation for layers of protection analysis‖. Journal of Loss Prevention in The Process Industries 23, hal. 705-718 Golbe, W.M and Cheddie, H. (2005). Safety Instrumented Systems Verification; Practical Probabilistic Calculation. USA. IEC 61508 (1998). Functional Safety of Electrical/Electronic/Programmable Electronic SafetyRelated Systems, parts 1-7. Geneva: International Electrotechnical Commision. IEC 61511 (2003). Functional safety – safety instrumented systems for the process industry.


522

STUDENT’S METACOGNITIVE MODELING UNTUK MENDUKUNG ADAPTIVE LEARNING (KASUS: KELAS MATA PELAJARAN FISIKA MADRASAH ALIYAH NEGERI 1 PONOROGO) Purwanto1), Khafidurrohman Agustianto 2) 1) Madrasah Aliyah Negeri 1 Ponorogo , 2) Teknik Elektro dan Teknologi Informasi UGM Jl. Arif Rahman Hakim No. 2 Ponorogo1), Jl Grafika No. 2 Kampus UGM, Yogyakarta 552812) Email : [email protected] 1), [email protected])

ABSTRAK. Metacognitive merupakan suatu pengetahuan tentang kemampuan cara berpikir diri, termasuk kesadaran dalam mengontrol belajar, memperbaiki kesalahan, menganalisa seberapa efektif strategi yang digunakan, dan mengganti kebiasaan atau strategi bila dibutuhkan. Setiap siswa memiliki kebutuhan dan karakteristik yang berbeda-beda, sebagai contoh prior knowledge, intellectual level, cognitive traits, dan learning style, sehingga dibutuhkan proses pembelajaran yang sesuai dengan karakteristik siswa yang berupa adaptive learning (AL). Dalam melakukan personalised learning approach, maka diperlukan personalisasi pada learning object (LO) (guru, modul dan mata pelajaran) dan learner Style (LS) (knowledge, metacognitive, cognitive, learning style). Sehingga sangat penting untuk memodelkan metacognitive dari siswa dalam konteks AL, karena student‘s metacognitive modeling sebagai salah satu bagian dari LS memiliki peranan penting terutama dalam konsep pendidikan dan blended-learning, pada peneltian ini digunakan pendekatan educational data mining (EDM). Kata kunci: pemodelan, student modeling, metacognitive, adaptive learning, blended learning. 1. PENDAHULUAN Metacognitive merupakan suatu pengetahuan tentang kemampuan cara berpikir diri, termasuk kesadaran dalam mengontrol belajar, memperbaiki kesalahan, menganalisa seberapa efektif strategi yang digunakan, dan mengganti kebiasaan atau strategi bila dibutuhkan (Spada, Langston, Nikčević, & Moneta, 2008)(Sánchez-Alonso & Vovides, 2007)(Schraw & Moshman, 1994).. Metacognitive merupakan pengetahuan mengenai regulasi kegiatan kognitif individu dalam proses pembelajaran (Schraw & Moshman, 1994)(Schraw & Moshman, 1995) berupa, berpikir bagaimana berpikir, mengetahui apa yang kita ketahui, dan yang tidak kita ketahui, belajar bagaimana caranya belajar, mengembangkan proses berpikir secara berkesinambungan sehingga dapat digunakan untuk pemecahan permasalahan (Sánchez-Alonso & Vovides, 2007). Sehingga sangat penting untuk melihat tingkat metacognitive dari seorang peserta didik, hasil pemodelan ini dapat digunakan guru untuk mengevaluasi tingkat keberhasilan proses pembelajarannya dari sisi metacognitive.


523

Prosiding

ISBN 978-602-18580-3-5

Setiap siswa memiliki kebutuhan dan karakteristik yang berbeda-beda, sebagai contoh prior

knowledge,

intellectual

level,

cognitive

traits,

dan

learning

styles(Suprijono,

2012)(Gaudioso, Montero, & Hernandez-del-Olmo, 2012), sehingga dibutuhkan proses pembelajaran yang sesuai dengan karakteristik siswa yang berupa adaptive learning (AL). AL secara subtantif berarti suatu pembelajaran yang berfokus pada personal siswa, recommendationbased learning, dan inquire-based learning. Dalam melakukan personalised learning approach, maka diperlukan personalisasi pada learning object (LO) (guru, modul dan mata pelajaran) dan learner Style (LS) (knowledge, metacognitive, cognitive, learning style) (Gaudioso et al., 2012) ditunjukan oleh Gambar 1. Sehingga sangat penting untuk memodelkan metacognitive dari siswa dalam konteks AL, karena student’s metacognitive modeling sebagai salah satu bagian dari LS memiliki peranan penting terutama dalam konsep pendidikan dan blended-learning. Penelitian ini berfokus pada penggalian aspek-aspek yang ada pada student’s metacognitive (student modeling), dari komponen ini penelitian akan memperoleh knowledge yang akan digunakan dalam menentukan learning path (LP) yang sesuai dengan kondisi pembelajaran fisika. Hasil penelitian ditujukan untuk digunakan guru mengevaluasi proses pembelajarannya sehingga akan meningkatkan proses pembelajaran berupa AL. Dalam penelitian ini difokuskan pada face to face class (f2f), fokus penelitian ini didasarkan pada konsep blended learning (BL), BL merupakan suatu model pembelajaran yang efektif dewasa ini (Bersin, 2004)(Campus & Shan, 2011)(Bath & Bourke, 2010). Model ini merupakan pengabungan dari model pembelajaran dengan menggunakan f2f model, pembelajaran dengan menggunakan internet, dan pembelajaran yang didukung dengan teknologi lain, dengan tujuan untuk menciptakan lingkungan pembelajaran yang paling efisien (Bersin, 2004)[4][5](Sachin & Vijay, 2012)(Romero & Ventura, 2010)(Liu, Wu, & Chen, 2013). Dalam model ini peranan f2f tidak bisa sepenuhnya di gantikan dengan teknologi, seperti e-learning, namun masih memerlukan guru di dalam proses pembelajarannya.

Knowledge

Metacognitive Student Modeling

LS

Cognitive

Learning Style

Gambar 1.

Peta Penelitian


524

Prosiding

ISBN 978-602-18580-3-5

2. METODE PENELITIAN Dalam beberapa tahun terakhir, analisis dari aktivitas siswa menjadi sangat penting dan menjadi topik penelitian yang banyak dikerjakan (Gaudioso et al., 2012). Obyek dari penelitian sebelumnya seperti undergraduates’ metacognitive knowledge about the psychological effects of different kinds of computer-supported instructional tools (Antonietti, Colombo, & Lozotsev, 2008), building knowledge networks through project-based online learning: A study of developing critical thinking skills via reusable learning objects (Kurubacak, 2007), integration of metacognitive skills in the design of learning objects (Sánchez-Alonso & Vovides, 2007), the role of metacognitions in problematic Internet use (Spada et al., 2008), breakdown in the metacognitive chain : good intentions aren’t enough in high school (Sussan & Son, 2014), iterative augmentation of a medical training simulator: effects of affective metacognitive scaffolding (Wesiak et al., 2014), dan social and metacognitive awareness of academic reading strategies (Yüksel & Yüksel, 2012). Modeling yang digunakan dilakukan dalam tiga tahapan ditunjukan oleh Gambar 2., tahapan pertama adalah kajian teori yang digunakan untuk menyusun instrument penelitian, kemudian instrument digunakan untuk mengambil data trainer. Langkah selanjutnya adalah melakukan feature selection kepada 52 item, feature selection adalah proses penyeleksian subset dari fiturfitur original. Pengoptimalan dari feature selection dari subset bertujuan untuk menyusuaikan ukuran subset yang sesuai dengan kriteria evaluasi (―Data Mining: Concepts and Techniques,‖ 2012). Dalam penelitian ini digunakan angket dengan 52 item untuk mendapatkan data, 52 atribut yang disebut sebagai subatribut yang merupakan representasi dari 8 indikator dari dua sub variable knowledge-metacognitive dan regulation-metacognitive ditunjukan oleh Table 1 yang selanjutnya disebut sebagai atribut. Penelitiain ini menggunakan zscore untuk membandingkan posisi atribut dengan atribut lain dalam kelompok masing-masing, zscore adalah skor standar berupa jarak skor responden dari mean kelompoknya dalam satuan Standard Deviasi (SD).


525

Mulai

Studi Pustaka dan Literatur Riview

Pengumpulan Data Trainer

Fiture Selection Menggunakan Pendekatan Z Score Analisis data untuk memberntuk KB

Student's Metacognitive Modeling

Student Modeling

Selesai

Gambar 2. Metodologi Penelitian Tabel 1. Komponen Metacognitive Subvariabel Knowledge of metacognitive

Regulation of metacognitive

Indikator Declarative knowledge

Deskripsi Pengetahuan tentang keterampilan, sumber daya dan kemampuan yang dimiliki seseorang sebagai pembelajar

Procedural knowledge

Pengetahuan bagaimana menerapkan langkah-langkah pembelajaran

Conditional knowledge

Pengetahuan mengapa dan kapan langkah-langkah pembelajaran digunakan Merencanakan proses pembelajaran, menentukan tujuan, mengalokasikan prioritas sumber daya untuk pembelajaran Keterampilan dan strategi untuk memproses informasi secara efisien (seperti mengorganisasikan, elaborasi, meringkas, pemilihan pemfokusan) Penilaian pembelajaran atau penggunaan strategi Penggunaan strategi untuk memperbaiki/memeriksa kesalahan dalam pemahaman dan pelaksanaan/prestasi Menganalisa prestasi dan kefektivitasan strategi setelah proses pembelajaran

Planning

Information management

Monitoring Debugging

Evaluation


526

Prosiding

ISBN 978-602-18580-3-5

Metacognitive

Knowledge of Metacognitive

Procedural Knowledge

Planning

Regulation of Metacognitive

Declarative Knowledge

Monitoring

Conditional Knowledge

Information Management

Debugging

Evaluation

Gambar 3. Komponen Metacognitive Tahapan preprocessing selanjutnya adalah dengan memberikan score nilai untuk masingmasing zscore tiap-tiap atrribut. Tahapan ini dilakukan dengan mengurutkan berdasarkan nilai relative masing-masing responden, ditunjukan oleh Tabel 2. Hasil scoring zscore kemudian diproses menggunakan NBC (Naïve bayes Classifier). NBC merupakan salah satu algoritma yang digunakan dalam klasifikasi data mining. Klasifikasi atau yang disebut supervised learning adalah menentukan sebuah record data baru ke salah satu dari beberapa kategori (atau kelas) yang telah didefinisikan sebelumnya (―Data Mining: Concepts and Techniques,‖ 2012). NBC berbasis pada probabilitas sederhana yang berdasar pada penerapan teorema bayes (atau aturan bayes) dengan asumsi independensi (ketidaktergantungan) yang kuat (naif). Dengan kata lain, dalam Naïve Bayes, model yang digunakan adalah ―model fitur independen‖. Dalam Bayes (terutama Naïve Bayes), maksud independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak berkaitan dengan ada atau tidaknya fitur lain dalam data yang sama (―Data Mining: Concepts and Techniques,‖ 2012). Teori keputusan Bayes adalah pendekatan statistic yang fundamental dalam pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusankeputusan tersebut. Berikut adalah persamaan-persamaan dari teorema Bayes (―Data Mining: Concepts and Techniques,‖ 2012) yang ditunjukan oleh persamaan (1) dan (2):

............... (1) |

|


............... (2)

527

Tabel 2. Hasil Feature selection Menggunakan zscore No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

ZKAC -1.47835 -0.25173 -1.47835 0.05492 0.05492 -0.55839 -1.785 0.97489 0.36158 0.36158 -0.55839 0.97489 -0.25173 0.97489 0.97489 -0.55839 1.28154 1.28154 -0.25173 -0.25173 -0.25173 -0.25173 -0.25173 0.05492 0.36158 0.05492 1.5882 0.05492 -1.1717 -1.47835 0.36158 -0.55839 0.66823 -2.39831 -1.785 0.36158 -1.1717 0.97489 0.05492 1.28154 -0.86504 1.5882 -1.1717 -0.86504 -0.55839 -0.86504 0.97489 0.97489 -0.55839 0.66823 -0.25173 -0.55839 0.66823 2.20151 0.36158 -0.55839 0.05492 0.97489 -0.25173 2.20151 1.28154 -0.25173

ZRK 0.50275 0.25866 0.01457 0.25866 -1.44996 0.01457 0.01457 -1.44996 -1.20587 -0.7177 -0.96179 -0.96179 0.25866 -0.7177 -2.18223 0.01457 -2.42632 -1.44996 0.01457 -0.96179 -0.47361 0.50275 -0.47361 -0.47361 -1.69405 0.01457 -1.20587 0.01457 -0.47361 0.74684 -0.22952 0.01457 -0.96179 2.45547 1.96729 0.25866 1.47911 -0.22952 0.50275 -0.47361 1.23502 -0.7177 1.47911 1.23502 0.99093 1.23502 -0.22952 -0.22952 0.99093 0.01457 0.74684 0.99093 0.01457 -1.20587 0.25866 0.99093 0.50275 -0.22952 0.74684 -1.20587 -0.47361 0.74684

CMAI RK RK RK RK RK RK RK KAC RK RK RK KAC RK RK KAC RK KAC KAC RK RK RK RK RK RK KAC RK KAC RK RK RK RK RK RK RK RK RK RK RK RK RK RK KAC RK RK RK RK RK RK RK RK RK RK RK KAC RK RK RK RK RK KAC RK RK


Tabel 3. Hasil Scoring Atribut No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

FKAC 1 1 1 1 1 1 1 2 1 1 1 2 1 1 2 1 2 2 1 1 1 1 1 1 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 1

FRK 2 2 2 2 2 2 2 1 2 2 2 1 2 2 1 2 1 1 2 2 2 2 2 2 1 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 1 2 2

CMAI RK RK RK RK RK RK RK KAC RK RK RK KAC RK RK KAC RK KAC KAC RK RK RK RK RK RK KAC RK KAC RK RK RK RK RK RK RK RK RK RK RK RK RK RK KAC RK RK RK RK RK RK RK RK RK RK RK KAC RK RK RK RK RK KAC RK RK

528

Prosiding

ISBN 978-602-18580-3-5

Konsep NBC menyatakan keterkaitan naïve bayes dengan klasifikasi, korelasi hipotesis, dan bukti dengan klasifikasi adalah bahwa hipotesis dalam teorema bayes merupakan label kelas yang menjadi target pemetaan dalam klasifikasi, sedangkan bukti merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi. Jika X adalah vector masukan yang berisi fitur dan Y adalah label kelas, Naïve Bayes dituliskan dengan P(Y|X). Notasi tersebut berarti probabilitas label kelas Y didapatkan setelah fitur-fitur X diamati. Notasi ini disebut juga probabilitas akhir (posterior probability) untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability) Y. Formulasi Naive Bayes untuk klasifikasi ditunjukan oleh persamaan (3) (―Data Mining: Concepts and Techniques,‖ 2012): |

∏

|

............... (3)

Pengujian dengan menggunakan cross-falidation fold 10 menghasilkan hasil seperti ditunjukan oleh Gambar 3. Correctly Classified Instances

62

100%

Incorrectly Classified Instances

0

0%

Mean absolute eror

1

Root mean squared error

0

Relative absolute error

0,0006%

Root relative squared error

0,001%

Total Number of Instances

62

Atribute

FKAC mean std. dev. weight sum precision FRK mean std. dev. weights sum precision

Class RK KAC (0,83) (0,17) 1 0,1667 52 1

2 0,1667 10 1

2 0,1667 52 1

1 0,1667 10 1

Tabel 5. Hasil Pengujian dengan NBC Seminar Nasional Matematika, Sains dan Informatika 2015

529

Prosiding

ISBN 978-602-18580-3-5

3. HASIL PENELITIAN DAN PEMBAHASAN Hasil penelitian menggunakan gabungan analisis zscore menggunakan NBC menunjukan kencenderungan metacognitive siswa mata pelajaran fisika Madrasah Aliyah Negeri 1 Kabupaten Ponorogo dengan keadaan penyebaran dijelaskan dalam pemaparan di bawah. 3.1. KNOWLEDGE OF METACOGNITIVE Knowledge of Metacognitive ditunjukan Tabel 1. merupakan pengetahuan tentang apa yang individu ketahui tentang kognitifnya atau pengetahuannya. Pengetahuan metacognitive terdiri dari pengetahuan deklaratif, prosedural, dan kondisional. Pengetahuan deklaratif merupakan mengetahui tentang kegiatan yang akan dilakukan meliputi pengetahuan seseorang sebagai pembelajar dan apa yang mempengaruhi kegiatan pembelajar tersebut. Pengetahuan prosedural yang merupakan mengetahui bagaimana melakukan sesuatu. Dan pengetahuan kondisional yang merupakan mengetahui mengapa dan kapan menggunakan pengetahuan deklaratif dan prosedural (Sánchez-Alonso & Vovides, 2007)(Schraw & Moshman, 1994)(Schraw & Moshman, 1995). Dari penelitian menunjukan bahwa siswa pada mata pelajaran fisika MAN 1 ponorogo memiliki tingkat knowledge of metacognitive raltif lebih rendah (17%) jika dibandingkan dengan regulation of metacognitive. 3.2. REGULATION OF METACOGNITIVE Regulation of Metacognitive ditunjukan Tabel 1. merupakan kegiatan yang membantu siswa untuk mengontrol pembelajaran mereka. Kontrol metacognitive merupakan kemampuan untuk melakukan sesuatu atau melakukan perbaikan terhadap kesalahan. Pembelajar mengatur pembelajarannya dengan cara melibatkan perencanaan dan pengawasan dari aktivitas kognitif yang digunakan (Sánchez-Alonso & Vovides, 2007)(Schraw & Moshman, 1994)(Schraw & Moshman, 1995). Dari penelitian menunjukan bahwa siswa pada mata pelajaran fisika MAN 1 ponorogo memiliki tingkat regulation of metacognitive raltif lebih tinggi (83%) jika dibandingkan dengan knowledge of metacognitive. 4. KESIMPULAN Penggunaan feature selection dengan pendekatan zscore terbukti mampu memberikan solusi untuk data yang memiliki korelasi yang kecil tiap item-nya, permasalahan ini terutama ditemukan pada kasus data set yang dikembangkan sendiri oleh peneliti, dengan catatan bahwa Seminar Nasional Matematika, Sains dan Informatika 2015

530

Prosiding

ISBN 978-602-18580-3-5

data set bisa dikelompokan berdasarkan variablenya. Sehingga dengan pendekatan ini diperoleh akurasi 100% ketika diuji menggunakan NBC. Hasil studi kasus terhadap hasil metacognitive dari proses pembelajaran mata pelajaran fisika MAN 1 Ponorogo menunjukan, bahwa siswa cenderung lebih dominan regulation of metacognitive dengan prosentase 83% jika dibanding dengan knowledge of metacognitive. Sehingga disimpulkan siswa mata pelajaran fisika MAN 1 Ponorogo, memiliki kemampuan untuk melakukan sesuatu atau melakukan perbaikan terhadap kesalahan. Pembelajar mengatur pembelajarannya dengan cara melibatkan perencanaan dan pengawasan dari aktivitas kognitif yang digunakan lebih dominan dibandingkan dengan pengetahuan deklaratif, prosedural, dan kondisional.

DAFTAR PUSTAKA Antonietti, A., Colombo, B., & Lozotsev, Y. (2008). Undergraduates‘ metacognitive knowledge about the psychological effects of different kinds of computer-supported instructional tools. Computers in Human Behavior, 24(5), 2172–2198. doi:10.1016/j.chb.2007.10.004 Bath, D., & Bourke, J. (2010). Blended Learning. Griffith University. Bersin, J. (2004). The Blended Learning Handbook (Vol. 36). New York: Wiley. Campus, N. H., & Shan, F. (2011). Blended Learning Trategy Design and Practice, 3003– 3006. Data Mining: Concepts and Techniques. (2012). Choice Reviews Online, 49(06), 49–3305– 49–3305. doi:10.5860/CHOICE.49-3305 Gaudioso, E., Montero, M., & Hernandez-del-Olmo, F. (2012). Supporting teachers in adaptive educational systems through predictive models: A proof of concept. Expert Systems with Applications, 39(1), 621–625. doi:10.1016/j.eswa.2011.07.052 Kurubacak, G. (2007). Building knowledge networks through project-based online learning: A study of developing critical thinking skills via reusable learning objects. Computers in Human Behavior, 23(6), 2668–2695. doi:10.1016/j.chb.2006.08.003 Liu, G.-Z., Wu, N.-W., & Chen, Y.-W. (2013). Identifying emerging trends for implementing learning technology in special education: a state-of-the-art review of selected articles published in 2008-2012. Research in Developmental Disabilities, 34(10), 3618–28. doi:10.1016/j.ridd.2013.07.007 Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. doi:10.1109/TSMCC.2010.2053532 Sachin, R. B., & Vijay, M. S. (2012). A Survey and Future Vision of Data Mining in Educational Field. 2012 Second International Conference on Advanced Computing & Communication Technologies, 96–100. doi:10.1109/ACCT.2012.14


531

Prosiding

ISBN 978-602-18580-3-5

Sánchez-Alonso, S., & Vovides, Y. (2007). Integration of metacognitive skills in the design of learning objects. Computers in Human Behavior, 23(6), 2585–2595. doi:10.1016/j.chb.2006.08.010 Schraw, G., & Moshman, D. (1994). Assessing Metacognitive Awareness. Contemporary Educational Psychology, 19, 460–475. Schraw, G., & Moshman, D. (1995). Metacognitive Theories. Spada, M. M., Langston, B., Nikčević, A. V., & Moneta, G. B. (2008). The role of metacognitions in problematic Internet use. Computers in Human Behavior, 24(5), 2325–2335. doi:10.1016/j.chb.2007.12.002 Suprijono. (2012). Cooperative Learning Teori dan Aplikasi PAIKEM (Vol. 36). Yogyakarta: Pustaka Pelajar. Sussan, D., & Son, L. K. (2014). Breakdown in the metacognitive chain : Good intentions aren ‘ t enough in high school. Journal of Applied Research in Memory and Cognition, 3(3), 230–238. doi:10.1016/j.jarmac.2014.07.006 Wesiak, G., Steiner, C. M., Moore, A., Dagger, D., Power, G., Berthold, M., … Conlan, O. (2014). Iterative augmentation of a medical training simulator: Effects of affective metacognitive scaffolding. Computers & Education, 76, 13–29. doi:10.1016/j.compedu.2014.03.004 Yüksel, İ., & Yüksel, İ. (2012). Social and Metacognitive Awareness of Academic Reading Strategies, 00(2011), 894–898. doi:10.1016/j.sbspro.2011.12.164


532

PENGGUNAAN MULTI CRITERIA DECISSION MAKING DALAM FUZZY AHP UNTUK PENENTUAN LOKASI PENDIDIKAN STIKOM MANADO Reonaldy Berikang, Djoko Budianto, Ernawati Universitas Atmajaya Yogyakarta

ABSTRAK. Program utama pemerintah Indonesia dalam bidang pendidikan, adalah menyebarluaskan pendidikan dengan berbagai macam ilmu pengetahuan hingga ke seluruh pelosok daerah di Indonesia. Memanfaatkan peluang tersebut maka pihak Stikom manado pada tahun yang berjalan ini ingin membuka cabang pendidikan di salah satu wilayah di sekitar Sulawesi utara. mengingat provinsi Sulawesi utara merupakan daerah kepulauan maka pihak Stikom harus memperhitungakan dengan baik salah satu wilayah kabupaten yang tepat. dengan tujuan jika sekolah tersebut di bangun di tempat yang cocok dan strategis, bisa menghasilkan income yang baik, dan minat masyarakat dalam jurusan jurnalistik meningkat, dan akan di rancang untuk menjadi jurnarlis terbaik di daerah tersebut maupun di indonesia. Berdasarkan masalah yang di angkat maka di dapati rumusan masalah yang menyangkut beberapa pertanyaan seperti bagaimana cara mendapatkan lokasi strategis cabang pendidikan tersebut, apa metode yang tepat untuk menyelesaikan masalah tersebut, dan manfaat apa yang bisa di dapatkan oleh pihak yayasan jika menggunakan aplikasi yang menggunakan metode yang di maksud .Dalam batasan masalah menjawab segala pertanyaan yang ada pada rumusan masalah seperti, lokasi strategis bisa di dapat dengan perhitungan criteria dari setiap lokasi sampel. Metode perhitungan yang tepat untuk pembobotan criteria adalah Multi Criteria Decission Making (MCDM). Untuk memodelkan perhitungan MCDM lokasi strategis ini, penulis sudah merancang aplikasi berbasis web menggunakan framework code igniter yang memiliki perhitungan MCDM, sebagai system pendukung keputusan yang memiliki interface yang user frenly, yang nantinya di jadikan subdomain pada situs induk sekolah tinggi Stikom tersebut. Dimana perhitungan yang menggunakan model aplikasi mengarahkan user agar dalam proses inputan menjadi terarah dan instan di dalam penggunaan. Penelitian ini memiliki manfaat umum bagi pihak instansi pendidikan lainnya terutama pihak pendidikan swasta yang ingin membuka cabang pendidikan seperti yang pihak Stikom lakukan pada saat ini. Kesimpulan dari penelitian ini adalah menerapkan perhitungan matematika ke dalam bentuk aplikasi sehingga pada proses inputan dan laporan user bisa memahami dengan cepat, sehngga membantu di dalam hal mengambil keputusan. dan bagi pihak Stikom bisa mendapatkan maksud dan tujuan yang di harapkan untuk terus memberikan pendidikan yang layak di seluruh daerah.

Kata Kunci: (Pendidikan, Stikom, Fuzzy AHP, MCDM, Sistem Pendukung Keputusan)


533

Prosiding

ISBN 978-602-18580-3-5

1. PENDAHULUAN Dalam menentukan posisi yang tepat untuk di bangun cabang pendidikan, pihak yayasan STIKOM membutuhkan satu estimasi dan analisis yang baik,dan harus di perlukan sebuah system pendukung keputusan dalam penanganan masalah ini (Turgut, et al.,2011) dengan alasan agar supaya cabang pendidikan yang di buka di daerah ini nantinya bisa menghasilkan pemasukan yang baik, support yang besar dari masyarakat sebagai responden dan terutama membuka layanan pendidikan di daerah yang memiliki masyarakat yang berpotensi

untuk

bersekolah di pendidikan tinggi dan mendapat gelar sarjana. Dalam jurnal ―The effect of Location on price Estimation Understanding Number – Location and Number Order Aasociation‖ (Fengian chay dkk,2012) , mengemukakan lokasi objek yang tepat, dapat mempengaruhi perkiraan seseorang untuk memberikan keputusan yang tepat. Estimasi lokasi yang tepat pula bisa memberikan hasil maksimal (Po-hsuan,2009). Pemanfaatan teknologi informasi dan komunikasi saat ini semakin berkembang dan di gunakan dalam berbagai bidang. Berbagai aplikasi teknologi dan informasi di gunakan untuk membantu kehidupan manusia. Salah satu system yang di butuhkan manusia dalam pekerjaan adalah Sistem Pendukung keputusan SPK. Demikian halnya dalam pemilihan lokasi strategis untuk di adakan cabang pendidikan,yang menjadi masalah utama di dalam penelitian ini. Keputusan yang benar dan tepat akan sangat membantu dalam perkembangan dan kemajuan perusahan atau organisasi dari sisi produktifitasnya (Rika Rosnela,2012). Keputusan yang di ambil tidak hanya sebatas untuk kepentingan jangka pendek, tapi juga untuk pembangunan yang berkelanjutan. Ketika keputusan yang akan di ambil bersifat kompleks dengan resiko yang besar seperti perumusan kebijakan, pengambilan keputusan membutuhkan alat bantu analisis yang bersifat ilmiah, logis dan terstruktur (L Gao,et All,2011) hal ini di lakukan juga oleh (Stirn et all,2010). Melalui penelitian ini, nantinya ada satu dari beberapa daerah yang akan direkomendasikan menjadi lokasi sasaran, dimana rekomendasi lokasi tersebut di dapatkan dari system yang dibangun menggunakan metode MCDM, dengan kriteria – kriteria yang di ambil melalui analisis. Salah satu contoh kriteria yang sangat berpengaruh adalah, survey mengenai jumlah pelajar dari daerah tersebut yang kuliah di luar dearah mereka sendiri terlebih khusus mengambil


534

Prosiding

ISBN 978-602-18580-3-5

jurusan komunikasi tersebut. Dari hal ini kita bisa mengukur seberapa besar minat masyarakat akan pendidikan sosial politik ini. 2. METODE PENELITIAN 2.1 Bahan Penelitian Dalam penelitian yang di lakukan, di gunakan data yang dikumpul berupa laporan kuisioner dari responden, tentang tanggapan masyarakat jika didirikan institusi pendidikan di wilayah responden. Selain itu sasaran kuisioner juga di sebarkan kepada mahasiswa yang berasal dari daerah sekitar sulut yang merantau ke kota manado, dalam rangka belajar dan beberapa pertanyaan yang ada di kuisioner bisa menjadi criteria di dalam system yang di rancang dengan menggunakan MCDM. 2.2 Langkah –Langkah Penelitian Tahapan dalam metodologi penelitian yang di gunakan dalam penelitian ini adalah sebagai berikut : a. Metode observasi atau pengamatan. Metode observasi dilakukan dengan cara mengadakan pengamatan secara langsung terhadap suatu objek yang akan di teliti terkait permasalahan yang akan di bahas. Dalam penelitian ini observasi dilakukan dengan melihat peluang mendirikan institusi pendidikan di salah satu daerah di sekitar kota manado, dimana hal ini merupakan kebutuhan yayasan perguruan tinggi ini, karena pada tahun 2015 – 2016 yayasan berencana membuka Sekolah Tinggi Ilmu Komunikasi baru di salah satu daerah di sekitar sulut yaitu : Kabupaten Sitaro, Kabupaten Sangihe, Kabupaten Talaud, Kabupaten Minahasa. b. Pembagian Kuisioner. Untuk di dapatkan berbagai macam tanggapan dari masyarakat sekitar lokasi yang di rencakan, mahasiswa perantau dan pihak yayasan maka penulis membuat kuisioner dimana ketiga objek itu menjadi sasaran utama di sebarkan pertanyaan yang terkait dengan pembangunan Sekolah Tinggi yang di maksud. c. Metode peneliti kepustakaan. Metode ini dilakukan melalui berbagai literature dan pustaka yang ada sebagai referensi, dan terutama sebagai bahan pendukung penggunaan metode yang digunakan dalam penelitian ini. Seminar Nasional Matematika, Sains dan Informatika 2015

535

Prosiding

ISBN 978-602-18580-3-5

d. Metode pengembangan perangkat lunak. Pengembangan perangkat lunak ini dibagi kedalam beberapa tahap, dimulai dari tahap analisis kebutuhan system (Requiprement), tahap perancangan, implementasi (Coding) dan diakhiri dengan pengujian (Testing). i.

Analisis kebutuhan perangkat lunak Analisis kebutuhan perangkat lunak dilakukan dengan menganalisis data dan informasi yang

di peroleh sehingga dapat di jadikan bahan pengembangan perangkat lunak. Hasil analisis adalah berupa dokumen teknik Spesifikasi Kebutuhan Perangkat Lunak (SKPL). ii.

Perancangan perangkat lunak Berdasarkan hasil analsis, maka dapat dilakukan perancangan system. Perancangan

dilakukan untuk mendaptkan deskripsi arsitektur perangkat lunak, deskripsi antarmuka, deskripsi data dan deskripsi procedural. Hasil perancangan berupa Dokumen Deskripsi Perancangan Perangkat Lunak (DPPL) iii.

Implementasi (Coding) Implementasi dilakukan untuk menterjemahkan deskripsi perancangan ke dalam aplikasi.

Dimana pengkodena dilakukan dengan menggunakan Sintaks PHP dan database MYSQL,serta Notepad ++ sebagai code editor. iv.

Pengujian (Testing) Pengujian dilakukan dengan melalui dua tahap, yaitu pengujian fungsionalitas perangkat

lunak dan pengujian pengguna. Pengujian pengguna dilakukan melalui pengujian langsung dengan responden. v.

Pembuatan Laporan Pembuatan laporan dilakukan untuk melaporkan hasil penelitian yang dibuat, mulai dari

tahap awal penelitian sampai pada tahap pengujian. Dimana laporan di buat dalam bentuk dokumen SKPL, dan dokumen SPPL. 3. HASIL PENELITIAN DAN PEMBAHASAN Dikembangkan untuk pengambilan keputusan terhadap beberapa alternatif keputusan untuk mendapatkan suatu keputusan yang akurat dan optimal. Jika terdapat data tentang atribut suatu alternatif

tidak

dapat

disajikan

dengan

lengkap,

mengandung

ketidakpastian

atau

ketidakkonsistenan, maka metode MCDM biasa tidak dapat digunakan untuk menyelesaikan Seminar Nasional Matematika, Sains dan Informatika 2015

536

Prosiding

ISBN 978-602-18580-3-5

permasalahan tersebut (Yusro M, 2013). Dalam menggunakan fuzzy MCDM maka kita mengenal tentang Atribut dan Kriteria, dalam pembobotan kritera penulis menggunakan bilangan fuzzy segitiga seperti ( 0, 0 , 0,25 – 0, 0,25, 0.5 - 0,25, 0,5, 0,75 – 0,5, 0,75, 1 – 0,75 1, 1) . Dalam penelitian ini penulis akan menyusun kuisioner untuk di bagikan kepada responden, dan kuisioner tersebut tentunya memiliki bobot di dalam perhitungan, keterangan kuisioner tersebut terdiri dari (BS = Banyak sekali, B= Banyak, C=Cukup, S=Sedikit, SS=Sedikit Sekali ) jika di pasangkan dengan bobot tiap criteria maka kerangan tersebut memiliki bobot (BS = 0,75, B=0,5, C=0,25, S=0, SS=0) , Jika ditampilkan dalam bentuk tabel maka bisa di lihat pada tabel di bawah ini. Jumlah Kuisioner

Bobot

Banyak Sekali (BS)

0,75

Banyak (B)

0,5

Cukup (C)

0,25

Sedikit (S)

0

Sedikit Sekali (SS)

0

Persamaan MCDM Untuk mencari alternative terbaik, maka kita harus mendefinisikan setiap atribut dan kriteria yang di maksud seperti di bawah ini. 1. Identifikasi tujuan dan kumpulan alternatifnya. A = {Ai | i=1,2, ..., n}. 2. Identifikasi kumpulan criteria maka dapat di tulis C = {Ct | t = 1,2, ..., k}. 3. Membangun struktur hirarki dari masalah tersebut berdasarkan pertimbangan tertentu. Operator mean (+) dan (x)

banyak di gunakan dssi dalam penjumlahan perkalian

fuzzy,dengan menggunakan mean F1 di definisikan sebagai : (

( )[

]

[

]

]

Dengan cara mendistribusikan Sit dan Wi kedalam bilangan fuzzy segitiga yaitu Sit = (Oit, Pit, Qit); dan W1 =(At, Bt, Ct); maka Ft dapat didekati sebagai : F1=(Q1,Y1,Z1) Dengan


537

Prosiding

ISBN 978-602-18580-3-5

Y1 = ( ) ∑ Q1 = ( ) ∑ Z1 = ( ) ∑ I = 1,2…………..n Setelah mendapatkan bobot dari setiap criteria, metode MCDM harus menggunakan persamaan untuk perangkingan yang menggunakan perhitungan integral. Rumus perangkingan ini merupakan rumus yang terakhir pada penyelesaian masalah ini, berikut persamaan perangkingan untuk penentuan nilai lokasi.

Perhitungan integral.

Dari persamaan ini semua inputan yang dimasukan kedalam system, akan memperoleh hasil output dengan point tertinggi, dan lokasi yang memiliki point tertinggi adalah lokasi yang cocok untuk dibangun Sekolah tinggi ilmu komunikasi atau STIKOM Manado. Tabel 1 Rating Kepentingan Untuk Setiap Kriteria Kriteria

C1

C2

C3

C4

C5

C5

C7

C8

C9

ST

T

T

C

ST

R

C

T

ST

Rating Kepentingan

Tabel 2 Rating Kecocokan setiap alternative dengan setiap kriteria Alternative

Rating kecocokan C1

C2

C3

C4

C5

C6

C7

C8

C9

A1

SK

B

BS

B

SK

SK

B

C

BS

A2

C

BS

SK

SB

C

B

S

B

B

A3

S

SK

C

BS

S

BS

BS

K

SK


538

Prosiding

ISBN 978-602-18580-3-5

Kriteria Lokasi Dalam pemilihan lokasi strategis tentunya membutuhkan criteria yang spesifik yang berasal dari yayasan dan lainnya berasal dari kuisioner yang di jalankan, berikut adalah beberapa Kriteria yang diangkat penulis untuk diberikan pembobotan. 1. Jumlah mahasiswa aktif dari lokasi sasaran 2. Jumlah alumni yang berasal dari lokasi sasaran 3. Banyaknya mahasiswa yang kuliah di luar daerah yang berasal dari lokasi sasaran 4. Pemahaman masyarakat tentang Institusi atau Stikom 5. Posisi lokasi rencana pembangunan dengan pusat kota 6. Respon masyarakat jika dibangun sekolah tinggi ilmu komunikasi 7. Respon mahasiswa perantau jika di bangun sekolah tinggi di darerah mereka. Dari ketujuh criteria ini akan diberi nilai yang menggunakan bilangan fuzzy segitiga dan dapat dikelolah dengan menggunakan perhitungan pada metode MCDM. 4. KESIMPULAN Kesimpulan yang bisa didapat dari penelitian ini adalah, untuk mendapatkan lokasi yang baik dalam masalah bisnis sebaiknya menggunakan perhitungan dalam bentuk aplikasi. Penggunaan MCDM bisa di gunakan dan di manfaatkan dalam masalah ini.

Pemanfaatan

MCDM sangatlah cocok dalam masalah ini, karena MCDM memiliki pembobotan criteria sehingga dapat dijadikan sebagai satu alat perhitungan dalam penentuan lokasi yang baik. DAFTAR PUSTAKA Baig, M. M. (2011). Anaesthesia monitoring using fuzzy logic. Journal of Clinical Monitoring and Computing , 25, 339-347. Dkk, T. D. (2007). E-LEARNING PADA PENDIDIKAN JARAK JAUH: KONSEP YANG MENGUBAH . Jurnal Pendidikan Terbuka dan Jarak Jauh , 8. Lei Gao, A. H. (2013). Indetifing Prefered Manajemen options: An integrated agent-based recreational fishing simulation model with an AHP-TOPSIS evaluation method. Ecological Modeling . Pahlevi, A. (2013). Practical Php,Codeiginiter. In A. Pahlevi. Jakarta: PT.Gramedia.


539

Prosiding

ISBN 978-602-18580-3-5

Po-hsuan. (2009). Hybrid Network / Satellite-Based Location Estimation and Tracking Systems for Wireless Networks. IEEE Transaction on Vehicular Technologi , 58 (8), 5174-5189. Ronald E, d. (2000). Penerapan Multi Criteria Decission Making dalam pengambilan keputusan sistem perawatan. Jurnal Teknik Industri , 2, 1-12. Rosnelly, R. (2011). Penerapan Fuzzy Multi Criteria Decision Making ( Fmcdm ) Untuk Diagnosis Penyakit Tropis. Seminar Nasional Informatika (semnasIF) , 2011, D-21 - D-26. Turgut. (2011). Fuzzy AHP based decission suport sistem for disaster center location selection and a case studi for istanbul. Disaster prevention ana managemen, , 499-520. Wang S, L. C. (2005). Fuzzy Multi Criteria Decission Making For Evaluating The erfomance of Mutual Funds. Yakub. (2012). Pengantar sistem Informasi. Graja Ilmu. Yang. (2009). Integrated perfomance evaluation for suply chain system based in logarithm triangular fuzzy number AHP and fuzzy ANP with A Proposed decission support system. Turkish Manufacturing enginering and management the procedings , 192-197. Yusro, M. M. (2013). Aplikasi Metode Fuzzy Multi-Attribute Decision Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia . IJCCS , 101-110.


540

PERBANDINGAN PCA DAN KPCA PADA PENGENALAN JENIS KELAMIN Rima Tri Wahyuningrum Laboratorium Komputasi dan Sistem Cerdas Prodi Teknik Informatika Universitas Trunojoyo Madura, Bangkalan, Indonesia [email protected]

ABSTRAK. Pengenalan jenis kelamin sebagai salah satu penelitian di bidang biometrik dan computer vision yang cukup popular, dimana penelitian ini merupakan pengembangan dari penelitian mengenai pengenalan wajah. Databaseang digunakan pada penelitian ini terdiri dari 400 citra, dengan rincian 200 citra perempuan dan 200 citra laki-laki. Ada dua tahapan penting dalam penelitian ini, yaitu ektraksi fitur dan pengukuran kemiripan atau pengenalan. Pada penelitian ini membandingkan metode ekstraksi fitur Principal Component Analysis (PCA) dan Kernel Principal Component Analysis (KPCA). Sedangkan metode pengukuran kemiripan yang digunakan adalah Mahalanobis Distance. Metode KPCA berjalan cukup baik karena memperoleh akurasi lebih tinggi dari metode PCA. Akurasi tertinggi yang dihasilkan pada penelitian ini mencapai 94.35%.

Kata Kunci: pengenalan jenis kelamin, PCA, KPCA, Mahalanobis Distance 1. PENDAHULUAN Jenis kelamin pada manusia itu terdiri dari laki-laki dan perempuan. Manusia dengan mudah dapat mengklasifikasikan atau mengenali jenis kelamin dengan banyak cara. Contohnya dengan membedakan dari bentuk tubuh, cara berpakaian, bentuk wajah dan lain sebagainya. Dari beberapa cara pengenalan yang dapat dilakukan oleh manusia tersebut, cara mengenali dari bentuk wajah digunakan oleh sistem cerdas secara otomatis. Citra wajah memiliki fitur karakteristik dari manusia yang berupa identitas dan emosi. Selain itu antara wajah laki-laki dan perempuan secara umum mempunyai ciri yang mencolok dan berbeda sehingga dapat dibedakan oleh sistem cerdas ini. Secara umum pada pengenalan wajah maupun pengenalan jenis kelamin mempunyai tiga macam pendekatan, yaitu: pendekatan holistik yang berdasarkan ciri secara keseluruhan citra, pendekatan feature-based yang berdasarkan ciri lokal seperti mata dan hidung, dan pendekatan hybrid yang berdasarkan gabungan dari holistik dan feature-based. Pada penelitian ini menggunakan pendekatan holistik. Pada pendekatan holistik seluruh bagian atau ciri global wajah digunakan sebagai data masukan untuk pengenalan. Seminar Nasional Matematika, Sains dan Informatika 2015

541

Prosiding

ISBN 978-602-18580-3-5

Secara garis besar terdapat tiga tahapan dalam proses pengenalan yaitu pra pemrosesan, ekstraksi fitur dan klasifikasi/pengenalan. Pada penelitian ini tidak melakukan tahap pra pemrosesan karena database ini telah dilakukan pra pemrosesan sehingga data tersebut dapat langsung dilakukan proses berikutnya. Oleh karena itu, metode yang digunakan untuk ekstraksi fitur dan klasifikasi sangat menentukan dalam penelitian ini. Metode ekstraksi fitur PCA maupun KPCA telah banyak digunakan dalam beberapa penelitian mengenai pengenalan wajah seperti yang dilakukan oleh (Zhang R, 2010; Zhang C, 2010; Wen Y, 2012; Kekre, H.B., 2010). PCA seringkali mengalami kesulitan untuk memodelkan data yang sangat kompleks. Kernel PCA (KPCA) merupakan pengembangan non linear dari PCA. Dengan menggunakan representasi non-linear data pada KPCA akan lebih mudah dimodelkan. Demikian pula, metode pengenalan Mahalanobis Distance juga telah banyak digunakan seperti oleh (Todeschinia, R. 2013; Melnykov, I. 2014). Pada penelitian ini telah berhasil melakukan ujicoba dengan membandingkan metode PCA dan KPCA menggunakan metode pengenalan Mahalanobis Distance. 2. METODE PENELITIAN Pada penelitian ini menggunakan database citra jenis kelamin yaitu JAVE sebanyak 400 citra yang terdiri dari 200 citra laki-laki dan 200 citra perempuan dengan dimensi matrik 200 x 200 diambil dari website http://www.advancedsourcecode.com. Penelitian ini membandingkan antara ekstraksi fitur PCA dan KPCA untuk mendapatkan matrik bobot kemudian menghitung klasifikasi atau pengenalannya menggunakan metode Mahalanobis Distance. Berikut penjelasan masing-masing metode tersebut: 1. Principal Component Analysis (PCA) Metode PCA pertama kali diperkenalkan oleh M. Turk pada tahun 1991. Metode ini merupakan salah satu metode ekstraksi fitur yang paling banyak diminati oleh para peneliti. PCA merupakan teknik reduksi menggunakan teori-teori sederhana dari statistik, seperti varian, standar deviasi, zeromean, kovarian dan persamaan karakteristik. Dengan ditemukannya PCA telah membawa perubahan yang sangat besar pada ekstraksi fitur yang berbasis appearance. Pada Gambar 1 menunjukkan diagram alir sistem pengenalan jenis kelamin menggunakan PCA dan Mahalanobis Distance. Sebelum dilakukan perhitungan rata-rata baik database citra pelatihan dan database citra uji, maka dilakukan perubahan matrik menjadi 1 dimensi. Seminar Nasional Matematika, Sains dan Informatika 2015

542

Prosiding

ISBN 978-602-18580-3-5

Mulai

Mulai

Data citra pelatihan (A)

Data citra uji (B)

Hitung rata-rata matrik seluruh citra (

)

∑𝒎 𝒋 𝟏 𝒙𝒋 𝒊

𝝁𝒊

𝒎

Hitung nilai zeromean (Φ) Φ = xj,i - µi

Menghitung nilai kovarian matrik (C) C = Φj,i – ΦTji

Hitung nilai eigen vector (Q) dan eigen value (λ) [Q, λ] = svd(C)

Hitung nilai proyeksi (P) T

P=Φ Q

Hitung nilai matrik bobot uji Bu = BPT

Hitung nilai bobot pelatihan

Pengenalan

Bt = APT

Mahalanobis Distance

Akurasi Hasil Pengenalan Wajah

Selesai

Gambar 1. Diagram alir pengenalan jenis kelamin menggunakan PCA - Mahalanobis Distance 2. Mahalanobis Distance


543

Prosiding

ISBN 978-602-18580-3-5

Mahalanobis Distance merupakan suatu metode statistika yang digunakan untuk mengelompokkan data dengan jarak tertentu. Dalam penelitian ini Mahalanobis Distance digunakan untuk membandingkan dua buah matrik fitur dari suatu citra wajah yang sudah dilakukan proses ekstraksi fiturnya. Untuk menghitung Mahalanobis Distance menggunakan rumus pada persamaan 1. (1)

d ( B p , Bu )  ( B p , Bu ) T C ( B p , Bu )

Dimana Bp adalah nilai matrik bobot pelatihan, Bu adalah nilai matrik bobot uji, dan C adalah nilai matrik kovarian pelatihan. 3. Kernel Principal Component Analysis (KPCA) Metode PCA sampai sekarang terus mengalami perubahan disesuaikan dengan kebutuhan data yang digunakan oleh para peneliti. Salah satunya metode KPCA. KPCA mampu mengatasi kesulitan dalam memodelkan data yang sangat kompleks seperti data non linear. Pada penelitian ini membandingkan dua kernel yang digunakan yaitu kernel polynomial dan kernel Gaussian, masing-masing ditunjukkan pada persamaan 2 dan 3. Diagram alir KPCA menggunakan kernel polynomial seperti ditunjukkan pada Gambar 2. K(A,B)= (A.B + b)d

(2)

dimana K(x,y) = matrik polynomial, A = matrik asli dari wajah, B = matrik transpose dari matrik wajah asli, b = kostanta 1, d = ordo maksimal dari monomial adalah 1 namun pada penelitian ini menggunakan konstanta d = 5. ‖ dimana

‖ ⁄

L(A,B) = matrik Gaussian,

konstanta

(3) = varian namun pada penelitian ini menggunakan

= 3.105 3. HASIL PENELITIAN DAN PEMBAHASAN

Pada penelitian ini menggunakan empat skenario uji coba. Dari keempat skenario uji coba ini yang membedakan adalah jumlah data yang digunakan baik pada proses pelatihan maupun uji. Pada Tabel 1 menunjukkan skenario uji coba, sedangkan pada Tabel 2 menunjukkan akurasi hasil akhir eksperimen yang telah dilakukan. Masing-masing skenario baik pada PCA maupun KPCA melakukan pengurangan dimensi yaitu hanya dengan menggunakan eigen value (v) 25 dan 50 saja.


544

Prosiding

ISBN 978-602-18580-3-5

Mulai

Mulai

Data citra pelatihan

Hitung matrik kernel polynomial K(x,y) = ( x.y + b)d

Data citra uji

Hitung matrik kernel polynomial K(x,y) = ( x.y + b)d

Hitung rata-rata matrik seluruh citra 𝝁𝒊

∑𝒎 𝒋 𝟏 𝒙𝒋 𝒊 𝒎

Hitung nilai data center (zeromean) Φ = xj,i - µi

Menghitung nilai kovarian matrik C = Φj,i – ΦTji

Hitung nilai eigen vector dan eigen value [Q, λ] = eig(C)

Hitung nilai proyeksi

Hitung nilai matrik bobot uji

P = ΦT Q

FD = BP

Hitung nilai bobot pelatihan

Pengenalan

FD = AP

Mahalanobis Distance

Akurasi Hasil Pengenalan Wajah

Selesai

Gambar 2. Diagram alir pengenalan jenis kelamin menggunakan KPCA - Mahalanobis Distance


545

Prosiding

ISBN 978-602-18580-3-5

Tabel 1. Skenario uji coba sistem Skenario

Jumlah data pelatihan (citra) Total Laki-laki Perempuan

Jumlah data uji (citra) Laki-laki Perempuan 140 140

Skenario 1

120

60

60

Total 280

Skenario 2

200

100

100

200

100

100

Skenario 3

280

140

140

120

60

60

Skenario 4

360

180

180

40

20

20

Tabel 2. Akurasi pengenalan jenis kelamin Skenario Skenario 1

Skenario 2 Skenario 3

Skenario 4

PCA (%)

KPCA (%) Gaussian

Polynomial

v = 25

85,25

94,46

92,85

v = 50

85,65

95,25

93,15

v = 25

87,30

95,13

93,35

v = 50

87,55

95,85

93,64

v = 25

88,15

96,24

93,55

v = 50

88,50

96,85

94,25

v = 25

90,40

97,45

94,50

v = 50

91,25

97,90

95,00

Berdasarkan Tabel 2 menunjukkan bahwa rata-rata pengenalan jenis kelamin menggunakan KPCA memiliki akurasi yang lebih tinggi dibandingkan PCA. Akurasi tertinggi terdapat pada pengenalan jenis kelamin menggunakan kernel Gaussian yaitu pada skenario 4 dengan hanya menggunakan eigenvector (v) sebanyak 50 saja sebesar 97,90%. Hal ini menunjukkan bahwa metode ekstraksi fitur KPCA mampu mengatasi kelemahan PCA. 4. KESIMPULAN Penelitian ini telah berhasil melakukan eksperimen atau uji coba sistem pengenalan jenis kelamin membandingkan metode ekstraksi fitur PCA dan KPCA dengan menggunakan pengukuran kemiripan atau pengenalan menggunakan metode Mahalanobis Distance. Database Seminar Nasional Matematika, Sains dan Informatika 2015

546

Prosiding

ISBN 978-602-18580-3-5

yang digunakan terdiri dari 200 citra laki-laki dan 200 citra perempuan sehingga total keseluruhan mencapai 400 citra. Berdasarkan eksperimen bahwa metode KPCA lebih akurat dan dapat mengatasi kelemahan metode PCA. Selain itu, penggunaan jenis kernel tertentu juga sangat mempengaruhi akurasi pengenalan jenis kelamin ini.

DAFTAR PUSTAKA Zhang, R., Wang, W., & Ma, Y. (2010). Approximations of the standard principal components analysis and kernel PCA. Expert Systems with Applications, vol. 37, pp. 6531–6537. Zhang, C., Nie, F., & Xiang, S. (2010). A general kernelization framework for learning algorithms based on kernel PCA. Neurocomputing, vol. 73 pp. 959–967. Wen, Y., He, L., & Shi, P. (2012). Face recognition using difference vector plus KPCA. Digital Signal Processing, vol. 22, pp. 140–146. Kekre, H.B., Thepade, S.D., & Chopra, T. (2010). Face and Gender Recognition Using Principal Component Analysis. International Journal on Computer Science and Engineering (IJCSE), vol. 2, pp. 1-6. Todeschinia, R., Ballabioa, D., Consonnia, V., Sahigara, F., & Filzmoser, P. (2013). Locally centred Mahalanobis distance: A new distance measure with salient features towards outlier detection. Analytica Chimica Acta, vol. 787, pp. 1– 9. Melnykov, I., & Melnykov, V. (2014). On K-means algorithm with the use of Mahalanobis distances. Statistics and Probability Letters, vol. 84, pp. 88–95. http://www.advancedsourcecode.com.


547

PERMODELAN DINAMIS PENGARUH PEMANFAATAN AUDIO VISUAL TERHADAP MOTIVASI BELAJAR SISWA SMK Rina Marina Masri Program Studi Teknik Sipil FPTK UPI Bandung

ABSTRAK. Tujuan penelitian adalah untuk membuat model dinamis pengaruh pemanfaatan audio visual terhadap motivasi belajar siswa SMK Negeri 1 Cilaku-Kabupaten Cianjur sehingga dapat diketahui sumbangan manfaat audio visual terhadap motivasi belajar siswa untuk perbaikan proses pembelajaran di kelas. Metode yang digunakan adalah analitik korelatif eksplanatoris menggunakan perangkat lunak model dinamis Powersim. Lokasi penelitian di Jalan Raya Cibeber km 7 Kubangsari Kabupaten Cianjur. Data pemanfaatan media, motivasi intrinsik dan ekstrinsik diperoleh dari responden siswa gambar teknik dasar yang serta dilakukan pada Bulan Maret s.d Mei 2014, selama 3 bulan. Instrumen yang digunakan adalah angket. Fenomena di lapangan diwakili oleh komponen-komponen inflow untuk variabel motivasi belajar siswa SMK, contanta untuk nilai intercept pemanfaatan audio visual serta auxiliary untuk gradient perubahan pemanfaatan audio visual yang berbeda dari setiap siswa. Hasil simulasi yang diperoleh adalah grafik perubahan pengaruh pemanfaatan audio visual terhadap motivasi belajar siswa SMKN. Pembahasan berupa deskripsi sumbangan manfaat penggunaan media audio visual berbasis computer terhadap motivasi belajar siswa SMK sehingga dapat disempurnakan proses pembelajaran untuk meningkatkan kualitas hasil belajar gambar teknik dasar. Kata Kunci: permodelan, dinamis, audio visual, motivasi belajar 1. PENDAHULUAN Kemajuan ilmu pengetahuan dan teknologi telah mengubah system kerja pada semua bidang kehidupan, termasuk pada bidang pendidikan dan pengajaran kejuruan teknologi. Sistem pembelajaran kejuruan teknologi terdiri dari komponen masukan (siswa, tenaga pengajar, prasarana dan sarana pembelajaran), komponen proses (proses pembelajaran yang dilakukan oleh pengajar terhadap siswa), komponen keluaran (pemahaman, sikap dan keterampilan) serta lingkungan internal dan eksternal. Kemajuan ilmu pengetahuan dan teknologi terutama teknologi informasi berbasis komputer berdampak positif terhadap prasana pembelajaran yang salah satunya adalah media pembelajaran audio visual. Media audio visual harus didukung oleh perangkat keras (hardware), perangkat lunak (software), perangkat intelegensia (brain ware) dan tenaga kerja (man power). Implementasi media audio visual dalam proses pembelajaran belum


548

Prosiding

ISBN 978-602-18580-3-5

sepenuhnya dijalankan karena keterbatasan dukungan perangkat keras, perangkat lunak, perangkat intelegensia dan tenaga kerja. Karakteristik pembelajaran kejuruan teknologi mengakomodasi secara lengkap ranah (domain) kognitif, afektif dan psikomotor. Indikator ranah kognitif adalah adanya perubahan tingkat pamahaman dan pengetahuan siswa tentang materi pembelajaran, indikator ranah afektif indikatornya adalah kepatuhan siswa mengikuti suatu prosedur untuk mengerjakan atau memperoleh sesuatu. Indikator ranah psikomotor adalah peningkatan keterampilan siswa dalam mengerjakan lembar kerja (job sheet) dalam suatu pembelajaran. Proses pembelajaran untuk meningkatkan kognitif dapat dilakukan dengan penyampaian informasi materi pelajaran di dalam kelas atau workshop. Peningkatan afektif dilakukan dengan penyampaian prosedur kegiatan serta nilai-nilai atau filosofi yang melatarbelakangi prosedur suatu pekerjaan. Peningkatan psikomotor dilakukan dengan pemberian contoh cara melakukan sesuatu. Kegiatan pembelajaran untuk mengakomodasi ketiga ranah tersebut dengan demikian tidak bisa dilakukan pada saat yang serentak tetapi secara idealnya dilakukan di tempat dan waktu yang berbeda. Kemajuan pesat teknologi informasi dan komunikasi mengubah proses pembelajaran di dalam kelas dari metode ceramah satu arah menjadi metode diskusi multi arah yang sumber belajarnya tidak hanya dari guru saja tetapi dari informasi di dunia maya yang tidak dibatasi oleh ruang dan waktu. Dukungan media pembelajaran berupa LCD projector sangat besar. Teknik presentasi tidak lagi statif tetapi dinamis dan sangat bervariasi. Salah satu bentuk presentasi adalah media Audio Visual yang dapat dirancang dengan berbagai macam perangkat lunak yang tersedia di pasaran. Media Audio Visual dalam pembelajaran di sekolah menengah kejuruan belum sepenuhnya optimal karena berbagai macam kendala penyediaan perangkat keras, perangkat lunak dan keterbatasan penguasaan sumber daya manusia. Menggambar teknik dasar sebagai salah satu mata diklat pelajaran di SMK program studi bangunan termasuk mata pelajaran produktif yang karakteristiknya memusatkan peningkaran keterampilan siswa menghasilkan produk tertentu yang terukur. Media Audio Visual diimplementasikan pada mata diklat pelajaran produktif untuk meningkatkan hasil guna dan daya guna pembelajaran menggambar teknik dasar. Motivasi siswa yang terdiri dari komponen intrinsik dari dalam diri siswa dan komponen ekstrinsik dari lingkungan belajar mempengaruhi keberhasilan belajar. Media Audio Visual yang merupakan bagian dari komponen pembelajaran untuk meningkatkan motivasi belajar termasuk dalam komponen ekstrinsik motivasi belajar. Seminar Nasional Matematika, Sains dan Informatika 2015

549

Prosiding

ISBN 978-602-18580-3-5

2. METODE PENELITIAN Penelitian dilakukan di SMK Negeri 1 Cilaku Cinajur yang beralamat di Jalan Raya Cibeber km 7 Kubangsari Kabupaten Cianjur. Waktu penelitian dilakukan pada Bulan Maret 2014 sampai dengan Mei 2014. Metode penelitian adalah analitik korelatif eksplanatoris menggunakan angket. Teknik pengambilan data adalah purposive. Instrumen penelitian yang digunakan adalah angket. Lokasi penelitian disajikan pada gambar 1,

LOKASI PENELITIAN

Gambar 1. Lokasi penelitian (Sumber : https://www.google.co.id/maps) Asadi dan Berimani (2015) mempublikasikan artikel tentang The Effect of Audio Visual Materials on Iranian Second Grade High School Students’ Language Achievement. Hasil kajian menunjukkan bahwa para siswa pada kelompok percobaan lebih menguasai materi belajar dibandingkan para siswa di kelompok kontrol. Utomo (2012) melakukan kajian tentang Pengembangan Multimedia Pembelajaran Fisika dengan Macromedia SwishMax pada Materi Cahaya untuk Membantu Meningkatkan Prestasi Belajar Siswa SMP kelas VIII. Hasil kajian menunjukkan bahwa pengembangan media valid dan layak sehingga dapat diterapkan dalam proses pembelajaran di kelas. Putra dan kawan-kawan (2013) mempublikasikan artikel tentang Seminar Nasional Matematika, Sains dan Informatika 2015

550

Prosiding

Pengembangan Media Pembelajaran Dreamweaver

ISBN 978-602-18580-3-5

Model Tutorial pada Mata Pelajaran

Mengelola Isi Halaman Web untuk Siswa Kelas XI Program Keakhlian Multimedia di SMK Negeri 3 Singaraja. Media pembelajaran Dreamweaver adalah model tutorial yang memiliki fungsi menu berbeda. Menu materi berisi materi pelajaran, menu video kultural berisi video sebagai alat bantu mengajar dan menu evaluasi sebagai alat uji kemampuan siswa. Uji coba media pembelajaran Dreamweaver kepada siswa, menunjukkan respon siswa tersebar pada kategori sangat positif (2,77 %) dan positif (97,23). Respon guru tersebar pada kategori sangat positif (100 %). Respon siswa dan guru tersebar pada kategori positif. Agustina, Farida dan Subarkah (2013) melakukan kajian tentang Pembuatan Media Pembelajaran Berupa Animasi Berbasis Komputer untuk Meningkatkan Pemahaman Siswa SMA/MA Kelas X pada Mata Pelajaran Kimia Konsep Ikatan Kima. Hasil yang diperoleh menunjukkan bahwa penggunaan media animasi dapat meningkatkan pemahaman siswa pada konsep ikatan kimia. Simamora (2014) mempublikasikan artikel tentang Model Pembelajaran Teknologi Informasi dengan Teknik MANET (Mobile Adhoc Network) pada Kawasan Tertinggal. Sejumlah implementasi pada kondisi indoor-building maupun outdoor-building dengan teknik MANET, pembelajaran dapat terus dilakukan dengan tujuan untuk eksplorasi pengetahuan walaupun terbatas infrastrukturnya. Model yang ditawarkan berupa topologi jaringan computer dan aplikasi layanan yang memungkinkan untuk mendukung proses pembelajaran di sekolah, kampus, home schooling dan jaringan komunikasi internal perkantoran atau lembaga/instansi sejenis. Sodikin, Noersasongko dan Pramudi (2009) melakukan kajian tentang Jurnal Penyesuaian dengan Modus Pembelajaran untuk Siswa SMK Kelas X. Hasil penelitian menunjukkan bahwa nilai rata-rata siswa dengan pembelajaran dengan multimedia lebih tinggi dari pada nilai rata-rata siswa dengan pembelajaran konvensional. Sistem pembelajaran yang diimplementasikan layak dipergunakan sebagai alternatif sumber belajar yang mempunyai nilai-nilai edukatif. Ribas (2014) menyajikan artikel tentang Perspectives on digital computational systems as aesthetic artifacts. Pembahasan tentang konsep, permodelan dan kerangka kerja dijelaskan secara proses yang terjadi pada system pembelajaran serta hubungan antara tinjauan serta prinsip-prinsip yang ada berdasarkan hasil pengalaman dan mekanisme yang telah ada. Amine, Benachalba dan Guemide (2012) melakukan kajian tentang Using Multimedia to Motivate Students in EFL Classrooms: A Case Study of English Master’s Students at Jijel University, Algeria. Hasil kajian menunjukkan bahwa ketersediaan multimedia merupakan faktor dinamis dan tantangan meningkatkan motivasi di Seminar Nasional Matematika, Sains dan Informatika 2015

551

Prosiding

ISBN 978-602-18580-3-5

kelas EFL (English as a Foreign Language), berperan terhadap kepercayaan diri dalam meningkatkan prestasi untuk mencapai tujuan pembelajaran. Spicer (2014) mempublikasikan artikel tentang Exploring Video Abstracts in Science Journals: An 3. HASIL PENELITIAN DAN PEMBAHASAN Permodelan dinamis Pengaruh Pemanfaatan Audio Visual terhadap Motivasi Belajar Siswa SMK melalui tahap-tahap (1) perancangan diagram sebab akibat (causal loop), (2) perancangan diagram alir (flow chart) T score hasil pengolahan data mentah angket manfaat media Audio Visual dan motivasi siswa dalam pembelajaran menggambar teknik dasar, (3) pemasukan data awal T score responden pertama tentang manfaat media Audio Visual dan simulasi T score bernilai 0, (4) perhitungan perubahan T score manfaat media Audio Visual dari responden satu ke responden berikutnya, (5) pengaturan range T score manfaat media Audio Visual dan motivasi siswa, (6) pengaturan range absis menjadi 20 responden dengan interval 1 responden, (7) membuat grafik T score manfaat media Audio Visual dan motivasi siswa, (8) membuat tabel T score manfaat media Audio Visual dan motivasi siswa, (9) menyajikan equation model yang diperoleh dari hasil model diagram alir, (10) analisis hasil dan pembahasan serta (11) pengambilan kesimpulan tentang hubungan, pengaruh dan kontribusi pemanfaatan media Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar. Permodelan dinamis Tscore kondisi eksisting manfaat Audio Visual dan motivasi siswa dalam pembelajaran menggambar teknik dasar serta simulasi model regresi disajikan pada gambar 2 dan 3. Grafik kondisi eksisting T score pemanfaatan Audio Visual dan motivasi siswa dalam pembelajaran menggambar teknik dasar dan model regresi pemanfaatan Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar disajikan pada gambar 4 4 dan 5. Hasil keluaran permodelan dinamis berupa tabel disajikan pada gambar 6 dan model persamaan (equation model) disajikan pada gambar 7.


552

Prosiding

ISBN 978-602-18580-3-5

Kumulatif_Motivasi_Belajar_Siswa_SMK

Motivasi_Belajar

Gradien_Pengaruh_Manfaat_Penggunaan_media_Audio_Visual

Intercept_Manfaat_penggunaan_media_Audio_Visual

Manfaat_media_Audio_Visual

Gambar 2. Model diagram alir (flow chart model) T score kondisi eksisting manfaat Audio Visual dan motivasi siswa dalam pembelajaran menggambar teknik dasar

Nilai_Motivasi

Gradien_Pengaruh_Manfaat_Penggunaan_media_Audio_Visual

Intercept_Manfaat_penggunaan_media_Audio_Visual

Nilai_Manfaat_media_Audio_Visual

Gambar 3. Model diagram alir (flow chart model) analisis regresi manfaat Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar


553

Prosiding

ISBN 978-602-18580-3-5

Kondisi Eksisting 2

90

1

T score

80

1 70

2

Motivasi_Belajar Manfaat_media_Audio_Visual

2 60

2 1

1 1

5

10

15

20

Responden

Gambar 4. Grafik kondisi eksisting T score manfaat media Audio Visual dan motivasi siswa dalam pembelajaran menggambar teknik dasar Hasil Permodelan 100

2

1 80 2

T Score

1 60 12

1 2

Nilai_Motivasi Nilai_Manfaat_media_Audio_Visual

40 1 2 20

5

10

15

20

Responden

Gambar 5. Grafik hasil permodelan regresi nilai manfaat media Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar


554

Prosiding

ISBN 978-602-18580-3-5

Time 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Nilai_Manfaat_media_A udio_Visual 5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00 45.00 50.00 55.00 60.00 65.00 70.00 75.00 80.00 85.00 90.00 95.00 100.00

Nilai_Motivasi 20.15 23.55 26.96 30.36 33.77 37.17 40.58 43.98 47.39 50.79 54.20 57.60 61.01 64.41 67.82 71.22 74.63 78.03 81.44 84.84

Gambar 6. Hasil keluaran berupa tabel T score nilai manfaat media Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar

Gambar 7. Hasil keluaran berupa model persamaan (equation model) pengaruh pemanfaatan Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar Seminar Nasional Matematika, Sains dan Informatika 2015

555

Prosiding

ISBN 978-602-18580-3-5

Hasil permodelan dinamis pengaruh pemanfaatan Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar yaitu (1) range T score manfaat media Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar semakin besar saat manfaat media Audio Visual yang dirasakan siswa dalam pembelajaran bermakna, begitu sebaliknya, (2) gradien Tscore manfaat media Audio Visual lebih besar dari pada motivasi siswa dalam pembelajaran menggambar teknik dasar, yang maknanya motivasi siswa dalam pembelajaran menggambar teknik dasar tidak hanya dipengaruhi oleh penggunaan media Audio Visual saja, tetapi dipengaruhi variabel lain, (3) garis T score manfaat media Audio Visual dengan motivasi siswa dalam pembelajaran menggambar teknik dasar berpotongan pada titik antara nilai 50 s.d 55 yang maknanya semakin siswa merasakan manfaat Audio Visual dalam pembelajaran menggambar teknik dasar maka peningkatan motivasi siswa cenderung naik sama dengan sebelum merasakan manfaat Audio Visual. 4. KESIMPULAN Kesimpulan dari permodelan dinamis pengaruh pemanfaatan Audio Visual terhadap motivasi siswa dalam pembelajaran menggambar teknik dasar, yaitu : (1) media Audio Visual dalam pembelajaran menggambar teknik dasar yang semakin menarik minat siswa akan semakin meningkatkan motivasi siswa dalam belajar, (2) media Audio Visual dalam pembelajaran bukan satu-satunya komponen yang mempengaruhi motivasi siswa dalam pembelajaran menggambar teknik dasar sehingga para guru perlu mengenali komponen-komponen lain yang mempengaruhi motivasi siswa, (3) semakin siswa merasakan manfaat media Audio Visual dalam pembelajaran menggambar teknik dasar maka kecenderungan kenaikan motivasi cenderung tetap sehingga dibutuhkan inovasi perancangan media Audio Visual yang dinamis seiring dengan minat dan bakat yang dimiliki para siswa. DAFTAR PUSTAKA Agustina, A., Farida, I. dan Subarkah, C.Z. (2013). Pembuatan Media Pembelajaran Berupa Animasi Berbasis Komputer untuk Meningkatkan Pemahaman Siswa SMA/MA Kelas X pada Mata Pelajaran Kimia Konsep Ikatan Kimia. Prosiding Simposium Nasional Inovasi dan Pembelajaran Sains 2013 (SNIPS 2013) 3–4 Juli 2013. Bandung, Indonesia.


556

Prosiding

ISBN 978-602-18580-3-5

Amine, B.M., Benachalba, C. and Guemide, B. (2012). Using Multimedia to Motivate Students in EFL Classrooms: A Case Study of English Master’s Students at Jijel University, Algeria. Malaysian Journal of Distance Education 14(2), 63-81 (2012). Asadi, F. and Berimani, S. (2015). The Effect of Audio-Visual Materials on Iranian Second Grade High School Students’ Language Achievement. International Journal of Language and Lingusitics. Vol 3, No 2, pp 69-75. ISSN: 2330-0205 (Print); ISSN: 2330-0221 (Online). Doi: 10.11648/j.ijl.20150302.15. Putra, G.T.S, Kesiman, M.W.A. dan Darmawiguna, I.G.M. (2013). Pengembangan Media Pembelajaran Dreamweaver Model Tutorial pada Mata Pelajaran Mengelola Isi Halaman Web untuk Siswa Kelas XI Program Keakhlian Multimedia di SMK Negeri 3 Singaraja. Jurnal Nasional Pendidikan Teknik Informatika Volume 1, Nomor 2, Juli 2013. ISSN 20898673. Ribas, L. (2014). Perspectives on digital computational systems as aesthetic artifacts. CITAR Journal Volume 6, No 1 – Special Issue xCoAx 2014. Simamora, S.N.M.P. (2014). Model Pembelajaran Teknologi Informasi dengan Teknik MANET pada Kawasan Tertinggal. Prosiding Seminar Nasional Indonesia Timur 2014 – SENANTI. Yogyakarta, 14 Juni 2014. Sodikin, Noersasongko, E. dan Pramudi, Y.T.C. (2009). Jurnal Penyesuaian dengan Modul Pembelajaran untuk Siswa SMK Kelas X. Jurnal Teknologi Informasi, Volume 5 Nomor 2, Oktober 2009. ISSN 1414-9999. Spicer, S. (2014). Exploring Video Abstracts in Science Journals: An Overview and Case Study. Journal of Librarianship and Scholarly Communication. Volume 2. Issue 2. Pacific University Library. ISSN 2162-3309. http://jlsc-pub.org. Utomo, H.P. (2012). Pengembangan Multimedia Pembelajaran Fisika dengan Macromedia SwishMax pada Materi Cahaya untuk Membantu Meningkatkan Prestasi Belajar Siswa SMP Kelas

VIII.

Jurusan

Fisika

FPMIPA.

Universitas

Negeri

Malang.

E-mail:

[email protected]


557

SISTEM REKOMENDASI OPTIMALISASI WAKTU PENGANGKUTAN SAMPAH DI KOTA SURAKARTA DENGAN METODE PIGEONHOLE DAN DIJKSTRA Agus Purbayu,S.Si, M.Kom, Hartatik,S.Si,M.Si, Liliek Triyono,ST,M.Kom Program Studi Teknik Informatika FMIPA UNS [email protected], [email protected], [email protected]

ABSTRAK.Permasalah yang sering dihadapi di dalam pengangkutan sampah di setiap wilayah adalah penentuan rute pengangkutan sampah. Penentuan rute ini menjadi suatu permaslaahan yang utama karena hal ini berdampak pada pemakaian bahan bakar dan juga waktu kerja seorang karyawan. Penentuan rute yang kurang tepat akan berakibat pada jarak yang ditempuk semakin jauh dan hal ini berarti akan mengakibatkan semakin besar pemakaian BBM dan waktu yang digunakan.Untuk itu dalam penelitian ini akan mengembangkan aplikasi tentang pengoptimalan pengakutan sampah dengan algoritma pigeonhole dan Dijsktra. Pada dasarnya algoritma Pigeonhole digunakan untuk menentukan truk sampah mana yang harus mengambil sampah di Tempat Pembuangan Sementara (TPS) tertentu. Untuk optimalisasi waktu dilakukan dengan menentukan jalur terpendek yang bisa dilewati untuk masing-masing truk sampah. Data yang dihasilkan dari Pigeonhole tersebut kemudian penentuan jalur terpendek tersebut dengan menggunakan algoritma Dijkstra. Dengan asumsi awal semakin pendek rute yang dilalui truk sampah untuk mengambil sampah, maka semakin cepat pembersihan sampah dilakukan dengan begitu dengan sendirinya optimalisasi pembersihan sampah dapat tercapai. Kata Kunci: sistem pengangkutan sampah, Dijsktra, pigeonhole.

1. LATAR BELAKANG Kebersihan lingkungan merupakan topik yang hangat dan sering dikemukakan menjadi pemberitaan utama. Menumpuknya sampah terutama dikota-kota besar sering kali menjadi masalah yang sangat mengganggu. Pertambahan jumlah sampah yang tidak diimbangi dengan pengelolaan yang ramah lingkungan akan menyebabkan terjadinya perusakan dan pencemaran lingkungan (Tuti Kustiah, 2005:1). Semakin cepat sampah-sampah diangkut oleh petugas kebersihan maka semakin kota menjadi terlihat indah, terjaga kebersihan dan terjaga kesehatannya. Sampah yang seringkali menumpuk di tempat pembuangan sementara (TPS) salah satunya disebabkan oleh kurangnya armada truk dan tidak tepatnya jalur yang dilewati truk. Jalur truk sampah seharusnya disesuaikan dengan jalur terbaik yang bisa dilewati dan disesuaikan dengan banyaknya tonase sampah pada setiap TPS yang berbeda-beda. Penanganan sampah yang tidak komprehensif akan memicu terjadinya masalah sosial, seperti amuk massa, bentrok antar warga, pemblokiran fasilitas TPA (Hadi, 2004). Seminar Nasional Matematika, Sains dan Informatika 2015

558

Prosiding

ISBN 978-602-18580-3-5

Sudah ada beberapa penelitian sebelumnya yang mencoba menerapkan metode guna menemukan solusi pengelolaan sampah, diantaranya: Tabel 1. Penelitian tentang pengelolaan Sampah No

Nama Peneliti

Judul Penelitian

1

M. Shosi Alkhoiroda‘i

Implementasi Algoritma Branch and Bound untuk

(2013)

optimasi

Rute

Pengangkutan

Sampah

kota

Jogjakarta 2

Zulfikar

Hasan,

Achmad, Nurwan

Novianita Optimasi

Rute

Armada

Kebersihan

Kota

Gorontalo Menggunakan Ant Colony Optimization

(2012) 3

Albert Kurnia, Friska Angelina, Pencarian Rute terpendek untuk Suplay Bahan Windy Dwiparaswati

Bakar Minyak (BBM) dari terminal BBM ke

(2012)

Statsiun

Pengisian

Bahan

Bakar

untuk

Umum(SPBU) menggunakan Algoritma Dijkstra (Studi Kasus Kota Palu)

Mengacu pada peneliti sebelumnya tersebut, maka dalam penelitian ini akan diteliti satu metode guna mengatasi masalah pengelolaan sampah yaitu dengan metode Disjktra yang dikombinasikan dengan algoritma Pigenhole. Awalnya dari masing-masing armada truk ditugaskan untuk menuju TPS, pemilihan armada yang ditugaskan ini dilakukan dengan menggunakan algoritma pigeon hole. Setelah itu dipilih jalur terbaik yaitu dengan algoritma dijkstra . Pada penelitian ini diasumsikan jalur jalan mempunyai tingkat kemacetan yang sama dan mempunyai kecepatan yang sama. Waktu yang diperoleh dihitung berdasar panjang jalurnya dan waktu rata-rata truk yang sudah ditentukan. Waktu yang diperlukan untuk persiapan, pengangkutan dan penurunan sampah juga masih diabaikan. Waktu mulai kerja semua truk juga dianggap sama dan ditentukan di awal dijalankannya sistem. Jumlah truk ditentukan awal sehinggan rute perjalanan masing-masing truk dapat ditentukan dalam sistem yang akan dibuat


559

Prosiding

ISBN 978-602-18580-3-5

sehingga lama waktu yang diperlukan untuk membersihkan sampah di TPS dapat ditentukan seminimal mungkin. Selanjutnya berdasarkan algoritma Pigenhole dan Disjktra akan dibangun aplikasi sehingga nantinya dapat diterapkan untuk mengatasi masalah pengangkutan sampah di kota-kota besar., khususnya di kota Solo.Kota Solo menurut data DKP kota solo tergolong kota yang mempunyai banyak TPS dan satu TPA dimana volume sampah tiap harinya cukup besar. Menurut Kepala Badan Perencanaan Pembangunan Daerah Surakarta, volume sampah di Surakarta memang cukup besar yaitu mencapai 250 ton tiap harinya. Ahmad (2012). Tabel 2. Jumlah sampah yang dibuang di TPA ―Putri Cempo‖ Mojosongo (ribu ton) Sumber

2004

2005

2006

2007

2008

domestik

68,572

68,945

65,935

68,072

67,445

pasar

10,131

10,437

10,347

11,007

10,956

umum

2,322

2,497

1,821

2,402

2,091

total

81,025

81,879

78,103

81,481

80,492

Sumber : Data sekunder DKP Kota Surakarta (2009)

Hasil yang diharapkan dari penelitian ini adalah jalur yang dilewati armada truk serta waktu minimal yang diperlukan untuk membersihkan TPS diseluruh kota. Hasil ini nantinya diharapkan menjadi rekomendasi Dinas Kebersihan dan Pertamanan untuk menentukan kebijakan yang berkaitan dengan pengangkutan sampah dikotanya. Luaran dari penelitian ini jurnal lokal ber ISSN IT Smart Informatika UNS atau salah satu jurnal nasional terakreditasi. 2. METODE PENELITIAN Tahapan kerja dalam penelitian ini adalah sebagai berikut: Seminar Nasional Matematika, Sains dan Informatika 2015

560

Prosiding

ISBN 978-602-18580-3-5

kegiatan

Luaran

Studi literatur

konsep dan teori terkait penegeloalaan sampah

Pengumpulan data

Informasi yang dibutuhkan untuk optimasi kelola sampah

Analisis sitem

Permasalahan yang membutuhkan solusi

Pengembangan sistem

Optimasi pengelolaan sampah

Pembuatan laporan

Laporan penelitian

Lokasi pengamatan penelitian adalah wilayah surakarta yang memiliki luas sekitar 44 Km2, menurut letak geographisnya Kota Surakarta dibelah dan dialiri oleh 3 (tiga) buah Sungai besar yaitu sungai Bengawan Solo, Kali Jenes dan Kali Pepe . pengamatan dikhususkan pada lokasi pembuangan sampah wilayah surakarta yang meliputi kecamatan Banjarsari, jebres, pasar kliwon, laweyan, serengan. 1. Peubah Yang Diamat/ Diukur Peubah(variabel )yang diukur dalam penelitian ini adalah: a. jumlah armada truk pengangkut smapah b. jumlah TPS dan TPA di wilayah surakarta c. rute / jalan yang bisa dilalui armada truk pengangkut sampah ke lokasi TPS 2. Teknik Pengumpulan Data Dan Analisa Data pengumpulan data yaitu dengan menggunakan metode wawancara, survey lapangan dan juga menggunakan data dari dinas kebersihan kota. 3. Model Yang Digunakan sesuai dengan tahapan penelitian dalam penelitian ini menggunakan dua metode/ model yaitu : a. metode pigeonhole untuk menentukan penempatan armada pada lokasi TPS tujuan b. algoritma dijkstra untuk menentukan lintasan / rute terpendek pengangkutan sampah Seminar Nasional Matematika, Sains dan Informatika 2015

561

Prosiding

ISBN 978-602-18580-3-5

3.HASIL DAN PEMBAHASAN 3.1.Implementasi DataBase Sistem Implementasi Database sistem merupakan database dari aplikasi yang dibangun. Pada program ini hanya digunakan satu tabel sebagai tampungan data TPS seluruh Surakarta dan besarta longtitude serta latitude Goole Maps. Tabel kemudian dinamakan markers dengan detail strukturnya seperti pada gambar 3.1 dan 3.2.

Gambar 3.1 Tabel yang digunakan untuk pendataan TPS di Google Maps

Gambar 3.2 Contoh Data PadaTabel Markers untuk pendataan TPS Berdasarkan data tersebut, selanjutnya dengan menngunakan koordinat google Mapas diperoleh titik Terminal, TPA dan TPS-TPS di kota Surakarta seperti pada gambar 3.3.


562

Prosiding

ISBN 978-602-18580-3-5

Gambar 3.3 Lokasi Semua TPS di Surakarta. Pada aplikasi ini terbagi dalam 4 proses pengangkutan yaitu Pengangkutan 1 (P1), Pengangkutan 2 (P2), Pengangkutan 3 (P3), Pengangkutan 4 (P4). Dan didapatkan hasil diantaranya untuk lokasi Ngemplak. Pada Hasil di program dengan memanfaatkan rute Google MAPS diperoleh visualisasi jalur seperti yang akan digambarakan pada salah satu rute pada truk 15 (rute terpanjang) dengan rute TERMINAL-TPS

NGEMPLAK-TPA-TPS

SAMSAT-TPA-TPS

BONOLOYO-TPA-TPS

BKIA-TPA dengan jarak tempuh 45 km. Penggambaran rute satu persatu seperti pada gambar

Gambar 3.4 Jalur Terminal Truk Sampah- TPS Ngemplak Seminar Nasional Matematika, Sains dan Informatika 2015

563

Prosiding

ISBN 978-602-18580-3-5

Gambar 3.5 Jalur TPS ngemplak-TPA Dan proses ini akan diulang untuk daerah yang lain. Berdasarkan keseluruhan wilayah kota Surakarta didapatkan jalur yang optimum 23 jalur, yaitu : Tabel 3. Rekomendasi jalur pengangkutan sampah

Rute truk-1

Jalur Yang dilewati TERMINAL-TPS BKIA-TPA-TPS SONDAKAN 1-TPA-TPS

Jarak Tempuh(km) 39.9

MOJOSONGO-TPA-TPS BKIA-TPA Truk-2

TERMINAL-TPS BONOLOYO-TPA-TPS SILIR LAMA-TPA-TPS

41

DAWUNG-TPA Truk-3

TERMINAL-TPS DAWUNG-TPA-TPS SAMPANGAN BARAT-

42.6

TPA-TPS SAMSAT-TPA Truk-4

TERMINAL-TPS JOYONTAKAN-TPA-TPS SAMBENG-TPA-

43.1

TPSSONDAKAN 1-TPA Truk-5

TERMINAL-TPSJURUG-TPA-TPSSILIR BARU-TPA-


36.9

564

Prosiding

ISBN 978-602-18580-3-5

TPSSARIWARNA-TPA Truk-6

TERMINAL-TPSKARTOPURAN-TPA-TPSMUGEN LEPAS-

41.6

TPA-TPSSILIR LAMA-TPA Truk-7

TERMINAL-TPSKEDUNG TUNGKUL-TPA-TPSSONDAKAN

35.5

KUBURAN-TPA-TPSBONOLOYO-TPA Truk-8

TERMINAL-TPSKERKOP-TPA-TPSSAMUDRA PASAI-TPA-

37.9

TPSBKIA-TPA Truk-9

TERMINAL-TPSLAWEYAN-TPA-TPSJURUG-TPA-TPSBKIA-

36.7

TPA Truk-10

TERMINAL-TPSMAKRO-TPA-TPSSARIWARNA-TPA-

41.6

TPSSONDAKAN 2-TPA Truk-11

TERMINAL-TPSMINAPADI-TPA-TPSDAWUNG-TPA-TPSSILIR

38.3

BARU-TPA Truk-12

TERMINAL-TPSMOJOSONGO-TPA-TPSSONDAKAN 2-TPATPSBKIA-TPA

Truk-13

TERMINAL-TPSMUGEN LEPAS-TPA-TPSMUGONO-TPA-

36.6

TPSMINAPADI-TPA Truk-14

TERMINAL-TPS MUGONO-TPA-TPS SAMPANGAN TIMUR-

42.2

TPA-TPS SPSA-TPA Truk-15

TERMINAL-TPS NGEMPLAK-TPA-TPS SAMSAT-TPA-

45

TPSBONOLOYO-TPA-TPSBKIA-TPA Truk-16

TERMINAL-TPSNLIPAKAN-TPA-TPS SPSA-TPA-TPS

39.3

SAMPANGAN BARAT-TPA Truk-17

TERMINAL-TPS NOROWANGSAN-TPA-TPS BKIA-TPA-

40.2

TPSSAMPANGAN BARAT-TPA Truk-18

TERMINAL-TPSPAJANG GENTAN-TPA-TPSBONOLOYO-

37.6

TPA-TPSBKIA-TPA Truk-19

TERMINAL-TPSPAJANG REL-TPA-TPSKEDUNG TUNGKUL-

35.1

TPA-TPSBONOLOYO-TPA Truk-20

TERMINAL-TPSPANTI WALUYO-TPA-TPSMINAPADI-TPA-


36.8

565

Prosiding

ISBN 978-602-18580-3-5

TPSJURUG-TPA Truk-21

TERMINAL-TPSPERUM BECAK-TPA-TPSNGEMPLAK-TPA-

37.1

TPSBKIA-TPA Truk-22

TERMINAL-TPS SAMBENG-TPA-TPS NLIPAKAN-TPA-TPS

44.4

SAMUDRA PASAI-TPA Truk-23

TERMINAL-TPS SAMPANGAN BARAT-TPA-TPS SOLO

42.9

SQUARE-TPA-TPSSILIR BARU-TPA

4. KESIMPULAN Berdasarkan pembahasan di atas, maka dapat disimpulkan bahwa telah dilakukan simulasi penggunaan algoritma pigeonhole dan dijkstra untuk menoptimalkan waktu pengambilan sampah di Kota Surakarta. Dihasilkan presisi dari pemanfaatan jarak yang akan mengoptimasi waktu pengangkutan sampah dan secara tidak langsung target kebersihan kota dapat tercapai. Dari Penelitian ini didapatkan rekomendasi 23 rute yang optimal untuk pengangkutan sampah di kota Surakarta. DAFTAR PUSTAKA Anonimus, 2009.Modul Pelatihan 3 R. Direktorat Pengembangan Penyehatan, Dinas Pekerjaan Umum Hadi, S. P, 2004. Sindrom Sampah. Kompas 7 Desember 2008, Jakarta. Hasad Andi. 2011. Algoritma Optimasi dan Aplikasinya, Sekolah Pascasarjana IPB, Bogor. Rafiq Ahmad, 2012,Surakarta Gandeng Bappenas untuk Kelola Sampah diakses dari http://www.tempo.co/read/news/2012/05/11/058403295/Surakarta-Gandeng-Bappenasuntuk-Kelola-Sampahdiakses pada hari kamis tanggal 4 September 2014 jam 15.45. Siddhartha Sankar Biswas, Bashir Alam and M.N. Doja, (2013), Generalization Of Dijkstra’s Algorithm For Extraction Of Shortest Paths In Directed Multigraphs,Journal of Computer Science, 9 (3): 377-382, 2013 Suyanto. 2010. Algoritma Optimasi Deterministik atau Probabistik, Graha Ilmu, Yogyakarta. Tuti Kustiah, 2005, Kajian Kebijakan Pengelolaan Sanitasi Berbasis Masyarakat,Pusat Penelitian dan Pengembangan Permukiman, Badan Penelitian danPengembangan Departemen Pekerjaan Umum, Bandung


566

Sistem Pendukung Keputusan Identifikasi Bakteri Salmonella Pada Susu Bubuk Dengan Metode Profile Matching (Studi Kasus : Laboratorium PT Tigaraksa Satria, Yogyakarta) Ade Ratnasari1, Purwadi Santoso2 UIN Sunan Kalijaga2 UIN Sunan Kalijaga2

ABSTRAK. Salmonella merupakan bakteri pathogen, yang berarti bakteri tersebut dapat menyebabkan penyakit meskipun dalam jumlah yang sangat sedikit. ISO 6579 : 2002 (E) merupakan salah satu metode uji yang dikembangkan untuk identifikasi Salmonella. Dalam metode uji ini secara garis besar mempunyai empat tahap pengujian yaitu Pre-Enrichment, Selective Enrichment, Plating-Out, dan Confirmation. Karena tahapan pengujian Salmonella yang cukup panjang dan rumit, terkadang analis mengalami kesulitan dalam menentukan sampel uji yang mereka periksa apakah dapat positif terkontaminasi oleh Salmonella atau negatif. Penelitian ini menggunakan metode Profile Matching. Proses Profile Matching dilakukan untuk menentukan rekomendasi hasil uji dalam sistem identifikasi bakteri Salmonella berdasar pada tiga kriteria, yaitu uji pendugaan, uji konfirmasi biokimia dan uji konfirmasi serologi. Hasil proses ini berupa nilai ranking yang akan dikonversi menjadi rekomendasi hasil uji idenfitikasi bakteri Salmonella Kata Kunci: Sistem Pendukung Keputusan, Profile Matching, Bakteri Salmonella 1. PENDAHULUAN Susu bubuk merupakan produk susu olahan yang diperoleh dengan mengurangi sebagaian besar kadar air dengan proses pengeringan susu segar dengan atau tanpa penambahan vitamin, mineral dan bahan tambahan makanan lain yang diijinkan. Beberapa spesies Salmonella dapat menyebabkan infeksi makanan. Infeksi pada genus Salmonella disebut Salmonellosis yang menyerang saluran gastrointestin yang mencakup perut, usus halus dan usus besar (Iriyanto, 2006). Pada susu bubuk, secara visual sangat sulit untuk membedakan produk susu bubuk yang terkontaminasi oleh bakteri Salmonella atau tidak. Pada umumnya aktivitas bakteri akan menimbulkan bau busuk, tengik, apek dan bau lainnya yang membuat aroma susu tersebut tidak lagi segar. Namun demikian kita tidak dapat mendeteksi apakah pada susu tersebut terdapat bakteri Salmonella sebelum kita melakukan pengujian lebih lanjut. Berdasarkan uraian diatas, maka permasalahan yang muncul adalah ―Bagaimana membuat sistem pendukung keputusan yang dapat mengolah data yang diperoleh dari hasil analisa sehingga dapat mendukung dalam pengambilan keputusan‖. Ruang lingkup sistem pendukung keputusan identifikasi bakteri Salmonella ini adalah : Seminar Nasional Matematika, Sains dan Informatika 2015

567

Prosiding



ISBN 978-602-18580-3-5

Metode analisa Salmonella yang digunakan adalah ISO 6579 : 2002 (E) Microbiology of food and animal feeding stuffs — Horizontal method for the detection of Salmonella spp.



Kriteria yang pilih meliputi uji pendugaan, uji konfirmasi biokimia dan uji konfirmasi serologi.



Sistem dibatasi pada persoalan yang terjadi di Laboratorium PT Tigaraksa Satria dan Metode yang digunakan adalah metode Profile Matching 2. METODE PENELITIAN Metode profile matching adalah metode yang dapat dipakai sebagai mekanisme dalam

pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel prediktor yang ideal yang harus dipenuhi oleh subyek yang diteliti, bukannya tingkat minimal yang harus dipenuhi atau dilewati [4]. Dalam proses profile matching secara garis besar merupakan proses membandingkan antara nilai data aktual dari suatu profile yang akan dinilai dengan nilai profile yang diharapkan, sehingga dapat diketahui perbedaan kompetensinya (disebut juga gap) [5]. 3. HASIL PENELITIAN DAN PEMBAHASAN Pemodelan sitem ini menggunakan use case diagram. Use case diagram adalah salah satu diagram yang digunakan untuk memodelkan perilaku aplikasi yang akan dibuat. Pada use case diagram ini digambarkan dengan interaksi antara aktor dengan aplikasi. Pada Sistem ini ada dua aktor yaitu admin dan analyst. Pengelolaan Data Pegawai <> Pengelolaan Data Supplier

<>

Login <> ADMIN

Pengelolaan Data Jenis Susu

<>

<> Display Hasil Uji Lab

User Profile

Gambar 1. Use Case Diagram Admin Seminar Nasional Matematika, Sains dan Informatika 2015

568

Prosiding

ISBN 978-602-18580-3-5

Uji Susu

<>

Login <> Analyst User Profile

Gambar 2 Use Case Diagram Analyst Berdasarkan hasil pengumpulan data, dapat diketahui bahwa terdapat tiga kriteria dasar yang saat ini digunakan dalam identifikasi bakteri Salmonella dalam susu bubuk yaitu uji pendugaan, uji konfirmasi biokimia, dan uji konfirmasi serologi. Struktur hirarki permasalahan yang ada dalam sistem identifikasi bakteri Salmonella dalam susu bubuk yang dibangun dapat dilihat pada gambar 3. Identifikasi Bakteri Salmonella Dalam Susu Bubuk

Uji Pendugaan

Uji Konfirmasi Biokimia

Uji Konfirmasi Serologi

Uji RVS pada media XLD

Uji Media TSIA

Uji Tanpa Antigen

Uji MKTTN pada media XLD

Uji Media LIA

Uji Dengan Antigen O

Uji RVS pada media BGA

Uji Media Urea Agar

Uji Dengan Antigen Vi

Uji MKTTN pada media BGA

Uji Media L-Lysine decarboxilate

Uji Dengan Antigen H

Uji Media β-galatosidase Uji Media VogesProskauer Uji Media Indole

Gambar 3. Hirarki Permasalahan Tahapan – tahapan yang harus dilakukan dalam tahap ini antara lain adalah: a. Pembobotan GAP GAP adalah nilai beda antara nilai profile salmonella yang ditetapkan oleh laboratorium dengan nilai profile sampel uji yang didapat dari hasil pengujian Pada tahap ini, akan ditentukan bobot nilai masing-masing kriteria dengan menggunakan bobot nilai yang telah ditentukan bagi masing-masing kriteria itu sendiri. GAP = Profile Salmonella - Profile Sampel Uji

(3.1)

b. Pengelompokan Core Factor dan Secondary Factor Berdasarkan referensi pengujian Salmonella yang diacu dalam sistem ditetapkan

tiga

kriteria dan lima belas sub kriteria. Setelah menentukan bobot nilai gap untuk semua kriteria, Seminar Nasional Matematika, Sains dan Informatika 2015

569

Prosiding

ISBN 978-602-18580-3-5

kemuadian setiap kriteia dari masing - masing aspek dibagi lagi menjadi dua kelompok yaitu kelompok Core Factor (CF) dan Secondary Factor (SF). Pembagian Core Factor dan Secondary Factor dapat dilihat seperti tabel dibawah ini, Tabel 1. Tabel Konfersi Selisih (GAP) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

GAP 0 1 -1 2 -2 3 -3 4 -4 5 -5 6 -6 7 -7 8 -8 9 -9 10 -10

Bobot 10 9,.5 9 8,5 8 7,5 7 6,5 6 5,5 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0

Keterangan Hasil uji sesuai dengan standar Hasil uji kelebihan 1 tingkat Hasil uji kekurangan 1 tingkat Hasil uji kelebihan 2 tingkat Hasil uji kekurangan 2 tingkat Hasil uji kelebihan 3 tingkat Hasil uji kekurangan 3 tingkat Hasil uji kelebihan 4 tingkat Hasil uji kekurangan 4 tingkat Hasil uji kelebihan 5 tingkat Hasil uji kekurangan 5 tingkat Hasil uji kelebihan 6 tingkat Hasil uji kekurangan 6 tingkat Hasil uji kelebihan 7 tingkat Hasil uji kekurangan 7 tingkat Hasil uji kelebihan 8 tingkat Hasil uji kekurangan 8 tingkat Hasil uji kelebihan 9 tingkat Hasil uji kekurangan 9 tingkat Hasil uji kelebihan 10 tingkat Hasil uji kekurangan 10 tingkat

Tabel 2. Pembagian CF dan SF Pada Kriteria Uji Pendugaan Nama Sub Kriteria Uji RVS pada Media XLD Uji MKTTN pada Media XLD Uji RVS pada Media BGA Uji MKTTN pada Media BGA

Nilai Profil Ideal 9 9 9 9

Tipe CF CF SF SF

Tabel 3. Pembagian CF dan SF Pada Kriteria Uji Konfirmasi Biokimia Nama Sub Kriteria Uji Media TSIA Uji Media LIA Uji Media Urea Uji Media L-lysine Decarboxilate Uji Media β galaktosidase Uji Media Voges-Prokaeur Uji Media Indole Seminar Nasional Matematika, Sains dan Informatika 2015

Nilai Profil Ideal 9 9 9 9 9 9 9

Tipe CF SF CF CF CF CF CF 570

Prosiding

ISBN 978-602-18580-3-5

Tabel 4. Pembagian CF dan SF Pada Kriteria Uji Konfirmasi Serologi Nama Sub Kriteria Uji Tanpa Antigen Uji Dengan Antigen O Uji Dengan Antigen Vi Uji Dengan Antigen H

Nilai Profil Ideal 9 9 9 9

Tipe CF SF SF SF

Berikut ini adalah contoh perhitungan nilai GAP untuk kriteria uji uji pendugaan. Pada tahap ini dilakukan proses perhitungan GAP anatara profile sampel uji dengan profile standar Salmonella untuk masing - masing subkriteria. Pada kiteria uji pendugaan ini mempunya empat subkriteria dengan pembagian 2 CF dan 2 SF seperti pada tabel 2. Tabel 5. GAP Kriteria Uji Pendugaan N o

Kode Sampel

1. 2. 3.

Susu 1 Susu 2 Susu 3

Profile Ideal 1. Susu 1 2. Susu 2 3. Susu 3

Uji Pendugaan

GAP

S1 9 10 7

S2 9 9 8

S3 10 10 8

S4 10 9 10

9

9

9

9

(-)

(+)

0 1 -2

0 0 -1

1 1 -1

1 0 1

0 0 3

2 2 1

Keterangan : S1

: Uji RVS pada Media XLD

S2

: Uji RVS pada Media BGA

S3

: Uji MKTTN pada Media

S4

: Uji MKTTN pada Media BGA

Dapat dilihat pada tabel 5 bahwa nilai profile ideal untuk setiap subkriteria pada tabel tersebut adalah sama, yaitu 9. Selanjutnya dengan menggunakan rumus 1, dilakukan perhitungan untuk memperoleh GAP masing - masing subkriteria. Sebagai contoh diambil kode sampel susu 1 dengan nilai profilenya adalah : S1 : 9 ; S2 : 9 ; S3 : 10 ; S4 : 10 Sehinggga nilai GAP yang diperoleh untuk setiap subkriterianya adalah S1 : 0 ; S2 : 0 ; S3 : 1 ; S4 : 1 Seminar Nasional Matematika, Sains dan Informatika 2015

571

Prosiding

ISBN 978-602-18580-3-5

Proses yang sama dilakukan peritungan untuk pada kriteria uji konfirmasi biokimia dan uji konfirmasi serologi. Setelah didapat GAP dari masing - masing kode sampel, selanjutnya nilai GAP dari masing masing kode sampel dikonversi menjadi nilai bobot sesuai pada tabel 1. Dari hasil konversi tersebut setiap sampel akan mempunyai nilai bobot seperti contoh dibawah ini. Tabel 6. Bobot Nilai GAP Pada Kriteria Uji Pendugaan Kode Sampel

No

Nilai GAP 1. Susu 1 2. Susu 2 3. Susu 3 Bobot Nilai GAP 1. Susu 1 2. Susu 2 3. Susu 3

Uji Pendugaan S1

S2

S3

S4

0 1 -2

0 0 -1

1 1 -1

1 0 1

10 9,5 8

10 10 9

9,5 9,5 9

9,5 10 9,5

Proses yang sama dilakukan untuk menentukan nilai GAP dan bobot nilai GAP untuk kriteria uji konfirmasi biokimia dan uji konfirmasi serologi. Setelah semua kriteria mendapatkan bobot nilai GAP untuk setiap subkriteria yang dimiliki, maka proses selanjutnya adalah menghitung nilai core factor dan secondary factor. Untuk menghitung core factor digunakan rumus NCF pada persamaan 3.2. NCF 

 NC  IC

(3.2)

Keterangan : NCF : Nilai rata-rata Core Factor ∑NC : Jumlah total nilai Core Factor ∑IC : Jumlah item Core Factor NSF 

 NS  IS

(3.3)

Keterangan : NSF

: Nilai rata-rata Secondary Factor


572

Prosiding

ISBN 978-602-18580-3-5

∑NS

: Jumlah total nilai Secondary Factor

∑IS

: Jumlah item Secondary Factor

Sedangkan untuk perhitungan secondary factor dapat digunakan persamaan 3.3 NCF  NSF 

10  10 20   10 2 2

9,5  9,5 19   9,5 2 2

Lebih jelas lagi pengelompokan perhitungan GAP berdasarkan pengelompokan core factor dan secondary factor dapat dilihat pada contoh berikut ini. Perhitungan core factor dan secondary factor diawali dengan menetukan subkriteria yang menjadi core factor dan secondary factor seperti pada tabel 2, tabel 3 dan tabel 4. Selanjutnya lakukan perhitungan menggunakan rumus (3.2) dan (3.3). Sebagai contoh untuk kode sampel susu 1 diperoleh nilai sebagai berikut : Tabel berikut ini adalah hasil perhitungan CF dan SF untuk kriteria uji pendugaan.

Tabel 7. Nilai CF dan SF Untuk Kriteria Uji Pendugaan No 1. 2. 3.

Kode Sampel Susu 1 Susu 2 Susu 3

Uji Pendugaan S1 S2 S3 10 10 9,5 9,5 10 9,5 8 9 9

S4 9,5 10 9,5

CF

SF

10 9,75 8,5

9,5 9,75 9,25

Dari perhitungan pada kriteria diatas kemudian dihutung nilai total kriteria dengan rumus sebagai berikut : NT  ( X )%NCF  ( X )%NSF

(3.4)

Keterangan : NCF

: Nilai rata-rata Core Factor

NSF

: Nilai rata-rata Secondary Factor

NT

: Nilai total kriteria

X : Persentase yang dimasukkan Lebih jelas lagi perhitungan nilai total dapat dilihat pada contoh perhitungan nilai total untuk kode sampel susu 1 kriteria uji pendugaan dengan nilai persentase CF 70% dan SF 30%. Seminar Nasional Matematika, Sains dan Informatika 2015

573

Prosiding

ISBN 978-602-18580-3-5

NT (k1)  (70% 10)  (30%  9)  9,85

Tabel 8 . Nilai Total Kriteria Uji Pendugaan No 1. 2. 3.

Kode Sampel Susu 1 Susu 2 Susu 3

CF

SF

NT (k1)

10 9,75 8,5

9 9,75 9,25

9,85 9,75 8,71

Hasil akhir dari Profile Matching adalah nilai ranking dari masing - masing kode sampel uji. Perhitungan ranking mengacu pada rumus berikut ini : Ranking  ( x)%NT ( k1)  ( x)%NT ( k 2)  ( x)%NT ( k 3)

(3.5)

Rangking Susu 1= (20 % * 9,85) + (50 % * 9,47) + (30 % * 9,6) =,97 + 4,73 + 2,88 = 9,58 Keterangan : NT(k1) : Nilai total kriteria uji pendugaan NT(k2) : Nilai total kriteria uji konfirmasi biokimia NT(k3) : Nilai total kriteria uji konfirmasi serologi (x)% : Persentasi tiap kriteria yang ditetapkan Persentase nilai total dari setiap kriteria adalah Uji Pendugaan

20%,

Uji

Konfirmasi

Biokimia 50 % dan Uji Konfirmasi Serologi : 30 % Tabel 9 Rekomendasi Hasil Identifikasi Salmonella No.

Kode Sampel

Ranking

Rekomendasi

1.

Susu 1

9,58

Positif

2.

Susu 2

9,46

Positif

3.

Susu 3

8,66

Negatif

Setelah didapat nilai ranking untuk setiap kode sampel, maka selanjutnya nilai ranking tersebut dikonversi menjadi rekomendasi hasil uji identifikasi Salmonella. Nilai konversi yang ditetapkan oleh laboratorium adalah Salmonella Positif jika ranking ≥ 9,25 dan Salmonella negatif jika < 9,25. Dari tabel 10 dapat dilihat bahwa kode sampel susu 1 dan susu 2 positif terkontaminasi oleh bakteri Salmonella dan susu 3 negatif.


574

Prosiding

ISBN 978-602-18580-3-5

4. KESIMPULAN Berdasarkan hasil pengujian yang telah dilakukan oleh penulis pada SPK Identifikasi Bakteri Salmonella Pada Susu Bubuk Dengan Metode Profile Matching dengan studi kasus di Laboratorium PT Tigaraksa Satria yogyakarta, maka dapat diambil kesimpulan bahwa penelitian ini berhasil membangun Sistem Pendukung Keputusan Identifikasi Bakteri Salmonella Pada Susu Bubuk Dengan Metode Profile Matching. DAFTAR PUSTAKA Alter. (2002). Analisis dan Perencanaan Sistem Informasi dengan Metodologi Berorientasi Objek. Bandung : Informatika Haryoko. (2011). Sistem Pendukung Keputusan Penilaian Kinerja Karyawan Pada Butik Karita Yogyakarta.. Yogyakarta: Amikom. Irianto, Koes.(2006). Mikrobiologi Menguak Dunia Mikroorganisme. YRAMA WIDYA, Bandung. Kusrini, M. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta.: Penerbit ANDI. Limbalo, S.A. (2012). Sistem Pendukung Keputusan Pemilihan Mahasiswa Berprestasi Menggunakan Metode Profile Matching. Skripsi Universitas Negeri Gorontalo. Muqtadir, A., dan Purdianto, I., (2013). Sistem Pendukung Keputusan Kenaikan Jabatan Menggunakan Metode Profile Matching (studi kasus PT. Industri Kemasan Semen Gresik). Yogyakarta, proceeding SNATI p. E-48 - E-55 Turban, E. (2005). Decision Support Systems and Intelligent Systems. Yogyakarta : Penerbit ANDI.


575

PERANCANGAN APLIKASI TRANINGPEDIA BERBASIS ANDROID Yudho Yudhanto1), Sonia Eka Putri2) 1,2) Prodi D3Teknik Informatika FMIPA UNS Surakarta Jl Ir. Sutami 36 A, Surakarta, 5712 Email : [email protected] 1), [email protected] 2)

ABSTRAK. Training atau pelatihan adalah kegiatan untuk memberi, memperoleh, meningkatkan, serta mengembangkan kompetensi kerja, produktivitas pada tingkat keterampilan dan keahlian tertentu sesuai dengan jenjang dan kualifikasi keahlian. Singkatnya, training merupakan proses mengajarkan pengetahuan dan pengembangan keterampilan bekerja (vocational) serta sikap agar semakin terampil dan mampu melaksanakan tanggung jawabnya dengan semakin baik sesuai standar. Internet merupakan cara yang paling ampuh dalam mempertemukan semua penggunanya tanpa dibatasi dengan jarak dan waktu. Android merupakan faktor utama melejitnya jumlah penggunaan internet melalui perangkat mobile. Aplikasi ‗Trainingpedia‘ ini bisa diakses melalui web dan juga aplikasi berbasis Android bertujuan utama untuk memudahkan user dalam interaksi dalam usaha mengikuti atau menawarkan kegiatan training kepada komunitas peserta (member) ataupun user umum (non-member). Tujuan utamanya adalah aplikasi Trainingpedia menjadi mudah dimengerti dan digunakan. User cukup membuka aplikasi ini, kemudian user akan mengetahui informasi dan lokasi training berikut informasi jarak dan juga ada fasilitas mendaftar, upload serta reminder. Kata Kunci: training, android, perancangan, aplikasi 1. PENDAHULUAN Ruang lingkup yang akan diteliti adalah bagaimana memberikan solusi dalam pengambilan keputusan dengan menggunakan sistem informasi. Lingkupnya adalah menghasilkan sebuah rancangan aplikasi yang menyajikan informasi yang terkait training, kursus atau pelatihan kepada user dan calon peserta training. Penyajian informasi berupa detail dari informasi training beserta sistem untuk interaksi dan juga dilengkapi dengan jauhnya jarak dan solusi jalur tercepat dalam mencapai titik lokasi penyelenggara training yang diinginkan. Sistem informasi ini nantinya dapat diunduh dari playstore dan ditanam kedalam smartphone dengan sistem operasi Android. User tidak hanya menikmati hasil berupa penyajian data, tetapi juga berinteraksi secara aktif memberikan informasi ke dalam sistem melalui android maupun web sehingga informasi tersebut juga berguna bagi pengguna lainnya. Seminar Nasional Matematika, Sains dan Informatika 2015

576

Prosiding

ISBN 978-602-18580-3-5

Menurut data riset IDC tentang marketshare Smartphone dengan berbagai sistem operasi, pada quartal ke-2 tahun 2014 terlihat bahwa Android menguasai pasar s.d 84,7% (http://www.idc.com/prodserv/smartphone-os-market-share.jsp)

jauh

meninggalkan

sistem

operasi yang lainnya. Google Maps diluncurkan pada tahun 2005, mampu membuat merevolusi aplikasi layanan pemetaan online di internet. Google Maps menggunakan Asynchronous JavaScript dan XML (AJAX) untuk mempertahankan hubungan informasi yang berkelanjutan antara klien dan server untuk mendapatkan informasi peta [1]. Menurut PP No.31 tahun 2006 tentang Sistem Pelatihan Kerja Nasional, Pelatihan kerja atau yang sekarang biasa kita kenal dengan istilah training adalah seluruh kegiatan untuk memberi, memperoleh, meningkatkan, serta mengembangkan kompetensi kerja, produktivitas, disiplin, sikap, dan etos kerja pada tingkat keterampilan dan keahlian tertentu sesuai dengan jenjang dan kualifikasi jabatan atau pekerjaan. Singkatnya, training merupakan proses mengajarkan pengetahuan dan pengembangan keterampilan bekerja (vocational) serta sikap agar peserta semakin terampil dan mampu melaksanakan tanggung jawabnya dengan semakin baik sesuai dengan standar. [2]. Proses mencocokkan kebutuhan untuk training dan kebutuhan pelaku yang mengadakan training dapat difasilitasi melalui teknologi sehingga user sebagai pemilik training dan pencari training dapat bertemu dengan efektif dan efisien. 2. METODE PENELITIAN Metodologi yang diterapkan adalah : Tinjauan Pustaka. Penelitian yang berhubungan dengan topik yang penulis bahas salah satunya adalah ―Sistem Informasi Akademik berbasis Android pada STIMIK Global Informatika‖

[3].

Penelitian tersebut membahas aplikasi akademik berbasis Android sebagai

alternatif selain melalui website. Mampu menampilkan informasi perkuliahan seperti mata kuliah, dosen, mahasisaa, nilai dan ujian Berikutnya adalah ―Pembangunan Aplikasi Pencarian Rumah Sakit dan Dokter Terdekat Berbasis Android‖

[4].

Penelitian tersebut membahas Aplikasi Pencari Rumah sakit dan dokter

untuk mencari rumah sakit terdekat dari posisi user, pencarian dokter spesialis dengan


577

Prosiding

ISBN 978-602-18580-3-5

menggunakan nama, dan kemudian pencarian klinik spesialis tertentu pada hari dan jam tertentu sesuai keinginan pengguna. Terakhir adalah penelitian dengan judul ―Aplikasi Cari Dokter untuk Wilayah Surakarta‖ [5]. Penelitian tersebut membahas Aplikasi pencarian lokasi praktek dokter dan rumah sakit terdekat dari posisi user sesuai lokasi GPS. Informasi yang ditampilkan adalah data dokter, foto, alamat dan juga jam kerjanya. Observasi. Mengumpulkan informasi data training untuk memperoleh data standar yang berhubungan dengan training seperti nama training, detail penyelenggara, waktu, tempat, biaya serta materi. Sedangkan informasi posisi latitude longitude bisa diisikan oleh pemilik training sendiri. Wawancara. Melakukan wawancara kepada pemilik training, peserta dan calon peserta training. Wawancara dilakukan kepada pengguna Android, mengenai kemudahan dan kecepatan dalam menggunakan aplikasi android. 2. HASIL PENELITIAN DAN PEMBAHASAN Proses perancangan aplikasi, dilakukan dengan beberapa tahap, yakni : (1) Gambaran umum (Proses Bisnis), (2) Perancangan Sistem menggunakan UML (3) Perancangan UI (User Interface) 2.1 GAMBARAN UMUM (PROSES BISNIS) Aplikasi Trainingpedia berbasis Android merupakan aplikasi yang memuat informasi mengenai pelatihan (training). Pelatihan tersebut berasal dari member yang berstatus sebagai penyedia layanan training. Untuk menjadi member penyedia layanan training, user dapat melakukan registrasi member pada aplikasi web dengan mengisikan data-data dan menyetujui syarat yang telah ditentukan. Sedangkan registrasi member penyedia layanan training akan dikonfirmasi oleh admin. Admin akan memeriksa data registrasi apakah member tersebut berasal dari instansi yang benar-benar terpercaya. Setelah berhasil menjadi member penyedia layanan training, member dapat mengunggah data pelatihan yang meliputi judul, materi, deskripsi, tempat, waktu pelaksanaan dan kuota peserta. Dari sinilah pengunjung dapat melihat dan mencari informasi pelatihan dari seluruh penyedia layanan training pada aplikasi android. Pelatihan dapat dilihat berdasarkan kategori tema dan tempat (kota) berlangsungnya pelatihan tersebut. Seminar Nasional Matematika, Sains dan Informatika 2015

578

Prosiding

ISBN 978-602-18580-3-5

Pengunjung mendaftar sebagai Member penyedia

Member penyedia login ke sistem dengan username dan password

Admin memproses pendaftaran Member penyedia dan sistem Akan memberitahukan status member

Member penyedia mengunggah informasi training yang dimiliki

Pegunjung mendaftar Sebagai member peserta dengan mengisikan informasi diri dan informasi akun

Member penyedia Mengkonfirmasi pendaftaran training

Sistem menampilkan buktiPendaftaran peserta

Member peserta login ke sistem dengan username dan password

Admin login ke sistem

Admin mengkonfirmasi Data training member penyedia Untuk ditampilkan pada sistem

Sistem akan otomatis memproses pendaftaran member dan memberikan Pemberitahuan status member

Melihat daftar training Sistem menampilkan data training Yang tersedia dari berbagai penyedia yang dilengkapi dengan Lokasi pada Google Map

Sistem menampilkan data pendaftaran peserta Mengkonfirmasi pembayaran Dengan menggunggah bukti transfer termasuk biaya training

Mendaftar training

. Gambar 1. Proses Bisnis Aplikasi TrainingPedia Gambar 1 menerangkan proses bisnis dari sistem Trainingpedia dari dua sisi yakni : melalui browser web dan melalui perangkat mobile (didalam kotak tebal warna merah). Seminar Nasional Matematika, Sains dan Informatika 2015

579

Prosiding

ISBN 978-602-18580-3-5

2.2 PERANCANGAN SISTEM 2.1.1 Dari sisi web Diagram konteks menjelaskan aliran data input dan output dari dan ke sistem secara keseluruhan. Diagram konteks Sistem berbasis Web dapat dilihat pada gambar dibawah ini Data member penyedia, Data member peserta, Data training, Data registrasi

berita, data training

Admin

Pengunjung

berita, Kategori berita, Kategori training, status member penyedia, status training

pesan kontak

SI

Member Penyedia data member penyedia, data training, status konfirmasi

TRAININGPEDIA

berita, data training, status member penyedia, status training, data registrasi training, bukti konfirmasi pembayaran

data member peserta, data registrasi training bukti konfirmasi pembayaran

Member Peserta

berita, data training, status member penyedia data registrasi training, status konfirmasi

Gambar 2. Diagram Konteks Sistem Gambar menunjukkan hubungan antara 4 pengguna atau entitas eksternal yaitu Admin, Pengunjung, Member Penyedia dan Member Peserta. Sistem akan memproses data-data yang telah masuk dari masing-masing pengguna dan menghasilkan data-data menuju pengguna atau entitas eksternal. Sedangkan untuk database, berdasarkan rancangan RAT (Relasi Antar Tabel) pada gambar 3 maka dihasilkan 20 tabel, yakni tabel : user, training_provider, training_payment, training, roles, payment_methods, training_seeker, post, has_tags, tags, instructor, post_categories, file_cp, training_instructors, choose_categories, registration, city, provinces, training_time dan training_categories Seminar Nasional Matematika, Sains dan Informatika 2015

580

Prosiding

ISBN 978-602-18580-3-5 post PK

has_tags

post_id

PK

id

title

FK post_id

content

FK tag_id

tags PK

tag_id

instructors PK

tag

instructor_id name description

file_cp status

post_categories

created_time

PK

PK

pc_id

training_instructors

fc_id file_name

PK

updated_time category

FK instructor_id

FK tp_id

FK pc_id

FK training_id training_provider

FK user_id PK

user PK

training

tp_id PK

instance_name training_payment

user_id

PK

id

FK tc_id

phone FK pm_id

password

FK city_id

url FK training_id

email

title

photo

join_time

description

status

FK role_id

training_id FK tp_id

address

username

outline

status_time

objectives

roles PK

id

payment_methods

participants

role_id

PK

pm_id fasilities

role

FK tp_id course_methods

training_seeker

PK

bank

ts_id

rekening_number

name

on_behalf_of

training_categories

PK

quota

category

address

photo

icon

phone

registration

sex

PK

reg_id

photo

reg_date

status

req_confirmtime

status_time

confirm_file

id

confirm_status

FK ts_id

FK ts_id

FK tc_id

FK training_id

location

city PK

status

city_id

datepost

city

datecreate

FK prov_id

provinces

confirmed_time

choose_categories PK

cost

tc_id

PK

training_time PK

id

prov_id

date

province

begin_time end_time

Gambar 3. Relasi Antar Tabel (RAT) 2.1.2 Dari sisi Android Fokus utama dari penelitian ini adalah perancangan untuk untuk aplikasi Android. Analisis kebutuhan dilakukan untuk menggambarkan apa saja yang dibutuhkan user dan apa yang bisa user lakukan terhadap sistem. Berikut adalah hasil analisis kebutuhan dari sisi Android. Seminar Nasional Matematika, Sains dan Informatika 2015

581

Prosiding

ISBN 978-602-18580-3-5

Gambar 4. Use Case Aplikasi dari sisi Android Dari gambar diatas bisa dipahami bahwa Actor Peserta dapat berinteraksi dengan sistem Trainingpedia melalui perangkat Android dengan spesifikasi : Melihat lokasi training, Mendaftar, Upload bukti transfer dan melihat data-data training. Penjelasan use case dengan actor Peserta diterangkan pada data tabel dibawah ini : Tabel 1 Penjelasan Use case diagram Nama Use Case

Deskripsi

Melihat lokasi training

Peserta dapat melihat lokasi training berdasarkan kategori lokasi yang disediakan

Mendaftar training

Peserta melakukan pendaftaran training sesuai data yang telah disediakan

Melihat data training

Peserta dapat melihat data training secara lengkap

Upload bukti transfer

Peserta dapat melakukan pengiriman bukti pembayaran dengan proses upload ke dalam sistem

2.3 PERANCANGAN USER INTERFACE Desain Antarmuka Pengguna (User Interface Design) atau rekayasa antarmuka pengguna adalah sarana komunikasi antara manusia dan komputer yang berfokus pada pengalaman pengguna (User Experience) dan kualitas interaksi. Tujuannya adalah untuk membuat interaksi pengguna semudah dan seefisien mungkin. Berikut ini adalah rancangan desain antar muka pada sistem operasi Android.


582

Prosiding

ISBN 978-602-18580-3-5

Halaman awal

Slider Menu Pengunjung

Halaman reminder

Halaman Jadwal Training

Halaman Kategori Training

Halaman Detail Training

Halaman Registrasi

Halaman Lokasi Training

Halaman Profil

Halaman Member Peserta setelah login

Gambar 5. Rancangan Desain UI Android Trainingpedia Berikut ini adalah penjelasan User Interface pada gambar 5, yakni : Tabel 2 Penjelasan Rancangan User Interface No

Desain UI

1

Halaman Awal

2

Slider Menu Pengunjung

Deskripsi Menampilkan splash screen berbentuk ikon ―trainingpedia‖ kemudian langsung berubah memberikan informasi slider dan update training terbaru Sebagai menu alternatif berupa sliding menu tarik

3

Halaman Kategori Training

Halaman kategori training dalam bentuk ikon dan keterangan

4

Halaman Registrasi

Menampilkan halaman untuk melakukan registrasi

5

Halaman Profil

6

Halaman Reminder

7

Halaman Jadwal Training

Menampilkan profil, berupa nama, username dan foto Menampilkan tampilan tanggal beserta agenda training yang akan atau sedang diikuti Menampilkan jadwal training keseluruhan

8

Halaman detail training

Berupa informasi detail dari setiap training yang diadakan

9

Halaman Lokasi Training Halaman Peserta setelah Login

Menggunakan fasilitas map dari GoogleMap

10

Menampilkan menu utama dari peserta


583

Prosiding

ISBN 978-602-18580-3-5

3. KESIMPULAN Rancangan aplikasi ‗TrainingPedia‖ berbasis android menyediakan informasi interaktif tentang informasi training. Informasi yang tersaji di aplikasi adalah halaman member peserta training dan juga halaman penyedia training sekaligus beberapa informasi terbatas kepada user umum (non-member). Ketika perancangan ini diterapkan dalam proses pembuatan maka perlu diperhatikan tentang versi dari masing-masing Android terutama untuk kompabilitas fungsi dan ukuran layar sehingga aplikasi akan berjalan dengan baik sesuai keinginan pengguna DAFTAR PUSTAKA [1] Peterson, M. P.(2008). International Perspectives on Maps and the Internet: An Introduction, In M.P.Peterson (Ed.), International Perspectives on Maps and the Internet (pp.3-10), Springer [2] Menteri Tenaga Kerja dan Transmigrasi RI (2013), PP no.11 tahun 2013, [3] Yazid Achyarudin (2007), Sistem Informasi Akademik Berbasis Android pada Stimik Global Informatika multidata Palembang [4] Fransiscus Prana Hartanto Prasetio (2013), Pembangunan Aplikasi Pencarian Rumah Sakit dan Dokter Terdekat Berbasis Android [5] Yudha Yudhanto, Pramuditya Alfianto (2015),

Pembuatan Aplikasi Cari Dokter untuk

Wilay


584

SIMULASI PERGERAKAN KENDARAAN DAN KERETA DI PERLINTASAN SEBIDANG DI KABUPATEN BANDUNG BARAT Iskandar Muda Purwaamijaya Program Studi Teknik Sipil FPTK UPI Bandung

ABSTRAK. Tujuan penelitian adalah untuk membuat model diagram alir (flow chart) pergerakan kendaraan dan kereta di perlintasan sebidang di Kabupaten Bandung Barat sehingga dapat diketahui konflik pada lintasan untuk memperbaiki pengelolaan perlintasan dan mengantisipasi kecelakaan. Metode yang digunakan adalah analitik korelatif eksplanatoris menggunakan perangkat lunak model dinamis Powersim. Lokasi penelitian di Jalan Ciharashas, Desa Cilame, Kecamatan Ngamprah, Kabupaten Bandung Barat. Survei lalu-lintas dan frekuensi kereta dilakukan pada Bulan Februari dan Maret 2015, selama 7 hari (Minggu s.d Sabtu) dalam waktu 24 jam. Instrumen yang digunakan adalah kamera video. Fenomena di lapangan diwakili oleh komponenkomponen reservoir untuk jumlah kendaraan dan kereta yang melintas selama 24 jam, inflow untuk kendaraan dan kereta yang melintas pada jam tertentu, contanta untuk nilai ekuivalen kendaraan menjadi smp (satuan mobil penumpang) dan kereta serta auxiliary untuk rate perubahan jumlah kendaraan dan kereta dari jam tertentu ke jam berikutnya.Hasil simulasi yang diperoleh adalah grafik perubahan kendaraan dan kereta di perlintasan pada waktu yang sama. Pembahasan berupa deskripsi jam-jam yang memiliki jumlah kendaraan dan kereta bernilai terbesar di perlintasan sehingga dibutuhkan pengelolaan perlintasan yang lebih intensif untuk mengantisipasi kecelakaaan.

Kata Kunci: simulasi, diagram alir, model dinamis, perlintasan

1. PENDAHULUAN Peraturan Direktur Jenderal Perhubungan Darat Nomor : SK.770/KA.401/DRJD/2005 menyatakan bahwa perlintasan kereta adalah persilangan antara jalur kereta dengan jalan. Perlintasan dapat berada di wilayah perkotaan atau perdesaan dan dapat berupa perlintasan sebidang dengan palang pintu kereta atau perlintasan tidak sebidang berupa fly over atau under pass. Perlintasan jalur ganda kereta dengan jalan di JalanCiharashas, Desa Cilame, Kecamatan Ngamprah, Kabupaten Bandung Barat tidak memiliki palang pintu sehingga berpotensi besar


585

Prosiding

ISBN 978-602-18580-3-5

terjadi konflik pertemuan kereta dengan kendaraan yang melintas dan menimbulkan kecelakaan tabrakan kereta dengan kendaraan yang melintas serta dapat menimbulkan korban jiwa dan harta. Analisis perlintasan kereta dengan jalan membutuhkan informasi frekuensi kereta yang melintas selama 24 jam sehari dalam seminggu serta jumlah LHR (lintas harian rata-rata) kendaraan yang melintas selama 24 jam sehari dalam seminggu. Hasil survey jumlah frekuensi kereta dengan LHR kendaraan dimasukkan ke dalam grafik empiris hasil kajian Kementerian Perhubungan Darat untuk memperoleh informasi tentang pilihan perlintasan sebidang dengan palang pintu atau rancangan perlintasan tidak sebidang dengan fly over atau under pass. Tanpa aksi dan informasi yang memadai maka perlintasan jalur gandakereta dengan jalan di Jalan Ciharashas, Desa Cilame, Kecamatan Ngamprah, Kabupaten Bandung Barat secara cepat atau lambat dapat menimbulkan kecelakaan fatal yang menimbulkan korban jiwa dan harta yang tidak sedikit. Instrumen pengumpul data frekuensi kereta dan LHR kendaraan yang melintas pada lintasan kereta dan jalan dirancang berdasarkan waktu pengamatan dengan interval waktu tertentu. Survei frekuensi kereta dan LHR di perlintasan jalur ganda kereta dengan jalan di Jalan Ciharashas, Desa Cilame, Kecamatan Ngamprah, Kabupaten Bandung Barat belum ada. Informasi yang akurat dan mudah ditafsirkan adalah informasi grafis.Perlintasan kereta dan jalan membutuhkan informasi jumlah kendaraan dan kereta yang melintas pada interval waktu tertentu sehingga dapat diperoleh informasi jam puncak yaitu saat jumlah tertinggi frekuensi kereta bertemu dengan jumlah tertinggi LHR kendaraan. Jam puncak memudahkan para perancang perlintasan terpusat pada pengelolaan jam puncak. Permodelan dinamis menggunakan perangkat lunak computer dapat secara mudah, cepat dan tepat menangani fenomena lapangan yang berubah dengan fungsi waktu.Permodelan dinamis masih sedikit digunakan untuk perlintasan kereta dengan jalan karena kapasitas kelembagaan yang belum memadai. 2. METODE PENELITIAN Penelitian dilakukan di jalur ganda kereta dengan jalan di Jalan Ciharashas, Desa Cilame, Kecamatan Ngamprah, Kabupaten Bandung Barat.Waktu penelitian dimulai dari Bulan Februari 2015 sampai dengan Maret 2015, selama 1 minggu dengan waktu pengamatan 24 jam.Metode penelitian adalah analitik korelatif eksplanatoris menggunakan survey lapangan.Teknik pengambilan data adalah purposive. Instrumen penelitian yang digunakan adalah instrument Seminar Nasional Matematika, Sains dan Informatika 2015

586

Prosiding

ISBN 978-602-18580-3-5

survey frekuensi kereta dan instrument survey kendaraan selama 24 jam dalam 1 minggu.Lokasi penelitian disajikan pada gambar 1.

Gambar 1. Lokasi penelitian (Sumber : https://www.google.co.id/maps) Audit keselamatan (Indriastuti, Fauziah dan Priyanto, 2011) yaitu tentang persimpangan menjadi dasar pemeriksaan metode kegiatan penelitian simulasi dinamis.Informasi spasial berbasis system informasi geografis (Wulandari dan Hadi, 2013) untuk memantau lokasi dan lalu lintas di persimpangan diimplementasikan pada tahap survey penelitian. Frekuensi jumlah kereta yang melintas selama 24 jam dalam seminggu pada tahap pengumpulan data secara implisit menggambarkan beban mental masinis kereta sesuai dengan hasil kajian yang dilakukan oleh Rasfa, Wahyuning dan Desrianty (2014).Permodelan dinamis pada tahap analisis data adalah salah satu upaya untuk mengurangi angka kecelakaan (Hidayat, 2014).Permodelan dinamis merupakan bagian dari analisis angkutan kereta dan memiliki implikasi terhadap BUMN perkeretaan di Indonesia (Biro Riset LM FEUI, 2009).Hasil permodelan dinamis persimpangan untuk mengetahui konflik kereta dan kendaraan sehingga system persimpangan kereta dapat menghindari tabrakan (Mostafa, Hossian, Reza dan Rashid. 2010).Implementasi permodelan dinamis pada persimpangan sebidang rel ganda dan jalan mendukung upaya system pemantauan palang secara bertahap pada persimpangan kereta (Qiang, Yue dan Xiaofei, 2011) dan persimpangan kereta system otomatis (Banuchandar, Kaliraj, Balasubramanian, Deepa dan Thamilarasi, 2012).Kajian merupakan bagian dari upaya untuk mendukung pemecahan masalah Seminar Nasional Matematika, Sains dan Informatika 2015

587

Prosiding

ISBN 978-602-18580-3-5

keselamatan transportasi darat, pemeliharaan prasarana dan perbaikan serta pembangunan persimpangan sebidang dan tidak sebidang (Gailiene, Gedaminskas dan Podagelis, 2011).Survey frekuensi kereta dan lintas harian rata-rata kendaraan di persimpangan dapat dijadikan masukan untuk program FPGA (Field Programmable Gated Arrays) yang berbasis SOC (System on Chip) sesuai dengan kajian yang dilakukan oleh Ramachandran dan Prakash (2012). 3. HASIL PENELITIAN DAN PEMBAHASAN Permodelan dinamis Pergerakan Kendaraan dan Kereta di Perlintasan Sebidang di Kabupaten Bandung Barat melalui tahap-tahap (1) perancangan diagram sebab akibat (causal loop), (2) perancangan diagram alir (flow chart) frekuensi kereta, LHR dari Cilame dan LHR dari Cimareme yang menuju ke persimpangan sebidang rel ganda dengan jalan selama 24 jam dalam satu hari, (3) pemasukan data awal frekuensi kereta, LHR dari Cilame dan Cimareme, (4) perhitungan perubahan frekuensi kereta, LHR dari Cilame dan Cimareme, (5) pengaturan range frekuensi kereta dan LHR dari Cilame dan Cimareme, (6) pengaturan range waktu selama 24 jam dengan interval waktu 0,5 jam, (7) membuat grafik frekuensi kereta dan LHR dari Cilame dan Cimareme, (8) membuat tabel frekuensi kereta dan LHR dari Cilame dan Cimareme, (9) menyajikan equation model yang diperoleh dari hasil model diagram alir, (10) analisis hasil dan pembahasan serta (11) pengambilan kesimpulan tentang waktu-waktu puncak yang berpotensi konflik untuk penyempurnaan pengelolaan perlintasan serta mengurangi potensi kecelakaan di persimpangan sebidang pada lokasi penelitian. Permodelan dinamis frekuensi kereta, LHR dari Cilame dan LHR dari Cimareme selama 24 jam pada Hari Sabtu tanggal 14 Februari 2015 disajikan pada gambar 2 dan 3. Grafik frekunsi kereta, LHR dari Cilame dan Cimareme selama 24 jam pada Hari Sabtu tanggal 14 Februari 2015 disajikan pada gambar 4,5 dan 6. Hasil keluaran permodelan dinamis berupa tabel disajikan pada gambar 7 dan model persamaan (equation model) disajikan pada gambar 8.


588

Prosiding

ISBN 978-602-18580-3-5

Jumlah_Kereta_yang_Melintas_Sabtu

Kereta_yang_melintas_Sabtu

Perubahan_Kereta_per_waktu

Kereta_awal

Gambar 2. Model diagram alir (flow chart model) frekuensi kereta yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015 Kendaraan_yang_melintas_Sabtu Jumlah_Kendaraan_yang_Melintas_Sabtu

Kendaraan_dari_Cilame_yang_melintas_Sabtu

Kendaraan_dari_Cimareme_yang_melintas_Sabtu

Kendaraan_awal_Cilame

Kendaraan_Awal_Cimareme

Perubahan_Kendaraan_per_waktu_Cilame

Perubahan_Kendaraan_per_waktu_Cimareme

Gambar 3. Model diagram alir (flow chart model) LHR dari Cilame dan Cimareme yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015

6

Frekuensi Kereta

5 4 3 2 1 0 0

5

10

15

20

Jam Pengamatan pada Hari S abtu

Gambar 4. Grafik frekuensi kereta yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015


589

ISBN 978-602-18580-3-5

800

300 LHR dari Cimareme

LHR dari Cilame

Prosiding

250

200

700 600 500 400

150 300

0

5

10

15

20

0

5

Jam Pengamatan pada Hari Sabtu

10

15

20

Jam Pengamatan pada Hari Sabtu

Gambar 5. Grafik LHR kendaraan dari Cilame yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015

Gambar 6. Grafik LHR kendaraan dari Cimareme yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015

6

Frekuensi Kereta

5 4 3 2 1 0 0

5

10

15

20

LHR di Persimpangan Sebidang


1,000

800

600

400 0

5

10

15

20


Gambar 7. Grafik Perbandingan frekuensi kereta dan LHR total yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015 Seminar Nasional Matematika, Sains dan Informatika 2015

590

Prosiding

ISBN 978-602-18580-3-5

Time 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 12.5 13.0 13.5 14.0 14.5 15.0 15.5 16.0 16.5 17.0 17.5 18.0 18.5 19.0 19.5 20.0 20.5 21.0 21.5 22.0 22.5 23.0 23.5 24.0

Kereta_yang_melintas_S abtu Kendaraan_yang_melintas_S abtu 2.00 378.00 1.00 378.00 0.00 378.00 0.00 378.00 0.00 378.00 0.00 378.00 0.00 378.00 0.00 378.00 0.00 378.00 0.50 378.00 1.00 378.00 2.00 378.00 3.00 378.00 3.00 716.15 3.00 1,054.29 3.50 963.76 4.00 873.24 5.00 625.62 6.00 378.00 4.00 378.00 2.00 378.00 3.00 469.74 4.00 561.47 5.00 635.65 6.00 709.82 4.50 543.91 3.00 378.00 3.50 378.00 4.00 378.00 4.00 378.00 4.00 378.00 3.50 378.00 3.00 378.00 3.50 585.94 4.00 793.88 2.50 973.94 1.00 1,154.00 3.00 766.00 5.00 378.00 3.50 444.24 2.00 510.47 2.50 517.79 3.00 525.12 4.00 451.56 5.00 378.00 3.00 378.00 1.00 378.00 1.50 378.00 2.00 378.00

Gambar 8. Hasil keluaran berupa tabel frekuensi kereta dan total LHR yang melintas di persimpangan sebidang selama 24 jam pada Hari Sabtu, 14 Februari 2015 Seminar Nasional Matematika, Sains dan Informatika 2015

591

Prosiding

ISBN 978-602-18580-3-5

Gambar 9. Hasil keluaran berupa model persamaan (equation model) model dinamis pergerakan kendaraan dan kereta di perlintasan sebidang di Kabupaten Bandung Barat Hasil simulasi dinamis pergerakan kendaraan dan kereta di perlintasan sebidang di Kabupaten Bandung Barat menunjukkan : (1) jam puncak frekuensi kereta yang melintas pada persimpangan sebidang di lokasi penelitian adalah pada waktu interval waktu jam 08.00 s.d 10.00 pagi, jam 11.00 s.d 13.00 siang, jam 18.00 s.d 20.00 malam serta jam 22.00 s.d 24.00 malam, (2) jam puncak total LHR kendaraan dari Cilame dan Cimareme yang melintas pada persimpangan sebidang di lokasi penelitian adalah pada waktu interval jam 06.00 s.d jam 09.00 pagi, jam 10.00 s.d jam 13.00 serta jam 16.00 s.d jam 19.00, (3) potensi konflik pergerakan kereta dan kendaraan terjadi pada waktu interval jam 08.00 s.d jam 09.00 pagi, jam 11.00 s.d jam 13.00 serta jam 18.00 s.d jam 19.00.

4. KESIMPULAN Kesimpulan dari simulasi dinamis pergerakan kendaraan dan kereta di persimpangan sebidang di Kabupaten Bandung Barat, yaitu : (1) manajemen transportasi darat kereta dan kendaraan di persimpangan sebidang di lokasi studi dipusatkan pada 3 interval waktu jam Seminar Nasional Matematika, Sains dan Informatika 2015

592

Prosiding

ISBN 978-602-18580-3-5

puncak, yaitu jam 08.00 s.d jam 09.00 pagi, jam 11.00 s.d jam 13.00 dan jam 18.00 s.d jam 19.00, (2) untuk meningkatkan keamanan dan menghindari kecelakaan di persimpangan sebidang maka dapat diupayakan pilihan penggunaan pintu palang kereta yang dilengkapi rambu-rambu dan lampu peringatan dan atau persimpangan tidak sebidang menggunakan konstruksi fly over (jalan layang) serta konstruksi under pass (jalan melintas di bawah permukaan tanah), (3) pilihan pengamanan persimpangan rel jalur ganda dengan jalan raya sepatutnya diuji melalui kelayakan teknis, finansial dan lingkungan untuk memperoleh hasil yang berhasil guna dan berdaya guna bagi para pemangku kepentingan di persimpangan lokasi studi.

DAFTAR PUSTAKA Banuchandar, J., Kaliraj, V., Balasubramanian, P., Deepa, S. and Thamilarasi, N. (2012).Automated Unmanned Railway Level Crossing System. International Journal of Modern Engineering Research (IJMER), Vol 2, Issues 1, Jan-Feb 2012, pp-458-463. ISSN: 2249-6645. Biro Riset LM FEUI.(2009). Analisis Angkutan Kereta Api dan Implikasinya pada BUMN Perkeretaapian Indonesia.Lembaga Management. Fakultas Ekonomi. Universitas Indonesia. Gailliene, I., Gedaminskas, M., Podagelis, I. (2011).The Main Problems Concerning Safety, Maintenance

and

Reconstruction

of

Level

Crossings

in

Lithuanian

Railway

Lines.Environmental Engineering.The 8thInternational Conference.May 19-20, 2011, Vilnius, Lithuania.ISBN 978-9955-28-827-5 (3 Volumes). Hidayat, R. (2010). Upaya PT KAI (Persero) dalam Mengurangi Angka Kecelakaan di DAOP VIII Surabaya. Program Studi Ilmu Administrasi Negara. Fakultas Ilmu Sosial dan Ilmu Politik UPN Veteran Jawa Timur. Surabaya. Indriastuti, A.K, Fauziah, Y dan Priyanto, E. (2011). Karakteristik Kecelakaan dan Audit Keselamatan Jalan pada Ruas Ahmad Yani Surabaya. Jurnal Rekayasa Sipil Volume 5 No 1 – 2011. ISSN 1978-5658. Kementerian

Perhubungan.

(2005).

Peraturan

Direktur

Jendral

Perhubungan

Darat

No.SK.770/KA.401/DRJD/2005 tentang Pedoman Teknis Perlintasan Sebidang antara Jalan dengan Jalur Kereta Api. Seminar Nasional Matematika, Sains dan Informatika 2015

593

Prosiding

ISBN 978-602-18580-3-5

Mostafa, S.S., Hossian, M.M, Reza, K.J. and Rashid, G.M. (2010).A Radio Based Intelligent Railway Grade Crossing System to Avoid Collision. IJCSI International Journal of Computer Science Issues, Vol 7, Issue 6, November 2010. ISSN (Online): 1694-0814. www.IJCS.org. Ramachandran, R., Prakash, J.T.J. (2012). Based SOC for Railway Level Crossing Management System.International Journal of Soft Computing and Engineering (IJSCE) ISSN: 22312307.Volume-2, Issue-3, July 2012. Rasfa, A.F., Wahyuning, C.S., Desrianty, A. (2014). Evaluasi Beban Mental Masinis Kereta Api Berdasarkan Subjective Workload Assessment Technique (SWAT) Aktivitas Amilase dalam Air Liur. Reka Integra – ISSN : 2338-5081 Jurnal Online Institut Teknologi Nasional. Jurusan Teknik Industri Itenas No 04 Vol 01 April 2014. Wulandari, S. (2013).Aplikasi Sistem Informasi Geografis untuk Pemodelan Spasial Tingkat Kerawanan Kecelakaan Lalu Lintas di Ruas Jalan Kota Yogyakarta. Jurnal Geo Educasia – S1 Tahun II, Vol 1, Tahun 2013. Qiang, C.G., Yue, J.D. and Xiaofei, L. (2011).A Incremental PID Barrier Control System Used in Railway Crossinng. International Journal of Advancement in Computing Technology, Volume 3, Number 4, May 2011.


594

DESAIN DAN IMPLEMENTASI PENCARIAN BUKU PADA RAK PERPUSTAKAAN BERBASIS MOBILE MENGGUNAKAN AUGMENTED REALITY

Recommend Documents