Kode/Nama Rumpun Ilmu* : 459 / Ilmu Komputer
LAPORAN KEMAJUAN PENELITIAN DOSEN PEMULA
RANCANG BANGUN APLIKASI PENENTUAN REKOMENDASI BIDANG KERJA DENGAN PENDEKATAN CASE BASE REASONING
TIM PENGUSUL Ketua: Fajrian Nur Adnan, MCS
(NIDN: 0612118101)
Anggota Adhitya Nugraha, MCS (NIDN: 0618038701)
UNIVERSITAS DIAN NUSWANTORO AGUSTUS 2016
1
DAFTAR ISI
Halaman Pengesahan Penelitian Dosen Pemula ................................................... 2 Daftar Isi ............................................................................................................... 3 Ringkasan ............................................................................................................. 5 Bab 1
Pendahuluan .......................................................................................... 5
1.1
Latar Belakang Masalah ......................................................................... 5
1.1
Rumusan Masalah .................................................................................. 8
1.2
Tujuan Penelitian ................................................................................... 8
1.3
Batasan Masalah .................................................................................... 8
1.4
Keutamaan Penelitian ............................................................................ 9
Bab 2
TINJAUAN PUSTAKA ............................................................................... 9
2.1
Aplikasi Berbasis Sistem Pakar ............................................................... 9
2.2
Case Based Reasoning .......................................................................... 12
2.2.1
Datamining ................................................................................... 13
2.2.2
Decission Tree Algoritma C4.5 ...................................................... 14
2.3
Model Pengembangan Software – Prototype....................................... 15
2.4
Program Studi S1 Sistem Informasi Udinus .......................................... 15
2.4.1
Bidang Kajian di Program Studi S1 Sistem Informasi Udinus ......... 15
2.4.2
Peluang Kerja Lulusan ................................................................... 16
Bab 3
Tujuan dan Manfaat Penelitian ............................................................ 17
3.1
Tujuan Penelitian ................................................................................. 17
3.2
Manfaat Penelitian ............................................................................... 17
Bab 4
METODE PENELITIAN ........................................................................... 17
4.1
Tahapan Penelitian .............................................................................. 17
4.2
Lokasi Penelitian .................................................................................. 19 3
4.3
Variabel dan Parameter ....................................................................... 19
4.4
Model Penelitian .................................................................................. 20
4.5
Rancangan Penelitian ........................................................................... 20
4.6
Teknik Pengumpulan Data ................................................................... 20
4.7
Analisis Data......................................................................................... 21
Bab 5
Hasil dan Pembahasan ......................................................................... 21
5.1
Capaian Penelitian ............................................................................... 29
5.2
Hambatan dan Penanganan ................................................................. 30
Bab 6
Rencana Tahapan Berikutnya ............................................................... 30
Bab 7
Kesimpulan dan Saran .......................................................................... 31
DAFTAR PUSTAKA............................................................................................... 31 Lampiran 1 Realisasi Penggunaan Dana .............................................................. 34
4
RINGKASAN Karier dan pekerjaan merupakan salah satu permasalahan yang sering dialami setelah kelulusan dimana mahasiswa belum memiliki pandangan yang jelas mengenai peluang kerja yang sesuai dengan kemampuan dan minat masing-masing. Salah satu upaya mengurangi permasalahan tersebut dapat dilakukan dengan meminta arahan dan rekomendasi dari Ketua Program Studi, dosen wali, maupun dosen-dosen terdekatnya untuk memberikan rekomendasi bidang kerja kerja yang sesuai dengan kemampuan dan keahlian akademis mahasiswa. Sistem Pakar merupakan solusi teknologi yang mentransformasi pengetahuan dari seorang pakar kedalam sebuah aturan yang nantinya digunakan oleh sistem dalam mengolah sebuah permasalahan. Nantinya, konsep pemberian arahan dan rekomendasi dari dosen berdasarkan pertimbangan akademik mahasiswa akan dituangkan kedalam algoritma sistem pakar sehingga dapat membantu mahasiswa mendapatkan arahan dan gambaran akan bidang kerja yang sesuai tanpa harus konsultasi dengan dosen secara langsung. Sistem ini dikembangkan dengan pendekatan Case-based Reasoning yang mentranformasikan fakta/kenyataan kedalam bentuk algoritma yang
baru,
dengan
menggunakan
teknik
data
mining-C45.
Dengan
dikembangkannya sistem ini, mahasiswa akan terbantu dalam menentukan arah karier dan pekerjaan yang akan ditempuh sesuai dengan kompetensi dan minat masing-masing mahasiswa. Keywords: Aplikasi Berbasis Sistem Pakar, Case Based Reasoning, Penentuan Rekomendasi Peluang Kerja,
BAB 1 1.1
PENDAHULUAN
Latar Belakang Masalah Profil Lulusan merupakan salah satu indikasi penentuan keberhasilan
sebuah lembaga belajar. Besarnya angka pengangguran yang tercetak dari lulusan lembaga pendidikan mengindikasikan kurang berkualitasnya output dari lembaga pendidikan tersebut. Universitas Dian Nuswantoro Semarang (UDINUS) merupakan salah satu universitas swasta yang menjadi favorit dan pilihan kebanyakan pendaftar perguruan tinggi di Jawa Tengah. Fakultas yang paling diminati di UDINUS adalah Fakultas Ilmu Komputer dimana lebih dari 50% mahasiswa baru merupakan mahasiswa fakultas tersebut yang tersebar ke beberapa 5
program studi diantaranya adalah Teknik Informatika - S1, Sistem Informasi - S1, Desain Komunikasi Visual – S1, Ilmu Komunikasi – S1, Teknik Informatika – D3, Manaemen Informasi – D3 dan Teknik Broadcasting – D3. Besarnya jumlah mahasiswa baru yang masuk tiap tahunnya, membuat UDINUS khususnya, selalu berupaya memastikan kualitas proses belajar mengajar di institusi pendidikan tersebut berjalan dengan baik. Tidak hanya itu, UDINUS juga sangat memperhatikan ketepatan waktu kelulusan mahasiswa serta prospek karier dan pekerjaan mahasiswanya kelak. Karier dan pekerjaan merupakan permasalahan yang sering dialami setelah kelulusan dimana mahasiswa belum memiliki pandangan yang jelas mengenai peluang kerja yang sesuai dengan kemampuan dan minat masing-masing. Beberapa kegiatan sudah diagendakan secara rutin selama masa perkuliahan untuk mengatasi permasalahan tersebut diantaranya adalah Kerja Praktek, Kunjungan Industri dan Bimbingan karier. Namun, secara hasil tidak banyak mahasiswa yang benar-benar merasa memiliki pandangan jelas mengenai karier yang akan ditempuhnya kelak. Salah satu fasilitas yang disediakan UDINUS untuk para mahasiswa dan alumninya adalah Udinus Career Center yang bertugas untuk menjalin kerjasama dengan beberapa perusahaan di Indonesia sehingga nantinya mahasiswa mudah untuk mencari informasi mengenai lowongan pekerjaan. Beberapa kegiatan job fair telah dilakukan dengan menjalin banyak perusahaan baik lokal maupun nasional. Perusahaan yang ikut serta dalam job fair diberi kemudahan dalam mencari sumber daya manusia yang berkompeten, sedangkan mahasiswa dapat melihat dan berkesempatan mendapat karier yang akan ditempuhnya dimasa depan. Selain fasilitas yang sudah disebutkan sebelumnya, arahan dan rekomendasi dari Ketua Program Studi, dosen wali, maupun dosen-dosen terdekatnya menjadi sangat penting untuk meyakinkan mahasiswa akan bidang kerja yang sesuai dengan kemampuan dan keahlian akademis mahasiswa. Dalam hal ini, transkrip nilai dan pengalaman kerja dapat menjadi acuan dosen untuk menilai kemampuan akademis mahasiswa. Namun, ketersediaan waktu dosen-dosen tersebut tidaklah mencukupi apabila harus menganalisis setiap mahasiswanya satu per satu. Pendekatan teknologi untuk menciptakan sistem yang mampu membantu mahasiswa dalam permasalahan akademik maupun penentuan bidang kerja dan karier sudah banyak dilakukan. Beberapa diantaranya adalah penelitian yang 6
dilakukan oleh Eko Subyanto [1], menitikberatkan kepada sistem yang dapat memberikan peringatan dini akan sanksi akademik dapat membantu mahasiswa dan dosen wali untuk mengontrol dan memonitor nilai kedisiplinan sehingga mencegah pelanggaran-pelanggaran akademik yang berlebihan sampai dikeluarkan sanksi akademik. Metode Framework for Application of System Thinking (FAST) dipilih dikarenakan cukup fleksibel untuk menyelesaikan berbagai tipe proyek dan strategi dalam kasus ini. Hilyah Magdalena [2], mengembangkan suatu sistem yang digunakan untuk menentukan lulusan terbaik diperguruan tinggi tempat belajarnya. Penelitian ini menggunakan Analitical Hierarchy Process (AHP) sebagai metode pengambilan keputusan. Nugroho Joko Usito [3], membangun sebuah sistem pendukung keputusan untuk mendukung penilaian proses belajar mengajar secara tepat dengan menggunakan metode Simple Additive Weighting (SAW). Hasil penelitian dapat mendukung keputusan pada Penilaian proses belajar mengajar menggunakan kriteria yang telah ditentukan dan proses lain yang terkait dalam penilaian proses belajar mengajar. Berdasarkan contoh diatas, pengembangan sistem pendukung keputusan ataupun sistem pakar sangat membantu pihak akademik ataupun mahasiswa dalam permasalahan akademik yang ditemui. Sistem Pakar merupakan sebuah solusi teknologi yang dapat digunakan untuk mentransformasi pengetahuan dari seorang pakar kedalam sebuah aturan yang nantinya digunakan oleh sistem dalam mengolah sebuah permasalahan [4]. Nantinya, konsep pemberian arahan dan rekomendasi dari dosen berdasarkan pertimbangan akademik yang dimiliki mahasiswa akan dituangkan kedalam algoritma sistem pakar yang akan dibuat. Pada dasarnya, sistem ini akan membantu mahasiswa mendapatkan arahan dan gambaran akan bidang kerja yang sesuai tanpa harus konsultasi dengan dosen secara langsung. Sistem ini dikembangkan mengingat keterbatasan pakar yang ada, baik keterbatasan waktu maupun jumlah tenaganya. Seperti yang dijelaskan oleh A. Aamodt dan E. Plaza [5], Case-based Reasoning merupakan teknik tranformasi pengetahuan yang digunakan dalam membentuk algoritma yang baru dengan mengacu pada kenyataan / fakta sebagai pengetahuan pakar. Adapun cara mendapatkan basis pengetahuan untuk case-based reasoning adalah dengan menggunakan teknik data mining [5] [6]. Salah satu teknik tersebut adalah metode C45, yang merupakan metode data mining berbasis 7
tree yang sering dimanfaatkan dalam pengklasifikasian dan pembuatan rule yang didasarkan pada data transaksional atau fakta-fakta yang ada [7]. Dalam penelitian ini, berbagai pertimbangan untuk pengambilan keputusan, pihak akademik melihat berbagai aspek contohnya nilai dari transkrip nilai mahasiswa dan pengambilan minat mahasiswa. Dengan dikembangkannya sistem ini, mahasiswa akan terbantu dalam menentukan arah karier dan pekerjaan yang akan ditempuh sesuai dengan kompetensi dan minat masing-masing mahasiswa. Para dosen pun akan terbantu dalam menangani permasalahan mahasiswa sehingga nantinya dapat memberi waktu untuk melakukan studi hal yang lain yang memerlukan tingkat analisis yang lebih kompleks.
1.1
Rumusan Masalah Rumusan masalah didapatkan dari identifikasi masalah yang telah dilakukan
adalah 1. Bagaimana mendefinisikan prospek peluang kerja alumni UDINUS. 2. Bagaimana membuat algoritma program yang dapat mengaitkan nilai akademis mahasiswa dengan prospek kerja lulusan UDINUS 3. Bagaimana mengembangkan perangkat lunak berbasis sistem pakar yang dapat diterapkan UDINUS untuk membantu karier kerja mahasiswa nantinya. 1.2
Tujuan Penelitian Ada beberapa tujuan yang akan dicapai dalam penelitian ini, antara lain:
1. Melakukan analisis terhadap prospek peluang kerja lulusan UDINUS berdasarkan data penyebaran alumni di dunia kerja 2. Membangun algoritma case based reasoning berdasarkan data alumni UDINUS 3. Mengembangkan perangkat lunak berbasis sistem pakar yang dapat membantu mahasiswa yang akan lulus dalam menentukan bidang kerja yang tepat 1.3
Batasan Masalah Dalam penelitian ini batasan masalah yang akan diambil dititikberatkan
pada: 1. Pengujian aplikasi dilakukan dengan menggunakan data yang ada pada Career Center Udinus, pada program studi Sistem Informasi (SI) – S1
8
2. Aplikasi yang dikembangkan tidak langsung terintegrasi dengan sistem akademik dan sistem di career Center Udinus 3. Pembuatan Rule tidak embeded pada aplikasi yang dikembangkan. 1.4
Keutamaan Penelitian Dengan dikembangkannya aplikasi ini diharapkan mahasiswa mendapatkan
pandangan mengenai bidang kerja yang memungkinkan untuk dicoba, dengan mengacu pada pekerjaan dan kemampuan alumni.
BAB 2 2.1
TINJAUAN PUSTAKA Aplikasi Berbasis Sistem Pakar Sistem Pakar adalah bagian dari Kecerdasan Buatan atau artificial
intelligence yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti manusia. Kecerdasan buatan dapat membantu manusia dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan. Sistem pakar adalah program yang berbasiskan pengetahuan yang menyediakan solusi “kualitas pakar’ kepada masalah-masalah dalam bidang (domain) yang spesifik [6]. Suatu sistem dikatakan sistem pakar apabila memiliki ciri-ciri terbatas pada domain keahlian tertentu, dapat memberikan penalaran untuk data-data yang tidak pasti, dapat mengemukakan rangkaian alasanalasan yang diberikannya dengan cara yang dapat dipahami, berdasarkan pada kaidah atas rule tertentu, dirancang untuk dikembangkan secara bertahap, keluarannya atau output bersifat anjuran. Berikut adalah kategori dan area permasalahan sistem pakar; 1.
Interprestasi: membuat kesimpulan/deskripsi dari sekumpulan data mentah.
2.
Prediksi: memproyeksikan akibat yang dimungkinkan dari situasi tertentu.
3.
Diagnosa: menentukan sebab multifungsi dalam situasi yang berdasarkan gejala-gejala yang teramati.
4.
Desain: menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala tertentu.
5.
Perencanaan: merencanakan serangkaian tindakan yang dapat mencapai sejumlah tujuan dengan kondisi awal tertentu.
9
6.
Debugging and Repair, adalah menentukan dan menginterpresentasikan caracara untuk mengatasi malfungsi.
7.
Instruksi: mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek.
8.
Pengendalian: mengatur tingkah laku suatu lingkungan yang kompleks.
9.
Seleksi: mengidentifikasi pilihan terbaik
10. Simulasi: pemodelan interaksi antara komponen-komponen sistem. 11. Monitoring: membandingkan hasil pengamatan dengan kondisi yang diharapkan. Ada dua bagian penting dari sistem pakar, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). [7] [8]
Gambar Struktur Sistem Pakar Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar: 1. Antarmuka Pengguna (user interface): mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. 2. Basis Pengetahuan (Knowledge Based), mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah, baik dari ahli, buku, basis data, penelitian dan gambar. a. Penalaran berbasis aturan (rule-based reasoning), dimana pengetahuan direpresentasikan dengan menggunakan aturan berbentuk IF-THEN. Digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. 10
b. Penalaran
berbasis
kasus
(case-based
reasoning),
dimana
basis
pengetahuan akan berisi solusi- solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Digunakan jika user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip), dan jika telah memiliki sejumlah situasi atau kasus tertentu dalam basis data. 3. Mesin/Motor Inferensi (Inference Engine), merupakan penerjemah aturan (rule interpreter) yang mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan. Kerja mesin inferensi meliputi Menentukan aturan mana yang akan dipakai. menyajikan pertanyaan kepada pemakai ketika diperlukan, menambahkan jawaban ke dalam memori Sistem Pakar, Menyimpulkan fakta baru dari sebuah aturan, Menambahkan fakta tadi ke dalam memori. Ada 2 cara dalam melakukan inferensi : a. Forward Chaining : pencocokan fakta atau pernyataan dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis, digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis) b. Backward Chaining : pencocokan fakta atau pernyataan dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. 4. Workplace/Blackboard, merupakan area dari sekumpulan memori kerja (working memory), digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara. 5. Fasilitas Penjelas (Explanation Facility). Kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah dan meningkatkan kemampuan sistem pakar. 6. Perbaikan Pengetahuan. Pakar memiliki kemampuan untuk menganalisi dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, 11
sehingga program mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya serta mengevaluasi apakah pengetahuan-pengetahuan yang ada masih cocok digunakan di masa mendatang. 2.2
Case Based Reasoning Case Based Reasoning (CBR) adalah teknik penyelesaian masalah
berdasarkan knowledge pengalaman yang lalu [9]. Menurut Aamodt dan Plaza menggambarkan tipe CBR sebagai suatu proses melingkar yang terdiri dari 1. Retrieve. Mendapatkan kasus-kasus yang mirip dibandingkan dengan kumpulan kasus-kasus dimasa lalu. Dimulai dengan tahapan mengenali masalah dan berakhir ketika kasus yang ingin dicari solusinya telah ditemukan serupa dengan kasus yang telah ada. Tahapan yang ada pada retrieve antara yaitu Identifikasi masalah, memulai pencocokan, dan menyeleksi 2. Reuse. Menggunakan kembali kasus-kasus yang ada dan dicoba untuk menyelesaikan suatu masalah sekarang. Reuse suatu kasus dalam konteks kasus baru terfokus pada dua aspek yaitu : perbedaan antara kasus yang ada dengan kasus yang baru dan bagaimana retrieve case yang dapat digunakan pada kasus yang baru. Ada dua cara yang digunakan untuk me-reuse kasus yang telah ada yaitu : reuse solusi dari kasus yang telah ada (transformatial reuse) atau reuse metode kasus yang ada untuk membuat solusi (derivational reuse) 3. Revise. Merubah dan mengadopsi solusi yang ditawarkan jika perlu terdapat dua tugas utama dari tahapan ini yaitu : a. Evaluasi Solusi dengan membandingkan solusi dengan keadaan yang sebenarnya. b. Memperbaiki Kesalahan, meliputi pengenalan kesalahan dari solusi yang dibuat dan membuat penjelasan tentang kesalahan tersebut. 4. Retain. Tetap memakai solusi yang terakhir sebagai bagian dari kasus baru. Pada tahap ini terjadi suatu proses penggabungan dari solusi kasus yang baru yang benar ke knowledge yang telah ada. Sebuah kasus yang ditemukan dicocokan dengan kasus yang ada pada case based dan selanjutnya satu atau beberapa kasus yang mirip kemudian diambil. Pemecahan masalah yang berasal dari kasus yang serupa kemudian digunakan kembali dan diuji kebenarannya. Jika pemecahan masalah yang digunakan hampir 12
benar maka diperlukan perbaikan yang kemudian selanjutnya akan menghasilkan suatu kasus baru yang akan disimpan kedalam case based. 2.2.1
Datamining Beberapa definisi tentang data mining mengarahkan data mining sebagai
sebuah teknik mengekplorasi data yang sebelumnya tidak penting menjadi sebuah informasi yang sangat berharga. [10] Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan [11], meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. [12] Salah satu teknik yang dibuat dalam data mining adalah bagaimana menelusuri data yang ada untuk membangun sebuah model, kemudian menggunakan model tersebut agar dapat mengenali pola data yang lain yang tidak berada dalam basis data yang tersimpan. Tujuannya adalah agar kita dapat mengetahui pola universal data-data yang ada. Data mining terdiri dari serangkaian proses. Dalam rangkaian proses tersebut data mining dapat dikelompokkan menjadi beberapa tahap meliputi: 1. Data Cleaning (Pembersihan Data), yaitu proses menghilangkan data yang tidak konsisten atau relevan atau sering disebut dengan noise. 2. Data Integration (Integrasi Data), yaitu menggabungkan data dari berbagai tabel atau berbagai basis data ke dalam ke dalam satu basis data baru. 3. Selection and Transformation Data (Seleksi dan Transformasi Data), untuk mengambil data yang diperlukan dan mengubah data menjadi sesuai dengan proses data mining yang akan dilakukan. 4. Data Mining (Proses Mining), digunakan untuk menemukan berbagai pengetahuan yang tersembunyi dari data. 5. Pattern Evaluation (Evaluasi Pola), yang dilakukan dapat dari segi hasil proses mining maupun metode yang diterapkan dalam proses mining. 6. Knowledge (Pengetahuan), yang merupakan visualisasi dan penyajian pengetahuan
mengenai
metode
yang
digunakan untuk
memperoleh
pengetahuan yang diperoleh pengguna.
13
Pekerjaan yang berkaitan dengan data mining dibagi menjadi empat kelompok, yaitu prediction modeling, cluster analysis, association analysis, dan anomaly detection. [11] 2.2.2
Decission Tree Algoritma C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membangun
pembentukan pohon keputusan. Pohon keputusan (decission tree) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, hal tersebut sangat bagus untuk langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain [11]. Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadin rule dan menyederhanakan rule. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain. Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel tujuannya. Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual, atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklasifikasi. Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probabilitas dari masing-masing record terhadap kategori-kategori
tersebut,
atau
untuk
mengklasifikasi
record
dengan
mengelompokkannya dalam satu kelas. Banyak algoritma yang dapat dipakai dalam pembentukkan pohon keputusan antara lain ID3, CART, dan C4.5 [13]. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: 1.
Pilih atribut sebagai root
2.
Buat cabang untuk masing-masing nilai
3.
Bagi kasus dalam cabang 14
4.
Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. Model Pengembangan Software – Prototype
2.3
Prototyping merupakan salah satu metode pengembangan perangat lunak yang banyak digunakan. Pemodelan prototype sangat tepat digunakan apabila kebutuhan software diidentifikasi secara umum, atau kondisi dimana pengembang kurang memperhatikan efesiensi algoritma, kemampuan sistem operasi dan interface yang menghubungkan manusia dan komputer. Pada penelitian yang objek kajian nya tidak terfokus pada instansi tertentu, model prototype seperti ini cocok digunakan untuk menggambarkan keberhasilan sebuah aplikasi atau algoritma. Pengembangan prototype akan diperlukan apabila prototype ini siap di implementasikan pada instansi tertentu dengan memperhatikan beberapa kebutuhan khusus pada instansi tersebut Model ini terdiri dari 6 buah tahapan yang terdiri dari pengumpulan kebutuhan, desain cepat, pemrograman, evaluasi, perbaikan, dan penerapan
Gambar Model Pengembangan Software – Prototype 2.4
Program Studi S1 Sistem Informasi Udinus
Program studi sistem informasi adalah kesatuan rencana belajar yang mengkaji, menerapkan, dan mengembangkan ilmu rekayasa sistem informasi, yaitu pengetahuan dan keterampilan untuk merancang, membangun, mengembangkan, mengoperasikan dan memelihara sistem informasi bagi kebutuhan bisnis atau manajemen dengan bantuan teknologi informasi. [5] 2.4.1 1.
Bidang Kajian di Program Studi S1 Sistem Informasi Udinus
Elektronik Bisnis [E-Binis]: 15
Peminatan E-Bisnis dibentuk sebagai jawaban atas meningkatnya kebutuhan bisnis terhadap penerapan teknologi informasi dan komunikasi (ICT) dalam mendukung semua kegiatan bisnis sehingga dapat bekerja lebih erat dengan pemasok dan mitra, dan lebih memenuhi kebutuhan dan harapan pelanggan. Mata Kuliah Penguatan : Pengantar Bisnis, Matematika Bisnis, Ketrampilan Interpersonal, Analisis Proses Bisnis, Konsep e-Bisnis, Kewirausahaan, Pengelolaan Hubungan Pelanggan (CRM), Perencanaan Sumber Daya Perusahaan (ERP), Infrastruktur e-Bisnis, Manajemen Rantai Pasok (SCM), Bisnis Cerdas, Aplikasi E-Bisnis 2.
PPSI [Perencanaan dan Pengembangan Sistem Informasi] : adalah minat dosen / mahasiswa yang tertarik atau mempunyai keahlian pada bidang perencanaan dan pengembangan Sistem informasi (PPSI), seperti Process Management Information System, The Concept of Information System Development, Information System Development Process, Representation in Information Systems dan Application Systems. Mata Kuliah Penguatan : Sistem Informasi, Sistem Informasi Akuntansi, Sistem Informasi Manajemen, Analisis Proses Bisnis, Rekayasa Perangkat Lunak, Metodologi Penelitian, Analisa dan Perancangan Sistem Informasi, Interaksi Manusia dan Komputer, Analisa Kinerja Sistem, Manajemen Proyek, Sistem Pendukung Keputusan, Audit Sistem Informasi, Konsep dan Aplikasi GIS.
2.4.2
Peluang Kerja Lulusan
Beberapa sasaran peluang kerja lulusan sistem informasi adalah sebagai berikut: 1.
Manajer di bidang SI/TI
2.
Wirausaha di bidang SI/TI ( Technoprenuer )
3.
Konsultan di bidang SI/TI
4.
Akademisi dan
5.
Profesional di bidang Sistem Informasi/Teknologi Informasi, yang dapat berupa Analisis sistem/bisnis, Manajer Proyek Sistem Informasi, Auditor Sistem Informasi, maupun Pengembang Perangkat Lunak.
16
BAB 3
TUJUAN DAN MANFAAT PENELITIAN
3.1
Tujuan Penelitian Ada beberapa tujuan yang akan dicapai dalam penelitian ini, antara lain:
4. Melakukan analisis terhadap prospek peluang kerja lulusan UDINUS berdasarkan data penyebaran alumni di dunia kerja 5. Membangun algoritma case based reasoning berdasarkan data alumni UDINUS 6. Mengembangkan perangkat lunak berbasis sistem pakar yang dapat membantu mahasiswa yang akan lulus dalam menentukan bidang kerja yang tepat 3.2
Manfaat Penelitian Manfaat yang dapat diambil dari penelitian ini antara lain
1. Membantu merekomendasikan mahasiswa akan bidang kerja yang sesuai berdasarkan data history dari data alumni yang sudah bekerja, sehingga diharapkan dapat mengurangi angka dan waktu pengangguran pada lulusan. 2. Membantu Kaprodi dan Dosen Wali dalam mengarahkan mahasiswanya 3. Membantu pihak lembaga meningkatkan kualitas lulusan dengan upaya mengurangi angka dan waktu pengangguran lulusan
BAB 4 4.1
METODE PENELITIAN Tahapan Penelitian
Adapun tahapan penelitian yang akan dilakukan adalah sebagai berikut.
17
Biodata dan Nilai
Data Pekerjaan Alumni Program Studi SI
AkademisAlumni Program Studi SI
TU FIK
Career Center Udinus
Pemilihan Atribut
Cleaning
Labelling Generating Rule dengan C45
Rule
Generating Application
User (Mahasiswa/Dosen SI)
Data Akademik/ Data Uji
Rekomendasi Bidang Kerja
Kegiatan
Keterangan
Persiapan 1. Identifikasi Masalah
Penentuan Masalah yang akan diangkat
2. Studi Pustaka
Pencarian Metode untuk pemecahan masalah
3. Pembuatan Proposal
Pengajuan Dana untuk Pelelitian
Pengembangan Perangkat Lunak 4. Data Collection Atribut Selection
Pencarian data kepada bagian-bagian terkait Penentuan Atribut yang akan digunakan Pengolahan Data mengacu pada Atribut yang dipilih
5. Data Preprocessing
Perbaikan data guna menghilangkan data yang rusak,
Data Cleaning
meliputi data yang tidak lengkap dan data yang redundan
Data Labelling
Pengelompokan beberapa atribut kedalam sebuah atribut baru 18
Kegiatan
Keterangan Melabeli data agar keanekaragaman data dapat dipetakan
6. Rule Generation
Membentuk rule dari data history (data alumni)
7. Desain Database
Merancang skema database untuk penyimpanan data uji Membuat Database, beserta tabel sesuai dengan tipe data dari data uji
8. Desain UI
Merancang desain dari form yang akan digunakan Merancang Flowchart dari aplikasi yang akan dibuat
9. Coding
Membuat fungsi agar objek pada GUI dapat berfungsi seperti alur pada flowchart
10. Monitoring
dan Melaporkan Perkembangan penelitian kepada Dikti
Evaluasi 11. Application Testing
Melakukan pengujian aplikasi mencakup : Jalannya fungsi masing-masing objek Ketepatan Rekomendasi
12. Packaging
Membuat Aplikasi kedalam bentuk Master
Application Penutupan 13. Evaluasi 14. Pembuatan
Mengevaluasi Aplikasi yang telah dibuat Artikel Mendokumentasikan hasil penelitian kedalam sebuah
Ilmiah 15. Submit
artikel ilmiah Artikel Men-submit artikel kedalam sebuat Conference atau
Ilmiah 16. Pembuatan Laporan 4.2
Jurnal yang ada Melaporkan Hasil Penelitian kepada pihak Dikti
Lokasi Penelitian
Penelitian ini secara pokok akan dilaksanakan pada Universitas Dian Nuswntoro Semarang. Untuk mendapatkan informasi mengenai track record pekerjaan alumni program studi sistem informasi diperoleh dari bagian Career Center. Sedangkan, nilai akademis mahasiswa dapat diperoleh di Tata Usaha FIK. 4.3
Variabel dan Parameter
Analisis penelitian ini didasarkan pada beberapa variabel meliputi jumlah rata-rata nilai di masing-masing peminatan yang meliputi PPSI, E-Bisnis, dan matakuliah 19
dasar, jenis kelamin, dan ipk mahasiswa. Adapun pengukuran keberhasilan diukur berdasarkan tingkat ketepatan rekomendasi terhadap suatu jenis pekerjaan, jika dibandingkan dengan posisi pekerjaannya sekarang. 4.4
Model Penelitian
Model yang digunakan dalam penelitian ini adalah sebuah prototype, dimana aplikasi yang dihasilkan belum terintegrasi langsung pada sistem akademik yang telah berjalan di Udinus 4.5
Rancangan Penelitian
Penelitian ini bertujuan memperoleh luaran berupa aplikasi yang digunakan oleh mahasiswa untuk membantu memberikan masukan mengenai bidang kerja yang sesuai kemampuan akademik mahasiswa, dengan mengacu pada track record alumni yang memiliki kemampuan yang sama dengan mahasiswa tersebut, dengan menggunakan model pengembangan prototype.
Data Mahasiswa Konsultasi
Aplikasi
Data alumni
Knowledge Base
Rekomendasi Bidang Kerja
4.6
Teknik Pengumpulan Data
Jenis Data
Sumber
Metode
Pekerjaan Alumni
Career Center Udinus
Study Pustaka
Biodata Alumni
TU FIK
Study Pustaka
Nilai Akademis
TU FIK
Study Pustaka
Matakuliah Peminatan
Buku Panduan Akademik Prodi Study Pustaka SI 20
Referensi
mengenai Buku, website dan Jurnal Terkait
Study Pustaka
Sistem Pakar Referensi Algoritma C45
Buku, website dan Jurnal Terkait
Study Pustaka
Referensi Pemrograman
Buku, website dan Jurnal Terkait
Study Pustaka
4.7
Analisis Data
Analisis data dilakukan dengan mencari nilai ketepatan (keakurasian) dari rekomendasi yang diberikan oleh aplikasi bterhadap 10 data uji dari mahasiswa yang sudah bekerja
BAB 5
HASIL DAN LUARAN YANG DICAPAI
1. Data Collection
2. Atribut Selection 21
Untuk data pertama, atribut yang akan digunakan adalah nim, nama, posisiawal, dan posisi pekerjaan sekarang ditambah dengan jenis kelamin Untuk data kedua, atribut yang akan digunakan adalah kolom nim, nama, nama matakuliah, sks, dan nilai 3. Data Preprocessing Untuk data pertama, pengkategorian pekerjaan berdasarkan posisi awal dan posisi sekarang, sehingga tabel yang diperoleh memiliki atribut: Nim, nama, jk, label (kategori pekerjaan: IT/NonIT) Dari data kedua dilakukan perhitungan nilaixsks sehingga tabel tersebut perlu ditransformasi sebagai berikut Nim, nama matakuliah, sks, nilai huruf, nilai angka, nilaisks(nilaixsks) 4. Data Labelling
5. Desain Database Tabel KHS
Tabel MHS
22
Relas Tabel
MHS
KHS
6. Desain UI
7. Coding Pembuatan view tabel untuk menyajikan data siap saji: List matakuliah peminata ebisnis dan PPSI melalui view eb2 dan pp EB2
Pp
DELIMITER $$
DELIMITER $$
23
USE `kerja`$$
USE `kerja`$$
DROP VIEW IF EXISTS `eb2`$$
DROP VIEW IF EXISTS `pp`$$
CREATE ALGORITHM=UNDEFINED DEFINER=`root`@`localhost` SQL SECURITY DEFINER VIEW `eb2` AS ( SELECT `khs`.`m_nim` AS `m_nim`, `khs`.`nmmk` AS `nmmk`, `khs`.`sks` AS `sks`, `khs`.`nilai_huruf` AS `nilai_huruf`, `khs`.`nilai` AS `nilai`, (`khs`.`sks` * `khs`.`nilai`) AS `nilaisks` FROM `khs` WHERE ((`khs`.`nmmk` = 'MATEMATIKA BISNIS') OR (`khs`.`nmmk` = 'KETRAMPILAN INTERPERSONAL') OR (`khs`.`nmmk` = 'ANALISIS PROSES BISNIS') OR (`khs`.`nmmk` = 'KONSEP E-BISNIS') OR (`khs`.`nmmk` = 'KEWIRAUSAHAAN') OR (`khs`.`nmmk` = 'PENGELOLAAN HUBUNGAN PELANGGAN') OR (`khs`.`nmmk` = 'PERENCANAAN SUMBER DAYA PERUSAHAAN') OR (`khs`.`nmmk` = 'INFRASTRUKTUR EBISNIS') OR (`khs`.`nmmk` = 'MANAJEMEN RANTAI PASOK') OR (`khs`.`nmmk` = 'BISNIS CERDAS') OR (`khs`.`nmmk` = 'APLIKASI E-BISNIS ')))$$
CREATE ALGORITHM=UNDEFINED DEFINER=`root`@`localhost` SQL SECURITY DEFINER VIEW `pp` AS ( SELECT `khs`.`m_nim` AS `m_nim`, `khs`.`nmmk` AS `nmmk`, `khs`.`sks` AS `sks`, `khs`.`nilai_huruf` AS `nilai_huruf`, `khs`.`nilai` AS `nilai`, (`khs`.`sks` * `khs`.`nilai`) AS `nilaisks` FROM `khs` WHERE ((`khs`.`nmmk` = 'SISTEM INFORMASI') OR (`khs`.`nmmk` = 'SISTEM INFORMASI AKUNTANSI') OR (`khs`.`nmmk` = 'SISTEM INFORMASI MANAJEMEN') OR (`khs`.`nmmk` = 'ANALISIS PROSES BISNIS') OR (`khs`.`nmmk` = 'REKAYASA PERANGKAT LUNAK') OR (`khs`.`nmmk` = 'METODOLOGI PENELITIAN') OR (`khs`.`nmmk` = 'ANALISA DAN PERANCANGAN SISTEM INFORMASI') OR (`khs`.`nmmk` = 'INTERAKSI MANUSIA DAN KOMPUTER') OR (`khs`.`nmmk` = 'ANALISA KINERJA SISTEM') OR (`khs`.`nmmk` = 'MANAJEMEN PROYEK') OR (`khs`.`nmmk` = 'SISTEM PENDUKUNG KEPUTUSAN') OR (`khs`.`nmmk` = 'AUDIT SISTEM INFORMASI') OR (`khs`.`nmmk` = 'KONSEP DAN APLIKASI GIS')))$$
DELIMITER ;
DELIMITER ;
24
Mencari rata-rata ipk per peminatan Eb3
Pp3
DELIMITER $$
DELIMITER $$
USE `kerja`$$
USE `kerja`$$
DROP VIEW IF EXISTS `eb3`$$
DROP VIEW IF EXISTS `pp3`$$
CREATE ALGORITHM=UNDEFINED DEFINER=`root`@`localhost` SQL SECURITY DEFINER VIEW `eb3` AS ( SELECT `eb2`.`m_nim` AS `m_nim`, (SUM(`eb2`.`nilaisks`) / SUM(`eb2`.`sks`)) AS `rteb` FROM `eb2` GROUP BY `eb2`.`m_nim`)$$
CREATE ALGORITHM=UNDEFINED DEFINER=`root`@`localhost` SQL SECURITY DEFINER VIEW `pp3` AS ( SELECT `pp`.`m_nim` AS `m_nim`, (SUM(`pp`.`nilaisks`) / SUM(`pp`.`sks`)) AS `rtpp` FROM `pp` GROUP BY `pp`.`m_nim`)$$
DELIMITER ;
DELIMITER ;
Query Tabel akhir DELIMITER $$ USE `kerja`$$ DROP VIEW IF EXISTS `datax`$$ CREATE ALGORITHM=UNDEFINED DEFINER=`root`@`localhost` SQL SECURITY DEFINER VIEW `datax` AS (
25
SELECT `khs`.`m_nim` AS `m_nim`, `eb3`.`rteb` AS `rteb`, `pp3`.`rtpp` AS `rtpp`, `mhs`.`jk` AS `jk`, `mhs`.`label` AS `label`, `mhs`.`itnon` AS `ITNON`, `mhs`.`nama_lengkap` AS `nama` FROM (((`khs` JOIN `eb3`) JOIN `pp3`) JOIN `mhs`) WHERE ((`khs`.`m_nim` = `eb3`.`m_nim`) AND (`khs`.`m_nim` = `pp3`.`m_nim`) AND (`khs`.`m_nim` = `mhs`.`nim`)) GROUP BY `khs`.`m_nim`)$$ DELIMITER ;
Pembuatan Koneksi dengan ODBC
Koneksi Matlab ke Database conn = database('kerja','root','');
Persiapan Dataset 26
e = exec(conn,'select m_nim,rteb,rtpp,jk,ITNON,nama from datax where label<>""'); e = fetch(e); close(e) % Assign data to output variable. dataT = e.Data; dataTrain=[]; for i=1:size(dataT,1) dataTrain=[dataTrain; dataT{i,2} dataT{i,3} double(dataT{i,4})]; end labelTrain=dataT(:,5);
Pencarian Data Mahasiswa xnim=get(handles.xnim,'String') e = exec(conn,['select m_nim,rteb,rtpp,jk,nama from datax where m_nim=''',xnim,'''']); e = fetch(e); close(e) dataTest = e.Data; dataTest1=[]; for i=1:size(dataTest,1) dataTest1=[dataTest1; dataTest{i,2} dataTest{i,3} double(dataTest{i,4})]; end
Klasifikasi data mahasiswa terhadap dataset yang ada CLASS = knnclassify(dataTest1,dataTrain,labelTrain);
Menampilkan data Mahasiswa dan Hasil Klasifikasi set(handles.xnama,'String',dataTest{1,5}); set(handles.xeb,'String',dataTest{1,2}); set(handles.xpp,'String',dataTest{1,3}); set(handles.xjk,'String',dataTest{1,4}); set(handles.xhsl,'String',CLASS);
Menampilkan List Nilai Matakuliah EBisnis nim terkait e = exec(conn,['select nmmk,sks,nilai_huruf,nilaisks from eb2 where m_nim=''',xnim,'''']); e = fetch(e); close(e) dataeb = e.Data; for i=1:size(dataeb,1) cellstr(dataeb{i,1}); cell(dataeb{i,2});
27
cellstr(dataeb{i,3}); cell(dataeb{i,4}); end x=cell(dataeb); set(handles.teb,'Data',x);
Menampilkan List Nilai Matakuliah PPSI nim terkait e = exec(conn,['select nmmk,sks,nilai_huruf,nilaisks from pp where m_nim=''',xnim,'''']); e = fetch(e); close(e) datapp = e.Data; for i=1:size(datapp,1) cellstr(datapp{i,1}); cell(datapp{i,2}); cellstr(datapp{i,3}); cell(datapp{i,4}); end x=cell(datapp); set(handles.tpp,'Data',x);
8. Application Testing
9. Packaging Application Aplikasi yang dihasilkan belum di package dalam bentuk executable file, sehingga belum dapat diinstal langsung pada komputer lain, dan masih bergantung pada matlab. 28
10. Submit Artikel Ilmiah Artikel ilmiah telah berhasil diselesaikan dan di submit pada JOINS dan telah publish secara online pada Journal of Information System Vol 1, No 01 (2016) http://publikasi.dinus.ac.id/index.php/joins/article/view/1170
5.1 Capaian Penelitian Capaian dari Penelitian ini adalah sebagai berikut: Capaian Hasil Persiapan 1. Identifikasi Masalah Sudah dilakukan pada saat penyusunan proposal 2. Studi Pustaka Sudah dilakukan pada saat penyusunan proposal 3. Pembuatan Proposal Sudah dilakukan pada saat penyusunan proposal Pengembangan Perangkat Lunak 4. Data Collection Sudah dilakukan dengan mengambil data dari Career Atribut Selection Center Udinus dan TU FIK, Atribut yang tidak digunakan dapat dihapuskan 5. Data Preprocessing Sudah dilakukan dengan mengkategorikan kedalam label Data Labelling IT maupun Non IT 6. Desain Database Sudah dilakukan dengan membuat 2 tabel, yaitu table mhs dan table khs 7. Desain UI Sudah dilakukan 8. Coding Pembuatan view tabel untuk menyajikan data siap saji Mencari rata-rata ipk per peminatan Query Tabel Koneksi Matlab ke Database Persiapan Dataset Pencarian Data Mahasiswa Klasifikasi data mahasiswa terhadap dataset yang ada Menampilkan data Mahasiswa dan Hasil Klasifikasi 29
Capaian
Hasil Menampilkan List Nilai Matakuliah EBisnis nim terkait Menampilkan List Nilai Matakuliah PPSI nim terkait dan Melaporkan Perkembangan penelitian kepada Dikti
9. Monitoring Evaluasi 10. Application Testing 11. Packaging Application Penutupan 12. Evaluasi 13. Pembuatan Ilmiah 14. Submit Ilmiah
Sudah dilakukan dengan data uji, dan hasil kategori telah muncul Belum Dilakukan
Mengevaluasi Aplikasi yang telah dibuat Artikel Sudah dilakukan
Artikel Sudah Terbit pada Journal of Information System Vol 1, No 01 (2016) http://publikasi.dinus.ac.id/index.php/joins/article/view/1 170 15. Pembuatan Laporan Belum Dilakukan
5.2 Hambatan dan Penanganan Hambatan
Penanganan
Data pekerjaan alumni masing belum cukup Merekomendasikan kepada Career banyak
Center Udinus untuk lebih aktif dalam menggali informasi alumni
Aplikasi yang dihasilkan belum di package Pembuatan executable file untuk dalam bentuk executable file, sehingga belum tahapan selanjutnya dapat diinstal langsung pada komputer lain, dan masih bergantung pada matlab. Dana cair ke tim peneliti sangat telambat (pada Menggunakan dana pribadi dari bulan
Juli)
sehingga
kelancaran penelitian.
BAB 6
kurang
mendukung masing-masing
anggota
tim
terlebih dahulu
RENCANA TAHAPAN BERIKUTNYA
Untuk proses selanjutnya, perlu pengembangan executable file dari program yang telah disusun, sehingga aplikasi ini dapat digunakan pada komputer lainnya, dengan cara menginstall aplikasi tersebut pada masing-masing komputer. Laporan kemajuan perlu disempurnakan kembali untuk selanjutnya akan diuanggah dalam laporan akhir 30
BAB 7
KESIMPULAN DAN SARAN
Dari penelitian yang telah dilakukan, maka penelitian ini dapat disimpulkan sebagai berikut: 1. Analisis terhadap prospek peluang kerja lulusan program studi Sistem Informasi UDINUS berdasarkan data penyebaran alumni di dunia kerja telah dilakukan dengan kategori IT ataupun NonIT 2. Algoritma case based reasoning dengan algoritma kNN telah dapat memprediksi prospek peluang kerja lulusan program studi Sistem Informasi UDINUS berdasarkan data alumni UDINUS 3. Perangkat lunak berbasis sistem pakar yang telah dikembangkan, dapat memberikan informasi prospek peluang kerja bagi mahasiswa program studi Sistem Informasi UDINUS yang akan lulus Sedangkan saran untuk penyempurnaan penelitian ini adalah melakukan packaging dari aplikasi yang telah dibuat, sehingga aplikasi tersebut dapat digunakan pada piranti yang lainnya. DAFTAR PUSTAKA [1] E. Subyantoro, "Studi Implementasi Framework For Applications Of Systems Thinking (Fast) Untuk Peringatan Dini Sanksi Akademik Mahasiswa Politeknik Menggunakan SMS," Program Pascasarana Universitas Diponegoro, 2012, 2012. [2] H. Magdalena, "Sistem Pendukung Keputusan Untuk Menentukan Mahasiswa Lulusan Terbaik Di Perguruan Tinggi (Studi Kasus Stmik Atma Luhur Pangkal Pinang)," in Seminar Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012), ISSN: 2089-9815, Yogyakarta, 2012. [3] N. J. Usito, "Sistem Pendukung Keputusan Penilaian Proses Belajar Mengajar Menggunakan Metode Simple Additive Weighting (SAW)," Program Pasca Sarjana Universitas Dipenogoro, Semarang, 2013. [4] S.-H. Liao, "Expert system methodologies and applications—a decade review from 1995 to 2004," Expert Systems with Applications 28, p. 93–103, 2005. [5] E. P. Agnar Aamodt, "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches," AI Communications. IOS Press, Vol. 7: 1, pp. 39-59., 1994. [6] H. A. S. O. M. W. Agnar Aamodt, "Combining Case Based Reasoning and Data Mining - A way of revealing and reusing RAMS experience," Proceedings of the International Conference on Safety and Reliability, ESREL’98, , p. 1345–1351, 1998. [7] S. A. Zega, "Penggunaan Pohon Keputusan untuk Klasifikasi Tingkat Kualitas Mahasiswa Berdasarkan Jalur Masuk Kuliah," SNATI, 2014. [8] E. Turban, J. E. Aranson dan T.-P. Liang, Decission suport System and Inteligent System, 7th, USA: Prentice Hall International, 2005.
31
[9] E. Armengol, S. Onta dan E. Plaza, “Explaining similarity in CBR Eva Armengol,” Artifial Intelligence Research Institute. [10] P. Tan, Introduction to Data Mining, Boston: Person Education, 2006. [11] E. Prasetyo, Data Mining-Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta: Penerbit Andi, 2012. [12] B. Santoso, "Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis, Yogyakarta: Graha Ilmu, 2007. [13] T. D. Larose, Discovering Knowledge in Data an Introduction to Data Mining, 2005.
32
33
LAMPIRAN 1 BUKTI PUBLIKASI ARTIKEL ILMIAH Journal of Information System Vol 1, No 01 (2016) http://publikasi.dinus.ac.id/index.php/joins/article/view/1170
34
35
27
Aplikasi Berbasis Sistem Pakar Untuk Memprediksi Peluang Kerja Calon Lulusan Mahasiswa Sistem Informasi Universitas Dian Nuswantoro Expert System Applications To Predict Job Opportunities For Graduates Prospective Student Information System In Dian Nuswantoro University Fajrian Nur Adnan1, Khaafizha Nuur Rakhmah2, Adhitya Nugraha3 Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro 1,2,3 Jl. Nakula 1, No.5-11, Semarang, 50131, Telp.(024) 3515261, 3520165 Fax : 3569684 E-mail :
[email protected],
[email protected],
[email protected] 1,2,3
Abstrak Prediksi peluang kerja dibutuhkan oleh para mahasiswa untuk menunjang jenjang karir mahasiwa dan memberi pandangan tentang arah peluang kerja setelah lulus kuliah, sehingga secara tidak langsung dapat mengurangi jumlah pengangguran tingkat sarjana. Penelitian ini bertujuan untuk memprediksi bidang kerja berdasarkan perolehan nilai dan membangun model prediksi dengan menggunakan model decission tree classification yang diaplikasikan dengan tool Rapid Miner dimana selanjutnya akan dibangun suatu aplikasi berbasis sistem pakar yang dapat digunakan untuk membantu memprediksi bidang kerja calon lulusan sesuai kriteria yang dimiliki mahasiswa. Model decission tree terdiri dari sekumpulan aturan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil. Aplikasi berbasis sistem pakar yang dibangun ini berdasarkan pendekatan case-based reasoning yaitu pembentukan pengetahuan dengan menggunakan penalaran berbasis kasus. Dengan pendekatan case based reasoning diharapkan pengetahuan yang dimasukkan dalam membangun aplikasi adalah pengetahuan berdasarkan fakta kasus yang terjadi pada mahasiswa. Dalam alur pembuatan aplikasi diawali dari proses akuisisi data, pengolahan data, generate rule, generate aplication, implementasi sampai dengan tahap pengujian aplikasi. Setelah semua tahapan selesai akan dihasilkan aplikasi berbasis sistem pakar untuk prediksi peluang kerja khususnya mahasiswa jurusan sistem informasi Universitas Dian Nuswantoro dengan nilai akurasi yang diperoleh saat pengujian validasi terhadap aplikasi dengan menggunakan data testing hasilnya yaitu sebesar 80 %. Kata Kunci: Prediksi Peluang Kerja, Sistem Pakar. Abstract The prediction employment opportunities needed by students to support student career and give views on the direction of employment opportunities after graduation, so it can indirectly reduce the number of unemployed graduate level. This research aims to predict areas of work based on the acquisition value and build predictive models using Decission Tree Clasification models be applied with Rapid Miner tool which will further build an expert system-based application that can be used to help predict the field work of graduate students according to criteria owned. The Decission tree models consists of a set of rules for dividing large data sets into sets of smaller record. An expert systembased application that is built based on case-based reasoning approach is the formation of knowledge by using case-based reasoning. Moreover, with case-based reasoning approach is expected to be included in building knowledge is the application of knowledge based on the facts of the case which occurred in students. In the beginning of the workflow application creation process of data acquisition, data processing, generate a rule, generate application, implementation up to the Journal of Information System
28 stage of application testing. After all stages of completion will be generated expert system based applications to the prediction of employment opportunities, especially students majoring in information systems at the Dian Nuswantoro University, accuracy values obtained during validation testing of the application by using the data of testing result that is equal to 80%. Keywords: prediction employment opportunities, Expert System
1. PENDAHULUAN Kemajuan teknologi informasi saat ini semakin meningkat dan memberi pengaruh yang besar hampir di setiap sektor kehidupan. Penerapan teknologi informasi dalam dunia pendidikan salah satunya mampu menghasilkan data yang berlimpah mengenai siswa dan proses pembelajaran. Pada institusi pendidikan perguruan tinggi, data akan bertambah secara terus menerus, misalnya data mahasiswa. Proses penerimaan mahasiswa baru dalam sebuah universitas menghasilkan data yang berlimpah berupa profil dari mahasiswa baru. Selanjutnya mahasiswa akan melakukan kegiatan perkuliahan sehingga dapat diketahui data prestasi mereka setiap akhir semester dimana tujuan akhir akan menghasilkan data lulusan atau data alumni. Bagi perguruan tinggi data persebaran alumni tergolong hal yang krusial untuk diolah agar menghasilkan informasi yang bermanfaat bagi civitas akademik terutama di bidang layanan karir. Pencapaian tertinggi mahasiswa tentu didapatkan ketika dia sudah dinyatakan lulus dan bisa menyandang gelar dibelakang nama. Namun sangat disayangkan hampir sebagian besar mahasiswa yang telah lulus belum mempunyai pandangan tentang peluang kerja sehingga menjadi salah satu faktor meningkatnya jumlah pengangguran. Berikut adalah data hasil survey dari beberapa mahasiswa sistem informasi saat diwawancarai mengenai pengetahuan bidang kerja setelah lulus.
Gambar 1 Grafik hasil survey mahasiswa terkait pengetahuan peluang kerja
Dari gambar grafik dapat diketahui bahwa baik mahasiswa laki-laki atau mahasiswa perempuan banyak yang belum mengetahui prediksi peluang kerja setelah lulus. Faktor yang dipandang sebagai penyebab utama banyaknya lulusan mahasiswa yang menganggur yaitu disebabkan kurangnya persiapan serta ketidaktahuan calon lulusan tentang prediksi peluang kerja yang cocok yang seharusnya dipersiapkan selama duduk dibangku kuliah. Sehingga perlu dilakukan pengolahan data alumni yang telah bekerja terutama untuk menghasilkan sebuah informasi bagi calon lulusan khusunya program studi sistem informasi dimana dapat digunakan sebagai rekomendasi untuk mengetahui prediksi peluang kerja.
Journal of Information System
29 Peluang kerja atau sering disebut kesempatan kerja identik dengan sasaran pembangunan nasional, khususnya pembangunan ekonomi. Peluang kerja sering diartikan sebagai permintaan tenaga kerja (demand for labor) yaitu suatu keadaan yang menggambarkan tersedianya lapangan kerja yang siap diisi oleh para penawar kerja (pencari kerja). Pertumbuhan angkatan kerja yang masih tinggi serta keterbatasan kesempatan kerja akan mengakibatkan semakin meningkatnya tingkat pengangguran. Secara konsisten, pertumbuhan angkatan kerja ini masih selalu lebih besar jika dibandingkan dengan pertumbuhan penduduk. Disamping itu angkatan kerja yang termasuk setengah pengangguran masih tetap tinggi. Hal ini menandakan bahwa produktivitas para tenaga kerja tersebut belum optimal. Dimana kesempatan kerja merupakan perbandingan antara jumlah angkatan kerja yang bekerja terhadap angkatan kerja. Program studi sistem informasi adalah kesatuan rencana belajar yang mengkaji, menerapkan, dan mengembangkan ilmu rekayasa sistem informasi, yaitu pengetahuan dan keterampilan untuk merancang, membangun, mengembangkan, mengoperasikan dan memelihara sistem informasi bagi kebutuhan bisnis atau manajemen dengan bantuan teknologi informasi. [1] Kompetensi utama sebagai ciri khas Program Studi Sistem Informasi adalah memiliki wawasan dan menguasai pengetahuan teknologi informasi serta menggunakan disiplin sains dan rekayasa untuk membangun sistem informasi berbasis komputer pada manajemen dan bisnis serta mengimplementasikannya dengan menggunakan metode, teknik dan alat bantu tertentu berikut dokumentasinya. Peluang kerja antara lain lulusan mampu bekerja sebagai manajer di bidang SI/TI , Wirausaha di bidang SI/TI, Konsultan di bidang SI/TI, Akademisi dan professional di bidang Sistem Informasi/Teknologi Informasi. Peminatan dalam program studi sistem informasi dibagi menjadi 2 yaitu peminatan E-Bisnis dan peminatan PPSI. Pada Peminatan E-Bisnis dibentuk sebagai jawaban atas meningkatnya kebutuhan bisnis terhadap penerapan teknologi informasi dan komunikasi (ICT) dalam mendukung semua kegiatan bisnis sehingga dapat bekerja lebih erat dengan pemasok dan mitra, dan lebih memenuhi kebutuhan dan harapan pelanggan. Pada E-Bisnis terdapat matakuliah penguat antara lain Pengantar Bisnis, Matematika Bisnis, Ketrampilan Interpersonal, Analisis Proses Bisnis, Konsep eBisnis, Kewirausahaan, Pengelolaan Hubungan Pelanggan (CRM), Perencanaan Sumber Daya Perusahaan (ERP), Infrastruktur E-Bisnis, Manajemen Rantai Pasok (SCM), Bisnis Cerdas, Aplikasi E-Bisnis. Untuk peminatan PPSI (Perencanaan dan Pengembangan Sistem Informasi) adalah minat dosen / mahasiswa yang tertarik atau mempunyai keahlian pada bidang perencanaan dan pengembangan Sistem informasi (PPSI) dimana matakuliah penguat diantaranya Sistem Informasi, Sistem Informasi Akuntansi, Sistem Informasi Manajemen, Analisis Proses Bisnis, Rekayasa Perangkat Lunak, Metodologi Penelitian, Analisa dan Perancangan Sistem Informasi, Interaksi Manusia dan Komputer, Analisa Kinerja Sistem, Manajemen Proyek, Sistem Pendukung Keputusan, Audit Sistem Informasi, Konsep dan Aplikasi GIS. 2. METODE PENELITIAN Sistem pakar yaitu sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [2]. Sistem pakar memiliki beberapa komponen utama yaitu: antar muka pengguna (user interface), basis data sistem pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility) dan mekanisme inferensi (inference mechanism). Selain itu ada satu komponen yang ada pada beberapa sistem pakar yaitu fasilitas penjelasan (explanation facility). Arsitektur dasar dari sistem pakar dapat dilihat pada Gambar 2. Antar muka pengguna adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem. Basis data sistem pakar berisi pengetahuan setingkat pakar pada subyek tertentu. Pengetahuan ini berasal dari pakar, jurnal, majalah, dan sumber pengetahuan lainnya. Fasilitas akuisisi pengetahuan merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dengan sistem. Fasilitas akuisisi ini digunakan untuk memasukkan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu. Journal of Information System
30 Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi.
Gambar 2 Arsitektur Sistem Pakar Agar pengetahuan dapat digunakan dalam sistem, pengetahuan harus di representasikan dalam format tertentu yang tertentu yang kemudian dihimpun dalam format tertentu yang kemudian dihimpun dalam suatu basis data. 2.1 Alur Pembuatan Aplikasi
Gambar 3. Alur Pembuatan Aplikasi Pada gambar terlihat alur dari pembuatan aplikasi dimana dimulai dari data aquisision, data preparation, generate rule, generate aplication, implementation dan testing. Pada pembuatan aplikasi ini dimulai dari akuisisi data dimana merupakan proses pengumpulan data-data pengetahuan. Data yang digunakan adalah data alumni Sistem Informasi yang diperoleh dari ruang data fakultas ilmu komputer dan data Tracer alumni yang diperoleh dari Dinus Career Center dimana selanjutnya data dipelajari, diolah, serta diorganisasikan sehingga menghasilkan suatu basis pengetahuan. Selanjutnya adalah tahap data prepocessing dimana data yang digunakan terlebih dahulu dipilih atribut-atribut yang sesuai. Setelah dipilih atribut yang sesuai pada data alumni dan data tracer career center kemudian dilakukan integrasi data atau proses menggabungkan data yaitu data dari basis data alumni
Journal of Information System
31 dan data dari basis data Dinus Career Center. Proses Cleaning akan dilakukan juga jika terdapat tabel yang memuat data yang tidak konsisten atau missing value. 2.2 Generate Rule Pada pengembangan Sistem Pakar, peneliti menggunakan pendekatan Case Based Reasoning. Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu bentuk ini juga digunakan bila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis data. Untuk memperoleh rule tersebut dari hasil klasifikasi pada sejumlah kasus (data), peneliti menggunakan metode C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membangun pembentukan pohon keputusan. Pohon keputusan (decission tree) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang mempresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, hal tersebut sangat bagus untuk langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain [3] Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule dan menyederhanakan rule.
Gambar 4 Konsep Pohon Keputusan Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan, Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain. Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel tujuannya. Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual, atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklasifikasi. Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probabilitas dari masing-masing record terhadap kategori-kategori tersebu, atau untuk mengklasifikasi record dengan mengelompokkannya dalam satu Journal of Information System
32 kelas. Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel kontinue, meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini. Banyak algoritma yang dapat dipakai dalam pembentukkan pohon keputusan antara lain ID3, CART, dan C4.5. [4] Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: 1.
Pilih atribut sebagai root
2.
Buat cabang untuk masing-masing nilai
3.
Bagi kasus dalam cabang
4.
Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.
Tool yang digukanan peneliti dalam melakukan Ganerating rule dengan algoritma C4.5 adalah RapidMiner. RapidMiner merupakan sebuah lingkungan machine learning data mining, textmining dan predictive analytics. RapidMiner merupakan open source berlisensi agpl GNU Affero General Public License dimulai pada tahun 2011 oleh Rafl Klinkenberg, Ingo Mierswa, dan Simon Fischer di Artificial Intelligent Unit dari University of Dortmund. RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang lebih baik. RapidMiner menyediakan GUI (Grapic User Interface) untuk merancang sebuah pipeline analistis. GUI ini akan menghasilkan file XML (Extensible Markup Language) yang mendefinisikan proses analistis keinginan pengguna untuk diterapkan ke data. File ini kemudian dibaca oleh RapidMiner untuk menjalankan analis secara otomatis. [5] Pengaturan dan penggunaan operator serta parameter dalam framework RapidMiner sangat berpengaruh terhadap model yang terbentuk. Berikut desain model C4.5 yang akan digunakan
Gambar 5. Pemodelan Decission Tree C4.5 Retrive dataset berfungsi memasukkan dataset ke dalam RapidMiner. Dalam hal ini, dataset yang digunakan adalah dataset alumni sistem informasi yang diperoleh dari ruang data fakultas ilmu komputer yang telah mengalami pemrosesan yaitu sebanyak 161 record. Dari retrive kemudian dihubungkan. dengan X-Validation sebagai validasi. Pada proses validasi terdapat dua kolom, yaitu training dan testing. Kolom training berisi algoritma klasifikasi yang diterapkan, yaitu decission tree C4.5 dan kolom testing berisi apply model serta performance untuk mengukur akurasi dari model decission tree C4.5.
Journal of Information System
33 Proses pada gambar diatas adalah untuk mengukur prediksi berdasarkan bidang kerja yaitu bidang kerja IT atau bidang kerja Non-IT. Berikut hasil pemodelan Pohon Keputusan dan Rule yang terbentuk:
Gambar 6. Decission Tree Bidang IT&NON IT Rule yang tercipta dari gambar hasil pemodelan diatas adalah sebagai berikut: 1.
Jika nilai PPSI > 3,795 dan JK = Perempuan maka bidang kerja IT
2.
Jika nilai E-Bisnis ≤ 3,2 dan nilai PPSI > 3,364 dan nilai PPSI ≤ 3,795 dan JK = Perempuan maka bidang kerja IT
3.
Jika nilai PPSI ≤ 3,500 dan nilai PPSI > 3,364 da nilai PPSI ≤ 3,795 dan JK perempuan maka bidang kerja IT
4.
Jika nilai PPSI ≤ 2,773 dan nilai PPSI ≤ 3,364 dan nilai PPSI ≤ 3,795 dan JK = Perempuan maka bidang kerja IT
5.
Jika nilai PPSI > 3,795 dan JK = Laki-laki maka bidang kerja IT
6.
Jika nilai E-Bisnis ≤ 2,932 dan nilai PPSI ≤ 2,995 dan nilai PPSI >2,864 dan nilai PPSI ≤ 3,795 dan JK = Laki-laki maka bidang kerja IT
7.
Jika nilai PPSI > 2,6 dan nilai PPSI > 2,364 dan nilai PPSI ≤ 2,864 dan nilai PPSI ≤ 3,795 dan JK = Laki-laki maka bidang kerja IT
8.
Jika nilai E-Bisnis > 3,295 dan nilai PPSI > 3,500 dan nilai PPSI >3,364 dan nilai PPSI ≤ 3,795 dan JK = Perempuan maka bidang kerja NON IT
9.
Jika nilai PPSI > 2,773 dan nilai PPSI ≤ 3,364 dan nilai PPSI ≤ 3,795 dan JK = Perempuan maka bidang kerja NON IT
10. Jika nilai PPSI > 2,955 dan nilai PPSI > 2,864 dan PPSI ≤ 3,795 dan JK = Laki-laki maka bidang kerja NON IT 11. Jika nilai E-Bisnis > 2,932 dan nilai PPSI ≤ 2,955 dan nilai PPSI > 2,864 dan nilai PPSI ≤ 3,795 dan JK = Laki-laki maka bidang kerja NON IT Journal of Information System
34 12. Jika nilai PPSI ≤ 2,614 dan nilai PPSI > 2,364 dan nilai PPSI ≤ 2,864 dan nilai PPSI ≤ 3,795 dan JK Laki-laki maka bidang kerja NON IT 13. Jika nilai PPSI ≤ 2,364 dan nilai PPSI ≤ 2,864 dan nilai PPSI ≤ 3,795 dan JK= Laki-laki maka bidang kerja NON IT Setelah diperoleh rule berdasarkan bidang kerja, dengan proses yang sama selanjutnya dibuat pohon keputusan berdasarkan bidang kerja IT dan bidang kerja Non-IT dimana digunakan untuk mencari jenis pekerjaan yang lebih spesifikasi berikut hasil decission tree untuk pekerjaan di bidang IT
Gambar 7. Decission Tree Bidang Kerja IT Rule yang tercipta dari gambar hasil pemodelan diatas adalah sebagai berikut: 1. Jika nilai Dasar&Umum > 3,545 dan nilai PPSI > 3,636 dan nilai PPSI > 3,500 dan JK= Perempuan maka bidang kerja IT sebagai PROGRAMMER 2. Jika nilai PPSI ≤ 3,636 dan nilai PPSI > 3,500 dan JK = Perempuan maka bidang kerja IT sebagai PROGRAMMER 3. Jika nilai E-Bisnis ≤ 3,068 dan nilai PPSI > 3,227 dan nilai PPSI ≤ 3,364 dan PPSI ≤ 3,500 dan JK = Perempuan maka bidang kerja IT sebagai PROGRAMMER 4. Jika nilai Dasar&Umum ≤ 3,545 dan nilai PPSI > 3,636 dan nilai PPSI > 3,500 dan JK= Perempuan maka bidang kerja IT sebagai IT AKADEMISI 5. Jika nilai Dasar&Umum > 3,727 dan nilai PPSI 3,364 dan nilai PPSI ≤ 3,500 dan JK= Perempuan maka bidang kerja IT sebagai IT AKADEMISI 6. Jika nilai PPSI > 3,932 dan JK = Laki-laki maka bidang kerja IT sebagai IT AKADEMISI 7. Jika nilai Dasar&Umum ≤ 3,727 dan nilai PPSI > 3,364 dan nilai PPSI ≤ 3,500 dan JK = Perempuan maka bidang kerja IT sebagai IT ADMINISTRASI 8. Jika nilai E-Bisnis > 3,068 dan nilai PPSI > 3,227 dan nilai PPSI ≤ 3,364 dan nilai PPSI ≤ 3,500 dan JK= Perempuan maka bidang kerja IT sebagai IT ADMINISTRASI 9. Jika nilai PPSI ≤ 3,227 dan nilai PPSI ≤ 3,364 dan PPSI ≤ 3,500 dan JK = Perempuan maka bidang kerja IT sebagai IT ADMINISTRASI Journal of Information System
35 10. Jika nilai PPSI > 3,636 dan nilai PPSI ≤ 3,932 dan JK Laki-laki maka IT ADMINISTRASI 11. Jika nilai PPSI > 2,682 dan nilai PPSI > 2,545 dan nilai PPSI ≤ 3,636 dan nilai PPSI ≤ 3,932 dan JK= Laki-laki maka bidang kerja IT sebagai IT ADMINISTRASI 12. Jika nilai PPSI ≤ 2,545 dan nilai PPSI ≤ 3,636 dan nilai PPSI ≤ 3,932 dan JK = Laki-laki maka bidang kerja IT sebagai IT ADMINISTRASI 13. Jika nilai PPSI ≤ 2,682 dan nilai PPSI > 2,545 dan nilai PPSI ≤ 3,636 dan nilai PPSI ≤ 3,932 dan JK = Laki-laki maka bidang kerja IT sebagai OPERATOR Dibawah ini merupakan hasil Decission Tree untuk pekerjaan di bidang Non-IT
Gambar 8. Decission Tree Bid Kerja Non-IT Rule yang tercipta dari gambar hasil pemodelan diatas adalah sebagai berikut: 1. Jika nilai PPSI > 3,636 dan nilai PPSI > 3,409 dan JK = Perempuan maka bidang kerja non IT bagian AKADEMIK 2. Jika nilai E-Bisnis > 3,409 dan nilai PPSI ≤ 3,091 dan nilai PPSI > 2,955 dan nilai PPSI ≤ 3,409 dan JK= Perempuan maka bidang kerja non IT bagian AKADEMIK 3. Jika nilai PPSI ≤ 3,636 dan nilai PPSI > 3,409 dan JK = Perempuan maka bidang kerja non IT bagian PERBANKAN 4. Jika nilai PPSI ≤ 2,955 dan nilai PPSI > 2,818 dan PPSI > 2,523 dan PPSI > 2,364 dan JK = Lakilaki maka bidang kerja non IT bagian PERBANKAN 5. Jika nilai PPSI > 3,091 dan nilai PPSI > 2,955 dan nilai PPSI ≤ 3,409 dan JK= Perempuan maka bidang kerja non IT bagian ADMINISTRASI 6. Jika nilai PPSI > 2,955 dan nilai PPSI > 2,818 dan nilai PPSI >2,523 dan nilai PPSI > 2,364 dan JK = Laki-laki maka bidang kerja non IT bagian ADMINISTRASI 7. Jika nilai PPSI ≤ 2,818 dan nilai PPSI > 2,523 dan PPSI > 2,364 dan JK = Laki-laki maka bidang kerja non IT bagian ADMINISTRASI Journal of Information System
36 8. Jika nilai PPSI ≤ 2,227 dan nilai PPSI ≤ 2,364 dan JK = Laki-laki maka bidang kerja non IT bagian ADMINISTRASI 9. Jika nilai E-Bisnis ≤ 3,409 dan nilai PPSI ≤ 3,091 dan nilai PPSI > 2,955 dan nilai PPSI ≤ 3,409 dan JK = Perempuan maka bidang kerja non IT bagian STAFF 10. Jika nilai E-Bisnis > 3 dan nilai PPSI > 2,773 dan nilai PPSI ≤ 2,955 dan nilai PPSI ≤ 3,409 dan JK = Perempuan maka bidang kerja non IT bagian STAFF 11. Jika nilai Dasar&Umum ≤ 3,227 dan nilai PPSI ≤ 2,773 dan nilai PPSI ≤ 2,955 dan nilai PPSI ≤ 3,409 dan JK = Perempuan maka bidang kerja non IT bagian STAFF 12. Jika nilai PPSI ≤ 2,523 dan nilai PPSI > 2,364 dan JK = Laki-laki maka bidang kerja non IT bagian STAFF 13. Jika nilai E-Bisnis ≤ 3 dan nilai PPSI > 2,773 dan nilai PPSI ≤ 2,955 dan nilai PPSI ≤ 3,409 dan JK = Perempuan maka bidang kerja non IT bagian WIRAUSAHA 14. Jika nilai Dasar&Umum > 3,227 dan nilai PPSI ≤ 2,773dan nilai PPSI ≤ 2,955 dan nilai PPSI ≤ 3,409 dan JK = Perempuan maka bidang kerja non IT bagian MARKETING 15. Jika nilai PPSI > 2,227 dan nilai ≤ 2,364 dan JK = Laki-laki maka bidang kerja non IT bagian KONSULTAN 2.3 Generate Aplication Dari rule yang telah dihasilkan dari pengolahan data menggunakan tools RapidMiner maka dapat dibuat suatu aplikasi yaitu aplikasi berbasis sistem pakar yang dapat membantu memprediksi peluang kerja yang sesuai bagi calon lulusan mahasiswa sistem informasi Udinus. Aplikasi Desktop yang digunakan dalam penelitian ini dikembangkan dengan Microsoft Visual Basic 6.0. Microsoft Visual basic 6.0 adalah bahasa yang dikembangkan dari pemrograman BASIC dan sekarang berisi banyak statement, fungsi dan keyword yang beberapa diantaranya terhubung ke windows GUI. Microsoft Visual Basic merupakan salah satu produk pilihan untuk membuat aplikasi yang berbasiskan Windows, karena dapat dibuat dengan cepat dan mudah serta memiliki kecepatan eksekusi yang tinggi. Microsoft Visual Basic 6.0 juga memiliki kemampuan untuk memanfaatkan teknologi di Windows. Salah satu kemampuan penting dari Microsoft Visual Basic 6.0 adalah mengakses basis data atau database. Microsoft Visual Basic 6.0 mempunyai beberapa kelebihan, diantaranya adalah kemampuan untuk mengkompilasi program dalam bentuk native code, yaitu optimasi pada saat prosesor mengkompilasi dalam menjalankan program tersebut.
Gambar 9. Halaman Prediksi Aplikasi
Journal of Information System
37 Dihalaman prediksi user hanya perlu menginputkan nim untuk menampilkan nama dan jenis kelamin secara otomatis.. Selanjutnya kategori dipilih untuk memunculkan daftar matakuliah disertai nilai dan sks. Jika menu tambah nilai dipilih data akan tampil digrid selanjutnya melakukan penginputan lagi atau memilih tombol hitung rata-rata. Jika memilih hitung rata-rata aplikasi akan melakukan proses perhitungan dan akan menampilkan hasil rata-rata nilai sesuai kategori yang dipilih pada grid kategori dan menyimpannya di tabel temporary. Setelah hasil rata-rata disimpan user diberi pilihan untuk menambah kategori atau tidak, jika iya maka ulangi proses dari pilih kategori sampai menghasilkan nilai rata-rata jika tidak bisa langsung menekan tombol prediksi. Saat tombol prediksi dipilih maka aplikasi akan melakukan proses perhitungan yang mana nantinya akan tampil hasil prediksi. Setelah hasil prediksi muncul jika memilih baru data sebelumnya akan bersih dan bisa dilakukan proses prediksi baru jika tidak proses akan berakhir. 3. HASIL DAN PEMBAHASAN Untuk diperoleh hasil dari pengembangan aplikasi ini, maka perlu dilakukan pengujian terhadap hasil prediksi yang dihasilkan oleh aplikasi. Testing atau pengujian yang dilakukan pada aplikasi digunakan untuk menguji akurasi dari data yang telah diklasifikasikan sebelumnya sebagai data training, maka dilakukan pengujian terhadap 10 data testing. Setelah diuji menggunakan aplikasi menunjukkan 8 data yang sesuai dan 2 data yang tidak sesuai dengan bidang kerja yang rekomendasi (miss) sehingga akurasi yang didapat sebesar 80 %. Berikut tabel data testing yang digunakan untuk proses pengujian. Tabel 1. Data Testing
Untuk menghitung akurasi digunakan rumus Persentase akurasi
= jumlahBenar/JumlahDataUjix 100% = 8:10
= 80%
Dengan nila akurasi yang diperoleh sebesar 80 % memberi arti bahwa aplikasi sistem pakar ini cukup representatif digunakan bagi user yang ingin mengetahui prediksi peluang kerja mereka. Namun jika dilihat dari kategori bidang pekerjaan IT atau Non-IT, dapat dilihat pada tabel di atas bahwa peluang kerja dapat diprediksi dengan tepat 100% sesuai kategori IT dan Non-IT, namun masih terdapat beberapa kesalahan prediksi (20%) pada penentuan bidang kerja yang bersesuaian.
Journal of Information System
38 4. KESIMPULAN Berdasarkan pembuatan aplikasi dapat diambil kesimpulan bahwa aplikasi prediksi peluang kerja berbasiskan sistem pakar ini bisa sangat membantu khususnya mahasiswa jurusan sistem informasi dalam memprediksikan peluang kerja yang cocok setelah mereka lulus nanti dengan nilai akurasi yang diperoleh saat pengujian validasi terhadap aplikasi dengan menggunakan data testing yaitu hasilnya sebesar 80 %. DAFTAR PUSTAKA [1] S. I.-S. UDINUS, 2014. Buku Pedoman Akademik, Semarang [2]
Kusrini, Hartati Sri, 2010. Penggunaan Penalaran Berbasis Kasus Untuk Membangun Basis Pengetahuan Dalam Sistem Diagnosis Penyakit.hal 1
[3] E. Prasetyo, 2012. Data Mining-Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta: Penerbit Andi. [4] Larose,T.D., 2005. Discovering Knowledge in Data an Introduction to Data Mining, John Wiley and Sons, Inc. [5] M. Syaril, “Konversi Data Training Tentang Penyakit Hipertensi Menjadi Bentuk Pohon Keputusan dengan Teknik Klasifikasi Menggunakan RapidMiner,” Journal SAINTIKOM, vol. 10, 2011.
Journal of Information System
