Jaringan Syaraf Tiruan Untuk Menentukan Jurusan Di Sekolah Menengah Atas (SMA) (Studi Kasus : SMA Negeri 1 Sungai Penuh)

Jaringan Syaraf Tiruan Untuk Menentukan Jurusan Di Sekolah Menengah Atas (SMA) (Studi Kasus : SMA Negeri 1 Sungai Penuh)

Jurnal Ilmu Pengetahuan dan Sistem Informasi ISSN : 2540-9891 Jurnal Pengembangan Ilmu Komputer & Informatika merupakan media publikasi ilmiah dengan focus pada pengembangan ilmu komputer, teknologi dan ekonomi yang nantinya dapat di aplikasikan ditengah masyarakat. Dengan adanya Jurnal Pengembangan Ilmu Komputer & Informatika diharapkan dapat memperluas dan meningkatkan aktivitas dosen AMIK Depati Parbo Kerinci. Penanggung Jawab

:

Ferdinal. R

Ketua

:

Hairul Candra

Editorial

:

Elvina Sandra Fitriany Rosy Dasmita Mohd. Pajri

Bendahara

:

Enny Sestriyenti

Sekretaris

:

Netti Susanti Lovelia Indah Nestiti

Distribusi

:

Helmi Wijaya Mardan Junjung

Jurnal Pengembangan Ilmu Komputer & Informatika terbit minimal 1 kali dalam setahun. Redaktur Jurnal Pengembangan Ilmu Komputer & Informatika Kampus AMIK Depati Parbo Kerinci Jl. Pancasila No. 29 Sawahan-Sungai Penuh Telp. 0748-22144 Email : [email protected]


Jurnal Ilmu Pengetahuan dan Sistem Informasi ISSN : 2540-9891 Volume 2, Tahun 2016

AMIK Depati Parbo Kerinci Jl. Pancasila No. 29 Sawahan-Sungai Penuh

Jurnal Ilmu Pengetahuan dan Sistem Informasi

Jaringan Syaraf TiruanUntuk Menentukan Jurusan Di Sekolah Menengah Atas (SMA) (Studi Kasus : SMA Negeri 1 Sungai Penuh)

1

Siardizal, Rosy Dasmita

Jaringan Syaraf Tiruan Untuk Akreditasi Sekolah Menengah Atas/ Madrasah Aliyah

11

Sistem Pendukung Keputusan Untuk Menentukan Rute Tercepat Dalam Pencatatan Meteran 3 Phasa PT PLN Menggunakan Algoritma Dijkstra Berbasis Fuzzy

26

Pengaruh Customer Relationship Management (CRM), Kualitas PelayananDan Nilai Pelanggan Terhadap Loyalitas Pelanggan Hotel Kerinci Di Kota Sungai Penuh

34

Perancangan Sistem Informasi Penjadwalan Matakuliah dan Penentuan Ruang Kosong Pada AMIK Depati Parbo Kerinci Menggunakan Metode Waterfall Ferdinal. R

49

Interaksi Antara Pendidik Dengan Peserta Didik dan Pembentukan Karakter Alumni yang Sukses

61

Segmentasi Pemakaian Listrik Menggunakan Fuzzy C-Means (Studi Kasus Unit Pltd Kota Lolo)

70

Dariyo, Rosy Dasmita

Hannif Mardani

Enny Sestriyenti

Ferdinal. R , Elvina Sandra

Efvy Zamidra Zam, Hairul Candra


JARINGAN SYARAF TIRUAN UNTUK MENENTUKAN JURUSAN DI SEKOLAH MENENGAH ATAS (SMA) (Studi Kasus : SMA Negeri 1 Sungai Penuh) Program Manajemen informatika dan Komputer (AMIK) Depati Parbo Kerinci

Siardizal Rosy Dasmita ABSTRAK Siswa pada Satuan Pendidikan Sekolah Menengah Atas (SMA) harus menentukan jurusan ketika akan naik dari kelas X ke kelas XI , seperti yang tercantum dalam SK Dirjen Mendikdasmen No.12/C/Kep/TU/2008 tanggal 12 Pebruari 2008 tentang Penduan Penyusunan Laporan Hasil Belajar (LHB) Peserta Didik SMA (KTSP). Penentuan jurusan siswa ditentukan dari 9 kriteria. Algoritma yang digunakan yaitu Backpropagation dengan Momentum. Jaringan syaraf yang digunakan memiliki 1 lapisan masukan yang terdiri dari 9 buah node, 1 lapisan tersembunyi dengan n node yang ditentukan secara acak dengan fungsi aktivasi, dan 1 lapisan keluaran dengan 2 buah node berupa prediksi jurusan IPA dan jurusan IPS dengan fungsi aktivasi . Data dipisahkan menjadi 2 bagian yaitu data yang akan dilatihkan dan data yang akan diujikan. Pelatihan dan pengujian dilakukan dengan menggunakan perangkat lunak Matlab 6.1 dengan arsitektur jaringan yang diujicobakan yaitu 9-2-1, 9-4-1, 96-1, dan 9-9-1, di mana hasil pengolahan dengan matlab menyimpulkam pembagian data 120 untuk pelatihan dan 48 data untuk pengujian dengan pola arsitektur 9-9-1 adalah pola yang terbaik dengan persentase kebenaran 100%. Kata kunci : Jaringan syaraf tiruan, backpropagation, jurusan, sekolah. ABSTRACT Students in the Education Unit High School (SMA) must determine when the department will increase from class X to class XI, as noted in the Director General SK Mendikdasmen No.12/C/Kep/TU/2008 dated 12 February 2008 on the Consult Report Preparation learning (LHB) of Students SMA (SBC). Determination of majors students from nine criteria specified. The algorithm used is the Backpropagation with Momentum. Neural network used has an input

layer consisting of nine pieces of nodes, one hidden layer with n nodes are randomly determined by the activation function, and an output layer with 2 pieces of input nodes majoring in science and social studies majors with purelin activation function. Data is separated into two parts, ie the data to be trained and the data that will be tested. Training and testing was conducted using the software Matlab 6.1 with the tested network architecture that is 9-2-1, 9-4-1, 96-1, and 9-9-1, where the results of processing with matlab menyimpulkam sharing of data 120 for training and 48 data for testing the architectural pattern of 9-9-1 is the best pattern to the percentage of 100% truth. Key words: artificial neural networks, backpropagation, schools, and schools

1.1 Latar Belakang Penelitian Perkembangan ilmu komputer saat ini telah banyak menghasilkan metode-metode dalam memecahkan berbagai macam permasalahan di antaranya adalah mengenai kecerdasan buatan (Artificial Intelligence). Ada beberapa bagian dari kecerdasan buatan yang banyak dikembangkan saat ini diantaranya adalah Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan atau buatan dimaksudkan karena jaringan syaraf ini diimplementasikan dengan menggunakan komputer yang mampu menyelesaikan sejumlah proses pembelajaran. JST dimaksudkan untuk membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis (Arief Heru Kuncoro dan Rinaldy Dalimi, 2005). Jaringan syaraf tiruan telah banyak diterapkan dalam menyelesaikan berbagai macam permasalahan dan untuk memprediksi diantaranya seperti untuk mendeteksi penyimpangan pola aliran arus dalam penghantar melalui pengenalan pola distribusi medan magnet (Dudi Darmawan, 2010), untuk mengukur korelasi antara NEM dengan IPK kelulusan Mahasiswa (Yeni Nuraeni, 2009), untuk optimisasi pemberian air dan unsur hara pada pertumbuhan tanaman dalam rumah kaca (Chusnul Arif, Herry Suhardiyanto, Suroso, 2006), untuk peramalan beban tenaga listrik jangka panjang pada sistem kelistrikan di Indonesia (Arif Heru Kuncoro dan rinaldy Dalimi, 2005), mendeteksi posisi wajah manusia pada citra digital (Setyo Nugroho, Agus Harjoko; 2005) dan Penerapan jaringan syaraf tiruan. Dari jurnal-jurnal yang ditulis di atas dan jurnal-jurnal lainnya yang pernah dibaca maka jaringan syaraf tiruan (Artificial Neural Network) bisa diterapkan untuk penentuan jurusan atau program studi di Sekolah Menengah


Atas, yang selama ini masih dikerjakan dengan menggunakan sistem konvensional yaitu dengan cara melihat nilai akademik, membuat angket/kuisioner dan wawancara dengan siswa sesuai Kurikulum Tingkat Satuan Pendidikan (KTSP) yang terdapat pada Buku Dokumen KTSP SMA Negeri 1 Sungai Penuh Tahun Pelajaran 2009/2010, tentang Kriteria yang digunakan untuk menentukan jurusan seorang siswa. Dengan menggunakan Jaringan Syaraf Tiruan diharapkan penentuan jurusan atau program studi di Sekolah Menengah Atas dapat dilakukan dengan cepat sehingga pihak sekolah bisa membuat laporan (buku rapor) yang mencantumkan tentang jurusan atau program studi siswa ketika mereka telah naik dari kelas X ke kelas XI akan tepat waktu dan mempunyai bobot yang tinggi. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah bagian dari sistem kecerdasan buatan yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menstimulasi proses pembelajaran pada otak manusia tersebut (Arif Heru , Kuncoro dan Rinaldy Dalimi, 2005) sedangkan menurut Ir. Joko Suryana, MT Jaringan Syaraf Tiruan merupakan pemroses sinyal yang terdiri dari sejumlah elemen prosesor sederhana. Atau dengan kata lain JST adalah sistem komputansi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut.(Arief Hermawan 2006, JST adalah systm pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi.(Siang, 2005) Kecerdasan buatan atau artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Pada awal diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan jaman, maka peran komputer semakin mendominasi kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia. (Sri Kusumadewi, 2003) Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki Jaringan Syaraf Tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. (Arif Hermawan, 2009).

Neural networks provide a very general way of approaching problems. When the output of the network is continuous, it is performing prediction and when the output has discrete values, then it is doing classification. (D.Shanthi, Dr.G.Sahoo & Dr.N.Saravanan) Jaringan Syaraf Tiruan dalam proses pembelajarannya dapat dibagi menjadi 2 bagian besar yaitu: 1. Jaringan Syaraf Tiruan yang menggunakan paket pelatihan sebagai proses belajar dan dikenal dengan pengawasan. Jaringan Syaraf Tiruan mempunyai struktur tersebar paralel yang sangat besar dan mempunyai kemampuan belajar, sehingga bisa melakukan generalization (generalisasi), yaitu bisa menghasilkan output yang benar untuk input yang belum pernah dilatihkan. Dengan kedua kemampuan pemrosesan informasi ini, Jaringan Syaraf Tiruan dapat menyelesaikan masalah-masalah yang mungkin selama ini dianggap sebagai sesuatu yang sulit untuk diselesaikan. 2. Jaringan Syaraf Tiruan tanpa paket pelatihan pada proses belajar dan umumnya disebut proses belajar tanpa pengawasan Model Neuron Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian Jaringan Syaraf Tiruan. Neuron terdiri dari 3 elemen pembentuk: 1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi . Jalur-jalur tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai positif akan memperkuat sinyal dan yang bernilai negarif akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan (dan juga model jaringan yang terbentuk). 2. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya. Misalnya xi, x2, ..., xm adalah unit-unit input dan wj1, wj2, ..., wjm adalah bobot penghubung dari unit-unit tersebut ke unit keluaran Yj, maka unit penjumlah akan memberikan keluaran sebesar uj = x1wj1 + x2wj2 + ... +xmwjm 3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak. (JJ Siang, 2009) Terdapat tiga variabel model neuron yang bisa digunakan karena ketiganya sebenarnya ekivalen.. Pertama, model neuron pada gambar 2.1. Model ini memasukkan threshold θk yang memperkecil nilai input untuk fungsi aktifasi. Sebaiknya nilai input untuk fungsi aktifasi bisa diperbesar dengan menggunakan bias, yang merupakan kebalikan dari threshold.


Gambar. Model Matematis Non Linier dari Suatu Neuron Pada gambar di atas terlihat rangkaian aliran sinyal masukan x1, x2, ..., xp yang dipresentasikan oleh sebuah neuron. Sebuah neuron bisa memiliki banyak masukan dan hanya satu keluaran yang menjadi masukan bagi neuronneuron yang lain. Aliran sinyal masukan ini dikalikan dengan suatu penimbang (bobot sinapsis) wk1, wk2, ..., wkp dan kemudian dilakukan penjumlahan terhadap semua masukan yang telah diboboti tadi. Hasil penjumlahan ini disebut keluaran dari the linear combiner uk. Secara matematis kita bisa menggambarkan neuron k dengan menuliskan pasangan persamaan sebagai berikut:

u

k

 p w x j1 kj j

(1) dan

y (2)

k

  (u  θ ) k k

Dimana x1, x2, ..., xp adalah simpul input wk1, wk2, ... , wkp adalah bobot-bobot sinaptik dari neuron k, uk adalah linear combiner output; θk adalah threshold; φ(.) adalah fungsi aktifasi dan yk adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output uk dan linear combiner pada model gambar 2.1. sebagai berikut: vk = uk - θk (3)

Secara khusus, tergantung apakah threshold θk adalah positif atau negatif, hubungan antara tingkat aktifitas atau potensi aktifitas internal efektif uk dari neuron k dan linear combiner output uk dimodifikasi dengan pola seperti pada gambar 2.2. Threshold θk adalah parameter eksternal dari neuron k dan bisa dirumuskan kombinasi persamaannya sebagai berikut:

u

k


(4) dan

v

k

  (v ) k

(5) Pada persamaan (2.4) bisa ditambahkan suatu sinapsis baru, yang inputnya adalah x0 = -1 (6) Dan bobotnya adalah wk0 = θk (7) Oleh sebab itu dapat dirumuskan kembali model neuron k di bawah ini

Gambar Model Matematis non linier dari suatu neuron – alternatif 1 Pada gambar tersebut, efek threshold (fungsi ambang) direpresentasikan oleh: penambahan satu sinyal input baru yang tetap yaitu -1; dan penambahan bobot sinaptik yang sama dengan threshold θk. Atau kita bisa memodelkan sel syaraf


(neuron) seperti gambar 2.3., kombinasi input tetap x0 = +1 dan bobot wk0 = bk berdasarkan bias bk. Meskipun model neuron pada gambar 2.1, 2.2, 2.3 dan 2.4. terlihat berbeda, tetapi secara matematis adalah ekivalen. Penentuan Jurusan Disekolah Data penjurusan siswa diambil dari nilai rapor semester 2 (genap) yang diterima siswa ketika kenaikan kelas yang sudah rutin diadakan satu kali dalam satu tahun dan angket yang diisi oleh siswa. Penentuan penjurusan tersebut adalah sebagai berikut: 1. Nilai Akademik Merupakan nilai ciri khas jurusan tertentu, adapun untuk jurusan IPA mata pelajaran ciri khasnya adalah Matematika, Fisika, Kimia dan Biologi sedangkan untuk jurusan IPS mata pelajaran ciri khasnya adalah Ekonomi, Sosiologi, Geografi dan Sejarah. 2. Minat Siswa Merupakan pilihan seorang siswa dengan memberikan angket yang harus diisinya dengan mempertimbangkan bakat, kemampuan dan permintaan orangtua. Variabel penjurusan diatas merupakan kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan jaringan syaraf tiruan (Artificial Neural Network). Analisa penilaian penjurusan akan dikelompokkan kedalam sembilan kriteria yaitu: (1) Nilai Matematika, (2) Nilai Sejarah, (3) Nilai Geografi, (4) Nilai Ekonomi, (5) Nilai Sosiologi, (6) Nilai Fisika, (7) Nilai Kimia, (8) Nilai Biologi dan (9) Minat siswa. Variabel Masukan Data akan dapat dikenali dan sekaligus dapat diproses menggunakan perangkat lunak (software) jika berbentuk matrik atau numerik. Kesembilan data penjurusan dirubah ke bentuk numerik dengan simbol: X1, X2, X3, X4, X5, X6, X7, X8, X9 dengan: X1 = Nilai Matematika, X2 = Nilai Sejarah, X3 = Nilai Geografi, X4 = Nilai Ekonomi, X5 = Nilai Sosiologi, X6 = Nilai Fisika, X7 = Nilai Kimia, X8 = Nilai Biologi, X9 = Minat Siswa,

Hasil Penjurusan Siswa Data Ke 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

Nilai Akademik dan Minat Siswa I

II

III

IV

V

VI

VII

VIII

IX

2 2 2 2 2 2 2 2 2 1 2 2 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 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 1 1 1 2 2 1 2 2 2 2

2 2 2 2 2 2 2 1 2 1 2 2 2 1 2 2 2 1 1 2 1 2 2 2 2 2 1 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 1 2 2 2 2 2 1 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2 1 2 2 2 2 2 2 1 2 2 2 1 2 2 2 2 2 2 1 2 2 2 2 2 1 2

JURU SAN 1 1 0 1 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 0 1 1 1 1 1 0 1


29 30 31 32 33 34 35 ... ... 167 168

2 2 1 2 1 2 1 ... ... 2 2

2 2 2 2 2 2 2 ... ... 2 2

2 2 2 2 2 2 2 ... ... 2 2

2 2 2 2 2 2 2 ... ... 2 2

2 1 2 1 2 2 2 ... ... 2 2

2 2 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 2 1 1 1 2 1 ... ... 1 2

1 1 0 0 0 1 0 ... ... 0 1

Dari tabel di atas, kita dapat mengubahnya dan terbentuk matriks yaitu sebuah matriks masukan (P) dengan ukuran 9 x 168 dan sebuah matriks keluaran (Q) dengan ukuran 1 x 168. Fungsi aktivasi yang digunakan untuk mengolah data di atas adalah fungsi sigmoid (biner), maka data harus ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0,1]. Data ditransformasikan ke interval yang lebih kecil, misalnya pada interval [0.1 , 0.9]. Transformasi linear yang dipakai untuk mentransformasikan data ke interval [0.1 , 0.9]



JARINGAN SYARAF TIRUAN UNTUK AKREDITASI SEKOLAH MENENGAH ATAS/MADRASAH ALIYAH DARIYO Rosy Dasmita ABSTRAK Satuan Pendidikan Sekolah Menengah Atas/ Madrasah Aliyah harus memiliki peringkat akreditasi sekolah , seperti yang tercantum dalam Peraturan Menteri Pendidikan Nasional Republik Indonesia Nomor 52 Tahun 2008. Perolehan peringkat akreditasi sekolah dari implementasi satuan pendidikan terhadap 8 Standar Nasional Pendidikan. Algoritma yang digunakan yaitu Backpropagation dengan Momentum. Jaringan syaraf yang digunakan memiliki 1 lapisan masukan yang terdiri dari 8 buah node, 1 lapisan tersembunyi dengan n node yang ditentukan secara acak dengan fungsi aktivasi, dan 1 lapisan keluaran dengan 3 buah node berupa prediksi peringkat akreditasi A, akreditasi B dan akreditasi C dengan fungsi aktivasi purelin. Data dipisahkan menjadi 2 bagian yaitu data yang akan dilatihkan dan data yang akan diujikan. Pelatihan dan pengujian dilakukan menggunakan perangkat lunak Matlab 6.1 dengan arsitektur jaringan yang diujicobakan yaitu 8-2-1, 8-5-1, 8-9-1, dan 8-12-1, di mana hasil pengolahan dengan matlab menyimpulkam pembagian data 21 untuk pelatihan dan 21 data untuk pengujian dengan pola arsitektur 8-5-1 adalah pola yang terbaik dengan persentase kebenaran 100%. Kata kunci : Jaringan syaraf tiruan, backpropagation, akreditasi, sekolah. ABSTRACT Education Unit Senior High School / Madrasah Aliyah must have a school accreditation ratings, as listed in the Regulation of the Minister of National Education Republic of Indonesia No. 52 of 2008. Obtaining accreditation ratings from the implementation of school education units to eight National Education Standards. The algorithm used the Backpropagation with Momentum. Neural network used has one input layer consisting of 8 nodes, one hidden layer with n nodes are randomly determined by the activation function, and an output layer with 3 nodes form a prediction rank accreditation, accreditation B and accreditation C with the function of accreditation purelin activation. The data is separated into two parts, ie data to be trained and the data that will be tested. Training and testing was conducted using the software Matlab 6.1 with the tested network architecture that is 8-2-1, 8-5-1, 8-9-1, and

18

Jaringan Syaraf Tiruan Untuk Akreditasi Sekolah Menengah Atas/Madrasah Aliyah

8-12-1, which concludes the result of processing with matlab 21 for data sharing training and 21 data for testing with the architectural pattern of 8-5-1 is the best pattern with the percentage of 100% truth. Keywords: Artificial neural network, backpropagation, accreditation, school. Latar Belakang Penelitian JST atau Artificial Neural Network (ANN) adalah bagian dari sistem kecerdasan buatan (Artificial Intelligence, AI) yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan atau buatan dimaksudkan karena jaringan syaraf ini diimplementasikan dengan menggunakan komputer yang mampu menyelesaikan sejumlah proses pembelajaran. JST dimaksudkan untuk membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis (Arief Heru Kuncoro dan Rinaldy Dalimi, 2005). Penerapan jaringan syaraf tiruan telah banyak digunakan dalam menyelesaikan berbagai macam permasalahan dan untuk memprediksi diantaranya seperti untuk peramalan beban tenaga listrik jangka panjang pada sistem kelistrikan di Indonesia (Arif Heru Kuncoro dan rinaldy Dalimi, 2005), mendeteksi penyimpangan pola aliran arus dalam penghantar melalui pengenalan pola distribusi medan magnet (Dudi Darmawan, 2010), mendeteksi posisi wajah manusia pada citra digital (Setyo Nugroho, Agus Harjoko; 2005) dan Penerapan jaringan syaraf tiruan untuk mengukur korelasi antara NEM dengan IPK kelulusan Mahasiswa (Yeni Nuraeni, 2009). Dari jurnal-jurnal yang ditulis di atas dan jurnal-jurnal lainnya yang pernah dibaca maka jaringan syaraf tiruan (Artificial Neural Network) bisa diterapkan untuk pengerjaan akreditasi Sekolah Menengah Atas/ Madrasah aliyah, yang selama ini masih dikerjakan dengan menggunakan sistem konvensional yaitu dengan cara membuat quisioner instrumen sesuai Peraturan Menteri Pendidikan Nasional Nomor 52 Tahun 2008, tentang Kriteria dan Perangkat Akreditasi Sekolah Menengah Atas / Madrasah Aliyah. Dengan menggunakan Jaringan Syaraf Tiruan diharapkan penyelesaian akreditasi Sekolah Menengah Atas/ Madrasah aliyah ini dapat dilakukan dengan cepat sehingga penerbitan Surat Keputusan tentang peringkat akreditasi sekolah suatu satuan pendidikan tingkat Sekolah Menengah Atas / Madrasah Aliyah sekota Sungai Penuh akan tepat waktu dan mempunyai bobot yang tinggi. Neuron Neuron (sel syaraf) merupakan unitpemrosesan informasi yang merupakan dasar dari operasi JST. Neuron mengirim sinyal-sinyal elektrokimia melalui jaringan syaraf. Tiap neuron menerima sinyal dari neuron lain melalui


suatu “jembatan” yang disebut synaps. Sinyal-sinyal tertentu merangsang neuron, sinyal-sinyal lain mencegahnya. Ketika jumlah rangsangan suatu neuron melebihi batas tertentu, neuron tersebut bertindak dan mengirim sinyal ke neuron-neuron lain. Terdapat tiga elemen dasar dari model neuron, yaitu: 1. Sekumpulan sinapsis atau jalur hubungan, dimana masing-masing sinapsis memiliki bobot atau kekuatan hubungan. 2. Suatu adder untuk menjumlahkan sinyal-sinyal input yang diberi bobot oleh sinapsis neuron yang sesuai. 3. Suatu fungsi aktifasi untuk membatasi amplitude output dari setiap neuron. Terdapat tiga variabel model neuron yang bisa digunakan karena ketiganya sebenarnya ekivalen.. Pertama, model neuron pada gambar 2.1. Model ini memasukkan threshold θk yang memperkecil nilai input untuk fungsi aktifasi. Sebaiknya nilai input untuk fungsi aktifasi bisa diperbesar dengan menggunakan bias, yang merupakan kebalikan dari threshold.

Gambar 2.1. Model Matematis Non Linier dari Suatu Neuron Pada gambar di atas terlihat rangkaian aliran sinyal masukan x1, x2, ..., xp yang dipresentasikan oleh sebuah neuron. Sebuah neuron bisa memiliki banyak masukan dan hanya satu keluaran yang menjadi masukan bagi neuronneuron yang lain. Aliran sinyal masukan ini dikalikan dengan suatu penimbang (bobot sinapsis) wk1, wk2, ..., wkp dan kemudian dilakukan penjumlahan terhadap semua masukan yang telah diboboti tadi. Hasil penjumlahan ini disebut keluaran dari the linear combiner uk. Secara matematis kita bisa menggambarkan neuron k dengan menuliskan pasangan persamaan sebagai berikut:

20


u

k


(1) dan

y

k

  (u  θ ) k k

(2) Dimana x1, x2, ..., xp adalah simpul input wk1, wk2, ... , wkp adalah bobot-bobot sinaptik dari neuron k, uk adalah linear combiner output; θk adalah threshold; φ(.) adalah fungsi aktifasi dan yk adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output uk dan linear combiner pada model gambar 2.1. sebagai berikut: vk = uk - θk (3) Secara khusus, tergantung apakah threshold θk adalah positif atau negatif, hubungan antara tingkat aktifitas atau potensi aktifitas internal efektif uk dari neuron k dan linear combiner output uk dimodifikasi dengan pola seperti pada gambar 2.2. Threshold θk adalah parameter eksternal dari neuron k dan bisa dirumuskan kombinasi persamaannya sebagai berikut:

u

k


(4) dan

v

k

  (v ) k

(5) Pada persamaan (2.4) bisa ditambahkan suatu sinapsis baru, yang inputnya adalah x0 = -1 (6) Dan bobotnya adalah wk0 = θk (7) Oleh sebab itu dapat dirumuskan kembali model neuron k di bawah ini


Gambar 2.2. Model Matematis non linier dari suatu neuron – alternatif 1 Pada gambar tersebut, efek threshold (fungsi ambang) direpresentasikan oleh: penambahan satu sinyal input baru yang tetap yaitu -1; dan penambahan bobot sinaptik yang sama dengan threshold θk. Atau kita bisa memodelkan sel syaraf (neuron) seperti gambar 2.3., kombinasi input tetap x0 = +1 dan bobot wk0 = bk berdasarkan bias bk. Meskipun model euron pada gambar 2.1., 2.2. dan 2.3. terlihat berbeda, tetapi secara matematis adalah ekivalen. Arsitektur JST Pola neuron-neuron pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk melatih jaringan. Secara umum, kita bisa membagi arsitektur jaringan menjadi: 1. Single Layer feedforward networks Suatu JST berlapis adalah jaringan neuron yang diorganisasikan dalam bentuk lapisan-lapisan. Pada bentuk jaringan berlapis yang paling sederhana, hanya terdapat input layer dengan node sumber yang terproyeksi ke dalam output layer dari neuron, tetapi tidak sebaliknya. Dengan kata lain, jaringan ini adalah suatu jaringan umpan maju lapis tunggal (single layer feedfoward network) yang tepat seperti terlihat pada gambar 2.8. di bawah ini.

22


Gambar 2.8. Feedward Network dengan Satu Lapisan Neuron Tunggal 2.

Multi layer feedforward networks Jaringan dengan satu atau lebih lapis tersembunyi lapisan tersembunyi (hidden layer), dengan computation node yang berhubungan disebut hidden neuron atau hiden units. Ilustrasi jaringan ini dapat dilihat pada gambar 2.9.:

Gambar 2.9. Feedward Network dengan Satu Hidden Layer dan Satu output Layer


3.

Recurrent networks Recurrent network adalah jaringan yang mempunyai minimal satu feedback loop, bisa terdiri dari satu lapisan neuron tunggal dengan masing-masing neuron memberikan kembali outputnya sebagai input pada semua neuron yang lain. Ilustrasi jaringan ini dapat dilihat pada gambar 2.10. di bawah:

Gambar 2.10. Recurrent Network Akreditasi Sekolah Sejauh mana suatu satuan pendidikan mengimplementasikan Peraturan Pemerintah Republik Indonesia Nomor 19 Tahun 2005 tentang Standar Nasional Pendidikan, perlu diadakan akreditasi. Sehubungan dengan ini maka pemerintah telah memberikan rambu-rambu yang akan diakreditasi melalui Peraturan Menteri Pendidikan Nasional Nomor 52 Tahun 2008, tentang Kriteria dan Perangkat Akreditasi Sekolah Menengah Atas / Madrasah Aliyah. Pengertian Akreditasi Sekolah Dalam Undang-undang Republik Indonesia Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional, akreditasi dilakukan untuk menentukan kelayakan program dan satuan pendidikan pada jalur pendidikan formal dan nonformal pada setiap jenjang dan jenis pendidikan. Akreditasi terhadap program datas dasar kriteria yang bersifat terbuka. Sedangkan menurut Undang-undang Republik Indonesia Nomor 20 Tahun 2003, BAB I pasal 1, akreditasi adalah kegiatan penilaian kelayakan program dalam satuan pendidikan berdasarkan kriteria yang telah ditetapkan

24


2.2.2. Bobot Komponen dan Bobot Butir Instrumen Akreditasi SMA/MA Instrumen Akreditasi SMA/MA disusun berdasarkan delapan komponen yang mengacu pada Standar Nasional Pendidikan. Instrumen Akreditasi ini terdiri dari 165 butir pernyataan tertutup yang terdiri dari lima opsi jawaban. Bobot Komponen dan Bobot Butir Instrumen Akreditasi SMA/MA diperlihatkan pada Tabel 2.1. berikut ini: Bobot Komponen dan Bobot Butir Instrumen Akreditasi SMA/MA

Penentuan Skor Butir dan Skor Tertimbang Maksimum Seluruh butir pernyataan Instrumen Akreditasi SMA/MA merupakan pernyataan tertutup yang terdiri dari lima opsi jawaban yaitu A, B, C, D, atau E. Setiap pernyataan yang dijawab A memperoleh skor = 4, B memperoleh skor = 3, C memperoleh skor = 2, D memperoleh skor = 1, dan E memperoleh skor = 0. Jika perolehan skor maksimum setiap butir sama dengan 4, maka Skor Tertimbang Maksimum dapat dihitung dengan rumus: Skor Tertimbang Maksimum = Jumlah Butir x Skor Butir Maksimum x Bobot Butir Skor Tertimbang Maksimum pada setiap komponen akreditasi seperti nampak pada Tabel:2.2. Kolom 5 berikut ini. Dari tabel tersebut terlihat bahwa Jumlah Skor Tertimbang Maksimum sama dengan 400.


Skor Tertimbang Maksimum Akreditasi SMA/MA

Penentuan Nilai Akhir Akreditasi Langkah-langkah penentuan Nilai Akhir Akreditasi adalah sebagai berikut. 1. Menghitung Jumlah Skor Butir yang dijawab A, B, C, D, atau E pada setiap komponen. 2. Menghitung Skor Tertimbang untuk setiap komponen. 3. Menjumlahkan Skor Tertimbang untuk setiap komponen mulai dari komponen 1 sampai komponen 8. 4. Menentukan Nilai Akhir Akreditasi dalam skala ratusan (0—100) dengan rumus:

Nilai Akhir Akreditasi  dengan:

Jumlah Skor Tertimbang x 100 Jumlah Skor Tertimbang Maksimum

Skor Tertimbang  Jumlah Skor Butir x Bobot Butir

26


Penentuan Nilai Akreditasi Komponen Nilai Akreditasi Komponen merupakan nilai persentase capaian untuk setiap komponen yang dihitung dalam skala ratusan (0—100), dengan rumus:

Nilai Akreditasi Komponen 

Skor Tertimbang x 100 Skor Tertimbang Maksimum

Kriteria Status Akreditasi Sekolah/Madrasah dinyatakan terakreditasi jika Nilai Akhir kumulatif untuk seluruh komponen akreditasi sekurang-kurangnya 56, dengan ketentuan tidak lebih dari 2 (dua) standar yang memperoleh nilai akreditasi komponen (skala ratusan) kurang dari 56, tetapi tidak boleh kurang dari 40. Sekolah/Madrasah dinyatakan Tidak Terakreditasi (TT) jika ketentuan terakreditasi tidak terpenuhi, berapapun Nilai Akhir kumulatif diperoleh. Kriteria Pemeringkatan Hasil Akreditasi Sekolah/Madrasah memperoleh: 1. Peringkat akreditasi A (Amat baik), jika memperoleh Nilai Akhir (NA) lebih besar dari 85 sampai dengan 100 (85 < NA < 100), dengan ketentuan kriteria status terakreditasi terpenuhi. 2. Peringkat akreditasi B (Baik), jika memperoleh Nilai Akhir lebih besar dari 70 sampai dengan 85 (70 < NA < 85), dengan ketentuan kriteria status terakreditasi terpenuhi. 3. Peringkat akreditasi C (Cukup Baik), jika memperoleh Nilai Akhir lebih besar dari atau sama dengan 56 sampai dengan 70 (56 < NA < 70), dengan ketentuan kriteria status terakreditasi terpenuhi. MATLAB Matlab merupakan perangkat lunak yang cocok dipakai sebagai alat komputasi yang melibatkan penggunaan matriks dan vektor. Matlab adalah singkatan dari Matrix Laboratory, merupakan bahasa pemrograman yang dikembangkan oleh The MathworkInc. Matlab dibuat untuk memudahkan perhitungan persamaan linear, program linier, sistem yang kompleks seperti pengolahan citra dan lain sebagainya. Matlab menyediakan fungsi-fungsi khusus untuk menyelesaikan model jaringan syaraf tiruan, pemakai hanya tinggal memasukan vektor masukan, target, model dan parameter yang diinginkan.


Pemrograman Jaringan Syaraf Tiruan (Backpropagation) Jaringan Syaraf Tiruan (Backpropagation) dibentuk dengan membuat generalisasi aturan pelatihan dalam model Widrow-Hoof dengan cara menambahkan lapisan tersembunyi (hidden layer). Standar Metode Backpropagation menggunakan algoritma penurunan gradien (gradient descent). Variasi terhadap model standar dilakukan dengan mengganti algoritma dengan algoritma lain. Hasil percobaan menunjukan bahwa Jaringan Syaraf Tiruan (Backpropagation) yang sudah dilatih dengan baik akan memberikan keluaran yang masuk akal jika diberi masukan yang serupa dengan pola yang dipakai untuk pelatihan. Sifat generalisasi ini membuat pelatihan lebih efisien karena tidak perlu dilakukan pada semua data. Langkah-langkah Pengolahan Data Manual dengan Matlab. Data yang lainnya akan diolah menggunakan Matlab menggunakan pola arsitektur 4-2-1, dengan menggunakan 21 data pelatihan dan 21 data pengujian menggunakan program Matlab. Adapun langkah-langkah pengolahan data menggunakan Matlab ditetapkan sebagai berikut: a.

Menetapkan Data Input dan Target untuk Pelatihan serta Data Input dan Target Pengujian. Dari 42 data dibagi menjadi dibagi menjadi 21 data untuk pelatihan dan 21 data untuk pengujian dengan menggunakan pola arsitektur 8-2-1. Pembagian tersebut dapat dilihat pada table. berikut:

28


Tabel Data Input dan Target untuk Pelatihan dan Pengujian

b.

Menetapkan Bobot Awal Bobot awal dan bobot bias awal input ke lapisan tersembunyi pertama seperti table. berikut:


Tabel Bobot Awal dan Bobot Awal Bias Input ke Lapisan Tersembunyi.

Bobot awal dan bobot bias awal lapisan tersembunyi ke lapisan output seperti table. berikut: Tabel Bobot Awal danBobot Awal Bias Lapisan Tersembunyi ke Output.

Perbandingan Hasil Analisa Manual dengan Matlab Analisa data secara manual dan secara sistematis sangat diperlukan, hal ini dibutuhkan untuk memastikan apakah system yang kita gunakan telah

30


bekerja sebagaimana mestinya. Hasil pengolahan data secara Matlab dan Manual akan ditampilkan pada table. Perbandingan Hasil Pengolahan Data MATLAB dengan Manual

Dari perbandingan hasil manual dengan Matlab menggunakan 21 data pelatihan (8x21) dengan arsitektur 8-2-1, maka akan terasa sulit untuk melihat persamaan hasil yang dicapai. Untuk mempermudah melihat persamaan hasil


yang dicapai baik secara manual maupun Matlab, maka data hasil dan error dapat diubah kedala skala 1 dan 0, di mana bilangan lebih dari 0,63 sampai dengan 0,76 masuk pada peringkat akreditasi A, bilangan lebih dari 0,50 sampai dengan 0,63 masuk pada peringkat akreditasi B, dan bilangan lebih dari 0,38 sampai dengan 0,50 masuk pada peringkat akreditasi C. Hasil transformasi data tersebut dapat dilihat pada table Hasil Transformasi Data Hasil dan error

32


SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN RUTE TERCEPAT DALAM PENCATATAN METERAN 3 PHASA PT PLN MENGGUNAKAN ALGORITMA DIJKSTRA BERBASIS FUZZY Hannif Mardani Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci email: [email protected] Abstrak – Perkembangan teknologi yang semakin canggih dapat membantu dari bidang apapun untuk memberikan hasil terbaik dalam menyelesaikan pekerjaan termasuk dalam pencatatan meteran 3 phasa. Dalam pencatatan meteran 3 phasa diperlukan waktu yang cepat dan tepat untuk menyelesaikannya. Untuk mencapai hal tersebut perlu dibuat rute tercepat dalam pencatatan meteran 3 phasa. Salah satu teknik yang digunakan yaitu dengan menggunakan algoritma dijkstra yang merupakan salah satu algoritma terbaik untuk menentukan rute terpendek. Selain itu digunakan metode fuzzy mamdani untuk menentukan bobot yang digunakan dalam algoritma dijkstra berdasarkan variabel jarak, waktu pencatatan, dan persimpangan yang dilalui. Penelitian ini dilakukan untuk memberikan solusi dalam pencatatan meteran 3 phasa agar waktu yang dibutuhkan dapat dimanfaatkan dengan seefisien mungkin. Hasil dari penelitian ini adalah sebuah rute terpendek dari tempat awal dan tempat tujuan. Kata Kunci

: algoritma dijkstra, fuzzy mamdani, rute terpendek, 3 phasa

1. PENDAHULUAN Pelanggan 3 phasa merupakan pelanggan yang memiliki meteran dengan daya besar (4400 ke atas). Pelanggan yang tergolong dalam meteran 3 phasa seperti perkantoran, BTS, rumah sakit, bengkel las, bank, serta toko-toko yang membutuhkan energi listrik yang besar. Untuk pencatatan meteran 3 phasa, maka diutuslah petugas khusus yang di dampingi oleh pegawai PLN di Rayon tersebut agar mengurangi kesalahan dalam pencatatan angka meter. Jadwal pencatatan meteran 3 phasa berbeda dengan pencatatan meteran biasa. Jadwal pencatatan meteran 3 phasa tidak boleh mendahului atau melampaui dari tanggal yang telah ditentukan oleh pihak PLN Rayon itu sendiri. Karena jika pencatatan tidak sesuai jadwal yang telah ditentukan, maka losses pemakaian kwh meter akan tinggi yang disebabkan oleh jangka waktu pencatatan tidak cukup 30 hari pemakaian. Sehingga PT PLN akan mengalami kerugian besar.

Hannif Mardani

Untuk mengatasi hal yang demikian, maka pencatatan harus di lakukan berdasarkan jadwal yang telah ditentukan yang biasanya hanya 2 hari (sesuai jumlah pelanggan). Yang menjadi kendala dalam pencatatan meteran 3 phasa yaitu banyaknya jumlah pelanggan yang tergolong dalam meteran 3 phasa, posisi antar meteran yang berjauhan, posisi meteran yang sulit ditempuh kendaraan, dan waktu tunggu dalam pencatatan meteran digital sehingga kemungkinan untuk penambahan hari pencatatan mungkin terjadi. Rute pencatatan meteran 3 phasa ditentukan berdasarkan jarak antar meteran, waktu tempuh, serta waktu yang dibutuhkan dalam mencatat angka meteran. Algoritma yang digunakan dalam penelitian ini adalah algoritma Dijkstra. karena cocok digunakan untuk menyelesaikan masalah dalam pencatatan meteran 3 phasa. Metode Dijkstra ini berfungsi untuk mencari jarak terpendek dari satu lokasi dalam suatu gambar mulai dari lokasi awal ke lokasi tujuan. Algoritma Dijkstra didasarkan pada representasi adjacency matrix untuk sebuah graf. Penelitian ini akan dibuat Sistem Pendukung Keputusan (SPK) dengan menggunakan metode fuzzy mamdani untuk memilih rute perjalanan tercepat dimana nantinya dengan menggunakan software matlab kita dapat melihat status antara meteran yang satu dengan yang lainnya berdasarkan jarak dan waktu pencatatan. Sehingga kerugian perusahaan yang di sebabkan dari pencatatan menteran 3 phasa bisa teratasi dengan baik. Selain berguna untuk membuat rute 3 phasa, penelitian ini juga berguna dalam menentukan rute pelanggan biasa yang tidak tergolong dalam meteran 3 phasa. 2. LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Pada dasarnya pengambilan keputusan adalah suatu pendekatan sistematis suatu masalah dengan pengumpulan fakta, penentuan yang matang dari alternatif yang dihadapi, dan pengambilan tindakan yang menurut perhitungan merupakan tindakan yang paling tepat (Andayati, 2010). SPK merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data. Sistem yang digunakan untuk membantu pengambil keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat. Pada penelitian ini akan dibuat sebuah keputusan dalam menentukan rute terpendek pencatatan meteran 3 phasa. Hal ini dilakukan dengan cara melihat jarak setiap meteran yang tergabung dalam meteran 3 phasa. Selain itu waktu pencatatan dan kondisi jalan juga diperhitungkan dalam pengambilan keputusan.

34


2.2. Graf Graf adalah pasangan himpunan (V,E) dengan V adalah kumpulan simpul (vertex atau node) dan E merupakan himpunan sisi (edges atau arcs) yang menghubungkan sepasang simpul pada graf tersebut, sehingga dengan kata lain graf dapat diartikan sebagai suatu kumpulan vertex yang menjelaskan hubungan antar vertex melalui edges yang terkait. Bobot pada sisi graph dapat merepresentasikan jarak antar kota, waktu pengiriman, ongkos pembangunan dan sebagainya (Widodo, 2007). Pada penelitian ini, teori graf berkaitan sekali dengan algoritma yang digunakan yaitu Algoritma Dijkstra. Dimana node pada kondisi ini yaitu posisi meteran yang akan dituju untuk pencatatan angka meter.

Gambar 2.1 Graf Sederhana 2.3. Lintasan Terpendek (Shortest Path) Lintasan terpendek adalah lintasan minimum yang diperlukan untuk mencapai suatu tempat dari tempat tertentu. Lintasan minimum yang dimaksud dapat dicari dengan menggunakan graf. Graf yang digunakan adalah graf yang berbobot, yaitu graf yang setiap sisinya diberikan suatu nilai atau bobot. Dalam kasus ini, bobot yang dimaksud berupa jarak dan waktu yang digunakan dalam pencatatan meteran. Waktu pencatatan meteran berdasarkan jenis meteran yang digunakan. Jika meteran yang digunakan adalah meteran analog, maka waktu yang dibutuhkan akan semakin kecil. Dan jika meteran yang digunakan adalah meteran digital maka waktu yang dibutuhkan bisa lebih lama dibandingkan meteran analog. Jadi jenis meteran juga faktor penentu dalam pencarian rute terpendek pencatatan meteran 3 phasa. 2.4. Algoritma Dijkstra Algoritma Dijkstra merupakan algoritma yang paling sering digunakan dalam pencarian rute terpendek, sederhana penggunaanya dengan menggunakan simpul-simpul sederhana pada jaringan jalan yang tidak rumit.

Hannif Mardani

2.4.4.1. Definisi Algoritma Dijkstra Algoritma ini ditemukan oleh seorang ilmuwan komputer berkebangsaan Belanda yang bernama Edsger Dijkstra (Dewi, 2010). Algoritma Djikstra diterapkan untuk mencari lintasan terpendek pada graf berarah (Batubara, Maulidya, & Kusumaningrum, 2011). Dalam mencari solusi, algoritma Dijkstra menggunakan prinsip greedy, yaitu mencari solusi optimum pada setiap langkah yang dilalui, dengan tujuan untuk mendapatkan solusi optimum pada langkah selanjutnya yang akan mengarah pada solusi terbaik. Hal ini membuat kompleksitas waktu algoritma Dijkstra menjadi cukup besar, yaitu sebesar O (V * Log (v + e)), dimana v dan e adalah simpul dan sisi pada graf yang digunakan. Input dari algoritma Dijkstra berupa graf berbobot G(e,v), sedangkan outpunya berupa rute terpendek dari simpul awal (start) ke masing-masing simpul yang ada pada graf. Dengan demikian algoritma Dijkstra dapat menemukan solusi terbaik. 2.4.4.2. Cara Kerja Algoritma Dijkstra Cara kerja algoritma Dijkstra hampir sama denga cara kerja algoritma BFS yaitu dengan menggunakan prinsip antrian (queue), akan tetapi antrian yang digunakan algoritma Dijkstra adalah antrian berprioritas (priority queue). Jadi hanya simpul yang memiliki prioritas tertinggi yang akan ditelusuri. Dalam menentukan simpul yang berprioritas, algoritma ini membandingkan setiap nilai (bobot) dari setiap simpul tersebut disimpan untuk dibandingkan dengan nilai yang akan ditemukan dari rute yang baru ditemukan kemudian, begitu seterusnya sampai ditemukan simpul yang dicari. Algoritma dapat didefinisikan sebagai berikut langkah-langkah (Sharma, Saini, & Bhandhari): 1. Mulailah dengan node sumber. 2. Menetapkan biaya 0 ke node ini dan membuatnya node permanen pertama. 3. Periksa setiap node tetangga dari node yang node permanen terakhir. 4. Menetapkan biaya kumulatif untuk setiap node dan membuatnya tentatif. 5. Diantara daftar node tentatif a. Cari node dengan biaya kumulatif terkecil dan menandainya sebagai permanen. Sebuah node permanen tidak akan diperiksa lagi, biaya yang tercatat saat ini adalah final. b. Jika node dapat dicapai dari lebih dari satu arah, pilih arah dengan biaya kumulatif terpendek. 6. Ulangi langkah 3 sampai 5 sampai setiap simpul menjadi permanen.

36


3. HASIL DAN PEMBAHASAN Pada bab ini dijelaskan mengenai implementasi hasil dari analisa pada bab sebelumnya. Tujuan dalam pengujian ini adalah untuk memastikan apakah sistem yang dianalisa dapat memberikan hasil yang diharapkan. Pada implementasi ini peneliti menggunakan aplikasi Matlab untuk mengolah data yang didapat untuk dapat memberikan output berupa bobot yang akan digunakan sebagai bobot dalam algoritma dijkstra dengan menggunakan metode fuzzy mamdani. Sedangkan dalam menguji algoritma dijkstra untuk mendapatkan rute terpendek, peneliti merancang sebuah aplikasi sederhana menggunakan bahasa pemrograman php dan database mysql. Pada fuzzy inference system input yang digunakan terdiri dari 3 variabel yaitu jarak, waktu pencatatan, dan persimpangan. Output yang diberikan adalah berupa bobot yang didapat dari metode fuzzy mamdani.

Gambar 5. 1 Tampilan FIS Editor Pada tahap pengujian ini dilakukan pengambilan nilai dengan membership function 3 pada input dan nilai membership function 1 pada output yaitu bobot.

Hannif Mardani

Gambar 5. 2 Rule Viewer Keputusan Untuk menentukan rute terpendek, maka dirancang sebuah website. Pada website ini kita diminta untuk menentukan tempat awal (start) dan tempat tujuan (finish). Setelah ditentukan, maka akan tampil rute terpendeknya dengan menampilkan pelanggan yang dilalui untuk mencapai finish serta bobot yang digunakan.

Gambar 5. 3 Tampilan Halaman Hasil Rute Terpendek Selain itu kita juga bisa melihat hasil simulasi dengan bantuan google map.

38


Gambar 5. 4 Tampilan Halaman Simulasi Rute Terpendek 4.

KESIMPULAN Permasalahan pencarian rute terpendek dengan menggunakan berbagai macam kriteria, dapat diselesaikan dengan gabungan antara logika fuzzy dan algoritma dijkstra. Proses pencarian jalur terpendek dengan gabungan dua algoritma ini, memerlukan proses berfikir yang detail. Dengan pendekatan ini, maka bisa dimasukkan beberapa parameter yang lain, misal jenis meteran, kondisi meteran, dan lain-lain. Atau beberapa parameter lain yang mempengaruhi dalam pencatatan angka meter. Dengan pendekatan algoritma ini, nilai yang dimiliki oleh setiap variabel bersifat dinamis, sehingga proses yang dilalui akan bisa berubah setiap saat, dan rute yang dipilih bisa berubah setiap saat. Untuk saran, pengukuran parameter jarak hanya membutuhkan satu kali pengukuran, untuk waktu tempuh harus dilihat dari kepadatan jalan atau dengan kata lain harus ada masukan secara realtime untuk memaksimalkan algoritma ini. DAFTAR REFERENSI [1-13] 1. 2.

3.

Andayati, D., Sistem Pendukung Keputusan Pra-seleksi Penerimaan Siswa Baru (PSB) On-line Yogyakarta. Jurnal Teknologi, 2010. Volume 3. Sumiharni Batubara, R.M., Irma Kusumaningrum, Perbaikan Sistem Distribusi Dan Transportasi Dengan Menggunakan Distribution Requirement Planning (Drp) Dan Algoritma Djikstra (Studi Kasus : Depot Pertamina Tasikmalaya). Jurnal Teknologi, 2011. Volume 1. Dewi, L.J.E., Pencarian Rute Terpendek Tempat Wisata Di Bali Dengan Menggunakan Algoritma Dijkstra. Jurnal Teknologi, 2010.

Hannif Mardani

4. 5. 6. 7. 8. 9.

10. 11. 12.

13.

Much. Djunaidi, E.S., Fajar Whedi Andista, Penentuan Jumlah Produksi Dengan Aplikasi Metode Fuzzy – Mamdani. Jurnal Ilmiah Teknik Industri, 2005. António Gusmão, S.H.P., Sunaryo, Sistem Informasi Geografis Pariwisata Berbasis Web Dan Pencarian Jalur Terpendek Dengan Algoritma Dijkstra. EECCIS, 2013. Moch. Hannats Hanafi Ichsan, E.Y., M. Aziz Muslim, Solusi Optimal Pencarian Jalur Tercepat dengan Algoritma Hybrid Fuzzy-Dijkstra. EECCIS, 2012. Volume 6. Indrabayu, N.H., M. Saleh Pallu, Andani Achmad, Febi Febriyati, Prediksi Curah Hujan Dengan Fuzzy Logic. Prosiding, 2012. Widiastuti, N.I., Model Perilaku Berjalan Agen-Agen Menggunakan Fuzzy Logic. Jurnal Komputer dan Informatika (KOMPUTA), 2012. Valume 1. P. Calduwel Newton, D.L.A., Dr. E. George Dharma Prakash Raj, R. Hari Prasath, and Tai-hoon Kim, A Refined Algorithm for Efficient Route Identification in Future Generation Networks. International Journal of Advanced Science and Technology, 2009. Volume 3. Yudhi Purwananto, D.P., Agung Wahyu Wibowo, Implementasi Dan Analisis Algoritma Pencarian Rute Terpendek Di Kota Surabaya. Jurnal Penelitian dan Pengembangan Telekomunikasi, 2005. Volume 10 No 2. Imam Santoso, S.W., dan Widya Hari Pratiwi, Penerapan Logika Fuzzy Pada Penilaian Mutu Susu Segar. Jurnal Teknologi Pertanian, 2010. Vol 11 No. 1. Yagvalkya Sharma, S.C.S., Manisha Bhandhari, Comparison of Dijkstra’s Shortest Path Algorithm with Genetic Algorithm for Static and Dynamic Routing. International Journal of Electronics and Computer Science Engineering. Wiwik Anisiyah, F.A., Hamdani, Penentuan Rute Terpendek Menuju Pusat Kesehatan Menggunakan Metode Dijkstra Berbasis Webgis (Studi Kasus Kota Balikpapan). Jurnal Informatika Mulawarman, 2011. Vol. 6 No.3.

Error! Bookmark not defined.

Pengaruh Customer Relationship Management (CRM), Kualitas Pelayanan Dan Nilai Pelanggan Terhadap Loyalitas Pelanggan Hotel Kerinci Di Kota Sungai Penuh

PENGARUH CUSTOMER RELATIONSHIP MANAGEMENT (CRM), KUALITAS PELAYANAN DAN NILAI PELANGGAN TERHADAP LOYALITAS PELANGGAN HOTEL KERINCI DI KOTA SUNGAI PENUH Enny Sestriyenti Email : [email protected] ABSTRACT Issues raised in this study are variables that affect the Kerinci Hotel Customer Loyalty In Sungai Penuh, variable research is Customer Relationship Management (CRM), Quality of Service and Customer Value. This study aims to reveal the effect of Customer Relationship Management (CRM), Quality of Service and Customer Value on Customer Loyalty simultaneously Hotel Kerinci In River City Full, Effect of Customer Relationship Management (CRM), Quality of Service and Customer Value partially on Customer Loyalty Hotel Kerinci in Sungai Penuh. The study population was all Customer Hotel Kerinci In Sungai Penuh samples in this study were taken bersadarkan accidental sampling method. Sampling Accidental sampling is based on chance and set as many as 100 customers . Data were collected using the Likert Scale questionnaire models. Then the data were analyzed using correlation techniques and multiple linear regression with the help of the computer program SPSS for Windows version 20 o'clock. The results of the analysis indicate that there is the contribution of Customer Relationship Management (CRM), Quality of Service and Customer Value on Customer Loyalty simultaneously Hotel Kerinci In Sungai Penuh by 52%%. When viewed its influence on the regression equation Y = X1 + 7.832 + 0.194 + 0.278 0 298X2 X3 Based on these results, the researchers concluded that there is significant influence Customer Relationship Management (CRM), Quality of Service and Customer Value either simultaneously or partially on Customer Loyalty Hotel Kerinci In Sungai Penuh. The authors suggest to the parties concerned to improve Customer Relationship Management (CRM), Quality of Service and Customer Value, Customer Loyalty hotel so Kerinci In Sungai Penuh is increased significantly. This does not mean that other factors not examined ignored. Keywords: Customer Relationship Management (CRM), Service Quality, Customer Value danloyalitas customers

Enny Sestriyenti

I.

PENDAHULUAN

1.1 Latar Belakang Pada era bisnis saat ini, persaingan dalam dunia bisnis semakin bertambah ketat. Persaingan yang semakin ketat ini menuntut para pelaku bisnis untuk mampu memaksimalkan kinerja perusahaannya agar dapat bersaing dipasar. Perusahaan harus berusaha keras untuk mempelajari dan memahami kebutuhan dan keinginan pelanggannya. Dengan memahami kebutuhan, keinginan dan permintaan pelanggan, maka akan memberikan masukan penting bagi perusahaan untuk merancang strategi pemasaran agar dapat menciptakan kepuasaan bagi pelanggannya (Kotler dan Amstrong, 2001). Perusahaan harus menempatkan orientasi pada kepuasan pelanggan sebagai tujuan utama. Hal ini tercermin dari semakin banyaknya perusahaan yang menyertakan komitmennya terhadap kepuasan pelanggan dalam pernyataan misinya, iklan, maupun public relation release. Kunci utama perusahaan untuk memenangkan persaingan adalah memberikan nilai kepuasaan kepada pelanggan melalui penyampaian produk dan jasa yang berkualitas dengan harga yang bersaing. Pelanggan yang diibaratkan seorang raja yang harus dilayani, namun hal ini bukan berarti menyerahkan segala-galanya kepada pelanggan. Usaha memuaskan kebutuhan pelanggan harus dilakukan secara menguntungkan atau bersifat "winwin situation" yaitu dimana kedua belah pihak merasa senang atau tidak ada yang dirugikan. Kepuasan pelanggan merupakan suatu hal yang sangat berharga demi mempertahankan keberadaan pelanggannya tersebut untuk tetap berjalannya suatu bisnis atau usaha (Chandra dan Danny, 2001). Pelayanan, harga, dan fasilitas yang ditawarkan pun berbeda antara satu dengan yang lainnya, sehingga dengan begitu akan menjadi ciri dan keunggulan tersendiri bagi setiap hotel. Hal tersebut menuntut pihak manajemen untuk menciptakan strategi agar mampu bersaing dan unggul dibanding hotel-hotel lainnya. Demikian juga halnya di Hotel Kerinci, yang merupakan Hotel terbaru dan berkelas di Kota Sungai Penuh, juga memiliki strategi dan keunggulan yang berbeda dibanding pesaing yang ada. Loyalitas meliputi kemungkinan pembelian lebih lanjut atau perubahan perjanjian pelayanan atau sebaliknya seberapa besar kemungkinan pelanggan akan beralih kepada merk atau penyedia layanan lain. Beberapa studi telah membuktikan adanya pengaruh yang signifikan antar nilai, kualitas layanan dan kepuasan terhadap loyalitas pelanggan. Jumlah tamu atau pelanggan hotel kerinci untuk setiap bulannya tidak selalu sama dan juga dalam setiap bulannya tamu atau pelanggan yang datang untuk menginap tidak terdapat nama ataupun alamat tamu yang sama. Salah satu faktor yang menjadi penyebab terjadinya hal tersebut yakni adanya persaingan yang ketat dan banyaknya alternatif pilihan hotel ataupun jasa penginapan lainnya, sehingga konsumen semakin selektif dalam memilih.



Mengantisipasi keadaan tersebut adalah bagaimana menciptakan hubungan kerelasian pelanggan, dan kualitas pelayanan yang dapat menciptakan nilai pelanggan dan loyalitas pelanggan. Seorang pelanggan yang puas adalah pelanggan yang merasa mendapatkan value (nilai) dari produsen atau penyedia jasa. Value ini bisa berasal dari produk, pelayanan, sistem atau sesuatu yang bersifat emosional. Value bagi pelanggan ini dapat diciptakan melalui atribut-atribut pemasaran perusahaan yang dapat menjadi unsur-unsur stimulasi bagi perusahaan untuk mempengaruhi konsumen dalam pembelian. Jika pembelian yang dilakukan mampu memenuhi kebutuhan dan keinginannya atau mampu memberikan kepuasan, terjadi pembelian ulang pada masa depan (Paliliati, 2007). Kualitas adalah sebuah kata yang bagi penyedia jasa merupakan sesuatu yang harus dikerjakan dengan baik (Supranta, 2001). Dalam menentukan kualitas jasa, terdapat lima dimensi kualitas jasa yang dikemukakan oleh Parasuraman.et.al (1998) yaitu dimensi, tangibels, emphaty, realibility, responsiveness, dan assurance. Kualitas layanan yang maksimal diharapkan akan tercipta suatu kepuasan pada diri konsumen. Sedangkan menurut Kotler (2002) kepuasan sendiri adalah perasaan seseorang mengenai kesenangan atau kepuasan atau hasil yang mengecewakan dari membandingkan penampilan produk yang telah disediakan (atau hasil) yang berhubungan dengan harapan pelanggan. Berbagai fasilitas-fasilitas dan layanan di Hotel Kerinci untuk menjamin kenyamanan pelanggan sudah disediakan namun masih terdapat keluhan dari para pengguna jasa atau pelanggan Hotel Kerinci di setiap tahunnya yang dapat diketahui dari data keluhan pelanggan. Data keluhan pelanggan tersebut menunjukkan bahwa Hotel Kerinci mengalami masalah yakni adanya peningkatan jumlah keluhan pelanggan dari tahun ke tahun. Dimana defenisi dari keluhan adalah satu pernyataan atau ungkapan rasa kurang puas terhadap satu produk atau layanan, baik secara lisan maupun tertulis, dari pelanggan internal maupun eksternal (Darma, 2010). Hotel Kerinci diharapkan dapat mengenali dan tanggap cepat atas keluhan pelanggan secara dini sehingga bisa diantisipasi dampak yang tidak diinginkan dan kemudian dapat segera dibentuk suatu strategi guna memperbaikinya. Untuk menjadikan perhatian bagi perusahaan, dengan demikian perusahaan dituntut untuk dapat tanggap dan menciptakan kebijakan yang tepat untuk mengatasi dan menangani keluhan tersebut agar kepuasan dan nilai pelanggan dapat tercipta. 1.2 Perumusan Masalah Berdasarkan latar belakang diatas maka permasalahan-permasalahan yang ada atau dihadapi dapat dirumuskan sebagai berikut :

Enny Sestriyenti

1. Bagaimanakah Customer Relationship Management (CRM), Kualitas Pelayanan, dan Nilai Pelanggan secara serentak berpengaruh terhadap loyalitas pelanggan. 2. Bagaimanakah pengaruh Customer Relationship Management (CRM), secara parsial berpengaruh terhadap loyalitas pelaggan. 3. Bagaimanakah pengaruh Kualitas Pelayanan secara parsial berpengaruh terhadap loyalitas pelanggan. 4. Bagaimanakah pengaruh Nilai Pelanggan secara parsial berpengaruh terhadap loyalitas pelanggan. II. TINJAUAN PUSTAKA 2.1. Customer Relationship Management (CRM) Manajemen Kerelasian Pelanggan atau Customer Relationship Management (CRM) adalah core business strategy yang mengintegrasikan proses internal serta fungsi-fungsi yang ada dalam perusahaan dengan jejaring eksternal untuk menciptakan dan menyampaikan manfaat kepada target pelanggan yang memberikan keuntungan (Kalakota dan Robinson, 2002). Sementara itu, Sheth (1998) dalam Affif (2008), mengakatan bahwa pemasaran relasional telah menjadi dalil baru dalam berbagai aliran disiplin pemikiran. Mengikuti matriks klasifikasi berbagai teori pemasaran yang dikembangkan, maka pemasaran relasional dapat dijadikan dimensi interaktif-non-ekonomis karena memperhatikan interdependensi antara pelaku serta menekankan pada pertukaran fondasi dari teori pemasaran. Suatu teori umum pemasaran dapat dikembangkan dari prinsip-prinsip pemasaran relasional. Menurut Sheth, Parvatiyar dan Shainesh (2002) dalam Gaffar (2007:8), mengungkapkan bahwa progran Customer Relationship Maangement (CRM) terdiri dari continuity marketing, one-to-one marketing dan partnering/comarketing. 2.2 Kualitas Pelayanan Kualitas pelayanan dapat didefenisikan sebagai seberapa jauh perbedaan antara kenyataan dan harapan para pelanggan atas pelayanan yang mereka terima. Menurut Lewis & Booms dalam Tjiptono & Chandra (2005), kualitas pelayanan sebagai ukuran seberapa baik tingkat layanan yang diberikan mampu sesuai dengan harapan pelanggan. Sedangkan Tjiptono (2001), kualitas pelayanan adalah tingkat keunggulan yang diharapkan dan pengendalian atas tingkat keunggulan tersebut untuk memenuhi keingina pelanggan.



2.3 Nilai Pelanggan Nilai pelanggan adalah nilai yang diterima pelanggan yang merupakan selisih antara nilai total bagi pelanggan dan biaya total yang dikeluarkan pelanggan. Nilai total pelanggan adalah kumpulan manfaat yang diharapkan pelanggan dari produk atau jasa tertentu. Biaya total yang dikeluarkan pelanggan adalah kumpulan pengorbanan yang diperkirakan akan terjadi dalam mengevaluasi, memperoleh, menggunakan dan menentukan produk atau jasa tersebut (Zeithalm dan Bitner, 2003). 2.4 Loyalitas Pelanggan Menurut Oliver (1997) dalam Gaffar (2007:70), loyalitas pelanggan adalah komitmen untuk bertahan secara mendalam dalam melakukan pembelian ulang atau berlangganan kembali produk atau jasa terpilih secara konsisten di masa yang akan datang, meskipun pengaruh situasi dan usaha-usaha pemasaran mempunyai potensi untuk menyebabkan perubahan perilaku. 2.5 Kerangka Pemikiran

2.6 Hipotesis Berdasarkan uraian kerangka pemikiran di atas, maka hipotesis dalam penelitian ini adalah sebagai berikut: 1. CRM, kualitas pelayanan dan nilai pelanggan secara serentak berpengaruh terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh. (H1) 2. CRM, kualitas pelayanan dan nilai pelanggan secara parsial berpengaruh terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh. (H2)

Enny Sestriyenti

III. METODE PENELITIAN 3.1 Metode Penelitian Yang Digunakan Metode penelitian adalah suatu teknik atau cara untuk mencari, memperoleh, mengumpulkan, atau mencatat data, baik berupa data primer maupun data sekunder yang dapat digunakan untuk keperluan menyusun karya ilmiah atau penelitian dan kemudian menganalisa faktor-faktor yang berhubungan dengan pokok-pokok permasalahn sehingga akan didapat suatu kebenaran atas data yang diperoleh. Dalam penelitian ini penulis menggunakan jenis pelenitian eksplanasi, sesuai dengan pengertiannya menurut Masri Singarimbun dan Sofian Effendi dalam bukunya Metode Penelitian Survei yaitu “penelitian yang menyoroti hubungan antara variabel-variabel penelitian dan pengujian hipotesa yang telah dirumuskan sebelumnya” (1987). Sedangkan bentuk penelitian merupakan penelitian deskriptif, mempelajari masalah-masalah dalam masyarakat, serta tata cara yang berlaku dalam masyarakat serta situasi-situasi tertentu, termasuk tentang hubungan kegiatan-kegiatan, sikap-sikap, pandangan-pandangan, serta proses-proses yang sedang berlangsung dan pengaruh-pengaruh dari fenomena (Masngudi, 2012). Adapun maksud dipilihnya metode survey tersebut bertujuan untuk memperoleh fakta dan gejala yang ada, dan mencari kelengkapan secara aktual tentang hubungan antara variabel yang diteliti. Diharapkan penelitian ini terarah pada kajian korelasi dan regresi antara variabel bebas dan variabel terikat. 3.2 Waktu dan Tempat Penelitian Adapun yang menjadi tempat atau objek penilitian ini adalah Hotel Kerinci. Penelitian ini dilakukan pada bulan Juli sampai Agustus 2014. Instrumen penelitian dibagikan kepada para pelanggan Hotel Kerinci. 3.3 Populasi dan Sampel 1. Populasi Adapun populasi menurut Sugiyono (2008) dalam bukunya “Metode Penelitian Bisnis” sebagai berikut : Populasi adalah wilayah generalisasi yang terdiri atas objek/subjek yang memepunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya”. Dalam penelitian ini sasaran populasi yang akan dipilih adalah seluruh pelanggan Hotel Kerinci. 2. Sampel Sampel merupakan sebagian dari populasi. Sampel terdiri atas sejumlah anggota yang dipilih dari populasi. Dengan kata lain, sejumlah tetapi tidak



semua elemen populasi akan menjadi sampel (Sekaran, 2006). Dalam penelitian ini, rumus yang digunakan untuk menetukan besarnya sampel adalah

n

N 2 (1  Ne )

Dimana : n = Ukuran sample, N = Ukuran populasi e = Persen kelonggoran ketidakadilan karena kesalahan pengambilan sampel, dalam penelitian ini menggunakan nilai e sebesar 10 %. Atau kata lain untuk menentukan besarnya sampel adalah 5-10 kali indikator variabel, Juanda (2009) menyarankan bahwa ukuran sampel minimum adalah sebanyak 5 observasi untuk setiap estimated paramater Dalam penelitian ini estimated parameter yang digunakan sebanyak 14, maka jumlah sampel minimum adalah 70, dengan teknik sampling yang digunakan melalui accidental sampling. Accidental sampling adalah penentuan sampel berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan dijumpai peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data (Mas’ud,2004). 3.4. Jenis dan Sumber Data Penelitian 3.4.1 Sumber Data Primer Sumber data primer diperoleh melalui kuisioner yang disebarkan kepada pelanggan hotel sebagai responden tentang jawaban responden terhadap pertanyaan-pertanyaan yang berhubungan dengan variabel-variabel penelitian serta informasi dan data yang diperoleh dari hasil wawancara dengan karyawan dan pejabat hotel. 3.4.2 Sumber Data Sekunder Sumber data sekunder diantaranya diperoleh dari daftar pustaka yaitu, berupa informasi dan teori tertulis melalui buku teks, jurnal online internet, dan sumber lainnya yang relevan. 3.5. Teknik Pengumpulan Data Sumber data dengan menggunakan teknik Wawancara, Kuesioner dan Observasi, 3.6. Definisi Operasional Variabel Operasionalisasi variabel dalam suatu penelitian dimaksudkan untuk mempermudah atau mengarahkan dalam menyusun alat ukur data yang

Enny Sestriyenti

diperlukan berdasarkan konsep-konsep teoritis yang diajukan dalam kerangka pemikiran penelitian. 1. Variabel Customer Relationship Management ( X1) Customer relationship manegement Indikator Customer relationship management yang digunakan dalam penelitian ini adalah 1) Communication, 2) Trust, 3) Adaption, 4) Commitment, 5) Interdependence, 6) Co-operation, 7) Atmosphere 2. Variabel Kualitas Pelayanan (X2) Kualitas pelayanan Indikator kualitas pelayanan adalah 1) Tangibles, 2) Empathy, 3) Reliability, 4) Rensponsivennes, 5) Assurance. 3. Variabel bebas: Nilai Pelanggan (X3) Nilai pelanggan Indikator penilaian yang digunakan dalam pengukuran nilai pelanggan adalah Performance Value, Price Value, dan Social Benefit. 4. Variabel terikat : Loyalitas Pelanggan (Y) Loyalitas pelanggan diukur dengan : 1) Melakukan pembelian secara teratur, 2) Membeli diluar lini produk atau jasa, 3) Merekomendasikan produk atau jasa, 4) Menunjukkan kekebalan dari daya tarik produk atau jasa sejenis. 3.7. Teknik Analisa Data 3.7.1. Uji Validitas dan Realibilitas Suatu skala pengukuran disebut valid, bila melakukan apa yang seharusnya diukur (Sekaran, 2006). Uji validitas adalah ukuran sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Reliabilitas yang dimaksud pada suatu penelitin bahwa suatu instrumen cukup dapat dipercaya untuk digunakan sebagai alat pengumpul data karena instrumen tersebut sudah baik. Suatu alat ukur dikatakan reliabel jika kita selalu mendapatkan hasil yang tetap sama dari gejala pengukuran yang tidak berubah yang dilakukan pada waktu yang berbeda-beda (Juanda, 2009). Untuk mengetahui reliabilitas masing-masing variabel yaitu CRM (X1) Kualitas pelayanan (X2), nilai pelanggan (X3) dan loyalitas pelanggan (Y) digunakan alpha Cronbach minimal 0,5 (Supranto dan Nandan, 2012) karena item pertanyaan tiap variabel yang digunakan dalam instrumen dalam penelitian ini kurang 20 butir. 3.7.2. Statistik Deskriptif Statistik deskriptif merupakan metode statistic yang digunakan untuk menggambarkan atau mendiskripsikan data yang telah dikumpulkan menjadi sebuah informasi (Kuncoro, 2006).



Untuk mengetahui tingkat capaian responden (TCR) dan kriteria responden tersebut digunakan formulasi atau rumus yang dikembangkan oleh Sudjana (2009) sebagai berikut: Skor rata-rata TCR = x 100% Skor Maksimum 3.7.3. Uji Koefisien Korelasi Uji korelasi adalah suatu teknik statistic yang digunakan untuk melihat keeratan hubungan antara dua variabel (Budiyono, 2005). Menurut Arikunto (2006) uji koefisien korelasi dapat dilakukan dengan menggunakan model korelasi product moment dengan formula sebagai berikut: rxy =

n  xy - ( x) . ( y)

n  x

2



 ( x 2 ) . n y 2  ( y 2 )



Keterangan rxy = koefisien korelasi antar x dan y x = variabel bebas y = variabel terikat n = jumlah / responden 3.7.4 Uji Asumsi Klasik a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2007). b. Uji Linearitas Uji linearitas digunakan untuk melihat apakah spesifikasi model yang digunakan sudah benar atau tidak. Untuk menentukan apakah fungsi persamaan regresi yang digunakan berbentuk liner, maka dapat dilihat dari P-P Plot. Apabila titik-titik terdistribusi mengikuti garis linear, maka model regresi dapat dinyatakan linier. c. Uji Multikolonieritas Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independent variable). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Jika variabel bebas saling berkorelasi, maka variabel-variabel tersebut tidak

Enny Sestriyenti

ortogonal. Variabel ortogonal adalah variabel bebas yang nilai korelasi antar sesama variabel bebas sama dengan nol (Ghozali, 2007). Adapun cara untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi melalui nilai tolerence dan variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerence > 0,10 atau sama dengan nilai VIF < 10. d. Uji Heteroskedastisitas Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat Garfik Plott (Scatter plot). Jika tidak terdapat pola yang jelas, seperti titik menyebar di atas dan dibawah angka 0 (nol) pada sumbu Y, maka tidak terdapat heteroskedastisitas. 3.7.5. Uji Hipotensis Penelitian 1. Analisa Regresi Linier Berganda Uji regresi linear berganda adalah suatu teknik statistik yang digunakan untuk mengetahui seberapa besar pengaruh beberapa variabel bebas terhadap variabel terikat (Kuncoro, 2006). Dalam pengujian hipotesis penelitian, digunakan uji regresi linear berganda. Adapun tujuan menggunakan analisa regresi berganda dalam penelitian ini adalah untuk mengetahui bagaimana dampak variabel CRM. kualitas pelayanan dan nilai pelanggan baik secara parsial maupun secara simultan terhadap loyalitas pelanggan Hotel Kerinci. Dengan demikian, dapat dikemukakan persamaan regresi linear berganda dalam penelitian ini adalah sebagai berikut: Y = a + b1X1 + b2X2 + b3X3 + e Dimana, Y = Loyalitas Pelanggn a = Konstanta b1,2,3,4= Koefisien regresi X1 = CRM X2 = Kualitas pelayanan



X3 = Nilai Pelanggan e = error Untuk menentukan hipotesis alternatif (Ha) diterima atau ditolak, maka digunakan asumsi sebagai berikut: a. Jika nilai signifikan hasil uji regresi linear berganda lebih kecil dari 0,05, dan F hitung >F tabel, maka variabel bebas yaitu CRM, kualitas pelayanan dan nilai pelanggan memiliki pengaruh yang signifikan terhadap loyalitas pelanggan Hotel Kerinci. b. Jika nilai signifikan hasil uji regresi linear berganda lebih besar dari 0,05, dan F hitung < F tabel, maka variabel bebas CRM, kualitas pelayanan dan nilai pelanggan tidak memiliki pengaruh yang signifikan terhadap loyalitas pelanggan Hotel Kerinci. 2. Analisis Regeresi linear sederhana Persamaan regresi linear sederhana digunakan untuk melihat pengaruh Secara parsial dari masing-masing variabel bebas CRM, kualitas pelayanan dan nilai pelanggan terhadap loyalitas pelanggan Hotel Kerinci. Dengan persamaan Y = a + bX+ e Keterangan : a = Konstanta b = Koofisien regresi X = CRM /kualitas pelayanan/ nilai pelanggan Y = Loyalitas pelanggan Hotel Kerinci e = Standar Error Uji t Untuk mengetahui variabel independen mana yang paling signifikan hubungannya dengan variabel dependen, perlu diadakan penelitian lebih lanjut dengan menggunakan uji t. Yaitu untuk menguji variabel independen secara individual, dapat dirumuskan sebagai berikut:

t hit  Di mana:

b Sb b = Kemiringan garis regresi S b = Kesalahan standar atas koefisien regresi

Enny Sestriyenti

S yx

Sb 

 Di mana:

x

2

   

 x  n 

2

S yx = Kesalahan standar estimasi

Atau pada output SPSS uji parsial dengan t-test dapat dilihat pada tabel coefficients. Yaitu jika p-value (pada kolom sig.) pada masing-masing variabel independen lebih kecil dari level of significant yang ditentukan, atau t hitung lebih besar dari t tabel, berarti variabel masing-masing variabel independen secara sendiri-sendiri berpengaruh signifikan terhadap variabel dependen. IV. HASIL ANALISIS DAN PEMBAHASAN 4.1 Uji Koefisien Korelasi Coefficientsa Unstandardized Coefficients Model 1 (Constant)

B

Std. Error

Standardized Coefficients Beta

Collinearity Statistics t

Sig.

Tolerance

VIF

7.832

3.231

2.424

.017

CRM

.196

.042

.191 2.305

.023

.845

1.184

Kualitaspelayanan

.298

.081

.341 3.676

.000

.672

1.488

Nilaipelanggan

.278

.085

.305 3.275

.001

.666

1.501

a. Dependent Variable: Loyalitas pelanggan

Persamaan regresi Ŷ = 7,832 + 0,196 X1 + 0,298X2. + 0,278 X3 Dari persamaan tersebut diatas dapat diinterpretasikan sebagai berikut: 1. Konstanta sebesar 7,832, artinya, jika Customer Relationship Manangement, kualitas pelayanan dan nilai pelanggan diabaikan atau tidak ada (nol) maka loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh akan tetap sebesar 7,832 (konstanata) 2. Jika Customer Relationship Manangement ditingkatkan satu satuan (bobot) dengan asumsi kualitas pelayanan dan nilai pelanggan diabaikan atau tidak ada (nol) maka loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh akan meningkat sebesar 0,196. 3. Jika kualitas pelayanan ditingkatkan satu satuan (bobot) dengan asumsi Customer Relationship Manangement dan nilai pelanggan diabaikan atau tidak ada (nol) maka loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh akan meningkat sebesar 0,298.



4. Jika nilai pelanggan ditingkatkan satu satuan (bobot) dengan asumsi Customer Relationship Management dan kuliatas pelayanan diabaikan atau tidak ada (nol) maka loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh akan meningkat sebesar 0,278. Untuk mengetahui apakah CRM, kualitas pelayanan dan nilai pelanggan secara serentak berpengaruh positif dan signifikan terhadap keputusan nasabah mengambil kridit dapat dilihat dari tabel dibawah ini ANOVAb Model 1

Sum of Squares

df

Mean Square

Regression

731.572

3

243.857

Residual

911.178

96

9.491

1642.750

99

Total

F 25.692

Sig. .000a

A. Predictors: (Constant),Crm, Kualitas pelayanan,Nilai Pelanggan B. Dependent Variable: Loyalitas pelanggan

Tingkat signifikansi sebesar 0,000. Jika nilai signifikan dibanding dengan tingkat signifikan yang digunakan pada penelitian ini dengan alpha 0,05, maka terbukti bahwa nilai signifikansi lebih kecil dari tingkat signifikansi yang digunakan (0,000<0,05). Dengan demikian, maka Ho ditolak dan Ha diterima yang berarti CRM(X1) kualitas pelayanan (X2) dan nilai pelanggan (X3) secara serentak berpengaruh positif dan signifikan terhadap loyalitas pelanggan(Y). 4.2 Uji Hipotesis Hipotesis pertama yang menyatakan bahwa secara serentak CRM dan kualitas pelayanan dannilai pelanggan berpengaruh positif terhadaployalitas pelangganHotel Kerinci di Kota Sungai Penuh. Model Summaryb Model 1

R

R Square a

.667

.445

Adjusted R Square .428

Std. Error of the Estimate 3.081

A. Predictors: (Constant), , Crm, Kualitas Pelayanan, Nilai pelanggan B. Dependent Variable: Loyalitas pelanggan Berdasarkan Tabel di atas diperoleh bahwa koefisien (pengaruh secara serentak) R adalah 0,667 yaitu terdapat hubungan yang kuat dan positif antara

Enny Sestriyenti

CRM, kualitas pelayanan dan nilai pelanggan secara serentak terhadap nloyalitas pelanggan dan nilai koefisien determinan atau R square (R2) adalah 0,445 yang berarti bahwa kontribusi pengaruh CRM, kualitas pelayanan dan nilai pelanggan secara serentak terhadap loyalitas pelanggan adalah sebesar 44,5 % dan sisanya (55,5%) di pengaruhi oleh faktor lain yang tidak termasuk dalam ruang lingkup penelitian ini. Tingkat signifikan lebih kecil dari alpha (0,023<0,05), maka Ho ditolak dan Ha diterima. Artinya, secara parsial ada pengaruh yang positif dan signifikan antara CRM(X1) terhadap loyalitas pelanggan (Y). Tingkat signifikan lebih kecil dari alpha (0,000<0,05), maka ho ditolak dan ha diterima. artinya, secara parsial ada pengaruh yang positif dan signifikan antara kualitas pelayanan(x2) terhadap loyalitas pelanggan (y). Tingkat signifikan lebih kecil dari alpha (0,001<0,05), maka ho ditolak dan ha diterima. artinya, secara parsial ada pengaruh yang positif dan signifikan antara nilai pelanggan (x3) terhadap loyalitas pelanggan.(y). Hasil Pengujian Hipotesis : 1. Hipotesis Kedua yang menyatakan “CRM secara parsial berpengaruh positif dan signifikan terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh diterima. 2. Hipotesis Kedua yang menyatakan “kualitas pelayanan secara parsial berpengaruh positif dan signifikan terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh ” diterima. 3. Hipotesis Kedua yang menyatakan “nilai pelanggansecara parsial berpengaruh positif dan signifikan terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh diterima. V. KESIMPULAN Berdasarkan analisa data, interpretasi hasil penelitian, dan pembahasan yang telah disampaikan sebelumnya, maka dapat dikemukakan beberapa kesimpulan dari hasil penelitian ini sebagai berikut: 1. Variabel Customer Relationship Management, kualitas pelayanan dan nilai pelanggan secara serentak berpengaruh positif dan signifikan Fhitung > Ftabel (25.692>3,34) terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh . Sumbangan pengaruh variabel Customer Relationship Management, kualitas pelayanan dan nilai pelanggan terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh sebesar 44,5%, sedangkan sisanya sebesar 45,5% dipengaruhi oleh variabel lain yang tidak termasuk kedalam ruang lingkup penelitian ini. Dari ketiga variabel bebas tersebut yang paling besar



pengaruhnya terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh adalah kualitas pelayanan dengan koefisien korelasi 0,298 2. Variabel Customer Relationship Management, kualitas pelayanan dan nilai pelanggan secara parsial berpengaruh positif dan signifikan terhadap loyalitas pelanggan Hotel Kerinci di Kota Sungai Penuh. DAFTAR PUSTAKA Alida, Palilati. Pengaruh Nilai Pelanggan, Kepuasan Terhadap Loyalitas Nasabah. Manajemen dan Kewirausahaan. 2007 Alida, Palilati. 2007. Pengaruh Nilai Pelanggan, Kepuasan Terhadap Loyalitas Nasabah Tabungan Perbankan Di Sulawesi Selatan. Jurnal Manajemen Dan Kewirausahaan, Vol. 9, No. 1, Hal.73-81 Andreassen, T.M. and Lindestad, B. 1998. Customer Satisfaction and Complex Service. International Journal of Service Industry Management. Vol. 9, No. 1, hal. 7–23. Andreani, Fransisca. 2007. Jurnal Manajemen Pemasaran, Vol 2, No 2. CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DAN APLIKASINYA DALAM INDUSTRI MANUFAKTUR DAN JASA Arikunto, Suharsimi. 1993. Prosedur Penelitian Suatu Pendekatan Praktek. Riekie Cipta Jakarta. Barnes, J.G. 2003. Secrets of Customer Relationship Management (Rahasia Manajemen Hubungan Pelanggan). diterjemahkan oleh Andreas Winardi. Yogyakarta: Penerbit Andi. Christoper Lovelock & Lauren K Wright.2007. Manajemen Pemasaran Jasa, PT. Indeks, Indonesia Christoper Lovelock.2005. Manajemen Pemasaran Jasa, Kelompok Gramedia, Indeks, Indonesia Danny, T. W. & Chandra, F. (2001),"Analisis Kepuasan dan Loyalitas Konsumen Terhadap Tingkat Penjualan Di Warung Bu Kris". Jurnal Manajemen & Kewirausahaan,Vol. 3, 85-95. Donaldson, B., and O’Tolle, T. 2002. Strategic Market Relationship. from Strategy to Implementation. New York: John Willy & Sons. Engel, James F, Roger D Blackwell, and Paul W. Miniard. 1996. Perilaku Konsumen. jilid 1. edisi keenam-Bahasa Indonesia. Binarupa Aksara. Jakarta. Fandy Tjiptono & Gregorius Chandra.2005. Service, Quality & Satisfaction, Penerbit ANDI, Yogyakarta.

Ferdinal. R

Perancangan Sistem Informasi Penjadwalan Mata Kuliah dan Penentuan Ruang Kosong Pada AMIK Depati Parbo Kerinci Menggunakan Metode Waterfall Ferdinal. R AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh E-Mail : [email protected] 1.

Pendahuluan Untuk melaksanakan aktifitas perkuliahan di AMIK Depati Parbo melakukan berbagai pengolahan data, salah satunya adalah pengolahan data yang berkaitan dengan pembuatan jadwal kuliah, dengan menggunakan media komputer sebagai alat bantu dalam melakukan pengolahan data. Di dalam pembuatan jadwal kuliahnya, AMIK Depati Parbo sudah menggunakan sistem pengelompokan data-data dosen dan mata kuliah. Tiap dosen dan mata kuliah sudah memiliki kode tersendiri. Namun, dibalik itu pengolahan data yang digunakan masih mempunyai kekurangan yaitu sering adanya benturan jadwal antar dosen karena informasi yang dibutuhkan harus dicari secara manual. Hal ini akan menyebabkan diubahnya kembali jadwal yang lama, dan akan kembali menyita waktu, biaya, dan tenaga serta menghambat proses belajar mengajar. Dan dalam hal terjadinya kuliah tambahan atau pengganti jadwal perkuliahan yang jumlah pertemuan masih kurang dari rencana, bagian akademik kesulitan untuk menentukan lokal kosong sesuai kebutuhan dosen dan jumlah SKS matakuliah. Untuk mengatasi hal yang demikian diperlukan suatu sistem yang dapat membantu bagian akademik untuk mempercepat proses penyusunan jadwal kuliah dan penentuan ruang kosong untuk mengatasi terjadinya kuliah tambahan atau kuliah pengganti. Metode yang digunakan dalam penelitian ini untuk membuat suatu sistem informasi adalah metode waterfall. 2. Landasan Teori 2.1. Defenisi dan Konsep Dasar Sistem Informasi Sistem informasi didefinisikan oleh Robert A. Leitchdan K. Roscoe Davis sebagai berikut : Sistem informasi adalah suatu sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial dan kegiatan strategi dari suatu

56

Perancangan Sistem Informasi Penjadwalan Matakuliah dan Penentuan Ruang Kosong Pada AMIK Depati Parbo Kerinci Menggunakan Metode Waterfall

organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan. Dalam sistem informasi diperlukannya klasifikasi alur informasi, hal ini disebabkan keanekaragaman kebutuhan akan suatu informasi oleh pengguna informasi. Kriteria dari sistem informasi antara lain, fleksibel, efektif dan efisien. 2.2. Jadwal Perkuliahan Menurut Pusat Bahasa (2008) dalam kamus besar Bahasa Indonesia Edisi Ketiga, arti kata jadwal adalah pembagian waktu berdasarkan rencana pengaturan urutan kerja, sedangkan kata kuliah diartikan mengikuti pelajaran di perguruan tinggi. Masalah dari problem penjadwalan kuliah sendiri memiliki banyak sekali variasi sesuai dengan kebijakan lembaga perguruan tinggi tempat jadwal kuliah tersebut akan digunakan. Kombinasi kelas dan matakuliah ditetapkan sebagai variabel yang harus diisi dengan nilai-nilai dosen, waktu, dan ruang. Untuk dosen terdapat sejumlah parameter yang harus diperhatikan dalam pengalokasian jadwal, yaitu waktu kesediaan dosen untuk mengajar, jatah SKS yang merupakan batas maksimum dosen tersebut mengajar dalam 1 minggu, dan matakuliah yang dapat diajar oleh dosen tersebut. Baik dosen maupun mahasiswa paket diusahakan mendapat jadwal kuliah maksimal 2 pertemuan dan minimal 1 pertemuan per hari dengan jam pertemuan yang berurut di lokasi kampus yang sama. 2.3. Metode Waterfall Waterfall Model adalah sebuah metode pengembangan software yang bersifat sekuensial.Metode ini dikenalkan oleh Royce pada tahun 1970 dan pada saat itu disebut sebagai siklus klasik dan sekarang ini lebih dikenal dengan sekuensial linier. Selain itu Model ini merupakan model yang paling banyak dipakai oleh para pengembang software. Inti dari metode waterfall adalah pengerjaan dari suatu system dilakukan secara berurutan atau secara linear. Jadi jika langkah satu belum dikerjakan maka 3 tidak akan bisa melakukan pengerjaan langkah 2, 3 dan seterusnya. Secara otomatis tahapan ke-3 akan bisa dilakukan jika tahap ke-1 dan ke-2 sudah dilakukan. Skema dari perancangan sistem menggunakan metode waterfall di gambarkan sebagai berikut (Ian Sommerville, 2003).

57

Ferdinal. R

Gambar 2.1 Metode Waterfall Penjelasan Fase-fase yang harus dilalui metode waterfall : 1. Analisys Langkah ini merupakan analisa terhadap kebutuhan sistem. Pengumpulan data dalam tahap ini bisa malakukan sebuah penelitian, wawancara atau study literatur. Seorang system analis akan menggali informasi sebanyak-banyaknya dari user sehingga akan tercipta sebuah system komputer yang bisa melakukan tugas-tugas yang diinginkan oleh user tersebut. Tahapan ini akan menghasilkan dokumen user requirement atau bisa dikatakan sebagai data yang berhubungan dengan keinginan user dalam pembuatan sistem. 2. Design Proses menerjemahkan syarat kebutuhan kesebuah perancangan perangkat lunak yang dapat diperkirakan sebelum dibuat coding. Proses ini berfokus pada : struktur data, arsitektur perangkat lunak, representasi interface, dan detail (algoritma) prosedural. Tahapan ini akan menghasilkan dokumen yang disebut software requirment. 3. Code Coding merupakan penerjemahan design dalam bahasa yang bisa dikenali oleh komputer. Tahapan ini merupakan tahapan secara nyata dalam mengerjakan suatu sistem. Dalam artian penggunaan computer akan dimaksimalkan dalam tahapan ini. 4. Testing Setelah pengkodean selesai maka akan dilakukan testing terhadap sistem yang telah dibuat tadi. Tujuan testing adalah menemukan kesalahan-kesalahan terhadap system tersebut dan kemudian bisa

58


diperbaiki. Tahapan ini bisa dikatakan final dalam pembuatan sebuah sistem. Setelah melakukan analisa, design dan pengkodean maka sistem yang sudah jadi akan digunakan oleh user. 5. Maintenence Tahapan terakhir adalah merupakan proses pemeliharaan terhadap sistem yang sedang berjalan. 3.

Analisis dan Pembahasan

Berdasarkan metode yang digunakan yaitu metode waterfall, maka didapat dijelaskan tahapan sebagai berikut : a. Tahapan Analisis Pada tahapan ini dilakukan anisis kebutuhan yang berupakan kebutuhan perangkat keras maupun perangkat lunak yang akan digunakan dalam proses perancangan sistem nantinya. Adapun perangkat keras terdiri dari Procesor Intel I3, Hardisk, Keyboard, Memory dll. Sedangkan perangkat lunak yang digunakan Sistem Operasi Windows, MySql, Visual Basic. b. Tahapan Design Dalam tahapan perancangan dilakukan proses penggambaran sistem yang akan dibangun. b.1. Hyrarcy Input Process Output (HIPO) dari Sistem Informasi Pengolahan Data Penjadwalan matakuliah pada AMIK Depati Parbo dapat digambarkan sebagai berikut :

Gambar 3.1 HIPO Sistem Informasi Pengolahan Data Pembuatan jadwal kuliah pada AMIK Depati Parbo Kerinci

59

Ferdinal. R

b.2

Context Diagram sistem informasi pengolahan data pembuatan jadwal kuliah pada AMIK Depati Parbo dapat dilihat pada gambar beriku:

Gambar 3.2 Context Diagram b.3

DFD (Data Flow Diagram) juga merupakan diagram yang menggunakan notasi-notasi untuk menggambarkan arus data dari sistem dimana data tersebut disimpan. Setelah dibuat context diagram, langkah selanjutnya adalah menurunkan context diagram menjadi bentuk yang lebih detail, yaitu DFD (Data Flow Diagram) level 1.DFD (Data Flow Diagram) level 1 mengilustrasikan bagaimana data diproses oleh sistem, dalam hal ini input dan output dari sistem. Seperti terdapat pada Gambar 3.3

60


Gambar 3.3 DFD level 1 Penjadwalan Kuliah b.4.

Entity relationship Diagram (ERD) digunakan untuk menjelaskan hubungan dari beberapa file yang ada dalam program. Dari tiap-tiap file tersebut mempunyai beberapa field. Field dihubungkan dengan field dihubungkan dengan field yang telah ditentukan. Adapun ERD ini dapat dilihat pada gambar berikut.

61

Ferdinal. R

Gambar 3.4 Entity Relationship Diagram (ERD) b.5.

Desain Sistem Terinci Pada proses ini dijelaskan gambaran perancangan sistem yang terdiri desain input dan output.

62


Gambar 3.5 Desain Form Dosen

Gambar 3.6 Desain Form Matakuliah

63

Ferdinal. R

Gambar 3.7 Desain Form Ruang Kuliah

Gambar 3.8 Desain Form Kelas

64


Gambar 3.9 Desain Form Alokasi Jadwal Kuliah

Gambar 3.10 Desain Output Alokasi Jadwal Kuliah

65

Ferdinal. R

Gambar 3.11 Desain Form Proses Ruang Kosong

Gambar 3.12 Desain Output Daftar Ruang Kosong c.

d.

Tahapan Coding Proses terjemahan kedalam bahasa pemrograman. Dalam hal ini coding dibuat dengan menggunakan bahasa pemrograman visual basic dengan database menggunakan MySQL. Tahapan Testing

66

e.


Integrasi dilakukan dengan meng-install aplikasi ke dalam komputer Kampus AMIK Depati Parbo Kerinci. Pengujian dilakukan untuk menguji apakah sistem sudah sesuai dengan yang dibutuhkan, apakah validasi data sudah akurat dan tidak terjadi duplikasi data jadwal, serta format laporan sudah sesuai dengan ketentuan yang berlaku di perguruan tinggi. Tahapan Maintenence Pemeliharaan atau Maintenance sistem dilakukan secara terjadwal/berkala minimal setiap semester dan dengan melakukan proses backup dan jurnaling data secara kontinyu serta melakukan manajemen file backup dengan membuat folder khusus yang diberi nama sesuai dengan tanggal backup sehingga akan mempermudah ketika akan melakukan recovery data.

4.

Kesimpulan Penyusunan Sistem informasi Penjadwalan Mata Kuliah dan Penentuan Ruang Kosong Pada AMIK Depati Parbo Kerinci dapat dilakukan dengan menerapkan metode waterfall, dimana sistem disusun secara bertahap mulai dari proses analisis sampai pada tahap implementasi. Meskipun motode ini mempunyai beberapa kelemahan namun dengan pendekatan yang lebih terstruktur dari awal anilisis kebutuhan penerapan dalam perancangan sistem penjadwalan dan penentuan ruang kosong perkuliahan dapat dilakukan secara maksimal, dalam artian proses dublikasi ataupun redudansi data dapat dihindari. 5.

Daftar Referensi

Indrajit, Richardus, E, 2000. Manajemen Sistem Informasi dan Teknologi Informasi. Elek Media Komputindo. Jakarta. Shelly, G. B., dan Rosenblatt, H. J, 2011. Systems Analysis and Design. Boston: Course Technology. Sommerville, Ian, 2003. Software Engineering (Rekayasa Perangkat Lunak), Erlangga, Jakarta Whitten, Jeffery L, 2003. Metode Desain dan Analisis Sistem. Andi, Yogyakarta. Widianti, Utami Dewi, 2012. Jurnal Pembangunan Sistem Informasi Aset Di PT. Industri Telekomunikasi Indonesia (Persero) Berbasis Web. Zuriati, 2012. Jurnal Ilmiah Perancangan Sistem Informasi Penerimaan Mahasiswa Baru.

Ferdinal. R, Elvina Sandra

67

Interaksi Antara Pendidik Dengan Peserta Didik Dan Pembentukkan Karakter Alumni Yang Sukses Ferdinal. R E-Mail : [email protected] Elvina Sandra Email : ( [email protected]) AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh 1. ABSTRACT There are many problem in learning process, which one is the interaction between educators and learners and establishment of succesful the character of the graduated. The interaction between educators and learners is very important in learning process, the learners must be understanding of the educators message in the process of the learning. In the other word, interaction as instructors earn them respect, admiration, and popolarity. It also true because without the interaction impossible the learning process will becoming accomplished . Establishment of a successful way of the graduates characters just things that important also in the education process. Because this is a goal of the learning process and the enhancement of the education greet today. Thre are three key of getting the succesful in establishment of the graduates characters, skills, knowledge, and the attitude of character and also the mindset. Furthermore, Interaction is the complete that the educators and learners have to apply in the process of eduation or learning process and the way to establishment of the characters building of the graduation or learners. 2. PENDAHULUAN Banyak hal yang telah penulis lalui selama berkecimpung dalam dunia pendidikan, penulis telah terjun dalam dunia pendidikan selama kurang lebih 4 (empat) tahun. Ada banyak permasalahan yang menyenangkan, mengharukan bahkan sampai pada hal yang tidak menyenangkan dan membosankan. Namun karena kita adalah seorang pendidik yang slalu menjadi suri tauladan, model dan mentor bagi peserta didik kita, kita harus senantiasa bisa memanage semua permasalahan tersebut dan mencarikan solusi serta jalan keluar yang membuat hubungan antara kita dan peserta didik kita menjadi harmonis sehingga proses

68


belajar mengajar menjadi sangat menyenangkan. Dalam kegiatan belajar mengajar ada yang namanya mata kuliah yang bersifat teori dan ada yang bersifat praktek, ada mahasiswa yang senang dengan mata kuiah teori namun tidak sedikit mahasiswa yang tidak menyenangi hal-hal yang sifatnya teori, nah permasalahan inilah yang harus kita carikan solusinya kita harus bisa membuat mahasiswa kita menyenangi kedua materi yang memang tidak bisa kita hilangkan dalam dunia pendidikan. Kita harus mampu membangun suasana kelas yang hidup serta interaktif dan tidak monoton. 3. PERMASALAHAN Suasana kelas yang kondusif adalah factor utama yang harus selalu kita jaga sebagai seorang tutor (dosen) ketika kita menyampaikan materi didepan kelas. Saat kita berdiri didepan kelas menguasai materi saja belumlah cukup untuk membuat kita bisa merasa nyaman berdiri didepan kelas, namun kita harus bisa beradaptasi dengan semua lingkungan kelas tersebut. Usahakan kita bisa membangun suasana yang akrab antara dosen dan mahasiswa. Jangan membuat rentang jarak yang jauh sehingga komunikasi antara dosen dan mahasiswa akan terhambat. Kebanyakan yang kita jumpai dilapangan banyak rekan-rekan sefropesi terlalu menjaga image (sangat menjaga jarak) dengan mahasiswa sehingga mahasiswa akan cenderung menganggap kita adalah dosen yang sombong dan angkuh sehingga yang tadi nya mereka ingin dekat malah semakin menjauh, hal ini tidaklah bagus untuk kelangsungan proses belajar mengajar. Kenapa demikian ketika kita menyampaikan materi mereka akan cenderung maggut-manggut tanpa memahami apa yang sesungguhnya kita sampaikan. Mereka tidak menjadi komunikatif kalaupun ada yang mengganjal dipikiran mereka akan cenderung menyimpan rasa ingin tahunya dikarenakan rasa takut dan segan nya. Kelas sering terasa membosankan bagi mahasiswa karena suasana yang tegang saat kita menyampaikan materi, jika perasaan bosan telah muncul sebagus apapun cara kita menyampaikan materi maka akan terasa menjenuhkan. Jadi untuk mengatasi tingkat kejenuhan mahasiswa didalam kelas ada banyak hal yang bisa kita lakukan : 1.1 Jangan hanya selalu berpatokan pada waktu, sehingga kita merasa waktu yang diberikan kepada kita dalam menyampaikan materi akan menjadi tidak cukup sehingga kita tidak memperhatikan lagi apakah yang kita sampaikan bisa dipahami atau tidak 1.2 Selingilah kegiatan menjelaskan dengan permainan atau cerita yang menyenangkan sehingga rasa bosan akan tersingkirkan 1.3 Jangan hanya selalu memberikan catatan karena mahasiswa akan mudah jenuh jika kita minta mereka mencatat aplikasikan materi yang kita


69

sampaikan pada suatu praktek yang bener-bener bisa mereka rasakan mamfaat dari yang mereka pelajari 1.4 Kalau bisa bangunlah suasana kelas yang demokratis artinya pastikan ada komunikatif yang baik antara dosen dan mahasiswa 1.5 Janganlah membuat suatu doktrin bahwa dosen punya kemampuan yang lebih dari mahasiswa Biasanya manusia normal hanya mampu atau memiliki tingkat konsentrasi sekitar sepuluh menit, dalam range waktu sepuluh menit mereka bisa memusatkan konsentrasinya pada apa yang dilihat dan didengarnya, lebih dari itu biasanya konsentrasinya akan terpecah dengan hal-hal lain sehingga sampailah pada suatu titik yang dinamakan jenuh. Untuk mengatasi ini kita bisa coba setiap sepuluh menit sekali kita alihkan sedikit pembicaraan inti kepada hal-hal yang bisa membangun kembali suasana menyenangkan dalam pikiran mereka sehingga materi yang kita sampaikan tidak akan menjadi beban yang sangat berat untuk dicerna. Kita bisa melakukan sebuah permainan ringan mungkin, atau cerita-cerita serta guyonan ringan yang mampu membuang rasa kantuk. Intinya kita tidak boleh terlalu monoton dan serius dalam hal penyampaian materi, selingilah sedikit dengan hal-hal yang tidak terlalu menguras otak dan pemikiran. Disamping membangun suasana kelas yang menyenangkan kita sebagai pendidik juga bertanggung jawab dalam pembentukkan karakter dari setiap mahasiswa didik kita. Tentulah bukan hal yang muluk-muluk kalau kita menginginkan produk (alumni-alumni) yang kita hasilkan adalah alumni-alumni yang memiliki potensi dan nilai jual yang tinggi didalam dunia industry dan ketenagakerjaan, sebab disamping itu menguntungkan untuk nama baik almamater hal itu juga akan menjadi kepuasan serta kebanggaan tersendiri bagi kita sebagai tenaga pendidik karena mahasiswa yang kita didik bisa sukses dan mampu memberikan konstribusi yang positif minimal untuk lingkungannya. Untuk menghasilkan alumni yang memiliki karakter yang kuat kita tidak hanya harus membekali mereka dengan ilmu pengetahuan saja tetapi ada factor lainnya yang sangat penting yakni tentang budi pekerti. Kita tidak harus membebankan materi ini kedalam sejumlah sks khusus dalam kurikulum tetapi kita bisa menyampaikannya dalam setiap materi-materi yang memang sudah menjadi beban sks wajib dalam sebuah proses belajar mengajar yang terjadi, caranya sangat mudah mulailah dari diri kita sendiri berikan contoh pribadi yang menyenangkan, supel serta komunikatif. Sebagai contoh Kita ingin mengajarkan tentang arti sebuah kesabaran dan ketulusan bagaimana mungkin mahasiswa kita bisa menerapkannya jika kita sendiri tak pernah mampu bersabar menghadapi mereka dengan segala persoalan dan tingkah lakunya, kita meminta mereka agar bisa tulus dalam melakukan semua pekerjaan dan tugas

70


yang kita berikan sementara kita sendiri tidak pernah degan tulus saat berdiri menghadapi mereka. Menurut Bapak Budi S. Isman seorang penulis buku … ada 3 (tiga) factor yang akan membuat alumni yang kita hasilkan menjadi sukses yakni

Gambar 1. 3 Factor kunci menghasilkan alumni yang sukses Ketiga factor diatas adalah kunci utama yang harus dimiliki oleh alumni yang kita hasilkan, dan ketiganya tidak boleh ada yang tertinggalkan dan terpisahkan karena ketiga factor tersebut bagaikan sebuah siklus yang tak boleh terputuskan karena jika salah satunya tidak dimiliki maka alumni yang kita hasilkan mungkin akan merasa gamang untuk terjun kedunia kerja serta mereka mungkin akan menemukan banyak kendala dalam berinteraksi maupun bernegosiasi dengan lingkungan serta perkembangan teknologi yang ada, sehingga akan muncul kesan kita telah menghasilkan alumni yang serba gamang dengan keadaan. Dalam mencapai kesuksesan sebenarnya kita harus melewati beberapa tahapan hal tersebut dapat dilihat dari ilustrasi gambar berikut ini :

Gambar 2. Tahapan dalam mencapai kesuksesan


71

Lima tahapan ini harus dilewati jika kita ingin meraih sukses yang gemilang. Set Goal artinya dilangkah awal kita harus merumuskan apa yang ingin kita capai (apa tujuan kita), Make Plan maksudnya kita harus konsepkan tujuan tersebut kedalam sebuah daftar yang terencana (perencanaan). Get to Work artinya berusaha mendapatkan sebuah pekerjaan (jalan) yang dapat membuat kita bisa melaksanakan rencana yang telah kita susun. Stick to It maksudnya setelah kita dapatkan jalan untuk menerapkan rencana tersebut kita tinggal menjalankan dan mengembangkan jalan yang telah ada sehingga kita masuk ketahap yag disebut Reach Goal yaitu sebuah tahapan yang merupakan tahapan yang memang kita inginkan dimana ditahapan ini kita telah memetik hasil dari semua yang kita lakukan. Sementara menurut Dr. H. Henmaidi, ST, M.Eng.Sc. yang juga seorang pengarang buku mengatakan proses pembentukkan karakter itu dapat diilustrasikan dengan gambar berikut

Gambar 3. Proses Pembentukkan karakter Dalam proses pembentukkan karakter akan ada tiga fase yang kita lewati yakni fase pertama adalah fase pengenalan (sosialisasi) fase kedua adalah pemahaman yang dapat dilakukan dengan menampilkan atau memasang foster yang mendukung, training atau seminar-seminar terkait. Fase terakhir adalah fase penerapan (ketauladanan) dengan langsung mempraktekkan hal-hal yang telah kita sosialisasikan sebelumnya. Didalam fase penerapan ini ada beberapa hal yang harus selalu kita kembangkan agar kita mendapatkan hasil yang diinginkan hal tersebut dapat dilihat pada gambaran berikut ini

72


Gambar 4. Proses pengokohan fase penerapan Didalam tahap atau fase penerapan ada tiga langkah penekanan yang harus kita kembangkan yakni “penerapan pembiasaan” jika ini telah sukses kita lakukan maka kita harus masuk pada langkah “pembudayaan” danjika sesuatu telah menjadi budaya maka berarti kita telah sukses menjadikan hal tersebut sebagai cirri khas (karakter) sehingga masuklah kita pada tahapan yang dinamakan “internalisasi menjadi character” Tidak dipungkiri semua manusia pasti selalu berharap yang terbaik kita sebagai pendidik inginkan kesuksesan saat kita berdiri didepan kelas dan menjadi yang terbaik dalam sebuah institusi demikian juga dengan mahasiswa yang menjadi peserta didik kita mereka juga ingin kita hargai mereka juga ingin dapatkan reward atau penghargaan dari kita karena itu adalah fitrahnya manusia, jika kita mampu memberikan penghargaan pada mereka sesuai dengan prestasi mereka maka secara tak disadari kita telah mengajarkan kepada mereka bagaimana cara menghargai orang lain, dan dengan adanya reward maka mereka akan termotivasi untuk mengembangkan ilmu serta pengetahuan yang mereka punya, maka secara tak langsung mereka juga akan terbiasa menggali sesuatu yang baru, memanage waktu sehingga akan tibul sebuah kedisiplinan, serta mereka juga akan terlatih dalam kesabarannya saat mereka dituntut untuk menyelesaikan sebuah tantangan. Berikut ini ada sebuah gambar yang bisa mengilustrasikan bagaimana bentuk sebuah karakter yang mungkin kita inginkan.


73

Gambar 5. Karakter yang diharapkan Semua point tersebut tidak akan terwujud jika tidak ditunjang oleh lingkungan yang mendukung maksudnya semua pihak disekitar kita harus saling mendukung dan memberkan kontribusi yang positif agar kita dapat mewujudkan semua point tersebut. Masih menurut Dr. H. Henmaidi, ST, M.Eng.Sc. ada beberapa faktor untuk mencapai sebuah keberhasilan yaitu : a. Formulasi karakter b. Kepemimpina / komitmen c. Sosialisai kepada stake holder d. Keterlibatan staf dan tenaga kependidikan e. Keterlibatan mahasiswa dan organisasi kemahasiswaan f. Sarana prasarana g. Keterlibatan Orang tua h. Keterlibatan Masyarakat Ada beberapa pendapat para ahli tentang pendidikan karakter : 1. Pendidikan Karakter Menurut Thomas Lickona Pendidikan karakter : menjadikan sekolah sebagai tempat terbaik untuk menanamkan karakter 2. Pendidikan Karakter Menurut Marvin Berkowits

74


Pendidikan karakter yang efektif bukanlah menambah program disekolah namun merupakan proses transformasi budaya dan kehidupan sekolah itu 3. Pendidikan Karakter Menurut Arnold Toynbee Dari dua puluh satu peradaban dunia yang pernah dicatat, Sembilan belas hancur bukan karena penaklukkan dari luar, melainkan karena pembusukan moral dari dalam Ada beberapa alasan mengapa kampus atau sekolah perlu focus pada pendidikan karakter diantaranya adalah sebagai berikut : a) Pendidikan karakter dalam keluarga tidak efektif lagi b) Sekolah membentuk anak cerdas dan anak baik c) Kecerdasan hanya bermakna dengan kebaikan d) Membentuk karakter anak bukan tugas tambahan guru atau dosen namun melekat pada peran kita sebagai seorang pendidik. Ada 12 strategi yang mungkin bisa kita kembangkan dalam menerapkan pendidikan karakter diantaranya adalah sebagai berikut :  Guru: Bertindak sebagai sosok yang peduli, model dan mentor  Menciptakan komunitas moral di kelas  Mempraktekkan disiplin moral  Menciptakan lingkungan kelas yang demokratis  Mengajarkan nilai-nilai melalui kurikulum  Menggunakan pembelajaran kooperatif  Membangun kepekaan  Mendorong refleksi moral  Mengajarkan resolusi konflik  Sekolah: Mengembangkan sikap peduli yang tidak hanya sebatas kegiatan di kelas  Menciptakan budaya moral yang positif di sekolah  Melibatkan orang tua dan masyarakat sebagai partner 4. KESIMPULAN Dari sekian banyak teori yang telah penulis sampaikan mungkin ada beberapa kesimpulan yang bisa kita tarik yakni ketika berinteraksi dengan mahasiswa bukanlah konseptual saja yang harus kita utamakan tetapi hubungan mental dan moral kita sebagai pendidik dan peserta didik juga harus diperhatikan karena yang kita hadapi bukanlah benda mati, mereka bisa menilai, merasakan, apa yang kita perbuat didepan mereka, dan seharusnya kita juga bisa berandai-andai untuk bertukar posisi dengan mereka sehingga kita juga bisa


75

merasakan bagaimana kalau kitalah yang ada diposisi mereka. Bekal ilmu pengetahuan saja belumlah cukup untuk membuat alumni yang kita hasilkan menjadi alumni yang sukses yang bisa berkecimpung dalam dunia kerja maupun berkecimpung dalam lingkungan sosialnya. Kita juga harus bekali mereka dengan pendidikan moral yang bagus sehingga jika mereka harus terjun kedunia luar kampus mereka tidak akan merasa canggung tetapi mereka akan mampu berkomunikasi dan bernegosiasi dengan lancer tanpa harus merasa rendah ataupun terbebani. Hal tersebut bisa kita wujudkan jika kita bisa memasukan atau menyelingi pendidikan karakter kedalam setiap matakuliah yang telah diatur dalam kurikulum, kita bisa implementasikan nilai-nilai baik tersebut kedalam tindakan sehari-hari saat kita menyampaikan materi dengan cara yang menarik dan menyenangkan. 5. REFERENCES Thomas Lickona, 1992, Educating for Character Doni Koesoema A , 2007, Pendidikan karakter strategi mendidik anak dizaman global Budi Satria Isman, 2008, 7 Steps to Reach Your Dream Hendmiadi, Pendidikan Karakter Muhamad Yunus , Alan Jolies, 2003, Banker to The Poor Sarah h Alvord, L David Brown, Christine W Letts, 2004, The Journal of Applied Behavioral Science, Social Entrepreneurship and Societal Transformation Steve Corbett, Brian Fikker, Jhon Perkins, 2009, When Helping Hurts Michele Borba Ed.D , 2004, Don’t Give Me Attitude Michele Borba Ed.D , 2001, Building Moral Intelegence Thomas Lickona, 2012, Raising Good Children Robert Coles, 2011, The Moral Intellegence Of Children



SEGMENTASI PEMAKAIAN LISTRIK MENGGUNAKAN FUZZY CMEANS (STUDI KASUS UNIT PLTD KOTA LOLO) Penulis : Efvy Zamidra Zam, S.KOM., MPM. Hairul Candra, S.KOM., M.KOM. E-mail: [email protected] ABSTRAK Clustering adalah proses pengelompokan data ke dalam cluster berdasarkan parameter tertentu sehingga obyek-obyek dalam sebuah cluster memiliki tingkat kemiripan yang tinggi satu sama lain dan sangat tidak mirip dengan obyek yang lain pada cluster yang berbeda. Fuzzy C-Means termasuk dalam salah satu teknik clustering. Pada jurnal ini teknik Fuzzy C-Means digunakan untuk melakukan segmentasi jumlah pemakaian energi listrik pada jam tertentu pada hari yang sama. Hasil dari penelitian ini diperoleh setelah melakukan 15 kali iterasi. Dan didapatkan dua pusat cluster. Untuk cluster 1 terdiri dari 5 anggota, dan cluster 2 hanya terdiri dari 1 anggota. Kata kunci: Cluster, Fuzzy C-Means, Listrik, Segmentasi ABSTRACT

Clustering is the process of grouping data into clusters based on certain parameters so that the objects within a cluster have a high degree of similarity to one another and very similar to other objects in the different clusters. Fuzzy C-Means is included in one of the clustering technique. In this paper Fuzzy C-Means technique is used to segment the amount of electrical energy consumption at certain hours on the same day. The results of this study were obtained after 15 iterations. And obtained two cluster centers. For cluster 1 consists of 5 members, and cluster 2 consists of 1 member. Keywords: Cluster, Fuzzy C-Means, Electric, Segmentation PENDAHULUAN Pemakaian listrik saat ini terus meningkat, hal ini ditunjukkan dengan terus meningkatnya jumlah pelanggan PLN.Ketika kinerja penyaluran listrik


77

menurun, salah satunya keandalan turun karena kekurangan daya. Hal ini bisa mempengaruhi kepercayaan, kepuasan dan kenyamanan pelanggan Dengan mengetahui segmentasi pemakaian listrik maka bisa dimanfaatkan oleh pihak PLN untuk mengambil keputusan yang lebih baik kapan saja perlu ditambahkan daya listrik terutama saat jam-jam tertentu.Segmentasi pemakaian energi listrik dapat dilakukan dengan teknik clustering. Proses clustering adalah proses pengelompokan data ke dalam cluster berdasarkan parameter tertentu sehingga obyek-obyek dalam sebuah cluster memiliki tingkat kemiripan yang tinggi satu sama lain dan sangat tidak mirip dengan obyek yang lain pada cluster yang berbeda. Dari proses clusteringtersebut dapat digunakan untuk mengetahui struktur dalam data yang dapat digunakan lebih lanjut dalamberbagai aplikasi secara luas seperti klasifikasi, pengolahan gambar, dan pengenalan pola. Salah satu algoritma yang dapatdigunakan untuk melakukan segmentasiadalah algoritma Fuzzy CMeans.Algoritma Fuzzy CMeansmerupakan salah satu algoritma clustering.Fuzzy c-means adalah suatu teknikclustering data dimana keberadaan tiaptitik data cluster. Pada penelitian ini akan dibangun model prediksi yang dapat melakukanperkiraan beban listrik jangka pendek yang dapat digunakan untuk penjadwalandalam pengoperasian mesin pembangkit listrik. Perumusan Masalah Dari apa yang telah diuraikan pada bagian latar belakang maka identifikasi masalah dari penelitian ini adalah sebagai berikut: a. Bagaimana langkah-langkah menggunakan Fuzzy C-Means untuk melakukan segmentasi pemakain energi listrik pada PT. PLN (Persero) Unit PLTD Koto Lolo. b. Bagaimana mengetahui karakteristik penggunaan listrik setiap segmen yang terbentuk dari hasil clustering. LANDASAN TEORI Clustering Analisis kluster atau clustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang mana kesamaan data dalam suatu kelompok lebih besar dibandingkan kesamaan data tersebut dengan data dalam kelompok lain (Jang, Sun, dan Mizutani, 2004). Clustering berbeda dengan classification dimana tidak terdapat variabel target untuk clustering. Algoritme clustering membagi-bagi dari keseluruhan himpunan data menjadi subkelompok atau cluster yang relatif homogen, dimana kesamaan record-record di dalam cluster diperbesar, dan kesamaan record-



record di luar cluster diperkecil. Clustering seringkali diterapkan dalam langkah persiapan pada proses data mining dengan menghasilkan cluster-cluster yang digunakan sebagai input untuk berbagai teknik, seperti jaringan syaraf tiruan. Logika Fuzzy Logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh (UC Berkeley) pada tahun 1965, sebagai suatu cara matematis untuk menyatakankeadaan yang tidak menentu (samar) dalam kehidupan sehari-hari. Ide ini didasarkan pada kenyataan bahwa di dunia ini suatu kondisi sering diinterpretasikan dengan ketidakpastian atau tidak memiliki ketepatan secara kuantitatif, misalnya: panas, dingin, dan cepat. Dengan logika fuzzy, kita dapat menyatakaninformasiinformasi yang samar tersebut (kurang spesifik), kemudian memanipulasinya, dan menarik suatu kesimpulan dari informasi tersebut (Hansi Effendi, 2009). Logika fuzzy ini didasarkan pada teori fuzzyset atau himpunan fuzzy, yang merupakan perkembangan dari teori himpunan klasik (Crisp).Konsep fuzzy ini dikenal sejak penerapannya pada sistematika kontrol pada tahun 1980an.Pada dasarnya, logika fuzzy adalah suatu cara untuk memetakan ruang-ruang input ke dalamsuatu ruangan output yang sesuai. Ada banyak cara untuk memetakan ruang input ke outputini, seperti dengan sistem linear, jaringan saraf, dan persamaan differensial. Meskipun banyakcara selain fuzzy, namun fuzzy dianggap memberikan solusi terbaik karena dengan menggunakanfuzzy akan lebih cepat dan lebih murah. Beberapa keuntungan menggunakan logika fuzzy lainnya antara lain: konsep matematis yang mendasari penalarannya sederhana sehinggamudah dimengerti, memiliki toleransi terhadap data yang tidak tepat, mudah untuk digabungkan dengan teknik-teknik kendali konvensional, mampu memodelkan suatu sistem secara akurat, pengenalan pola-pola secara mudah dan simpel. Secara umum, fuzzy logic adalah sebuah metodologi “berhitung” dengan variabel kata-kata (linguistic variable), sebagai pengganti berhitung dengan bilangan. Kata-kata yang digunakan dalam fuzzy logic memang tidak sepresisi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia. Manusia bisa langsung “merasakan” nilai dari variabel kata-kata yang sudah dipakainya sehari-hari. Demikianlah fuzzy logic memberi ruang dan bahkan mengeksploitasi toleransi terhadap ketidakpresisian. (Agus Naba, 2009) Logika fuzzy (logika samar) itu sendiri merupakan logika yang berhadapandengan konsep kebenaran sebagian, dimana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1). Logika fuzzy memungkinkannilai keanggotaan antara 0 dan 1. Berbagai teori didalam perkembangan logika fuzzymenunjukkan bahwa pada dasarnya logika fuzzy dapat digunakan untuk memodelkanberbagai sistem.Logika fuzzy


79

dianggap mampu untuk memetakan suatu input kedalam suatuoutput tanpa mengabaikan faktor–faktor yang ada. Logika fuzzy diyakini dapat sangatfleksibel dan memiliki toleransi terhadap data-data yang ada. (Much. Junaidi, et al. 2005). Pada logika fuzzy, terdapat dua cara atau hukumpembuat keputusan atau disebut fuzzy inference rule (FIR). Kedua hukum tersebut adalah:Generalized modus ponens (GMP) dan Generalized modus tollens (GMT). (Imam Abadi, et al. 2006) Perbedaan antarakeduanya dapat dijelaskan dalam contoh berikut : 1. Generalized Modus Ponens Premis Mayor : if x is A then y is B Premis Minor : x is A’ Kesimpulan : y is B’ 2. Generalized Modus Tollens (GMT) Premis Mayor : if x is A then y is B Premis Minor : y is B’ Kesimpulan : x is A’ Teori Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan hanya terdapat dua kemungkinan, yaitu 0 dan 1. Tapi pada himpunan fuzzy, nilai keanggotaan terletak pada rentang 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy μA[x] = 0, berarti x tidak menjadi anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy μA[x] = 1, berarti x menjadi anggota penuh pada himpunan A. (Lia Amalia, et al. 2010) Pada himpunan tegas (crisp), nilai keanggotaan suatu objek x dalam suatu himpunan A, yang sering ditulis dengan μA[x], memiliki 2 kemungkinan, yaitu sebagai berikut: 1.

Satu (1), yang berarti bahwa suatu objek menjadi anggota dalam suatu himpunan, atau 2. Nol (0), yang berarti bahwa suatu objek tidak menjadi anggota dalam suatu himpunan (Rr. Dini Rusmiyati Andari, 2005). Pada himpunan crisp, nilai keanggotaan ada 2 kemungkinan, yaitu 0 atau 1.Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Misalkan diketahui klasifikasi umur dibagi 3 kategori sebagai berikut : MUDA : umur < 35 tahun PAROBAYA : 35 ≤ umur ≤ 55 tahun TUA : umur > 55 tahun



Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (μMUDA [34thn] = 1). Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (μMUDA [35thn -1 hr] = 0). Berdasarkan contoh diatas bisa dikatakanpemakaian himpunan crisp untuk menyatakan umursangat tidak adil, adanya perubahan sedikit saja padasuatu nilai mengakibatkan perbedaan kategori yangcukup signifikan.Himpunan fuzzy digunakan untukmengantisipasi hal tersebut. Seseorang dapat masukdalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA. Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. (Sri Kusumadewi, 2004) Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya: 1. Representasi linear Pada representasi linear ini, pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas (fuzzy ). Ada dua keadaan himpunan fuzzy yang linear, yaitu : a. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan 0 bergerak kekanan menuju kenilai domain yang memiliki derajat keanggotaan lebih tinggi, seperti gambar 2.1 berikut ini: 1 µ(x) 0 a domain b Gambar 2.1 Representasi Linear Naik Fungsi keanggotaan : 0; x ≤ a µ(x) = (x – a) / (b – a); 1; x ≥ b

a≤x≤b

81


b.

Dimana : µ(x) : Derajat Keanggotaan x : Nilai Himpunan {a, b} : Anggota Himpunan Garis lurus dimulai dari domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah, seperti terlihat pada gambar 2.2 berikut ini : 1 Derajat keanggotaan µ(x) 0 a domain b Gambar 2.2 Representasi Linear Turun Fungsi keanggotaan : (b – x) / (b – a); a≤x≤b µ(x) = 0; x≥b Di mana : µ(x) : Derajat Keanggotaan x : Nilai Himpunan {a, b} : Anggota Himpunan

2. Representasi segitiga Kurva segitiga merupakan gabungan antara 2 garis (linier) seperti terlihat pada gambar



2.3. Kurva Segitiga 1 Derajat kenggotaan µ(x) 0 a domain

b

c

Gambar 2.3 Kurva Segitiga Fungsi keanggotaan : 0; µ(x) = (x – a) / (b – a); 1; Di mana : µ(x) : Derajat Keanggotaan x : Nilai Himpunan {a, b, c} : Anggota Himpunan

x ≤ a atau x ≥ c a≤x≤b b≤xc

3. Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1. . Ada 4 parameter yang digunakan, yaitu [a b c d] seperti terlihat pada gambar 2.4:

Gambar 2.4 Grafik Fungsi Keanggotaan Trapesium

83


Fungsi Keanggotaan : 0;

x ≤ a atau x ≥ d

(x-a) / (b-a); µ [x] =

a≤x≤b

1;

b≤x≤c

(d-x) / (d-c)

c ≤x ≤d

Di mana : µ(x) x {a, b, c}

: Derajat Keanggotaan : Nilai Himpunan : Anggota himpunan

4. Representasi Kurva Bahu Representasi kurva bentuk bahu, daerah yang terletak di tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun. Himpunan fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Seperti terlihat pada gambar 2.5:

Gambar 2.5: Kurva Bahu pada Variabel TEMPERATUR



Operasi Himpunan Fuzzy Misalkan A dan B adalah dua himpunan fuzzy dalam himpunan semesta V dengan fungsi keanggotaan masing-masing μA dan μB. Beberapa operasi yang dipakai dalam himpunan fuzzy, (Sri Kusumadewi, 2002) misalnya: 1. Komplemen (negasi) dari A ( A’), dimana μA‘[x] = 1 - μ A[x]. 2. Interseksi (irisan) dari A dan B (A ∩ B), dimana μ(A ∩ B) = min (μA[x], μ B[y]). 3.

Union(gabungan) dari A dan B (A ∪ B), di mana μ(A ∪ B) = max(μA[x], μB[y]).

Fuzzy C-Means (FCM) Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy. Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy CMeans atau sering disingkat FCM (Sri Kusumadewi 2002). Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut (Eko Sediyono, et al. 2006). Fungsi Keanggotaan pada Fuzzy Cluster Pada pendekatan fuzzy clustering, setiap data diberikan sebagian derajat keanggotaan dari beberapa cluster yang terdekat. Setiap data akan memiliki derajat keanggotaan yang diasosiasikan untuk setiap pusat cluster pada selang nilai 0 sampai 1, yang menunjukkan kekuatan penempatannya dalam cluster.


85

Gambar Fungsi keanggotaan pada fuzzy cluster Sebagai gambaran, fungsi keanggotan pada fuzzy cluster dapat dibayangkan diameter ruang cluster sebagai dasar dari suatu himpunan fuzzy berbentuk lonceng. Kurva keanggotaan mendefinisikan sejauh mana sebuah titik berada pada cluster. Ilustrasi dari fungsi keanggotaan pada fuzzy cluster dapat dilihat pada Gambar 1 (Cox 2005). Pada gambar tersebut pusat cluster ditunjukkan oleh titik dengan huruf C yang memiliki nilai derajat keanggotaan 1, sedangkan titik dengan huruf A merupakan anggota dari cluster dengan pusat cluster C memiliki derajat keanggotaan sebesar 0,5 pada cluster tersebut. Algoritma Fuzzy C-Means Dalam algoritma Fuzzy C-Means, input data yang akan di-cluster berupamatriks X berukuran n x m (n = jumlah sampel data dan m = atribut setiap data).Xij = data sampel ke-i (i= 1, 2, , n), atribut ke-j (j = 1, 2, ..., m). Algoritma yangakan digunakan untuk menyelesaikan permasalahan fuzzyclustering denganmenggunakan metode Fuzzy C-Means adalah sebagai berikut: a. Tetapkan:  Jumlah cluster = c (≥ 2).



     b.

Pangkat pembobot = w (> 1) Maksimum iterasi = MaxIter Error terkecil yang diharapkan = ξ Fungsi obyek awal = P0 = 0 Iterasi awal =t=1 Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah tiap kolom harus bernilai satu. (1)

c. Hitung pusat cluster, V, tiap cluster: (2) Dengan : Vij = pusat cluster µik = derajat keanggotaan titik ke-k di cluster ke-i w = pangkat pembobot x = data masukan ke-k d. Hitung fungsi obyektif pada iterasi ke-t (3) e. Update derajat keanggotan μ (4) f. Cek kondisi berhenti,  Jika |Pt – Pt-1| < ɛ atau (t < MaxIterasi)maka berhenti. (5)  Jika tidak: t=t+1, ulangi langkah ke 3. HASIL DAN PEMBAHASAN Sebelum data dianalisis dilakukan normalisasi data yangbertujuan untuk meningkatkan keakurasian dari hasil output. Normalisasi data juga berguna untuk menghilangkan noise padadata. Dimana pada normalisasi data ini digunakan untuk mengurutkan data beban listrik dari nilai terkecil ke nilai terbesar.

87


Dari perhitungan diperoleh tabel normalisasi data beban listrik seperti pada tabel di bawah ini.

No. 1 2 3 4 5 6 7 8 Min Max

Tabel Normalisasi Data Beban Listrik Beban ti Keterangan Listrik (MW) 11,507 0,541747573 t6 11,280 0,492772384 t5 11,091 0,451995685 t4 10,669 0,360949299 t3 8,996 0 t1 10,513 0,327292341 t2 12,220 0,695577131 t7 13,631 1 t8 8,996 13,631

Setelah dilakukan normalisasi, maka data dapat dirangkum pembagian data dengan dua input. Selanjutnya adalah memasukkan data sesuai dengan tabel pembagian data seperti pada tabel di atas menjadi tabel di bawah untuk pembagian data dengan 2 input.

Tabel Pembagian Data Dengan 2 Input Input Output Data keX1 X2 Y(t) 1 8,996 10,513 10,669 2 3 4 5

10,513 10,669 11,091 11,280

10,669 11,091 11,280 11,507

11,091 11,280 11,507 12,220



6

11,507

12,220

13,631

Cluster Data Data kemudian dikelompokkan dengan menggunakan algoritma FCM. Langkah-langkah kerja menggunakan algoritma Fuzzy C-Means (FCM) yakni: a. Ditentukan: Jumlah Cluster (C = 2) Pangkat/bobot (w = 2) Maksimum iterasi (MaxIter = 100) Error terkecil yang diharapkan (ξ = 0,0001) Fungsi Obyektif awal (P0 = 0) Iterasi awal (t =1) b. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah tiap kolom harus bernilai satu, dan didapat hasil sebagai berikut:

U0 =

0,8147 0,127 0,6324 0,2785 0,9575 0,1576 0,1853 0,873 0,3676 0,7215 0,0425 0,8424

Melalui proses FCM, clustering optimal terbentuk setelah dilakukan 15 (t = 15) kali iterasi, maka diperoleh hasil |P15-P14| = |1,6911 - 1,6912| = 0,0001. Matriks pusat vektor (V): Matriks pusat cluster Setelah syarat terpenuhi dimana error terkecil yang diharapkan (ξ = 0,0001), maka data dapat ditampilkan. Sehingga nilai U menjadi:

U15 =

0,0067 0,6710 0,9023 0,9952 0,9907 0,9087 0,9933 0,3290 0,0977 0,0048 0,0093 0,0913

Fungsi objektif dalam 15 iterasi dapat dilihat pada tabel berikut: Iterasi ke1 2 3 4 5 6 7 8

Fungsi Objektif 3,9739 2,3769 2,0428 1,9409 1,8899 1,8459 1,8024 1,7614

89


9 10 11 12 13 14 15

1,7284 1,7074 1,6971 1,6930 1,6916 1,6912 1,6911

c. Dari nilai tersebut di atas, didapat kecenderungan masuk cluster data pelatihan sebagai berikut: Tabel Derajat Keanggotaan Tiap Data Pada Setiap Cluster Dengan FCM Derajat keanggotaan (µ) Data cenderung Data masuk cluster kedata pada cluster X1 X2 Keke1 2 1 2 0,9933 8,996 10,513 0,0067 1 * 0,3290 10,513 10,669 0,6710 2 * 0,9023 0,0977 10,669 11,091 3 * 0,9952 0,0048 11,091 11,280 4 * 0,9907 0,0093 11,280 11,507 5 * 0,9087 0,0913 11,507 12,220 6 * Dari titik pusat yang dihasilkan tersebut dapat dijelaskan beberapa hal berikut: 1. Terdapat 1 data yang masuk cluster kedua dan 5 buah data masuk cluster pertama. 2. Dari proses pengklusteran yang dilakukan maka dapat disimpulkan beberapa ciri-ciri masing-masing cluster, sebagai berikut: a. Untuk pusat cluster 1 menunjukkan nilai beban listrik terkecil adalah 9,1793 MW sedangkan nilai beban terbesar adalah 10,5463. b. Untuk pusat cluster 2 menunjukkan nilai beban listrik yang hampir mirip, yaitu 11,0733; 11,4212. KESIMPULAN Hasil segmentasi adalah berupa nilai pusat cluster dan matrikspartisi(yang berisi nilai derajat keanggotaan) setiap data pada setiapcluster. Segmentasi beban



energi listrik didapatkandengan membandingkan nilai setiap clusterpada setiap data dari hasil clustering(matriks partisi) dimana nilai terbesar dariperbandiangan digunakan sebagai acuanuntuk menetukan kecenderungan clustertiap data.Berdasarkan clustering yang dilakukan diperoleh 2cluster. Dari hasil kedua cluster tersebut diketahui bahwa pada clusterpertama memiliki 5 anggota yang paling banyak. DAFTAR PUSTAKA Agus Naba. 2009. “Belajar Cepat Fuzzy Logic Menggunakan Matlab”. Andi Offset: Yogyakarta. Cary Lineker Simbolon, dkk. 2013. Clustering Lulusan Mahasiswa Matematika Fmipa Untan Pontianak Menggunakan Algoritma Fuzzy C-Means. Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster) Volume 02, No.1 Daman Suswanto. 2009. “Sistem Distribusi Tenaga Listrik”. Modul UNP: Padang. Dewanto, dkk. 2005. “Identifikasi Dinamika Sistem Menggunakan Neuro Fuzzy”. Jurnal SNATI: Yogyakarta. Eko Sediyono. 2006. “Penentuan Lokasi Fasilitas Gudang Menggunakan Fuzzy C-Means (FCM)”. Jurnal UKSW: Salatiga. Emha Taufiq Luthfi. 2007. Fuzzy C-Means Untuk Clustering Data Studi Kasus : Data Performance Mengajar Dosen. Jurnal STMIK AMIKOM: Yogyakarta Jong Jek Siang. 2005. “Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab”. Andi Offset: Yogyakarta. Lia Amalia, dkk. 2010. “Model Fuzzy Tahani Untuk Pemodelan Sistem Pendukung Keputusan (SPK)”. Jurnal SNATI: Yogyakarta. Miftahudin, dkk. “Identifikasi Kerusakan Mesin Berputar Berdasarkan Sinyal Suara Dengan Metode Adaptive Neuro Fuzzy Inference System”. Jurnal ITS: Surabaya. M. Djiteng. 2005. “Operasi Sistem Tenaga Listrik”. Graha Ilmu: Yogyakarta. Ri Handayani, dkk. 2011. Implementasi Algoritma Clustering ISMC Dan FCM (Studi Kasus: Jalur Pmb Di It Telkom Bandung). Jurnal Institut Teknologi Telkom: Bandung Sri Kusumadewi. 2002. “Analisis & Desain Sistem Fuzzy Menggunakan Tool Box Matlab”. Graha Ilmu: Yogyakarta. Sri Kusumadewi dan Sri Hartati. 2010. “Neuro-Fuzzy: Integrasi Sistem Fuzzy & Jaringan Syaraf”. Edisi ke-2. Graha Ilmu: Yogyakarta. Suyanto. 2008. “Soft Computing Membangun Mesin Ber-IQ Tinggi”. Informatika: Bandung.

Jaringan Syaraf Tiruan Untuk Menentukan Jurusan Di Sekolah Menengah Atas (SMA) (Studi Kasus : SMA Negeri 1 Sungai Penuh)

Recommend Documents