Penerapan Algoritma Backtracking Dan Metode Constraint Satisfaction Untuk Penjadwalan Matakuliah. Ferdinal. R, M.Kom

Ferdinal. R

1

Penerapan Algoritma Backtracking Dan Metode Constraint Satisfaction Untuk Penjadwalan Matakuliah Ferdinal. R, M.Kom AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh E-Mail : [email protected] Abstrak Penjadwalan kegiatan belajar mengajar dalam suatu perguruan tinggi merupakan hal yang rumit. Selain dilihat dari sisi ruang, waktu, juga harus dilihat dari sisi dosen, yaitu kemungkinan dosen akan mengampu lebih dari satu mata kuliah yang ada, sebab ada kemungkinan jumlah mata kuliah dan jumlah dosen tidak sebanding, sehingga harus dipikirkan juga solusi agar dosen tidak mengampu dua mata kuliah berbeda pada hari dan jam yang sama. Selain itu, harus dipertimbangkan juga ketersediaan kelas sehingga kegiatan belajar dapat dilaksanakan. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah dengan menggunakan pendekatan metode Constraint Satisfaction Problem dan algoritma backtracking. Constraint Satisfaction Problem digunakan untuk menemukan keadaan atau obyek yang memenuhi sejumlah persyaratan dan kriteria. Algoritma backtracking merupakan salah satu solusi algoritma dalam pencarian solusi yang lebih baik dari algoritma lainnya. Algoritma ini mencari solusi persoalan tanpa memeriksa semua kemungkinan yang ada, melainkan hanya kemungkinan solusi ke arah yang dipertimbangkan. Diharapkan dengan digunakannya algoritma backtracking akan diperoleh penjadwalan yang optimal yaitu kondisi dimana terjadi kombinasi terbaik untuk pasangan mata kuliah dan dosen pengajar secara keseluruhan, tidak ada permasalahan bentrokan jadwal pada sisi mahasiswa, serta ketersediaan ruang yang cukup dan sesuai secara fasilitas untuk seluruh mata kuliah yang ada. Kata kunci

:

algoritma backtracking, constraint satisfaction problem, penjadwalan, basis data, ERD, heuristic search.

2

Penerapan Algoritma Backtracking Dan Metode Constraint Satisfaction Untuk Penjadwalan Matakuliah

1.

Pendahuluan Permasalahan penjadwalan untuk pengajaran mendapatkan perhatian dari banyak perguruan tinggi. Sejumlah metode telah dihasilkan untuk mendapatkan jadwal yang optimum. Definisi klasik untuk penjadwalan ini belum dapat memenuhi sejumlah kebutuhan khusus pada masalah penjadwalan perkuliahan di Perguruan Tinggi, sehingga sejumlah aturan tambahan perlu diberikan pada masalah ini. Mengingat masalah penjadwalan perkuliahan di Perguruan Tinggi merupakan masalah cukup berat secara komputasi. Inti dari penjadwalan kuliah adalah bagaimana menjadwalkan sejumlah komponen yang terdiri atas mahasiswa, dosen, ruang, dan waktu dengan sejumlah batasan dan syarat (constraint) tertentu. Masalah dari problem penjadwalan kuliah sendiri memiliki banyak sekali variasi sesuai dengan kebijakan lembaga perguruan tinggi tempat jadwal kuliah tersebut akan digunakan. Kombinasi kelas - 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.

Algoritma Backtracking

Algoritma Backtracking merupakan salah satu metode pemecahan masalah yang termasuk dalam strategi yang berbasis pencarian pada ruang status. Algoritma Backtracking berkerja secara rekursif dan melakukan pencarian solusi persoalan secara sistematis pada semua kemungkinan solusi yang ada. Algoritma ini berbasis pada Algoritma Depth-First Search (DFS), maka pencarian solusi dilakukan dengan menelusuri suatu struktur berbentuk pohon berakar secara preorder. Proses ini dicirikan dengan ekspansi simpul terdalam lebih dahulu sampai tidak ditemukan lagi suksesor dari suatu simpul. Penggunaan metoda backtracking dimaksudkan untuk mengetahui seberapa efektif penggunaannya dalam mengatasi masalah penjadwalan yang bersifat acak, dengan keterkaitan yang rumit. Algoritma backtrack pertama kali diperkenalkan oleh D.H. Lehmer pada tahun 1950. Dalam perkembangannya beberapa ahli seperti RJ Walker,

Ferdinal. R

3

Golomb, dan Baumert menyajikan uraian umum tentang backtrack dan menerapannya dalam berbagai persoalan dan aplikasi. Nama backtrack didapatkan dari sifat algoritma ini yang memanfaat karakteristik himpunan solusinya yang sudah disusun menjadi suatu pohon solusi. Agar lebih jelas bisa dilihat pada pohon solusi berikut :

Gambar 2.1 Contoh Pohon Solusi Backtrack Misalkan pohon diatas menggambarkan solusi dari suatu permasalahan. Untuk mecapai solusi (5), maka jalan yang ditempuh adalah (1,2,5), demikian juga dengan solusi-solusi yang lain. Algoritma backtrack akan memeriksa mulai dari solusi yang pertama yaitu solusi (5). Jika ternyata solusi (5) bukan solusi yang layak maka algoritma akan melanjutkan ke solusi (6). Jalan yang ditempuh ke solusi (5) adalah (1,2,5) dan jalan untuk ke solusi (6) adalah (1,2,6). Kedua solusi ini memiliki jalan awal yang sama yaitu (1,2). Jadi daripada memeriksa ulang dari (1) kemudian (2) maka hasil (1,2) disimpan dan langsung memeriksa solusi (6). Dengan cara menelusuri algoritma backtracking, dan pengetahuan dari teori algortima pencarian lainnya, maka akan didapat cara yang efektif dari penelusurannya. Untuk menerapkan metode backtrack, properti berikut didefinisikan : 1. Solusi persoalan. Solusi dinyatakan sebagai vektor n-tuple : X=(x1, x2, ..., xn), xi anggota himpunan berhingga Si . Mungkin saja S1 = S2 = ... = Sn. Contoh : Si = {0,1} Si = 0 atau 1 2. Fungsi pembangkit nilai xk Dinyatakan sebagai : T(k) T(k) membangkitkan nilai untuk xk, yang merupakan komponen vektor solusi 3. Fungsi pembatas (fungsi kriteria) Dinyatakan sebagai : B(x1, x2, ..., xk)

4


Fungsi pembatas menentukan apakah (x1, x2, ..., xk) mengarah ke solusi. Jika ya, maka pembangkitan nilai untuk xk+1 dilanjutkan, tetapi jika tidak, maka (x1, x2, ..., xk) dibuang dan tidak dipertimbangkan lagi dalam pencarian solusi. 3.

Penjadwalan Mata Kuliah Menurut Ross permasalahan jadwal mata kuliah (lecture timetable) adalah permasalahan pengalokasian waktu dan tempat untuk suatu kegiatan perkuliahan, seminar, dan lain-lain untuk memenuhi beberapa kendala yang berhubungan dengan kapasitas dan lokasi dari ruang, waktu, dan hal lain yang berhubungan dengan perkuliahan. Permasalahan penjadwalan mata kuliah didefinisikan secara formal dan matematis oleh Ross sebagai berikut : Diberikan suatu himpunan E = {e1,e2…ev} merupakan kegiatan, T = {t1,t2…ts} merupakan waktu, P = {p1,p2…pm} merupakan tempat dan A = {a1,a2…an} merupakan ‘agents’ (orang yang kehadiranya diperlukan untuk kelangsungan kegiatan, dalam hal ini sebagai contoh adalah dosen dan perkuliahan sebagai ‘agents’ ). Diimplementasikan dalam 4 tuple (e,t,p,a) sedemikian sehingga e € E, t € T, p € P, a € A Permasalahan penjadwalan mata kuliah sekarang didefinisikan sebagai permasalahan untuk mengalokasikan sekumpulan kegiatan pada suatu tempat dan waktu yang terbatas yang meminimalkan kendala-kendala yang ada. Dalam proses penyelesaian masalah penjadwalan mata kuliah terdapat kendala-kendala yang harus dipenuhi atau tidak boleh dilanggar. Kendala tersebut merupakan ukuran kualitas dari penjadwalan mata kuliah, sehingga suatu jadwal mata kuliah yang optimal dapat terbentuk. Kendala-kendala tersebut adalah :  Dosen dapat mengajar lebih dari satu mata kuliah dan tidak boleh terjadi tumbukan pada dosen .  Satu mata kuliah dapat diampu oleh 2 orang dosen atau lebih. Terdapat mata kuliah tertentu yang menggunakan ruang laboratorium yang harus dijadwalkan pada ruang laboratorium.  Tersedianya ruang yang cukup untuk seluruh mata kuliah yang ada. 4.

Analisa dan Hasil Penganalisisan data penjadwalan matakuliah yang salah satu tujuannya adalah untuk menentukan jadwal yang optimum sesuai dengan kebutuhan dosen, ruang kelas, dan waktu yang tersedia. Sebagai contoh ketua program studi akan menyusun jadwal perkuliahan awal semester adalah berdasarkan kesediaan dosen untuk mengajar pada waktu tertentu. Penyusunan jadwal kuliah yang dilakukan berdasarkan kesediaan dosen ini tidak memperhatikan aspek-

Ferdinal. R

5

aspek lainnya, seperti waktu yang tersedia, ruang kelas, persentese tingkat terjadinya dosen mengajar pada waktu yang sama atau ruang kuliah digunakan pada waktu yang bersamaan dan aspek-aspek lainnya. Pada jadwal tersebut tersebut hanya terdapat satu variabel penilaian, yaitu dinilai dari kesediaan dosen untuk mengajar, apakah jadwalnya telah sesuai atau tidak. Contoh bentuk penyusunan jadwal kuliah adalah seperti diperlihatkan pada tabel 6.1. : Tabel 4.1. Bentuk Penyusunan Jadwal Kuliah HARI

JAM

LOKAL 1

2

3

4

07.30-08.00 SIM 2 08.30-09.00 rosmi

5

LABOR LABOR LABOR 1 2 3

TRO 3

PCL 1

WEB 1

C2

deno

elva

SIM 4 AK 3

KL 6

helmi

can

PCL 1 dadang meko

mutia

C2

JV 2

BI 6

KL 7

santi

PCL 4

VB 3

09.30-11.00 JV 5

SIM 1

ferdi

JV 2

netti

MU 3

ira

mutia

JV 5

can

PCL 4

C7

pajri

AS 6

BI 7

hendri

WEB 5

VB 4

netti

ira

C7

deno

ferdi

AS 8

elva

can

PPN 8

PPN 9

WEB 9

fitri

meri

elva

PPN 3

PCL 2

VB 1

santi

fitri

Ferdi

11.30-13.00 SENIN

PIK 4

MU 8 AK 11

13.30-15.00 rijal

pajri

yedi

KW 4

AK 10

pajri

meko KL 11

TRO 6

15.30-17.00 17.30-18.00

sri

daryo AK 4

07.30-09.00 JV 6

BI 1

intan

PCL 2

ira

PCL 7

KL 1

BI 4

mutia

ira

AS 3

JK 4

can

rijal

JV 6

09.30-11.00 SELASA

SI 2

BANK 1

satia

pajri

11.30-13.00 PCL 8 SBD 2

TRO 2 BANK 2 SI 1

PPN 12

deno

SBD 2

fitri

PCL 7

Rosy

helmi

VB 5

PCL 8

SBD 6

Ferdi

can

rosy

13.30-15.00 MU 9

KL 10

fitri

Pajri

satia

6


Dari bentuk penyusunan jadwal mata kuliah diatas jadwal yang optimal sulit untuk didapatkan, karena tidak lengkapnya bentuk susunan jadwal yang ditampilkan, dan tidak ada variabel-variabel yang mendukung dalam menyusun jadwal yang sesuai dengan kesediaan dosen, waktu, dan ruang yang tersedia. Dan pada susunan jadwal tersebut besar kemungkinan terjadinya dosen mengajar pada waktu yang bersamaan atau suatu ruang digunakan pada waktu yang bersamaan. Jam kuliah yang diberlakukan dimulai pukul 08.00 dan berakhir pada pukul 18.00 yang dibagi 10 jam SKS. Setiap jam sks berlangsung 50 menit. Sistem yang akan dirancang dan digunakan dalam penyusunan penjadwalan matakuliah dirancang dengan menggunakan algoritma backtracking. Proses penyusunan penjadwalan matakuliah yang ada di AMIK Depati Parbo sebelumnya hanya berdasarkan pada kegiatan proses belajar mengajar yakni kelas pagi, siang dan kelas sore. Proses penyusunan yang dilakkan tanpa memperhatikan kebutuhan dan kesediaan waktu dosen mengajar. Pemecahan permasalahan yang harus dilakukan pertama adalah memastikan bahwa setiap kelas memiliki waktu spesifik dan tidak boleh saling overlapping. Secara general permasalahan penjadwalan matakuliah dapat didefinisikan : Terdapat q matakuliah K1,K2,...,Kq dan untuk setiap i, mata kuliah Ki terdiri dari ki pertemuan. Terdapat r jumlah kelas S1,S2,...,Sr, yang merupakan sekumpulan matakuliah yang memiliki dosen yang sama. Hal ini berarti mata kuliah pada Sl harus dijadwalkan pada waktu yang berbeda. Jumlah slot waktu adalah p, dan lk adalah jumlah pertemuan yang bisa dijadwalkan pada periode k (yaitu jumlah ruang yang tersedia pada periode k). Proses penyusunan matakuliah dikelompokkan menjadi beberapa kriteria yaitu :  Kriteria ruang yang tersedia  Kriteria waktu kesediaan dosen mengajar  Kriteria sesi waktu proses belajar mengajar Berikut ini kasus yang dituangkan dalam tabel 4.2 dan tabel 4.3. Tabel 4.2 Penempatan Ruang Kuliah Sesi / Hari 08.0009.00 09.0010.00 10.0011.00

Senin

Selasa

Rabu

Kamis

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

R1,R2,R3,R4

Ferdinal. R

7

11.00R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 12.00 12.00R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 13.00 13.00R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 R1,R2,R3,R4 14.00 Ket : R = Ruang Setelah ruang ditempatkan sesuai dengan hari dan sesi perkuliahan maka selanjutnya menempatkan dosen sesuai dengan matakuliah yang diajar. Dimana dalam penempatan dosen tersebut harus menghindari overlap terhadap ruang, kelas dan sesi waktu dosen mengajar. Tabel 4.3 Susunan Jadwal Kuliah Sesi / Hari

Senin

08.00-09.00

D1/M1/R1/K1, D3/M2/R3/K1, D2/M1/R2/K2 D4/M3/R2/K2 D1/M1/R1/K3,

09.00-10.00 10.00-11.00 11.00-12.00 12.00-13.00 13.00-14.00 Ket :

Selasa

Rabu

D1/M1/R1/K1, D1/M2/R3/K1, D2/M1/R2/K2 D2/M3/R2/K2 D1/M1/R1/K3, D9/M2/R5/K2 D8/M3/R4/K4, D9/M2/R5/K2 D8/M3/R4/K4, D5/M9/R1/K1, D9/M2/R5/K2 D6/M8/R2/K2 D5/M9/R1/K1, D6/M8/R2/K2 -

-

-

Kamis -

D1/M1/R6/K8, D2/M1/R7/K9 D1/M1/R6/K8, D2/M1/R7/K9

D : Dosen (1...k, M : Matakuliah (1...i), R : Ruang (1...j), K : Jumlah Kelas (1...l) Dalam kasus yang tertera diatas, akan dibuat aplikasi penjadwalan matakuliah dengan menggunakan algoritma backtracking sesuai dengan kriteria yang telah dijelaskan sebelumnya. Adapun algoritma penjadwalan yang dimaksud di atas dapat digambar dalam bentuk flowchar seperti berikut:

8


Start

inisialisasi dosen, matakuliah, ruang, sesi, kelas, hari, max,b=1, x[1]

input data dosen, matakuliah, ruang, sesi, kelas, hari, wakturuang, bebandosen

input pencocokan jadwal

max = jumlah record

N

b> 0

Y x[b] = x[b]+1

N

x[b] <= max

Y pencocokan[b]

N

pencocokan[b]=0

Y x[b] = x[b]+1

N

x[b] <= max

Y b= n

Y

Cetak jadwal dalam tabel

N Stop

Gambar 4.1. Flowchart Utama Penjadwalan Matakuliah

Ferdinal. R

9

Start

i=1 count=count+1

i
N

pencocokan(k) = 1

Stop

Y x[i] = x[k]

Y

N abs(x[i] - x[k]) = abs(i-k)

Y

pencocokan(k) = 0

N i=i+1

Gambar 4.2. Flowchart Pencocokan Jadwal Matakuliah 5.

Pengujian Tabel 5.1. Contoh Hasil Pengujian Secara Manual

10


Gambar 5.1 Hasil Penyusunan Jadwal Kuliah 6.

Kesimpulan Dengan menggunakan algoritma backtrack yang dipadu dengan metode constraint satisfaction problem (CSP), aplikasi penjadwalan ini mempermudah bagian Ketua Program Studi untuk menyusun Jadwal Kuliah pada tiap semesternya. Karena dapat mengidentifikasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan penjadwalan yang diharapkan. DAFTAR PUSTAKA 1. Arrummaisha Adrifina1, Prasetiyo2, Sutresna Wati3, Ernastuti4. (2008). “Jurnal Penyelesaian Masalah N-Queen Dengan Teknik Backtracking” 2. Cecilia E. Nugraheni. (2008). “Jurnal Penyelesaian Masalah Penjadwalan Ujian Dengan Sat” 3. Dhamma Nibbana Putra1, Ozzi Oriza Sardjito2, Christopher Lawrence3. “Penerapan dan Implementasi Algoritma Backtracking” 4. Heni Jusuf. (2009). “Jurnal Pewarnaan Graph Pada Simpul Untuk Mendeteksi Konflik Penjadwalan Kuliah” 5. Luca Anselma. (2009). “Constraint Satisfaction Problems (CSP) and ! Temporal reasoning” 1 2 6. Ryan Sosiawan , Pradita Herdiansyah , Nashirudin Anwar3. (2009). “Paduan Aplikasi Algoritma Branch And Bound Dan Backtracking Dalam Pencarian n - Jarak Tersingkat Dalam Sistem GPS” 7. Ruli Manurung. (2007). “Constraint Satisfaction Problems” 8. Sahrul Arif1, Helmi Fajar A2, Yanuar Asshidqi3. (2009). “Analisis Algoritma Backtacking Pada Game Kuda Menyeberang Jembatan Dengan Lintasan Hamilton” 9. Vipin Kumar. (1992). “Articles Algorithms for Constraint-Satisfaction Problems: A Survey”

Fitriany

11

ALGORITMA C4.5 DALAM DATA MINING UNTUK MENENTUKAN KLASIFIKASI KELULUSAN CALON MAHASISWA BARU (Sudi Kasus : AMIK-DP) Fitriany, S.Kom.,M.Kom AMIK Depati Parbo Kerinci Email : [email protected] ABSTRAK Algoritma C4.5 adalah salah satu algoritma yang terdapat pada data mining yang merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi data dengan membentuk pohon keputusan. Pohon keputusan algoritma C4.5 dibangun dengan beberapa tahap yang meliputi pemilihan atribut sebagai akar, membuat cabang untuk tiap-tiap nilai dan membagi kasus dalam cabang. Tahap-tahap ini akan diulangi untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Dari penyelesaian pohon keputusan maka akan didapatkan beberapa rule suatu kasus. Dalam hal ini penulis mengklasifikasikan kelulusan dari calon mahasiswa baru pada suatu Perguruan Tinggi (AMIK Depati Parbo Kerinci) tidak hanya berdasarkan kriteria Nilai Ujian Tertulis saja tetapi juga keahlian lainnya yang berhubungan dengan komputer, kehadiran waktu ujian wawancara dan nilai rata-rata UAN waktu tamat SMA yang juga menjadi tolak ukur seseorang untuk dapat diterima di sebuah perguruan tinggi. Dengan penerapan algoritma C4.5 ini akan dapat membantu pihak akademik dalam menentukan calon mahasiswa baru yang benar-benar ingin mengikuti perkuliahan. Kata kunci : data mining, klasifikasi, algoritma C4.5, pohon keputusan Pendahuluan Mahasiswa merupakan bagian yang penting bagi suatu Universitas. Banyaknya mahasiswa yang berminat masuk pada perguruan tinggi tersebut sangat berpengaruh pada kualitas dari perguruan tinggi. Berdasarkan hal tersebut, salah satu cara untuk untuk menentukan kelulusan calon mahasiswa baru menggunakan bahasa sehari-hari yang nantinya dalam pengambilan keputusan akan lebih mudah dipahami guna menjadikan sebagai pembelajaran untuk kedepannya dalam menghasilkan para calon mahasiswa baru yang bermutu. Peneliti mencoba untuk memberikan informasi dalam menentukan kelulusan calon mahasiswa baru di AMIK Depati Parbo Kerinci. Selama ini

12

Algoritma C4.5 Dalam Data Mining Menentukan Klasifikasi Kelulusan Mahasiswa Baru

Untuk Calon

informasi yang diberikan dalam menentukan kelulusan calon mahasiswa baru hanya bisa dilihat berdasarkan Nilai Tes Seleksi Penerimaan Mahasiswa Baru/Nilai Tertulis, yang menunjukkan kualitas calon mahasiswa baru secara umum tanpa mengetahui keahlian yang benar-benar dimiliki oleh calon mahasiswa tersebut. Dalam pengambilan keputusan penerimaan mahasiswa baru ini dibatasi dengan memperhatikan beberapa atribut yaitu Nilai Ujian Tertulis, wawancara, nilai ujian praktek dan nilai UAN. Metode yang digunakan adalah metode Algoritma C4.5 yang meruakan salah satu konsep algoritma yang ada pada data mining. Algoritma C4.5 adalah salah satu algoritma yang digunakan untuk melakukan klasifikasi data dengan membentuk pohon keputusan sehingga nantinya memberikan data yang lengap dan akan lebih mudah bagi pihak universitas menentukan seorang calon mahasiswa baru diterima atau tidak di universitas (AMIK Depati Parbo). Permasalahan Permasalah yang ada adalah bagaimana memperoleh pengetahuan dan mengklasifikasikan calon mahasiswa baru yang akan diterima pada sebauh universitas (AMIK Depati Parbo) untuk menentukan siapa saja yang berhak masuk atau diterima berdasarkan Nilai Ujian Tertulis, wawancara, nilai ujian praktek dan nilai UAN (Ujian Akhir Nasional). Pengambilan keputusan untuk kelulusan calon mahasiswa baru AMIK Depati Parbo Kerinci masih dalam bentuk data-data yang pasti, yang pada prinsipnya masih sulit dalam proses pengambilan keputusan. Metode yang digunakan untuk menyajikan informasi kelulusan mahasiswa adalah dengan membentuk pohon keputusan dengan Algoritma C4.5 dan menguji kebenaran hasil klasifikasi kelulusan calon mahasiswa baru dengan menggunakan aplikasi WEKA GUI Chooser. Data Mining Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Kata mining berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasara (Pramudiono, 2003). Data mining merupakan proses pencarian pola relasi-relasi yang tersembunyi dalam sejumlah data yang besar dengan tujuan untuk melakukan klasifikasi, estimasi, prediksi, association rule, clustering, deskripsi dan visualisasi (Han dan Kamber, 2001). Klasifikasi Klasifikasi dan prediksi adalah dua bentuk analisis data yang bisa digunakan untuk mengekstrak model dari data yang berisi kelas-kelas atau untuk memprediksi trend data yang akan datang. Klasifikasi memprediksi data

Fitriany

13

dalam bentuk kategori, sedangkan prediksi memodelkan fungsi-fungsi dari nilai yang kontinyu. Misalnya model klasifikasi bisa dibuat untuk mengelompokkan aplikasi peminjaman pada bank apakah berisiko atau aman, sedangkan model prediksi bisa dibuat untuk diprediksi pengeluaran untuk membeli peralatan komputer dari pelanggan potensial berdasarkan pendapatan dan lokasi tinggalnya. Secara umum, proses klasifikasi dapat dilakukan dalam dua tahap, yaitu proses belajar dari data pelatihan dan klasifikasi kasus baru. Pada proses belajar, algoritma klasifikasi mengolah data pelatihan untuk menghasilkan sebuah model. Setelah model diuji dan dapat diterima, pada tahap klasifikasi, model tersebut digunakan untuk memprediksi kelas dari kasus baru untuk membantu proses pengambilan keputusan (Han, 2001; Quinlan, 1993). Kelas yang dapat diprediksi adalah kelas-kelas yang sudah terdefinisi pada data pelatihan. Karena proses klasifikasi kasus baru cukup sederhana, penelitian lebih banyak ditujukan untuk memperbaiki teknik-teknik pada proses belajar, seperti gambar berikut. Decision Tree (Pohon Keputusan) Decision Tree (Pohon Keputusan) adalah sebuah diagram alir yang mirip dengan struktur pohon, di mana setiap internal node menotasikan atribut yang diuji, setiap cabangnya merepsentasikan hasil dari atribut tes tersebut, dan leaf node merepresentasikan kelas-kelas tertentu atau distribusi dari kelas-kelas (Han & Kamber, 2001). Seringkali untuk mengklasifikasikan obyek, kita ajukan urutan pertanyaan sebelum bisa kita tentukan kelompoknya. Jawaban pertanyaan pertama akan mempengaruhi pertanyaan berikutnya dan seterusnya. Dalam decision tree, pertanyaan pertama akan kita tanyakan pada simpul akar pada level 0. Jawaban dari pertanyaan ini dikemukakan dalam cabang-cabang. Jawaban dalam cabang akan disusul dengan pertanyaan kedua lewat simpul yang berikutnya pada level 1. Dalam setiap level ditanyakan nilai atribut melalui sebuah simpul. Jawaban dari pertanyaan ini dikemukakan lewat cabang-cabang. Langkah ini akan berakhir di suatu sumpul jika pada simpul tersebut sudah ditemukan kelas atau jenis obyeknya. Kalau dalam satu tingkat suatu obyek sudah diketahui termasuk dalam kelas tertentu, maka kita berhenti di level tersebut. Jika tidak, maka dilanjutkan dengan pertanyaan di level berikutnya hingga jelas ciri-cirinya dan jenis obyek dapat ditentukan (Santosa, 2007), seperti pada gambar 4.4 dibawah ini contoh penggunaan metode decision tree untuk menentukan jenis buah.

14


Untuk Calon

Gambar 1. Contoh penggunaan metode Decision Tree untuk menentukan jenis buah Algoritma C4.5 Algoritma C4.5 adalah algoritma klasifikasi data dengan teknik pohon keputusan yang terkenal dan disukai karena memiliki kelebihan-kelebihan. Kelebihan ini misalnya : dapat mengolah data numerik (kontinyu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diinterpretasikan dan tercepat di antara algoritma-algoritma yang menggunakan memori utama di komputer (Quinlan, 1993; Han et al., 2001; Berry et al., 1997; Ruggieri, 2001). Pada tahap belajar dari data, algoritma C4.5 mengkonstruksi pohon keputusan dari data pelatihan, yang berupa kasus-kasus atau rekord-rekord (tupel) dalam basisdata. Setiap kasus berisikan nilai dari atribut-atribut untuk sebuah kelas. Setiap atribut dapat berisi data diskret atau kontinyu (numerik). C4.5 juga menangani kasus yang tidak memiliki nilai untuk sebuah atau lebih atribut. Akan tetapi, atribut kelas hanya bertipe diskret dan tidak boleh kosong. Tiga prinsip kerja algoritma C4.5 pada tahap belajar dari data adalah : 1. Pembuatan pohon keputusan. Obyektif dari algoritma pohon keputusan adalah mengkonstruksi struktur data pohon (dinamakan pohon keputusan) yang dapat digunakan untuk memprediksi kelas dari sebuah kasus atau rekord baru yang belum memiliki kelas. C4.5 mengkonstruksi pohon keputusan dengan strategi divide dan conquer. Pada awalnya, hanya dibuat node akar dengan menerapkan algoritma divide dan conquer. Algoritma ini memilih pemecahan kasuskasus yang terbaik dengan menghitung dan membandingkan gain ratio, kemudian pada node-node yang terbentuk di level berikutnya, algoritma divide dan conquer akan diterapkan lagi. Demikian seterusnya sampai

Fitriany

15

terbentuk daun-daun. Algoritma C4.5 dapat menghasilkan pohon keputusan, dengan simbol kotak menyatakan simpul dan elips menyatakan daun. 2. Pemangkasan pohon keputusan dan evaluasi (opsional). Karena pohon yang dikonstruksi dapat berukuran besar dan tidak mudah “dibaca”, C4.5 dapat menyederhanakan pohon dengan melakukan pemangkasan berdasarkan nilai tingkat kepercayaan (confidence level). Selain untuk pengurangan ukuran pohon, pemangkasan juga bertujuan untuk mengurangi tingkat kesalahan prediksi pada kasus (record) baru. 3. Pembuatan aturan-aturan dari pohon keputusan (opsional). Aturan-aturan dalam bentuk if-then diturunkan dari pohon keputusan dengan melakukan penelusuran dari akar sampai ke daun. Setiap node dan syarat pencabangannya akan diberikan di if, sedangkan nilai pada daun akan menjadi ditulis di then. Setelah semua aturan dibuat, maka aturan akan disederhanakan (digabung atau diperumum). Jika aturan-aturan dari pohon tidak dibuat, maka klasifikasi kasus baru dapat dilakukan dengan menggunakan pohon keputusan. Komputasi Gain Ratio pada Konstruksi Pohon C4.5 Pada konstruksi pohon C4.5, di setiap simpul pohon, atribut dengan nilai gain ratio yang tertinggi dipilih sebagai atribut test atau split untuk simpul. Rumus dari gain ratio adalah : gain ratio(a) = gain(a) / split info(a) dimana gain(a) adalah information gain dari atribut a untuk himpunan sampel X dan split info(a) menyatakan entropi atau informasi potensial yang didapat pada pembagian X menjadi n sub himpunan berdasarkan telaahan pada atribut a. Sedangkan gain(a) didefinisikan sebagai : gain (a) = info(X) –infoa(X) Sedangkan rumus split info(a) adalah dimana Xi menyatakan sub himpunan ke-i pada sampel X. Alasan penggunaan gain ratio(a) pada C4.5 (bukan gain(a)) sebagai kriteria pada atribut yang memiliki banyak nilai unik. Pembagian gain(a) dengan split info(a) dimaksudkan untuk sampel X1…Xn, dimana n adalah jumlah nilai unik pada atribut dan Xi adalah sub sampel yang memiliki nilai atribut a = i. Untuk menghitung nilai info a(X), jika a adalah atribut diskret, maka sampel X dibagi menjadi sub sampel X1…Xn, dimana n adalah jumlah nilai unik pada atribut a dan Xi adalah sub sampel yang memiliki nilai atribut a = i. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut :

16


Untuk Calon

1. 2. 3. 4.

Pilih atribut sebagai akar Buat cabang untuk tiap-tiap nilai Bagi kasus dalam cabang Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera dalam persamaan berikut : 𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 𝐸𝑛𝑟𝑜𝑝𝑦(𝑠) 𝑛 |𝑆𝑖| − ∑ ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖) … … … … … … … . (2.1) |𝑆| 𝑖=1

Di mana : S : himpunan kasus A : atribut n : jumlah partisi atribut A Si : jumlah kasus pada partisi ke-i S : jumlah kasus dalam S Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan berikut : 𝑛

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ 𝑖=1

|𝑆𝑖| − 𝑝𝑖 | 𝑆|

∗ 𝑙𝑜𝑔2 𝑝𝑖

… … … … . . … … . (2.2)

Di mana : S : himpunan kasus A : fitur n : jumlah partisi S pi : proporsi dari Si terhadap S WEKA GUI Chooser WEKA GUI Chooser adalah tampilan utama yang akan dilihat user pada saat pertama kali membuka perangkat lunak WEKA. Tampilan utama tersebut memberikan 4 pilihan GUI WEKA, yaitu Simple CLI, Experimenter, Explorer, dan Knowledge Flow, seperti pada gambar 2 berikut.

Fitriany

17

Gambar 2. WEKA GUI Chooser GUI Explorer adalah GUI WEKA yang paling mudah digunakan dan menyediakan semua fitur WEKA dalam bentuk tombol dan tampilan visualisasi yang menarik dan lengkap. Preprocess, klasifikasi, asosiasi, clustering, pemilihan atribut, dan visualisasi dapat dilakukan dengan mudah dan menyenangkan di sini, seperti pada gambar 3 berikut ini.

Gambar 3. WEKA GUI Explorer Format Data dalam WEKA Misalnya diketahui sekumpulan data dan ingin dibangun sebuah decision tree dari data tersebut, maka data tersebut harus disimpan dalam format ‘flat’, ARFF karena WEKA perlu mengetahui beberapa informasi tentang tiap atribut yang tidak dapat disimpulkan secara otomatis dari nilai-nilainya. File ARFF (Attribute-Relation File Format) adalah sebuah file teks ASCII yang berisi daftar instances dalam sekumpulan atribut. File ARFF dikembangkan oleh Machine Learning Project di Department of Computer Science of The University of Waikato untuk digunakan dalam perangkat lunak WEKA. Pengubahan format data ini dapat dilakukan dengan mudah. Misalkan data dalam format .xls (lihat tabel 5), buka data tersebut dari Microsoft Excel dan simpan sebagai .csv. Selanjutnya, buka file tersebut dari Microsoft Word, notepad, atau editor teks lainnya dan data sudah berubah dalam format comma-

18


Untuk Calon

separated. Hasilnya, data tersebut sudah dapat digunakan sebagai inputan dalam WEKA.    

Pastikan bahwa data dalam format .arff tersebut sudah memenuhi: Data dipisahkan dengan koma, dengan kelas sebagai atribut terakhir. Bagian header diawali dengan @RELATION. Tiap atribut ditandai dengan @ATTRIBUTE. Tipe-tipe data dalam WEKA: numeric (REAL atau INTEGER), nominal, String, dan Date. Bagian data diawali dengan @DATA

Pembahasan Data kelulusan calon mahasiswa baru pada Perguruan Tinggi Swasta AMIK Depati Parbo Kerinci tahun ajaran 2009/2010 memiliki format seperti berikut : No. Ujian, Nama, Tempat/ Tanggal Lahir, Jenis Kelamin, Alamat, Nilai Ujian Tertulis, Keterangan Kelulusan. Dari data-data tersebut, yang diambil sebagai variabel keputusannya adalah nilai kelulusan ya, dan tidak. Sedangkan yang diambil sebagai variabel penentu dalam pembentukan pohon keputusan adalah Nilai Ujian Tertulis, Nilai Wawancara, Nilai Ujian Praktek dan Rata-rata NEM. Pemilihan variabel-variabel tersebut dengan pertimbangan bahwa jumlah nilai variabelnya tidak banyak sehingga diharapkan kelulusan mahasiswa yang masuk dalam satu klasifikasi nilai variabel tersebut cukup banyak. Terdapat sampel 40 orang mahasiswa yang mengikuti seleksi calon mahasiswa baru (SPMB) dengan memperhatikan parameter/atribut penilaian. Berarti dengan jumlah data 40, maka akan mendapatkan 6 kelas, data tersebut akan dikelompokkan berdasarkan atribut sebagai berikut. 1. Mengelompokkan Nilai Ujian Tertulis, pengelompokkan nilai ujian tertulis ini berdasarkan dari hasil ujian yang didapat oleh calon mahasiswa baru tersebut sehingga nilai tersebut dikelompokkan seperti terlihat pada tabel berikut ini : Tabel 1. Klasifikasi Nilai Ujian Tertulis Nilai Ujian Tertulis Klasifikasi 0 – 15

1

16 – 32

2

33 – 47

3

48 – 63

4

64 – 79

5

>80

6

Fitriany

19

2. Mengelompokkan Nilai Wawancara berdasarkan keikutsertaan ataupun kehadiran pada pelaksanaan tes wawancara, seperti terlihat pada tabel berikut ini ; Tabel 2. Klasifikasi Wawancara Wawancara Klasifikasi Hadir Y Tidak Hadir T 3. Mengelompokkan Nilai Praktek, berdasarkan hasil yang didapat pada pelaksanaan ujian praktek, seperti terlihat pada tabel berikut ini : Tabel 3. Nilai Praktek Nilai Ujian Praktek Klasifikasi 0 – 15 1 16 – 32 2 33 – 47 3 48 – 63 4 64 – 79 5 >80 6 4. Mengelompokkan Nilai Rata-rata NEM, pengelompokan ini diambil dari nilai NEM yang diraih oleh calon mahasiswa baru tersebut pada waktu tamat SMA atau sederajat, pengelompokan nilai Rata-rata NEM tersebut dapat dilihat pada tabel berikut : Tabel 4. Nilai Rata-rata NEM Nilai Rata-rata NEM Klasifikasi 0,00 – 1,59 1 1,60 – 3,29 2 3,30 – 4,79 3 4,80 – 6,39 4 6,40 – 7,90 5 >8,00 6 Format data akhir setelah dilakukan pra-proses tampak seperti tabel berikut :

20


Untuk Calon

Tabel 5. Format Data Akhir No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

No. Ujian 70001 70002 70003 70004 70005 70006 70007 70008 70019 70010 70011 70012 70013 70014 70015 70016 70017 70018 70019 70020 70021 70022 70023 70024 70025 70026 70027 70028 70029 70030 70031 70032 70033 70034 70035 70036 70037 70038 70039 70040

Nilai Tertulis 6 6 6 5 6 6 5 5 6 6 5 6 5 6 5 5 6 5 6 6 5 6 6 5 6 5 6 5 5 5 6 6 6 6 6 6 5 5 6 6

wawancara Y Y Y T T Y Y Y Y Y Y Y T Y Y Y Y Y Y Y T Y Y T Y Y Y Y T Y Y Y Y Y Y Y Y Y Y Y

Nilai Praktek 6 5 6 5 5 5 5 6 6 5 5 5 5 5 6 5 6 5 5 6 5 6 6 6 5 5 6 5 5 6 6 5 5 5 5 6 5 5 5 6

Rata-rata NEM 5 6 5 6 5 5 4 4 5 5 6 5 4 5 4 5 6 5 5 6 5 5 6 5 6 4 5 4 5 4 6 4 6 5 4 4 6 6 4 4

Kelulusan YA YA YA TIDAK TIDAK YA TIDAK YA YA YA YA YA TIDAK YA YA TIDAK YA TIDAK YA YA TIDAK YA YA YA YA YA YA TIDAK TIDAK YA YA TIDAK YA YA TIDAK YA TIDAK TIDAK TIDAK YA

Format data akhir pada tabel di atas didapat berdasarkan dari atribut yang sudah dikelompokan atau diklasifikasi, misalkan data pada tabel 4.1 Nilai Ujian Tertulis adalah “81”, setelah diklasifikasi menjadi “6”, Wawancara adalah

Fitriany

21

“hadir”, maka setelah klasifikasi menjadi “Y”, Nilai Praktek adalah “80” berubah menjadi “6”, dan Rata-rata NEM adalah “6.32” berubah menjadi “5” dan seterusnya. Pohon Keputusan Dari format data akhir kelulusan calon mahasiswa baru maka akan dilakukan klasifikasi data algoritma C4.5 dengan membuat pohon keputusan. Seperti yang telah dijelaskan sebelumnya, algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut : 1. Pilih atribut sebagai akar. 2. Buat cabang untuk tiap-tiap nilai. 3. Bagi kasus dalam cabang. 4. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Dalam kasus yang tertera pada tabel 4.6 di atas, akan dibuat pohon keputusan untuk menentukan klasifikasi kelulusan calon mahasiswa baru (ya dan tidak) dengan melihat Nilai Ujian Tertulis, Nilai Wawancara, Nilai Ujian Praktek dan Nilai Rata-rata NEM. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus (2.1), sedangkan untuk menghitung nilai entropy dapat dilihat pada rumus (2.2). Dengan menggunakan dua persamaan di atas maka akan didapatkan entropy dan gain yang digunakan sebagai akar dalam membuat pohon keputusan. Menghitung jumlah kasus, jumlah kasus untuk keputusan “Ya”, jumlah kasus untuk keputusan “Tidak”, dan kasus yang dibagi berdasarkan atribut Nilai Ujian Tertulis, Nilai Wawancara, Nilai Ujian Praktek, Nilai Rata-rata NEM. Setelah itu, lakukan perhitungan gain untuk setiap atribut. Menghitung Nilai Entropy tiap-tiap atribut : Entropy (Total) 𝐸𝑛𝑡𝑟𝑢𝑝𝑦 𝑇𝑜𝑡𝑎𝑙𝐴 = (−

26 26 14 14 ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0,934068 40 40 40 40

Entropy(total) adalah menghitung nilai total keputusan ya (26) dan tidak (14), sedangkan 40 adalah jumlah keseluruhan kasus.

22

a.


Untuk Calon

Atribut Nilai Rata-rata NEM

0 0 0 0 ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(2) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(3) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0𝐸𝑛𝑡𝑟𝑢𝑝𝑦 (4) 0 0 0 0 6 6 6 6 = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 1 12 12 12 12 12 12 5 5 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(5) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0,873981 17 17 17 17 8 8 3 3 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(6) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0,845351 11 11 11 11 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(1) = (−

Menghitung nilai entrophy atribut Nilai Rata-rata NEM berdasarkan dari tiap-tiap kelas (1, 2, 3, 4, 5, 6) pada Atribut Nilai Rata-rata NEM.

b. Atribut Nilai Ujian Tertulis 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(1) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(2) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(3) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(4) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 6 6 10 10 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(5) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) 16 16 16 16 = 0,954434 20 20 4 4 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(6) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) 24 24 24 24 = 0,650022

Fitriany

23

Menghitung nilai entrophy Atribut Nilai Ujian Tertulis berdasarkan dari tiaptiap kelas (1, 2, 3, 4, 5, 6) pada Atribut Nilai Ujian Tertulis.

c.

Atribut Nilai Ujian Praktek 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(1) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(2) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(3) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 0 0 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(4) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 0 0 0 0 11 11 14 14 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(5) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) 25 25 25 25 = 0,989588 15 15 0 0 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(6) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0 15 15 15 15 Menghitung nilai entrophy Nilai Ujian Praktek berdasarkan dari tiap-tiap kelas (1, 2, 3, 4, 5, 6) pada Atribut Nilai Ujian Praktek.

d. Atribut Wawancara 25 25 9 9 ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) 34 34 34 34 = 0,833765 1 1 5 5 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑇) = (− ∗ 𝑙𝑜𝑔2 ( )) + (− ∗ 𝑙𝑜𝑔2 ( )) = 0,650022 6 6 6 6 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑌) = (−

Menghitung nilai entrophy Atribut Wawancara berdasarkan dari tiap-tiap kelas (Y,T) pada Atribut Wawancara. Menghitung Nilai Gain tiap-tiap atribut : Gain (Total, Nilai Rata-rata NEM) 𝑛

= 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ 1=1

|𝑅𝑎𝑡𝑎 𝑁𝐸𝑀𝑖 | ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑅𝑎𝑡𝑎 𝑁𝐸𝑀𝑖 ) |𝑇𝑜𝑡𝑎𝑙|

24


Untuk Calon

12 17 11 = 0.934068 − (( ∗ 1) + ( ∗ 0.873981) + ( ∗ 0.845351)) 40 40 40 = 0.030155

Gain (Total, Nilai Tertulis) 𝑛

= 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑

|𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑡𝑢𝑙𝑖𝑠𝑖 | ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑁𝑖𝑙𝑎𝑖 𝑇𝑒𝑟𝑡𝑢𝑙𝑖𝑠𝑖 ) |𝑇𝑜𝑡𝑎𝑙|

1=1

16 24 = 0.934068 − (( ∗ 0.954434) + ( ∗ 0.650022)) = 0,162281 40 40 Gain(Total, Nilai Ujian Praktek) 𝑛 |𝑁𝑖𝑙𝑎𝑖 𝑃𝑟𝑎𝑘𝑡𝑒𝑘 | 𝑖 ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑁𝑖𝑙𝑎𝑖 𝑃𝑟𝑎𝑘𝑡𝑒𝑘𝑖 ) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ |𝑇𝑜𝑡𝑎𝑙| 1=1

25 55 = 0.934068 − (( ∗ 0.989588) + ( ∗ 0)) = 0.315576 40 40

Gain(Total, Nilai Wawancara) 𝑛 |𝑁𝑖𝑙𝑎𝑖 𝑊𝑎𝑤𝑎𝑛𝑐𝑎𝑟𝑎 | 𝑖 ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑁𝑖𝑙𝑎𝑖 𝑊𝑎𝑤𝑎𝑛𝑐𝑎𝑟𝑎𝑖 ) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ |𝑇𝑜𝑡𝑎𝑙| = 0.934068 −

1=1 34 ((40 ∗ 0.833765) +

6

(40 ∗ 0.650022)) = 0,1227864

Setelah nilai entropy dan gain dihitung, kemudian hasil dari perhitungan tersebut dimasukkan ke dalam tabel Perhitungan Node 1 berikut ini. Tabel 6. Perhitungan Node 1

Node 1

Jumlah Ya Tidak Kasus (S1) (S2) (S) 40 26 14

TOTAL Nilai Ratarata NEM

Entropy 0.934068

Gain 0.030155

1 2

0 0

0 0

0 0

Fitriany

25

3 4 5 6

0 12 17 11

0 6 12 8

0 6 5 3

1 0.873981 0.845351

Nilai Ujian Tertulis

0.162281 1 2 3 4 5 6

0 0 0 0 16 24

0 0 0 0 6 20

0 0 0 0 10 4

0.954434 0.650022

Nilai Ujian Praktek

0.315576 1 2 3 4 5 6

0 0 0 0 25 15

0 0 0 0 11 15

0 0 0 0 14 0

0.989588 0

Nilai Wawancara

0.127864 Y T

34 6

25 1

9 5

0.833765 0.650022

Dari perhitungan pada tabel diatas dapat diketahui bahwa atribut dengan gain tertinggi adalah Nilai Ujian Praktek sebesar 0.315576. Berarti Nilai Ujian Praktek dapat menjadi node akar. Ada dua nilai atribut dari Nilai Ujian Praktek yaitu “5” dan “6”. Dari nilai atribut tersebut, nilai “6” sudah Lulus, sehingga tidak perlu dilakukan perhitungan, tetapi nilai atribut “5” masih perlu dilakukan perhitungan lagi, seperti pada gambar dibawah ini.

Nilai Ujian Praktek =6

1.1 YA

=5

1.2 ?

Gambar 4. Pohon Keputusan Hasil Perhitungan Node 1

26

-


Untuk Calon

Selanjutnya adalah menyelesaikan untuk menghitung Node 1.2 sebagai akar, sama dengan cara yang diatas dengan menghitung nilai entropy dari atribut yang tersisa yaitu Nilai Rata-rata NEM, Nilai Ujian Tertulis dan Nilai Wawancara, setelah di hitung entropy, kemudian menghitung gain untuk tiap-tiap atribut.

Setelah nilai entropy dan gain dihitung, kemudian hasil dari perhitungan tersebut dimasukkan ke dalam tabel Perhitungan Node 1.2 dibawah ini. Tabel 7. Perhitungan Node 1.2

Node 1.2

Jumlah Kasus (S) 25

Nilai Ujian Praktek-5 Nilai Rata-rata NEM

Ya (S1)

Tidak (S2)

11

14

Entropy 0.989588

Gain

0.110683 1 2 3 4 5 6

0 0 0 7 11 7

0 0 0 1 6 4

0 0 0 6 5 3

0.591673 0.99403 0.985228


0.143544 1 2 3 4 5 6

0 0 0 0 13 12

0 0 0 0 3 8

0 0 0 0 10 4

0.77935 0.918296

Y T

20 5

11 0

9 5

0.992774 0

Wawancara

0.195369

Dari hasil tabel diatas dapat diketahui bahwa atribut gain tertinggi adalah Nilai Wawancara, yaitu sebesar 0.195369, berarti Wawancara dapat menjadi node akar. Ada dua nilai atribut dari Wawancara yaitu “Y” dan “T”. Dari nilai atribut tersebut, nilai “T” sudah Tidak Lulus, sehingga tidak perlu dilakukan perhitungan, tetapi nilai atribut “Y” masih perlu dilakukan perhitungan lagi. Pohon keputusan yang terbentuk dari perhitungan Node 1.2 adalah seperti pada gambar 5 dibawah ini.

Fitriany

27

Nilai Ujian Praktek 6

5

1.1 YA

Wawancara

Y

T

1.2.1?

1.2.2TIDAK

Gambar 5. Pohon Keputusan Hasil Perhitungan Node 1.2 -

Selanjutnya adalah menyelesaikan untuk menghitung Node 1.2.1 sebagai akar, sama dengan cara yang diatas dengan menghitung nilai entropy dari atribut yang tersisa yaitu Nilai Rata-rata NEM dan Nilai Ujian Tertulis, setelah di hitung entropy, kemudian menghitung gain untuk tiap-tiap atribut.

Setelah nilai entropy dan gain dihitung, kemudian hasil dari perhitungan tersebut dimasukkan ke dalam tabel Perhitungan Node 1.2.1 dibawah ini. Tabel 8. Perhitungan Node 1.2.1

Node 1.2.1

Jumlah Kasus (S) 20

Wawancara –Y

Ya (S1)

Tidak (S2)

11

9

Nilai Rata-rata NEM

Entropy 0.992774

Gain 0.197737

1 2 3 4 5

0 0 0 6 8

0 0 0 1 6

0 0 0 5 2

28


6

6

4

Untuk Calon

3


0.117255 1 2 3 4 5 6

0 0 0 0 8 12

0 0 0 0 6 8

0 0 0 0 2 4

Dari hasil tabel Perhitungan Node 1.2.1 diatas dapat diketahui bahwa atribut gain tertinggi adalah Rata-rata NEM, yaitu sebesar 0.197737, berarti Rata-rata NEM dapat menjadi node akar selanjutnya. Ada tiga nilai atribut dari Nilai Rata-rata NEM yaitu “4”, “5” dan “6”. Dari nilai atribut tersebut, nilai “4” sudah Tidak Lulus, sehingga tidak perlu dilakukan perhitungan, tetapi nilai atribut “5” dan “6” masih perlu dilakukan perhitungan lagi. Pohon keputusan yang terbentuk pada saat ini adalah seperti terlihat pada gambar dibawah ini. Nilai Ujian Praktek

6

5

1.1 YA

Wawancara

T

Y

1.2.2TIDAK

Rata2NEM

4

6 1.2.1.1 YA

1.2.1.2 YA

1.2.1.3 TIDAK

Gambar 6. Pohon Keputusan Hasil Perhitungan Node 1.2.1 Berdasarkan pohon keputusan terakhir yang terbentuk pada gambar di atas, maka aturan atau rule yang terbentuk adalah sebagai berikut :

Fitriany

1. 2. 3. 4. 5. 6. 7.

29

Jika Nilai Ujian Praktek = 6, maka Kelulusan = YA Jika Nilai Ujian Praktek = 5 dan Wawancara = T, Maka Kelulusan = TIDAK Jika Nilai Ujian Praktek = 5 dan Wawancara = Y dan Rata-rata NEM = 6 dan Nilai Tertulis = 6, maka kelulusan = YA Jika Nilai Ujian Praktek = 5 dan Wawancara = Y dan Rata-rata NEM = 6, dan Nilai Tertulis = 5, maka kelulusan = TIDAK Jika Nilai Ujian Praktek = 5 dan Wawancara = Y dan Rata-rata NEM = 5, dan Nilai Tertulis = 6, maka kelulusan = YA Jika Nilai Ujian Praktek = 5 dan Wawancara = Y dan Rata-rata NEM = 5 dan Nilai Tertulis = 5, maka kelulusan = TIDAK Jika Nilai Ujian Praktek = 5 dan Wawancara = Y dan Rata-rata NEM = 4, maka kelulusan = TIDAK

Berdasarkan dari rule/knowledge yang dihasilkan terdapat beberapa rule yang cukup sesuai dengan kejadian yang terjadi didalam menentukan kelulusan calon mahasiswa baru, dimana mahasiswa yang memiliki nilai yang tinggi akan lulus dalam seleksi calon mahasiswa baru. Implementasi Untuk menguji kebenaran dari hasil pengolahan data yang dikerjakan secara manual pada Pembahasan diatas, kita dapat menggunakan salah satu software aplikasi WEKA Knowledge Explorer dengan langkah-langkah sebagai berikut : 1. Seluruh variabel-variabel (terdiri dari atribut kondisi dan atribut keputusan) yang digunakan untuk menentukan kelulusan calon mahasiswa baru disimpan pada microsoft excel dengan nama file datatesis.xls (yang berisi kasus atau kriteria dalam mengasilkan rule) seperti yang terlihat pada Gambar 5.1. 2. file datatesis.xls kemudian simpan sebagai .csv. Selanjutnya, buka file tersebut dari Microsoft Word, notepad, atau editor teks lainnya dan data sudah berubah dalam format comma-separated. Lalu sesuaikan data tersebut dengan menambahkan informasi awal hasilnya, data tersebut sudah dapat digunakan sebagai inputan dalam WEKA. 3. Agar data tersebut dapat digunakan pada aplikasi WEKA decision tree, maka data tersebut harus disimpan dalam format ‘ARFF’ (Gambar 5.2). File ARFF (Attribute-Relation File Format) adalah sebuah file teks ASCII yang berisi daftar instances dalam sekumpulan atribut. File ARFF dikembangkan oleh Machine Learning Project di Department of Computer Science of The

30


Untuk Calon

University of Waikato untuk digunakan dalam perangkat lunak WEKA. Data dalam format .arff tersebut dapat dipenuhi dengan cara: 

Data dipisahkan dengan koma, dengan kelas sebagai atribut terakhir.

 

Bagian header diawali dengan @RELATION. Tiap atribut ditandai dengan @ATTRIBUTE. Tipe-tipe data dalam WEKA: numerik(REAL atau INTEGER), nominal, String, dan Date. Bagian data diawali dengan @DATA



Gambar 7. Hasil Classifier

Gambar 8. Hasil Visualisasi Tree Kesimpulan Berdasarkan pembahasan diatas dapat diambil kesimpulan sebagai berikut : 1. Sistem pengklasifikasian kelulusan calon mahasiswa baru menggunakan algoritma C4.5 dapat digunakan dalam pengambilan keputusan untuk mencari alternatif yang baik.

Fitriany

31

2. Seorang peserta yang ikut seleksi calon mahasiswa baru dinyatakan diterima atau tidak tergantung pada pihak universitas berdasarkan pertimbangan beberapa kriteria yang ditetapkan.

Daftar Pustaka Iko Pramudiono. (2003). “Jurnal Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data” Kusrini dan Luthfi Taufiq Emha. (2009). “ Algoritma Data Mining”. Yogyakarta : Andi Kusrini dan Sri Hartati. (2007). “Seminar Nasional Teknologi 2007 (SNT 2007}, Penggunaan Pohon Keputusan untuk Menanalisis Kemungkinan Pengunduran Diri Calon Mahasiswa di STMIK Amikom Yogyakart” Riduwan. (2003). Dasar-dasar Statistika”.Bandung .Alfabeta Mahasiswa dengan Metode Klasifikasi Decision Tree” Sani Susanto dan Dedy Suryadi. (2010). “Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data”. Yogyakarta. Andi Veronica Sri Moertini. (2007). “Disertasi Pengembangan Skalabilitas Algoritma Klasifikasi C4.5 dengan Pendekatan Konsep Operator Relasi (Studi Kasus:Pra-Pengolahan dan Klasifikasi Citra Batik)” Veronica S. Moertini. “Jurnal Penanganan Atribut Citra dengan Wavelet untuk Pengembangan Aloritma C4.5” Yudho Giri Sucahyo. (2003). “Jurnal Data Mining Menggali Informasi yang Terpendam”

32

Pengaruh Kepemimpinan dan Budaya Organisasi Terhadap Efektivitas Kerja Karyawan di Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci

Pengaruh Kepemimpinan dan Budaya Organisasi Terhadap Efektivitas Kerja Karyawan di Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci MOHD. PAJRI, SE.,MM AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh

ABSTRAK Penelitian ini dimaksud untuk mengetahui apakah ada pengaruh antara (1) kepemimpinan terhadap efektivitas kerja karyawan (2) budaya organisasi terhadap efektivitas kerja karyawan (3) kepemimpinan dan budaya organisasi secara bersamaan terhadap efektivitas kerja karyawan Metode yang digunakan dalam penelitian ini adalah mode survey. Populasi target dalam penelitian adalah seluruh karyawan AMIK Depati Parbo Kerinci yang berjumlah 47 orang sedangkan populasi terjangkau adalah para karyawan yang berjumlah 47 orang. Jumlah sampel penelitian sebanyak 47 orang. Tekhnik pengambilan data untuk variabel kepemimpinan (X1) dan budaya organisasi (X2) dan efektivitas kerja karyawan (Y) menggunakan kuesioner model skala Likert. Analisis reliabilitas untuk variabel X1 dan X2 dihitung dengan rumus Alpha Cronbach. Hipotesis yang diuji adalah (1) diduga terdapat pengaruh kepemimpinan terhadap efektivitas kerja karyawan (2) diduga terdapat pengaruh budaya organisasi terhadap efektivitas kerja karyawan (3) diduga terdapat pengaruh kepemimpinan dan budaya organisasi secara bersamaan terhadap efektivitas kerja karyawan Pengolahan data dianalisis dengan analisis deskriptif. Hasil pengujian hipotesis meliputi pengujian hipotesis pertama dan kedua menggunakan analisis korelasi dan regresi linear sederhana, sedangkan pada hipotesis ketiga menggunakan hipotesis korelasi dan regresi linear ganda. Uji keberartian menggunakan uji t pada taraf signifikansi alpha=0,05. Berdasarkan hasil analisis korelasi, disimpulkan terdapat hubungan yang signifikan antara variabel bebas terhadap variabel terikat, dengan nilai signifikan 0,000; nilai p lebih kecil dari alpha (0,000 < 0,05). Secara parsial terdapat pengaruh kepemimpinan (X1) rhadap efektivitas kerja karyawan (Y) di AMIK Depati Parbo Kerinci adalah sebesar 19,71% serta terdapat pengaruh budaya organisasi (X2) terhadap efektivitas kerja karyawan (Y) sebesar 25,00%. Kemudian secara bersama-sama (simultan) besarnya pengaruh

Mohd. Pajri

33

kepemimpinan (X1)dan Budaya organisasi (X2) terhadap efektivitas kerja karyawan (Y) adalah sebesar 44,71%. Dapat disimpulkan bahwa budaya organisasi secara parsial lebih besar pengaruhnya terhadap efektivitas kerja karyawan jika dibandingkan dengan kepemimpinan. Dan disarankan agar pihak manajemen AMIK Depati Parbo dalam pengambilan keputusan atau kebijakan dapat memperhatikan dan mengevaluasi budaya organisasi dan kepemimpinan yang tidak dapat membuat perubahan atau meningkatkan dan menciptakan efektivitas kerja karyawan kearah yang lebih baik maka perlu di benahi dan mempertahankan kepemimpinan dan budaya organisasi yang dapat meningkatkan dan terciptanya efektivitas kerja karyawan.

1.1. Latar Belakang Masalah Sumber daya manusia merupakan aset terpenting perusahaan karena perannya sebagai subyek pelaksana kebijakan dan kegiatan operasional perusahaan. Agar perusahaan tetap eksis maka harus berani menghadapi tantangan dan implikasinya yaitu menghadapi perubahan dan memenangkan persaingan. Sumber daya yang dimiliki oleh perusahaan seperti modal, metode dan mesin tidak bisa memberikan hasil yang optimum apabila tidak didukung oleh sumber daya manusia yang mempunyai kinerja yang optimum. Sejalan dengan pertumbuhan dunia bisnis atau organisasi dewasa ini yang sangat dinamis memerlukan adanya sistem manajemen yang efektif dan efisien artinya dapat dengan mudah berubah atau menyesuaikan diri dan dapat mengakomodasikan setiap perubahan baik yang sedang dan telah terjadi dengan cepat, tepat dan terarah serta biaya yang murah. Dengan demikian, organisasi sudah tidak lagi dipandang sebagai sistem tertutup (closed-system) tetapi organisasi merupakan sistem terbuka (opened-system) yang harus dapat merespon dan mengakomodasikan berbagai perubahan eksternal dengan cepat dan efisien. Krisis ekonomi yang berdampak pada lesunya iklim dunia usaha mengakibatkan banyak perusahaan harus melakukan upaya perampingan atau konsolidasi internal lainnya sebagai upaya penghematan keuangan untuk dapat mempertahankan kelangsungan hidup (survive) dan mencapai pertumbuhan (growth) melalui kinerja yang efektif dan efisien. Kelangsungan hidup dan pertumbuhan dari suatu perusahaan bukan hanya ditentukan dari keberhasilan dalam mengelola keuangan yang berdasarkan pada kekuatan modal atau uang semata, tetapi juga ditentukan dari keberhasilannya mengelola sumber daya manusia. Pengelolaan sumber daya manusia yang dimaksudkan adalah bahwa perusahaan harus mampu untuk menyatukan persepsi atau cara pandang karyawan dan pimpinan perusahaan

34


dalam rangka mencapai tujuan perusahaan antara lain melalui pembentukan mental bekerja yang baik dengan dedikasi dan loyalitas yang tinggi terhadap pekerjaannya, memberikan motivasi kerja, bimbingan, pengarahan dan koordinasi yang baik dalam bekerja oleh seorang pemimpin kepada bawahannya. Menciptakan kualitas kerja atau meningkatkan efektivitas kerja karyawan bukanlah pekerjaan mudah karena efektivitas kerja dapat tercipta jika variabel-variabel yang mempengaruhinya antara lain kepemimpinan dan budaya organisasi dapat diakomodasikan dengan baik dan diterima oleh semua karyawan di dalam suatu organisasi atau instansi. Suatu instansi didirikan karena mempunyai tujuan yang ingin dicapai, dalam mencapai tujuannya setiap instansi dipengaruhi oleh perilaku dan sikap orang-orang yang terdapat dalam instansi tersebut. Oleh karena itu keberhasilan untuk mencapai tujuan tersebut tergantung kepada keandalan dan kemampuan karyawan dalam mengoperasikan unit-unit kerja yang terdapat di instansi tersebut, karena tujuan instansi dapat tercapai hanya dimungkinkan karena upaya para pelaku yang terdapat dalam setiap instansi. Manusia sebagai salah satu unsur pengendali, merupakan faktor paling penting dan utama didalam segala bentuk organisasi. Faktor penting disini sifatnya sangat komplek sehingga perlu mendapatkan perhatian, penanganan dan perlakuan khusus disamping faktor manfaat yang lain. Kinerja karyawan yang merupakan hasil olah pikir dan tenaga dari seorang karyawan terhadap pekerjaan yang dilakukannya, dapat berujud, dilihat, dihitung jumlahnya, akan tetapi dalam banyak hal hasil olah pikiran dan tenaga tidak dapat dihitung dan dilihat, seperti ide-ide pemecahan suatu persoalan, inovasi baru suatu produk barang atau jasa, bisa juga merupakan penemuan atas prosedur kerja yang lebih efisien. Dari penelitian ditemukan bahwa gaya kepemimpinan tidak berhubungan secara langsung dengan kinerja. Namun demikian dalam hubungan antara budaya kompetitif dan inovatif dengan kinerja organisasi ditemukan adanya hubungan positif dan kuat. Dengan pemahaman akan tugas-tugas yang diemban, dan pemahaman karakteristik bawahannya, maka seorang pemimpin akan dapat memberikan bimbingan, dorongan serta motivasi kepada seluruh anggotanya untuk mencapai tujuan. Jika dalam proses interaksi tersebut berhasil dengan baik, maka ia akan mampu memberikan kepuasan yang sekaligus dapat meningkatkan kinerjanya. Sumber daya manusia mempunyai peranan yang besar dalam suatu organisasi, terutama untuk mencapai tujuan organisasi. Keberhasilan mencapai tujuan organisasi didukung sepenuhnya dari perilaku pegawai atau karyawan. Oleh karena itu, pegawai atau karyawan mempunyai peranan penting dalam membentuk atau mengelola organisasi dan memanfaatkan teknologi yang ada. Lagi pula, pegawai mempunyai berbagai tanggapan yang bervariasi dari tekanan

Mohd. Pajri

35

lingkungan organisasi. Dalam kenyataannya, keberhasilan suatu organisasi ditentukan oleh kepemimpinan yang dikembangkan pada organisasi itu dan kompensasi yang diberikan kepada pegawai atau karyawan untuk mencapai tujuan tersebut. 1.2. Identifikasi Masalah Banyak faktor yang dapat diprediksi atau diperkirakan akan mempengaruhi efektifitas kerja karyawan, yang dapat diidentifikasikan sebagai berikut: 1. Apakah kepemimpinan dapat mempengaruhi efektivitas kerja karyawan. 2. Apakah budaya organisasi dapat mempengaruhi efektivitas kerja karyawan. 3. Bagaimanakah pengaruh iklim kerja terhadap efektivitas kerja karyawan . 4. Apakah komunikasi antara karyawan dengan pimpinan atau direktur berpengaruh terhadap efektivitas kerja karyawan. 5. Bagaimanakah pengaruh komunikasi antar karyawan dengan efektivitas kerja karyawan. 6. Bagaimanakah pengaruh budaya organisasi terhadap efektivitas kerja karyawan. 7. Apakah sarana dan prasarana yang dimiliki oleh organisasi berpengaruh terhadap efektivitas kerja karyawan. 8. Bagaimanakah pengaruh daya tarik pekerjaan terhadap efektivitas kerja karyawan. 9. Apakah persaingan antar karyawan berpengaruh terhadap efektivitas kerja karyawan. 10. Bagaimanakah pengaruh disiplin terhadap efektivitas kerja karyawan . 1.4. Perumusan Masalah Dari identifikasi dan batasan masalah di atas, maka perlu di rumuskan terlebih dahulu masalah yang ada untuk menghindari kesalahan penafsiran yaitu: 1. Apakah ada pengaruh kepemimpinan terhadap efektivitas kerja karyawan di Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci ? 2. Apakah ada pengaruh budaya organisasi terhadap efektivitas kerja karyawan di Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci? 3. Apakah ada pengaruh secara bersama-sama antara kepemimpinan dan budaya organisasi terhadap efektivitas kerja karyawan di Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci?

36


KERANGKA TEORITIS DAN HIPOTESIS 2.1. Landasan Teori 2.1.1. Kepemimpinan Di dalam memahami tentang kepemimpinan, banyak orang telah melakukan penelitian, penelitian-penelitian tersebut telah melahirkan teori-teori baru tentang kepemimpinan. Teori-teori inilah yang selanjutnya akan dipergunakan sebagai bahan studi bagi orang lain, demikianlah seterusnya, berputar bagaikan sebuah roda yang menggelinding terus pada sumbunya. Kepemimpinan merupakan lokomotif organisasi yang selalu menarik dibicarakan. Daya tarik ini didasarkan pada latar historis yang menunjukkan arti penting keberadaan seorang pemimpin dalam setiap kegiatan kelompok dan kenyataan bahwa kepemimpinan merupakan sentrum dalam pola interaksi antar komponen organisasi (Suarjaya dan Akib, 2003: 42). Lebih dari itu, kepemimpinan dan peranan pemimpin menentukan kelahiran, pertumbuhan dan kedewasaan serta kematian organisasi. Kita tahu bahwa kepemimpinan merupakan salah satu faktor yang sangat menentukan perjalanan suatu organisasi dapat berkembang dan maju dalam pencapaian tujuan organisasi secara keseluruhan. Kepemimpinan juga merupakan unsur yang dijadikan acuan bagi setiap bawahan atau anggota dalam suatu organisasi untuk bekerja dan berbuat untuk kemajuan dan bertahannya suatu organisasi. Kepemimpinan diartikan sebagai proses mempengaruhi dan mengarahkan berbagai tugas yang berhubungan dengan aktivitas anggota kelompok. Kepemimpinan juga diartikan sebagai kemampuan mempengaruhi berbagai strategi dan tujuan, kemampuan mempengaruhi komitmen dan ketaatan terhadap tugas untuk mencapai tujuan bersama; dan kemampuan mempengaruhi kelompok agar mengidentifikasi, memelihara dan mengembangkan budaya organisasi (Shegdill dalam Stoner dan Freeman 1989: 459-460). 2.1.1.1. Fungsi dan Tipe Kepemimpinan Pada setiap pemimpin memiliki tipe dan gaya kepemimpinan yang tidak sama, bahkan juga cenderung bervariasi. Kepemimpinan akan berlangsung efektif bilamana mampu mempengaruhi dan memenuhi fungsinya, meskipun dalam kenyataan tidak semua tipe kepemimpinan akan memberikan peluang yang sama untuk mewujudkannya. Dalam hubungan itu sulit untuk dibantah bahwa setiap proses kepemimpinan akan menghasilkan situasi sosial yang cenderung akan mempengaruhi setiap sikap serta kinerja setiap anggota organisasi maka setiap pemimpin harus mampu melihat kecenderungan sosial yang terjadi dalam setiap kelompok yang ada diorganisasi yang dipimpinnya dapat dimanfaatkan dalam mewujudkan fungsi kepemimpinan.

Mohd. Pajri

37

Fungsi kepemimpinan menurut Caroll (1997) memiliki dua dimensi seperti berikut ini : 1. Dimensi yang berhubungan dengan kemampuan seorang pemimpin dalam melakukan pengarahan (direction) dalam tindakan atau aktivitas pemimpin 2. Dimensi yang berkenaan dengan tingkat dukungan (support) atau keterlibatan orang-orang yang dipimpin dalam melaksanakan tugas-tugas pokok kelompok atau organisasi, yang dijabarkan dan di implementasikan melalui keputusan-keputusan dan kebijaksanaan-kebijaksanaan pemimpin. 2.1.2. Budaya Organisasi Istilah budaya (culture) pada awalnya timbul dari antropologi sosial yang merupakan studi akhir abad ke sembilan belas dan pada awal abad ke dua puluh tentang masyarakat primitif seperti masyarakat Eskimo, Afrika, dan penduduk asli Amerika. Seperti halnya definisi kepemimpinan, definisi budaya organisasi juga banyak diungkapkan oleh para ilmuwan yang merupakan ahli dalam ilmu budaya organisasi, namun masih sedikit kesepahaman tentang arti konsep budaya organisasi atau bagaimana budaya organisasi harus diobservasi dan diukur. Hal tersebut dikarenakan oleh kurangnya kesepahaman tentang formulasi teori tentang budaya organisasi, gambarannya, dan kemungkinan hubungannya dengan dampak kinerja. Hofstede menurunkan konsep budaya dari program mental yang dibedakan dalam tiga tingkatan, yaitu: 1) tingkat universal, yaitu program mental yang dimiliki oleh seluruh manusia. Pada tingkatan ini program mental seluruhnya melekat pada diri manusia, 2) tingkat collective, yaitu program mental yang dimiliki oleh beberapa, tidak seluruh manusia. Pada tingkatan ini program mental khusus pada kelompok atau kategori dan dapat dipelajari. 3) tingkat individual, yaitu program mental yang unik yang dimiliki oleh hanya seorang, dua orang tidak akan memiliki program mental yang persis sama. Pada tingkatan ini program mental sebagian kecil melekat pada diri manusia, dan lainnya dapat dipelajari dari masyarakat, organisasi atau kelompok lain. 2.1.3. Efektivitas Kerja Efektivitas merupakan hal yang berhubungan dengan pengukuran pencapaian sasaran atau tujuan yang telah ditentukan sebelumnya. Dimana efektivitas itu sendiri berasal dari kata efek yang berarti mempunyai pengaruh. Robbins (1990: 49) mendefinisikan efektivitas organisasi sebagai suatu tingkat dimana suatu organisasi dapat merealisasikan tujuannya. Pertanyaan berikutnya adalah bagaimana mengukur atau menguji efektivitas organisasi?, beberapa teori dan hasil penelitian telah menawarkan beberapa model untuk menguji

38


efektivitas organisasi. Pendekatan tradisional digunakan untuk mengukur efektivitas organisasi individual dalam rangka untuk mempertemukan kemampuan dan tujuan organisasi tersebut dalam setiap bidang yang khusus. Pendekatan ini menimbulkan beberapa pertanyaan sehubungan dengan pengukuran efektivitas organisasi. Bagaimana mengakomodasikan kepentingan interdivisional?, bagaimana mengukur keberhasilan kualitatif dan faktor yang tidak berwujud?, bagaimana mengukur efektivitas organisasi dibandingkan dengan organisasi lain?, hal ini terutama muncul untuk perusahaan jasa karena beberapa outputnya sebagian besar tidak berwujud. Beberapa alternatif model ditawarkan untuk mengatasi kelemahan dalam pendekatan tradisional, diantaranya adalah: model kontijensi (Burrell dan Morgan: 1979), model populasi ekologi (Aldrich: 1979), model ekonomi politik (Nord: 1983), model sistem (Weick dan Daft: 183), dan model hirarki analitis (Chan dan Lynn: 1993). Beberapa faktor kritis dalam mengukur keberhasilan suatu organisasi tergantung pada beberapa indikator. Robbins (1990:50) mengutip beberapa kriteria efektivitas organisasi seperti yang disajikan berikut ini. 1. Overall efeectiveness (keberhasilan keseluruhan) 2. Productivity (produktivitas) 3. Efficiensy (efisiensi) 4. Profit (keuntungan) 5. Quality (kualitas) 6. Accidents (kejadian) 7. Growth (pertumbuhan / perkrmbangan) 8. Absenteeism (kehadiran) 9. Turnover (pergantian) 10. Job satisfaction (kepuasan kerja) 11. Motivation (motivasi) 12. Morale (moral) 13. Control (kendali) 14. Conflic (konflik) 15. Flexibility/adaptation (fleksibelitas / adaptasi) 16. Planning and goal setting (perencanaan dan pengaturan tujuan) 17. Goal concensus (tujuan umum) 18. Internalization of organizational goal (tujuan internal organisasi) 19. Managerial interpersonal skills (keahlian kepemimpinan perseorangan) 20. Managerial task skills (keahlian tugas kepemimpinan) 21. Information management and communication (manajemen informasi dan komunikasi) 22. Readiness (kesiapan) 23. Untilization of inveronment (pemanfaatan lingkungan)

Mohd. Pajri

24. 25. 26. 27.

39

Evaluation by external entities (evaluasi kesatuan eksternal) Stability (stabilitas) Value of human resources (nilai dari manusia) Participation and shared influence (partisipasi dan pengaruh bagian) Sumber: Robbins (1990; 50) yang dikutip dari John P Campbell, “On the nature of organizational Effeectiveness”

METODE PENELITIAN 3.1. Rancangan Penelitian Penelitian ini merupakan penelitian dengan menggunakan metode survey. Metode survey menurut Sugiono (1994, 3. Mukhlis. 41) merupakan penelitian yang dilakukan pada populasi besar maupun kecil, tetapi data yang dipelajari merupakan data dari sampel yang diambil dari populasi tersebut, sehingga dapat ditemukan kejadian-kejadian relatif, distributif dan hubungan antar variabel, sosiologis maupun psykhologis. Sedangkan bentuk penelitian merupakan penelitian deskriptif, mempelajari masalah-masalah dalam masyarakat, serta tata cara yang berlaku dalam masyarakat serta situasi-situasi tertentu, termasuk hubungan kegiatan-kegiatan, sikap-sikap, pandanganpandangan, serta proses-proses yang sedang berlangsung dan pengaruhpengaruh dari fenomena (Nazir,1988.63-64. Mukhlis.41). Metode survey ini dipilih dengan tujuan agar dapat diperoleh fakta dan gejala yang ada, dan mencari kelengkapan yang aktual tentang hubungan antara variabel-variabel yang akan diteliti. Dengan penelitian yang akan dilakukan ini diharapkan dapat mengarah kepada kajian korelasi dan regresi antara variabel bebas (independent variable) yaitu variabel kepemimpinan, variabel budaya organisasi dan variabel terikat (dependent variable) yaitu variabel efektivitas kerja. Korelasional yaitu penelitian yang berusaha untuk melihat apakah antara dua variabel atau lebih memiliki hubungan atau tidak, dan seberapa besar hubungan itu serta bagaimana arah hubungan tersebut (Indriyantoro dan Supomo,1999) dalam Yasa (2006:29). Lebih lanjut dalam bahan ajar metodologi penelitian untuk ekonomi edisi kelima oleh Prof. Dr. H. Masngudi, SE.,APU. (2003;25) analisis korelasi adalah metode statistika yang digunakan untuk menentukan kuatnya atau derajat hubungan garis lurus (linear) antara 2 (dua) variabel atau lebih. Denan dua variabel, semakin nyata hubungan garis lurus semakin kuat hubungan garis lurus antara kedua variabel tersebut, ukuran untuk derajat hubungan garis lurus ini dinamakan koefisien korelasi. Dan analisis regresi adalah metode statistika yang digunakan untuk menentukan kemungkinan bentuk dari hubungan antar variabel-variabel. Tujuan pokok

40


dalam penggunaan metode ini adalah untuk meramalkan atau memperkirakan nilai dari suatu variabel dalam hubungannya dengan variabel yang lain yang diketahui. 3.2. Waktu dan Tempat Penelitian Penelitian ini dilakukan mulai bulan November 2010 dan selesai sampai dengan April 2011, dimana penelitian ini mengambil lokasi pada Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci. Pemilihan lokasi ini dikarenakan adanya faktor kerja dan karakteristik kelayakan objek yang sangat memungkinkan untuk mendapatkan informasi yang diperlukan dan yang menunjang pencapain tujuan dari penelitian ini. 3.3. Populasi dan Sampel Populasi dalam penelitian ini menurut jenisnya merupakan populasi yang terbatas dan menurut sifatnya merupakan populasi yang homogen. Populasi dalam penelitian ini adalah seluruh karyawan Akademi Manajemen Informatika Dan Komputer (AMIK) Depati Parbo sebanyak 47 orang. Penyebaran populasi dapat diuraikan dalam tabel berikut ini : Tabel 3.1. Populasi Penelitian

No 1 2 3 4 5

Unit Kerja Bagian Akademik Bagian Keuangan Bagian Kamahasiswaan Dosen Tetap Dosen Tidak Tetap Total

Jumlah (orang) 4 3 5 15 20 47

3.4. Definisi Operasional Penelitian 3.4.1. Variabel Kepemimpinan 3.4.1.1. Definisi Konseptual Kepemimpinan merupakan pola tingkah laku yang konsisten yang ditunjukan dan diketahui oleh pihak lain dengan indikatornya ; 1) menggerakan, 2) mengkoordinasikan, 3) berkomunikasi, 4) mengambil keputusan, 5) memberi ancaman dan hukuman, 6) memberikan bimbingan, 7) mendelegasikan tugas, dan 8) kesetiaan.

Mohd. Pajri

41

3.4.1.2. Definisi Operasional Kepemimpinan merupakan jawaban responden terhadap angka mengukur, menggerakan, mengkoordinasikan, berkomunikasi, mengambil keputusan, memberikan ancaman dan hukuman, memberikan bimbingan, mendelegasikan tugas dan kesetiaan dengan nilai alternatif jawaban dari lima kategori : Selalu (SL), Sering (SR), Kadang-Kadang (KK), Jarang (JR), tidak pernah (TP), dengan skala nilai 5, 4, 3, 2, dan 1 untuk pertanyaan positif dan untuk pertanyaan negatif dengan skala nilai 1, 2, 3, 4, dan 5.

HASIL PENELITIAN DAN PEMBAHASAN 4.1. Distribusi Frekuensi Instrumen Pertanyaan Pada penelitian ini digunakan variabel kepemimpinan dan budaya organisasi yang merupakan variabel bebas, sedangkan variabel terikat adalah efektivitas kerja karyawan. Berikut ini akan dideskripsikan jawaban yang telah diberikan oleh responden terhadap masing-masing pertanyaan yang telah diberikan yang berhubungan dengan variabel penelitian sebagaimana disebutkan. Dimana dalam penelitian ini, variabel kepemimpinan, budaya organisasi dan efektivitas kerja karyawan dioperasikan dengan menggunakan karyawan sebagai sampel penelitian. Untuk melihat banyaknya jawaban yang diberikan oleh responden pada setiap pertanyaan digunakan analisa distribusi frekuensi. 4.1.1. Distribusi Frekuensi Jawaban Variabel Kepemimpinan  X 1  Dari tabel 4.1 dan 4.2 dapat dilihat distribusi skor variabel kepemimpinan sebanyak 15 pertanyaan menyebar dari skor terendah yaitu 15 sampai dengan 75. Skor minimal dan maksimal yang tercapai 38 sampai dengan 59. Dengan rata-rata 48,94, median 47, modus 56 dan standar deviasi 7,6 selanjutnya nilai minimum adalah 38 dan nilai maksimum adalah 59. Gambaran pengelompokan skor dari jawaban yang diberikan oleh responden untuk variabel kepemimpinan yang berada dalam kategori tertinggi adalah …%, dalam kategori sedang adalah …..% dan 20,31% berada dalam kategori rendah. Dalam tabel 4.. dan histogram pada gambar 1 dapat dilihat Distribusi frekuensi data. 4.1.2. Distribusi Frekuensi Jawaban Budaya Organisasi  X 2  Dari tabel 4.3 dan 4.4 dapat dilihat distribusi skor variabel budaya organisasi sebanyak 10 butir menyebar dari skor terendah yaitu 10 sampai 50. skor

42


minimal dan maksimal adalah 29 dan 45. dengan rata-rata 39,11, median 43, modus 43 dan standar deviasi 5,5 selanjutnya nilai minimum adalah 29 dan nilai maksimal Gambaran pengelompokan skor jawaban responden untuk variabel budaya organisasi adalah 57,83% berada dalam kategori tertinggi, 21,86% kategori sedang dan 20,31% kategori terendah. Distribusi frekuensi budaya organisasi dapat dilihat pada tabel ........ dan histogram pada gambar ...... 4.1.3. Distribusi Frekuensi Jawaban Variabel Efektivitas Kerja Karyawan (Y) Pada tabel 4............ terlihat bahwa distribusi skor variabel efektivitas kerja karyawan sebanyak 10 butir menyebar dari skor terendah yaitu 23 sampai 50. skor minimal dan maksimal tang tercapai 23 sampai 43. dengan rata-rata 35,....., median ....., modus...... dan standar deviasi ... selanjutnya nilai minimum adalah ...... dan nilai maksimum adalah...... Gambaran pengelompokan skor jawaban responden untuk variabel efektivitas kerja karyawan dengan kategori yang tertinggi adalah ...... % dan dengan kategori terendah adalah ....%. pada tabel 4.... dan histogram pada gambar .... dapat dilihat distribusi frekuensi data efektivitas kerja karyawan. 4.2. Analisa Validitas Suatu skala pengukuran disebut valid bila ia melakukan apa yang seharusnya dilakukan dan mengukur apa yang seharusnya diukur (Kuncoro,2003). Untuk mengetahui apakah instrumen pertanyaan valid atau tidak valid, maka digunakan korelasi bivariat yaitu mengkorelasikan masing-masing instrumen pertanyaan terhadap nilai total instrumen pertanyaan (Ghozali,2005). Apabila sebuah instrumen pertanyaan berkorelasi dengan nilai total instrumen pertanyaan maka instrumen pertanyaan tersebut dinyatakan valid, dan sebaliknya. 4.2.1. Analisa Validitas Instrumen Pertanyaan Variabel Kepemimpinan

X1 

Indikator yang digunakan untuk variabel kepemimpinan ini ada 8 yaitu Menggerakan, mengkoordinasikan, berkomunikasi, mengambil keputusan, memberikan ancaman dan hukuman, memberikan bimbingan, mendelegasikan tugas dan kesetiaan. Berikut ini akan diperlihatkan analisa validitas terhadap instrumen pertanyaan kepemimpinan. Berdasarkan hasil analisa validitas yang ringkas pada tabel ...... terlihat bahwa semua instrumen pertanyaan yang mengukur variabel kepemimpinan dinyatakan valid. Hal ini dapat dibuktikan bahwa instrumen pertanyaan tersebut

Mohd. Pajri

43

berkorelasi terhadap nilai total instrumen pada tingkat 0,01 atau 1%. Dapat dilihat pada tabel ..... berikut. 4.2.2. Analisa Validitas Instrumen Pertanyaan Variabel Budaya Organisasi

X 2 

Indikator yang digunakan untuk variabel kepemimpinan ini ada 5 yaitu inisiatif dan toleransi tindakan berisiko, arah dan sasaran, integrasi dan pola komunikasi, dukungan dan pengawasan manajemen dan toleransi terhadap konflik. Berikut ini akan diperlihatkan analisa validitas terhadap instrumen pertanyaan budaya organisasi. Berdasarkan hasil analisa validitas yang ringkas pada tabel ...... terlihat bahwa semua instrumen pertanyaan yang mengukur variabel budaya organisasi dinyatakan valid. Hal ini dapat dibuktikan bahwa instrumen pertanyaan tersebut berkorelasi terhadap nilai total instrumen pada tingkat 0,01 atau 1%. Dapat dilihat pada tabel ..... berikut. 4.2.3. Analisa Validitas Instrumen Pertanyaan Variabel Efektivitas Kerja Karyawan (Y) Indikator yang digunakan untuk variabel kepemimpinan ini ada 5 yaitu Mutu dari hasil aktivitas, proses aktivitas, target dari aktivitas, target waktu, dan kemampuan karyawan. Berikut ini akan diperlihatkan analisa validitas terhadap instrumen pertanyaan kepemimpinan. Berdasarkan hasil analisa validitas yang ringkas pada tabel ...... terlihat bahwa semua instrumen pertanyaan yang mengukur variabel kepemimpinan dinyatakan valid. Hal ini dapat dibuktikan bahwa instrumen pertanyaan tersebut berkorelasi terhadap nilai total instrumen pada tingkat 0,01 atau 1%. Dapat dilihat pada tabel ..... berikut. 4.3. Analisa Reliabilitas Reabilitas adalah merupakan konsistensi dan stabilitas dari pengukuran instrumen (Sekaran,2003:422). Dengan demikian, reabiltas mencakup dua hal utama yaitu stabilitas ukuran dan konsistensi internal ukuran. Untuk mengetahui reliabilitas variabel kepemimpinan  X 1  , budaya organisasi  X 2  , dan efektivitas kerja karyawan (Y) digunakan cronbach’s alpha minimal 0,60 (Nunnaly,1978). Tabel berikut ini memperlihatkan hasil analisa reliabilitas atas variabel penelitian tabel yang menunjukan bahwa nilai cronbach’s alpha untuk semua variabel penelitian adalah diatas 0,60 dapat dilihat pada tabel berikut ini.

44


4.4. Analisa Koefisien Korelasi Sederhana dan Berganda Analisa koefien korelasi digunakan untuk mengetahui pola mengukur hubungan antar variabel, jika hanya terdapat satu variabel bebas dengan satu variabel terikat maka disebut regresi dan korelasi sederhana. Namun jika terdapat dua atau lebih variabel bebas maka disebut regresi dan korelasi berganda. Pada penelitian ini terdapat dua variabel bebas yaitu variabel kepemimpinan dan variabel budaya organisasi, sedangkan variabel terikat adalah efektivitas kerja karyawan, sehingga dalam penelitian ini yang diamati adalah regresi dan korelasi sederhana dan berganda. Tabel 4. .... Hasil Pengujian Hipotesa Penelitian Hipotesa Pernyataan Keputusan Terdapat pengaruh kepemimpinan terhadap H1 Diterima efektivitas kerja karyawan Terdapat pengaruh budaya organisasi terhadap H2 Diterima efektivitas kerja karyawan Terdapat pengaruh kepemimpinan dan budaya H3 organisasi secara bersama-sama terhadap Diterima efektivitas kerja karyawan

DAFTAR PUSTAKA Akbar, Ali, 2005, ”Menggunakan SPSS Bagi Peneliti Pemula”, M2S, Bandung Amoraga, Sayuti, 1995, “Psikologi Kerja” , Rineka Cipta, Jakarta Amstrong, Michael, 1994 “Manajemen Sumber Daya Manusia”, Elekmedia Komputinal, Jakarta Carrol, S. Jr, dan Gillen D.J. 1987 “ Are the Classical Management Functions Useful in Describing Managerial Work, Academy of Management Review Djarwanto, 1995, “Statistik Nonparametrik”, edisi ketiga, BPFE, Yogyakarta Hamalik, Oemar, 1995 “Psikologi Manajemen”, Trigenda Karya, Bandung Handoko, Hani T, 1995, “Manajemen”, BPFE, Yogyakarta

Mohd. Pajri

45

, 1997, “Manajemen Personalia dan Sumber Daya Manusia”, BPFE, Yogyakarta , 1998, “Manajemen Personalia dan Sumber Daya Manusia”, BPFE, Yogyakarta Hardjaman, AA. 1994, Corporate Culture Dalam Budaya Komunikasi Menyongsong Abad XXI, Jurnal, Ikatan Sarjana Komunikasi Indonesia Kartono, Kartini, 1987, “ Kamus Psikologi”, Pioner Jaya, Bandung Kamus Besar Indonesia, 1990, Balai Pustaka, Jakarta Neal, Margaret A, Northeratt dan Gregory B, 1990, “Organizational Bahavior a Management Challenge”, The Dry Den Press Nawawi, Hadari, 1996, “Manajemen Sumber Daya Manusia Untuk Bisnis Yang Kompetitif”, Gadjah Mada University Press, Jakarta , 2003, “Kepemimpinan Mengefektifkan Organisasi”, Gadjah Mada University Press, Jakarta , 2006, “ Evaluasi dan Manajemen Kinerja di Lingkungan Perusahaan dan Industri”, Gadjah Mada University Press, Jakarta Pearce dan Robinson, 1997, “Strategi Management jilid I”, Alih Bahasa Maulana, Binaputra Aksara, Jakarta Robbins, S.P. 1996, “ Perilaku Organisasi, Konsep-Kontroversi-Aplikasi” edisi Bahasa Indonesia Jilid 2, terjemahan Hadyana Pujiatmaka, Preshallindo, Jakarta Timpe A. Dale, 1993, “Kinerja/Performance” alih Bahasa Sofyan Cikmat, PT Grammedi, Jakarta , 2000, “Seri Manajemen SDM Memimpin Manusia”, Gramedia Pustaka Utama, Jakarta Sojadi, 2002, “Analisis Manajemen Modern”, PT Gunung Agung, Jakarta

46


Steers M, Richard, 1990, “Organization Effectiveness A Behavior View”, diterjemahkan Magdalena, Efektivitas Organisasi Kaidah Perilaku, cetakan kedua, Erlangga, Jakarta Sadler dan Philip, 1991, “Mendesain Organisasi”, diterjemahkan Fauzi Bustami, cetakan pertama, Pustaka Binamas Presindo, Jakarta Thoha Miftah, 1999, “Prilaku Organisasi, Konsep Dasar dan Aplikasinya”, Jakarta Wahdjosumidjo, 1987, “Kepemimpinan dan Motivasi” Cholia Indonesia, Jakarta

Evan Rosiska

47

METODE ANALITYCAL HIERARCHY PROCESS UNTUK PEMILIHAN WALIKOTA DAN WAKIL WALIKOTA EVAN ROSISKA, S.KOM.,M.KOM Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci 2012 [email protected]

ABSTRACT In this study the authors conducted a study on the selection of Mayor and Deputy Mayor of the Sungai Penuh of using the Analytical Hierarchy Process (AHP), the election is required selection criteria and alternatives, as well as calculating the weight of the survey questionnaire to the respondent on the Sungai Penuh. After that, there should be consistency test to test the validity of the results obtained, and establish an alternative with the greatest weight as an option. Based on the analysis results for mayor and vice mayor of using the AHP, a decision hierarchy can be made from the very top level is the goal, namely to find the highest priority for the Mayor and Deputy Mayor to be elected Sungai Penuh. Then factor in choosing an alternative criterion of Mayor and Deputy Mayor, namely: the vision and mission, education, the bearer party, organization, and employment history. Based on the analysis performed using the AHP method, obtained the percentage of priority criteria for selecting the mayor and deputy mayor from highest to lowest are: Vision and Mission with a value of 24.9% and 24.3% to the value of education, organization with a value of 22, 5%, with the bearer of the Party 18.8%, and the recent history of work with a value of 9.5%. Key words: Decision, AHP, the Mayor and Deputy Mayor, Criteria, Alternatives.

1. PENDAHULUAN 1.1 LATAR BELAKANG Sistem pendukung keputusan adalah sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan. Menurut Amborowati. Armadyah (2007), sistem pendukung keputusan merupakan suatu pendekatan untuk mendukung pengambilan keputusan. Sistem pendukung keputusan menggunakan data,

48


memberikan antarmuka pengguna yang mudah, dan dapat menggabungkan pemikiran pengambil keputusan. Salah satu cara yang digunakan oleh seseorang dalam mengambil keputusan saat diminta untuk memilih satu diantara beberapa alternatif adalah berdasarkan nilai masing-masing alternatif akan menghasilkan ranking atau urutan prioritas. Alternatif yang memiliki nilai tertinggi dianggap sebagai calon yang mampu untuk memenangkan pemilihan. Pada umumnya pemilih dalam menentukan pasangan yang sesuai adalah dengan membandingkan beberapa kriteria-kriteria tertentu saja untuk setiap calon. Misalnya hanya dengan melihat visi dan misi saja, partai peengusung yang digandeng oleh masing-masing pasangan, riwayat pekerjaan dari masingmasing calon pasangan. Calon pemilih cendrung akan memilih pasangan yang disukai dan dianggap sesuai dengan keinginan. Dengan melakukan pendekatan kreiteria-kriteria dari masing-masing calon secara kuantitatif menggunakan dukungan dalam pengambilan keputusan, Analitytical Hierarchy Process bertindak sebagai pemecahan suatu situasi yang kompleks tidak terstruktur ke dalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut, sehingga calon pengambilan keputusan di dalam pemilihan calon kepala daerah bisa menentukan pilhannya. Pada prinsipnya keberadaan Sistem Pendukung Keputusan (SPK) hanya sebagai sistem pendukung untuk pengambilan keputusan, bukan menggantikannya. Termasuk, pengambilan keputusan di dalam pemilihan sebuah produk. Perilaku konsumen akan mempengaruhi cara konsumen dalam melihat atau memandang serta memilih suatu produk. 1.2 PERUMUSAN MASALAH Perumusan masalah pada penulisan tesis ini adalah bagaimana menghasilkan rekomendasi pilihan yang tepat bagi calon pemilih sesuai dengan kemampuan, kriteria-kriteria dan keinginan yang dimiliki oleh calon pemilih. Adapun permasalahan spesifik yang harus dihadapi adalah : 1. Bagaimana menentukan model sistem pendukung keputusan untuk memilih Walikota dan Wakil Walikota? 2. Bagaimanakah implementasi metode AHP dalam sistem pendukung keputusan untuk memilih Walikota dan Wakil Walikota?

Evan Rosiska

49

1.3 BATASAN MASALAH Agar penulisan ini lebih terarah dan untuk mencapai tujuan yang diharapkan, maka penulis menetapkan batasan-batasan terhadap permasalahan yang akan diteliti, yaitu : 1. Penelitian dilakukan pada pemilihan calon Walikota dan Wakil Walikota Sungai Penuh Kerinci. 2. Menerapkan dan mengimplementasikan AHP dalam menyediakan informasi dengan menggunakan Software Super Decisions. 3. Sumber pengetahuan diperoleh dari pakar, buku-buku, dan e-book yang mendukung. 4. Metode yang digunakan dalam penyelesaian masalah ini adalah metode Analitytical Hierarchy Process (AHP). 1.4 TUJUAN DAN MANFAAT Dengan menerapkan metoda Analitytical Hierarchy Process (AHP) sebagai media pendukung dalam pengambilan keputusan, diharapkan : 1. Dapat memberikan pengetahuan dan mengetahui rengking yang dapat membantu dalam proses pengambilan keputusan mengunakan metode Analitytical Hierarchy Process (AHP) untuk menentukan calon pasangan. 2. Seberapa besar pengaruh dari pengambilan keputusan menggunakan metode Analitytical Hierarchy Process (AHP). 3. Untuk memberikan kemudahan bagi orang awam maupun pakar sehingga lebih memudahkan dalam menentukan pilihan.

2. LANDASAN TEORI 2.1. Pengertian Sistem Pendukung Keputusan (SPK) Sistem pendukung keputusan yang dibangun menyajikan solusi permasalahan terhadap pemilihan kriteria calon Walikota dan Wakil Walikota sesuai dengan kriteria yang ada. Pengambilan keputusan sebagai kelanjutan dari cara pemecahan masalah memiliki fungsi sebagai pangkal atau permulaan dari semua aktivitas manusia yang sadar dan terarah secara individual dan secara kelompok baik secara institusional maupun secara organisasional. Disamping itu, fungsi pengambilan keputusan merupakan sesuatu yang bersifat futuristik, artinya bersangkut paut dengan hari depan, masa yang akan datang, dimana efek atau pengaruhnya berlangsung cukup lama. Menurut Trisnawarman. Dedi, dan Erlysa. Winny (2007), Sistem penunjang keputusan merupakan sistem berbasis komputer yang diharapkan dapat membantu menyelesaikan masalah-masalah yang komplek yang tidak terstruktur maupun yang semi terstruktur. Sistem Penunjang Keputusan

50


merupakan perpaduan antara keahlian manusia dan juga komputer. Dengan kemampuan yang dimiliki, sistem penunjang keputusan diharapkan dapat membantu dalam pengambilan keputusan baik untuk masalah semi terstruktur maupun tidak terstruktur. Dengan pengertian diatas dapat dijelaskan bahwa Sistem Pendukung Keputusan bukan merupakan alat pengambil keputusan, melainkan merupakan sistem yang membantu pengambilan keputusan dengan melengkapi mereka informasi dari data yang telah diolah dengan relevan dan diperlukan untuk membuat keputusan tentang suatu masalah dengan lebih cepat dan akurat. Sehingga sistem ini tidak dimaksudkan untuk menggantikan pengambilan keputusan dalam proses pembuatan keputusan. 2.2. Tahapan dalam Sistem Pendukung Keputusan Sutjipto. R Tantyonimpuno dan Dwi. A Retnaningtias (2006), menjelaskan bahwa metode AHP digunakan sebagai pemecahan suatu masalah, diperlukan langkah-langkah yang tepat sehingga dapat memperoleh tujuan yangg hendak dicapai, adapun langkahnya adalah sebagai berikut : 1. Mendefisnisikan permasalahan dan menentukan tujuan, 2. Menyusun masalah ke dalam suatu struktur hierarki sehingga permasalahan yang kompleks dapat ditinjau dari sisi yang detail dan terukur, 3. Menyusun prioritas untuk tiap elemen masalah pada setiap hierarki. Prioritas ini dihasilkan dari suatu matriks perbandingan berpasangan antara seluruh elemen pada tingkat hierarki yang sama, 4. Melakukan pengujian konsistensi terhadap perbandingan antar elemen yang didapatkan pada tiap tingkat hierarki. 2.3. Analitycal Hierarchy Process (AHP) Analitytical Hierarchy Process (AHP) adalah metode untuk memecahkan suatu situasi yang kompleks tidak terstruktur ke dalam beberapa komponen dalam susunan yang hirarki, dengan memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi tersebut. Analytical Hierarchy Process (AHP) dikembangkan oleh Thomas L.Saaty dari University of Pittsburgh. AHP dapat digunakan untuk menyelesaikan masalah yang kompleks dengan kriteria yang diambil cukup banyak. Komplesitas ini disebabkan struktur permasalahan yang belum jelas dan minimnya data dan informasi statistik dari masalah yang dihadapi. Ada kalanya timbul permasalahan pada saat masalah yang diamati memerlukan keputusan yang harus diambil secepatnya, tetapi variasinya rumit sehingga data tidak mungkin dapat dicatat secara numerik hanya secara kualitatif saja yang dapat diukur, yaitu berdasarkan persepsi, pengalaman dan intuisi.

Evan Rosiska

51

AHP banyak digunakan untuk pengambilan keputusan dalam menyelesaikan masalah-masalah dalam hal perencanaan, penentuan alternatif, penyusunan prioritas, pemilihan kebijakan, alokasi sumber daya, penentuan kebutuhan, peramalan hasil, perencanaan hasil, perencanaan sistem, pengukuran performansi, optimasi dan pemecahan konflik. Kelebihan dari metode AHP dalam pengambilan keputusan adalah: 1. Dapat menyelesaikan permasalahan yang kompleks, dan strukturnya tidak beraturan, bahkan permasalahannya yang tidak terstruktur sama sekali. 2. Kurang lengkapnya data tertulis atau data kuantitatif mengenai permasalahan tidak mempengaruhi kelancaran proses pengambilan keputusan karena penilaian merupakan sintesis pemikiran berbagai sudut pandang responden. 3. Sesuai dengan kemampuan dasar manusia dalam menilai suatu hal sehingga memudahkan penilaian dan pengukuran elemen. 4. Metode dilengkapi dengan pengujian konsistensi sehingga dapat memberikan jaminan keputusan yang diambil. AHP merupakan suatu metode dengan pendekatan praktis untuk memecahkan masalah keputusan kompleks yang meliputi perbandingan berbagai macam alternatif. AHP memungkinkan pengambilan keputusan yang menyajikan hubungan hierarki antar faktor, atribut, karakteristik atau alternatif dalam lingkungan pengambilan keputusan multi faktor. Selain itu, menurut R. Sutjipto T dan Agustina D.R (2006), metode ini memiliki banyak kelebihan dibandingkan dengan metode yang lain, yaitu: 1. Struktur yang berhierarki, sebagai konsekuensi dari kriteria yang dipilih sampai pada subkriteria yang paling dalam, 2. Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai criteria dan alternatif yang dipilih oleh para pengambil keputusan, 3. Memperhitungkan daya tahan atau ketahanan output analisis sensitivitas pengambilan keputusan. 2.4. Prosedur AHP Berbagai metode dapat dipilih sebagai dasar ilmiah proses pengambilan keputusan untuk masalah semi terstruktur. Penetapan metode tentu harus sesuai dengan permasalahan agar solusi yang dihasilkan merupakan solusi optimal. Metode AHP memiliki karakteristik yang diharapkan sesuai dengan kebiasaan pengambil keputusan saat memilih sebuah objek (produk, barang, merk, pegawai, pekerjaan, sekolah). Para pengambil keputusan umumnya senang membandingkan antara sebuah objek dengan objek lainnya, berdasarkan kriteria tertentu (warna, harga, kualitas, kelengkapa fitur, pendidikan, status). Adapun struktur hirarki AHP ditampilkan pada gambar 1 berikut.

52


Tujuan

Kriteria 1

Kriteria 2

Kriteria 3

Kriteria ke n

Alternatif 1

Alternatif 1

Alternatif 1

Alternatif 1

Alternatif 2

Alternatif 2

Alternatif 2

Alternatif 2

Alternatif 3

Alternatif 3

Alternatif 3

Alternatif 3

Alternatif n

Alternatif n

Alternatif n

Alternatif n

Gambar 1 Struktur Hierarki AHP Rochmasari. Lia, Suprapedi, Subagyo. Hendro (2010), Kriteria dan alternatif dinilai melalui perbandingan berpasangan. Skala 1 sampai 9 merupakan skala terbaik dalam mengekspresikan pendapat. Nilai dan definisi pendapat kualitatif dari skala perbandingan Saaty dapat dilihat pada tabel 1 berikut : Rochmasari. Lia, Suprapedi, Subagyo. Hendro (2010), Kriteria dan alternatif dinilai melalui perbandingan berpasangan. Skala 1 sampai 9 merupakan skala terbaik dalam mengekspresikan pendapat. Nilai dan definisi pendapat kualitatif dari skala perbandingan Saaty dapat dilihat pada tabel 1 berikut: Tabel 1 Skala Penilaian Perbandingan Berpasangan Intensitas

Keterangan

Kepentingan 1 3 5 7

Kedua elemen sama pentingnya Elemen yang satu sedikit lebih penting daripada elemen yang lainnya Elemen yang satu lebih penting daripada yang lainnya Satu elemen jelas lebih mutlak penting daripada elemen lainnya

Evan Rosiska

9

53

Satu elemen mutlak penting daripada elemen lainnya

2, 4, 6, 8

Nilai-nilai antara dua nilai pertimbangan-pertimbangan yang berdekatan

2.5. Cara Menghitung Nilai Eigen Untuk mengetahui tingkat konsistensi, metode AHP harus dilengkapi dengan penghitungan Indeks Konsistensi (Consistency Index). Setelah diperoleh indeks konsistensi, maka hasilnya dibandingkan dengan Indeks Konsistensi Random (Random Consistency Index/ RI) untuk setiap n objek. Tabel di bawah memperlihatkan nilai RI untuk setiap n objek ( 2 <= n <= 10). Prof.Saaty menyusun Tabel RI diperoleh dari rata-rata Indeks Konsistensi 500 matriks. CR (Consistency Ratio) adalah hasil perbandingan antara Indeks Konsistensi (CI) dengan Indeks Random (RI). Jika CR <= 0.10 (10%) berarti jawaban pengguna konsisten sehingga solusi yang dihasilkanpun optimal. Tabel 2 Indeks Konsistensi Random n RI

1 2 0,00 0,00

3 0,58

4 5 0,90 1,12

6 1,24

7 8 1,32 1,41

9 1,45

10 1,49

Langkah-langkah pengecekan konsistensi hasil metode AHP adalah: 1. Hitung perkalian antara matriks awal dengan matriks nilai eigen yang terakhir: A * WT ; Dimana : A = matriks awal, WT = matriks nilai eigen dalam format baris. 2. Hitung : i=n AwT 1 n ∑ wT i=1 3. Hitung Consistency Index (CI ): 𝐶𝐼 =

Hasil Langkah 2 – n n − 1

4. Hitung CR : 𝐶𝐼 𝐶𝑅 = 𝑅𝐼

54


Jika CR <= 0.10 (10%) maka derajat kekonsistenan memuaskan. Jika CR > 0.10 maka berarti ada ketidakkonsistenan saat menetapkan skala perbandingan sepasang kriteria. Jika hal ini terjadi, dapat dipastikan bahwa solusi hasil metode AHP menjadi tidak berarti bagi pengguna. 2.6. Proses Komputerisasi Nilai Konsistensi Matrik Untuk contoh kasus penerapan metode AHP, akan dilakukan penghitungan CR terhadap pairwise comparison lima kriteria yaitu Partai Pengusung, Pendidikan, Visi dan Misi, Organisasi dan Riwayat Pekerjaan. Langkah penghitungan CR : 1. Hitung A * WT : 1,000 1,000 9,000 7,000 0,449 1,842 1,000 1,000 8,000 7,000 0,433 1,755 = 0.111 0,250 1,000 2,000 0,067 0,273 0,143 0,143 0,500 1,000 0,051 0,211 2. Hitung : 1

1,842

1,775 +

4

0,449

0,273 +

0,433

0,211 +

0,067

=

4,102

0,051

3. Hitung CI : 4,102 - 4 CI =

=

0,034

3 4. Hitung CR : CR = 0,034 = 0,038 0,9 Karena CR ≤ 0,1 sehingga penilaian konsisten, dapat diterima dan dipertanggung jawabkan.

METODOLOGI PENELITIAN 3.1. Perancangan Sistem Menurut Falahah, Rosmala. Dewi (2010), Framework Zachman adalah framework Arsitektur Enterprise yang menyediakan cara untuk memandang dan mendefinisikan sebuah enterprise secara formal dan terstruktur dengan

Evan Rosiska

55

baik. Framework ini terdiri atas matriks klasifikasi dua dimensi yang dibangun dari kombinasi beberapa pertanyaan umum yaitu What, Where, When, Why,Who dan How. Sistem Pendukung Keputusan ini bertujuan untuk menentukan pasangan Walikota dan Wakil Walikota mana yang diunggulkan untuk dipilih oleh calon pemilih dengan melihat seluruh kriteria-kriteria dari masing calon pasangan Walikota dan Wakil Walikota. Tahapan dalam perancangan sistem pada proses AHP menggunakan Framework Zachman meliputi pengenalan permasahan yang dihadapi, melakukan analisa terhadap masalah, menentukan kriteria, perancangan hierarki, perancangan program, dan tahapan uji coba program yang dirancang. Seperti blok diagram berikut ini:

Penentuan Kriteria

Menentukan Ruang Lingkup Masalah SPK

Penentuan Alternatif Model Kuesioner

Menyusun Model Enterprise SPK

Diagram AHP Rekapitulasi Data

Menyusun Model Sistem Informasi SPK

Matrik Berpasangan AHP

Analisa Konsistensi

Menyusun Model Teknologi Informasi SPK Implementasi dan Evaluasi SPK

Implementasi Super Decision Menetapkan Keputusan Berdasarkan Nilai Eige

Gambar 2 Kerangka Kerja Framework Zachman

56


ANALISA DAN HASIL

4.1. Analisis Kebutuhan Dalam analisis kebutuhan ini akan dijelaskan bagaimana calon pemilih dalam menentukan pilihan dengan melihat kriteria-kriteria yang dimiliki pada setiap calan pasangan Walikota dan Wakil Walikota Sungai Penuh. Dan akan diberikan gambaran yang lebih jelas mengenai pengaruh pengambilan keputusan menggunakan Metode Analytical Hierarchy Process dan software Super Decisions. 4.2. Analisa Kebutuhan Kriteria Adapun kriteria yang digunakan dalam pemilihan calon Walikota dan Wakil Walikota Sungai Penuh tahun 2011 dapat dilihat pada tabel 3 berikut ini. Tabel 3 Kriteria Calon Pasangan Walikota dan Wakil Walikota Sungai Penuh No 1 2 3 4 5

Walikota dan Wakil Walikota Partai Pengusung Pendidikan Visi dan Misi Organisasi Riwayat Pekerjaan

1.3. Analisa Kebutuhan Alternatif Ada tujuh alternatif yang digunakan pada pemilihan calon Walikota dan Wakil Walikota Sungai Penuh tahun 2011, dimana alternatif tersebut dapat dilihat pada tabel 4 berikut. Tabel 4 Alternatif Calon Pasangan Walikota dan Wakil Walikota Sungai Penuh Nama Calon Walikota Drs. Ahmadi Zubir, MM Drs. H. Zulhelmi, SH, MM Drs. Dahnil Miftah, M. Si Drs. Hasvia, MTP

Nama Calon Wakil Walikota Mushar Ashari, S. Pd, DPT Ir. Novizon, ME Yos Adrino, SE Ir. Amrizal Jufri

Keterangan No. Urut 1 No. Urut 2 No. Urut 3 No. Urut 4

Evan Rosiska

57

Prof. DR. H. Asafri Jaya Bakri, MA Ardinal Salim Ir. H. Zubir Muchtar Zamzami Syafriasi, SH Nasrun Farud, S. Pd

No. Urut 5 No. Urut 6 No. Urut 7

4.4.

Analisis Konfigurasi AHP Sistem pendukung keputusan dengan menggunakan proses Analytical Hierarchy Process (AHP) menghasilkan data yang lebih akurat karena adanya skala atau bobot yang telah ditentukan yaitu sebagai berikut : 1. Tujuan (Goal) 2. Alternatif Melihat Partai pengusung, pendidikan, Partai pengusung, organisasi dan riwayat pekerjaan untuk setiap calon pasangan Walikota dan Wakil Walikota. 3. Kriteria Nama-nama calon pasangan Walikota dan Wakil Walikota Sungai Penuh Tahun 2011. Walikota dan Wakil Walikota Sungai

Partai Pengusung

No. Urut 1 = No. Urut 2 = No. Urut 3 = No. Urut 4 = No. Urut 5 = No. Urut 6 =

4.5.

Pendidikan

Visi dan Misi

Organisasi

Riwayat

No. Urut 1 = No. Urut 1 = No. Urut 1 = No. Urut 1 = No. Urut 2 = No. Urut 2 = No. Urut 2 = No. Urut 2 = No. Urut 3 = No. Urut 3 = No. Urut 3 = No. Urut 3 = No. Urut 4 = No. Urut 4 = No. Urut 4 = No. Urut 4 = No. Urut 5 = No. Urut 5 = No. Urut 5 = No. Urut 5 = No. Urut 6 = No. Urut 6 = No. Urut 6 = No. Urut 6 = Gambar 3 Hirarki Keputusan Bagi Calon Pemilih dalam Menentukan Pilihan

Perancangan Sistem Pada penyusunan tesis ini, penulis merancang sistem menggunakan sistem kuesioner, jumlah keusioner yang penulis ambil untuk data berjumlah 20 orang, dimana format kuesioner yang telah dibuat sebelumnya, kemudian dibagikan kepada beberapa responder yang akan dijadikan sampel. Hasil yang

58


diberikan oleh responder dijadikan sebagai masukan nilai pada saat perhitungan matrik secara manual dan dengan menggunakan software. 4.6.

Perbandingan Berpasangan AHP Analytical Hierarchy Process (AHP) dilakukan dengan memanfaatkan perbandingan berpasangan. Pengambilan keputusan dimulai dengan membuat tampilan dari keseluruhan hirarki keputusannya. Hirarki tersebut menunjukkan faktor-faktor yang ditimbang serta berbagai alternatif yang ada. Kemudian sejumlah perbandingan berpasangan dilakukan untuk mendapatkan penetapan nilai faktor dan evaluasinya. Sebelum penetapan, terlebih dahulu ditentukan kelayakan hasil nilai faktor yang didapat dengan mengukur tingkat konsistensinya. Pada akhirnya alternatif dengan jumlah nilai tertinggi dipilih sebagai alternatif terbaik.

4.7.

Matriks Perbandingan Berpasangan Kriteria Umumnya untuk perbandingan matriks berpasangan angka 1 dapat ditempatkan secara diagonal pada pojok kiri atas sampai dengan pojok kanan bawah, karena itu berarti bahwa perbandingan terhadap dua hal yang sama adalah 1 atau equally preferred. Jadi untuk mendapatkan hasil matriks perbandingan berpasangan dapat dilihat pada tabel dibawah ini : Tabel 5 Matriks Perbandingan Antar Kriteria Partai Visi dan Kriteria Pendidikan Organisasi Pengusung Misi Partai 1,000 1,000 0,333 1,000 Pengusung Pendidikan 1,000 1,000 1,000 2,000 3,000 1,000 1,000 0,500 Visi dan Misi 1,000 0,500 2,000 1,000 Organisasi

Riwayat Pekerjaan 3,000 2,000 2,000 2,000

Riwayat 0,333

0,500

0,500

Pekerjaan 1. Proses Iterasi Pertama 1,000 1,000 0,333 1,000

1,000

1,000

1,000

3,000

2,000

2,000

0,500

1,000

Evan Rosiska

\

59

A= 3,000 1,000 0,333

1,000 0,500 0,500

1,000 2,000 0,500

0,500 1,000 0,500

2,000 2,000 1,000 Normalisasi/

A”=

5,000 7,667 8,167 9,167 3,167

4,333 5,000 6,250 5,000 2,083

5,167 7,333 5,000 5,833 2,611

5,667 6,500 7,000 5,000 2,583

10,667 13,000 16,000 12,000 5,000 Jumlah

2. Proses Iterasi Iterasi Kedua 5,000 4,333 7,667 5,000 A”= 8,167 6,250 9,167 5,000 3,167

A””=

186,139 237,306 244,417 215,639 92,644

Jumlah

165,194

5,167 7,333 5,000 5,833

5,667 6,500 7,000 5,000

10,667 13,000 16,000 12,000

2,611

2,583

5,000

126,181 144,352 163,639 184,806 166,222 195,639 151,181 173,694 63,792 72,819 Normalisasi/

148,556 193,361 198,236 181,278 75,597

2,083

Jlh. Baris 918,894 1186,222 1216,875 1097,903 463,491 4883,384

Jlh. Baris 30,833 39,500 42,417 37,000 15,444

Eigen 0,188 0,243 0,249 0,225 0,095

313,667 407,111 412,361 376,111 158,639

Eigen 0,187 0,239 0,257 0,224 0,093

60


3. Perbandingan Nilai Eigen Perbandingan nilai eigen dilakukan dengan cara mengurangi hasil normalisasi pada iterasi 1 dengan hasil normalisasi pada iterasi 2, perhitungannya dapat dilihat pada tabel berikut. Tabel 6 Perbandingan Nilai Eigen Eigen 1

Eigen 2

0,187 0,239 0,257 0,224 0,093

0,188 0,243 0,249 0,225 0,095

Jumlah Perbedaan -0,002 -0,004 0,008 -0,001 -0,001

Berikut ini adalah tabel matrik berpasangan beserta nilai eigennya : Tabel 7 Matrik Berpasangan Kriteria Beserta Nilai Eigennya Partai

Visi dan Pendidikan

pengusung

Riwayat

Nilai

Bobot/

Organisasi Misi

Pekerjaan eigen prioritas

Partai 1,000

1,000

0,333

1,000

3,000

0,188

18,8%

1,000

1,000

1,000

2,000

2,000

0,243

24,3%

3,000

1,000

1,000

0,500

2,000

0,249

24,9%

1,000

0,500

2,000

1,000

2,000

0,225

22,5%

0,333

0,500

0,500

0,500

1,000

0,095

9,5%

Pengusung Pendidikan Visi dan Misi Organisasi Riwayat Pekerjaan

Dari tabel 7 dapat dilihat bahwa bobot atau skala prioritas yang paling di utamakan adalah Visi dan Misi dengan nilai 24,9%, kemudian Pendidikan dengan nilai 24,3 %, Organisasi dengan nilai 22,5 %, Partai Pengusung dengan nilai 18,8 %, dan yang terakhir Riwayat Pekerjaan dengan nilai 9,5 %. Selanjutnya menentukan nilai eigen maksimum (λMaksimum) yaitu dengan menjumlahkan hasil perkalian antara seluruh kriteria dengan nilai eigen, sehingga Nilai eigen maksimum yang diperoleh adalah :

Evan Rosiska

61

27.202 Maksimum = 5 =5.440 Karena matriks berordo 8, nilai Consistency Index (CI) yang diperoleh adalah sebagai berikut : max – n 5.440 – 5 CI = = = 0.110 n–1 5–1 Untuk n = 5, RI (Random Index) = 1,12, maka dapat diperoleh nilai Consistency Ratio (CR) sebagai berikut : CI

0,110

CR =

= = 0.098 RI 1,12 Karena batas maksimum nila CR yang masih dapat diterima adalah 0,15 sehingga penilaian dari hasil perhitungan di atas dapat dikatakan konsisten dan dapat diterima. Untuk hasil akhir seluruh bobot / prioritas kriteria dan Alternatif dapat dilihat pada gambar berikut ini : Walikota dan Wakil Walikota Sungai Penuh

Partai Pengusung 0,188

Pendidikan 0,243

Visi dan Misi 0,249

Organisasi 0,225

Riwayat Pekerjaan 0,095

62


No. Urut 1 = 0,191 No. Urut 2 = 0,102 No. Urut 3 = 0,118 No. Urut 4 = 0,125 No. Urut 5 = 0,361 No. Urut 6 = 0,062 No. Urut 7 = 0,039





Gambar 4 Hasil Akhir Seluruh Bobot atau Prioritas Kriteria dan Alternatif Langkah selanjutnya adalah mengalikan nilai akhir dari seluruh bobot atau prioritas masing-masing alternatif tersebut dengan nilai akhir bobot atau prioritas kriteria, maka dapat dilihat pada tabel berikut ini : Tabel 8 Matrik Berpasangan Nilai Eigen Terhadap Seluruh Alternatif Partai

Visi dan Pendidikan

pengusung 0,191 NO URUT 1

Riwayat Organisasi

0,163

Misi 0,214

Eigen

0,204

Pekerjaan 0,202

0,188

NO URUT 2

0,102

0,112

0,147

0,100

0,150

0,243

NO URUT 3

0,118

0,112

0,111

0,135

0,119

0,249

NO URUT 4

0,125

0,083

0,090

0,161

0,114

0,225

NO URUT 5

0,361

0,379

0,310

0,294

0,284

0,095

NO URUT 6

0,062

0,091

0,061

0,050

0,077

NO URUT 7

0,039

0,060

0,067

0,056

0,054

Evan Rosiska

63

1.000

1.000

Alternatif No urut 1 No urut 2 No urut 3 No urut 4 No urut 5 No urut 6 No urut 7

1.000

1.000

Tabel 9 Hasil Analisis Hasil Analisis 0,194 0,120 0,119 0,113 0,331 0,068 0,056

1.000

Rangking 2 3 4 5 1 6 7

Dari hasil akhir perkalian matriks perhitungan dengan metode AHP untuk seluruh bobot atau prioritas kriteria dan alternatif, maka didapat hasil sebagai berikut: alternatif yang memiliki kemungkinan terbesar untuk menang adalah pasangan no. urut 5 dengan nilai 0.331 (33,1%), kemungkinan kedua adalah pasangan no. urut 1 dengan nilai 0.194 (19,4%), ketiga adalah pasangan no. urut 2 dengan nilai 0,120 (12,0%), keempat adalah pasangan no. urut 3 dengan nilai 0,119 (11,9%), kelima adalah pasangan no. urut 4 dengan nilai 0,113 (11,3%), keenam adalah pasangan no. urut 6 dengan nilai 0,068 (6,8%) dan yang terakhir adalah pasangan no. urut 7 dengan nilai 0,056 (5,6%). 5. IMPLEMENTASI DAN PENGUJIAN 5.1. Implementasi Menggunakan Super Decisions.

Gambar 5 Pengisian Kuesioner

64


Gambar 6 Matrik Perbandingan

Gambar 7 Hasil Perbandingan Matrik

Evan Rosiska

65

Gambar 8 Proses Komputasi Seluruh Alternatif 5.2. Hasil Evaluasi dan Analisa Berdasarkan hasil analisa menggunakan Software Super Decisions pada gambar 5.13, dapat dilihat bahwa kriteria yang memiliki prioritas yang paling tinggi adalah Visi dan Misi dengan nilai 24,9%, kemudian Pendidikan dengan nilai 24,3 %, Organisasi dengan nilai 22,5 %, Partai Pengusung dengan nilai 18,8 %, dan yang terakhir Riwayat Pekerjaan dengan nilai 9,5 %. Sedangkan tabel 5.14 menjelaskan bahwa alternatif yang memiliki prioritas yang paling tinggi adalah pasangan dengan no. urut 5 dengan nilai 33, 0%, kemudian selanjutnya pasangan dengan no. urut 1 dengan nilai 19,4%, no. urut 2 dengan nilai 12,0%, no. urut 3 dengan nilai 11,9%, no. urut 4 dengan nilai 11,3%, no. urut 6 dengan nilai 6,7%, dan no. urut 7 dengan nilai 5,6%.

Tabel 10 Perbandingan Hasil Analisis Kriteria Hasil Analisis Hasil Analisis Kriteria Rangking Manual Super Decisions Partai 0,188 0,188 4 Pengusung Pendidikan 0,243 0,242 2 Visi dan Misi 0,249 0,250 1 Organisasi 0,225 0,225 3

66


Riwayat 0,095

0,094

5

Pekerjaan Tabel 11 Perbandingan Hasil Analisis Alternatif Hasil Analisis Hasil Analisis Alternatif Rangking Manual Super Decisions No urut 1 0,196 0.194 2 No urut 2 0,127 0.120 3 No urut 3 0,117 0.119 4 No urut 4 0,110 0.113 5 No urut 5 0,327 0.330 1 No urut 6 0,068 0.067 6 No urut 7 0,056 0.056 7 Pada tabel di atas, dapat dilihat bahwa hasil analisa menggunakan perkalian matrik berpasangan secara manual menunjukkan hasil rangking yang sama, akan tetapi ada perbedaan nilai pada beberapa pasangan. Perbedaan ini masih dikategorikan wajar, dapat diterima dan dianggap sama karena perbedaan terjadi pada tiga digit angka di belakang koma, sehingga hasil akhir antara perhitungan analisis manual dengan perhitungan analisis Super Decisions dapat dikatakan konsisten. 6. KESIMPULAN 6.1. Kesimpulan Dari analisa yang telah penulis lakukan pada sistem pengambilan keputusan untuk pemilihan Walikota dan Wakil Walikota Sungai Penuh Tahun 2011 menggunakan metode AHP, dapat disimpulkan bahwa : 1. Model sistem pendukung keputusan untuk pemilihan walikota dan wakil walikota kota Sungai Penuh menggunakan pendekatan AHP, dan mempunyai kriteria sejumlah lima, yaitu : Partai Pengusung, Pendidikan, Visi dan Misi, Partai Pengusung, Pendidikan, Organisasi dan Riwayat Pekerjaan. Sedangkan untuk alternatif terdiri dari : Pasangan no. urut 1, Pasangan no. urut 2, Pasangan no. urut 3, Pasangan no. urut 4, Pasangan no. urut 5, Pasangan no. urut 6, dan Pasangan no. urut 7. 2. Dari hasil sintesa matrik AHP diperoleh model keputusan, untuk kriteria dengan urutan prioritas yaitu : Visi dan Misi dengan nilai 24,9%, kemudian Pendidikan dengan nilai 24,3 %, Organisasi dengan nilai 22,5 %, Partai

Evan Rosiska

3. 4. 5. 6.

67

Pengusung dengan nilai 18,8 %, dan yang terakhir Riwayat Pekerjaan dengan nilai 9,5 %. Sedangkan untuk alternatif yang memiliki prioritas yang paling tinggi adalah pasangan no. urut 5 dengan nilai 0.331 (33,1%), kemungkinan kedua adalah pasangan no. urut 1 dengan nilai 0.194 (19,4%), ketiga adalah pasangan no. urut 2 dengan nilai 0,120 (12,0%), keempat adalah pasangan no. urut 3 dengan nilai 0,119 (11,9%), kelima adalah pasangan no. urut 4 dengan nilai 0,113 (11,3%), keenam adalah pasangan no. urut 6 dengan nilai 0,068 (6,8%) dan yang terakhir adalah pasangan no. urut 7 dengan nilai 0,056 (5,6%). Hasil validasi dari kuesioner yang dibagikan menggunakan nilai konsistensi dibawah < 0,01, hal ini menunjukkan bahwa konsistensi penilaian cukup baik. Hasil perbandingan perhitungan manual dengan menggunakan Super Decisions menunjukkan tidak adanya perbedaan pada urutan baik kriteria maupun alternatif. Metode AHP dapat digunakan untuk pemilihan Walikota da Wakil Walikota di sungai Penuh. Sistem Pendukung Keputusan (SPK) hanya sebagai sistem pendukung untuk pengambilan keputusan, bukan menggantikannya

Daftar Pustaka Armadyah Amborowati. (2007). Sistem Pendukung Keputusan Pemilian Karyawan Berprestasi Berdasarkan Kinerja (Studi Kasus Pada STMIK Amikom Yogyakarta). ISSN: 1907-5022. Dedi Trisnawarman, Winny Erlysa. (2007). Sistem Penunjang Keputusan Pemilihan Metode/Alat Kontrasepsi. Volume 9 Nomor 1. Falahah, Dewi Rosmala. (2010). Penerapan Framework Zachman pada Arsitektur Pengelolaan Data Operasional (Studi Kasus SBU Aircraft Services, PT. Dirgantara Indonesia). ISSN: 1907-5022. Irfan Subakti. (2002). Sistem Pendukung Keputusan. IF1524. Jani Rahardjo, I Nyoman Sutapa. (2002). Aplikasi Fuzzy Analytical Hierarchy Process dalam Seleksi Karyawan. Vol. 4, No. 2, 82 – 92. Kridanto Surendro. (2007). Jurnal Informatika. Pemanfaatan Enterprise Architecture Planning Untuk Perencanaan Strategis Sistem Informasi. Volume 8, No. 1, 1 – 9.

68


Lia Rochmasari, Suprapedi, Hendro Subagyo. (2010). Penentuan Prioritas Usulan Sertifikasi Guru dengan Metode AHP (Analitic Hirarky Process). Volume 6 Nomor 1, ISSN 1414-9999. Mohammad Imamuddin dan Trihono Kadri. (2006). Penerapan Algoritma AHP untuk Prioritas Penanganan Bencana Banjir. ISSN: 1907-5022 Nurliah. (2008). Perancangan Sistem Informasi Perhotelan Berbasis Jaringan pada Hotel Liberty Kota Gorontalo. Volume 3, No. 1, ISSN:19075324. R. Sutjipto Tantyonimpuno, Agustina Dwi Retnaningtias. (2006). Penerapan Metode Analytical Hierarchy Process (AHP) pada Proses Pengambilan Keputusan Pemilihan Jenis Pondasi (Studi Kasus : Proyek Pembangunan Royal Plaza Surabaya). Volume III, No. 2. 77 – 87.

Mardan Junjung

69

IMPLEMENTASI ALGORITMA BACKPROPAGATION (JST) PREDIKSI TINGKAT KELULUSAN SMK KOTA JAMBI Mardan Junjung, S.Kom.,M.Kom

ABSTRAK Penelitian ini menerapkan jaringan syaraf tiruan untuk memprediksi tingkat kelulusan siswa. Tujuan dari penelitian ini adalah melihat hasil prediksi, agar pengguna dapat melakukan perubahan terhadap sistem-sistem yang ada pada sekolah masing-masing, untuk meningkatkan tingkat kelulusan siswa untuk tahun-tahun yang akan datang berdasarkan kelulusan masa lalu yang telah diprediksi. Pengumpulan data dilakukan dengan observasi dan interview yang dilaksanakan di tempat melakukan penelitian, baik dengan para guru-guru maupun siswa yang bersangkutan. Data yang telah diperoleh dikumpulkan kemudian diolah, dianalisis dan dipelajari. Dirumuskan agar nantinya bisa melakukan penelitian lebih lanjut. Penelitian menggunakan teknik jaringan syaraf tiruan, dengan menggunakan software Matlab. Hasil penelitian ini menunjukkan bahwa jaringan syaraf tiruan dapat mengolah data yang berubah sewaktu-waktu atau bertahun-tahun. Kata kunci : Artificial Intelligent, Jaringan syaraf Tiruan, Backpropagation, Prediksi Tingkat Kelulusan siswa SMK

1. PENDAHULUAN Jaringan syaraf tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. (Sri Kusumadewi : 2004). Berdasarkan pada penjelasan di atas maka penulis mencoba menggunakan jaringan syaraf tiruan untuk melakukan prediksi terhadap tingkat kelulusan siswa untuk tahun – tahun yang akan datang, berdasarkan faktor – faktor yang mempengaruhi pada masing – masing sekolah. Penulis akan mengadakan penelitian terhadap 3 (tiga) sekolah, yaitu SMK Negeri 1 Kota Jambi, SMK Negeri 2 Kota Jambi, SMK Negeri 3 Kota Jambi.

Implementasi Algoritma Backpropagation (JST) Prediksi Tingkat Kelulusan SMK Kota Jambi

70

2. KONSEP DASAR Setiap pola-pola informasi input dan output yang diberikan kedalam jaringan syaraf tiruan diproses dalam neorun. Neuron-neuron tersebut berkumpul di dalam lapisan-lapisan yang disebut neuron layer. Lapisan-lapisan penyusun jaringan syaraf tiruan tersebut dapat di bagi menjadi tiga bagian :  Lapisan input, Node-node didalam lapisan input disebut unit-unit input. Unit-unit input tersebut menerima pola inputan data dari luar yang mengambarkan suatu peermasalah.  Lapisan tersembunyi, Node-node didalam lapisan tersembunyi disebut unitunit tersembunyi. Dimana outputnya tidak dapat secara langsung diamati.  Lapisan output, Node-node didalam lapisan output disebut unit-unit output. Ouput dari lapisan ini merupakan solusi jaringan syaraf tiruan terhadap suatu permasalahan. Pengertian Jaringan Saraf Tiruan Jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan Megaktifkan Jaringan Syaraf Tiruan Mengaktifkan jaringan syaraf tiruan berarti mengaktifkan setiap neuron yang dipakai pada jaringan tersebut. Banyak fungsi yang dapat dipakai sebagai pengaktif, seperti fungsi-fungsi goniometri dan hiperbiliknya, fungsi unit step, seumlse, segmod, dan lain sebagainya pada gambar dibawah ini tetapi yang laxim digunakan adalah fungsi sigmod, karena dianggap lebih mendeteksi kinerja sinyal pada otak manusia . Step Function Y +1 0

Y



Step -1 1, ifx 0 0 , ifx 0



Sign Function Y +1 X

0 -1

Y

Sign





1, ifx 0  0 , ifx 0

Sigmoid Function Y +1 0

X

Y

Sigmoid



-1

1 1  e x

X

Linier Function Y +1 0 -1

Y

Linier

X

Keuntungan Menggunakan Komputasi dengan JST : Menurut Jong Jek Siang (2005 ), Kemampuan dan proses komputasi pada JST memberikan keuntungan-keuntungan sebagai berikut :  JST bersifat adaptif terhadap perubahan parameter yang mempengaruhi karakteristik sistem, sehingga pada proses belajar, JST mampu belajar secara

X

Mardan Junjung

 

    

71

adaptif dan melaksanakan tugas berbasis pada data yang diberikan saat pelatihan. JST memiliki kekebalan atau toleran terhadap kesalahan. Artinya, JST tetap berfungsi walaupun ada ketidak-lengkapan data yang dimasukkan. JST dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga JST mampu membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan. JST mempunyai struktur paralel dan terdistribusi. Artinya, komputasi dapat dilakukan oleh lebih dari satu elemen pemroses yang bekerja secara simultan. JST mampu mengklasiflkasi pola masukan dan pola keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukan yang diberikan oleh JST. JST mengurangi derau, sehingga dihasilkan keluaran yang lebih bersih. JST dapat dimanfaatkan pada proses optimisasi penyelesaian suatu masalah. JST dapat digunakan pada proses pengendalian sistem agar masukan memperoleh tanggapan yang diinginkan.

Algoritma Umum Jaringan Saraf Tiruan Algoritma pembelajaran/pelatihan jaringan saraf tiruan. Dimasukkan n contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan :  Inisialisasi bobot-bobot jaringan. Set i = 1.  Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set pelatihan) ke dalam jaringan pada lapisan input.  Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi. If kinerja jaringan memenuhi standar yang ditentukan sebelumnya (memenuhi syarat berhenti) Then exit.  Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. If i=n, then reset i = 1. Else i = i - 1. Ke langkah 2 Arsitektur Jaringan Menurut Jong Jek Siang (2005 ), Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara lain :  Jaringan Layar Tunggal (single layer network) Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output.


72

1 4 6

2 5 3 Lapisan Input



Lapisan Output

Lapisan Hidden

Jaringan Layar Jamak (multi layer network) Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut layar tersembunyi atau hidden layer). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.

1

4

6 8

2 3

Lapisan Input

5 Lapisan Hidden

7

Lapisan Output

Fungsi Aktivasi Fungsi aktivasi adalah fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linear atau (layer) yang disebut dengan lapisan neuron (neuron layer ) Beberapa aktifasi jaringan saraf tiruan yang umum digunakan adalah sebagai berikut :  Fungsi Undak Biner (Hardlim) Jaringan dengan lapisan tunggal sering menggunakan fungsi undak biner (step function) untuk mengkompersikan input dari suatu variabel yang bernilai kontinu kesuatu output biner (0 atau 1). Fungsi undak biner (hardlimit) dirumuskan sebagai berikut : y = hardlim(a) (2.1 )

Mardan Junjung

73

Fungsi undak biner ( hardlim ) dapat dilihat pada gambar 2.5 sebagai berikut:

a +1

n 0 -1 a = hardlim (n)  Fungsi Linear (Purelin) Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi linear dirumuskan sebagai berikut : f (x)=x (2.2) Fungsi linear (purelin) dapat dilihat pada Gambar 2.7 berikut ini :

a +1 0 -1 a = purelin (n)

n

 Fungsi Sigmoid Biner ( logsig ) Fungsi ini digunakan untuk jaringan saraf yang dilatih menggunakan metode BackPropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. namun fungsi ini juga outpu 0 atau 1. fungsi sigmoid biner dirumuskan sebagai : y = f(x)=───


74

dengan: f '(x ) =

(2.3)

Fungsi Sigmoid Biner (logsig) dapat dilihat Pada gambar 2.8 berikut ini :

a

+1

0 -1 a = logsig (n)

n

 Fungsi Sigmoid Bipolar (tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range dari 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai berikut : f(x)= dengan : f '(x )=─[1+f (x)][1-f(x)] (2.4) Fungsi sigmoid bifolar (tansig) dilihat pada gambar 2.9 berikut ini :

a

+1

0 -1 a = tansig (n)

n

Gambar 2.9 Fungsi Sigmoid Bipolar (tansig) Backprogation Backprogation merupakan suatu teknik pembelajaran atau pelatihan spervised learning yang paling banyak digunakan. Metode ini merupakan salah satu metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks. Metode Jaringan Syaraf Tiruan yang akan digunakan adalah metode jaringan syaraf tiruan propagasi balik. Kusumadewi (2004) menjelaskan, propagasi balik menggunakan error output untuk mengubah nilai bobot-

Mardan Junjung

75

bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Arsitektur BackPropagation

] Gambar Arsitektur backgropagation di atas merupakan jaringan backpropagation yang terdapat neuron pada lapisan input, lapisan tersembunyi dan lapisan utput. Sehingga terdapat edge dari lapisan input ke lapisan tersembunyi dan edge dari lapisan tersembunyi ke lapisan output. Setiap edge memiliki bobot (weight). V11 merupakan bobot garis dari unit masukan xi pada lapisan input ke masing-masing unit Z pada lapisan tersembunyi.W merupakan bobot dari unit lapisan tersembunyi Z ke unit keluaran Y. Nilai masukan pada lapisan input dinotasikan sebagai x1, x2, x3. Pada lapisan tersembunyi neuron-neuronnya dinotasikan dengan Z11, Z22. Begitujuga neuron-neuron pada lapisan output dinotasikan dengan Y1, Y2, Y3 . Fase-fase Algorithma Backpropagation  Initialization, Pada fase pertama ini yang harus dilakukan adalah set : set nilai awal untuk variabel-variabel yang diperlukan (nilai input, weight, output yang diharapkan, learning rate α, θ, dan sebagainya.  Activation, Menghitung aktual output pada hidden layer dengan rumus :

n  Yj ( P)  fungsi  xij( P).wij (ij ( P)     i 1 

...... (2.1)

Menghitung aktual output pada layer dengan rumus :

n  Yk ( P)  fungsi  xjk( P).wjk ( P)     i 1 

....... 2.2)

76


 Weight Training Menghitung error griend pada output layer Menghitung koreksi dari pada nilai pemberat (weight correction) Δk(P)=x,[1-Yk(P)]e(k) …… (2.3) Dimana : δk (P) = Error griend pada output layer Yk (P) = Actual output pada output layer E (k) = Error pada output layer Menghitung koreksi weight Wjk (P – 1 ) = Wjk (P) + ΔWkj (P) …… (2.4) Dimanan : ΔWjk (P) = α . Yj (P) . δk (P) α = Learning rate Yj = Actual output hidden Menghitung error griend pada hidden layer 1

Δj(P) = Yj(P).[1-Yj(P)].

  (P)xWjk(P)

....... (2.5)

k 1

Menghitung nilai pemberat (weight correction) Wij (P + 1 ) = Wij (P) + ΔWij (P) Dimana : Δwij (P) = α . Xi (P) . δj (P) α = Learning rate Xi = Actual output hidden Pengertian Prediksi Prediksi adalah memperkirakan sesuatu yang akan terjadi di masa yang akan datang. Kejadian masa lampau dipelajari untuk menentukan kecondrongan atau pola datanya. Jenis Prediksi Jenis prediksi berdasarkan horizon perencanaan adalah sebagai berikut:  Prediksi jangka pendek, Prediksi jangka pendek merupakan waktu prediksi kurang dari tiga bulan  Prediksi jangka menengah, Prediksi jangka menengah merupakan prediksinya tiga bulan hingga dua tahun.  Prediksi jangka panjang, Prediksi jangka panjang merupakan jangka waktu prediksi lebih dari dua tahun.

Mardan Junjung

77

Teknik Prediksi Terdapat dua kategori umum teknik prediksi yaitu kuantatif dan kualitatif. Antara lain adalah sebagai berikut :  Teknik prediksi kuantitatif meliputi regression analys, exponential smoothing, moving average, life cycle, box-jenskin, trend line analys, docomposition, stright-line, projection,life cycle analys, simulation, neural network.  Teknik prediksi kuantitatif, meliputi ; neural network, jury of executiveopinion, sales force coposite, customer expectations (customer survey), delphi dan naive. Validasi Prediksi Error pada prediksi merupakan selisih dari nilai data aktual (Y(t)) dengan nilai hasil prdiksi Y^(t)). E(t) = Y (t) - Y^ (t) Beberapa pengukuran keefektifan suatu teknik prediksi adalah : Mean Absolute Deviation (MAD) : N

 [Y (t )  Y MAD =



(t )]

i 1

N

Mean Squared Error (MSE) : N

 (Y (t )  Y MSE =



(t )) 2

i 1

N

Mean Absolute Precen Error (MAP) : MAP =

100 N Y (t ) Y (t )  Y (t ) N t 1

MAD dan MSE dapat digunakan untuk mengevaluasi beberapa teknik prediksi atau untuk kondisi parameter yang berbeda-beda pada satu teknik prediksi. Nilai yang lebih kecil merepresentasikan hasil prediksi yang lebih baik di antara hasil-hasil prediksi yang dibandingkan. MAP dapat memberikan evluasi tentang seberapa baik suatu prediksi. 3. IMPLEMENTASI Berikut diberikan contoh perhitungan pelatihan/peramalan dengan Jaringan Syaraf Tiruan pada prediksi tingkat kelulusan siswa, sebagai contoh dilakukan pelatihan menggunakan 2 buah polal input vektor input x, yaitu :


78

X1 = Banyak Guru X2 = Banyak Lokal Data input dari jumlah tingkat kelulusan masa lalu adalah sebagai berikut : x1

x2

x3

x4

50

26

3

1

53

26

3

1

Data tersebut di skalakan menjadi : 0.1 0,1 0,1 0,9 0,2 0,1 0,9 0.1 Arsitektur yang akan dipilih dimisalkan seperti pada gambar 4.2. Jumlah Simpul pada lapisan input 4 masing-masing variabelnya adalah banyak guru, banyak lokal, keadaan dan PBM. Jumlah simpul pada lapisan tersembunyi (hidden) ada 2 (dua). Jumlah simpul pada lapisan output 1 (satu) untuk mempresentasikan pola.

Banyak Guru

X1

V11 V12

Banyak Lokal

X2

V21

Z1

3 W11

V22

Y

V31 Keadaan

X3

Z2 V32 V41

PMB

X4

V42

Keterangan : X = Masukan (input). J = 1 s/d n (n = 10). V = Bobot pada lapisan tersembunyi. W = Bobot pada lapisan keluaran.

W12 4

5

Mardan Junjung

79

n = Jumlah unit pengolah pada lapisan tersembunyi. b = Bias pada lapisan tersembunyi dan lapisan keluaran. k = Jumlah unit pengolah pada lapisan keluaran. Y = Keluaran hasil. Untuk membentuk jaringan syaraf tiruan, terlebih dahulu dilakukan inisialisasi bobot awal. Bobot awal yang menghubungkan simpul-simpul pada lapisan input dan lapisan tersembunyi untuk arsitektur di atas adalah v = (v11, v12, w21, v22,) dan bobot bias dipilih secara acak. Demikian pula bobot awal yang menghubungkan simpul-simpul pada lapisan tersembunyi dan lapisan output (w11, w12) juga dipilih secara acak. Tahap 1. Initialitation Misalkan : X1 = 0,1 X2 = 0, 1 X3 = 0,9 X4 = 0,1 J=34 K=5 V11 = 0,5 V21 = 0,6 V31 = 0,4 V41 = 0,1 V12 = 0,8 V22 = 0,7 V32 = 0,2 V42 = 0,9 W11 = 0,9 W12 = 0,6 θ3 = 0,8 θ4 = 0,2 θ5 = 0,4  = 0,1 Yd = 0 Tahap 2. Activation (iterasi P= 1)  Menghitung actual output pada hidden layer

n  Yj ( P)  Fungsi  xi( P).wij ( P)  j   i 1  Y 3(1)  Sigmoid x1 (1).v11 (1)  x2 (1).v21 (1)  x3 (1).v31 (1)  x4 (1).v41 (1)   3  Sigmoid 0,1.0,5  0,1.0,6  0,9.0,4  0,1.0,1  0,8  Sigmoid 0,05  0,06  0,36  0,01.  0,8 1 1  Sigmoid  0,32  0,4207 0,32   2,3771 1 e Y 4(1)  Sigmoid x1 (1).v12 (1)  x2 (1)v22 (1)  x3 (1).v32 (1)  x4 (1)v42 (1)   4

 Sigmoid  Sigmoid  Sigmoid

0,1.0,6  0,1.0,7  0,9.0,2  0,1.0,9 0,1 0,06  0,07  0,18  0,09 1 1 0,20    0,5498  0 , 20  1 e

1,8187


80

 Menghitung actual output pada output layer

m  Yk ( P)  Fungsi  xjb( p) xwjk( p)  k   j 1  Y 5(1)  Sigmoid Y3 .w11  y 4 .w12   5

 Sigmoid  Sigmoid  Sigmoid

0,4.0,9  0,5.0,6  0,4

0,3  0,4  0,4

0,7  0,4

 0,3085 Sigmoid

0,3085 

1

1 e

Menghitung error: e (5) = Yd * Y5-Y5 0 * 0,3085 – 0, 0,3085 e (5) = -0,3085 Tahap 3: Weight training  Menghitung error gradient pada output layer

k ( p)  yk ( p) x 1  yk ( p)x ek ( p)  5(1)  y5(1) x 1  y5(1) x e5(1)  0,30. 1  0,3.  0,3085   0,0658

Menghitung koreksi nilai weight: Wjk ( P + 1) = Wjk (P) + wjk (P)

w jk ( P)   * Yj ( P) * k ( P)

J=3

w11 (1)  . y3(1)   5(1)  0,1.0,4(0,0658)  0,1079

J=4

 0, 3085



1  0,5765 1,7345

Mardan Junjung

81

w12 (1)   . y4(1)   5(1)  0,1.0,5  (0,0658)  0,1208  5   .(1). 5(1)  0,1(1).  0,0658   0,0065 w11 (2)  w11 (1)  w11 (1)  0,9  0,1079   0,0078 w12 (2)  w12 (1)  w12 (1)  0,6  0,1208  0,7208 5   5   5  0,4  0,0658

 0,3342

 Menghitung error gradient pada hidden layer

j( P)  Yj ( p).1  Yjp( p).k ( p).wjk( p)

J=3

 3(1)  Y3 (1).1  Y3 (1). 5( P).w11 ( P)  3(1)  0,4206.1  0,4206.  0,3085.(0,9)  0,2437  .(0,2777)  0,5214

J=4

 4(1)  Y 4(1).1  Y 4(1). 5( P).w12 ( P)  0,5498.1  0,5498.  0,3085.0,6  0,0,2475  0,1851.   0,4326

Koreksi nilai bobot:

v11  v12  v21  v22 

.x1 (1). 3(1) .x1(1). 4(1) .x2 (1). 3(1) .x2 (1). 4(1)

   

0,1.0,1.1.5214  0,0052 0,1.0,1.0,4326  0,0043 0,1.0,1.0,5214  0,0052 0,1.0,1.0,4326  0,0043


82

v31   .x3 (1). 3(1) v32   .x3 (1). 4(1)

 0,1.0,0,9.5214  0,0469  0,1.0,9.0,4326  0,0389

v41  .x4 (1). 3(1)  0,1.0,1.05214  0,0052 v42  .x4 (1). 4(1)  0,1.0,1.0,4326  0,0043  3   .(1). 3 (1)  0,1.(1).05214  0,0052  4  .(1). 4 (1)  0,1.(1).0,5214  0,0043 v11 (2)  v11 (1)  v11  0,5  0,0052  0,5052 v12 (2)  v12 (1)  v12  0,6  0,0052  0,6043 v21 (2)  v21 (1)  v21  0,6  0,0052  0,6052 v22 (2)  v22 (1)  v22  0,7  0,0043  0,7043 v31 (2)  v31 (1)  v31  0,4  0,0469  0,4469 v32 (2)  v32 (1)  v32  0,2  0,0389  0,2389 v41 (2)  v41 (1)  v41  0,1  0,0052  0,1052 v42 (2)  v42 (1)  v42  0,9  0,0043  0,9043  3 (2)   3 (1)   3  0,8  0.5214  1,3214  4 (2)   4 (1)   4  0,2  0,4326  0,6326 4. KESIMPULAN DAN SARAN Kesimpulan yang dapat diambil dari pengujian jaringan syaraf tiruan untuk prediksi tingkat kelulusan siswa adalah jaringan syaraf tiruan dengan Algorithm Backgropation adalah sebagai berikut : 1. Pengujian dilakukan dengan mengunaka sistem jaringan syaraf tiruan dengan metode Algorithm Backgropation untuk memprediksi tingkat kelulusan siswa 2. Keakurasian dan ketepatan dalam menggunakan jaringan syaraf tiruan tergantung pada data yang akan diuji, semakin banyak data yang diuji maka tingkat keakurasian dan ketepatan data dapat tepat. 3. Pada saat melakukan pengujian hasil yang didapat selalu epoch 100, yang menunjukkan bahwa setiap tahun tingkat kelulusan akan naik untuk 2 (dua) tahun akan datang. Berdasarkan pengujian jaringan syaraf tiruan dengan Algorithm Backgropagation, disarankan kepada semua pihak yang berwenang dalam menangani masalah memberikan pengetahuan-pengetahuan yang berhubungan

Mardan Junjung

83

dengan tingkat kelulusan siswa dan pendidikan agar nantinya diharapkan akan selalu meningkat. Dengan memberikan pengetahuan tentang faktor-faktor apa saja yang mempengaruhi tingkat kelulusan tersebut. Sehingga setelah melakukan prediksi nantinya akan melakukan perancangan atau planning untuk selanjutnya agar menjadi yang lebih baik.

DAFTAR PUSTAKA Jong Jek Siang. (2005). Jaringan Syaraf Tiruan dan pemrogramannya menggunakan MATLAB. ANDI, Yogyakarta. Purwanto. (2008). Sistem Pengenalan Huruf Tulisan Tangan dengan Pendekatan Heuristik. http://rmsui.vlsm.org/fusilkom-ui/fusilkom-96-196abs.html Yani, Eli. (2005). Pengantar Jaringan syaraf Tiruan. Artikel Makalah. http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syara Nam, Ng Ching (2003). Ramalan Permintaan Perumahan Kos Rendah Di Kawasan Bandar Mggk-nn - Satu Pendekatan Siri Masa. www.efka.utm.my/thesis/images//3PSM/2003/5IT/NGCHINNAMCA 010029D03TT1.doc. Halim, Siana, dan Adrian Michael Wibisono. 2000. “Penerapan Jaringan Syaraf Tiruan untuk Peramalan”. Dalam Jurnal Teknik Industri Vol.2. No. 2. Hal. 106-113. Arief Heru Kuncoro (2005). Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi Wonosobo (2009). Pengantar jaringan syaraf tiruan teori dan aplikasi. Star Publishing

84

Penerapan Metode AHP Untuk Penentuan Penerima Beasiswa (Study Kasus AMIK Depati Parbo Kerinci)

PENERAPAN METODE AHP UNTUK PENENTUAN PENERIMA BEASISWA (STUDY KASUS AMIK DEPATI PARBO KERINCI) Program Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci E-mail : [email protected] Rosy Dasmita, M.Kom

ABSTRAK Sesuai dengan peraturan yang sudah ditentukan oleh pihak Kopertis untuk memperoleh beasiswa, maka diperlukan kriteria-kriteria untuk menentukan siapa yang akan terpilih untuk menerima beasiswa. Pemberian beasiswa diberikan kepada mahasiswa untuk membantu seseorang yang kurang mampu ataupun berprestasi selama menempuh studinya. Untuk membantu penentuan dalam menetapkan seseorang yang layak menerima beasiswa maka dibutuhkan sebuah sistem pendukung keputusan.Salah satu metode yang dapat digunakan untuk Sistem Pendukung Keputusan adalah dengan menggunakan AHP (Analytical Hierarky Proces). Pada penelitian ini akan diangkat suatu kasus yaitu mencari alternative terbaik bedasarkan kriteria-kriteria yang telah ditentukan dengan mengggunakan metode AHP pada kasus tersebut. Metode ini dipilih karena mampu menyeleksi alternative terbaik dari sejumlah alternatif, dalam hal ini alternatif yang dimaksudkan yaitu yang berhak menerima beasiswa berdasarkan kriteria-kriteria yang ditentukan. Penelitian dilakukan dengan mencari nilai bobot untuk setiap atribut, kemudian dilakukan proses perankingan yang akan menentukan alternatif yang optimal, yaitu mahasiswa terbaik. Kata kunci : Sistem Penunjang Keputusan, Metode AHP dan Software Aplikasi Expert Choice

ABSTRACT in accordance with regulations prescribed by the Kopertis to obtain a scholarship, then the required criteria to determine who will be selected to receive scholarships. Scholarships awarded to students to help someone less capable or accomplished during his studies to take. To assist in determining a person's determination would be eligible for a scholarship is needed a support system keputusan.Salah one method that can be used for Decision Support System is to use AHP (Analytical Hierarky Proces). This research will be

Rosy Dasmita

85

appointed a case of finding the best alternative Based on criteria that have been determined by use traditional AHP method in that case. This method was chosen because it is able to select the best alternative from a number of alternatives, in this case meant that alternatives are eligible to receive scholarships based on specified criteria. Research carried out by finding the weights for each attribute, then do the ranking that will determine the optimal alternative, which is the best student. Keywords: Decision Support Systems, Applications and Software AHP Method Expert Choice

Latar Belakang Penelitian Sistem penunjang keputusan (SPK) merupakan sebuah sistem berbasis komputer yang adaptif, fleksibel, dan interaktif yang digunakan untuk memecahkan masalah-masalah tidak terstruktur sehingga meningkatkan nilai keputusan yang diambil (Henry Wibowo, 2009). Untuk menerapkan konsep SPK banyak metode yang dapat digunakan diantaranya adalah mengunakan metode Analytic Hierarchy process (AHP). Analytic Hierarchy process (AHP) merupakan suatu metode analisis untuk struktur suatu masalah dan dipergunakan untuk mengambil keputusan atas suatu alternatife. Banyak metode yang dapat digunakan dalam sistem pengambilan keputusan salah satu metode yang digunakan dalam penelitian ini adalah metode Analytical Hierarchy Process (AHP). Konsep metode AHP adalah merubah nilai kualitatif menjadi nilai kuantitatif. AHP menunjukan bagaimana menghubungkan kriteria-kriteria dari satu bagian masalah dengan kriteriakriteria dari bagian lain untuk memperoleh hasil gabungan. Prosesnya adalah mengidentifikasi,memahami, dan menilai interaksi-interaksi dari suatu sistem sebagai satu keseluruhan. Sistem Pendukung Keputusan Sistem pendukung keputusan merupakan suatu sistem informasi yang ditujukan untuk membantu manajemen dalam memecahkan masalah yang dihadapinya (Agus Lahinta). Dari pengertian Sistem Pendukung Keputusan maka dapat ditentukan karakteristik antara lain : 1. Sistem Pendukung Keputusan dirancang untuk membantu pengambilan keputusan dalam pemecahan masalah yang sifatnya semi terstruktur ataupun tidak terstruktur 2. Dalam proses pengolahanya, sistem pendukung keputusan mengkombinasikan pengunaan model – model / teknik-teknik analisis

86


dengan teknik pemasukan pencari/interogasi informasi.

data

konvensional

serta

fungsi-fungsi

Analytical Hierarchy Process (AHP) Analytic Hierarchy Process (AHP) yang dikembangkan oleh Thomas L. Saaty berguna membantu pengambil keputusan untuk mendapat keputusan terbaik dengan membandingkan faktor-faktor yang berupa kriteria.

Intensitas Kepentingan 1 3 5 7 9 2,4,6,8

Skala Penilaian Perbandingan Berpasangan Keterangan Kedua elemen sama pentingnya Elemen yang satu sedikit lebih penting daripada elemen yang lainnya Elemen yang satu lebih penting daripada yang lainnya Satu elemen jelas lebih mutlak penting daripada elemen lainnya Satu elemen mutlak penting daripada elemen lainnya Nilai-nilai antara dua nilai pertimbangan-pertimbangan yang berdekatan

Perbandingan dilakukan berdasarkan kebijakan pembuat keputusan dengan menilai tingkat kepentingan satu elemen terhadap elemen lainnya Proses perbandingan berpasangan, dimulai dari level hirarki paling atas yang ditujukan untuk memilih kriteria, misalnya A, kemudian diambil elemen yang akan dibandingkan, misal A1, A2, dan A3. Maka susunan elemen-elemen yang dibandingkan tersebut akan tampak seperti pada gambar matriks di bawah ini : Contoh Matriks Perbandingan Berpasangan A1 A2 A3 A1 A2 A3

1 1 1

Dalam AHP ini, penilaian alternatif dapat dilakukan dengan metode langsung (direct), yaitu metode yang digunakan untuk memasukkan data kuantitatif. Biasanya nilai-nilai ini berasal dari sebuah analisis sebelumnya atau dari pengalaman dan pengertian yang detail dari masalah keputusan tersebut. Jika si pengambil keputusan memiliki pengalaman atau

Rosy Dasmita

87

pemahaman yang besar mengenai masalah keputusan yang dihadapi, maka dia dapat langsung memasukkan pembobotan dari setiap alternatif. 1. Penentuan prioritas Untuk setiap kriteria dan alternatif, perlu dilakukan perbandingan berpasangan (pairwise comparisons). Nilai-nilai perbandingan relatif kemudian diolah untuk menentukan peringkat alternatif dari seluruh alternatif. Pertimbangan-pertimbangan terhadap perbandingan berpasangan disintesis untuk memperoleh keseluruhan prioritas melalui tahapan-tahapan berikut: a. Kuadratkan matriks hasil perbandingan berpasangan. b. Hitung jumlah nilai dari setiap baris, kemudian lakukan normalisasi matriks. 2. Konsistensi Logis Semua elemen dikelompokkan secara logis dan diperingatkan secara konsisten sesuai dengan suatu kriteria yang logis. Hubungan kardinal : aij . ajk = aik Hubungan ordinal : Ai > Aj, Aj > Ak maka Ai > Ak Penghitungan konsistensi logis dilakukan dengan mengikuti langkahlangkah sebagai berikut: a. Mengalikan matriks dengan proritas bersesuaian. b. Menjumlahkan hasil perkalian per baris. c. Hasil penjumlahan tiap baris dibagi prioritas bersangkutan dan hasilnya dijumlahkan. d. Hasil c dibagi jumlah elemen, akan didapat λmaks. e. Indeks Konsistensi (CI) = (λmaks-n) / (n-1) f. Rasio Konsistensi = CI/ RI, di mana RI adalah indeks random konsistensi. Jika rasio konsistensi ≤ 0.1, hasil perhitungan data dapat dibenarkan. Daftar RI dapat dilihat pada Tabel Nilai Indeks Random Ukuran Matriks Nilai RI 1,2 0,00 3 0,58 4 0,90 5 1,12 6 1,24 7 1,32 8 1,41 9 1,45

88


10 11 12 13 14 15

1,49 1,51 1,48 1,56 1,57 1,59

Expert Choice Expert choice adalah sebuah aplikasi yang khusus digunakan alat bantu implementasi model-model dalam Decission Support System (DSS) atau yang lebih dikenal dengan sebutan Sistem Penunjang Keputusan (SPK) dalam sebuah perusahaan ataupun untuk keperluan akademik (Anindita Saktiaji). Menentukan Beasiswa Pengertian Beasiswa seperti yang dikutip dari www.Wikipedia.org adalah pemberian berupa bantuan keuangan yang diberikan kepada perorangan yang bertujuan untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Pemberian Beasiswa pada suatu Perguruan Tinggi hanya berdasarkan kepada Indeks Prestasi dan Ekonomi keluarga saja, begitu juga halnya di AMIK Depati Parbo Kerinci yang merupakan suatu Perguruan Tinggi Swasta (PTS) di Kota Sungai Penuh Propinsi Jambi. Proses pengambilan keputusan dalam penentuan penerima beasiswa dikelompokkan menjadi beberapa kriteria yaitu : 1. Kriteria Index Prestasi Mahasiswa (IPK) 2. Kriteria Ekonomi (penghasilan orang tua) 3. Kriteria Jumlah Tanggungan Orang Tua 4. Kriteria Jumlah Saudara Kandung 5. Kriteria Semester Menentukan prioritas kriteria Langkah pertama yaitu perbandingan matrik untuk menentukan prioritas kriteria, dimana terdapat beberapa tahapan yang harus dilakukan dalam menentukan prioritas kriteria, yaitu: 1. Membuat matrik perbandingan berpasangan 2. Membuat Matrik nilai kriteria 3. Membuat matrik penjumlahan baris 4. Perhitungan rasio konsistensi

Rosy Dasmita

89

Hasil Akhir

Nilai pada kolom hasil analisis 11.97,6.64,4.23,5.00 diperoleh dari nilai pada baris matrik hasil seperti nilai baris pada baris siswa1 ditambahkan dengan setiap nilai yang ada pada kolom IPK,Ekonomi,JTO,JS dan semester pada baris siswa1, 6.06+1.06+0.83+2.01+2.01 maka diperoleh nilai 11.97 begitu seterusnya. Sedangkan untuk menentukan rangking pada tiap-tiap subkriteria dilakukan perbandingan mulai dari siswa1 sampai dengan siswa4 Hasil Pengujian Pengujian terhadap hasil analisa, sangat penting untuk dilakukan untuk memastikan apakah hasil analisa tersebut benar atau tidak. Setelah dilakukan perkalian matrik perbandingan berpasangan langkah selanjutnya adalah memulai mengaplikasikan menggunakan software aplikasi expert choice, langkah pertama yang harus dilakukan adalah menentukan tujuan atau Goal yang akan di capai pada kasus ini yaitu penentu penerima beasiswa. Seperti pada tabel

Gambar Penentuan Goal Pada Sofware Expert Choice

90


Setelah menentukan gold maka langkah selanjutnya menginputkan Kriteria dan Alternatif dari Goal atau tujuan dari penelitian ini. Adapun Langkah-langkah untuk menginputkan kriteria dari penentuan penerima beasiswa. 1. Pilih Edit lalu Insert Child of Current Node dari menu, selanjutnya ketik Kriteria pertama dan tekan Enter untuk melanjutkan ke kriteria selanjutnya. 2. Tekan Esc untuk berhenti apabila sudah selesai memasukan kriteria. 3. Menginputkan Alternatif Untuk menginputkan alternatife pilihan penerima beasiswa dengan cara pilih Edit, Alternatife. Model untuk pemilihan beasiswa sudah lengkap, seperti dapat dilihat pada Gambar Goal dan kriteria dapat dilihat dalam panel Alternatife. 4. Melakukan ASSESSMENT Merupakan langkah untuk melakukan pembobotan pada kriteria dan alternative,pertama, lakukan pembobotan pada setiap alternatife dengan dibandingkan pada setiap kriteria. 5. Pembobotan Alternatife untuk setiap criteria Gerakan kursor mouse ke kriteria dan lakukan pembobotan ke setiap alternatife berdasarkan kriteria tersebut dengan cara yang sama pada saat melakukan pembobotan kriteria. Adapun tampilan pembobotan alternatife berdasarkan kriteria seperti pada gambar 5.7,5.8,5.9,5.10,5.11.

Gambar Pembobotan Alternative Berdasarkan Kriteria IPK

Rosy Dasmita

91

Adapun untuk penentuan nilai atau bobot pada kriteria ekonomi dan lain-lain ini hampir sama yang dilakukan pada tabel diatas dimana masingmasing alternative memiliki bobot nilai masing-masing sesuai dengan data siswa Setelah melakukan pembobotan untuk semua alternative, maka langkah yang dilakukan untuk mendapatkan hasil perhitungan alternative mana yang dipilih. Hasil dari model tersebut dapat dilihat pada gambar

Gambar Hasil Menunjukan Siswa 1 Adalah Penerima Beasiswa Pada gambar menjelaskan hasil yang telah diperoleh melalui penginputan data mulai dati tahap penentuan goal, dimana pada tabel nampak siswa tang berhak dan telah memenuhi kriteria yang paling pas atau tepat adalah siswa1 dimana di antara siswa 1 sampai dengan siswa 15, siswa satu yang memiliki poin paling tinggi di bandingkan yang lainnya.

92


DAFTAR PUSTAKA

Arief Heru Kuncoro dan Rinaldy Dalimi, Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia, Jurnal Teknologi, Edisi No.3. Tahun XIX, Sept.2005: 211-217. Setyo Nugroho, Agus Harjoko, Penerapan Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi Wajah Manusia Pada Citra Digital, Seminar Nasional Teknologi Informasi 2005 (SNATI 2005) Yogyakarta, 18 Juni 2005. Yeni Nuraeni, Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK Kelulusan Mahasiswa, Telkomnika Vol.7.No.3. Desember 2009: 195-200 Wahidin Wahab, Aplikasi Algoritma Back-Propagation Multi Layer Perceptron Pada Identifikasi Dinamika Sistem Nonlinier, Jurnal Teknologi, Edisi No.1. Tahun XVIII, Maret 2004: 1-62. Siang, Jong Jek, Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan Matlab, Andi, Yogyakarta, 2005 Hermawan, Arif., Jaringan Syaraf Tiruan Teori dan Aplikasi, Andi, Yogyakarta, 2006 Sri Kusumadewi dan Sri Hartati, Neuro-Fuzzy , Graha Ilmu, Yogyakarta, 2006 Puspitaningrum, Diyah., Pengantar Jaringan Syaraf Tiruan, Andi, Yogyakarta, 2006 Depdiknas, Undang-undang Repeblik Depdiknas,Jakarta,2003

Indonesia Nomor

20

Tahun

2003,

Depdiknas, Peraturan Pemerintah Repeblik Indonesia Nomor 19 Tahun 2005, Depdiknas,Jakarta,2005 Depdiknas, Peraturan Pemerintah Repeblik Indonesia Nomor 52 Tahun 2008, Depdiknas,Jakarta,2007.

93

Analisa Dan Perancangan Fuzzy Logic Untuk Menentukan Penyebab Kegagalan Siswa Dalam Ruang Mata Pelajaran Instalasi Komputer

ANALISA DAN PERANCANGAN FUZZY LOGIC UNTUK MENENTUKAN PENYEBAB KEGAGALAN SISWA DALAM RUANG MATA PELAJARAN INSTALASI KOMPUTER Netti Susanti Akademi Manajemen Informatika ( AMIK ) Depati Parbo Kerinci Email : [email protected]

ABSTRAK Fuzzy logic adalah sebuah alat dalam sistem pakar yang dapat membantu dalam mengatasi penyebab terjadi kegagalan siswa dalam mengambil mata pelajaran Instalasi Komputer. Melalui variabel-variabel yang harus dicapai, seperti Nilai kognitif, Nilai Pisikomotor, dan Nilai Afektif. Fuzzy logic akan memberikan informasi yang diinginkan dengan menggunakan rule base yang bervariasi. Dengan demikian diperoleh sebuah pengetahuan tentang bagaimana cara menentukan apa penyebab terjadinaya kegagalan siswa dalam mata pelajaran Instalasi komputer dan informasi bagaimana cara mengatasi kegagalan siswa tersebut. Kata kunci : Fuzzy Logic, Aplikasi Matlab, Data Nilai siswa

1. PENDAHULUAN Seperti mata pelajaran lainnya guru/pendidik juga mengharapkan agar seluruh siswa mendapatkan nilai yang optimal, dan Guru juga mengharapkan dengan mengikuti Mata pelajaran Instalasi Komputer ini siswa dapat memanfaatkan ilmu yang dimiliki sehingga bisa menjadi peluang bisnis bagi mereka. meskipun sebagian sudah berhasil tetapi ada juga sebagian dari siswa tersebut gagal dalam mata pelajaran ini, dengan penelitian ini agar dapat membantu guru mencari tau apa yang menyebabkan siswa tersebut bisa gagal dalam ruang lingkup mata pelajaran ini. Sehingga guru mata pelajaran instalasi komputer tersebut dapat mengambil keputusan selanjutnya. Pada penelitian ini, dalam menentukan siswa yang gagal dalam ruang mata pelajaran Instalasi Komputer dapat di proses dengan melakukan analisa terhadap objek yang telah ditentukan untuk mendapatkan data-data yang dibutuhkan dalam proses analisa kegagalan Siswa. Nilai-nilai variabel tersebut berupa Nilai kognitif, Nilai Pisikomotor, dan Nilai Afektif. sehingga nantinya nilai-nilai tersebut dapat dijadikan rule yang akan dipakai dalam sistim pakar.

94

Setelah dilakukan analisa terhadap variabel ini diaharapkan dapat menggali nilai-nilai rule berbasis knowledge untuk kemudian digunakan dalam fuzzy logic, selanjutnya dirancang sebuah program aplikasi sederhana dengan menggunakan bahasa pemograman MATLAB yang memakai metode Fuzzy Logic. 2. KONSEP DASAR Konsep dasar dari pembuatan sistem ini adalah penerapan logika samar (Fuzzy Logic) yaitu Himpunan Samar (Fuzzy Sef) dan metode Penarikan Kesimpulan Samar metode mamdani sering dikenal sebagai metode MaxMin. metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Pengertian Fuzzy Logic Fuzzy logic (logika samar) adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Beberapa keunggulan dari logika samar adalah konsepnya sederhana dan mudah dimengerti, memiliki toleransi terhadap data-data yang tidak tepat, dan logika samar didasarkan pada bahasa alami. Hal yang Perlu Diketahui dalam Sistem Fuzzy Ada beberapa hal yang perlu diletahui dalam memahami sistem fuzzy, yaitu : Variabel Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, permintaan, dan sebagainya. Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel umur, terbagi menjadi 3 himpunan fuzzy, yaitu:MUDA, PAROBAYA, dan TUA. Himpunan fuzzy memiliki 2 atribut, yaitu : 1.1 Linguistik, yaitu penamaan grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA. 1.2 Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 40, 25, 50, dsb. Semesta Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya, Contoh ; Semesta pembicaraan untuk variabel umur: [0, + ∞

95

Domain, himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya dengan semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Contoh domain himpunan fuzzy: • MUDA = [0, 45]

• PAROBAYA = [35, 55]

Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1[1]. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang dapat digunakan: Representasi Linear Naik. Kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan 0 bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.

Representasi Linear Turun. Merupakan kebalikan dari representasi linear naik. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.

96

Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis linear seperti terlihat pada Gambar .

Representasi Kurva Trapesium. Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.

Representasi Kurva Bentuk Bahu Daerah yang terletak di tengah-tengah suatu variable yang direpresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik dan turun (misalkan: DINGIN bergerak ke SEJUK bergerak ke HANGAT dan bergerak ke PANAS). Tetapi terkadang salah satu sisi dari variabel tersebut tidak mengalami perubahan

97

Representasi Kurva-S Kurva-S memiliki nilai kenaikan atau penurunan yang tak linear. Ada dua representasi kurva-S, yaitu kurva PERTUMBUHAN dan PENYUSUTAN. Kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu: nilai keanggotaan nol (α), nilai keanggotaan lengkap (γ), dan titik infleksi atau crossover (β) yaitu titik yang memiliki domain 50% benar. Representasi Kurva-S PERTUMBUHAN Kurva-S PERTUMBUHAN akan bergerak dari sisi paling kiri dengan nilai keanggotaan nol (0) ke sisi paling kanan dengan nilai keanggotaan satu (1).

Representasi Kurva-S PENYUSUTAN Kurva-S PENYUSUTAN merupakan kebalikan dari Kurva-S PERTUMBUHAN. Nilai keanggotaannya akan bergerak dari sisi kiri dengan nilai keanggotaan satu (1) ke sisi kanan dengan nilai keanggotaan nol (0). Seperti Gambar 2.9.

98

Representasi Kurva Bentuk Lonceng (Bell Curve) Untuk merepresentasikan himpunan fuzzy, biasanya digunakan kurva bentuk lonceng. Kurva bentuk lonceng ini terbagi atas 3 kelas, yaitu: Kurva π, BETA, dan GAUSS. Perbedaan ketiga kurva ini terletak pada gradiennya. Kurva π, Kurva π berbentuk lonceng dengan derajat keangotaan 1 terletak pada pusat dengan domain (γ), dan lebar kurva (β). Seperti terlihat pada Gambar

Kurva BETA Seperti halnya Kurva-π, kurva BETA juga berbentuk lonceng namun lebih rapat. Kurva ini didefinisikan dengan 2 parameter, yaitu nilai pada domain yang menunjukkan pusat kurva (γ), dan setengah lebar kurva (β).

99

Salah satu perbedaan mencolok Kurva-BETA dari Kurva-π adalah fungsi keanggotaannya akan mendekati nol hanya jika nilai (β) sangat besar. Kurva GAUSS Kurva GAUSS menggunakan (γ) untuk menunjukkan nilai domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva

Metode Mamdani metode mamdani sering dikenal sebagai metode Max-Min. metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan : Pembentukan himpunan fuzzy, Pada metode Mamdani, baik variabel input maupun variabel output dibagi menjadi sutu atau lebih himpunan fuzzy Aplikasi fungsi implimikasi, Pada metode Mamdani fungsi yang digunakan adalah Min. Komposisi aturan, Ada 3 metode yang digunakan dalam melakukan inferensi system fuzzy yaitu : Metode Max, Pada metode ini , solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy. metode Additive ( Sum), pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua operator output. Penegasan ( Defuzzy ), Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan – aturan fuzzy Matlab Matlab singkatan dari Matrix Laboratory, merupakan bahasa pemrograman tingkat tinggi berbasis pada matrik, sehingga sering digunakan untuk teknik komputasi numerik, menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi dan lainlain (Arhami, 2005:2).

100

3. IMPLEMENTASI Desain Input Data Siswa Berdasarkan Nilai Afektif, Nilai Kognitif, Nilai Psikomotor Fungsi keanggotaan nilai siswa berdasarkan Nilai afektif siswa akan di desain terlebih dahulu fungsi keanggotaannya sebagai berikut : (x – 35) / (55 – 35)

35 ≤ x ≤ 55

0;

x≥ 55

0;

X ≤ 45 atau x ≥ 70

( x – 45 ) / (60 – 45) ;

45 ≤ X ≤ 60

(60 – x) /(70 – 60) ;

60≤ X ≤ 70

0;

X ≤ 65

( x – 65) / 95 - 65 ;

65 ≤ X ≤ 95

1;

X ≥ 95

Kurang [x1] =

Cukup [x2] =

Baik [x3] =

Pengujian Secara Manual Kasus 1: siswa yang bernama Andrianti Dwi.N yang memiliki nilai afektif = 35, nilai Kognitif = 75, dan nilai afektif = 35, α-prediket yang tidak nol hanya terdapat pada aturan [R07] dan [R16] adalah sebagai berikut: [ R07 ] = min (µNA[35] ; µNK[75];µNP[35] 1.2

0.5 ; 0.2 ; 0.5

1.3

0.2

Lihat himpunan nilai IK siswa dengan variabel GAGAL, maka dapat dicari zl yaitu : ( x – 40 ) / (60 - 40) = 0,5 (x-40)

= 7.5

X

= 37.5

101

Maka rata – rata hasil nilai instalasi komputer siswa adalah dengan asumsi sebagai berikut [ R27 ] = min (µNA[35] ; µNK[75];µNP[35] 1 0.5 ; 0.2 ; 0.5 2 0.2 Lihat himpunan nilai IK siswa dengan variabel LULUS, maka dapat dicari z2 yaitu : ( x – 40 ) / (60-40) = 0.2 (x-40)

=6

X Z

= 10.8 =

(α07 x z01) + (α27 x z02) (α07 + α27)

= (α07 x z01) + (α27 x z02) (α07 + α27) = ( 0.2 x 37.5 ) + ( 0.2 + 10.8 ) ( 0.2 + 0.2 ) =

7.5 + 2.16 0.4 = 24.15

Pengujian dengan menggunakan Aplikasi Matlab

102

Berdasarkan defuzzifikasi menggunakan matlab didapat Nilai IK = 28.1 dan Rule viewer MATLAB nilai αpredikat yang bukan nol adalah (rule 07 dan rule 27), Nilai z terletak pada himpunan fuzzy output hasil nilai Instalasi Komputer (IK) siswa adalah GAGAL. Berdasarkan defuzzifikasi menggunakan matlab didapat Nilai IK = 31.8 dan Rule viewer MATLAB nilai αpredikat yang bukan nol adalah (rule 4) Dari pengujian manual dan dengan aplikasi Matlab didapatkan bahwa menunjukan adanya sedikit perbedaan, tetapi masih dalam rage dan domain yang sama yaitu siswa yang bernama Andrianti Dwi N adalah siawa yang gagal dalamruang lingkup mata pelajaran Instalasi Komputer Adalah GAGAL. Yang menyebab terjadi kegagalan siswa yang bernama Andrianti Dwi N adalah Nilai Afektif (KURANG), Nilai Kognitif (CUKUP) dan Nilai Psikomotor (KURANG ). 4. KESIMPULAN DAN SARAN Logika Fuzzy dengan Model mamdani dapat memudahkan dalam menganalisa apa saja yang menyebabkan terjadinya kegagalan siswa dalam ruang lingkup mata pelajaran instalasai komputer. setelah melakukan pengujian telah didapat apa yang menyebabkan siswa tersebut gagal dalam mengambil mata pelajaran Instalasi Komputer yaitu dilihat dari rule – rule nya dan selanjutnya juga dapat melihat apakah siswa tersebut Lulus atau Gagal dalam mata pelajaran tersebut. Penelitian ini masih jauh dari sempurna dan hanya di implementasikan pada satu mata pelajaran saja. pada suatu saat nantinnya penelitian ini mungkin bisa dikembangkan lagi menjadi penelitian yang lebih kompleks dan di implementasikan untuk semua mata pelajaran di sekolah. DAFTAR PUSTAKA 1. Agus Naba, Hari Purnomo. 2009. Belajar Cepat Fuzzy Logic menggunakan matlab., Andi. Yogyakarta. 2. Sri Kusumadewi, Hari Purnomo. 2004. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan., Graha Ilmu. Yogyakarta. 3. Rian Anggreini, Wawan Indrianto, Sri Kusumadewi. 2004. SISTEM PENCARIAN KRITERIA KELULUSAN MENGGUNAKAN METODE FUZZY, Media Informatika. Yogyakarta. 4. Mohamad Glesung Gautama, PENENTUAN JURUSAN DI SMA N 8 SURAKARTA DENGAN FUZZY INFERENCE SYSTEM (FIS) MAMDANI. Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta.

Nirmala Santi

103

APLIKASI DATA MINING ALGORITMA C4.5 UNTUK MENENTUKAN KELULUSAN MAHASISWA AMIK DEPATI PARBO KERINCI

NIRMALA SANTI, S.KOM.,M.KOM AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh

ABSTRAK Algoritma C4.5 adalah algoritma klasifikasi data bertipe pohon keputusan. Pohon keputusan algoritma C4.5 dibangun dengan beberapa tahap yang meliputi pemilihan atribut sebagai akar, membuat cabang untuk tiap-tiap nilai dan membagi kasus dalam cabang. Tahap-tahan ini akan diulangi untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Dari penyelesaian pohon keputusan maka akan didapatkan beberapa rule suatu kasus. Dalam hal ini penulis mengklasifikasikan kelulusan dari seorang mahasiswa pada suatu Perguruan Tinggi (AMIK Depati Parbo Kerinci) tidak hanya berdasarkan kriteria Indeks Prestasi Komulatif saja tetapi juga keahlian ekstrakurikuler seperti Praktek Labor, Organisasi Kampus, Asisten Labor dan Umur yang juga menjadi tolak ukur seseorang untuk dapat diterima di sebuah instansi swasta/ pemerintah. Dengan penerapan algoritma C4.5 ini akan dapat membantu pihak BAAK dalam merekomendasikan mahasiswa yang benarbenar terampil. Kata kunci: data mining, klasifikasi data, algoritma C4.5, pohon keputusan, kelulusan mahasiswa

PENDAHULUAN Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual (Pramudiono, 2006). Algoritma C4.5 adalah salah satu algoritma yang digunakan untuk melakukan klasifikasi data dengan membentuk pohon keputusan (Kusrini dan Emha Taufiq Luthfi, 2009). Penulis mencoba untuk memberikan informasi dalam menentukan kelulusan mahasiswa di AMIK Depati Parbo Kerinci. Selama ini informasi yang diberikan dalam menentukan kelulusan mahasiswa hanya bisa dilihat berdasarkan Indeks Prestasi Komulatif (IPK), yang menunjukkan kualitas

104

Aplikasi Data Mining Algoritma C4.5 Untuk Menentukan Kelulusan Mahasiswa AMIK Depati Parbo Kerinci

mahasiswa secara umum tanpa mengetahui keahlian yang benar-benar ditekuni oleh mahasiswa tersebut. Penelitian ini memiliki tujuan yang hendak dicapai, yaitu untuk menganalisa kelulusan mahasiswa menggunakan algoritma C4.5, mengevaluasi setiap rule dengan membuat pohon keputusan dan menjelaskan proses pembentukan pohon keputusan untuk menentukan kelulusan mahasiswa dengan metode algoritma C4.5. METODOLOGI PENELITIAN Adapun yang menjadi objek penelitian ini adalah data kelulusan mahasiswa AMIK Depati Parbo Kerinci Jl. Pancasila Kota Sungai Penuh. Untuk memberikan panduan dalam penyusunan penelitian ini maka perlu adanya susunan kerangka kerja yang jelas tahapan-tahapannya. Seperti yang terlihat pada gambar berikut.

Perumusan Masalah

Penentuan Tujuan

Mempelajari Literatur Pengumpulan Data dan Informasi

Analisa Sistem Implementasi

Menarik Kesimpulan Gambar 1. Kerangka Kerja Penelitian

Nirmala Santi

105

Dari kerangka kerja yang di gambarkan, maka dapat diuraikan pembahasan masing-masing kegiatan sebagai berikut ini: 1. Perumusan Masalah Pada tahap ini dilakukan peninjauan ke sistem yang akan diteliti untuk mengamati serta melakukan explorasi lebih dalam dan menggali permasalahan yang ada pada sistem yang berjalan pada saat ini. 2. Penentuan Tujuan Pada tahap ini ditentukan tujuan dari penelitian ini adalah bagaimana merancang dan mengimplementasikan suatu sistem database yang memudahkan dalam proses pengambilan keputusan dalam melakukan pengklasifikasian kelulusan mahasiswa. 3. Mempelajari Literature Studi pustaka dilakukan dengan tujuan untuk mengetahui metode apa yang akan digunakan untuk menyelesaikan permasalahan yang akan diteliti, serta mendapatkan dasar-dasar referensi yang kuat bagi peneliti dalam menerapkan suatu metode yang digunakannya. 4. Pengumpulan Data dan Informasi Pada tahap ini dilakukan pengumpulan data dan informasi untuk lebih mengetahui mengenai sistem yang diteliti. Dari data dan informasi yang dikumpulkan akan dapat diketahui mengenai sistem yang berjalan pada saat ini. Adapun data-data yang diperlukan dalam penelitian ini adalah : Data Kelulusan Mahasiswa antara lain: a. Data kelulusan mahasiswa berdasarkan Indeks Prestasi Komulatif b. Data kelulusan mahasiswa berdasarkan Praktek labor c. Data kelulusan mahasiswa berdasarkan Umur d. Data kelulusan mahasiswa berdasarkan Asisten Labor e. Data kelulusan mahasiswa berdasarkan Organisasi Kampus Kegiatan yang penulis lakukan dalam pengumpulan data adalah sebagai berikut: a) Dengan cara mengambil sampel data kelulusan Mahasiswa mulai dari data kelulusan mahasiswa berdasarkan Indeks Prestasi Komulatif, Umur, Asisten Labor, Praktek Labor, dan Organisasi Kampus. b) Dalam kegiatan wawancara, penulis menemui narasumber yang selama ini melakukan proses pelaporan kelulusan mahasiswa dengan cara manual yaitu Bagian Administrasi Akademik dan Kemahasiswaan. Sekaligus menanyakan keluhan dalam melakukan proses membuat laporan tentang kelulusan mahasiswa. 5. Analisa Sistem Tahap analisa sistem bertujuan untuk mempelajari masalah dan kelemahan yang timbul dan menentukan kebutuhan-kebutuhan pemakai sistem.

106


Permasalahan dan kelemahan tersebut diidentifikasi yang nantinya akan dirangkaikan dengan data-data lain sehingga dapat menjadi informasi yang mendukung dalam pengembangan perangkat lunak. Pada bab ini digambarkan proses pengambilan keputusan dalam mengklasifikasikan kelulusan mahasiswa berdasarkan Indeks Prestasi Komulatif, Praktek Labor, Umur, Asisten Labor, dan Organisasi Kampus. Dan juga terdapat analisa kebutuhan sistem yang untuk menentukan output apa saja yang akan dihasilkan oleh informasi yang akan dibangun ini. Dari hasil analisa sistem, maka sistem yang akan dibangun ini hendaknya mampu menghasilkan output yakni laporan penjelasan dalam pengambilan keputusan untuk klasifikasi kelulusan mahasiswa. Metode analisa yang dipakai untuk menganalisis kebutuhan sistem untuk membantu dalam mengambil keputusan yang optimal dengan beberapa kriteria dengan menggunakan database dengan model pohon keputusan, relasi yang ada dalam basisdata masih bersifat standar, dengan penekanan beberapa field dalam tabel-tabel yang ada pada basis data tersebut. 6. Implementasi Setelah rancangan selesai dibuat, maka pada tahap ini dilakukan uji coba terhadap program tersebut sehingga analisis hasil implementasi dari pengujian model ini menggunakan komputer dengan menggunakan WEKA sebagai aplikasinya dengan menggunakan metode pohon keputusan. 7. Menarik Kesimpulan Menarik kesimpulan dilakukan untuk membandingkan hasil yang didapatkan pada tahap implementasi sistem yang dibuat secara manual. Analisa Data mining dengan Algoritma C4.5 dalam Menentukan Kelulusan Mahasiswa Sistem yang akan dirancang dan digunakan dalam menentukan kelulusan mahasiswa dirancang dengan menggunakan metode analisis terstruktur, pada metode transformasi input, proses dan output dinyatakan dengan Diagram Arus Data (Data Flow Diagram) sebagai pernyataan algoritma pelatihan dan pengujian. Pada tahapan ini penggunaan notasi-notasi digunakan untuk menggambarkan arus data sistem, di mana akan sangat membantu dalam proses komunikasi dengan pemakai. Proses kelulusan mahasiswa yang ada di AMIK Depati Parbo Kerinci sebelumnya hanya berdasarkan rata-rata nilai sesuai kurikulum yang dikenal dengan istilah Indek Prestasi Komulatif, tanpa mempertimbangkan nilai keahlian khusus yang dilakukan mahasiswa di luar kurikulum. Pada penulisan penelitian ini proses klasifikasi kelulusan Mahasiswa diproses dengan membuat pohon keputusan untuk menghasilkan suatu output. Di mana data tersebut mempunyai beberapa kriteria yang merupakan syarat

Nirmala Santi

107

dalam pengklasifikasian kelulusan mahasiswa. Data tersebut merupakan data input klasifikasi kelulusan mahasiswa. Data yang telah didapat dianalisa seehingga dikelompokkan menjadi beberapa kelompok data yang dapat diproses dengan merancang pohon keputusan. Proses pengambilan keputusan dalam klasifikasi kelulusan mahasiswa dikelompokkan menjadi beberapa kriteria yaitu : 1. Kriteria nilai Indeks Prestasi Komulatif (IPK) 2. Kriteria Praktek Labor 3. Kriteria Umur 4. Kriteria Organisasi Kampus 5. Kriteria Asisten Labor Salah satu cara untuk melakukan analisis kelulusan mahasiswa adalah dengan melakukan klasifikasi dari kumpulan data mahasiswa yang telah lulus. Salah satu model klasifikasi adalah dengan membuat pohon keputusan. A. Pemilihan Variabel Data kelulusan mahasiswa pada Perguruan Tinggi Swasta AMIK Depati Parbo Kerinci tahun ajaran 2003/2004 memiliki format seperti berikut : 1. NPM 2. Nama 3. Tempat/ Tanggal Lahir 4. Tanggal Yudisium 5. IPK 6. Predikat Kelulusan Dari data-data tersebut, yang diambil sebagai variabel keputusannya adalah nilai kelulusan tinggi, sedang dan rendah. Sedangkan yang diambil sebagai variabel penentu dalam pembentukan pohon keputusan adalah IPK, Umur dan ditambah data penunjang lain yang sangat berpengaruh, yaitu Praktek Labor (Magang), Organisasi Kampus dan Asisten Labor. Pemilihan variabel-variabel tersebut dengan pertimbangan bahwa jumlah nilai variabelnya tidak banyak sehingga diharapkan kelulusan mahasiswa yang masuk dalam satu klasifikasi nilai variabel tersebut cukup banyak. Misalnya Praktek Labor jumlah nilai variabelnya hanya dua, yaitu Pernah dan Tidak Pernah, sehingga jumlah mahasiswa yang pernah / tidak pernah cukup banyak. Sementara itu, atribut seperti nama tidak dipilih karena jumlah nilai variabelnya cukup besar. B. Melakukan Pra-Proses Berdasarkan variabel-variabel yang sudah terpilih, format data menjadi seperti tampak pada tabel di bawah ini :

108


Tabel 1. Format Data Calon Mahasiswa Setelah Pemilihan Variabel 1

UMUR (TAHUN) 2

PRAKTEK LABOR 3

ORGANISA SI KAMPUS 4

ASISTEN LABOR 5

PREDIKAT KELULUSAN 6

3,15

21

Tidak Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

2,99

26

Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

2,55

24

Tidak Pernah

Tidak Pernah

Tidak Pernah

Memuaskan

3,82

25

Pernah

Pernah

Tidak Pernah

Cum Laude

2,68

23

Pernah

Tidak Pernah

Tidak Pernah

Memuaskan

2,70

22

Tidak Pernah

Pernah

Tidak Pernah

Memuaskan

3,89

21

Pernah

Pernah

Pernah

Cum Laude

2,56

24

Tidak Pernah

Pernah

Tidak Pernah

Memuaskan

3,50

24

Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

2,79

21

Tidak Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

3,12

23

Tidak Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

3,81

21

Pernah

Tidak Pernah

Pernah

Cum Laude

2,83

21

Tidak Pernah

Tidak Pernah

Tidak Pernah

Sangat Memuaskan

2,71

24

Tidak Pernah

Tidak Pernah

Tidak Pernah

Memuaskan

3,11

23

Pernah

Pernah

Tidak Pernah

Sangat Memuaskan

IPK

Setelah data dalam format di atas, kemudian dilakukan pra-proses berikut. 5. Mengelompokkan Nilai IPK Tabel 2. Klasifikasi IPK IPK Klasifikasi 2,50 – 2,99 1 3,00 – 3,49 2 3,50 – 4,00 3 6. Mengelompokkan Nilai Umur

Nirmala Santi

109

Tabel 3. Klasifikasi Nilai Umur Umur Klasifikasi 21-25 01 26-28 02 29-40 03 7. Mengelompokkan Nilai Praktek Labor Tabel 4. Nilai Praktek Labor Praktek Labor Nilai Baru Pernah Y Tidak Pernah T 8. Mengelompokkan Nilai Organisasi Komputer Tabel 5. Nilai Organisasi Komputer Organisasi Kampus Nilai Baru Pernah Y Tidak Pernah T 9. Mengelompokkan Nilai Asisten Labor Tabel 6. Nilai Asisten Labor Asisten Labor Nilai Baru Pernah Y Tidak Pernah T Format data akhir setelah dilakukan pra-proses tampak seperti tabel berikut : Tabel 7. Format Data Akhir 1

UMUR (TAHUN) 2

PRAKTEK LABOR 3

ORGANISA SI KAMPUS 4

ASISTEN LABOR 5


2

01

T

T

T

Sangat Memuaskan

1

02

Y

T

T

Sangat Memuaskan

1

01

T

T

T

Memuaskan

3

01

Y

Y

T

Cum Laude

IPK

110


1

01

Y

T

T

Memuaskan

1

01

T

Y

T

Memuaskan

3

01

Y

Y

Y

Cum Laude

1

01

T

Y

T

Memuaskan

3

01

Y

T

T

Sangat Memuaskan

1

01

T

T

T

Sangat Memuaskan

2

01

T

T

T

Sangat Memuaskan

3

01

Y

T

Y

Cum Laude

1

01

T

T

T

Sangat Memuaskan

1

01

T

T

T

Memuaskan

2

01

Y

Y

T

Sangat Memuaskan

C. Pohon Keputusan Dari format data akhir kelulusan mahasiswa maka akan dilakukan klasifikasi data algoritma C4.5 dengan membuat pohon keputusan. Seperti yang telah dijelaskan, algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut : 1. Pilih atribut sebagai akar. 2. Buat cabang untuk tiap-tiap nilai. 3. Bagi kasus dalam cabang. 4. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Berikut ini kasus yang dituangkan dalam tabel 8. Tabel 8. Keputusan Klasifikasi Kelulusan Mahasiswa 1

UMUR (TAHUN) 2

PRAKTEK LABOR 3

ORGANISASI KAMPUS 4

ASISTEN LABOR 5


2

01

T

T

T

Sangat Memuaskan

1

02

Y

T

T

Sangat Memuaskan

1

01

T

T

T

Memuaskan

3

01

Y

Y

T

Cum Laude

1

01

Y

T

T

Memuaskan

1

01

T

Y

T

Memuaskan

IPK

Nirmala Santi

111

3

01

Y

Y

Y

Cum Laude

1

01

T

Y

T

Memuaskan

3

01

Y

T

T

Sangat Memuaskan

1

01

T

T

T

Sangat Memuaskan

2

01

T

T

T

Sangat Memuaskan

3

01

Y

T

Y

Cum Laude

1

01

T

T

T

Sangat Memuaskan

1

01

T

T

T

Memuaskan

2

01

Y

Y

T

Sangat Memuaskan

Dalam kasus yang tertera di atas, akan dibuat pohon keputusan untuk menentukan klasifikasi kelulusan mahasiswa (tinggi, sedang dan rendah) dengan melihat IPK, Umur, Praktek Labor, Organisasi Kampus dan Asisten Labor. Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera dalam persamaan berikut :

n



Gain (S, A) = Entropy (S) -

i=

Si

* Entropy (Si)

S

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

Di mana : 1 S : himpunan kasus A : atribut n : jumlah partisi atribut A Si : jumlah kasus pada partisi ke-i S : jumlah kasus dalam S Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan berikut :

n

Entropy (S) -



i= 1

Si S

- pi * log2 pi

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

112


Di mana : S : himpunan kasus A : fitur n : jumlah partisi S pi : proporsi dari Si terhadap S Dengan menggunakan dua persamaan diatas maka akan didapatkan Entropy dan gain yang digunakan sebagai akar dalam membuat pohon keputusan. a. Menghitung jumlah kasus, jumlah kasus untuk keputusan Rendah (Memuaskan), jumlah kasus untuk keputusan Sedang (Sangat Memuaskan), jumlah kasus untuk keputusan Tinggi (Cum Laude) dan Entropy dari semua kasus dan kasus yang dibagi berdasarkan atribut IPK, Umur, Praktek Labor, Organisasi Kampus dan Asisten Labor. Setelah itu, lakukan perhitungan gain untuk setiap atribut. Tabel 9. Perhitungan Node 1 Node 1

Jumlah Kasus (S)

Rendah Sedang (S1) (S2)

Tinggi (S3)

15

5

7

3

Entropy 1.505823

1 2 3

8 3 4

5 0 0

3 3 1

0 0 3

0.954434 0 0.811278

1 2 3

14 1 0

5 0 0

6 1 0

3 0 0

1.530619 0 0

Y T

7 8

1 4

3 4

3 0

1.448816 1

TOTAL IPK

Gain 0.180451

UMUR

0.077245

Praktek Labor

-0.94299

Organisasi Kampus

0.134872 Y T

5 10

2 3

1 6

2 1

1.521968 1.295462

Y T

2 13

0 5

0 7

2 1

0 1.295738

Asisten Labor

0.382623

Baris kolom Entropy pada tabel 9 dihitung dengan persamaan 2 sebagai berikut :

Nirmala Santi

113

Entropy (Total)

n

Entropy (S) =



Si

- pi * log2 pi

S

i= 1 5 5 * log2 ( )) + ( = ( 15 15

7 7 3 * log ( 3 )) 2 * log2 ( )) + ( 15 15 15 15

= 1.505823

a. Atribut IPK Entropy (IPK, 1)

= (

5 5 )) + ( * log 2 ( 8 18

3 3 )) + ( * log 2 ( 8 8

0 0 * log2 ( )) 8 8

3 3 ( 4 * log2 ( 4 )) +

0 0 )) * log2 ( 4 4

1 1 ( )) + ( 4 * log2 4

3 3 )) * log2 ( 4 4

= 0.954434 Entropy (IPK, 2)

= (

0 0 4 * log2 ( 4 )) + (

=0 Entropy (IPK, 3)

= (

0 0 ( )) + ( 4 * log2 4

= 0.811278

b. Atribut Umur Entropy (Umur, 1)

5 5 = ( 14 * log2 (14 )) + (

6 6 3 3 )) ( * log2 ( )) * log 2 ( + 14 14 14 14

= 1.530619 Entropy (Umur, 2)

= (

0 * log ( 0 )) + ( 2 1 1

1 * log ( 1 )) 2 + ( 1 1

0 * log2 ( 0 )) 1 1

114


=0 Entropy (Umur, 3)

= (

0 0 ( )) + ( 0 * log2 0

0 0 ( )) + ( 0 * log2 0

0 0 )) * log2 ( 0 0

3 3 * log2 ( )) + ( 7 7

3 * log2 ( 3 )) 7 7

4 4 * log2 ( )) + ( 8 8

0 * log ( 0 )) 2 8 8

1 1 5 * log2 ( 5 )) + (

2 2 5 * log2 ( 5 ))

=0

c. Atribut Praktek Labor Entropy (Praktek Labor, Y)

= (

1 1 * log2 ( )) + ( 7= 1.448816 7

Entropy (Praktek Labor, T)

= (

4 4 * log2 ( )) + ( 8= 1 8

d. Atribut Organisasi Kampus Entropy (Organisasi Kampus, Y)

= (

2 2 5 * log2 ( 5 )) + (

= 1.521928 Entropy (Organisasi Kampus, T)

(

=

3 3 * log 2 ( 10 10 )) + (

6 6 1 1 * log2 ( )) ( * log )) 2 ( + 10 10 10 10

= 1.295462

e. Atribut Asisten Labor Entropy (Asisten Labor, Y)

= =0

(

0 0 + ( 2 * log2 ( 2 ))

0 0 + ( 2 * log2 ( 2 ))

2 2 )) * log2 ( 2 2

Nirmala Santi

115

Entropy (Asisten Labor, T)

=

5 5 ( 13 * log2 (13 )) + (

7 7 1 1 * log ( 2 ( * log ( )) 2 + 13 13 13 13 ))

= 1.295738 Sementara itu, nilai gain dapat dihitung dengan menggunakan persamaan 1 sebagai berikut :

n

Gain (Total, IPK)

= Entropy (S) -



IPKi * Entropy (IPKi) Total

i= 1 8

3

4

= 1.505823 – (( 15 * 0.954434 ) + ( 15 * 0 ) + ( 15 * 0.811278 )) = 0.180451

Gain (Total, Umur) =

14

n

Umuri

i= 1

Total

Entropy (S) 1



* Entropy (Umuri)

0

= 1.505823 - (( 15 * 1,531 ) + ( 15 * 0 ) + ( 15 * 0 )) = 0.077245

n

Gain (Total, Prak Lab) =

= 1.505823 - (( = -0.94299

Entropy (S) -



Praktek Labori * Entropy (Praktek Labori) Total i=1

7 8 * 1,449 ) + ( 15 15 * 1 ))

116


Gain (Total, Org Kampus)

n

=

Entropy (S) -



Org Kampusi * Entropy (Org Kampusi)

Total

i= 5 1 10 = 1.505823 - (( * 1,522 ) + ( 15 15 * 1,296 )) = 0,134872 Gain (Total, Asisten Lab)

n

=

Entropy (S) -



Asisten Labori

* Entropy (Asisten Labori)

Total i= 2 1 ) ( 13 = 1.505823 - (( *0 + 15 15 * 1,296 )) = 0.382623 Dari hasil pada tabel 4.10 dapat diketahui bahwa atribut dengan gain tertinggi adalah Asisten Labor, yaitu sebesar 0.382623. Dengan demikian, Asisten Labor dapat menjadi node akar. Ada dua nilai atribut dari Asisten Labor, yaitu Y dan T. Dari kedua nilai atribut tersebut, nilai atribut Y sudah mengklasifikasikan kasus menjadi Cum Laude, sehingga tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai atribut T masih perlu dilakukan perhitungan lagi. Gambar pohon keputusan sementara tampak seperti gambar berikut :

Asisten Labor 1 Cum Laude

3 1.2 ?

Gambar 2. Pohon Keputusan Hasil Perhitungan Node 1

Nirmala Santi

117

b. Menghitung jumlah kasus, jumlah kasus untuk keputusan Rendah, jumlah kasus untuk keputusan Sedang, jumlah kasus untuk keputusan Tinggi dan Entropy dari semua kasus dan kasus yang dibagi berdasarkan atribut IPK, Umur, Praktek Labor dan Organisasi Kampus yang dapat menjadi node akar dari nilai atribut T. Setelah itu, lakukan perhitungan gain untuk tiap-tiap atribut. Hasil perhitungan ditunjukkan oleh tabel 10. Tabel 10. Perhitungan Node 1.2 Jumlah Rendah Sedang Kasus (S) (S1) (S2)

Node 1. 2 Asisten Labor Tidak Pernah IPK

Tinggi (S3)

13

5

7

1

Entropy 1.295738

1 2 3

8 3 2

5 0 0

3 3 1

0 0 1

0.954434 0 1

1 2 3

12 1 0

5 0 0

6 1 0

1 0 0

1.325011 0

Gain

0.554548

Umur

0.072651

Praktek Labor

0.153065 Y T

5 8

1 4

3 4

1 0

1.370951 1

Organisasi Kampus

0.198456 Y T

4 9

2 3

1 6

1 0

1.5 0.918296

Entropy (Asisten Labor, T)

5 5 = ( 13 * log2 (13 )) + (

7 7 1 1 )) * log2 ( ( )) + ( 13 * log2 13 13 13

= 1.295738 a. Atribut IPK Entropy (IPK, 1)

= (

5 5 8 * log2 1( 8 )) + (

= 0.954434

3 3 ( 8 * log2 ( 8 )) +

0 0 )) * log2 ( 8 8

118


Entropy (IPK, 2)

= (

0 0 3 * log2 ( 3 )) + (

3 3 3 * log2 ( 3 )) + (

0 0 ( )) 3 * log2 3

1 1 2 * log2 ( 2 )) + (

1 1 ( )) 2 * log2 2

=0 Entropy (IPK, 3)

= (

0 0 2 * log2 ( 2 )) + (

=1

b. Atribut Umur Entropy (Umur, 1)

5 5 = ( 14 * log2 (14 )) + (

6 6 1 1 ( )) 14 * log2 ( 14 )) + ( 14 * log2 14

= 1.325011 Entropy (Umur, 2)

= (

0 0 1 * log2 ( 1 )) + (

1 1 1 * log2 ( 1 )) + (

0 0 ( )) 1 * log2 1

0 0 0 * log2 ( 0 )) + (

0 0 ( )) 0 * log2 0

3 3 5 * log2 ( 5 )) + (

1 1 5 * log2 ( 5 ))

=0 Entropy (Umur, 3)

= (

0 0 0 * log2 ( 0 )) + (

=0

c. Atribut Praktek Labor Entropy (Praktek Labor, Y)

= (

1 1 5 * log2 ( 5 )) + (

= 1.370951

Nirmala Santi

119

Entropy (Praktek Labor, T)

= (

4 4 8 * log2 ( 8 )) + (

4 4 8 * log2 ( 8 )) + (

0 0 8 * log2 ( 8 ))

=1

d. Atribut Organisasi Kampus Entropy (Organisasi Kampus, Y)

= (

2 2 ( * log 2 4 4 )) + (

1 1 ( * log 2 4 4 )) + (

1 1 ( * log 2 4 4 ))

= 1.5 Entropy (Organisasi Kampus, T)

=

3 3 ( 10 * log2 (10 )) + (

6 6 0 0 ( )) 10 * log2 ( 10 )) + ( 10 * log2 10

= 0.918296 Sementara itu, nilai gain dapat dihitung dengan menggunakan persamaan 1 sebagai berikut :

n

Gain (Asist Labor, T) =



Entropy (S) -

i= 1 = 1.295738 - ((

IPKi * Entropy (IPKi) Total

8 3 2 * 0.954434 ) + ( * 0 ) +( * 1 )) 13 13 13

= 0.554548

n

Gain (Total, Umur) =

Entropy (S) -



Umuri * Entropy (Umuri) Total

i= 12 0 1 1 = 1.295738 - (( 13 * 1,325 ) + ( 13 * 0 ) + ( 13 *0 )) = 0.072651

120


Gain (Total, Prak Lab)

n



= Entropy (S) -

i=1 = 1.295738 - ((

Praktek Labori

* Entropy (Praktek Labori)

Total

5 8 * 1.371 ) + ( 13 13 * 1 ))

= 0.153065

Gain (Total, Org Kampus)

n

=

Entropy (S) -



Org Kampusi Total

* Entropy (Org Kampusi)

i= 1 = 1.295738 - ((

4 9 * 1,5 ) + ( 13 13 *0.9182 ))

= 0,198456 Dari hasil pada tabel 10 dapat diketahui bahwa atribut dengan gain tertinggi adalah IPK, yaitu sebesar 0.554548. Dengan demikian IPK dapat menjadi node cabang. Ada tiga nilai atribut dari IPK, yaitu 1, 2 dan 3. Dari ketiga nilai atribut tersebut, nilai atribut 1 dikelompokkan menjadi nilai atribut <=1 yang sudah mengklasifikasi kasus menjadi 1, yaitu keputusannya Memuaskan dan >1 dengan keputusan Sangat Memuaskan. Pohon keputusan yang terbentuk sampai tahap ini adalah sebagai berikut.

Nirmala Santi

121

Asisten Labor Y

T

Cum Laude

1.2 IPK <=1 Memuaskan

>1 Sangat Memuaskan

Gambar 3. Pohon Keputusan Hasil Perhitungan Node 1.1 Dengan memperhatikan pohon keputusan pada gambar di atas, maka dapat disimpulkan bahwa semua kasus sudah masuk dalam kelas. Dengan demikian, pohon keputusan tersebut merupakan pohon keputusan terakhir yang terbentuk. Dan aturan yang terbentuk adalah sebagai berikut : 1. Jika Asisten Labor = Y Maka Cum Laude 2. Jika Asisten Labor = T Dan IPK <=1 Maka Memuaskan 3. Jika Asisten Labor = T Dan IPK >1 Maka Sangat Memuaskan D. Algoritma Pohon Keputusan Membentuk algoritma dapat diinisialisasikan dalam pembuatan flowchart. Flowchart merupakan representasi grafik yang menggambarkan setiap langkah yang akan dilakukan dalam suatu proses seperti proses menarik kesimpulan pohon keputusan.

122


Mulai

1. Hapus tabel tree 2. atribut_hasil = nama_atribut dalam tabel atribut yang hasil = “Y”

1. Q1 : select distinct atribut_hasil dari tabel kasus 2. jml_hasil = 0 Y

T Q1. Eof ?

1. Level = 0 2. jml_node = 0

Buat Node

1. Hasil [jml_hasil] = ‘result_’+jml_hasil 2. Tampil [jml_hasil] = Q1.Fields[0] 3. inc (i)

Selesai

Gambar 4. Algoritma Pohon Keputusan Hasil Pengujian Untuk menguji kebenaran dari hasil pengolahan data yang dikerjakan secara manual tersebut kita dapat menggunakan salah satu software aplikasi WEKA Knowlege Explorer dengan langkah-langkah sebagai berikut : 4. Seluruh variabel-variabel (terdiri dari attribut kondisi dan atribut keputusan) yang digunakan untuk menentukan kelulusan mahasiswa disimpan pada microsoft excel dengan nama file NILAIMAHASISWA.xls (yang berisi kasus atau kriteria dalam mengasilkan rule) seperti yang terlihat pada Gambar 5.1.

Nirmala Santi

123

5. file NILAIMAHASISWA.xls dan simpan sebagai .csv. Selanjutnya, buka file tersebut dari Microsoft Word, notepad, atau editor teks lainnya dan data sudah berubah dalam format comma-separated. Lalu sesuaikan data tersebut dengan menambahkan informasi awal hasilnya, data tersebut sudah dapat digunakan sebagai inputan dalam WEKA.

Gambar 5. NILAIMAHASISWA.xls 6. Agar data tersebut dapat digunakan pada aplikasi WEKA decision tree, maka data tersebut harus disimpan dalam format ‘ARFF’ (Gambar 5.2). File ARFF (Attribute-Relation File Format) adalah sebuah file teks ASCII yang berisi daftar instances dalam sekumpulan atribut. File ARFF dikembangkan oleh Machine Learning Project di Department of Computer Science of The University of Waikato untuk digunakan dalam perangkat lunak WEKA. Data dalam format .arff tersebut dapat dipemenuhi dengan cara: a) Data dipisahkan dengan koma, dengan kelas sebagai atribut terakhir. b) Bagian header diawali dengan @RELATION. c) Tiap atribut ditandai dengan @ATTRIBUTE. Tipe-tipe data dalam WEKA: numerik(REAL atau INTEGER), nominal, String, dan Date. d) Bagian data diawali dengan @DATA

124


Gambar 6. NILAIMAHASISWA.arff 7. Buka software WEKA 3.6.2

Gambar 7. WEKA GUI Chooser sebgai menu awal Kemudian klik Explore Button, dan Pilih Open File, pilih data test kita “NILAIMAHASISWAi.arff” sehingga muncul tampilan seperti :

Nirmala Santi

125

Gambar 8. WEKA Explorer dengan Open File 8.

9.

Visualisasi tiap atribut dapat dilihat dengan meng-klik tombol Visualize. Visualisasi ini menggunakan diagram batang, yang mengilustrasikan jumlah dari masing-masing tipe pada atribut yang ada.

Gambar 9. WEKA Explorer dengan Visualisasi Data Kemudian Pilih Tab Classifiers, Klik Tombol Choose pada pilihan Classifier

126


Gambar 10. WEKA Explorer dengan Tab Classifiers 10. Pada menu Classifier pilih root Tree dan Klasifikasi dengan pohon keputusan, yaitu metode klasifikasi dengan struktur pohon yang merepresentasikan kriteria pembagian kelas dan kelas-kelas denga menggunakan metode algoritma J48.

Gambar 11. Pilihan model Classifiers

Nirmala Santi

127

11. Tersedia pula pilihan pengujian bagi user di bawah bagian pemilihan classifiers, yaitu: a. Use training set. Classifier dievaluasi pada kemampuannya memprediksi class dari instances yang diujikan. b. Supplied test set. Pengujian kemampuan classifier dilakukan terhadap himpunan instances terpisah yang di-load dari sebuah file. c. Cross-validation. Classifier dievaluasi dengan cross-validation, menurut jumlah folds yang dimasukkan pada kolom Folds. d. Percentage split. Evaluasi clasifier dilakukan pada sejumlah persentase tertentu dari data yang digunakan untuk pengujian. 12. Setelah classifier, pilihan-pilihan pengujian, dan class telah ditentukan, proses pembelajaran dapat dimulai dengan klik tombol Start. User dapat menghentikan proses ini sewaktu-waktu dengan tombol Stop. Saat training selesai, area output classifier di sebelah kanan menampilkan teks yang menggambarkan hasil training dan pengujian. Sebuah entry baru juga muncul di kotak Result list.

Gambar 12. Hasil Classifier Errors klasifikasi dapat divisualisasikan dalam sebuah tool visualisasi data pop-up. Jika classifier menghasilkan sebuah decision tree, dapat ditampilkan secara grafis dalam sebuah pop-up tree visualizer. Dan untuk melihat hasil visualisasi dalam bentuk tree klik kana Tress.J48 pada menu result list kemudian pulih Visualize Tree

128


Gambar 13. Pilhan Visualisasi Tree Hasil Visualize Tree

Gambar 14. Hasil Visualisasi Tree

Nirmala Santi

129

Setelah dilakukan pengujian pada software WEKA 3.6 untuk memprediksi tingkat kelulusan mahasiswa seperti yang sudah dijelaskan di atas ternyata hasil rule yang dihasilkan pada WEKA pada gambar 5.10 hampir sama dengan rule yang dihasilkan pada proses manual penemuan knowledge menggunakan pohon keputusan. Pembahasan Hasil Pengujian Dari dua hasil pengujian yang telah dilakukan yaitu proses secara manual dan menggunakan software WEKA 3.6 dapat kita ambil sebuah kesimpulan bahwa hasil pengujian sangat baik karena rule yang dihasilkan hampir sama. Tapi hasil pengujian ini belum dapat dikatakan valid karena pada penelitian ini hanya menggunakan salah satu teknik untuk memprediksi yaitu teori Decition Tree. Oleh sebab itu perlunya dilakukan penelitian lanjutan untuk membandingkan hasil prediksi dan menentukan teori mana yang menghasilkan prediksi yang baik.

PENUTUP Dari uraian pada bab-bab yang sudah dibahas sebelumnya dapat ditarik kesimpulan : 1. Berdasarkan pada rumusan masalah yang diteliti, kemudian telah dibuktikan dengan pengujian klasifikasi data mining dan aplikasi Weka maka dapat diambil kesimpulan bahwa metode pohon keputusan yang diproses dengan Weka lebih efektif dan fleksibel jika digunakan pada proses pengklasifikasian kelulusan mahasiswa. 2. Sistem yang dibangun dapat membantu dalam pengklasifikaasian kelulusan mahasiswa yang umumnya masih dilakukan secara manual. 3. Algoritma C4.5 dengan metode pohon keputusan dapat memberikan informasi eksekutif dan sistem digunakan untuk menggambarkan proses yang terkait dengan pengklasifikasian kelulusan mahasiswa. 4. Sistem pengklasifikasian kelulusan mahasiswa menggunakan algoritma C4.5 dapat digunakan dalam pengambilan keputusan untuk mencari alternatif yang baik. 5. Dari hasil penelitian ini didapat knowledge base dalam proses pengklasifikasian mahasiswa dengan menggunakan algoritma data mining, yaitu algoritma C4.5. Pengembangan sistem ini adalah dari sistem manual atau berdasarkan basis pengetahuan ke sistem komputerisasi yang dibangun atas dasar pertimbangan permasalahan-permasalahan yang timbul dari sistem yang lama. Berikut ini adalah saran yang dapat diperhatikan untuk masa yang akan datang.

130


1. Pada proses klasifikasi kelulusan mahasiswa ini bisa lebih dikembangkan lagi dengan mengklasifikasikan kelulusan untuk semua jurusan dan per periode. 2. Aplikasi yang dibuat ini agar bisa dimanfaatkan oleh AMIK Depati Parbo Kerinci. 3. Walaupun aplikasi ini sangat mudah untuk dijalankan, namun perlu diberitahukan cara-cara pengoperasiannya.

DAFTAR PUSTAKA Kusrini dan Luthfi Taufiq Emha. 2009. “ Algoritma Data Mining”. Andi, Yogyakarta Kusrini1, Sri Hartati2, Retantyo Wardoyo3, Agus Harjoko4. 2009. “Jurnal Perbandingan Metode Nearest Neighbor dan Algoritma C4.5 untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa di STMIK Amikom Yogyakarta” Veronica Sri Moertini. 2007. “Disertasi Pengembangan Skalabilitas Algoritma Klasifikasi C4.5 dengan Pendekatan Konsep Operator Relasi (Studi Kasus : Pra-Pengolahan dan Klasifikasi Citra Batik)” Veronica S. Moertini. “Jurnal Penanganan Atribut Citra dengan Wavelet untuk Pengembangan Aloritma C4.5” Yudho Giri Sucahyo. 2003. “Jurnal Data Mining Menggali Informasi yang Terpendam” Yudho Giri Sucahyo. 2003. “ Penerapan Data Mining Permasalahan apa saja yang bisa diselesaikannya?”

Very Karnadi

131

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA PESERTA OLIMPIADE SAINS MENGGUNAKAN LOGIKA FUZZY (Studi kasus : SMA NEGERI 2 SUNGAI PENUH) Very Karnadi, S. Kom., M. Kom. Dosen Akademi Manajemen Informatika dan Komputer Depati Parbo Kerinci e-mail : [email protected] ABSTRAK Sistem pemilihan siswa untuk mengikuti olimpiade sains selama ini dilakukan hanya dengan faktor pertimbangan terhadap nilai siswa selama belajar di Sekolah Menengah Atas (SMA). Ternyata cara ini menghasilkan ketidak tepatan dalam pemilihan siswa yang mewakili untuk mengikuti olimpiade sains. Untuk menyempurnakan cara pemilihan siswa ini akan ditambahkan faktor lain seperti tingkat intelligensi, minat siswa serta pengalaman mengikuti olimpiade sains sebagai bahan pertimbangan untuk pemilihan siswa yang berhak mengikuti olimpiade sains. Dengan membangun sistem pendukung keputusan yang didasarkan pada logika fuzzy dan dilengkapi dengan ketiga fakor pertimbangan ini diharapkan dapat menghasilkan suatu pengambilan keputusan yang akurat dalam memilih siswa yang kompeten. Kata Kunci : Olimpiade Sains, Logika Fuzzy. I.

Pendahuluan

Latar Belakang Penelitian Salah satu program pemerintah dalam meningkatkan kualitas sumber daya manusia melalui Departemen Pendidikan Nasional adalah dengan menyelenggarakan Olimpiade Sains Nasional (OSN). Penyelenggarakan Olimpiade Sains Nasional tersebut bertujuan untuk meningkatkan wawasan pengetahuan, kemampuan kreatifitas, menanamkan sikap disiplin ilmiah serta kerja keras para remaja untuk menguasai ilmu pengetahuan dan teknologi. Logika Fuzzy merupakan salah satu cabang dari Artificial Intelligence modern, selain dari Neural Network, Algoritma Genetika dan beberapa cabang Artificial Intelligence lainnya. Metode ini dikembangkan untuk membantu mengambil keputusaan terhadap beberapa alternatif keputusan untuk mendapatkan keputusan yang optimal. Logika Fuzzy modifikasi dari teori himpunan di mana setiap anggotanya memiliki derajat keanggotaan yang bernilai continue antara 0 dan 1. Dengan menerapkan Logika fuzzy pada masalah ini dianggap membantu untuk memetakan suatu input ke dalam suatu output tanpa mengabaikan faktor-

132

Sistem Pendukung Keputusan Pemilihan Siswa Peserta Olimpiade Sains Menggunakan Logika Fuzzy

faktor yang ada. Dengan metode ini diharapkan dapat mengukur kemampuan siswa yang akan diseleksi. Fuzzy logic digunakan untuk menyelesaikan situasi di mana ada tingkat ketidakpastian apakah sesuatu benar atau salah.Situasi ini seringkali merupakan situasi di dunia nyata. Suatu fuzzy expert system memadukan fungsi-fungsi fuzzy untuk membangun kesimpulan. Berdasarkan latar belakang permasalahan di atas, penulis sangat tertarik untuk melakukan analisis pemilihan siswa untuk mengikuti olimpiade sains dengan menggunakan bahasa Logika Fuzzy yang nantinya dalam pengambilan keputusan diharapkan lebih maksimal. Pengambilan keputusan ini akan diteliti lebih lanjut serta dituliskan dalam bentuk tesis yang diberi judul “Pengembangan Sistem penentuan untuk memilih siswa yang berhak mengikuti olimpiade sains dengan menggunakan logika fuzzy”. II. Teori Penunjang Sistem Pendukung Keputusan (SPK) Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem. Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan (Zainal Arifin, 2010). Defenisi Sistem Secara sederhana, Gordon (1989) mendefenisikan sistem sebagai suatu agregasi atau kumpulan objek-objek yang terangkai dalam interaksi dan kesalingbergantungan yang teratur. Menurut Robert dan Michael (1991) menyatakan sistem sebagai suatu kumpulan dari elemen yang saling berinteraksi membentuk suatu kesatuan, dalam interaksi yang kuat maupun lemah dengan pembatas sistem yang jelas. Dari sejumlah pengertian diatas tergantung adanya kesamaan pengertian tentang sistem. Dengan penambahan makna dan arti informasi, diperoleh suatu terminologi sistem yaitu seperangkat elemen yang saling berinteraksi, membentuk kegiatan atau suatu prosedur yang mencari pencapaian suatu tujuan atau tujuan-tujuan bersama dengan mengoperasikan data dan/atau barang pada waktu rujukan tertentu untuk menghasilkan informasi dan/atau energi dan/atau barang (Kadarsah Suryadi dan M. Ali Ramdhani, 2002).

Very Karnadi

133

Defenisi Keputusan Menurut James A.F. Stoner, keputusan adalah pemilihan di antara berbagai alternatif. Definisi ini mengandung tiga pengertian, yaitu: (1) ada pilihan atas dasar logika atau pertimbangan; (2) ada beberapa alternatif yang harus dipilih salah satu yang terbaik; dan (3) ada tujuan yang ingin dicapai dan keputusan itu makin mendekatkan pada tujuan tersebut. Sedangkan menurut Prajudi Atmosudirjo bahwa keputusan adalah suatu pengakhiran daripada proses pemikiran tentang suatu masalah dengan menjatuhkan pilihan pada suatu alternatif. (Departemen pendikan Nasional, 2010). Defenisi Sistem Pendukung Keputusan Sistem Pendukung keputusan merupakan suatu sistem yang mendukung keputusan dalam sistem interaktif yang mendukung keputusan dalam proses pengambilan keputusan melalui alternatif-alternatif yang diperoleh dari hasil pengolahan data, informasi dan rancangan model. Menurut Keen dan Scoot Morton, bahwa Sistem Pendukung Keputusan adalah : “Sistem Pendukung Keputusan merupakan penggabungan sumber–sumber kecerdasan individu dengan kemampuan komponen untuk memperbaiki kualitas keputusan. Sistem Pendukung Keputusan juga merupakan sistem informasi berbasis komputer untuk manajemen pengambilan keputusan yang menangani masalah-masalah semi struktur “. Konsep Dasar Pengambilan Keputusan Sutjipto. R Tantyonimpuno dan Dwi. A Retnaningtias (2006), menyebutkan bahwa pengambilan keputusan didasarkan pada: 1. Intuisi, pengambilan keputusan yang berdasarkan intuisi atau perasaan memiliki sifat subyektif, sehingga akan mudah terpengaruh 2. Pengalaman, pengambilan keputusan semacam ini akan bermanfaat bagi pengetahuan praktis. 3. Fakta akan menghasilkan keputusan yang sehat, solid dan baik. 4. Wewenang, hal ini biasa dilakukan oleh pemimpin atau orang yang mempunyai kedudukan yang tinggi. 5. Rasional. Proses Hierarki Analitik dapat menyusun suatu perasaan serta institusi dan logika dalam suatu rancangan yang terstruktur untuk pengambilan keputusan dengan prinsip berfikir yang sederhana. Ada 3 (tiga) prinsip dasar Proses Hierarki Analitik, yaitu antara lain : 1. Membagi persoalan menjadi unsur yang terpisah-pisah (elemen-elemen) lalu menyusun secara hierarki. 2. Menetapkan prioritas atau peringkat terhadap elemenelemen tersebut menurut relatif pentingnya.

134


3. Menjamin bahwa semua elemen dikelompokkan secara logis dan diperingkatkan secara konsisten dengan kriteria yang logis. Kriteria Pengambilan Keputusan Imamuddin, M. dan Kadri, T (2006). Dalam menyelesaikan persoalan dengan AHP ada beberapa tahapan, yaitu : penguraian, perbandingan berpasangan, sintesa prioritas, dan konsistensi logis. 1. Penguraian Setelah persoalan didefinisikan perlu dilakukan penguraian, yaitu memecah persoalan yang utuh menjadi unsur-unsurnya (elemen-elemen). Jika hendak mendapatkan hasil yang akurat, pemecahan juga dilakukan terhadap unsur-unsurnya sampai tidak mungkin dilakukan pemecahan lebih lanjut, sehingga diperoleh beberapa tingkatan dari persoalan tersebut. 2. Perbandingan Berpasangan Karena sulitnya menentukan bobot-bobot ataupun prioritas-prioritas yang sering berubah-ubah, digunakan perbandingan berpasangan yang menggunakan data, pengetahuan, dan pengalaman untuk memperoleh prioritas. Prinsip ini berarti membuat penilaian berkenaan dengan pertimbangan relatif pentingnya satu elemen terhadap yang lain. Penilaian ini merupakan inti dari AHP, karena akan berpengaruh terhadap prioritas elemen-elemen. Hasil dari penilaian ini disajikan dalam bentuk matriks yang dinamakan matriks perbandingan berpasangan. Pertimbangan terbentuk oleh pasangan-pasangan dari elemen-elemen yang berkaitan dengan kriteria atau sifat yang sama-sama dimilikinya. Sebagai contoh, membandingkan dua buah lampu. Bisa dikatakan bahwa lampu yang pertama lebih terang cahayanya, atau hanya sedikit lebih terang, ataupun kedua lampu itu sama terang. Hal seperti contoh di atas yang disebut ketidaktetapan (variability) dari suatu kriteria yang diminati. Untuk itu diperlukan suatu skala perbandingan antar dua elemen, baik secara kualitatif maupun kuantitatif. Pertanyaan biasanya diajukan dalam penyusunan skala kepentingan adalah: a. Elemen mana yang lebih penting (penting/ disukai/ mungkin/…. )? b. Berapa kali lebih penting (penting/disukai/ mungkin/ ……)? 3. Sintesa Prioritas Setiap matriks perbandingan berpasangan ditentukan prioritas lokalnya dengan cara mencari nilai eigen (eigen value). Karena matriks tersebut terdapat pada tiap tingkat, maka dilakukan sintesa (paduan berbagai hal supaya menjadi satu kesatuan) antar prioritas lokal untuk mendapat prioritas global. Sintesa ini disebut sebagai sintesa prioritas. Prosedur dalam melakukan sintesa berbeda menurut bentuk hirarkinya. Pengurutan elemen-

Very Karnadi

135

elemen menurut kepentingan relatif melalui prosedur sintesa yang dinamakan priority setting. 4. Konsistensi Logis Konsistensi memiliki dua makna, pertama: bahwa obyek-obyek yang serupa dapat dikelompokkan sesuai dengan keseragamnya dan juga relevansinya, kedua: dari konsisten menyangkut tingkat hubungan antara obyek-obyek yang didasarkan pada kriteria-kriteria tertentu. Jenis-jenis Keputusan Keputusan dapat dibedakan menjadi 2 (dua) jenis, yaitu : 1. Keputusan Auto Generated. Keputusan semacam ini diambil dengan cepat dan kurang mepertimbangkan data, informasi, fakta, dan lapangan keputusannya. Keputusan auto generated ini kurang baik, sebab resikonya tinggi. 2. Keputusan Induced. Keputusan induced diambil berdasarkan scientific managemen atau manajemen ilmiah, sehingga keputusan itu logis, ideal, rasional untuk dilaksanakan dan resikonya relatif kecil, hanya saja proses pengambilan keputusan lebih lambat. Tahapan Sistem Pendukung Keputusan Sutjipto. R Tantyonimpuno dan Dwi. A Retnaningtias (2006), menjelaskan bahwa metode AHP digunakan sebagai pemecahan suatu masalah, diperlukan langkah-langkah yang tepat sehingga dapat memperoleh tujuan yangg hendak dicapai, adapun langkahnya adalah sebagai berikut: 1. Mendefisnisikan permasalahan dan menentukan tujuan, 2. Menyusun masalah ke dalam suatu struktur hierarki sehingga permasalahan yang kompleks dapat ditinjau dari sisi yang detail dan terukur, 3. Menyusun prioritas untuk tiap elemen masalah pada setiap hierarki. Prioritas ini dihasilkan dari suatu matriks perbandingan berpasangan antara seluruh elemen pada tingkat hierarki yang sama, 4. Melakukan pengujian konsistensi terhadap perbandingan antar elemen yang didapatkan pada tiap tingkat hierarki. Komponen-komponen Sistem Pendukung keputusan Menurut Subakti. Irfan (2002), Aplikasi Sistem Pendukung Keputusan bisa dikomposisikan dengan subsistem berikut ini:

136


Sistem Basis Komputer lain

Manajeme n Data

Internet, Intranet, externet

Manajeme n Model

Model Eksternal

Sunsistem Basis Pemgetahuan

User Interface Organisasi Basis Pengetahuan

Manager (user)

Gambar 2.3 Komponen SPK 1. Subsistem manajemen data Meliputi basis data yang mengandung data yang relevan dengan keadaan yang ada dan dikelola oleh sebuah sistem yang dikenal sebagai Database Management System (DBMS). 2. Subsistem manajemen model Yaitu sebuah paket perangkat lunak yang berisi model-model finansial, statistik, management science, atau model kuantitatif yang lain yang menyediakan kemampuan analisis sistem dan management software yang terkait. 3. Subsistem manajemen pengetahuan (knowledge) Yaitu subsistem yang mampu mendukung subsistem yang lain atau berlaku sebagai sebuah komponen yang berdiri sendiri (independent) 4. Subsistem antarmuka pengguna (User Interface) Merupakan media tempat komunikasi antara pengguna dan sistem pendukung keputusan serta tempat pengguna memberikan perintah kepada sistem pendukung keputusan. Konsep Dasar Fuzzy Dasar pemikiran logika klasik adalah logika benar dan salah yang disimbolkan dengan 0 (untuk logika salah) dan 1 (untuk logika benar) yang disebut juga logika biner. Tetapi pada kenyataanya dalam kehidupan sehari-hari banyak hal yang kita jumpai yang tidak bisa dinyatakan bahwa sesuatu itu mutlak benar atau mutlak salah. Ada daerah dimana benar dan salah tersebut nilainya tidak bisa ditentukan mutlak benar atau mutlak salah alias kabur. Untuk mengatasi masalah yang terjadi dalam logika klasik yang dikembangkan oleh Aristoteles tersebut, seorang ilmuwan dari Universitas

Very Karnadi

137

California Berkeley, Prof. Lptfi A.Zadeh pada tahun 1965 mengenalkan suatu konsep berpikir logika yang baru yaitu Logika Kabur (Fuzzy Logic). Pada logika Fuzzy : a. Nilai kebenaran bukan bersifat crisp (tegas) 0 dan 1 saja tetapi berada diantaranya (multivariabel). b. Digunakan untuk merumuskan pengetahuan dan pengalaman manusia yang mengakomodasi ketidakpastian ke dalam bentuk matematis tanpa harus mengetahui model matematikanya. c. Pada aplikasinya dalam bidang komputer, logika fuzzy diimplementasikan untuk memenuhi kebutuhan manusia akan sistem komputer yang dapat merepresentasikan cara berpikir manusia. Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari himpunan fuzzy yang memiliki batasan yang tidak presisi dan keanggotaan dalam himpunan fuzzy, dan bukan dalam bentuk logika benar (true) atau salah (false), tapi dinyatakan dalam derajat (degree). Konsep seperti ini disebut dengan fuzziness dan teorinya dinamakan Fuzzy Set Theory. Fuzziness dapat didefinisikan sebagai logika kabur berkenaan dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu pengambilan keputusan. Perbedaan Himpunan Fuzzy dengan Himpunan Pasti (Crisp) Pada himpunan pasti (crisp) nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µ A [ x] , memiliki 2 kemungkinan, yaitu: a. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau b. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota suatu himpunan. Beberapa Hal yang Perlu Diketahui dalam Sistem Fuzzy Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy, yaitu: a. Variabel Fuzzy Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. b. Himpunan Fuzzy Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Himpunan fuzzy memiliki 2 atribut, yaitu:

138


1. Linguistik, yaitu penamaan grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel. c. Semesta Pembicaraan Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi batas atasnya. d. Domain Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya dengan semesta pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. Fungsi Keanggotaan Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1[1]. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Metodologi Penelitian Kerangka Penelitian Kerangka kerja dalam penelitian perlu dibuat agar langkah-langkah kerja terstruktur dan mencapai hasil penelitian yang maksimal. Gambar 3.1 merupakan kerangka kerja yang digunakan dalam penelitian ini.

Very Karnadi

139

Gambar 3.1. Kerangka Kerja Penelitian III. Analisa dan Hasil Dalam bab ini akan dibahas tentang analisa, untuk memudahkan menganalisa maka data akan dikelompokkan berdasarkan batasan-batasan yang telah ditentukan sebelumnya. Pengelompokkan data berdasarkan variabelvariabel yang ada. Dalam logika konvensional nilai kebenaran data mempunyai kondisi yang pasti yaitu benar dan salah (true and false), dengan tidak ada kondisi antara. Dalam kehidupan yang nyata tidaklah mungkin logika konvensional itu dilaksanakan, dengan demikian logika fuzzy meramalkan suatu logika yang dapat merepresentasikan keadaan dunia nyata, logika fuzzy (samar) mempunyai nilai yang kontinyu. Samar dinyatakan dalam derajat suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu dikatakan sebagian benar dan sebagian salah pada waktu yang sama. Analisis Data Pada penentuan pengambilan keputusan untuk menentukan siswa yang berhak mengikuti olimpiade sains ada beberapa data yang diperlukan seperti : Nilai semester, Nilai tes, IQ dan minat.Terhadap data yang telah didapatkan

140


akan dilakukan analisa sehingga data tersebut dapat dikelompokkan menjadi kelompok data-data himpunan fuzzy yang bisa diolah dengan merancang rulerule dengan menggunakan fuzzy.Dari data-data yang sudah didapatkan akan dilakukan analisa untuk mendapatkan kelompok himpunan fuzzy. Analisis Sistem Dalam menentukan perancangan sistem, terdapat 4 variabel input yaitu : Nilai Semester, Nilai Tes, IQ dan minat, serta terdapat 1 variabel ouput yaitu variabel nilai olimpiade. Hal ini dapat dilihat pada gambar 4.2 berikut :

Gambar 4.2 Variabel Input dan OutPut Pada Metoda Mamdani Implementasi dan Pengujian Pada implementasi dan pengujian hasil analisa ini, digunakan aplikasi toolbox matlab untuk tahap pengujian terhadap analisa kepada Fuzzy Matlab Toolbox, yang harus dilakukan setelah menjalankan aplikasi matlab adalah mengaktifkan toolbox fuzzy dengan cara : 1. Membuka jendela menu Matlab 6.1 seperti gambar 5.1 di bawah ini :

Gambar 5.1 Tampilan Matlab 6.1

Very Karnadi

141

2. Lalu pilih Fis Editor Viewer toolbox, untuk menampilkan kotak dialog dari Fis Editor Viewer toolbox seperti gambar 5.2 di bawah ini :

Gambar 5.2 Tampilan Fis Editor Viewer dengan Metode Mamdani Pada tampilan Fis Editor Viewer toolbox tahap ini, kita bisa memulai untuk membentuk rancangan/desain baru khususnya untuk memulai fase penginputan masing- masing variabel yang akan diolah melalui sistem fuzzy. 3. Menentukan variabel Input. Pada tahap ini, semua variabel-variabel input akan diinputkan ke dalam masing-masing tempat yang telah disediakan untuk tempat penginputan data variabel seperti gambar 5.3 di bawah ini :.

Gambar 5.3 Tampilan Kotak Dialog Fis Editor Viewer Pada Matlab 6.1

142


Dalam pengolahan data siswa ini rancangan sistem yang dibangun menggunakan empat variabel input, yaitu : Nilai Semester, Nilai Tes, IQ dan Minat. Untuk membuat desain input dengan menggunakan fuzzy logic yaitu dengan cara klik menu Edit lalu Klik add variabel input, selanjutnya beri nama di current variabel name pada masing-masing input yang kita gunakan. 4. Menentukan Membership Fuction (Fungsi Keanggotaan) Pada tahap Membership Fuction ini, sudah jelas terlihat ada beberapa garis untuk menentukan grafik-grafik dari hasil masing-masing variabel yang diinputkan, seperti terlihat pada gambar 5.4 di bawah ini :

Gambar 5.4 Tampilan Kotak Dialog Membership Fuction (FungsiKeanggotaan) Dari tampilan gambar di atas, berikut langkah-langkah yang digunakan dalam membuka tampilan membership fuction adalah dengan cara Klik Edit, Klik membership fuction, setelah itu barulah kita menentukan aturan fuzzy yang akan kita gunakan yang dihitung berdasarkan ketentuan jumlah dari masing-masing himpunan variabel input yang dipangkatkan dengan jumlah variabel input itu sendiri. Seperti pada himpunan yang penulis pakai dalam penyusunan tesis ini ada empat (4) variabel input yaitu (Nilai semester, Nilai Tes, IQ dan Minat), dan satu (1) variabel output yaitu Nilai Olimpiade. Maka jumlah rule (aturan) fuzzy yang digunakan pada sistem ini adalah : 34 = 81 rule. Berikut ini adalah tampilan rule editor dari variabel fis pada sistem siswa yang berhak mengikuti olimpiade sains di SMA Negeri 2 Sungai Penuh.

Very Karnadi

143

Gambar 5.5 Tampilan Rule Editor Setelah rule editor kita jalankan sesuai dengan jumlah masing-masing variabel yang sudah dipangkatkan tadi yaitu sebanyak 81 rule, masingmasing rule tersebut disusun berdasarkan urutan-urutan dari masing-masing kelompok variabel, yaitu : Ada empat (4) variabel input yaitu : 1. Nilai Semester yang mempunyai sub variabel yaitu Kurang, cukup dan baik 2. Nilai Tes yang mempunyai sub variabel yaitu Kurang, cukup dan baik 3. IQ yang mempunyai sub variabel yaitu Biasa, Cerdas dan Sangat Cerdas 4. Minat yang mempunyai sub variabel yaitu Tidak Minat, Biasa dan Minat Lalu selanjutnya tahap melakukan defuzzyfikasi data dengan cara mengimputkan data dari setiap variabel-variabel yang digunakan sebagai input data yang telah ditentukan, misalnya untuk mengetahui nilai analisa dari sistem yang kita rancang. Berikut tampilan kotak dialog dari rule viewer pada gambar 5.6 di bawah ini :

Gambar 5.6 Kotak Dialog Rule Viewer Olimpiade

144


Semua nilai dari masing-masing variabel kita inputkan misalnya : untuk sub variabel Nilai Semester =75, Nilai Tes =85.4, IQ =107 dan Minat =66.9 lalu tekan enter, maka akan tampil jumlah dari hasil proses data yang telah diinputkan tadi yakni 90.1, seperti terlihat pada gambar 5.6 di atas. 5. Menampilkan grafik hasil akhir aplikasi matlab (surface viewer). Untuk melihat tampilan surface viewer, mula-mula kita klik menu view kemudian klik surface, seperti terlihat hasilnya pada gambar 5.7 di bawah ini :

Gambar 5.7 Kotak Dialog Surface Viewer Grafik yang ada pada gambar 5.7 di atas adalah hasil pengolahan data dari masing-masing variabel yang telah diinputkan tadi. Jelaslah terlihat bentuk grafik dari variabel Nilai Semester, Nilai Tes, IQ dan Minat. Proses Fuzzyfication Setiap proses dilakukan dengan berlandaskan data-data yang telah diambil di lapangan berupa knowledge (pengetahuan) yang bersumber dari sistem yang dijadikan bahan untuk dianalisis menggunakan metode fuzzy, adapun metode yang digunakan adalah model mamdani. Pengambilan sampel akan memudahkan untuk melakukan pengolahan data-data. Data yang menjadi sampel tersebut adalah data-data nilai siswa. Analis menggunakan metode fuzzy ini digunakan suatu fungsi keanggotaan linier naik, linier turun. Variabel-variabel yang digunakan dalam proses fuzzifikasi ini terdiri atas tiga variabel input yaitu variabel Nilai Semester, Nilai Tes, IQ dan Minat serta nilai olimpiade sebagai variabel output.

Very Karnadi

145

Input Nilai Semester Dalam penilaian ini langkah awal yang dilakukan adalah penentuan fungsi keanggotaan. Gambar 5.8 berikut adalah gambar yang merupakan input dari variabel fuzzy kedalam program aplikasi Matlab versi 6.1.

Gambar 5.8 Tampilan Input Nilai Semester Pada gambar 5.8 di atas dapat dijelaskan bahwa analisa fuzzy dengan menggunakan Matlab mempunyai empat (4) input dan satu (1) output. Input pertama yang nilainya masih samar sebagai dasar pengambilan keputusan untuk menentukan siswa yang berhak dalam mengikuti olimpiade sains. Setiap variabel mempunyai rentang nilai. Artinya setiap siswa memiliki nilai Semester. Adapun 3 variabel tersebut adalah : Kurang dengan parameter (-1, 0, 60, 75), Cukup dengan parameter (65, 75, 85), Baik dengan parameter (75, 95, 100, 110). Input Nilai Tes Setiap variabel mempunyai rentang nilai, yang artinya setiap nilai menyatakan nilai akademik berdasarkan nilai tes yang dimilikinya untuk menentukan apakah siswa itu berhak atau tidak. Gambar 5.9 berikut adalah gambar yang merupakan input dari variabel fuzzy kedalam program aplikasi Matlab versi 6.1.

146


Gambar 5.9 Tampilan Input Nilai Tes Pada gambar 5.9 di atas dapat dijelaskan bahwa analisa fuzzy dengan menggunakan Matlab mempunyai tiga (3) input dan satu (1) output. Input pertama yang nilainya masih samar sebagai dasar pengambilan keputusan untuk menentukan siswa yang berhak dalam mengikuti olimpiade sains. Setiap variabel mempunyai rentang nilai. Artinya setiap siswa memiliki nilai Tes. Adapun 3 variabel tersebut adalah : Kurang dengan parameter (-1, 0, 60, 75), cukup dengan parameter (65, 75, 85), Baik dengan parameter (75, 95, 100, 110). Input IQ Dimana setiap variabel mempunyai rentang nilai, yang artinya setiap nilai menyatakan nilai akademik berdasarkan IQ yang dimilikinya untuk menentukan apakah siswa itu berhak atau tidak. Gambar 5.10 berikut adalah gambar yang merupakan input dari variabel fuzzy kedalam program aplikasi Matlab versi 6.1.

Gambar 5.10 Tampilan Input IQ

Very Karnadi

147

Pada gambar 5.10 di atas dapat dijelaskan bahwa analisa fuzzy dengan menggunakan Matlab mempunyai tiga (3) input dan satu (1) output. Input pertama yang nilainya masih samar sebagai dasar pengambilan keputusan untuk menentukan siswa yang berhak dalam mengikuti olimpiade sains. Setiap variabel mempunyai rentang nilai. Artinya setiap siswa memiliki IQ. Adapun 3 variabel tersebut adalah : Biasa dengan parameter (-1, 0, 90, 110), Cerdas dengan parameter (98, 110, 120), Sangat Cerdas dengan parameter (110, 130, 140, 100). Input Minat Dimana setiap variabel mempunyai rentang nilai, yang artinya setiap nilai menyatakan nilai akademik berdasarkan Minat yang dimilikinya untuk menentukan apakah siswa itu berhak atau tidak. Gambar 5.10 berikut adalah gambar yang merupakan input dari variabel fuzzy kedalam program aplikasi Matlab versi 6.1.

Gambar 5.10 Tampilan Input Minat Pada gambar 5.10 di atas dapat dijelaskan bahwa analisa fuzzy dengan menggunakan Matlab mempunyai tiga (3) input dan satu (1) output. Input pertama yang nilainya masih samar sebagai dasar pengambilan keputusan untuk menentukan siswa yang berhak dalam mengikuti olimpiade sains. Setiap variabel mempunyai rentang nilai. Artinya setiap siswa memiliki Minat. Adapun 3 variabel tersebut adalah : Biasa dengan parameter (-1, 0, 90, 110), Cerdas dengan parameter (98, 110, 120), Sangat Cerdas dengan parameter (110, 130, 140, 100). Output Fuzzy Fungsi keanggotaan dari nilai semester, nilai tes, IQ dan minat dengan skor tertentu mempunyai output berupa berhak atau dipertimbangkan atau gagal seorang siswa dalam mengikuti olimpiade sains,. Berikut ini gambar

148


5.11 adalah output dari nilai semester, nilai tes, IQ dan minat untuk menentukan siswa yang berhak yang dibuatkan ke dalam form dari membership function. Adapun ke tiga variabel yang terdapat pada tampilan program gambar 5.11 adalah sebagai berikut : Kurang, Cukup, Baik. Variabel yang tiga di atas merupakan output dari analisa siswa yang Kurang, Cukup, dan Baik untuk diinjeksikan kedalam program aplikasi Matlab.

Gambar 5.11 Output Data Nilai Olimpiade Proses Inference Menggunakan Fuzzy Mamdani Proses inference adalah memetakan parameter input kepada parameter output. Ada beberapa input yang diperlukan yaitu crisp dari data nilai semester, nilai tes, IQ dan minat yang akan diproses melalui sistem inference fuzzy menggunakan model mamdani. Ada dua bagian yang dibutuhkan dalam membangun inference rule yaitu if yang menyatakan agregation dan then yang menyatakan composition. Dari dua input fuzzy tersebut kita akan menentukan rule-rule yang akan ditetapkan. Rule bisa ditentukan dengan cara memilih input 1 yang dibuatkan ke dalam tiga variabel. 1. Mulai dari KURANG, CUKUP dan BAIK. Kemudian dilanjutkan dengan memilih operator yang digunakan. 2. Kedua yaitu disimbolkan (dalam bentuk variabel) dengan KURANG, CUKUP dan BAIK. 3. Ketiga yaitu disimbolkan (dalam bentuk variabel) dengan BIASA, CERDAS dan SANGAT CERDAS. 4. Memilih konsekuen keempat yaitu disimbolkan (dalam bentuk variabel) dengan TIDAK MINAT, BIASA dan MINAT. 5. Kemudian memilih salah satu output yang diinginkan, apakah Nilai siswa KURANG, CUKUP dan BAIK.

Very Karnadi

149

Gambar 5.12 Injeksi Rule – rule Dalam menetapkan rule dari 3 input, input pertama yaitu Nilai Semester memiliki tiga variabel yakni kurang, cukup, dan baik. Input kedua yaitu Nilai Tes memiliki tiga variabel yakni kurang, cukup, dan baik. Input ke tiga yaitu IQ memiliki tiga variabel yakni biasa, cerdas, dan sangat cerdas. Input ke empat yaitu minat juga memiliki tiga variabel yakni tidak minat, biasa dan minat. Jadi kita memiliki 81 aturan yang dapat digunakan untuk di aplikasikan menggunakan fuzzy logic pada program aplikasi Matlab ini. Proses Defuzzification Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari data nilai siswa. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil dari nilai fuzzy setelah dibuatkan kedalam logika fuzzy dengan output seperti yang terlihat pada gambar 5.13 terhadap posisi kotak di bawah ini.

Gambar 5.13 Rule Viewer

150


Gambar 5.13 merupakan rule viewer yang bisa diperlihatkan himpunan fuzzy dalam bentuk membership function, yang terdiri dari input 1 ( Nilai Semester ), input 2 ( Nilai Tes), input 3 (IQ), input 4 (Minat) dan satu (1) output yakni (Nilai Olimpiade).

Gambar 5.14 Surface Gambar rule viewer seperti gambar 5.13 di atas dapat digambarkan sebagai surface viewer seperti gambar 5.14. Dari gambar 5.14 diatas merupakan program analisa fuzzy untuk menentukan siswa yang kurang (gagal), cukup atau baik (berhasil) dalam mengikuti olimpiade sains. Pengujian Sistem Pengujian sistem akan dilakukan dengan pengujian menggunakan toolbox matlab berdasarkan inferensi sistem metode mamdani. Pengujian dengan menggunakan Aplikasi Matlab yakni diberikan suatu data Nilai Semester=70,Nilai Tes=80, IQ=120 dan Minat=85.Tentukan Hasil optimasi dari nilai olimpiade dengan menggunakan matlab 6.1 toolbox!

Gambar 5.15 Hasil Defuzzifikasi Menggunakan Matlab untuk studi kasus

Very Karnadi

151

Berdasarkan defuzzifikasi dengan menggunakan matlab 6.1 dari gambar 5.15 di atas, dapat kita tarik suatu kesimpulan bahwa jumlah nilai dari masingmasing data yang kita diinputkan adalah 81,1 maka keputusan yang diperoleh adalah Baik (Lulus) karena rentang antara variabel output untuk sub variabel Baik (Lulus) adalah 75 - 95. Dari pengujian manual dan dengan aplikasi Matlab didapatkan bahwa menunjukan adanya sedikit perbedaan, tetapi masih dalam range dan domain yang sama yaitu nilai yang di input adalah nilai siswa yang Baik (Lulus) dalam sebuah Olimpiade. Yang menyebab terjadinya output Baik (Lulus) siswa adalah dengan melihat rule [27] yakni If ( NilaiSemester is Kurang ) and ( Nilai Tes is Baik ) and ( IQ is Sangat Cerdas ) then ( Nilai Olimpiade is Baik). IV. Kesimpulan Dalam penelitian ini dapat dianalisa dan disimpulkan beberapa hal yang diperlukan untuk menentukan siswa yang berhak untuk mengikuti olimpiade sains di SMA Negeri 2 Sungai Penuh : 1. Logika Fuzzy dengan Model Mamdani dirancang dengan menggunakan 4 kriteria yaitu : Nilai Semester, Nilai Tes, IQ dan Minat dalam menentukan siswa yang berhak untuk mengikuti olimpiade sains di SMA Negeri 2 Sungai Penuh. 2. Setelah melakukan pengujian telah didapat apa yang menyebabkan siswa tersebut gagal dalam mengikuti olimpiade sains yaitu dengan melihat dari rule-rulenya dan selanjutnya juga dapat melihat apakah siswa tersebut kurang (gagal) atau cukup atau baik (berhak) dalam mengikuti olimpiade sains. 3. Kriteria pemilihan ditentukan dengan menggunakan variabel yang terdiri dari sub variabel dengan domain/range yang ditentukan . V. Daftar Pustaka Armadyah Amborowati. (2007). Sistem Pendukung Keputusan Pemilian Karyawan Berprestasi Berdasarkan Kinerja (Studi Kasus Pada STMIK Amikom Yogyakarta). ISSN: 1907-5022. Dedi Trisnawarman, Winny Erlysa. (2007). Sistem Penunjang Keputusan Pemilihan Metode/Alat Kontrasepsi. Volume 9 Nomor 1. Falahah, Dewi Rosmala. (2010). Penerapan Framework Zachman pada Arsitektur Pengelolaan Data Operasional (Studi Kasus SBU Aircraft Services, PT. Dirgantara Indonesia). ISSN: 1907-5022. Irfan Subakti. (2002). Sistem Pendukung Keputusan. IF1524. Jani Rahardjo, I Nyoman Sutapa. (2002). Aplikasi Fuzzy Analytical Hierarchy Process dalam Seleksi Karyawan. Vol. 4, No. 2, 82 – 92.

152


Kridanto Surendro. (2007). Jurnal Informatika. Pemanfaatan Enterprise Architecture Planning Untuk Perencanaan Strategis Sistem Informasi. Volume 8, No. 1, 1 – 9. Lia Rochmasari, Suprapedi, Hendro Subagyo. (2010). Penentuan Prioritas Usulan Sertifikasi Guru dengan Metode AHP (Analitic Hirarky Process). Volume 6 Nomor 1, ISSN 1414-9999. Mohammad Imamuddin dan Trihono Kadri. (2006). Penerapan Algoritma AHP untuk Prioritas Penanganan Bencana Banjir. ISSN: 1907-5022 Nurliah. (2008). Perancangan Sistem Informasi Perhotelan Berbasis Jaringan pada Hotel Liberty Kota Gorontalo. Volume 3, No. 1, ISSN:1907- 5324. R. Sutjipto Tantyonimpuno, Agustina Dwi Retnaningtias. (2006). Penerapan Metode Analytical Hierarchy Process (AHP) pada Proses Pengambilan Keputusan Pemilihan Jenis Pondasi (Studi Kasus : Proyek Pembangunan Royal Plaza Surabaya). Volume III, No. 2. 77 – 87.

Helmi Wijaya

153

PENERAPAN ALGORITMA FORWARD CHAINING DALAM MENENTUKAN JURUSAN SISWA (Studi Kasus : SMKN 3 Sungai Penuh) Helmi Wijaya,S.Kom.,M.Kom AMIK Depati Parbo Kerinci Jl. Pancasila No. 29, Sawahan – Sungai Penuh

ABSTRAK Menentukan jurusan merupakan salah satu bentuk untuk meningkatkan proses belajar mengajar, dalam menentukan jurusan siswa harus sesuai dengan bakat dan kemampuan dari siswa. Dengan melakukan analisa terhadap objek yang telah ditentukan untuk mendapatkan data-data yang dibutuhkan dalam proses menentukan jurusan siswa. Nilai-nilai variable tersebut berupa nilai Mata pelajaran Matematika, Bahasa Indonesia, Bahasa Inggris, Nilai Test Tertulis, Nilai Test Bakat (Minat), Nilai Ijazah. Sehingga nantinya nilai-nilai tersebut dapat dijadikan rule yang akan dipakai dalam sistem pakar dalam menentukan jurusan. Untuk penerapan dari analisa sebelumnya dengan metode Forward Chaining, maka dirancang sebuah database yang nantinya akan digunakan untuk penyimpanan data, kemudian dirancang sebuah program aplikasi sederhana dengan menggunakan bahasa pemograman visual basic 6.0. Dengan demikian diperoleh sebuah pengetahuan tentang bagaimana cara menentukan jurusan siswa dengan cepat sehingga informasi yang dihasilkan lebih efisien dan efektif. Kata Kunci : system pakar, forward chaining, rule, Aplikasi Visual Basic 6.0.

PENDAHULUAN 1.1. Latar Belakang Penelitian Penerapan ilmu komputer dewasa ini semakin berkembang pesat ke berbagai bidang, seperti bidang pertanian, kedokteran, dan sebagainya. Penerapan ilmu komputer dibidang pendidikan juga sengat berkembang. Ilmu komputer membantu didalam proses pengiriman informasi, serta membantu dalam membantu dalam melakukan pengolahan data dengan cepat dan akurat.

154

Penerapan Algoritma Forward Chaining Dalam Menentukan Jurusan Siswa

Sistem pakar adalah program komputer yang memfrediksikan dan melakukan penalaran dengan pengetahuan dari seorang pakar dalam bidang tertentu dengan pandangan untuk memecahkan masalah atau memberikan nasehat. Pakar manusia adalah seseorang yang mempunyai penugasan yang mendalam terhadap suatu masalah dan mengembangkan kemampuannya dalam memecahkan masalah secara lebih efektif dan efisien. Forward chaining adalah merupakan penalaran yang dimulai dari fakta terlebih dahulu untuk menguji kebenaan hipotesis. Dalam penalaran maju, aturan-aturan diuji satu demi satu dalam urutan tertentu. Proses ini akan berulang sampai seluruh baris atura teruji dengan berbagai kondisi. Metode forward chaining dan banyak kita temukan penerapannya dibidang pendidikan seperti pengaturan jadwal, penjurusan siswa, kinerja guru, menentukan penerimaan beasiswa, dan lain sebagainya. Pada SMKN 3 Sungai Penuh sistem yang digunakan selama ini dalam mentukan jurusan siswa masih dilakukan secara manual, manual disini tidak memperhatikan faktor-faktor penunjang dan prosedur yang berlaku sepenuhnya, serta bakat dan minat dari siswa yang bersangkutan. Sehingga keputusan yang dihasilkan sering tidak tepat dan kurang akurat. Untuk menghasilkan keputusan yang lebih baik diperlukan sebuah sistem dalam menentukan jurusan siswa, sehingga informasi dapat disajikan dengan cepat dan tepat sesuai dengan kebutuhan. Dalam penelitian ini penulis menggunakan metode algoritma forward chaining yang akan nantinya dapat membantu didalam pengambilan keputusan dalam menentukan jurusan siswa dan membuat hasil yang lebih efisien. Berdasarkan permasalahan yang terjadi diatas, maka dibuat sebuah penelitian tentang “ Penerapan Algoritma Forward Chaining dalam Menentukan Jurusan Siswa (Studi Kasus : SMKN 3 Sungai Penuh)”. 1.2. Perumusan Masalah Berdasarkan uraian pada latar belakang masalah di atas, dirumuskan permasalahan yaitu: 1. Bagaimana menerapkan Algoritma Forward Chaining dalam Menentukan Jurusan Siswa ? 2. Bagaimana memformulasikan faktor-faktor pendukung dalam Menentukan Jurusan Siswa ke dalam Algoritma Forward Chaining ? 3. Bagaimana menyajikan informasi tentang jurusan siswa untuk mendukung keputusan menggunakan algoritma metoda Forward Chaining ? 1.3 Ruang lingkup Masalah Agar penelitian ini dari penulis nantinya tidak menyimpang, maka penulis membuat suatu ruang lingkup masalah, yakni :

Helmi Wijaya

1. 2. 3.

155

Menganalisa penerapan Algoritma Forward Chaining dalam Menentukan Jurusan Siswa ? Penelitian ini penulis lakukan pada SMKN 3 Sungai Penuh. Dalam menguji kebenaran hasil klasifikasi jurusan siswa penulis menggunakan bahasa pemrograman Microsoft visual basic 6.0.

1.4 Tujuan Penelitian Penelitian ini memiliki tujuan yang hendak dicapai sebagai berikut : 1. Menganalisis faktor-faktor yang dapat membantu dalam Menentukan Jurusan Siswa. 2. Dengan mengumpulkan nilai-nilai yang dijadikan suatu variabel dalam menerapkan Algoritma Forward Chaining dalam Menentukan Jurusan Siswa 3. Membantu dalam mengatasi permasalahan yang ada pada SMKN 3 Sungai Penuh dalam menentukan jurusan siswa. 1.5 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut: 1. Diharapkan dapat menjadi referensi untuk pengguna metode Algoritma Forward Chaining bagi peneliti lain untuk diterapkan pada kasus penelitian yang berbeda. 2. Diharapkan dapat membantu pihak sekolah dalam meningatkan akurasi pada proses dalam menentukan jurusan siswa. 3. Diharapkan metode forward chaining akan menjadi metode standar yang digunakan oleh jajaan manajemen Sekolah Menengah Kejuruan (SMK) dalam proses menentukan jurusan siswa. 1.6 Metodologi Penelitian Untuk mendapatkan hasil dari pembahasan yang baik dari suatu masalah diperlukan data serta informasi yang objektif. Maka dalam penyusunan tesis ini dilakukan serangkaian penelitian diantaranya : 1. Metode Pengumpulan Data a. Observasi Dalam metode ini dilakukan pengamatan secara langsung ditempat penelitian untuk mengetahui secara jelas dan terinci tentang permasalahan yang ada. b. Interview Metode ini dilakukan untuk memperoleh data dan informasi yang dibutuhkan dengan cara melakukan wawancara langsung ke tempat/objek penelitian. c. Studi Kepustakaan

156

2.


Dalam metode ini data dikumpulkan dengan membaca buku-buku, artikel, jurnal-jurnal yang berhubungan dengan judul tesis untuk menunjang dalam melakukan analisa terhadap data dan informasi yang didapatkan. Metode Analisis Dan Perancangan Dalam metode ini penulis malakukan Penelitian laboratorium (laboratory Research) yaitu meliputi kegiatan analisis sistem, perancangan sistem serta melakukan pengolahan data melalui aplikasi yang sesuai dengan memanfaatkan fasilitas sistem komputer. Hal-hal yang dianalisis dalam metode ini adalah berupa rancang bangun dalam menentukan jurusan siswa, pengolahan data, dan pengujian hasil pengolahan data. Adapun urutan kegiatannya adalah sebagai berikut : 1) Pengumpulan data 2) Analisis dan perancangan sistem 3) Pengolahan data 4) Pengujian hasil pengolahan data 5) Evaluasi terhadap sistem yang dirancang LANDASAN TEORI

2.1 Sistem Pakar Salah satu cabang ilmu komputer yang sangat membantu manusia adalah kecerdasan buatan (artificial intelligence). Kecerdasan buatan cabang ilmu komputer yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti manusia. Tujuan praktis dari keserdasan buatan ini adalah membuat komputer semakin berguna bagi manusia. kecerdasan buatan dapat membantu manusia dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang menggunakan bahasa natural sehingga mudah dipahami. Kecerdasan dan kepandaian itu didapat berdasarkan pengetahuan dan pengalaman, untuk itu agar perangkat lunak ang dikembangan dapat mempunyai kecerdasan maka perangkat lunak tersebut harus diberikan suatu pengetahuan dari kemampuan untuk menalar dari pengetahuan yang telah didapat dalam menemukan solusi atau kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik. Kecerdasan buatan menawarkan media dan uji teori kecerdasan. Teori ini dapat dinyatakan dalam bahasa program komputer dan dibuktikan melalui eksekusinya pada komputer nyata. Salah satu bidang yang menggunakan kecerdasan buatan antara lain sistem pakar (expert system), permainan komputer, jaringan saraf tiruan (artificial neural network) dan robotika. Sistem pakar merupakan salah satu

Helmi Wijaya

157

contoh kecerdasan buatan yang memanfaatkan komputer sebagai basis pengetahuan yang mempermudahkan dalam menghasilkan informasi. Menurut Titik Lusiani dan Andhika Kurniawan Cahyono (2006), sistem pakar adalah suatu cabang dari artificial Intelligency (AI) yang melakukan penggunaan terhadap knowledge secara luas, yang khusus untuk penyelesaian masalah-masalah yang biasanya dilakukan oleh seorang pakar. Sistem pakar bertindak sebagai penasehat atau konsultan pintar dengan mengambil pengetahuan yang di simpan dalam Knowledge Base. Menurut Ramadiani dan Nurbasar (2011), Adapun ciri-ciri Sistem Pakar adalah sebagai berikut: 1. Terbatas pada domain keahlian tertentu. 2. Dapat memberikan penalaran untuk data-data yang tidak pasti 3. Dapat mengemukakan rangkaian alasan –alasan yang diberikannya dengan cara yang dapat dipahami. 4. Berdasarkan pada rule dan kaidah tertentu. 5. Dirancang untuk dapat dikembangkan secara bertahap 6. Keluarnya bersifat anjuran. 7. Output tergantung dari dialog dengan user 8. Knowledge base dan inference engine terpisah 9. Memiliki informasi yang handal 10. Mudah dimodifikasi. 11. Dapat digunakan dalam berbagai jenis komputer 12. Mempunyai kemampuan untuk belajar beradaptasi. Beberapa alasan yang mendasar sistem pakar dikembangkan untuk menggantikan seorang pakar diantaranya adalah : 1. Dapat menyediakan kepakaran setiap waktu dan diberbagai lokasi 2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar 3. Seorang pakar akan pensiun dan pergi 4. Menggunakan jasa seorang pakar memerlukan biaya yang mahal 5. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat. 2.2 Arsitektur Sistem Pakar Terdapat tiga bagian utama dalam arsitektur pembentukan sistem pakar (expert system)( Leo Willyanto Santoso, Rolly Intan, Feky Sugianto, 2008), dimana bagian-bagian tersebut adalah: - Knowledge base adalah bagian dari expert system yang mengandung domain knowledge. Pada umumnya berbentuk rule yang berstruktur if sebab then akibat.

158


-

Working memory adalah bagian dari expert system yang mengandung informasi yang didapat dari user atau hasil inference dari sistem. Banyak aplikasi expert system yang menyimpan informasi dengan menggunakan database, spreadsheets, atau alat sensor. - Inference engine adalah processor dalam expert system yang akan mencocokkan informasi yang ada di working memory dengan domain knowledge yang terletak di knowledge base.. Long Team Memory (Knowledge Base)

Short team Memory (Working Memory)

Inference Engine

Gambar 2.1 Arsitektur Sistem Pakar 2.3 Struktur Sistem Pakar Sistem Pakar terdiri dari dua bagian pokok, yaitu Lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Pembentukan basis aturan dan pembangunan komponen dilakukan pada lingkungan pengembangan, sedangkan lingkungan konsultasi digunakan sebagai sistem konsultasi oleh orang yang bukan ahli (I Nyoman Kusuma Wardana, Alfa Antariksa, Nazrul Effendi, 2008), gambar dari struktur sistem pakar (expert system) dapat dilihat pada gambar 2.2

Helmi Wijaya

159

LINGKUNGAN KONSULTASI

LINGKUNGAN PENGEMBANGAN Basis Pengetahuan : Fakta dan aturan

Pemakai Fakta tentang kejadian tertentu

Fasilitas Penjelasan

Antarmuka

Knowledge Engineer

Akuisisi Pengetahuan Mesin Inferensi Aksi yang direkomendasikan

Pakar

Workplace

Perbaikan Pengetahuan

Gambar 2.2. Struktur sistem pakar Antarmuka Pengguna (User Interface) Merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima dari sistem dan menyajikannya ke dalam bentuk yang dapat dimengerti oleh pemakai. Pada bagian ini terjadi dialog atur program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan informasi (output). Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan pnyelesaian masalah. komponen sistem pakar disusun atas dua elemen dasar, yaitu fakta dan aturan, sedangkan fakta merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah ada/diketahui. Knowledge base adalah representasi dari seorang atau beberapa yang diperlukan untuk memahami, memformulasikan dan memecahkan masalah, dimana didalamnya terdapat dua elemen yaitu fakta dan aturan yang digunakan untuk memecahkan masalah tersebut. Inference engine merupakan otak dari sistem pakar yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar.

160


Mekanisme ini yang menganalisis suatu masalah tertentu dan kemudian mencari solusi atau kesimpulan yang terbaik. Selain kedua bagian tadi diperlukan working memory sebagai tempat untuk penyimpanan fakta-fakta yang diketahui dai hasil menjawab pertanyaan-pertanyaan dari user inference yanag ada. Sedangkan solusi dari sistem pakar disediakan pada bagian explanation program sebagai pendukung sistem pakar. 2.4 Mesin Inferensi (inference engine) Mesin inferenci adalah merupakan bagian dari sistem pakar yang melakukan penalaran dengan menggunakan knowledge base berdasarkan urutan tertentu. Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban dan kesimpulan yang terbaik. (Sepriyandi Firdaus, Singgih Jatmiko, 2010). Secara deduktif mesin inferensi memilih mesin relevan dalam rangka mencapai kesimpulan. Dengan demikian sistem ini dapat menjawab pertanyaan pemakai meskipun jawaban tersebut tidak tersimpan secara explinsit didalam basis pengetahuan. Mesin inferenci memulai pelacakannya dengan mencocokkan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data. Bagian sistem pakar yang bertugas melakukan proses penulusuran adalah mesin inferenci. Ada dua metode inferenci dalam sistem pakar, yaitu forward chaining (penalaran maju) dan backward chaining (penalaran mundur) 2.4.1

Backward Chaining (Penalaran mundur). Penalaran mundur (backward chaining) merupakan penalaran dari sekumpulan hipotesa menuju fakta-fakta yang mendukung hipotesa tersebut. Inferensi ini adalah mengambil pilihan terbaik dari sekian banyak kemungkinan. Berikut ini merupakan proses penalaran menggunakan metode penalaran mundur.

Observasi A

Aturan R1

Fakta C Aturan R3 Tujuan 1

Observasi B

Aturan R2

Fakta D Aturan R2

Gambar 2.3 Proses Backward Chaining

Helmi Wijaya

2.4.2

161

Forward Chaining (Penalaran maju) Forward chaining adalah pemikiran yang dimulai dari data-data yang ada dan diproses maju dengan aturan-aturan yang ada, dimana setiap aturan dilaksanakan satu kali hingga aturan terakhir dalam mencapai tujuan, sedangkan backward chaining atau goal driven reasoning adalah pemikiran yang berdasarkan pada tujuan yang akan dicapai dibuktikan dari data-data dan aturan yang ada, sehingga tampak merupakan kebalikan dari proses pemikiran Forward chaining. Operasi dari penalaran maju (Forward chaining) dimulai dengan memasukkan sekupulan fakta yang diketahui ke dalam memory kemudian menurunkan fakta baru berdasarkan aturan yang premisnya cocok dengan fakta yang premisnya cocok dengan fakta yang diketahui. Forward chaining adalah strategi penarikan kesimpulan yang dimulai dari sejumlah fakta-fakta yang telah diketahui, untuk mendapatkan suatu fakta baru dengan memakai rule-rule yang memiliki premis yang cocok dengan fakta dan terus dilanjutkan sampai mendapatkan tujuan atau sampai tidak ada rule yang punya premis yang cocok atau sampai mendapatkan fakta. Metode ini sering disebut data driven search yaitu pencarian dikendalikan oleh data yang diberikan, (Gregorius S. Budhi, Alexander Setiawan, Hendra P.S. Widjaja, 2008). Menurut Wisnu Yudho Untoro (2009), Metode Forward chaining adalah metode pencarian atau teknik pelacakan kedepan yang dimulai dengan informasi yang ada dan penggabungan rule untuk menghasilkan suatu kesimpulan dan tujuan. Metode ini sangat baik jika bekerja dengan permasalahan yang dimulai dengan rekaman infromasi awal dan ingin dicapai penyelesaian akhir, karena seluruh proses akan dikerjakan secara berurutan maju. Selanjutnya tipe yang dapat dicari dengan Forward chaining adalah : 1. Sistem yang dipresentasikan dengan satu atau beberapa kondisi. 2. Untuk setiap kondisi, sistem mencari rule-rue dalam knowledge base untuk rule-rule yang berkorespondensi dengan kondisi dalam bagian IF. 3. Setiap rule dapat menghasilkan kondisi baru dari konkulasi yang diminta pada bagian then. Kondisi bari ini ditambahkan ke kondisi lain yang sudah ada. 4. Setiap kondisi yang ditambahkan ke sistem yang akan diproses. Jika ditemukan suatu kondisi, sistem akan kembali ke langkah ke-2 dan mencari rule-rule dalam knowledge base kembali. Jika tidak ada konkulasi baru, maka akan berakhir. Secara garis besar proses penalaran dengan menggunakan metode Forward chaining adalah sebagai berikut : 1. Stategi inferensi dimulai dengan fakta-fakta

162


2. Mendapatkan fakta baru menggunakan rule-rule yang premisnya sesuia dengan fakta yang diketahui 3. Proses tersebut dilanjutkan hingga tujuannya tercapai atau sampai tidak ada lagi rule yang premisnya sesuai dengan fakta yang ada. Pelacakan maju ini sangat baik untuk permasalahan yang dimulai dengan rekaman infromasi awal dan ingin dicapai suatu penyelesaian akhir, karena seluruh proses akan dikerjakan secara berurutan maju. Berikut adalah diagram proses Forward chaining secara umum untuk menghasilkan sebuah tujuan.

Gambar 2.4 Proses Forward Chaining 2.4.3 Penerapan Algoritma Forward Chaining Ada beberapa contoh kasus secara umum penerapan algoritma Forward Chaining dalam menentukan sebuah keputusan akhir dapat dilihat dibawah ini : Untuk pengujian dengan menggunakan algoritma Forward Chaining dapat diterapkan dengan contoh kasus 1 yaitu : dimana investasi pada saham IBM dengan metode Forward Chaining sebagai berikut : A = memiliki $ 10.000 B = Lebih muda dari 30 C = Pendidikan setingkat Universitas D = Pendapatan tahunan minimal $40.000 E = Berinvestasi di sekuritas F = Berinvestasi pada growth stock G = Berinvestasi pada saham IBM (tujuan potensial) Tiap variable ini dapat dijawab benar (ya) atau salah (tidak). R1 : JIKA A dan C, MAKA E R2 : JIKA D dan C, MAKA F R3 : JIKA B dan E, MAKA F R4 : JIKA B MAKA C R1 : JIKA F MAKA G Diberikan fakta-fakta sebagai berikut : A benar (investor memiliki $10.000)

Helmi Wijaya

163

B benar (investor lebih muda dari 30) Dalam penyelesaiannya dengan menode forward chaining kita mulai dengan fakta yang diketahui dan mengambil fakta baru menggunakan aturan yang telah diketahui pada sisi JIKA. Langkah 1 : karena diketahui A dan B benar, sistem pakar mulai dengan mengambil fakta baru menggunakan aturan yang memiliki A dan B pada sisi JIKA. Dengan menggunakan R4, sistem pakar mengambil fakta baru C dan menambahkannya ke dalam assertion base sebagai benar. Langkah 2 : Sekarang R2 fire ( karena A dan C benar ) dan nyatakan E sebagai benar dalam assertion base. Langkah 3 : karena B dan E keduanya benar ( berada dalam assertion base), R3 fire dan menetapkan F sebagai benar dalam assertion base. Langkah 4 : sekarang R5 fire(karena F berada dalam sisi JIKA), yang menetapkan G sebagai benar. Berdasarkan fakta-fakta, yang diperoleh kesimpulan yang dapat diambil yaitu bahwa sebaiknya investor menanam saham pada IBM. Berdasarkan permasalahan diatas dapat dilihat proses forward chaining pada gambar 2.5 dibawah ini : D R2

C&D

and R4

C

B

1

OR B

R5

A

F and

and C

B 1

A&C

R2

2

E

B&E 3

G 4

R3

R1

R4

Gambar 2.5 Proses forward chaining Kasus 1 Untuk pengujian dengan menggunakan algoritma forward chaining dapat diterapkan dengan contoh kasus ke-2 ini yaitu : dimana terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu, maka dilakukan penyelesaian dengan menggunakan metode forward chaining : Solusi dari Kasus 2

164


R1 : if A dan B then C R2 : if C then D R3 : if A dan E then F R4 : if A then G R5 : if F dan G then D R6 : if G dan E then H R7 : if C dan H then I R8 : if I dan A then J R9 : if G then J R10 : if J then K Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K bernilai benar. Dari hasil pengujian yang dilakukan dengan menggunakan forward chaining maka akan terbukti bahwa K akan bernilai benar, proses penalaran forward chaining dapat terlihat pada gambar 2.6 E

N R3 R6

F

R7

G

I

R4

A

C

B

R2

D

R9

R1

R5

R8

J

R10

K

Gambar 2.6 Proses Forward Chaining Kasus 2 2.4.4 Langkah-langkah pembuatan sistem Adapun langkah-langkah yang harus dilakukan delam membuat sistem Forward chaining berbasis aturan, yaitu : 1. Pendefesian Masalah Tahap ini meliputi pemilihan domain masalah dan akusisi pengetahuan 2. Pendefenisian Data Input Sistem Forward chaining memerlukan data awal untuk memulai inferensi 3. Pendefenisian Struktur Pengendalian Data Aplikasi yang kompleks memerlukan premis tambahan untuk membantu mengendalikan pengaktifan suatu aturan 4. Penulisan Kode Awal

Helmi Wijaya

5.

6.

7.

8.

165

Tahap ini berguna untuk menentukan apakah sstem telah menangkap domain pengetahuan secara efektif dalam struktur aturan yang baik. Pengujuan Sistem Pengujian sistem dilakukan dengan beberapa atuan untuk menguji sejauh mana sistem berjalan dengan benar. Perancangan Atarmuka Antarmuka adalah salah satu komponen penting dari suatu sistem. Perancangan antarmuka dibuat bersama-sama dengan pembuatan basis pengetahuan Pengembangan sistem Pengembangan sistem meliputi penambahan antarmuka dan pengetahuan sesuai dengan prototipe sistem. Evaluasi Sistem Pada tahap ini dilakukan pengujian sistem dengan masalah yang sebenarnya. Jika sistem belum berjalan dengan baik maka akan dilakukan pengembangan kembali.

2.4.5 Metode Searching (Pencarian) Pada dasarnya teknik searching dapat dibagi 2 (dua) kelompok besar, yaitu pencarian buta (blind search) dan pencarian terbimbing (heuristic search). Untuk mengukur perform metode pencarian, terdapat empat kriteria yang dapat dilakukan yaitu : 2. Completeness, apakah metode tersebut menjamin adanya solusi jika solusinya ada 3. Time complexity, berapa lama waktu yang diberikan untuk menemukan solusi tersebut. 4. Space complexity, berapa banyak memory yang dibutuhkan untuk menemukan solusi tersebut. 5. Optimality, apakah metode tersebut menjamin menemukan sousi terbaik jika terdapat beberapa solusi yang berbeda. Pencarian Buta (blind Search) a. Depth-First Search Pada Depth-First Search, proses pencarian akan dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulang sampai ditemukan goal. Depth-First Search dapat diilustrasikan seperti gambar 2.7 berikut :

166


Start

1

2

3

5

4

6

7

8

9

10 end

Gambar 2.7 diagram Alir Teknik penulusuran Depth-First Search b. Breadth-First search Pada metode Breadth-First search, semua node paa level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n-1. Pencarian dimulai dari node akar, terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya, demikian pula dari kiri ke kanan hingga ditemukannya goal. Breadth-First search dapat diilustrasikan seperti gambar 2.8 berikut : Start

1

2

5

3

6

7

4

8

9

10 end

Gambar 2.8 Diagram Alir Teknik penulusuran Breadth-First search 1. Penacarian heuristik (heuristik search) Teknik pencarian heuristik merupakan suatu strategi untuk melakukan proses pencarian secara selektif dan dapat memandu proses pencarian yang memiliki kemungkinan sukses paling besar, namun dengan kemungkinan mengorbankan kelengkapan. Untuk menerapkan pencarian heuristik diperlukan fungsi heuristik yaitu aturan-aturan yang digunakan untuk mendapatkan solusi yang diinginkan. Salah satu metode pencarian heuristik yaitu metode best-first search merupakan kombinasi dari metode depth-first search dan metode breadth-first search yang mana pencarian diperbolehkan mengunjungi node-node yang ada di level rendah asalkan node ini memiliki nilai heuristik yang lebih baik.

Helmi Wijaya

167

METODE PENELITIAN 3.1. Kerangka Kerja Penelitian (Frame Work) Kerangka kerja ini merupakan langkah-langkah yang akan dilakukan dalam rangka penyelesaian masalah yang akan dibahas. Adapun kerangka kerja dari penelitian ini dapat dilihat pada gambar 3.1. berikut : Identifikasi Masalah

Analisis Masalah

Menentukan Tujuan

Mempelajari Literatur

Mengumpulkan Data

Desain Sistem

Pengujian Sistem

Implementasi Sistem

Gambar 3.1 Kerangka Kerja 3.2. Uraian Kerangka Kerja Berdasarkan kerangka kerja pada gambar 3.1 maka masing-masing langkahnya dapat diuraikan seperti berikut ini : 1.

Identifikasi Masalah Ruang lingkup masalah yang akan diteliti Harus ditentukan terlebih dahulu, karena tanpa mampu menentukan serta mendefinisikan batasan masalah yang akan diteliti, maka tidak akan pernah didapat suatu solusi yang terbaik dari masalah tersebut. Langkah pertama ini adalah langkah awal yang terpenting dalam penulisan ini. 2.

Analisis Masalah Langkah analisis masalah adalah langkah untuk dapat memahami yang telah ditentukan ruang lingkup atau batasannya. Dengan menganalisa masalah yang telah ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik. Sehingga dapat digambarkan proses dalam menentukan jurusan

168


siswa yang berdaasarkan data siswa, Nilai Matematika, Nilai Bahasa Indonesia, Nilai Bahasa Inggris, Nilai test tertulis, Nilai Ijazah, dan bakat/minat dari siswa itu sendir serta pertimbangan dari guru. Pada tahap ini informasi yang telah didapatkan pada tahap sebelumnya, dianalisa sehingga dapat dilihat kemampuannya untuk dijadikan knowledge base, pembuatan inference engine, setelah analisa selesai dilakukan, akan diperoleh suatu kesimpulan yang digambarkan secara deskriptif dan akhirnya menjadi sistem pakar yang dapat membantu menyelesaikan permasalahan yang ada. 3.

Menentukan Tujuan Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang akan dicapai, terutama yang dapat mengatasi masalah-masalah yang ada. Setelah masalah dianalisa, maka dipelajari literature yang berhubungan dengan permasalahan. Kemudian literatur-literatur yang dipelajari tersebut diseleksi untuk dapat ditentukan literature mana yang akan digunakan dalam penelitian ini. 4. Mempelajari Literatur Studi pustaka dilakukan dengan tujuan untuk mengetahui apa yang akan digunakan untuk menyelesaikan masalah yang akan diteliti, serta mendapatkan dasar-dasar rerferensi yang kuat bagi peneliti dalam menerapkan suatu metode yang digunakan dalam penelitian, literature didapatkan dari jurnal, artikel, internet maupun buku teks yang membahas tentang sistem pakar, algoritma forward chaining, bahan bacaan lain yang mendukung penelitian. 5. Mengumpulkan Data Pengumpulan data merupakan salah satu langkah stategi dalam menentukan penelitian ilmiah. Secara teoritis ada 3 macam teknik Pengumpulan data yaitu : a. Metode Observasi, pengamatan secara langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui secara jelas. b. Metode interview, yaitu mengadakan serangkaian wawacara langsung kepada personil yang dianggap kompeten, yang bertujuan untuk mendapatkan data atau informasi yang dibutuhkan. c. Library Research, melakukan studi pustaka dengan membaca buku-buku yang menunjang untuk dapat menganalisa data dan informasi yang didapat. 6.

Perancangan Sistem Tahap ini membahas tentang perancangan terhadap model sistem yang akan digunakan dalam membantu melakukan pengolahan daa yang akan diperoleh dari tempat penelitian, terutama pada proses untuk menentukan

Helmi Wijaya

169

jurusan siswa, dengan menggunakan beberapa teknik pengolahan data dengan metode forward chaining. 7.

Implementasi Sistem Tahapan berikutnya yang akan dilakukan didalam penelitian adalah implementasi dari sistem yang telah dirancang, yaitu dengan mengambil sampel berupa uji coba terhadap data-data sebelumnya. 8.

Evaluasi Sistem Evaluasi sistem merupakan tahap untuk melihat kendala sebuah sistem, apakah sistem yang akan kita buat sudah selesai dengan ketentuan yang telah ada dan sesuai dengan keinginan yang diharapkan serta sejauh mana sistem tersebut di implementasikan. Pengujian dilakukan dengan cara menerapkan aturan (rule) yang sudah dibangun pada program aplikasi yang digunakan. Dengan software apakah masalah yang dihadapi selama ini dapat diatasi atau dipecahkan.

ANALISA DAN PERANCANGAN SISTEM 4.1.

Analisa Sistem Yang Sedang Berjalan Analisa Sistem adalah penguraian dari suatu sistem informasi yang utuh ke dalam bagian komponen – komponennya, dengan maksud untuk mengidentifikasidan mengevaluasi permasalahan-permasalahan, hambatanhambatan yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan. Analisa sistem adalah merupakan suatu tahapan penting. Sehingga suatu temuan atau hasil penelitian dapat dilihat kualitasnya dari cara bagaimana peneliti mengolah dan menganalisa datanya. Sistem yang sedang berjalan saat ini masih dilakukan dengan cara manual, artinya setelah semua data – data yang berhubungan dengan siswa dikumpulkan, kemudian dibuat ke dalam microsoft excel, kemudian ditentukan jurusan yang akan dimasuki oleh siswa disamping adanya pilihan dari siswa dan nilai yang dihasilkan, juga pertimbangan dari guru. 4.2.

Desain Arsitektur Sistem Sesuai dengan bentuk arsitektur sistem pakar yang telah dijabarkan pada BAB II, dengan melakukan penyederhanaan di beberapa komponen, maka arsitektur sistem dalam menentukan jurusan siswa dapat dilihat pada gambar 4.1 berikut :

170


Knowledge Base berisi : 1. Identitas Siswa 2. Aturan Kriteria jurusan

Data Base berisi : 1. Tabel Siswa 2. Tabel jurusan 3. Tabel Keputusan

Inference Engine berisi : 1. Prosedur-prosedur untuk mencocokkan fakta dengan aturan 2. Mengisi tabel kerja untuk dasar pengambilan keputusan 3. Prosedur untuk memberikan hasil pencarian

User Interface berisi : 1. Prosedur-prosedur membaca masukan dari pemakai berupa Identitas Siswa dan kriteria 2. prosedur untuk menampilkan hasil keluaran sistem pada layar monitor 3. prosedur untuk menampilkan hasil keluaran pada cetakan.

Explantion Fasilities berisi : Penjelasan dalam menggunakan /Mengoperasikan sistem

USER

Gambar 4.1 Desain Arsitektur Sistem Dari gambar desain arsitektur sistem diatas, Nampak menggambarkan hubungan antar komponen dalam sistem yang dibangun. Yang beisi knowledge dari sistem yang dirancangkan adalah identitas siswa dan aturan kriteria penjurusan. Dari knowledge yang ada, akan digunakan oleh interface engine untuk melakukan prosedur - prosedur untuk mencocokkan fakta dengan aturan dan prosedur untuk menentukan hasil, dimana hasil dari pelaksanaan prosedur – prosedur tersebut akan disimpan ke dalam database. Untuk bias melakukan pemrosesan dan prosedur – prosedur yang ada, diperlukan user interference untuk melakukan fakta-fakta, menampilkan hasil keluaran sistem pada monitor. 4.2.1 Perancangan Basis Pengetahuan (Knowledge Base) Perancangan basis pengetahuan ini terdiri dari dua elemen yaitu fakta dan aturan. Didalam kasus ini memasukkan fakta-fakta yang dibutuhkan oleh sistem. Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyesaian masalah didalam domain tertentu. Pendekatan basis pengetahuan yang dilakukan adalah penalaran berbasis pengetahuan (rule-base reasoning), dimana pengetahuan dipresentasikan dengan menggunakan aturan berentuk if-then. Pada penalaran berbasis pengetahuan, penyelesaian masalah dapat diselesaikan secara berurutan dimana teknik yang digunakan adalah forward chaining yaitu melakukan penelusuran dari rule yang pertama, sampai rule

Helmi Wijaya

171

terakhir. Adapun contoh fakta pertanyaan-pertanyaan yang akan ditampilkan didalam sistem pakar ini adalah : 1.

Kriteria untuk Menentukan Jurusan Tata Boga Didalam menentukan jurusan siswa untuk jurusan tata boga siswa yang bersangkutan harus memenuhi beberapa kriteria seperti pada tabel 4.1

2.

Kriteria untuk Menentukan Jurusan Tata Busana Didalam menentukan jurusan siswa untuk jurusan tata busana siswa yang bersangkutan harus memenuhi beberapa kriteria seperti pada tabel 4.2

3.

Kriteria untuk Menentukan Jurusan Perhotelan Didalam menentukan jurusan siswa untuk jurusan perhotelan siswa yang bersangkutan harus memenuhi beberapa kriteria seperti pada tabel 4.3

Berdasarkan representasi pengetahuan untuk menentukan jurusan dari siswa maka dapat disusun beberapa aturan (rule) dapat dilihat pada table 4.4

172


4.2.2 Desain Basis Data (Database) Database terdiri dari sekumpulan fakta yang digunakan, sedangkan bentuk fakta itu sendiri yaitu IF part dari rule yang disimpan dalam knowledge Base. Database adalah bagian yang mengandung semua fakta-fakta baik fakta awal pada sistem beroperasi maupun basis data didalam memori kerja. Jika setiap rule dieksekusikan jika IF partnya sama dengan fakta, THEN konkulasi ditambahkan dalam dat base sebagai fakta baru. Aplikasi sistem pakar yang dibuat ini menggunakan database sebagai basis pengetahuan dan aturan. Database yang digunakan adalah Microsoft access yang diberi nama : SMK.mdb. adapun tabel-tabel yang dibuat antara lain adalah : 1. Tabel Identitas Siswa Tabel identitas siswa berguna untuk menyimpan fakta tentang identitas siswa. Struktur tabel dapat dilihat pada tabel 4.5 Tabel 4.5 Identitas Siswa No Nama Tipe Ukuran Keterangan Field 1 NIS Text 12 Nomor Induk Siswa 2 Nama Text 50 Nama Siswa 3 Jekel Text 1 Jenis Kelamin 2.

Tabel Jurusan Tabel jurusan adalah tabel-tabel yang digunakan untuk menyimpan fakta tentang jurusan yang ada. Struktur tabel dapat dilihat pada tabel 4.6

No 1 2

Tabel 4.6 Data Jurusan Nama Tipe Ukuran Keterangan Field Kode_jur Text 4 Kode Jurusan Nama_jur Text 50 Nama Jurusan

Helmi Wijaya

3.

173

Tabel Keputusan Tabel keputusan adalah tabel-tabel yang digunakan untuk menyimpan aturan-aturan dan hubungan antara fakta-fakta yang ada untuk mengarahkan pada suatu fakta yang telah tersimpan sebelumnya. Struktur tabel dapat dilihat pada tabel 4.7

No 1 2 3

Tabel 4.7 Tabel Keputusan Nama Tipe Ukuran Keterangan Field NIS Text 12 Nomor Induk Siswa Kode_jur Text 50 Kode Jurusan Rule Text 250 Rule

4.2.3 Inference Engine (Mesin Inferensi) Untuk mendukung penalaran dalam memilih jurusan, maka pengetahuan yang diperoleh dari pakar dapat dipresentasikan dalam bentuk pohon keputusan sebagaimana yang terlihat pada gambar 4.2 Jurusan

BG

MTK

BS

BHS_IN

BHS_ING

TTS

PH

BKT

NIJ

PGR

Gambar 4.2 Penalaran keputusan dalam memilih jurusan Keterangan gambar : Kode BG Tata Boga BS Tata Busana PH Perhotelan Kode MTK BHS_IN

Nama Jurusan

Kriteria Nilai Matematika Nilai Bahasa Indonesia

Keterangan Sesuai/Tidak sesuai Sesuai/Tidak sesuai

174

BHS_ING TTS NIJ BKT PGR


Nilai Bahasa Inggris Nilai Rata-rata Test Tertulis Nilai Ijazah Nilai Test Bakat(Kemampuan) Pertimbangan Guru

Sesuai/Tidak sesuai Sesuai/Tidak sesuai Sesuai/Tidak sesuai Sesuai/Tidak sesuai Sesuai/Tidak sesuai

Dari gambar 4.2 diatas dapat diperjelaskan dimana jurusan yang ada yakni jurusan Tata Boga (kode BG) , jurusan Tata Busana (kode BS) dan jurusan Perhotelan(kode PH). Untuk jurusan Tata Boga terdapat beberapa kriteria diantaranya nilai Matematika antara 55-65 (kode MT), nilai Bahasa Indonesia antara 50-60 (kode BHS_IN), nilai rata-rata test tertulis antara 55-65 (kode TTS), nilai test kemampuan (bakat) >= 70 (kode BKT), nilai rata-rata ijazah >= 75 (kode NIJ), pertimbangan dari guru(kode PGR). Untuk jurusan Tata Busana terdapat beberapa kriteria diantaranya nilai matematika antara 65-75 (kode MT), nilai bahasa Inggris antara 60-70 (kode BHS_ING), nilai rata-rata test tertulis antara 65-75 (kode TTS), nilai test kemampuan(bakat) >= 70 (kode BKT), nilai rata-rata ijazah >= 75 (kode NIJ), pertimbangan dari guru(kode PGR). Untuk jurusan Perhotelan terdapat beberapa kriteria diantaranya nilai matematika > 75 (kode MT), nilai Bahasa Indnesia > 70 (kode BHS_IN), nilai bahasa Inggris > 75 (kode BHS_ING), nilai rata-rata test tertulis >75 (kode TTS), nilai test kemampuan (bakat) >= 70 (kode BKT), nilai rata-rata ijazah >= 75 (kode NIJ), pertimbangan dari guru (kode PGR). 4.2.4 User Interface (Antarmuka Pemakai) Antarmuka pengguna merupakan salah satu penghubung antara user dengan sistem pakar agar user dapat menggunakan sistem tersebut. 4.3.

Desain Aktifitas Sistem Aktifitas sistem merupakan alur global dari aktifitas yang akan mengilustrasikan aktifitas dari sistem yang akan dirancang. Dimulai dari awal kegiatan sistem sampai penyelesaian yang dihasilkan, seperti dapat dilihat pada gambar 4.6

Helmi Wijaya

175

User

User Inference

Memasukkan Data Siswa Memasukkan Data Jurusan Memasukkan kriteria

Inference Engine

Memeriksa rule untuk mendaptkan hasil dalam menentukan jurusan siswa

Membaca data untuk memilih jurusan

Melakukan penulusuran pada database

Menampilkan Hasil

Menarik Kesimpulan

Expalanation Facillities

Menampilkan informasi cara penggunaan program

Gambar 4.6 Desain Aktivitas Sistem Perancangan perangkat lunak sistem pakar dalam menentukan jurusan siswa mempunyai empat komponen utama yakni knowledge, yang berisikan data siswa dan aturan-aturan kriteria jurusan. Sedangkan basis data dibutuhkan untuk memahami, meluruskan dan menyelesaikan masalah. basis data mempunyai table identitas siswa, jurusan, keputusan. Inference engine merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada seperti prosedurprosedur untuk mencocokan fakta dan jenis jurusan. User interface adalah perangkat lunak yang menyediakan media komonikasi antar pengguna dengan sistem, seperti prosedur untuk membaca masukan fakta dari pemakai. Hasil

Daftar Data dan Daftar Aturan

Pakar

User

Sistem Pakar

Data dasar dan auisasi pengetahuan

Kinerja Jurusan

Gambar 4.7 Hubungan Sistem dengan pengguna

176


Ada tiga entity yang terlibat langsung dalam penggunaan sistem ini, ketiga entity tersebut adalah Pakar yang akan memasukan pengetahuan (knowledge) yang berhubungan dengan jurusan siswa kedalam basis pengetahuan (knowledge base), untuk menentukan jurusan siswa.

IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1. Spesifikasi Perangkat Keras dan Perangkat Lunak Untuk penerapan dan implementasi dari sistem pakar dalam menentukan jurusan siswa penulis menggunakan spesifikasi perangkat keras dan perangkat lunak sebagai berikut : 1.

Perangkat Keras Perangkat keras yang digunakan untuk membuat dan menjalankan sistem ini adalah sebuah Laptop dengan spesifikasi : a. Processor Intel Pentium Dual Core b. RAM 4.00 GB c. Harddisk 680 GB d. Printer Canon iP 2700 e. Modem MOBINIL 2.

Perangkat Lunak Perangkat lunak yang digunakan untuk membuat dan menjalankan sistem ini adalah: a. Sistem Operasi Microsoft Windows 7 b. Bahasa pemrograman Visual Basic versi 6.0 c. Perangkat lunak pengolah database dengan Microsoft Access 2003 d. Perangkat lunak untuk perancangan gambar Microsoft Visio 2007 e. Perangkat lunak aplikasi pengolah kata Microsoft Word 2007 f. Perangkat lunak untuk membuat presentasi dengan Microsoft Power Point 5.2 Implementasi Bahasa Pemrograman Visual Basic Pembuatan program aplikasi ini dimulai dengan pembuatan database untuk knowledge base dan rule base dengan menggunakan Microsoft access 2003. Sesuai dengan struktur tabel-tabel database seperti yang telah dibahas pada bab IV. Selanjutnya dengan menggunakan perangkat aplikasi administrasi tools pada sistem operasi Microsoft windows dibuatlah koneksi data dengan nama data source name : jurusan yang dikoneksikan pada file database yang telah dibuat.

Helmi Wijaya

177

Selanjutnya dibuatlah antar muka sistem, yaitu form-form yang akan digunakan pada sistem pakar ini dengan menggunakan perangkat aplikasi bahasa pemrograman visual basic 6.0, sehingga terbentuklah form-form. Selanjutnya dalam perancangan database basi basis pengetahuan (knowledge base) dan basis aturan (rule base) dibuatlah sub program untuk proses pengolahan table-tabel tersebut dan antar mukanya. Daftar kode sumber dalam bahasa pemrograman visual basic 6.0, untuk menu, siswa, kriteria dapat dilihat pada lampiran. Ini penggunaan bagian antar muka untuk basis pengetahuan dan basis aturan adalah melaksanakan penambahan, perbaikan record-record, fakta-fakta dan aturan-aturan yang dibutuhkan oleh sistem pakar. 1. Menu Utama Form menu utama adalah merupakan antar muka yang memberikan arahan pada pemakai sistem untuk penggunaan fasilitas yang tersedia pada sistem ini. Form ini yang pertama kali diaktifkan ketika program ini dijalankan. Pada form ini bisa ditentukan menu-menu atau tombol-tombol yang bisa digunakan pemakai untuk memanggil form-form yang dibutuhkan seperti form untuk entry data didalamnya ada input data siswa dan data jurusan, keputusan, preview. Bentuk form menu utama bisa terlihat pada gambar 5.1

Gambar 5.1 Menu Utama Seperti pada gambar 5.1 diatas terdapat 3 buah tabel yang masingmasing digunakan untuk membuka form input data, form keputusan, interview. Pada bagian menu bar kita juga bisa memanggil form-form yang kita butuhkan, sedangkan proses bisa dilihat dari menu proses.

178


2. Input Data Siswa Form ini merupakan fasilitas bagi pemakai pakar atau knowledge engineer untuk mengisikan fakta tentang siswa yang akan mengambil jurusan. Data yang diisikan meliputi data-data identitas pribadi siswa. Bentuk form-nya bisa terlihat pada gambar 5.2.

Gambar 5.2 Input Data Siswa Untuk memasukkan data cukup dengan mengetikkan NIS pada textbox NIS dan megetikkan nama siswa dan jenis kelamin, tekan tombol simpan jika ingin menyimpan data ke dalam tabel. Untuk melakukan koreksi dan menghapus data klik tombol, tapi sebelumnya ketikkan dulu NIS yang akan diedit, dihapus pada textbox nis. 3. Input Data Jurusan Form ini digunakan untuk menginputkan data jurusan yang ada, cara penggunaan form ini tidak jauh beda dengan form data siswa. Bentuk dari form data jurusan bisa terlihat pada gambar 5.3 :

Gambar 5.3 Input Data Jurusan

Helmi Wijaya

179

Data-data tentang jurusan yang dimasukkan melalui form ini akan tersimpan pada tabel jurusan, data yang telah tersimpan pada tabel jurusan bisa ditampilkan melalui listview yang ada dibawah form data jurusan. 4. Input Keputusan Form input keputusan merupaan fasilitas bagi pemakai atau knowledge base engineer untuk mengisikan fakta dan aturan kriteria dalam menentuka jurusan. Dengan memasukkan NIS siswa terlebih dahulu, kemudian mengisikan kriteria yang ada sesuai dengan jurusan yang dipilih dengan menjadwalkan beberapa petanyaan yang berhubungan dengan jurusan yang dipilih oleh siswa. Dengan memberikan checklist apabila pertanyaan tersebut sesuai dengan kriteria yang telah ditetapkan. Dapat dilihat pada gambar 5.4.

Gambar 5.4 Input Kriteria Jurusan A. Pengujian sistem Pengujian sistem ini dilakukan bertujuan agar sistem yang didesain dapat dipergunakan untuk mengatasi masalah-masalah dalam menentukan jurusan siswa, dilakukan mulai dari proses pemasukan fakta-fakta berupa identitas siswa, kriteria dalam menentukan jurusan, hingga pengujian proses penelusuran atau konsultasi pada sistem pakar ini. Pengujian sistem akan dilakukan dengan menggunakan aplikasi bahasa pemrograman visual basic 6.0 berdasarkan inferensi sistem dengan algoritma forward chaining, tabel 5.1 merupakan sampel data nilai siswa dalam menentukan jurusan.

180


Tabel 5.1 Sampel Data Nilai Siswa Dalam Menentukan Jurusan

a.

Pengujian dengan menggunakan aplikasi bahasa pemrograman visual basic 6.0 untuk kasus 1 di ambil atas nama Febbi Ilkiya, dapat dilihat pada gambar 5.5.

Gambar 5.5 Input Kriteria Dari Kasus 1 Berdasarkan gambar 5.5 diatas, kriteria-kriteria jurusan yang telah disesuaikan dengan data siswa yang ada pada table 5.1 diatas, dimana nilai dari

Helmi Wijaya

181

masing-masing kriteria yang kita sesuaikan atas nama Febbi Ilkiya adalah Nilai matematika antara (60-70), nilai bahsa inggris antara(60-70), nilai rata-rata test tertulis antara (70-75), nilai test bakat >=70, Nilai ijazah >= 75. Dari criteria diatas dapat kita tarik suatu kesimpulan bahawa atas nama Febbi Ilkiya, maka jurusan yang didapatkan adalah jurusan Tata Busana karena sesuai dengan rule (2) pada table 4.4 yakni if (MTK = sesuai) and (BHS_ING = sesuai) and (TTS = sesuai) and (NIJ = sesuai) and (BKT = sesuai) then (jurusan = Tata Busana). Hasil Proses dan bentuk rule dapat dilihat pada gambar 5.6

Gambar 5.6 Hasil Proses Jurusan dan Rule b. Pengujian dengan menggunakan aplikasi bahasa pemrograman visual basic 6.0 untuk kasus 2 di ambil atas nama Arina Sri Janeka, dapat dilihat pada gambar 5.7

Gambar 5.7 Input Kriteria Dari Kasus 2

182


Berdasarkan gambar 5.7 diatas, kriteria-kriteria jurusan yang telah disesuaikan dengan data siswa yang ada pada table 5.1 diatas, dimana nilai dari masing-masing kriteria yang kita sesuaikan atas nama Arina Sri Janeka adalah Nilai matematika antara (60-70), nilai bahsa indonesia antara(60-70), nilai ratarata test tertulis antara (70-75), nilai test bakat >=70, Nilai ijazah >= 75. Dari kriteria diatas dapat kita tarik suatu kesimpulan bahawa atas nama Arina Sri Janeka, maka jurusan yang didapatkan adalah jurusan Tata Busana karena sesuai dengan rule (2) pada table 4.4 yakni if (MTK = sesuai) and (BHS_IN = sesuai) and (TTS = sesuai) and (NIJ = sesuai) and (BKT = sesuai) then (jurusan = Tata Busana). Hasil Proses dan bentuk rule dapat dilihat pada gambar 5.8

Gambar 5.8 Hasil Proses Jurusan dan Rule c. Pengujian dengan menggunakan aplikasi bahasa pemrograman visual basic 6.0 untuk kasus 3 di ambil atas nama Desti Yulia Sita, dapat dilihat pada gambar 5.9

Gambar 5.9 Input Kriteria Dari Kasus 3

Helmi Wijaya

183

Berdasarkan gambar 5.9 diatas, kriteria-kriteria jurusan yang telah disesuaikan dengan data siswa yang ada pada table 5.1 diatas, dimana nilai dari masing-masing kriteria yang kita sesuaikan atas nama Desti Yulia Sita adalah Nilai matematika >= 75, nilai bahasa Indonesia >= 70, Nilai bahasa inggris >= 70, nilai rata-rata test tertulis >= 75, nilai test bakat >=70, Nilai ijazah >= 75. Dari criteria diatas dapat kita tarik suatu kesimpulan bahawa atas nama Desti Yulia Sita, maka jurusan yang didapatkan adalah jurusan Tata Busana karena sesuai dengan rule (2) pada table 4.4 yakni if (MTK = sesuai) and (BHS_ING = sesuai) and (TTS = sesuai) and (NIJ = sesuai) and (BKT = sesuai) then (jurusan = Tata Busana). Hasil Proses dan bentuk rule dapat dilihat pada gambar 5.10

Gambar 5.10 Hasil Proses Jurusan dan Rule Sedangkan untuk melihat hasil proses dalam menentukan jurusan secara keseluruhan, dapat dilihat pada gambar 5.11

184


Gambar 5.11 Preview Daftar Siswa dan Jurusan Terpilih

KESIMPULAN Berdasarkan penelitian dan pembahasan yang dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut : 1. Sistem aplikasi berbasis sistem pakar yang dirancang dapat membantu user dalam menentukan jurusan siswa dengan menggunakan software visual basic 6.0 dan database micrososft access 2007. 2. Sistem pakar yang dirancang dapat menentukan jurusan yang dipilih oleh siswa dengan jelas dan sesuai dengan bakat dan kemampuan dari siswa itu sendiri berdasarka kriteri-kriteria jurusan yang diberikan. 3. Penalaran aloritma fordward chaining sangat membantu dalam menyelesaikan masalah dalam menentukan jurusan siswa. 4. Dengan memformulasikan faktor-faktor pendukung dalam menentukan jurusan siswa ke dalam algoritma forward chaining sehingga permasalahan dapat dopecahkan, serta keluaran (informasi) tentang jurusan siswa yang dihasilkan menjadi lebih akurat dan efisien.

Helmi Wijaya

185

DAFTAR PUSTAKA Dewi Mairza,”Constrain Programming : suatu pendekatan dalam declarative Programming”, Fakultas Ilmu Komputer Universitas, Kampus UI Depok, Indonesia Mariza @cs.ui.ac.id Gregorius S. Budhi1, Alexander Setiawan2, Hendra P.S. Widjaja3,”Feng-Shui Knowledge-based system untuk membantu penentuan Harga Rumah Pada property Agent”, Universitas Kristen Petra Jurusan Teknik Informatika, Jawa Timur, Indonesia, E-mail:{geg, Alexander}@petra.ac.id,2008 I Nyoman Kusuma Wardana1, Alfa Antariksa2, Nazrul Efendy3,”Perancangan System Pakar untuk Diagnosa Penyakit Mulut dan Gigi Menggunakan Bahasa Pemrograman Clips”, Universitas Gajah Mada, 2008 Leo Willyanto Santoso1, Gregorius Satia Budhi2, Lydiawaty Mappatombong3,” Perancangan dan pembuatan Aplikasi System Pakar untuk Penentuan Produk dan Jenis Perawatan Tubuh dipusat Perawatan “Epiderma”,Universitas Kristen Petra, Surabaya, [email protected] Leo Willyanto Santoso1, Rolly Intan2, Feky Sugianto3, Nazrul Efendy 4, “Implementasi Fuzzy Expert system Untuk Analisa Penyakit Dalam Pada Manusia”, Universitas Kristen Petra, Surabaya, {leow,rintan}@petra.ac.id ,2008 Ramadiani dan Nurbasar,”Sistem Pakar Identifikasi Kerusakan Pada Mobil”, Universitas Mulawarman, Samarinda, 2011 Sepriayandi Firdaus1, Singgih Jatmiko2,” Expert System Application For Disease Diagnosis Using Java (J2SE) And MYSQL”, Gunadarma University,2010 Titik Lusiani1, Andhika Kurniawan Cahyono2, “Sistem Berbasis Aturan untuk Mendiagnosa Penyakit Flu Burung Secara Online”, STIKOM,Surabaya,([email protected]),2006 T.

Sutojo,S.Si.,M.Kom1, Edy Mulyanto, S.Si.,M.Kom2, Dr. Vincent Suhartono3,” Kecerdasan Buatan “,Andi Offset, Yogyakarta,2011

Wisnu Yudho Untoro,” Penerapan Metode Forward Chaining Pada Penjadwalan Mata Kuliah”, Universitas Kanjuruhan Malang, 2009

186

Evaluasi Dan Peningkatan Prestasi Belajar Siswa Dengan Sistem Pakar Berbasis Fuzzy

EVALUASI DAN PENINGKATAN PRESTASI BELAJAR SISWA DENGAN SISTEM PAKAR BERBASIS FUZZY

RIJAL PAISAL, ST., M.Kom AKADEMI TEKNIK ADI KARYA 2012 ABSTRAK Fuzzy logic adalah sebuah alat dalam sistem pakar yang dapat membantu dalam mengatasi penyebab terjadi kegagalan siswa dalam sebuah evaluasi pendidikan. Dengan melakukan analisa terhadap objek yang telah ditentukan untuk mendapatkan data-data yang dibutuhkan dalam proses analisa evaluasi dan peningkatkan prestasi belajar siswa. Nilai-nilai variabel tersebut berupa Nilai kognitif, Nilai Psikomotor, dan Nilai Afektif. Sehingga nantinya nilai-nilai tersebut dapat dijadikan rule yang akan dipakai dalam sistim pakar. Setelah dilakukan analisa terhadap variabel ini diharapkan dapat menggali nilai-nilai rule berbasis knowledge untuk kemudian digunakan dalam fuzzy logic Mandani. Untuk penerapan dari kegiatan analisa sebelumnya dengan metode rulebased expert system, maka dirancang sebuah program aplikasi sederhana dengan menggunakan bahasa pemograman MATLAB yang memakai metode Fuzzy Logic Mandani. Fuzzy logic akan memberikan informasi yang diinginkan dengan menggunakan rule base yang bervariasi. Dengan demikian diperoleh sebuah pengetahuan tentang bagaimana cara menentukan apa penyebab terjadinya kegagalan siswa dalam sebuah evaluasi pendidikan dan bagaimana cara mengatasi kegagalan siswa tersebut. Kata kunci : Fuzzy Logic, Aplikasi Matlab, Data Nilai Afektif, Data Nilai Kognitif, Data Nilai Psikomotor.

ABSTRACT Fuzzy logic is a tool in an expert system that can assist in addressing the causes of failure of students in an educational evaluation. By analyzing the objects that have been determined to obtain the required data in the process of evaluation and improvement analysis of student achievement. The values of variables in the form of cognitive value, value Psychomotor, and Affective Value. So that these values will be used as a rule that will be used in expert

Rijal Paisal

187

systems. After analysis of these variables can dig diaharapkan values of rulebased knowledge for later use in fuzzy logic Mandani. For the implementation of activities previous analysis by the method of rulebased expert system, then designed a simple application program using MATLAB programming language that uses Fuzzy Logic method Mandani. Fuzzy logic will provide the desired information by using the rule base is varied. Thus acquired a knowledge of how to determine what the cause of the failure of students in an evaluation of education and how to cope with the failure of these students. Keywords: Fuzzy Logic, Applications Matlab, Affective Value Data, Value Data Cognitive, Psychomotor Value Data.

PENDAHULUAN Latar Belakang Penelitian Dalam pembelajaran yang terjadi di sekolah atau khusunya di kelas, guru adalah pihak yang paling bertanggung jawab atas hasilnya. Dengan demikian, guru patut dibekali dengan evaluasi sebagai ilmu yang mendukung tugasnya, yakni mengevaluasi hasil belajar siswa. Dalam hal ini guru bertugas mengukur apakah siswa sudah menguasai ilmu yang dipelajari oleh siswa atau bimbingan guru sesuai dengan tujuan yang dirumuskan. Pada SMA Negeri 6 Kerinci sistem yang digunakan di dalam melaksanakan evaluasi tentang prestasi belajar siswa atau pencapaian masih dilakukan secara manual. Hasil pengolahan data dengan menggunakan sistem manual ini sering tidak tepat untuk menentukan prestasi belajar siswa tersebut. Di samping itu, jika pengambilan keputusan yang hanya memperhatikan satu komponen saja tanpa melihat komponen-komponen yang lain. Hal ini menjadi permasalahan dalam keputusan akhir karena tidak tepat atau tidak adil dalam memberi suatu penilaian. Menangkap kemampuan dan kecerdasan manusia sering kali merupakan cara yang sangat bermanfaat untuk membuat program komputer yang dapat menangani permasalahan nyata yang seringkali rumit. Sedangkan manusia seringkali tidak bertindak berdasarkan aturan oleh karena itu logika fuzzy digunakan untuk mendekati kemampuan dan kecerdasan manusia yang selalu berubah-ubah atau tidak tetap dalam menyelesaikan suatu permasalahan (Kuswadi, Son, 2000). Untuk itu dibutuhkan beberapa kriteria sebagai pedoman dalam mengevaluasi guna meningkatkan pretasi belajar siswa tersebut, dengan demikian perlu dibangun sebuah sistem untuk mempermudah proses evaluasi dalam meningkatkan prestasi belajar siswa. Fuzzy logic Mandani adalah sebuah

188


sistem baru yang penulis gunakan untuk membantu mempermudah di dalam melaksanakan evaluasi tentang prestasi belajar siswa tersebut. Melalui variabelvariabel yang harus dicapai, seperti Nilai kognitif, Nilai Pisikomotor, dan Nilai Afektif. Fuzzy logic Mandani akan memberikan informasi yang diinginkan dengan menggunakan rule base yang bervariasi. Salah satu solusi yang dapat dilakukan untuk mengatasi permasalahan yang dibahas yaitu dengan menggunakan logika fuzzy yang diterapkan dalam bentuk program Matlab. Dengan demikian diperoleh sebuah pengetahuan tentang bagaimana cara meningkatkan prestasi belajar siswa. Berdasarkan hal tersebut di atas, maka dibuat sebuah penelitian tentang ”Evaluasi dan Peningkatan Prestasi Belajar Siswa Berbasis Fuzzy”. Perumusan Masalah Berdasarkan latar belakang pemilihan judul dapat disimpulkan masalah yang sedang dihadapi oleh SMA Negeri 6 Kerinci, Kabupaten Kerinci adalah : 1. Bagaimana menerapkan fuzzy logic Mandani dalam evaluasi dan peningkatkan prestasi belajar siswa? 2. Bagaimana memformulasikan faktor – faktor dalam evaluasi dan peningkatkan prestasi belajar siswa dalam Fuzzy logic Mandani? Ruang lingkup Masalah Agar masalah yang dirumuskan nantinya tidak menyimpang, maka penulis membuat suatu ruang lingkup masalah, yakni : 1. Penelitian ini hanya menganalisa faktor-faktor yang dapat membantu dalam evaluasi dan peningkatkan prestasi belajar siswa di SMA Negeri 6 Kerinci, Kabupaten Kerinci. 2. Metode yang digunakan dalam penelitian ini adalah dengan menggunakan Fuzzy logic Mandani. Melalui variabel-variabel seperti Nilai kognitif, Nilai Pisikomotor, dan Nilai Afektif. Tujuan Penelitian Penelitian ini memiliki tujuan yang hendak dicapai sebagai berikut : 1. Menganalisis faktor-faktor yang dapat membantu dalam evaluasi dan peningkatkan prestasi belajar siswa. 2. Dengan mengupulkan nilai-nilai yang dijadikan suatu variabel dalam menerapkan fuzzy logic Mandani diharapkan dapat membantu dalam mengatasi permasalahan yang ada pada SMA Negeri 6 Kerinci, Kabupaten Kerinci terutama bagaimana mengevaluasi dan peningkatkan prestasi belajar siswa dapat bermanfaat, dan menghasilkan siswa yang berkualitas.

Rijal Paisal

189

Manfaat Penelitian Adapun Manfaat yang diharapkan dari penelitian adalah : 1. Sebagai acuan bagi guru dan siswa untuk selanjutnya agar tidak ada lagi terjadi kegagalan dalam proses belajar mengajar. 2. Bagi peneliti sendiri, dalam rangka pengembangan ilmu dan wawasan dalam menganalisa apa sebenarnya faktor-faktor yang dapat membantu dalam evaluasi dan peningkatkan prestasi belajar siswa dengan menggunakan fuzzy logic Mandani.

LANDASAN TEORI Sekilas Fuzzy Logic. 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. Fuzzy logic membutuhkan ongkos yang lebih murah dalam memecahkan berbagai masalah yang bersifat fuzzy. Fuzzy logic telah menjadi area riset yang mengagumkan karena kemampuannya dalam menjembatani bahasa mesin yang serbapresisi dengan bahasa manusia yang cenderung tidak presisi, yaitu hanya dengan menekankan pada makna atau arti (significance). Dengan fuzzy logic, sistem kepakaran manusia bisa diimplementasikan ke dalam bahasa mesin secara mudah dan efisien (Naba, 2009.) Konsep Dasar Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada diluar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang menjadi konsep dasar munculnya konsep logika fuzzy. Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Menurut (Much. Djunaidi, Eko Setiawan dan Fajar Whedi Andista. 2005). Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan, yaitu (Kusumadewi, 2003) :

190


1. Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. 2. Nol (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan ada 2 kemungkinan, yaitu 0 atau 1. Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif (Kusumadewi, 2003) . Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy (Kusumadewi, 2001 ). Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya : a. representasi linear b. representasi segitiga c. representasi trapezium d. representasi kurva bentuk bahu e. representasi kurva S f. representasi bentuk lonceng Ada beberapa alasan mengapa orang menggunakan logika fuzzy (Kusumadewi, Sri, 2002), antara lain : a. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti. b. Logika fuzzy sangat fleksibel. c. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. d. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks. e. Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. f. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional. g. Logika fuzzy didasarkan pada bahasa alami.

Rijal Paisal

191

Metode Mamdani Metode mamdani sering dikenal sebagai metode Max-Min. metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output diperlukan 4 tahapan (Sri Kusuma Dewi, 2004) : 1. Pembentukan himpunan fuzzy 2. Aplikasi fungsi implimikasi 3. Komposisi aturan Ada 3 metode yang digunakan dalam melakukan inferensi system fuzzy yaitu: a. Metode Max (Maximum) b. Metode Additive (sum) c. Metode probabilistik OR (probor) 4. Penegasan ( Defuzzy ) Ada beberapa metode defuzzifikasi pada kombinasi aturan Mamdani, antara lain: a. Metode centroid. Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. Secara umum dirumuskan :

b.

c.

d.

Metode Bisektor Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan separo dari jumlah total nilai keanggotaan pada daerah fuzzy. Metode Mean of Maximum (MOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum. Metode Largest of Maximum (LOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.

192

e.


Metode Mean of Maximum (MOM) Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum.

Evaluasi dan Prestasi Belajar Evaluasi adalah penilaian terhadap tingkat keberhasilan siswa mencapai tujuan yang telah ditetapkan dalam sebuah program. Aktivitas belajar perlu diadakan evaluasi, hal ini penting karena dengan evaluasi kita dapat mengetahui apakah tujuan belajar yang telah ditetapkan dapat tercapai atau tidak. Melalui evaluasi dapat diketahui kemajuan-kemajuan belajar yang dialami oleh anak, dapat ditetapkan mengenai apa yang telah diperoleh dan diketahui anak serta dapat merencanakan apa yang seharusnya dilakukan pada tahap berikutnya. Evaluasi yang sempurna tidak hanya berobjekkan pada aspek kecerdasan tetapi mencakup seluruh pribadi anak dalam seluruh situasi pendidikan yang dialaminya. Pada prinsipnya pengungkapan hasil belajar ideal meliputi segenap psikologis yang berubah sebagai akibat pengalaman dan proses belajar siswa namun pengungkapan perubahan tingkah laku seluruh ranah itu, khususnya ranah rasa murid sangat sulit. Hal itu disebabkan perubahan hasil belajar itu yang bersafat intangible (tak dapat diraba). Oleh karena itu yang dapat dilakukan guru dalam hal ini adalah hanya mengambil cuplikan perubahan tingkah laku yang dianggap penting dan diharapkan dapat mencerminkan perubahan yang terjadi sebagai hasil belajar siswa baik yang berdimensi cipta dan rasa maupun yang berdimensi karsa (Arikunto, 2009.)

METODOLOGI PENELITIAN Identifikasi Masalah Perumusan masalah dilakukan untuk menentukan masalah apa saja yang terdapat pada objek penelitian serta memberikan batasan dari permasalahan yang akan diteliti. Tahap perumusan masalah merupakan langkah awal dari penelitian ini, karena tahap ini diperlukan untuk mendefinisikan keinginan dari sistem yang tidak tercapai. Pada kegiatan belajar mengajar di sekolah dalam setiap tahunnya selalu diadakan evaluasi tentang prestasi belajar siswa atau pencapaian masih dilakukan secara manual. Hasil pengolahan data dengan menggunakan sistem manual ini sering tidak tepat untuk menentukan prestasi belajar siswa tersebut. Di samping itu, jika pengambilan keputusan yang hanya memperhatikan satu komponen saja tanpa melihat komponen-komponen yang lain. Hal ini menjadi permasalahan dalam keputusan akhir karena tidak tepat atau tidak adil dalam

Rijal Paisal

193

memberi suatu penilaian. Disini penulis melakukan suatu penilitian apa yang sebenarnya yang menjadi faktor permasalahan bagi siswa tersebut, akan di analisa Melalui variabel-variabel yang harus dicapai, seperti Nilai kognitif, Nilai Pisikomotor, dan Nilai Afektif. Fuzzy logic akan memberikan informasi yang diinginkan dengan menggunakan rule base yang bervariasi. Analisa Permasalahan Langkah analisis masalah adalah langkah untuk dapat memahami masalah yang telah ditentukan ruang lingkup atau batasannya. Dengan menganalisa masalah yang telah ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik. Teknik analisis yang digunakan dapat dilakukan dengan beberapa tahap berikut: a. tahap identify b. tahap analyze Mempelajari Literatur Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang dicapai, terutama yang dapat mengatasi masalah-masalah yang ada. Setelah masalah dianalisa, maka dipelajari literatur yang berhubungan dengan permasalahan. Kemudian literatur- literatur yang dipelajari tersebut diseleksi untuk dapat ditentukan literatur mana yang akan digunakan dalam penelitian ini. Sumber literatur didapatkan dari perpustakaan, jurnal, artikel, yang membahas tentang Logika Fuzzy, Fuzzy Set, Membership function , dan bahan bacaan lain yang mendukung penelitian. Mengumpulkan data – data yang dibutuhkan Dalam tahap pengumpulan data dilakukan beberapa cara yaitu : a. Observasi b. Wawancara c. Keperpustakaan Pemilihan teknik yang akan digunakan Tahap ini bertujuan untuk menentukan teknik yang digunakan dalam perancangan sistem. Metode yang digunakan adalah metode rule- base dengan cara merepresentasikan masalah ke dalam basis pengetahuan (knowledge base) Logic yang digunakan untuk merepresentasikan pengetahuan adalah fuzzy Mamdani.

194


Perancangan sistem Setelah menentukan metode yang akan digunakan maka tahap selanjutnya adalah merancang sistem. Pada perancangan sistem akan dilakukan beberapa kegiatan antara lain : Menentukan rule – rule yang dibutuhkan, Representasi pengetahuan, dan kegiatan-kegiatan lain yang mendukung terbentuknya rancangan dari sistem. Pengujian sistem Pada tahap pengujian sistem penulis mengimplementasikan model dan hasil perancangan sistem menggunakan software matlab. Sistem diuji dengan prosedurprosedur untuk melakukan pencocokan rule. Rule yang akan dicocokkan adalah fakta yang diperoleh dari user dengan data yang ada knowledge base. Ada 3 tahapan yang dilakukan dalam pengujian system di antaranya adalah : a. Implementasi b. Proses Fuzzifikasi c. defuzzification

ANALISA DAN PERANCANGAN Analisa Data Siswa Dalam Evaluasi Dalam melakukan analisa data pada penyusunan tesis ini dilakukan dengan menggunakan fuzzy logic. Di mana logika fuzzy adalah logika yang dapat merepresentasikan keadaan linguistic seperti kurang, cukup, banyak dan sebagainya. Oleh karena itu fuzzy logic memungkinkan nilai keanggotaan antara 0 sampai dengan 1 atau sesuatu dapat dinyatakan sebagian benar dan sebagian salah pada saat yang sama. Fuzzy logic juga mempunyai tingkat toleransi pada data yang diolah tanpa mengabaikan kaidah dari data tersebut. Identifikasi untuk evaluasi dan peningkatan prestasi belajar siswa dilakukan dengan menentukan variabel yang diperlukan dalam pengolahan dan analisis, dimana variable/kriteria yang harus dipenuhi adalah nilai afektif, nilai kognitif, dan nilai psikomotor. Tabel 4.1 adalah data – data yang diambil dan diamati langsung ke tempat penelitian yang akan dipersentasikan serta yang akan dianalisa ke dalam bentuk metode fuzzy logic.

Rijal Paisal

195

Tabel. 4.1. Data Nilai Siswa Mata Pelajaran Muatan Lokal Kognitif No

Nama

Pengeta Pemaha Pener huan man apan 80 60 75

Ana lisis 70

Sint esis 60

Penila ian 60

RataRata

Afektif

Psikomotor RataMenja Menila Organi Karakte Rata Motori Mani Koor wab i sasi ristik k pulasi dinasi 60 60 75 80 70.0 65 60 60

RataRata

67.5

Mene rima 75

70

70.8

65

70

75

65

70

69.0

70

70

75

71.7

70

80

75.0

70

80

70

65

85

74.0

70

80

70

73.3

75

75

75

77.5

75

80

75

80

80

78.0

70

75

75

73.3

80

80

80

85

80.8

75

80

80

80

80

79.0

80

85

80

81.7

75

75

70

65

65

71.7

70

75

65

75

80

73.0

70

65

65

66.7

55

50

60

55

60

45

54.2

55

50

60

60

55

56.0

50

45

60

51.7

Leo Apriza

60

60

65

65

70

65

64.2

60

60

70

65

60

63.0

60

65

70

65.0

9

Maya Lestari

60

55

55

60

50

45

54.2

55

55

50

55

60

55.0

45

45

50

46.7

10

Mutia Wulandari

45

40

45

65

50

50

49.2

45

40

50

45

45

45.0

50

50

50

50.0

11

Neli Harmoni

80

75

75

70

70

65

72.5

70

75

70

75

80

74.0

75

65

70

70.0

12

Nova Honesti

85

75

75

70

70

75

75.0

70

75

70

75

85

75.0

75

75

70

73.3

13

Nur Aini

85

80

80

85

65

75

78.3

75

80

65

80

85

77.0

75

75

65

71.7

14

Roni Irawan

80

80

85

75

80

80

80.0

75

80

80

85

80

80.0

75

80

80

78.3

15

Siti Hadijah

85

75

75

70

65

70

73.3

70

75

65

75

85

74.0

70

70

65

68.3

1

Abdul Hafis

2

Almuzni Khaidir

70

70

65

75

75

3

Azman

85

80

65

70

4

Danil Guntara

80

80

80

5

Ibrahim Rahman

80

80

6

Jhoni Andika

80

7

Jesi Nurpitri

8

61.7

196


16

Syafrizal

80

80

75

75

75

75

76.7

75

80

75

75

80

77.0

75

75

75

75.0

17

Tuti Resti Yanti

45

50

50

60

55

80

56.7

50

50

55

50

45

50.0

75

80

55

70.0

18

Yolanda Agustin

75

65

70

70

70

70

70.0

60

65

70

70

75

68.0

80

70

70

73.3

19

Zuryana

85

65

65

70

75

75

72.5

60

65

75

65

85

70.0

80

75

75

76.7

Rijal Paisal

197

Desain Sistem Data Evaluasi dalam Fuzzy Logic Pada desain sistem yang menggunakan fuzzy mamdani ini, terdiri dari empat step yaitu disain input data siswa berdasarkan nilai afektif, disain input berdasarkan nilai kognitif, dan disain input berdasarkan nilai Psikomotor sedangkan yang menjadi outputnya adalah Nilai Rata-rata sebuah mata pelajaran, di bawah ini merupakan tabel pembicaraannya. Tabel 4.2. Semesta Pembicaraan Fungsi

Input

Output

Nilai Afektif

NA

Semesta Pembicaraan [0 - 100]

Nilai Kognitif

NK

[0 - 100]

Nilai Psikomotor Nilai Sebuah Mata Pelajaran

NP

[0 - 100]

PA

[0 - 100]

Nama Variabel

Notasi

Keterangan Nilai Sikap Nilai Pengetahuan Informasi Nialai Praktek Nilai Sebuah Mata Pelajaran

Tabel 4.3 Himpunan Fuzzy Nilai Afektif Variabel

Nama Variabel Fuzzy

Model MF

Parameter

Range

K

Kurang

Trapmf

[ 0 0 35 59 ]

00 – 59

C

Cukup

Tripmf

[ 50 60 70 ]

50 – 70

Baik

Trapmf

[ 65 95 100 100]

70 – 100

B

.

.

Gambar 4.1 Model Input 1 Untuk Nilai Afektif

198


Tabel 4.4 Himpunan Fuzzy Nilai Kognitif Variabel

Nama Variabel Fuzzy

Model MF

Parameter

Range

K

Kurang

trapmf

[ 0 0 35 59 ]

00 - 59

C

Cukup

Tripmf

[ 50 60 70 ]

50 - 70

B

Baik

trapmf

[ 65 95 100 100]

65 - 100

Gambar 4.2 Model Input 2 Untuk Nilai Kognitif Tabel 4.5 Himpunan Fuzzy Nilai Psikomotor Variabel

Nama Variabel Fuzzy

Model MF

Parameter

Range

K

Kurang

trapmf

[ 0 0 35 59 ]

00 - 59

C

Cukup

Tripmf

[ 50 60 70 ]

50 - 70

B

Baik

trapmf

[ 65 95 100 100]

65 - 100

Gambar 4.3 Model Input 3 Untuk Nilai Psikomotor

Rijal Paisal

199

Sampel Pengolahan Data Dengan Fuzzy Logic Tabel 4.6 Himpunan Fuzzy Output Nama Variabel Fuzzy Model MF Parameter Gagal Dipertimbangkan Berhasil

trapmf tripmf trapmf

[ 0 0 40 60 ] [ 50 60 70 ] [ 65 95 100 100]

Range 00 – 60 50 – 70 65 – 100

Gambar 4.4 Model Output Proses Penetapan Rule Proses interface adalah menetapkan parameter input kepada parameter output. Ada ada peberapa input yang diperlukan yaitu crips dari data nilai siswa berdasarkan Nilai Afektif, Nilai Koknitif dan Nilai Psikomotor yang akan diproses dengan menggunakan model mamdani. Dari 3 input tersebut kita akan menentukan rule – rule yang akan ditetapkan. Adapun rule – rule nya adalah pada tabel 4.7. Tabel 4.7 Rule - Rule NO [R1] [R2]

RULE – RULE If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is KURANG ) and ( NPSIKOMOTOR is KURANG ) then( NIK is GAGAL ) If ( NAFEKTIF is CUKUP ) and ( NKOGNITIF is KURANG ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL )

200


R[23]

If ( NAFEKTIF is BAIK ) and ( NKOGNITIF is KURANG ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is CUKUP ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is CUKUP ) and ( NKOGNITIF is CUKUP ) and (NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is BAIK ) and ( NKOGNITIF is CUKUP ) and ( NPSIKOMOTOR is KURANG ) then (NIK is GAGAL ) If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is BAIK ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is CUKUP ) and ( NKOGNITIF is BAIK ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is BAIK ) and ( NKOGNITIF is BAIK ) and ( NPSIKOMOTOR is KURANG ) then ( NIK is GAGAL ) If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is KURANG ) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is CUKUP ) and ( NKOGNITIF is KURANG ) and ( NPSIKOMOTR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is BAIK ) and ( NKOGNITIF is KURANG) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is CUKUP) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is CUKUP ) and (NKOGNITIF is CUKUP ) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is BAIK) and ( NKOGNITIF is CUKUP ) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKAN ) If ( NAFEKTIF is KURANG ) and ( NKOGNITIF is BAIK ) and ( NPSIKOMOTOR is CUKUP ) then ( NIK is DIPERTIMBANGKANP ) If (NAFEKTIF is CUKUP) and (NKOGNITIF is BAIK) and ( NPSIKOMOTOR is CUKUP ) then (NIK is DIPERTIMBANGKAN ) If (NAFEKTIF is BAIK) and (NKOGNITIF is BAIK) and ( NPSIKOMOTOR is CUKUP) then (NAK is DIPERTIMBANGKAN ) If (NAFEKTIF is KURANG) and (NKOGNITIF is KURANG) and ( NPSIKOMOTOR is BAIK) then (NIK is BERHASIL) If (NAFEKTIF is CUKUP) and (NKOGNITIF is KURANG) and ( NPSIKOMOTOR is BAIK ) then (NIK is BERHASIL ) If (NAFEKTIF is BAIK) and (NKOGNIF is KURANG) and ( NPSIKOMOTOR is BAIK) then (NIK is BERHASIL) If (NAFEKTIF is KURANG) and (NKOGNITIF is CUKUP) and ( NPSIKOMOTOR is BAIK ) then (NAK is BERHASIL) If (NAFEKTIF is CUKUP) and (NKOGNITIF is CUKUP) and ( NPSIKOMOTOR is BAIK) then (NAK is BERHASIL)

R[24]

If (NAFEKTIF is BAIK) and (NKOGNITIF is CUKUP) and

[R3] [R4] [R5] [R6] [R7] [R8] [R9] [R10] [R11] [R12] [R13] [R14] [R15] R[16] R[17] R[18] R[19] R[20] R[21] R[22]

Rijal Paisal

201

( NPSIKOMOTOR is BAIK ) then (NIK is BERHASIL) R[25] R[26] R[27]

If (NAFEKTIF is KURANG) and (NKOGNITIF is BAIK) and ( NPSIKOMOTOR is BAIK ) then (NIK is BERHASIL) If (NAFEKTIF is CUKUP) and (NKOGNITIF is BAIK) and ( NPSIKOMOTOR is BAIK) then (NIK is BERHASIL) If (NAFEKTIF is BAIK) and (NKOGNITIF is BAIK) and ( NPSIKOMOTOR is BAIK) then (NIK is BERHASIL)

IMPLEMENTASI DAN PENGUJIAN Proses Fuzzyfication Setiap proses dilakukan dengan berlandaskan data-data yang telah diambil di lapangan berupa knowledge (pengetahuan) yang bersumber dari sistem yang dijadikan bahan untuk dianalisis menggunakan metode fuzzy, adapun metode yang digunakan adalah model mamdani. Pengambilan sampel akan memudahkan untuk melakukan pengolahan data-data. Data yang menjadi sampel tersebut adalah data-data nilai siswa. Analis menggunakan metode fuzzy ini digunakan suatu fungsi keanggotaan linier naik, linier turun. Variabel-variabel yang digunakan dalam proses fuzzifikasi ini terdiri atas tiga variabel input yaitu variabel Nilai Afektif, Nilai Kognitif dan Nilai Psikomotor dan nilai evaluasi siswa sebagai variabel output. Input Nilai Afektif

Gambar 5.8 Tampilan Input Nilai Afektif

202


Input Nilai Kognitif

Gambar 5.9 Tampilan Input Nilai Kognitif Input Nilai Psikomotor

Gambar 5.10 Tampilan Input Nilai Psikomotor

Rijal Paisal

203

5.2.4 Output Fuzzy

Gambar 5.11 Output Data Sebuah Evaluasi Pendidikan Proses Inference Menggunakan Fuzzy Mamdani Proses inference adalah memetakan parameter input kepada parameter output. Ada beberapa input yang diperlukan yaitu crisp dari data nilai afektif, kognitif, psikomotor dan yang akan diproses melalui sistem inference fuzzy menggunakan model mamdani. Ada dua bagian yang dibutuhkan dalam membangun inference rule yaitu if yang menyatakan agregation dan then yang menyatakan composition. Dari dua input fuzzy tersebut kita akan menentukan rule-rule yang akan ditetapkan. Rule bisa ditentukan dengan cara memilih input 1 yang dibuatkan ke dalam tiga variabel.

204


Gambar 5.12 Injeksi Rule – rule Proses Defuzzification Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari data nilai siswa. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil dari nilai fuzzy setelah dibuatkan kedalam logika fuzzy dengan output seperti yang terlihat pada gambar 5.13 terhadap posisi kotak di bawah ini.

Rijal Paisal

205

Gambar 5.13 Rule Viewer

Gambar 5.14 Surface

206


KESIMPULAN DAN SARAN Kesimpulan Dalam penulisan tesis ini dapat dianalisa dan disimpulkan beberapa hal yang diperlukan untuk menentukan evaluasi dalam pendidikan untuk peningkatan prestasi belajar : 4. Logika Fuzzy dengan Model Mamdani dapat memudahkan dalam menganalisa apa saja yang menyebabkan terjadinya kegagalan siswa dalam sebuah evaluasi pendidikan. 5. Setelah melakukan pengujian telah didapat apa yang menyebabkan siswa tersebut gagal dalam sebuah evaluasi pendidikan yaitu dengan melihat dari rule-rule nya dan selanjutnya juga dapat melihat apakah siswa tersebut Berhasil atau Gagal atau Dipertimbangkan dalam sebuah evaluasi pendidikan. 6. Penggunaan sistem Fuzzy Mamdani ini nantinya dapat digunakan bagi guru dalam mengevaluasi pendidikan sehingga akan memperolah penentuan yang pasti sesuai dengan kriteria-kriteria yang telah ditetapkan. Saran Setelah penulis menyelesaikan tahap akhir dari penelitian ini, penulis menyadari masih banyak kekurangan-kekurangan yang mesti diperbaiki dan dipenuhi, antara lain : 1. Penelitian ini masih jauh dari sempurna dan hanya di implementasikan pada evaluasi pendidikan saja. Pada suatu saat nantinnya penelitian ini mungkin bisa dikembangkan lagi menjadi penelitian yang lebih kompleks dan di implementasikan untuk semua bentuk evaluasi pendidikan. 2. Penulis menyadari bahwa rancangan sistem aplikasi yang berbasis sistem pakar ini masih sangat sederhana, maka jika ada peneliti lain yang berminat untuk mengembangkan penelitian ini sesungguhnya penulis siap membantu jika diperlukan. 3. Penulis mengharapkan agar hasil dari penelitian ini dapat bermamfaat bagi penulis dan khususnya bagi Dinas Pendidikan Kabupaten Kerinci, dan dunia pendidikan lain pada umumnya.

Rijal Paisal

207

DAFTAR PUSTAKA Agus Naba. 2009. “Belajar Cepat Fuzzy Logic Menggunakan Matlab”, Andi. Yogyakarta. Daryanto. 2008. “Evaluasi Pendidikan” Rineka Cipta. Jakarta. Sri Kusumadewi, Hari Purnomo. 2010. “Aplikasi Logika Fuzzy Untuk Pendukung Keputusan., Graha Ilmu. Yogyakarta. Much. Djunaidi, dkk. 2005. “Penentuan Jumlah Produksi dengan Aplikasi Metode Fuzzy – Mamdani” Jurnal Ilmiah Fakultas Teknik Industri Universitas Muhammadiyah Surakarta. Sri Kusuma Dewi. 2010. “Artificial Intelligence”. Yogyakarta. Graha Ilmu Suharsimi Arikunto . 2009. ”Dasar-Dasar Evaluasi Pendidikan ”. Bumi Aksara Jakarta. Rahmat Taufik, dkk. 2008. “Rancang Bangun Simulator Kendali Lampu Lalu Lintas dengan Logika Fuzzy Berbasis Mikrokontroler” Jurnal Ilmiah Sekolah Tinggi Teknologi Nuklir – BATAN. Wahyu Agung Prasetyo. 2004. ”Tips dan Trik Matlab” Andi. Yogyakarta.

208

Penerapan Metode Jaringan Syaraf Tiruan Untuk Mengetahui Kebenaran Hasil Perkawinan Antar Golongan Darah

PENERAPAN METODE JARINGAN SYARAF TIRUAN UNTUK MENGETAHUI KEBENARAN HASIL PERKAWINAN ANTAR GOLONGAN DARAH Nopriadi, S.Kom., M.Kom Dosen Program Studi Manajemen Informatika Akademi Manajemen Informatika dan Komputer (AMIK) Depati Parbo Kerinci Jl. Pancasila No.29 Sungai Penuh ABSTRACT Every human has a blood type. There are four types of human blood groups A, B, AB and O. In medicine, the human blood group classification is done by testing human blood with antigen A and antigen B. blood group could also serve as proof of verification child’s of a couple. This is because the child's blood type consisting of a combination of their parents. the systems, a branch of the neural networks that is perceptron can be applied to determine the truth of the marriage between blood type or inheritance from parent to child’s. The variables used are four blood groups on the cross-model results, the variables of the four blood groups can be separated by one in each a different output. Whereas, the parameter is the target of the marriage with the output we are looking for. If it matches said proven and if it does not it is said not proven. The Neural Network of the algorithm Perceptron consists of a layer of input units, and layers to Output. For input unit will be included husbands blood type and wife blood type are used as a matrix in each of typeface, then made the determination that the target output of the pattern of blood would have been trained in accordance with set targets indicating that blood group managed to prove so the network could ultimately decide the inheritance of blood groups proved or not proved. Keywords: Artificial neural network, perceptron, blood type, inheritance.

I. PENDAHULUAN Perkembangan teknologi komputer pada saat ini mengalami kemajuan yang sangat pesat, khususnya dalam bidang informasi, baik itu informasi kesehatan, bisnis, pendidikan dan informasi lainnya. Hasil kerja sistem komputer ini diharapkan dapat melakukan pekerjaan seperti yang dapat dilakukan oleh manusia, itulah yang mendorong lahirnya teknologi AI (Artificial Intelligence). Perkembangan selanjutnya para ahli mencoba untuk

Nopriadi

209

mengembangkan sistem yang lebih baik, sehingga diharapkan suatu saat nanti akan tercipta suatu komputer yang dapat menimbang dan mengambil suatu keputusan sendiri sebagaimana layaknya meniru cara kerja otak manusia dalam menyelesaikan suatu masalah. Berdasarkan hal tersebut dikembangkan suatu jaringan yang memiliki konsep mirip dengan otak manusia. Jaringan tersebut adalah Jaringan Syaraf Tiruan. 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). Jaringan Syaraf Tiruan diperkenalkan melalui beberapa komputasi menggunakan neuron-neuron sederhana yang dapat mengubahnya menjadi sebuah sistem baru yang mempunyai kemampuan komputasi yang lebih baik. Dengan seiring perkembangan Jaringan Syaraf Tiruan ini memiliki beberapa metode perhitungan secara sederhana seperti metode Perceptron, Hebb Rule, Delta Rule, dan metode lainnya. Dalam bidang kesehatan, baik di negara maju maupun dinegara berkembang tenaga kesehatan dengan keahliannya dituntut untuk mampu dan dapat memberikan kontribusi dalam hal membedakan golongan darah manusia antara golongan darah A, B, AB dan O melalui perhitungan ABO dan perhitungan rhesus. Dengan pendekatan kecerdasann buatan, manusia diharapkan dapat menirukan bagaimana pola – pola dibentuk. Jaringan Syaraf Tiruan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia. Jaringan syaraf tiruan (Artificial Neural Network) bisa diterapkan untuk memeriksa kebenaran hasil perkawinan antar golongan darah, yang selama ini masih dikerjakan dengan menggunakan sistem manual. Dengan menggunakan Jaringan Syaraf Tiruan diharapkan pemeriksaaan kebenaran hasil perkawinan antar golongan darah ini dapat dilakukan dengan cepat sehingga hasilnya pun dapat diketahui dalam waktu yang singkat dan mempunyai bobot yang tinggi. II. KONSEP TEORITIS Sri Kusumadewi (2003) mendefinisikan Jaringan Syaraf Tiruan (JST) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia

210


tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Menurut Eli Yani (2005), Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Menurut Elly Warni (2009), Jaringan Syaraf Tiruan merupakan model komputasi terdistribusi yang meniru cara kerja dan sistem syaraf biologis. Dari definisi diatas dapat disimpulkan bahwa Jaringan Syaraf Tiruan adalah suatu program yang diciptakan sebagai informasi yang menyamakan dengan otak manusia. JST ditentukan oleh 3 hal : a. Pola hubungan antar neuron(disebut arsitektur jaringan) b. Metode untu menentukan bobot penghubung(disebut metode training/learning/algoritma) c. Fungsi aktifasi Sebagai contoh, perhatikan neuron Y pada gambar 2.1

Gambar 2.1 Sebuah Sel Syaraf Tiruan Y menerima input dari neuron x1, x2 dan x3 dengan bobot hubungan masing-masing adalah w1, w2 dan w3. Argumen fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya). Ketiga sinyal simpul yang ada dijumlahkan net = x1w1 + x2w2 + x3w3 . Besarnya sinyal yang diterima oleh Y mengikuti fungsi aktivasi y = f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot. Komponen Jaringan Syaraf Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarannya menuju ke neuron-neuron yang lain. Pada jaringan syaraf,

Nopriadi

211

hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.2 menunjukkan struktur neuron pada jaringan syaraf.

Gambar 2.2 Struktur Neuron Jaringan Syaraf Arsitektur Jaringan Syaraf Ada beberapa arsitektur jaringan syaraf, antara lain: a. Jaringan Dengan Lapisan Tunggal (Single Layer Net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengelolanya menjadi output tanpa harus melalui lapisan tersembunyi. Pada gambar 2.2 menjelaskan lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output. b. Jaringan Dengan Banyak Lapisan (Multilayer Net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Umumnya, ada lapisan bobot-bobot yang terletak antara dua lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, banyak kasus pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. c. Jaringan Dengan Lapisan Kompetitif (Competitive Layer Net) Umumnya, hubungan antar neuron pada lapisan competitive ini tidak diperlihatkan pada diagram arsitektur. Fungsi Aktivasi Fungsi aktivasi adalah fungsi yang mentransformasikan nilai penjumlahan menjadi sebuah nilai yang dapat diproses lebih lanjut. Terdapat beberapa fungsi aktivasi, yaitu:

212


1. Fungsi Undak Biner (hard limit). Jaringan dengan lapisan tunggal sering menggunakan fungsi undak buner (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1). Gambar 2.7 menunjukkan fungsi undak biner (hard limit) yang dirumuskan sebagai:

0, jika x  0 y 1, jika x  0

Gambar 2.3 Fungsi Aktivasi Undak Biner (Hard Limit) 2. Fungsi Bipolar (symentric hard limit) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1 atau -1. Gambar 2.8 fungsi Symetric Hard Limit yang dirumuskan sebagai :

 1, jika x  0 y  1, jika x  0

Gambar 2.4 Fungsi Aktivasi Bipolar (Symentric Hard Limit) 3. Fungsi Linear (purelin) Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Gambar 2.9 fungsi linear yang dirumuskan sebagai: y=x

Nopriadi

213

Gambar 2.5 Fungsi Aktivasi Linear (Purelin) 4. Fungsi Saturating Linear (satlin) Fungsi ini akan bernilai 0 jika inputnya kurang dari -1/2 dan akan bernilai 1 jika inputnya lebih dari 1/2 Sedangkan jika nilai input terletak antara -1/2 dan 1/2 maka outputnya akan bernilai sama dengan nilai input ditambah 1/2. fungsi saturating linear yang dirumuskan sebagai :

jika x  0,5 1;  y   x,  0,5 ; jika  0,5  x  0,5 0, jika x  0,5 

Gambar 2.6 Fungsi Aktivasi Saturating Linear (Satlin) 5. Fungsi Sigmoid Biner (logsig) Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan sebagai :

1 1  e x dengan f ' x   f x 1  f x  y  f ( x) 

214


6. Fungsi Sigmoid Bipolar (tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai :

x2 

1  ex 1  e x

dengan f '  x  

 2

1  f x 1  f x 

Perceptron Perceptron juga termasuk salah satu bentuk jaringan syaraf yang sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya, perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang (thereshold). Algorima yang digunakan oleh aturan perceptron ini mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai thereshold (θ) pada fungsi aktivasi adalah non negative. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif. Garis pemisah antara daerah positif dengan daerah nol memiliki pertidaksamaan sebagai berikut : w1x1 + w2x2 + b >  dengan garis pembatasnya :

x2 

 x1 * w1  b   w2

x2 

 w1 b  x1  w2 w2

atau

Garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan sebagai berikut :

w1 x1  w2 x2  b  

Dengan garis pembatasnya :

x2 

 x1 * w1  b   w2

x2 

 w1 b  x1  w2 w2

atau

Nopriadi

215

Daerah undecided bound adalah yang memisah kan antara daerah respon positif dengan daerah respon negatif yaitu dengan pertidaksamaan :    x1 w1  w2 x2  b   . Jika kita menggunakan pasangan vektor input dan vektor output sebagai pasangan vektor yang akan dilatih maka kita akan memiliki algoritma seperti : Step 0 : Inisialisasi bobot(wi) dan bias(b) Set learning rate  ( 0 <   1 ) ( untuk sederhananya set  = 1 ) Step 1 : Jika kondisi false tidak terpenuhi, kerjakan step 2 - 6 Step 2 : Untuk setiap pasangn training (s : t) kerjakan step 3 – 5 Step 3 : set aktivasi dari unit-unit input : xi = si ; Step 4 : Hitung respon dari unit output : y-in = b 

n

x w i 1

i

i

net    1  y   0,    net    1, net    Step 5 : Perbaiki bobot dan bias jika error terjadi Jika y  t maka : wi (bru) = wi (lama) +  * t * xi b (baru) = b (lama) +  * t Jika y = t maka : b (baru) = b (lama) wi (bru) = wi (lama) Step 6 : Tes untuk kondisi stop Jika tidak ada bobot yang berubah maka stop, alternatif lain lanjut kan Keterangan : S : Sensor T : Target xi : Unit input ke-i si : Unit sensor ke-i wi : Bobot ke-i B : Bias Y : Unit respons (output)  : Nilai pembelajaran : Nili ambang  I : Banyaknya unit input (1...,n)

216


Algoritma di atas dapat digunakan untuk input biner maupun bipolar, dengan  tertentu, dan bisa yang dapat diatur. Pada algoritma tersebut bobotbobot yang berhubungan dengan input yang aktif (xi ≠ 0) dan bobot-bobot yang tidak menghasilkan nilai y yang benar. Golongan Darah Wiko Putrawan (2010) mengungkapkan Golongan darah adalah ciri khusus darah dari suatu individu karena adanya perbedaan jenis karbohidrat dan protein pada permukaan membran sel darah merah. Sedangkan menurut Abdul Salam M. Sofro (2012), golongan darah adalah salah satu dari dua cairan tubuh luar sel selain cairan interstisial yang berada diantara sel – sel tubuh. 1. Golongan Darah A Individu dengan golongan darah A memiliki sel darah merah dengan antigen A di permukaan membran selnya dan menghasilkan antibodi terhadap antigen B dalam serum darahnya. Sehingga, orang dengan golongan darah A-negatif hanya dapat menerima darah dari orang dengan golongan darah Anegatif atau O-negatif. 2. Golongan Darah B Individu dengan golongan darah B memiliki antigen B pada permukaan sel darah merahnya dan menghasilkan antibodi terhadap antigen A dalam serum darahnya. Sehingga, orang dengan golongan darah B-negatif hanya dapat menerima darah dari orang dengan golongan darah B-negatif atau O-negatif 3. Golongan Darah AB Individu dengan golongan darah AB memiliki sel darah merah dengan antigen A dan B serta tidak menghasilkan antibodi terhadap antigen A maupun B. Sehingga, orang dengan golongan darah AB-positif dapat menerima darah dari orang dengan golongan darah ABO apapun dan disebut resipien universal. Namun, orang dengan golongan darah AB-positif tidak dapat mendonorkan darah kecuali pada sesama AB-positif. 4. Golongan Darah O Individu dengan golongan darah O memiliki sel darah tanpa antigen, tapi memproduksi antibodi terhadap antigen A dan B. Sehingga, orang dengan golongan darah O-negatif dapat mendonorkan darahnya kepada orang dengan golongan darah ABO apapun dan disebut donor universal. Namun, orang dengan golongan darah O-negatif hanya dapat menerima darah dari sesama O-negatif. Secara umum, golongan darah O adalah yang paling umum dijumpai di dunia, meskipun di beberapa negara seperti Swedia dan Norwegia, golongan darah A lebih dominan. Antigen A lebih umum dijumpai dibanding antigen B. Karena golongan darah AB memerlukan keberadaan dua antigen, A dan B, golongan darah ini adalah jenis yang paling jarang dijumpai di dunia.

Nopriadi

217

III. KERANGKA KERJA Kerangka kerja berguna untuk membuat tahapan–tahapan yang akan dilakukan dalam melakukan penelitian. Setiap tahapan dilakukan sesuai dengan yang telah direncanakan. Oleh karena itu semua tahapan pada kerangka kerja penelitian ini berpengaruh pada tahapan selanjutnya. Model kerangka kerja untuk pemecahan masalah yang akan digunakan dalam penelitian ini dapat dilihat dalam diagram kerja dibawah ini.

Mulai

Identifikasi Masalah Studi Literatur Akuisisi Data

Pemrosesan ke dalam Jaringan Syaraf Tiruan Perceptron

Pengujian Hasil

Kesimpulan

Selesai Gambar 3.1 Kerangka Kerja

218


Agar langkah-langkah yang diambil penulis dalam penelitian dapat lebih mudah dipahami, berikut ini disertakan penjelasan terperinci mengenai sistematika model metodologi pemecahan masalah. Identifikasi Masalah Tahap identifikasi masalah adalah tahap menemukan permasalahan sebelum dilakukannya penelitian. Dengan menggali permasalahan yang ditemukan pada obyek yang diteliti guna mencari alternatif solusi yang terkait dengan permasalahan. Identifikasi masalah dilakukan untuk memperoleh gambaran yang lengkap tentang lingkup masalah dan langkah yang tepat dalam pemecahannya. Studi Literatur Studi literatur adalah tahap melakukan pembelajaran mengenai teknik klasifikasi jaringan syaraf tiruan menggunakan algoritma perceptron. Teknikteknik dan algoritma yang dilakukan dalam proses klasifikasi berbasis jaringan syaraf tiruan berasal dari buku-buku dan jurnal dari website (internet) yang berkaitan dengan konsep Jaringan Syaraf Tiruan dan algoritma perceptron. Untuk mencapai tujuan, maka dipelajari beberapa literatur-literatur yang diperkirakan dapat digunakan. Kemudian literatur – literatur yang dipelajari tersebut diseleksi untuk dapat ditentukan literatur – literatur mana yang akan digunakan dalam penelitian ini. Akuisisi Data Akuisisi Data berfungsi untuk pengambilan data sebagai bahan baku penelitian selanjutnya akan diimplementasikan untuk mengetahui kebenaran hasil perkawinan antar golongan darah berbasis Jaringan Syaraf Tiruan menggunakan algoritma Perceptron. Pengambilan data dilakukan dengan cara menyebarkan kuesioner. Dari hasil kuesioner yang telah didapatkan maka penulis mendapatkan informasi mengenai perkawinan antar golongan darah yang terdiri dari golongan darah ayah, golongan darah ibu yang kemudian akan menghasilkan golongan darah anak, sebagai sumber data yang penulis butuhkan. Pemrosesan Ke Dalam JST Perceptron Pemrosesan ke dalam JST Perceptron merupakan tindak lanjut dari akuisisi data golongan darah yang telah didapat dari kuesioner. Kemudian diimplementasikan ke dalam algoritma perceptron agar nantinya kebenaran

Nopriadi

219

hasil perkawinan antar golongan darah bisa diklasifikasikan sesuai dengan percobaan penelitian menggunakan algoritma perceptron. Dalam pemrosesan ke dalam JST perceptron, data yang sudah terkumpul akan di analisa terlebuh dahulu. Proses ini terdiri dari : 1. Tahap persiapan Pada tahap ini penulis melakukan pengecekan data ulang hasil dari kuesioner perkawinan antar golongan darah yang sudah didapatkan sebelumnya. 2. Tahap pemisahan data Tahap pemisahan data ini dilakukan agar mempermudah penulis dalam melakukan analisis data nantinya. 3. Tahap penentuan metode yang akan digunakan Tahap penentuan metode ini dilakukan agar mempermudah penulis dalam melakukan analisis nantinya. Adapun metode yang akan digunakan adalah metode jaringan syaraf tiruan perceptron. 4. Perancangan data Setelah data dipersiapkan dan disusun, tahap selanjutnya adalah menentukan input dan output. Penulis menjadikan golongan darah sebagai input dan output. Golongan darah yang aan digunaan adalah golongan darah A, B, AB dan O. Penulis juga menentukan input dan output bilangan yaitu golongan darah A = 0; B = 0.25; AB = 0.5; dan O = 0.75. Setelah ditentuan input dan output yang digunakan, penulis juga memasukkan angka 1 sebagai bias, 0.8 sebagai alfa(α), dan 0.5 sebagai tetha(θ). Pengujian Hasil Pada tahapan pengujian hasil dilakukan untuk mengetahui cara sistem bekerja dalam mengolah data. Serta bisa mendapatkan hasil – hasil yang diinginkan. Tahapan pengujian dilakukan menggunakan software. Dengan cara data yang telah melalui pelatihan kemudian akan dilakukan pengujian secara software. Pengujian secara software dilakukan dengan menggunakan software Matlab. Kesimpulan Kesimpulan dari kebenaran hasil perkawinan antar golongan darah berbasis Jaringan Syaraf Tiruan menggunakan algoritma perceptron ini dapat diambil dari hasil pada proses pengujian hasil.

220


IV. ANALISA DATA Faktor-faktor yang Mempengaruhi Pewarisan Golongan Darah Dalam banyak penelitian sistem penggolongan darah khususnya sistem ABO menyatakan ada beberapa jumlah variabel yang mempengaruhi, dan pada penelitian ini faktor yang mempengaruhi pewarisan golongan darah sistem ABO yaitu : 1. Suami a. Golongan darah A b. Golongan darah B c. Golongan darah AB d. Golongan darah O 2. Istri a. Golongan darah A b. Golongan darah B c. Golongan darah AB d. Golongan darah O Pemrosesan Data Berdasarkan data-data di atas, pembuktian menghasilkan 4 (empat) buah prediktor kebenaran hasil perkawinan antar golongan darah. 1. Golongan Darah A 2. Golongan darah B 3. Golongan darah AB 4. Golongan darah O Fungsi aktivasi yang digunakan untuk mengolah data di atas adalah fungsi step (biner), maka data harus ditransformasikan dulu karena range keluaran fungsi aktivasi step adalah [0,1]. Data Input Input data untuk melakukan pembuktian kebenaran hasil perawinan antar golongan darah berdasarkan pada data kuesioner yang telah disebar sebelumnya. Format dan contoh data input disajikan pada tabel dibawah ini : Tabel 4.1 Format dan Contoh Data Golongan Golongan Golongan No Darah Darah Darah Suami Istri Anak 1 AB B AB 2 A B A 3 A B A

Nopriadi

221

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

A B B B A AB O A A AB AB AB AB AB O O A AB AB AB A AB AB O B O O AB O

B O A O AB AB A O O A A O O O O O A B AB AB A AB AB A O A A B B

B O B O A AB A O O A AB A B B O O A AB AB B A A AB A O A O A B

Dari data di atas, kita dapat melakukan konversi menjadi berikut ini. Dalam perhitungan nanti, input yang digunakan adalah golongan darah dari kedua orang tua yang akan diubah menjadi bilangan angka yaitu :

222


Tabel 4.2 Golongan Darah Sebagai Input

Sedangan untuk output yang digunakan adalah golongan darah anak. Tabel 4.3 Golongan Darah Sebagai Output Output Golongan Darah Anak Y1 Y2 Y3 Y4 A

0

0

0

0

B

0

1

0

0

AB

0

0

1

0

O

0

0

0

1

Setelah input dan output ditentukan maka penulis melakukan perhitungan dengan menggunakan metode perceptron. Aturan/Rule Dalam analisis ini penulis juga menggunakan aturan/rule sebagai gambaran yang menjadikan perhitungan lebih mudah untuk memahaminya, dengan keterangan yang penulis berikan yaitu : X1 = Suami A X2 = Suami B X3 = Suami AB X4 = Suami O X5 = Istri A X6 = Istri B X7 = Istri AB X8 = Istri O Y1 = Anak A Y2 = Anak B Y3 = Anak AB

Nopriadi

223

Y4 = Anak O Setelah mencapai rule yang di inginkan maka dapat kita lakukan perhitungan pada tiap – tiap tahap metode yang telah ditetapkan. Analisa Perancangan Sistim Jaringan Optimum Proses selanjutnya adalah proses untuk menentukan jumlah dari lapisan masukan (input), lapisan tersembunyi (hidden layer) serta jumlah lapisan keluaran (output layer). Penggunaan jaringan dengan dua atau lebih lapisan tersembunyi kebanyakan tidak akan memberikan pengaruh yang sangat besar terhadap prestasi jaringan namun akan melambatkan proses pelatihan yang disebabkan bertambahnya unit. Dalam hal ini penulis menggunakan model jaringan 8-4-1 dengan menggunakan metode perceptron terdiri dari; a. Lapisan masukan (input layer) dengan 8 simpul (x1,x2,x3,……..x8) b. Lapisan tersembunyi (hidden layer) dengan jumlah simpul ditentukan oleh pengguna (y1,y2 … yn). Lapisan keluaran (Output layer ) dengan 1 simpul (z). X1

X2

X3

Y1

Y2

Z

Y3

Y4 X8

Gambar 4.1 Arsitektur Jaringan Menetukan Learning Rate dan Momentum Tahapan selanjutnya adalah tahapan penentuan tingkat pembelajaran atau disebut juga learning rate dan penentuan momentum. Kedua tahapan ini digunakan untuk menginisialisasikan parameter Jaringan Syaraf Tiruan. Learning Rate dan momentum sangat berpengaruh terhadap hasil keputusan dari jaringan yang akan dibuat. Untuk parameter pembelajaran, penulis menggunakan parameter pembelajaran traingdm. Dimana pada penggunaan parameter pembelajaran traingdm akan mempercepat pelatihan pada jaringan. Hal ini dikarenakan parameter pembelajaran traingdm merupakan metode

224


perceptron yang dipercepat dengan menggunakan momentum. Pada fungsi traingdm, nilai dari learning rate dan momentum dapat dirubah selama proses pelatihan.Terdapat beberapa parameter yang harus diset terlebih dahulu sebelum dilakukan proses pelatihan. Dengan memberikan nilai pada parameter maka akan bisa menghasilkan hasil yang optimal. Parameter yang akan diset adalah : - Epoch maksimum Epoch maksimum atau disebut juga dengan perulangan maksimum adalah suatu proses untuk mencapai target yang telah ditentukan dimana proses perulangan akan dihentikan ketika nilai dari epoch melebihi nilai epoch maksimum. Pada matlab digunakan instruksi nilai default untuk maksimum epoch adalah 10.000, namun penulis akan menyesuaikan dengan kebutuhan jaringan. Instruksi pada matlab yaitu dengan menggunakan sintaks : net.trainParam.epochs = nilai_max_epoch - Kinerja tujuan Kinerja tujuan atau disebut juga dengan toleransi error yang merupakan nilai toleransi dari error yang terjadi pada jaringan. Apabila nilai dari toleransi error lebih kecil dari nilai maksimum epoch maka proses iterasi akan dihentikan. Nilai default dari toleransi error adalah 0. Namun untuk jaringan ini nilai toleransi (tingkat error) yang akan dipakai penulis dalam rentang 0.01 (1%) dan 0.1 (0.1%). Instruksi pada matlab untuk kinerja tujuan adalah net.trainParam.goal = nilai_target_error - Learning rate Learningrate atau disebut juga dengan laju pembelajaran yang mana memiliki fungsi untuk menghitung nilai nilai koreksi bobot pada waktu proses pelatihan. Range dari learning rate berada dikisaran 0 dan 1. Semakin besar learning rate maka proses pelatihan akan berlangsung cepat namun ketelitian jaringan terhadap error akan semakin besar sehingga akan memakan waktu dalam proses pelatihan. Pada jaringan ini learning rate yang akan dicobakan yaitu : 0,01 . Instruksi pada matlab yaitu : net.trainParam.lr = nilai_learning_rate. - Momentum Menurut Siang (2005 : 267), modifikasi metode penurunan tercepat dilakukan dengan menambahkan momentum. Besarnya perubahan bobot ditentukan atau dipengaruhi oleh momentum. Nilai default dari momentum adalah 0 sampai dengan 1. Pada jaringan ini momentum yang akan dicobakan yaitu 0,01 dan 0,1. Instruksi pada matlab untuk set n.

Nopriadi

225

Proses Pelatihan Jaringan Syaraf Tiruan Pada metodologi penelitian, proses pelatihan akan dilakukan dengan 2 cara, yaitu pelatihan secara software dan secara manual. Pada proses pelatihan ini akan dilakukan pelatihan jaringan terhadap beberapa pola dan parameter yang telah dirancang sebelumnya. Oleh karena itu proses pelatihan Jaringan Syaraf Tiruan adalah sebagai berikut : Inisialisasi Data Proses pertama yang akan dilakukan adalah dengan menentukan nilai dari input serta pola yang akan digunakan untuk pelatihan Jaringan Syaraf Tiruan. Proses inisialisasi data untuk dijadikan sebagai variabel input adalah dengan menjumlahkan data dari kuesioner tersebut berdasarkan dimensi masing – masing. Setelah dilakukan penentuan nilai input, maka selanjutnya akan dilakukan penentuan parameter untuk pelatihan Jaringan Syaraf Tiruan. Berikut adalah parameter input berdasarkan pola dan parameter yang telah dirancang sebelumnya dengan menggunakan beberapa pola : Pelatihan Menggunakan Pola 1 - Jumlah neuron pada hidden layer sebanyak 3 neuron. - Frekuensi 8000 Hz - Toleransi error sebesar 0.01 - Learning rate sebesar 0.01 - Momentum sebesar 0.1 - Max epoch sebanyak 10.000 epoch Pelatihan Menggunakan Pola 2 - Jumlah neuron pada hidden layer sebanyak 3 neuron. - Frekuensi 8000 Hz - Toleransi error sebesar 0.01 - Learning rate sebesar 0.01 - Momentum sebesar 0.5 - Max epoch sebanyak 10.000 epoch Pelatihan Menggunakan Pola 3 - Jumlah neuron pada hidden layer sebanyak 3 neuron. - Frekuensi 8000 Hz - Toleransi error sebesar 0.01 - Learning rate sebesar 0.1 - Momentum sebesar 0.1 - Max epoch sebanyak 10.000 epoch Pelatihan Menggunakan Pola 4 - Jumlah neuron pada hidden layer sebanyak 3 neuron.

226

-


Frekuensi 8000 Hz Toleransi error sebesar 0.01 Learning rate sebesar 0.1 Momentum sebesar 0.8 Max epoch sebanyak 10.000 epoch

Aktivasi Data Perhitungan Aktivasi menggunakan metode perceptron 𝑛

Fungsi Y(p)= ∑

𝑋i(p) ∗ 𝑊i(𝑝) − Ǿ 𝑖=1

P1=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=1, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(1).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+ 0.1,1)+(0.1,1) -1] =Step [1,2] P2=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=1, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(1).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] = Step [(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+ 0.1,1)+(0.1,1) -1] = Step [0,1] P3=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=1, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(1).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] = Step [(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+ 0.1,1)+(0.1,1) -1] = Step [0,1] P4=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=1, X7=0, X8=0 Ǿ=1,

Nopriadi

227

Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(1).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] = Step [(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+ (0.1,1)+(0.1,1) -1] = Step [0,1] P5=1, W= 1,1 X1=0, X2=1, X3=0, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(1).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+ -1] =Step [1,2] P6=1, W= 1,1 X1=0, X2=1, X3=0, X4=0, X5=0, X6=0, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(1).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -2] =Step [(0.1,1)+(1.1,1)+(0.1,1) +(0.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(0.1,1) -1] =Step [0,1] P7=1, W= 1,1 X1=0, X2=1, X3=0, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(1).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step[(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1) + -1] =Step [1,2] P8=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(0.1,1) +(0.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(1.1,1) -1] =Step [0,1] P9=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=0, X7=1, X8=0 Ǿ=1,

228


Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(1).W7.(1)+X8.(0).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+ (1.1,1)+(0.1,1) -1] =Step [1,2] P10=1, W= 1,1 X1=0, X2=0, X3=0, X4=1, X5=0, X6=0, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(1).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(0.1,1) -1] =Step [0,1] P11=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+ (1.1,1) -1] =Step [0,1] P12=1, W= 1,1 X1=0, X2=0, X3=0, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(0).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(0.1,1)+(0.1,1)+(1.1,1) -1] =Step [0,1] P13=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=0, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+ (0.1,1)+(0.1,1)+(0.1,1)+(0.1,1) -1] =Step [0,1] P14=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=0, X7=0, X8=0 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+

Nopriadi

229

X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(0).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+ (0.1,1)+(0.1,1)+(0.1,1)+(0.1,1) -1] =Step [0,1] P15=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(1.1,1) -1] =Step [0,1] P16=1, W= 1,1 X1=0, X2=0, X3=1, X4=0, X5=0, X6=0, X7=0, X8=1 Ǿ=1, Y(1)=Step[X1.(0).W1.(1)+X2.(0).W2.(1)+X3.(1).W3.(1)+X4.(0).W4.(1)+ X5.(0).W5.(1)+X6.(0).W6.(1)+X7.(0).W7.(1)+X8.(1).W8.(1) -1] =Step [(0.1,1)+(0.1,1)+(1.1,1)+(0.1,1)+(0.1,1)+(0.1,1)+ (0.1,1)+(1.1,1) -1] =Step [0,1]

Analisa Hasil Pelatihan Jaringan Syaraf Tiruan Proses terakhir dari pelatihan Jaringan Syaraf Tiruan adalah dengan membandingkan keempat pola yang telah dilakukan pelatihan sebelumnya. Sehingga setelah keempat pola dikumpulkan maka akan dilihat pola mana yang memiliki nilai error yang rendah. Jika pola tersebut memiliki nilai error yang rendah, maka pola tersebut akan dilanjutkan ke proses pengujian. Dengan dilakukannya kombinasi pada pelatihan diatas dapat dilihat bahwa nilai error tidak tergantung pada nilai dari learning rate dan momentum hanya membuat sedikit perubahan pada pelatihan. Jumlah neuron pada hidden layerlah yang mempengaruhi pada pelatihan jaringan syaraf tiruan ini. Korelasi atau hubungan dari pelatihan ini dengan pewarisan golongan darah dilihat dengan hasil akhir masing-masing pelatihan. Sehingga dengan adanya pelatihan ini, akan mempermudah proses analisa kebenaran hasil perkawinan antar golongan darah. V. IMPLEMENTASI DAN PENGUJIAN Bagian ini merupakan lanjutan dari proses pelatihan yang dilakukan pada bagian sebelumnya. Proses selanjutnya yang akan dilakukan pada bab implementasi dan hasil adalah proses pengujian Jaringan Syaraf Tiruan dengan

230


menggunakan data yang dipersiapkan untuk diuji. Proses Pengujian dilakukan dengan mengunakan software matlab 7.0 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. Tujuan Pelatihan dan Pengujian Proses pelatihan digunakan sebagai bagian dari proses penentuan output dari sebuah jaringan yang mana setiap pelatihan akan berguna untuk proses pengujian. Sehingga proses pelatihan akan mempengaruhi setiap hasil pada proses pengujian. Adapun proses dari implementasi dan hasil adalah berupa pengujian, yang mana bertujuan : 1. Melihat hasil dari Jaringan Syaraf Tiruan yang di latih. Sehingga dapat diketahui output dari Jaringan Syaraf Tiruan dapat digunakan oleh penulis untuk menguji kebenaran hasil perawinan antar golongan darah. 2. Untuk mengetahui kinerja jaringan pada data uji yang sesungguhnya apakah sudah tepat dengan hasil yang diharapkan. Implementasi Sistem Proses implementasi sistem digunakan untuk melihat apa saja sistem yang dibutuhkan dalam proses pelatihan dan proses pengujian. Setiap aplikasi maupun Jaringan Syaraf Tiruan yang akan diuji menggunakan sarana pendukung berupa dalam menunjang perancangan Jaringan Syaraf Tiruan. Adapun perangkat yang digunakan untuk proses pengujian adalah : 1. Perangkat keras (hardware) a. Processor AMD Dual-Core T-340 2.17 GHz b. Memory 2048 MB RAM DDR2 c. HDD 250 GB 2. PerangkatLunak (software) a. SistemOperasi Windows 7 Ultimate b. AplikasiMatlab 7.0 c. Microsoft Excel 2007

Nopriadi

231

Hasil Pelatihan dengan Aplikasi Matlab 7.0 Untuk pembagian data yang digunakan adalah 50 % untuk proses pelatihan dan 50 % untuk proses pengujian, yang mana nantinya data akan dilatih adalah sebanyak 16 data dari 32 data dan 8 buah input. Data yang akan dilatih dapat dilihat pada tabel data pengujian dan pelatihan di bawah ini. Tabel 5.1 Data Pelatihan Dan Pengujian 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

1 0 0 0 0 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 0 1 1 0 0 0 0 1 0

0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 1 1 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1

0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0

0 0 0 0 1 0 1 0 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0

0 0 0 0 1 0 1 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 0

232


Analisa tersebut menjelaskan sample data golongan darah yang sudah dirubah dalam bentuk matrik 0/1. Dengan dilengkapi data pembanding dan target. Pelatihan Secara Software Menggunakan Pola 1 Pelatihan dengan menggunakan pola 1 adalah dengan rincian sebagai berikut : - Pelatihan menggunakan 4 hidden layer - Frekuensi 8000 Hz - Learning rate sebesar 0.01 - Momentum sebesar 0.1 - Max epoch sebanyak 10.000 epoch Dengan menggunakan learning rate 0,01 dan momentum, 0,1 hasil (goal) diperoleh yaitu pada epoch ke 508 dari total 1000 epoch. Proses pelatihan dengan mengunakan syntx pada matlab yaitu dengan :net=train(net,pn,tn). Grafik dari Jaringan Syaraf Tiruan pola 1 dapat dilihat pada gambar 5.1.

Gambar 5.1 Training dengan TRAINGDA Pola 1 Arsitektur hasil pengujian software numInputs: 2 numLayers: 4 biasConnect: [1; 1; 1; 1] inputConnect: [1; 0; 0; 0] layerConnect: [4x4 boolean] outputConnect: [0 0 0 1] targetConnect: [0 0 0 1]

Nopriadi

233

Pelatihan Secara Software Menggunakan Pola 2 Pelatihan dengan menggunakan pola 2 dengan rincian sebagai berikut : - Pelatihan menggunakan 4 hidden layer - Frekuensi 8000 Hz - Learning rate sebesar 0.01 - Momentum sebesar 0.5 - Max epoch sebanyak 10.000 epoch Dengan menggunakan learning rate 0,01 dan momentum 0,5 hasil (goal) diperoleh yaitu pada epoch ke 646 dari total 1000 epoch. Proses pelatihan dengan mengunakan syntx pada matlab yaitu dengan :net=train(net,pn,tn). Grafik dari Jaringan Syaraf Tiruan pola 2 dapat dilihat pada gambar 5.2 Grafik dari Jaringan Syaraf Tiruan pola 2 dapat dilihat pada gambar 5.2.

Gamba 5.2 Training dengan TRAINGDA Pola 2 Pelatihan Secara Software Menggunakan Pola 3 Pelatihan dengan menggunakan pola 3 dengan rincian sebagai berikut : - Pelatihan menggunakan 4 hidden layer - Frekuensi 8000 Hz - Learning rate sebesar 0.1 - Momentum sebesar 0.1 - Max epoch sebanyak 10.000 epoch Dengan menggunakan learning rate 0,1 dan momentum 0,1 hasil (goal) diperoleh yaitu pada epoch ke 623 dari total 1000 epoch. Proses pelatihan dengan mengunakan syntx pada matlab yaitu dengan :net=train(net,pn,tn). Grafik dari Jaringan Syaraf Tiruan pola 3 dapat dilihat pada gambar 5.3

234


Gambar 5.3 Training dengan TRAINGDA Pola 3 Pelatihan Secara Software Menggunakan Pola 4 Pelatihan dengan menggunakan pola 4 dengan rincian sebagai berikut : - Pelatihan menggunakan 3 hidden layer - Frekuensi 8000 Hz - Learning rate sebesar 0.1 - Momentum sebesar 0.8 - Max epoch sebanyak 10.000 epoch Dengan menggunakan learning rate 0,1 dan momentum 0,8 hasil (goal) diperoleh yaitu pada epoch ke 455 dari total 1000 epoch. Proses pelatihan dengan mengunakan syntx pada matlab yaitu dengan :net=train(net,pn,tn). Grafik dari Jaringan Syaraf Tiruan pola 4 dapat dilihat pada gambar 5.4

Gambar 5.4 Training dengan TRAINGDA Pola 4

Nopriadi

235

Dari pelatihan software diatas dapat disimpulkan sebagai berikut:

Tabel 5.2 Hasil Pelatihan Dari penjelasan tabel 5.2 dapat disimpulkan bahwa, dengan menggunakan pelatihan pola 3 yaitu Learning Rate 0.1, momentum 0.1 dapat menghasilkan output yang lebih baik dibandingkan dengan pola pelatihan yang lainnya. Dengan hanya menyisakan error yang lebih kecil dengan target yang ditentukan. DAFTAR PUSTAKA Wiryawan, Wiko, Aplikasi Pohon Dalam Penentuan Golongan Darah Manusia, makalah IF2091 Strutur Diskrit – Sem. I:2010/2011. Setyo Nugroho, Agus Harjoko, Penerapan Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi Wajah Manusia Pada Citra Digital, Seminar Nasional Teknologi Informasi 2005 (SNATI 2005) Yogyakarta, 18 Juni 2005. Eli Yani, Pengantar Jaringan Syaraf Tiruan, materikuliah.com,2005. Elly Warni, Penentuan Morfologi Sel Darah Merah(Eritrosit) Berbasis Pengolahan Citra Dan Jaringan Syaraf Tiruan, Elektrikal Enjiniring Vol.07.No.3. Oktober-Desember:2009 Arief Heru Kuncoro dan Rinaldy Dalimi, Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia, Jurnal Teknologi, Edisi No.3. Tahun XIX, Sept.2005: 211-217. Ardi Pujiyanta, Pengenalan Citra Objek Sederhana Dengan Jaringan Syaraf Tiruan Metode Perceptron, Jurnal Informatika Vol.3.No.1. Januari 2009. Wahidin Wahab, Aplikasi Algoritma Back-Propagation Multi Layer Perceptron Pada Identifikasi Dinamika Sistem Nonlinier, Jurnal Teknologi, Edisi No.1. Tahun XVIII, Maret 2004: 1-62. Siang, Jong Jek, Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan Matlab, Andi, Yogyakarta, 2005 Kusumadewi, Sri, Artificial Inteligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta, 2003

236

Sistem Pendukung Keputusan Pengkategorian Nasabah Menggunakan Clustering Dengan Algoritma K-Means

SISTEM PENDUKUNG KEPUTUSAN PENGKATEGORIAN NASABAH MENGGUNAKAN CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Elvina Sandra Sungai Penuh_Kerinci_Jambi ( [email protected]) Abstract Clustering adalah sebuah metode yang ada didalam sistem penunjang keputusan yang dapat digunakan untuk membedakan dan mengelompokan data dalam scala besar dimana dengan metode ini kita bisa menentukan karakter dari masing-masing kumpulan data. Mempelajari sifat dari nasabah adalah salah satu pokok utama yang harus dilakukan oleh seorang analis kredit agar tidak terjadinya permasalahan kredit macet dalam sebuah lembaga keuangan dengan menerapkan algoritma K_Means ini diharapkan kita bisa mempelajari bagaimana karakter –karakter nasabah pada sebuah lembaga perbankan agar kita bisa memprediksi kelancaran operasional lembaga perbankan tersebut dalam memberikan pelayanan serta menjaga kstabilan perusahaannya. Keyword clustering, datamining, k_means 1. Pendahuluan Pengambilan keputusan adalah sebuah pekerjaan yang sangat sulit dilakukan karena harus mempertimbangkan banyak hal apalagi jika keputusan tersebut memilki pengaruh besar terhadap masa depan orang banyak ataupun masa depan kelancaran sebuah perusahaan. Disebuah lembaga keuangan nasabah memegang peranan terbesar dalam menentukan maju tidaknya sebuah lembaga keuangan, maka agar memudahkan sipembuat keputusan dalam memprioritaskan pelayanan maka kita harus mempelajari karakteristik nasabah yang dimiliki.Clustering adalah metode yang cocok digunakan untuk mengelompokan data nasabah tersebut karena clustering memiliki sifat unsupervised learningkarena metode ini tidak memerlukan proses pelatihan data seperti klasifikasi. 2. Permasalahan Dalam penelitian ini penulis menggunakan algoritma K_Means dalam proses clustering data, dimana parameter input yang digunakan adalah Usia nasabah, tipe bidang usaha nasabah, jenis jaminan nasabah, dan track record pinjaman. Objek penelitian kali ini adalah sebuah perusahaan yang bergerak dalam bidang keuangan dan penelitian lebih difokuskan kepada pengkajian

Elvina Sandra

237

karateristik nasabah yang dimiliki oleh perusahaan ini dengan tujuan output yang dihasilkan nanti bisa dipergunakan sebagai acuan dalam proses pengambilan keputusan oleh para pembuat keputusan di perusahaan tersebut. Tumpukan data nasabah di perusahaan ini sebenarnya mengandung ribuan informasi dan ilmu pengetahuan yang berharga namun diabaikan begitu saja karena sejauh ini hanya digunakan pada saat realisasi pinjaman dan baru dibuka kembali apabila terjadi penunggakan pada tagihan nasabah yang bersangkutan. Penulis akan berupaya memamfaatkan data-data tersebut sehingga bisa menghasilkan sesuatu yang berharga yang nantinya dapat dimamfaatkan dalam proses realisasi pinjaman atau pencairan dana nasabah. Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD (Knowledge Discovery in Database) secara keseluruhan. Data mining mampu menganalisa data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan.Hasil dari aplikasi data mining tersebut dievaluasi untuk menemukan suatu informasi atau pengetahuan baru yang menarik dan bernilai bagi perusahaan. Salah satu metode yang bisa digunakan dalam Data Mining adalah metode Clustering yaitu sebuah metode dalam Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data Clustering yang sering digunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non hierarchical (non hirarki) data clustering. K-Means adalah merupakan salah satu algoritma atau metode data clustering non hirarki yang berusaha mempartisi data yang ada kedalam bentuk satu atau lebih cluster atau kelompok. Metode ini mempartisi data kedalam cluster atau kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan kedalam satu kelompok yang sama dan data dengan karakteristik yang berbeda di kelompokkan kedalam kelompok yang lain. K-Means merupakan algoritma clustering yang berulang-ulang. Algoritma K-Means dimulai dengan pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilainilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau sering disebut dengan centroid, Mean atau ‘Means’. Hitung jarak setiap data yang ada terhadap masing-masing centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Klasifikasikan setiap data berdasarkan kedekatannya dengan centroid.lakukan langkah tersebut hingga nilai centroid tidak berubah (stabil) oleh Tedy Rismawan dan Sri Kusuma Dewi (2008)

238


Adapun tujuan dari pengelompokkan data ini adalah untuk meminimalisasikan fungsi obyektif yang diset dalam proses pengelompokkan, yang pada umumnya berusaha meminimalisasikan variasi didalam suatu kelompok dan memaksimalkan variasi antar kelompok. Konsep dasar dari algoritma K-Means adalah pencarian pusat cluster ditetapkan berdasarkan jarak setiap data ke pusat cluster. Proses clustering dimulai dengan mengidentifikasi data yang akan di cluster, xij (I=1,…,n;j=1,…,m) dengan n adalah jumlah data yang akan di-cluster dan m adalah jumlah variabel.(Irwan Budiman, 2012) Pada awal iterasi, pusat setiap cluster ditetapkan secara bebas (sembarang), ckj (k=1,…,k; j=1,…,m). kemudian dihitung jarak antara setiap data dengan setiap pusat cluster. Untuk melakukan perhitungan jarak data ke-I, (xi) pada pusat cluster ke-k (Ck), diberi nama (dik), dapat digunakan formula Eucledian yaitu ; 𝑚

𝑐𝑘𝑗 𝑑𝑖𝑘 = √∑(𝑥𝑖𝑗 − 𝑐𝑘𝑗 )2 𝑗=1

Suatu data akan menjadi anggota dari cluster ke-j apabila jarak data tersebut ke pusat cluster ke-j bernilai paling kecil jika dibandingkan dengan jarak kepusat cluster lainnya. Selanjutnya kelompokkan data-data yang menjadi anggota pada setiap cluster. Nilai pusat cluster yang baru dapat dihitung dengan cara mencari nilai rata-rata dari data-data yang menjadi anggota pada cluster tersebut, dengan rumus ; ∑𝑃ℎ=1 𝑌ℎ𝑗 𝐶𝑘𝑗= ; 𝑦ℎ𝑗 = 𝑥𝑖𝑗 ∈ 𝑐𝑙𝑢𝑠𝑡𝑒𝑟 ke_k 𝑝 Setelah itu hitunglah besaran rasio antara Between cluster variation (bcv) dan Within cluster variation (wcv) dengan formula sebagai berikut : 𝑏𝑐𝑣 𝑟𝑎𝑠𝑖𝑜 = 𝑤𝑐𝑣 Data clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut : 1. Tentukan jumlah cluster 2. Alokasikan data ke dalam cluster secara random 3. Hitung centroid rata-rata dari data yang ada dimasing-masing cluster 4. Alokasikan masing-masing data ke centroid / rata-rata terdekat 5. Kembali ke step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang diatas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan diatas nilai threshold yang ditentukan.

Elvina Sandra

239

Dibanyak lembaga keuangan penilaian kelayakan kredit dilakukan menggunakan metode tradisional dan model pengambilan keputusan individu (The Satisficing Models). Dalam penilaian rencana pembiayaan nasabah pada objek penelitian ini memiliki beberapa kebijakan yang harus dipenuhi oleh calon nasabahnya untuk selanjutnya kebijakan-kebijakan tersebut dituangkan dalam bentuk scoring. Dari sekian banyak parameter yang tertuang dalam scoring data nasabah yang ada maka disini penulis memutuskan untuk mengambil beberapa variabel yang dapat mewakili data nasabah secara keseluruhan untuk dilakukan proses clustering. Ada 4 (empat) variabel yang akan penulis gunakan dimana variabel tersebut dianatara nya adalah sebagai berikut : 1. Usia Nasabah Usia calon nasabah perlu mendapatkan perhatian saat memberikan pembiayaan kredit karena usia akan mempengaruhi bagaimana kinerja dari calon nasabah dalam melakukan proses pengembalian pinjaman. Sebab usia dapat menggambarkan masa produktif dari calon nasabah. 2. Tipe Bidang Usaha Tipe bidang usaha adalah jenis usaha yang dilakukan oleh calon nasabah dan Parameter yang satu ini sangat memegang peranan dalam meninjau kemampuan pengembalian pinjaman calon nasabah karena kita bisa melihat dan mempertimbangan seberapa besar kemampuan calon nasabah kita dalam proses pengembalian pinjaman 3. Jenis Jaminan Jenis jaminan adalah jaminan yang diberikan calon nasabah baik jaminan yang bergerak (seperti kendaraan bermotor, barang dagangan,mesin-mesin, deposito, piutang,perhiasan, dan lain-lain) ataupun jaminan yang tidak bergerak (seperti tanah, bangunan, dan kios) 4. Track Record Pinjaman Track record pinjaman adalah ada tidaknya hubungan calon nasabah kita dengan perusahaan keuangan lain dari sini kita bisa lihat apakah calon nasabah kita memiliki pinjaman lain diperusahaan keuangan lainnya, dan dari sini kita juga bisa melihat apakah calon nasabah memiliki masalah dengan perusahaan keuangan lainnya. Proses pengolahan data disini menggunakan 125 sampel data nasabah yang telah dicairkan pinjamannya dan dianggap layak. Seperti yang telah penulis jelaskan diatas berikut ini adalah langkah pengelompokkan data dengan menggunakan algoritma K_Means : a. Iterasi Pertama 1. Menentukan jumlah cluster atau nilai K dalam hal ini penulis mengambil nilai K=2

240


2. Menentukan nilai pusat cluster, pada iterasi pertama bisa ditentukan secara acak (c1=1.5;1.5;3;1 dan c2= 2;3;2.5;1.5) dan kemudian lanjutkan dengan menghitung jarak setiap data dengan pusat cluster hal ini dapat dilakukan dengan menggunakan rumus Eucledian. Misalkan untuk menghitung jarak data nasabah pertama dengan pusat cluster pertama dapat dilakukan seperti berikut ini : 𝑑1.1 = √(1.5 − 1.5)2 + (3 − 1.5)2 + (3 − 3)2 + +(1 − 1)2 = 1.5000 Jarak data nasabah kedua dengan pusat cluster kedua adalah sebagai berikut : 𝑑1.2 = √(1.5 − 2)2 + (3 − 3)2 + (3 − 2.5)2 + +(1 − 1.5)2 = 0.8660 Lakukanlah proses tersebut untuk seluruh sampel data 3. Suatu data akan menjadi anggota dari suatu cluster yang memiliki jarak terkecil dari pusat clusternya. Misalkan pada data pertama, jarak terkecil diperoleh pada cluster ke 2 (hal ini dapat dilihat pada kolom nilai Min) sehingga data pertama akan menjadi anggota dari cluster kedua (dapat dilihat pada kolom keterangan) pada tabel 4.4 diatas. Kemudian hitung rasio antara besaran Between Cluster Variation dengan Within cluster variation lalu bandingkan rasio tersebut dengan rasio sebelumnya (bila sudah ada). Jika rasio tersebut membesar, lanjutkan kelangkah keempat. Jika tidak hentikan prosesnya. Dalam hal ini perbandingan antara Between Cluster Variation dengan Within Cluster Variation adalah sebagai berikut: 𝐵𝐶𝑉 = √((1.5 − 2)2 + (1.5 − 3)2 + (3 − 2.5)2 + (1 − 1.5)2

Elvina Sandra

241

𝐵𝐶𝑉 = 1.7321𝑊𝐶𝑉 = ((0.8660)2 + (0.7071)2 + (1.5000)2 + (0.7071)2 + (1.1180)2 + (0.0000)2 + (1.1180)2 + (1.8028)2 + (0.5000)2 + (0.7071)2 + (1.1180)2 + (2.0616)2 + (0.5000)2 + (0.8660)2 + (0.7071)2 + (1.6583)2 + (0.7071)2 + (0.7071)2 + (0.8660)2 + (1.0000)2 + (0.8660)2 + (0.8660)2 + (0.7071)2 + (0.7071)2 + (0.5000)2 + (2.1213)2 + (0.7071)2 + (0.7071)2 + (1.0000)2 + (0.8660)2 + (0.7071)2 + (2.1213)2 + (0.5000)2 + (0.5000)2 + (0.7071)2 + (0.7071)2 + (0.7071)2 + (0.5000)2 + (0.7071)2 + (0.7071)2 + (1.6583)2 + (0.8660)2 + (0.7071)2 + (0.0000)2 + (1.8028)2 + (0.5000)2 + (0.5000)2 + (0.7071)2 + (0.8660)2 + (0.5000)2 + (0.0000)2 + (0.7071)2 + (0.8660)2 + (0.8660)2 + (0.8660)2 + (0.7071)2 + (1.8707)2 + (0.7071)2 + (0.8660)2 + (0.8660)2 + (0.7071)2 + (1.1180)2 + (1.1180)2 + (0.5000)2 + (0.7071)2 + (1.1180)2 + (0.5000)2 + (0.7071)2 + (0.7071)2 + (0.7071)2 + (0.7071)2 + (1.1180)2 + (1.8708)2 + (0.8660)2 + (0.7071)2 + (0.5000)2 + (0.7071)2 + (0.8660)2 + (1.3229)2 + (0.7071)2 + (0.7071)2 + (0.7071)2 + (1.0000)2 + (0.7071)2 + (0.8660)2 + (0.8660)2 + (0.7071)2 + (0.7071)2 + (0.5000)2 + (0.8660)2 + (0.7071)2 + (0.7071)2 + (0.8660)2 + (0.5000)2 + (0.5000)2 + (0.8660)2 + (0.7071)2 + (1.8028)2 + (0.8660)2 + (0.8660)2 + (0.5000)2 + (1.8708)2 + (0.7071)2 + (0.7071)2 + (0.8660)2 + (1.1180)2 + (0.7071)2 + (0.8660)2 + (1.8708)2 + (0.8660)2 + (0.7071)2 + (0.8660)2 + (0.8660)2 + (0.0000)2 + (0.8660)2 + (1.0000)2 + (0.7071)2 + (0.8660)2 + (0.8660)2 + (0.7071)2 + (0.0000)2 + (1.8708)2 𝐵𝐶𝑉 1.7321 = 𝑊𝐶𝑉 114.2500 =0.0152 4. Menghitung pusat cluster baru, dapat dilakukan dengan menjumlahkan semua data pada variabel yang ada pada masing-masing nasabah dan

242


dibagi dengan jumlah keseluruhan data pada masing-masing cluster. Misalnya untuk cluster pertama ada 44 data nasabah sehingga: 𝑃1(𝑇𝑈𝑠𝑖𝑎) =1.5+1.5+1.5+1.5+2+2+1.5+1.5+1.5+2+1.5+1.5+1.5+1.5+ 1.5+1.5+2+ 1.5+2+1.5+2+1.5+1.5+1.5+1.5+2+2+1.5+1+1.5+1.5+1 .5+1.5+1+1.5+1.5+1.5+2+2+2+2+2+2+2)/44= 1.6477 Dengan melakukan cara yang sama yaitu dengan menjumlahkan semua data yang ada pada variabel yang sesuai dengan cluster pertama dan dibagi dengan 44 maka akan didapatkan nilai –nilai berikut ini Nilai P1(TTBU) sebagai berikut 𝑃1(𝑇𝑇𝐵𝑈) = (2+1+1.5+2+1.5+1+2+1+2+2+1+2+2+1+1+2+2+1+1+2 +2+2+2+2+1+1+2+2+2+1+2+2+2+1+2+2+2+2+2+1+2+2+ 1+1+2)/44=1.6364 Nilai P1(TJJ) sebagi berikut 𝑃1(𝑇𝐽𝐽) = (3+3+3+3+1.5+3+3+1+3+3+1+3+3+1.5+3+3+3+3+ 3+3+3+3+ 3+3+3+3+3+3+3+3+3+3+3+3+3+3+3+3+3+3 +3+3+3+3)/44=2.8409 Nilai P1(TTRP) sebagi berikut 𝑃1(𝑇𝑇𝑅𝑃) = (1.5+1.5+1+1.5+1.5+1+1.5+1.5+1.5+1+1.5+1+1.5+1.5 +1.5+1+1.5+1.5+1.5+1.5+1.5+1.5+1+1.5+1.5+ 1.5+1.5+1.5+1+1.5+1.5+1.5+1.5+1.5+1+1.5+1.5+1+ 1.5+1.5+1+1.5+1.5+1)/44=1.3750 Sementara untuk pusat cluster baru pada cluster kedua karena jumlah datanya ada sebanyak 81 orang maka semua data pada masing-masing variabel yang terdapat dicluster kedua dibagi dengan 81. Nilai P2(TUsia) sebagai berikut : 𝑃1(𝑇𝑈3𝑖𝑎) = (1.5+2+1+1.5+2+2+2+1+2+1.5+1.5+2+2+1.5+1.5+2 +2+2+2+1.5+2+2+1.5+1.5+2+2+2+1.5+2+2+2+1.5+ 1.5+1.5+1.5+2+2+1.5+1.5+2+1.5+1.5+1.5+1.5+1.5+ 2+2+2+1.5+2+1.5+1.5+1.5+1.5+1.5+2+1.52+1.5+1.5+ 2+2+1.5+2+1.5+1.5+1+1.5+1.5+1.5+1.5+2+1.5+ 1+2+1.5)/81=1.6914 NilaiP2(TTBU) sebagai berikut : (𝑇𝑇𝐵𝑈) = (3+3+3+3+2+3+3+2+3+3+3+2.5+3+3+2.5+2.5+3+3+3+2.5 +3+3+3+3+3+3+2.5+3+3+2+3+3+3+3+3+3+3+2+2.5+3 +3+3+3+3+3+3+3+2+3+3+2.5+3+3+2.5+3+3+3+2.5

Elvina Sandra

243

+2.5+3+2.5+2.5+3+3+3+3+3+2+2.5+2.5+2+3+2.5+2.5+2 +3+2.5+3+3+3+3+2)/81=2.7901 Nilai P2(TJJ) sebagai berikut : (𝑇𝑇𝐵𝑈) = (3+1+3+1.5+1+3+1.5+1+2.5+2+3+3+1.5+3+2.5+3+ 3+3+1.5+2.5+3+2.5+3+3+3+3+2.5+2.5+3+3+2.5+3+3+ 3+1+3+3+1.5+1.5+3+1.5+2.5+3+1.5+1+3+2.5+3+3+2+ 1.5+1.5+3+3+3+3+3+2.5+2+3+2.5+3+3+1+3+3+1+3+ 3+1+3+3+2.5+2+2.5+2.5+1)/81=2.4259 Nilai P2(TTRP) sebagai berikut : (𝑇𝑇𝐵𝑈) = (1+1.5+1.5+1.5+1.5+1.5+1+1.5+1+1+1.5+1+1.5+1+ 1+1.5+1+1.5+1.5+1+1+1.5+1+1.5+1.5+1+1.5+1+ 1.5+1.5+1.5+1.5+1.5+1.5+1+1+1.5+1.5+1+1+1.5+ 1.5+1.5+1.5+1+1.5+1.5+1.5+1+1+1.5+1+1.5+1+1.5+ 1.5+1+1.5+1.5+1.5+1.5+1+1.5+1.5+1+1+1.5+1.5+1+ 1.5+1+1.5+1.5+1.5+1.5+1.5+1.5+1+1.5+1.5+1.5)/81=1.3210 5. Ulangi langkah 2 pada iterasi berikutnya hingga posisi data sudah tidak mengalami perubahan, atau jika nilai perbandingan antara between cluster variation dengan witheen cluster variation nya sudah sama dengan hasil pada iterasi sebelumnya atau semakin mengecil. Dari hasil percobaan dengan K=2 maka dengan deretan data yang ada maka proses pengclusterannya tercapai pada iterasi ke-4, berikut ini adalah hasil dari proses klusterisasinya. b. Iterasi Kedua Dari proses iterasi pertama sebelumnya kita telah mendapatkan nilai untuk pusat cluster berikutnya yaitu untuk (c1=1.6477;1.6364;2.8409;1.3750 dan c2=1.6914;2.7901;2.4259;1.3210), dengan nilai c1 dan c2 tersebut kita dapat mencari jarak antara data dengan pusat cluster berikutnya, misalkan kita akan mencari jarak antara data pertama dengan pusat cluster dapat dilakukan dengan cara berikut ini: 𝑑2.1 = √(1.5 − 1.6477)2 + (3 − 1.6364)2 + (3 − 2.8409)2 + +(1 − 1.3750)2 = 1.4308 𝑑2.2 = √(1.5 − 1.6914)2 + (3 − 2.7901)2 + (3 − 2.4259)2 + +(1 − 1.3210)2 = 0.7164

244


Dari proses pengolahan data tersebut didapatkan nilai BCV dan WCV sebagai berikut: 𝐵𝐶𝑉 ((1.6875 − 1.6556)2 + (2.8000 − 1.6444)2 + (2.4438 − 2.8000)2 + =√ (1.3778 − 1.3188)2 = 1.2111 Dengan cara yang sama dengan yang kita lakukan di iterasi pertama maka akan kita dapatkan nilai wcv sebagai berikut 𝑤𝑐𝑣 = 90.9612 𝐵𝐶𝑉 1.2111 = 90.9612=0.0133 𝑊𝐶𝑉 Jika dibandingkan nilai perbandingan BCV dan WCV pada iterasi pertama dan iterasi kedua pada iterasi ketiga ini nilainya masih belum memiliki kesamaan maka kita harus melanjutkan proses pada itersi keempat dan untuk itu kita harus menentukan pusat cluster berikut nya dengan cara yang sama dengan yang kita lakukan di iterasi kedua maka kita dapatkan nilai untuk: 𝑃1(𝑇𝑢𝑠𝑖𝑎) =1.6477 𝑃2(𝑇𝑢𝑠𝑖𝑎) =1.6914 𝑃1(𝑇𝑇𝐵𝑈) = 1.6364 𝑃2(𝑇𝑇𝐵𝑈) = 2.7901 𝑃1(𝑇𝐽𝐽) = 2.8409 𝑃2(𝑇𝐽𝐽) = 2.4259 𝑃1(𝑇𝑇𝑅𝑃) = 1.3750 𝑃2(𝑇𝑇𝑅𝑃) = 1.3210 Dengan data ini kita dapat melanjutkan keiterasi berikutnya dimana nilai diatas dapat kita jadikan sebagai pusat cluster baru pada iterasi keempat. c. Iterasi Keempat Dari proses iterasi ketiga sebelumnya kita telah mendapatkan nilai untuk pusat cluster berikutnya yaitu untuk (c1=1.6477;1.6364;2.8409;1.3750 dan c2=1.6914;2.7901;2.4259;1.3210), dengan nilai c1 dan c2 tersebut kita dapat mencari jarak antara data dengan pusat cluster berikutnya, misalkan kita akan mencari jarak antara data pertama dengan pusat cluster dapat dilakukan dengan cara berikut ini: 𝑑3.1 = √(1.5 − 1.6477)2 + (3 − 1.6364)2 + (3 − 2.8409)2 + +(1 − 1.3750)2 = 1.4308 𝑑3.2 = √(1.5 − 1.6914)2 + (3 − 2.7901)2 + (3 − 2.4259)2 + +(1 − 1.3210)2 = 0.7164 Dari proses pengolahan data tersebut didapatkan nilai BCV dan WCV sebagai berikut:

Elvina Sandra

245

𝐵𝐶𝑉 ((1.6914 − 1.6477)2 + (2.7901 − 1.6364)2 + (2.4259 − 2.8409)2 + =√ (1.3210 − 1.3750)2 = 1.2281 Dengan cara yang sama dengan yang kita lakukan di iterasi pertama maka akan kita dapatkan nilai wcv sebagai berikut 𝑤𝑐𝑣 = 90.8464 𝐵𝐶𝑉 1.2281 = 90.8464=0.0135 𝑊𝐶𝑉 Jika dibandingkan nilai perbandingan BCV dan WCV pada iterasi pertama, iterasi kedua dan iterasi ketiga maka pada iterasi keempat ini nilainya sudah memiliki kesamaan nilai dengan proses perbandingan BCV dan WCV pada iterasi kedua, maka kita sudah dapat menghentikan proses iterasi data. Dari hasil proses iterasi diatas didapatkan beberapa kesimpulan tentang data nasabah PNM sebagai berikut: 1. Terdapat 45 orang nasabah yang berada pada kluster pertama dan 80 orang nasabah yang tergolong kedalam kluster kedua 2. Dari proses pengklusteran yang dilakukan maka dapat disimpulkan beberapa ciri-ciri masing-masing kluster sebagai berikut: a. Kluster pertama memiliki titik pusat (1.6556;1.6444;2.8000;1.3778) yang dapat diartikan nasabahnya lebih dominan memilki usia berkisar antara (21-45) tahun, dengan tipe bidang usaha dominan pada pertanian dan perternakan, dan jenis jaminan terbanyak adalah tanah dan bangunan, serta dengan track record pinjaman lebih sedikit yang memiliki pinjaman dilembaga keuangan lainnya. b. Kluster kedua memiliki titik pusat (1.6875;2.8000;2.4438;1.3188) ini dapat diartikan bahwa nasabahnya berusia antara (21-45) tahun, dengan tipe bidang usaha terbanyak adalah perdagangan, dan jenis jaminan yang jadi anggunan adalah kombinasi antara tanah dan mobil atau tanah dan bangunan, dan track record pinjamannya lebih dominan pada nasabah yang tidak memiliki pinjaman dilembaga keuangan lainnya. Dengan adanya kesimpulan diatas maka hal tersebut bisa dijadikan acuan oleh manager kredit ketika akan melakukan realisasi terhadap pinjaman nasabah untuk kedepannya dan memungkinkan bisa meminimalkan terjadinya penunggakan nasabah dalam proses pengembalian pinjaman.

246


DAFTAR PUSTAKA Jong Jek Siang. (2009). “Jaringan Syaraf Tiruan & Pemrogramannya”. Yogyakarta : Andi Offset Sani Susanto dan Dedy Suryadi. (2010). “Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data”. Yogyakarta : Andi Offset Kusrini dan Luthfi Taufiq Emha. (2009). “ Algoritma Data Mining”. Yogyakarta : Andi Offset. Paulraj Ponniah. (2010). “Data Warehousing : Fundamentals for IT Professional”. Canada : A John Wiley Sons. Inc. Publication. S. Sumanthi and S.N. Sivanandam. (2006). “Introduction to Data Mining and its Applications”. New York : Springer. Divisi PPL PNM . (2012).”Accelerated Training Program”. Jakarta : Permodalan Nasional Madani

Maelendra Marleni

247

Pengaruh Kepemimpinan, Iklim Organisasi Dan Motivasi Terhadap Kinerja Dosen (Studi Kasus AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi)

MAELENDRA MARLENI, SE. MM Email: [email protected]

ABSTRAK Penelitian ini bertujuan untuk mengungkapkan : (1) Pengaruh Kepemimpinan, Iklim Organisasi, dan Motivasi Secara Serentak terhadap Kinerja Dosen. (2) Pengaruh Kepemimpinan, Iklim Organisasi, dan Motivasi Secara Parsial terhadap Kinerja Dosen. Populasi penelitian ini adalah semua dosen pada AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi yang berjumlah 43 orang. Sampel diambil dari semua populasi yaitu 43 orang. Metode analisis menggunakan analisis regresi berganda. Hasil penelitian didapatkan : Pengaruh Kepemimpinan (X1), Iklim Organisasi (X2) dan Motivasi (X3) secara serentak terhadap Kinerja Dosen (Y) adalah sebesar 0,922 atau 92% dan F hitung sebesar 73,805 dengan tingkat signifikan sebesar 0,000 < 0,05. Maka dapat dikatakan bahwa Kepemimpinan (X1), Iklim Organisasi (X2) dan Motivasi (X3) terbukti berpengaruh secara positif dan signifikan terhadap Kinerja Dosen (Y) pada AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi. Secara parsial Kepemimpinan (X1), Iklim Organisasi (X2) dan Motivasi (X3) berpengaruh secara positif dan signifikan terhadap Kinerja Dosen (Y) dimana thitung masing-masing variable lebih besar dar ttabel atau signifikansinya lebih kecil dari alpha. Untuk variable Kepemimpinan (X1) nilai thitung 2,746 dengan tingkat signifikan lebih kecil dari alpha yaitu 0,009 < 0,05. Untuk Iklim Organisasi (X2) nilai thitung 4,941 dengan tingkat signifikan lebih kecil dari alpha yaitu 0,000 < 0,05. Untuk dan Motivasi (X3) nilai thitung 2,648 dengan tingkat signifikan lebih kecil dari alpha yaitu 0,012 < 0,05 sehingga diperoleh persamaan regresi untuk ketiga variable tersebut adalah Ŷ = 4,687 + 0,218X1 + 0,442X2 + 0,233X3. Akhirnya penulis menyarankan dari hasil penelitian ini untuk dapat meningkatkankan Kepemimpinan, Iklim Organisasi dan Motivasi sesuai dengan indikatornya masing-masing dan bagi peneliti lain dapat melanjutkan penelitian ini agar keterbatasan dalam penelitian ini dapat disempurnakan. Kata Kunci: Kepemimpinan, Iklim Organisasi, Motivasi, Kinerja Dosen

248


I. PENDAHULUAN Untuk membentuk manusia yang sesuai dengan tujuan pembangunan nasional, yang pada hakikatnya bertujuan meningkatkan kualitas manusia dan seluruh masyarakat Indonesia yang maju, modern berdasarkan Pancasila, maka dibutuhkan tenaga pendidik yang berkualitas. Salah satu tujuan pendidikan adalah untuk menciptakan manusia yang berkualitas. Kualitas manusia yang dibutuhkan oleh bangsa Indonesia pada masa yang akan datang adalah yang mampu menghadapi persaingan yang semakin ketat dengan bangsa lain di dunia. Kualitas manusia Indonesia tersebut dihasilkan melalui penyelenggaraan pendidikan yang bermutu. Perlu upaya untuk memperbaiki kualitas pendidikan tinggi di Indonesia pada umumnya dan perguruan tinggi swasta di AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi pada khususnya. Diperlukan perbaikan yang menyeluruh terhadap unsur-unsur yang saling terkait di dalamnya. Salah satu unsur yang mempunyai peranan sangat penting dalam meningkatkan kualitas pendidikan tinggi tersebut adalah tenaga pendidik, dalam hal ini adalah dosen. Sesuai dengan Undang Undang RI No.20, pasal 20 (2003) dikatakan bahwa perguruan tinggi berkewajiban menyelenggarakan pendidikan tinggi, penelitian, dan pengabdian pada masyarakat atau yang disebut dengan Tridharma Perguruan Tinggi. Ketiga kegiatan ini merupakan aspek-aspek yang saling berkaiatan, tidak terpisahkan satu sama lain untuk lingkup produktivitas suatu perguruan tinggi. Pencapaian tujuan penyelenggaraan perguruan tinggi ini adalah dosen sebagai inti yang menjalankan operasional organisasi. Dosen juga merupakan salah satu komponen yang sangat menentukan untuk terselenggaranya proses pendidikan. Keberadaan dosen merupakan pelaku utama sebagai fasilitator penyelenggaraan proses belajar. Oleh karena itu, kehadiran dan profesionalismenya sangat berpengaruh dalam mewujudkan program pendidikan nasional. Peningkatan kinerja dosen ini memerlukan beberapa hal seperti kepemimpinan yang baik, iklim organisasi yang kondusif dan motivasi yang tinggi yang mendukung dosen untuk dapat meningkatkan kinerjanya yaitu dalam melaksanakan Tridharma Perguruan Tinggi. Berdasarkan pengamatan awal yang dilakukan oleh penulis pada AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi, ditemukan fenomena kinerja dosen yang dapat kita lihat pada AMIK Depati Parbo Kerinci, dimana data yang diperoleh oleh penulis dari AMIK Depati Parbo Kerinci menunjukkan bahwa sampai dengan bulan Juli 2012, dari 45 dosen AMIK Depati Parbo Kerinci dipekerjakan masih bervariasi dalam jenjang pendidikannya, yaitu terdiri dari 25 orang bergelar S1, 20 orang bergelar S2, dan belum ada yang bergelar S3. Variasi tersebut terlihat juga dari jabatan fungsional yang mereka miliki yaitu Guru Besar belum ada, Lektor Kepala belum ada, Lektor belum

Maelendra Marleni

249

ada, dan Asisten Ahli berjumlah 10 orang. Dari 45 orang dosen tersebut bahkan ada yang belum mempunyai jabatan fungsional yaitu sebanyak 35 orang. Data diatas menunjukkan bahwa masih terdapat sebagian dosen dipekerjakan pada AMIK Depati Parbo Kerinci yang masih belum dapat memenuhi ketentuan Undang-Undang Nomor 14 Tahun 2005 dalam undangundang tersebut menyebutkan bahwa seorang dosen harus memiliki kualifikasi akademik minimum S2 (magister). Undang-Undang Nomor 14 tahun 2005 juga mensyaratkan bahwa dosen harus mempunyai jabatan fungsional sekurangkurangnya Asisten Ahli. Pada AMIK Depati Parbo Kerinci ternyata masih terdapat 35 orang dosen yang belum mempunyai jabatan fungsional, padahal jabatan fungsional merupakan salah satu syarat yang harus dimiliki oleh seorang dosen sebagai penentu kewenangan mengajar. Menurut Maier (1965) dalam Notoatmodjo (2009) kinerja adalah kesuksesan seseorang dalam melaksanakan suatu pekerjaan yang dibebankannya. Kinerja dosen menjadi masalah yang menarik dan cukup penting termasuk di lingkungan AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi, karena terbukti besar manfaatnya baik bagi kepentingan individu, organisasi, dan masyarakat. Berdasarkan uraian dan fenomena yang telah dipaparkan diatas, dapat ditarik kongklusi bahwa kepemimpinan, iklim organisasi dan motivasi merupakan variabel yang sangat penting dalam menentukan kinerja dosen AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi. II. Kepemimpinan, Iklim Organisasi, Motivasi, dan Kinerja 2.1 Kepemimpinan Sedarmayanti (2011:249) mengutip arti kepemimpinan menurut beberapa para ahli sebagai berikut: 1. Leadership is activity of influencing people to strive willingly for mutual objectives. (Kepemimpinan adalah keseluruhan kegiatan/aktivitas untuk mempengaruhi kemauan orang lain untuk mencapai tujuan bersama) (Terry). 2. Leader is the exercecies of authority and the making of decisions. (Kepemimpinan adalah aktivitas pemegang kewenangan dan pengambil keputusan) (Dubin). 3. Kepemimpinan merupakan inti manajemen karena kepemimpinan adalah motor penggerak bagi sumber daya manusia dan sumber daya alam lainnya. (Siagian). 4. Leadershipis the process of influencing group activities toward goal setting and goal achievement. (Kepemimpinan adalah suatu proses mempengaruhi aktivitas kelompok dalam upaya perumusan dan pencapaian tujuan) (Stogdill).

250


Sebab-Sebab Munculnya Pemimpin Menurut Kartono (1983:29) dalam Buchari (2008) ada tiga teori yang menjelaskan bagaimana munculnya pemimpin sebagai berikut: 1. Teori genetis Teori ini menyatakan bahwa pemimpin itu sudah ada bakat sejak lahir dan tidak dapat dibuat. Dia memang sudah ditakdirkan untuk menjadi pemimpin. Teori ini menganut pandangan deterministis artinya pandangan yang sudah ditentukan sejak dahulu. 2. Teori sosial Teori ini menyatakan bahwa pemimpin tidak dilahirkan tetapi seorang calon pemimpin dapat disiapkan di didik atau dibentuk agar dia menjadi pemimpin yang hebat dikemudian hari. Setiap orang bisa menjadi pemimpin melalui pendidikan dan dorongan berbagai pihak. 3. Teori ekologis atau sintesis Teori ini menyatakan bahwa seseorang akan sukses menjadi pemimpin apabila dia memang memiliki bakat-bakat pemimpin. Kemudian bakat ini dikembangkan melalui pendidikan dorongan dan pengalaman yang akan membentuk pribadi sebagai seorang pemimpin. Pendekatan Studi Kepemimpinan Menurut Handoko (1986:295) penelitian-penelitian dan teori-teori kepemimpinan dapat diklasifikasikan sebagai pendekatan-pendekatan kesifatan, perilaku, dan situasional (“contingency”) dalam studi tentang kepemimpinan. Oleh Fiedler dan Charmers (1974) dalam kata pengantar bukunya yang berjudul Leadership and Effecctive Management dalam Wahjosumidjo (2002), mengemukakan bahwa persoalan utama kepemimpinan dapat dibagi ke dalam 3 (tiga) masalah pokok, yaitu: 1. Bagaimana seseorang dapat menjadi seorang pemimpin (how are become a leader). 2. Bagaimana para pemimpin itu berperilaku (how the leader behave). 3. Apa yang membuat pemimpin itu berhasil (what makes a leader effective). Sehubungan pernyataan yang dikemukakan oleh Fiedler dan Chamers tersebut, studi kepemimpinan yang terdiri dari berbagai macam pendekatan hakikatnya merupakan usaha untuk menjawab atau memberikan pemecahan persoalan yang terkandung didalam ketiga pertanyaan tersebut. Hampir seluruh penelitian kepemimpinan dapat dikelompokkan kedalam 4 (empat) macam pendekatan yaitu: 1) Pendekatan pengaruh kewibawaan (Power influence approach), 2) Pendekatan sifat (the trait approach), 3) Pendekatan perilaku (the behavior approach), dan 4) Pendekatan situasional (situational approach).

Maelendra Marleni

251

2.2 Iklim Organisasi Defenisi mengenai iklim organisasi menurut Tagiuri dan Litwin (1968) dalam Wirawan (2007) sebagai “…a relatively enduring quality of the internal environment of an organization that (a) is experienced by its members, (b) influences their behavior, and can be described in terms of the values of a particular set characteristics (or attributes) of the organization”. Iklim organisasi melukiskan lingkungan internal organisasi dan berakar pada budaya organisasi. Budaya organisasi relatif bersifat tetap dalam jangka panjang, sedangkan iklim organisasi bersifat relatif sementara dan dapat berubah dengan cepat. Umumnya iklim organisasi dengan mudah dapat dikontrol oleh pemimpin atau manajer. Iklim organisasi merupakan persepsi anggota organisasi mengenai dimensi-dimensi iklim organisasi. Iklim organisasi mempengaruhi perilaku anggota organisasi yang kemudian mempengaruhi kinerja mereka dan kemudian mempengaruhi kinerja organisasi. Menurut A. Gani dan Farooq A. Shah dalam Moeheriono (2012) iklim organisasi dapat diukur dengan menggunakan indikator-indikator sebagai berikut: 1. Hubungan Antarpersonel 2. Manajemen Partisipatif 3. Formalisasi dan Standardisasi 4. Pelatihan dan Pengembangan 5. Tunjangan Finansial 6. Objektifitas dan Rasionalitas 7. Cakupan Kemajuan 8. Pimpinan 9. Perhatian Terhadap Kesejahteraan 10. Keselamatan dan Keamanan 2.3 Motivasi Motivasi merupakan kesediaan mengeluarkan tingkat upaya tinggi kearah tujuan organisasi yang dikondisikan oleh kemampuan upaya itu untuk memenuhi kebutuhan individual. Sedarmayanti (2011:233) mengutip beberapa pengertian dari motivasi sebagai berikut: 1. Keinginan yang terdapat pada seorang individu yang merangsangnya melakukan tindakan (Terry). 2. Proses dengan mana perilaku dibangkitkan, diarahkan dan dipertahankan selama berjalannya waktu (Porter dan Lawler, 1968; Vroom, 1964). 3. Kekuatan kecenderungan seorang individu melibatkan diri dalam kegiatan yang berarahkan sasaran dalam pekerjaan. lni bukan perasaan senang yang relatif terhadap hasil berbagai pekerjaan sebagaimana halnya kepuasan, tetapi lebih merupakan perasaan sedia / rela bekerja untuk mencapai tujuan pekerjaan (Steers).

252

4.

5.


“A motive tends to decrease in strength if it is either satisfied or blocked from satisfaction” (Motif cenderung menurun kekuatannya apabila terpenuhi atau terhambat pemenuhannya) (Hersey dan Blanchard 1982: 18). Motivasi: keseluruhan proses pemberian motivasi bekerja kepada bawahan sedemikian rupa sehingga mereka mau bekerja dengan ikhlas demi tercapainya tujuan organisasi dengan efisien dan ekonomis (Siagian, 1994:128).

Konsep atau Teori Motivasi Berdasarkan prinsip utama tersebut telah dikembangkan 6 (enam) teori motivasi dari sudut psikologi, yang dapat diimplementasikan dalam Manajemen Sumber Daya Manusia (MSDM) di lingkungan suatu organisasi / perusahaan. Menurut Nawawi (2008: 351) keenam teori itu adalah: 1. Teori Kebutuhan (Need) dari Abraham Maslow. 2. Teori Dua Faktor dari Frederick Herzberg. 3. Teori Prestasi (Achievement) dari David McClelland. 4. Teori Penguatan (Reinforcement). 5. Teori Harapan (Expectency). 6. Teori Tujuan sebagai Motivasi. Banyak para ahli dari berbagai disiplin ilmu merumuskan konsep atau teori tentang motivasi. Diantara banyak konsep tentang motivasi dari berbagai ahli tersebut, dibawah ini Notoatmodjo (2009) mengemukakan beberapa konsep atau teori sebagai dasar motivasi kerja sebagai berikut: 1. Teori McClelland Menurut McClelland yang dikutip dan diterjemahkan oleh Asnawi (2002), mengatakan bahwa dalam diri manusia ada dua motivasi atau motif, yakni motif primer atau motif yang tidak dipelajari, dan motif sekunder atau motif yang dipelajari melalui pengalaman serta interaksi dengan orang lain. Oleh karena motif sekunder timbul karena interaksi dengan orang lain, maka motif ini sering juga disebut motif sosial. Motif primer atau motif yang tidak dipelajari ini secara alamiah timbul pada setiap manusia secara biologis. Motif ini mendorong seseorang untuk terpenuhinya kebutuhan biologisnya misalnya makan, minum, seks dan kebutuhan-kebutuhan biologis yang lain. Sedangkan motif sekunder adalah motif yang ditimbulkan karena dorongan dari luar akibat interaksi dengan orang lain atau interaksi sosial. Selanjutnya motif sosial ini oleh Clevelland yang dikutip oleh Senoadi (1984), dibedakan menjadi 3 (tiga) motif yakni: 1) Motif untuk Berprestasi (need for achievement) 2) Motif untuk Berafiliasi (need for affiliation)

Maelendra Marleni

3)

253

Motif untuk Berkuasa (need for power)

2. Teori McGregor Berdasarkan penelitiannya McGregor menyimpulkan teori motivasi itu dalam teori X dan Y. Teori ini didasarkan pada pandangan konvensional atau klasik (teoriX) dan pandangan baru atau modern (teoriY). 3. Teori Herzberg Herzberg adalah seorang ahli psikologi dari Universitas Cleveland, Amerika Serikat. Pada tahun 1950 telah mengembangkan teori motivasi “Dua Faktor” (Herzberg’s Two Factors Motivation Theory). Menurut teori ini, ada dua faktor yang mempengaruhi seseorang dalam tugas atau pekerjaannya, yaitu: 1. Faktor-faktor penyebab kepuasan (satisfierr) atau faktor motivasional. Faktor penyebab kepuasan ini menyangkut kebutuhan psikologis seseorang, yang meliputi serangkaian kondisi instrinsik. Apabila kepuasan kerja dicapai dalam pekerjaan, maka akan menggerakkan tingkat motivasi yang kuat bagi seseorang pekerja dan akhirnya dapat menghasilkan kinerja yang tinggi. 2. Faktor-faktor penyebab ketidakpuasan (dissatisfaction) atau factor higiene. Faktor-faktor ini menyangkut kebutuhan akan pemeliharaan atau maintenance facto yang merupakan hakikat manusia yang ingin memperoleh kesehatan badaniah. 4. Teori Maslow Maslow seorang ahli psikologi telah mengembangkan teori motivasi ini sejak tahun 1943. Maslow melanjutkan teori Mayo (1880-1949), mendasarkan pada kebutuhan manusia yang dibedakan antara kebutuhan biologis dan kebutuhan psikolofis, atau disebut kebutuhan materil (biologis) dan kebutuhan non materi (psikologis). Maslow mengembangkan teorinya setelah ia mempelajari kebutuhan-kebutuhan manusia itu bertingkat - tingkat atau sesuai dengan “hietarki”. 2.4 Kinerja Notoatmodjo (2009) mengutip pengertian kinerja menurut beberapa para ahli sebagai berikut: 1. Maier (1965) yang dikutip oleh Asad (1991) adalah kesuksesan seseorang dalam melaksanakan suatu pekerjaan yang dibebankannya. 2. Gilbert (1977) mendefinisikan kinerja adalah apa yang dapat dikerjakan oleh seseorang sesuai dengan tugas dan fungsinya.

254


Dari batasan-batasan yang ada dapat dirumuskan bahwa kinerja (perfomance) adalah hasil kerja yang dapat ditampilkan atau penampilan kerja seorang karyawan. Dengan demikian kinerja seorang karyawan dapat diukur dari hasil kerja hasil tugas, atau hasil kegiatan dalam kurun waktu tertentu. Kinerja dosen merupakan salah satu faktor penentu keberhasilan proses belajar mengajar di perguruan tinggi. Faktor-Faktor Yang Mempengaruhi Kinerja Menurut Gibson (1977) dalam Moeheriono (2012) faktor-faktor yang menentukan kinerja seseorang, dikelompokkan menjadi 3 (tiga) faktor utama, yakni: 1. Variabel individu, yang terdiri dari: pemahaman terhadap pekerjaannya (kemampuan), keterampilan, pengalaman kerja, latar belakang keluarga, tingkat sosial ekonomi, dan faktor demografi (umur, jenis kelamin, etnis, dan sebagainya). 2. Variabel organisasi, yang antara lain terdiri dari: kepemimpinan, desain pekerjaan, sumber daya yang lain, struktur organisasi, sistem penghargaan dan sebagainya. 3. Variabel psikologis, yang terdiri dari: persepsi terhadap pekerjaan, sikap terhadap pekerjaan, peran, motivasi, kepribadian, kepuasan kerja. Dasar Hukum dalam Penilaian Kinerja Dosen Dasar hukum dalam perguruan tinggi negeri dan swasta tampak sebagai berikut: 1. Undang-Undang R.I. Nomor: 20 Tahun 2003 tentang Sistem Pendidikan Nasional. 2. Undang-Undang R.I. Nomor: 14 Tahun 2005 tentang Guru dan Dosen. 3. Keputusan Menteri Negara Koordinator Bidang Pengawasan Pembangunan dan Pendayagunaan Aparatur Negara Nomor: 38/KEP/MK.WASPAN/8/1999 tentang Jabatan Fungsional Dosen dan Angka Kreditnya. 4. Keputusan Bersama Menteri Pendidikan dan Kebudayaan dan Kepala Badan Kepegawaian Negara Nomor: 61409/MPK/KP/1999 dan Nomor 181 Tahun 1999 tentang Petunjuk Pelaksanaan Jabatan Fungsional Dosen dan Angka Kreditnya. 5. Keputusan Menteri Pendidikan Nasional Nomor 074/U/2000 tentang Tata Kerja Tim Penilai dan Tata Cara Penilaian Angka Kredit Jabatan Dosen Perguruan Tinggi. 6. Keputusan Menteri Pendidikan Nasional Nomor 36/D/O/2001 tentang Petunjuk Teknis Pelaksanaan Penilaian Angka Kredit Jabatan Dosen. 7. Peraturan Menteri Pendayagunaan Aparatur Negara Nomor: PER/60/M.PAN/6/2005 tentang Perubahan Atas Ketentuan Lampiran I dan

Maelendra Marleni

8.

255

atau Lampiran II Keputusan Menteri Pendayagunaan Aparatur Negara tentang Jabatan Fungsional dan Angka Kreditnya. Surat Edaran Direktorat Jenderal Pendidikan Tinggi, dan Direktur Pembinaan Pendidikan, Tenaga Kependidikan dan Ketenagaan Perguruan Tinggi antara tahun 2000 sampai dengan tahun 2006. Usul Persetujuan/Penetapan Angka Kredit Jabatan Tenaga Pengajar Perguruan Tinggi, Proses Usul Penetapan Angka Kredit Dosen Perguruan Tinggi, dan Penilaian Angka Kredit Dosen yang pada saat ini masih berlaku.

Unsur Utama Tridharma Perguruan Tinggi Dapat kita lihat bahwa Unsur Utama Tridharma Perguruan Tinggi sebagai berikut: a. Melaksanakan Pendidikan dan Pengajaran. b. Melaksanakan Penelitian. c. Melaksanakan Pengabdian Kepada Masyarakat. Keputusan Menteri Pendidikan Nasional Nomor 36/D/O/2001 Tentang Petunjuk Teknis Pelaksanaan Penilaian Angka Kredit Jabatan Dosen dapat kita lihat indikator-indikator adalah pelaksanaan tugas di bidang pendidikan dan pengajaran, bidang penelitian, bidang pengabdian pada masyarakat. 2.5 Kerangka Pikir Penelitian Persaingan global di AMIK Depati Parbo Kerinci memiliki tanggungjawab untuk menghasilkan lulusan yang berkualitas (dampak/benefit). Lulusan yang berkualitas proses belajar mengajar yang berkualitas. Proses Belajar Mengajar (PBM) ini sangat ditentukan oleh kinerja dosen. Penulis menggambarkannya dalam kerangka pemikiran penelitian yang dapat digambarkan sebagai berikut:

Kepemimpinan (X1) Iklim Organisasi (X2) Motivasi (X3)

ρX1Y Kinerja Dosen (Y)

ρX2Y ρX3Y R2 X1X2X3Y

256


III. METODOLOGI PENELITIAN 3.1 Metode Penelitian Yang Digunakan Penelitian ini menggunakan metode survey. Metode survey merupakan penelitian yang dilakukan pada populasi besar maupun kecil, tetapi data yang dipelajari merupakan data dari sampel yang diambil dari populasi tersebut, sehingga dapat di temukan kejadian-kejadian relatif, distributif dan hubungan antara variabel, sosiologis maupun psikologis (Sugiono, 2004). 3.2 Populasi dan Sampel Menurut Sugiyono (2006) populasi adalah wilayah generalisasi yang terdiri atas objek/subjek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulan. Maka dengan demikian yang menjadi populasi peneliti ini adalah seluruh dosen di AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi yang berjumlah 43 orang. Arikunto (2003) sampel adalah sebagian atau wakil populasi yang diteliti. Sedangkan sampel menurut Sekaran (2003) “…sample is a subset or sub group af the population”, yang artinya sampel adalah bagian dari populasi. Mengaju pada pendapat diatas, penelitian ini tidak menggunakan sampel tetapi menggunakan seluruh populasi sebagai responden penelitian. 3.3 Teknik Pengumpulan Data Data yang dikumpulkan dalam penilitian dipergunakan untuk menguji hipotensis yang dirumuskan. Teknik pengumpulan data yang dipergunakan adalah survey lapangan dengan menggunakan kuesioner. Jenis kuesioner yang dipergunakan adalah kuesioner tertutup, yaitu kuesioner yang menyajikan pertanyaan tertulis kepada responden dan dijawab responden dengan memilih salah satu jawaban yang sesuai dengan persepsi mereka. Table 3.1 Kisi-Kisi dan Defenisi Operasional Variabel Kepemimpi nan (X1)

Iklim Organisasi (X2)

Indikator 1. 2. 3. 4. 5. 1. 2. 3. 4.

Referent power (Kekuasaan Rujukan) Reward power (Kekuasaan Imbalan) Expert power (Kekuasaan Keahlian) Coersive power (Kekuasaan Paksaan) Legitimate power (Kekuasaan Sah) Antarpersonel Formalisasi dan Standardisasi Pelatihan dan Pengembangan Objektivitas dan Rasionalitas

Jumlah Pertanyaan 4 4 3 3 5 4 3 3 3

No Item 1,2,3,4 5,6,7,8 9,10,11 12,13,14 15,16,17,18,19 1,2,3,4 5,6,7 8,9,10 11,12,13

Maelendra Marleni

Motivasi (X3)

Kinerja Dosen (Y)

5. Perhatian terhadap Kesejahteraan 6. Keselamatan dan Keamanan 1. Kebutuhan berprestasi / Need For Achievement 2. Kebutuhan berkuasa / Need For Achievement 3. Kebutuhan berafiliasi / Need For Afiliation 1. Pelaksanaan tugas di bidang pendidikan dan pengajaran, 2. bidang penelitian 3. bidang pengabdian pada masyarakat

257

3 3 6

14,15,16 17,18,19 1,2,3,4,5,6

5

7,8,9,10,11

6

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

10 6 3

3.4 Teknik Analisis Data Adapun teknik analisa data yang digunakan dalam penelitian ini terdiri dari uji validitas dan reliabilitas, statistik deskriptif, uji koefisien korelasi, uji asumsi klasik dan uji regresi linear berganda.

IV. HASIL PENELITIAN DAN PEMBAHASAN Adapun teknik analisis statistik yang dipergunakan adalah statistik deskriptif yang terdiri dari distribusi frekuensi dan nilai rata-rata, uji validitas dan reliabilitas, uji koefisien korelasi, uji asumsi klasik, uji regresi linear sederhana dan uji regresi linear berganda (multiple regression analysis). Hasil penelitian akan diawali dengan sekilas tentang AMIK Depati Parbo Kerinci dan dilanjutkan dengan mendekripsikan profil responden yang terdiri dari umur, jenis kelamin, pendidikan dan status dosen. Kemudian dilanjutkun dengan analisa deskriptif berupa distribusi frekuensi jawaban responden terhadap masing-masiug butir pertanyaan yang digunakan dalam mengukur variabel penelitian. Suatu skala pengukuran disebut valid, bila ia melakukan apa yang seharusnya diukur (Sekaran, 2003). Uji validitas adalah ukuran sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu alat ukur yang memiliki validitas tinggi akan mempunyai varian kesalahan yang kecil sehingga data yang taerkumpul merupakan data yang dapat dipercaya. Reliabilitas yang dimaksud pada suatu penelitian bahwa suatu instrument cukup dapat dipercaya untuk digunakan sebagai alat pengumpul data karena instrumen tersebut sudah baik. Suatu alat ukur dikatakan reliabel jika

258


kita selalu mendapatkan hasil yang tetap sama dari gejala pengukuran yang tidak berubah yang dilahirkan pada waktu yang berbeda-beda (Fauziah,1999). Untuk mengukur reliabilitas dari suatu analisis dapat digunakan koefisien alpha Cronbach (α) yang didasarkan pada rata-rata korelasi butir data instrumen pengukuran. Untuk mengetahui reliabilitas masing-masing variabel yaitu kepemimpinan (X1), iklim organisasi (X2), motivasi (X3) dan kinerja dosen (Y) digunakan alpha cronbach minimal 0,5 karena butir instrument yang digunakan dalam penelitian ini kurang dari 20 butir. Uji validitas dalam penelitian ini menggunakan metode analisis faktor, sedangkan uji reliabilitas menggunakan cronbach alpha dengan alat bantu statistik program IBM SPSS 20.0. 4.1 Tingkat Pencapaian Jawaban Responden Untuk mengemukakan tingkat pencapaian jawaban responden terhadap variabel penelitian yaitu kepemimpinan (X1), iklim organisasi (X2), motivasi (X3) dan kinerja dosen (Y) berdasarkan rumus TCR dapat dilihat pada table 4.1 dibawah ini: Tabel 4.1 Pencapaian Jawaban Responden Terhadap Variabel Penelitian No Variabel Mean Maximum TCR Keterangan 1 Kepemimpinan (X1) 72,09 82 87,91% Baik 2 Iklim Organisasi 70,30 84 83,69% Baik (X2) 3 Motivasi (X3) 70,49 81 87,02% Baik 4 Kinerja Dosen (Y) 67,93 79 85,99% Baik Sumber: Data Primer, 2012 yang diolah Dari tabel 4.1 diatas dapat dilihat bahwa dari hasil penjumlahan item pertanyaan dari masing-masing variabel penelitian diperoleh hasil rata-rata (mean) tiap variabel dibagi dengan hasil maksimum (maximum) dan dikalikan dengan 100%, maka diperoleh tingkat capaian responden (TCR). Hasil TCR dari semua variabel penelitian diatas 80%, hal ini menunjukkan bahwa jawaban responden terhadap semua variabel dalam penelitian ini adalah rata-rata baik. 4.2 Uji Koefisien Korelasi Koefisien korelasi merupakan suatu teknik statistik yang digunakan untuk mengukur keeratan hubungan antar variabel (kuncoro, 2003). Dalam penelitian ini untuk mengetahui hubungan antar variabel yaitu kepemimpinan (X1), iklim organisasi (X2), motivasi (X3) dan kinerja dosen (Y) digunakan korelasi bivariate (correlate bivariate) melalui metode Person’s correlation. Hasil analisa koefisien korelasi tersebut disajikan pada tabel 4.2 sebagai berikut: Tabel 4.2 Uji Koefisien Korelasi Variabel Kinerja Dosen (Y) Tingkat Signifikan Kepemimpinan (X1) 0,735** 0,000

Maelendra Marleni

Iklim Organisasi (X2) 0,879** Motivasi (X3) 0,825** Sumber: Data Primer, 2012 yang diolah

259

0,000 0,000

Tabel 4.2 menunjukkan bahwa nilai koefisien korelasi ketiga variabel bebas yaitu kepemimpinan (X1), iklim organisasi (X2) dan motivasi (X3) dengan kinerja dosen (Y) berkisar antara 0,735 - 0,879. Variabel kepemimpinan, iklim organisasi dan motivasi berkorelasi signifikan dengan kinerja dosen. Hal ini bermakna terdapat hubungan yang cukup erat antara variabel kepemimpinan, iklim organisasi dan motivasi dengan kinerja dosen AMIK Depati Parbo Kerinci. Tingkat korelasi yang tertinggi terletak pada hubungan antara variabel Iklim Organisasi (X2) dengan kinerja dosen (Y) dengan nilai koefisien korelasi adalah 0,879 dan signifikan pada level 0,000. Kemudian diikuti oleh variabel Motivasi (X3) dengan kinerja dosen (Y) dengan nilai koefisien korelasi adalah 0,825 dan signifikan pada level 0,000. Yang terendah adalah hubungan Kepemimpinan (X1) dengan kinerja dosen (Y) dengan nilai koefisien korelasi adalah 0,735 dan signifikan pada level 0,000. 4.3 Uji Asumsi Klasik Suatu model regresi dikatakan linear harus melalui uji asumsi klasik yang terdiri dari uji multikolonieritas, uji heteroskedastisitas, uji normalitas, dan uji linearitas (Ghozali, 2005). Berikut ini akan dilakukan uji asumsi klasik terhadap model regresi yaitu: 4.3.1

Uji Multikolonieritas Hasil Uji multikolonieritas dapat dilihat pada tabel 4.3 berikut ini: Tabel 4.3 Uji Multikolonieritas Variabel Bebas Toleransi VIF Kepemimpinan (X1) 0,545 1,834 Iklim Organisasi (X2) 0,351 2,847 Motivasi (X3) 0,357 2,798 Sumber: Data Primer, 2012 yang diolah

Berdasarkan tabel 4.3 diatas dapat dilihat bahwa variabel bebas dalam penelitian ini dinyatakan bebas dari multikolonieritas. Hal ini terbukti dengan didapatkannya nilai tolerance untuk semua variabel bebas lebih besar dari 0,10 dan VIF (variance inflation factor) kurang dari 10. 4.3.2 ini:

Uji Heterokedastisitas Maka hasil uji heterokedastisitas dapat dilihat pada gambar 4.1 berikut

260


Gambar 4.1 Uji Heterokedastisitas

Sumber: Data Primer, 2012 yang diolah Berdasarkan gambar 4.1 diatas dapat dilihat bahwa variabel bebas dalam penelitian ini dinyatakan bebas dari heterokedastisitas. Hal ini dapat kita lihat dari grafik Scatter Plott diatas dimana sebaran titik-titik yang acak dan menyebar diatas dan dibawah angka nol pada sumbu Y. 4.3.3

Uji Normalitas Berikut ini diperlihatkan grafik histogram hasil analisa regresi dalam penelitian ini pada gambar 4.2 berikut ini: Gambar 4.2 Uji Normalitas

Sumber: Data Primer, 2012 yang diolah

Maelendra Marleni

261

Berdasarkan gambar 4.2 tampak grafik histogram diatas dapat dilihat bahwa data observasi terdistribusi dengan normal dimana kurvanya adalah normal. Oleh karena itu uji normalitas terpenuhi. 4.3.4

Uji Linearitas Berikut ini diperlihatkan hasil analisa regresi dalam penelitian ini pada gambar 4.3 berikut ini: Gambar 4.3 Uji Linearitas

Sumber: Data Primer, 2012 yang diolah Berdasarkan gambar 4.3 tampak grafik yang diperlihatkan di atas, dimana terlihat bahwa titik-titik bergerak menuju searah dengan garis linier. Sehingga dapat disimpulkan bahwa model regresi penelitian ini adalah liniear. 4.4

Uji Hipotesis Menurut Sekaran (2003) hipotesis merupakan dugaan tentang hubungan yang logis antara dua variabel atau lebih yang dinyatakan dalam bentuk pertanyaan yang perlu diuji kebenarannya. Dibawah tabel 4.4 hasil analisis regresi linear berganda dari persepsi responden mengenai variabel kepemimpinan, iklim organisasi, dan motivasi serta pengaruhnya terhadap kinerja dosen AMIK Depati Parbo Kerinci sebagai berikut: Tabel 4.4 Hasil Analisis Regresi Berganda Dari Persepsi Responden Mengenai Variabel Kepemimpinan, Iklim Organisasi, Dan Motivasi Serta Pengaruhnya Terhadap Kinerja Dosen AMIK Depati Parbo Kerinci

262


Model Summaryb Model R R Square Adjusted R Std. Error of Square the Estimate 1 .922a .850 .839 1.835 a. Predictors: (Constant), Motivasi, Kepemimpinan, IklimOrganisasi b. Dependent Variable: KinerjaDosen ANOVAa df Mean Square

Model

Sum of F Sig. Squares Regression 745.481 3 248.494 73.805 .000b 131.310 39 3.367 1 Residual Total 876.791 42 a. Dependent Variable: KinerjaDosen b. Predictors: (Constant), Motivasi, Kepemimpinan, IklimOrganisasi Coefficientsa Model

Unstandardized Standardized Coefficients Coefficients

t

Std. Beta Error (Constant) 4.687 4.485 1.045 Kepemimpinan .218 .079 .230 2.746 1 IklimOrganisasi .442 .089 .517 4.941 Motivasi .233 .088 .275 2.648 a. Dependent Variable: KinerjaDosen Sumber: Data Primer, 2012 yang diolah

Sig.

B

Collinearity Statistics Tole rance

.302 .009 .000 .012

VIF

.545 1.834 .351 2.847 .357 2.798

. Berdasarkan tabel 4.17 diatas dapat diperoleh persamaan regresinya sebagai berikut Ŷ = 4,687 + 0,218X1 + 0,442X2 + 0,233X3 Dimana: Ŷ : Kinerja Dosen X1 : Kepemimpinan X2 : Iklim organisasi X3 : Motivasi

Maelendra Marleni

263

Selanjutnya kedua hipotesis penelitian yang dikemukakan sebelumnya dapat disimpulkan seperti pada tabel 4.5 berikut ini: Tabel 4.5 Hasil Pengujian Hipotesis Penelitian Hipotesis Pernyataan Keputusan H1 Terdapat pengaruh yang positif dan signifikan diterima kepemimpinan, iklim organisasi, dan motivasi secara serentak (simultan) terhadap kinerja dosen AMIK Depati Parbo Kerinci. H2 Terdapat pengaruh yang positif dan signifikan diterima kepemimpinan, iklim organisasi, dan motivasi secara parsial terhadap kinerja dosen AMIK Depati Parbo Kerinci.

V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan pada hasil analisis dan pembahasan sebelumnya, maka dapat diperoleh kesimpulan sebagai berikut: 1. Secara serentak (simultan) variabel kepemimpinan (X1), iklim organisasi (X2) dan motivasi (X3) berpengaruh terhadap kinerja dosen (Y) AMIK Depati Parbo Kerinci sebesar 0,850. Artinya bahwa kepemimpinan, iklim organisasi dan motivasi berpengaruh positif dan signifikan terhadap variabel kinerja dosen AMIK Depati Parbo Kerinci sebesar 85% dan sisanya 15% ditentukan oleh faktor lain yang tidak termasuk dalam ruang lingkup penelitian ini. 2. Variabel iklim organisasi (X2) yaitu sebesar 0,442 dimana merupakan variabel yang paling besar berpengaruh positif dan signifikan terhadap kinerja dosen (Y) bila dibandingkan dengan variable kepemimpinan (X1) dan motivasi (X3). 3. Secara parsial kepemimpinan (X1) berpengaruh positif dan signifikan terhadap kinerja dosen (Y) AMIK Depati Parbo Kerinci, jika variabel kepemimpinan (X1) dinaikan 1 (satu) satuan, maka akan meningkat variabel kinerja dosen (Y) sebesar 0,218. 4. Secara parsial variabel iklim organisasi (X2) berpengaruh positif dan signifikan terhadap variabel kinerja dosen (Y) AMIK Depati Parbo Kerinci, jika variabel iklim organisasi (X2) dinaikan 1 (satu) satuan, maka akan meningkat kinerja dosen (Y) sebesar 0,442 unit. 5. Secara parsial variabel motivasi (X3) berpengaruh positif dan signifikan terhadap variabel kinerja dosen (Y) AMIK Depati Parbo Kerinci, jika

264


variabel motivasi (X3) dinaikan 1 (satu) satuan, maka akan meningkat kinerja dosen (Y) sebesar 0,233 unit. 5.2 Saran Hasil penelitian ini akan memberikan manfaat pada pihak manajemen AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi. Saran-saran yang dapat disampaikan dari hasil penelitian ini adalah : 1. Dalam upaya mencapai kinerja dosen yang lebih tinggi di AMIK Depati Parbo Kerinci dimasa yang akan datang, maka diharapkan agar memperhatikan dan meningkatkan variabel kepemimpinan dengan meningkatkan gaya kepemimpinannya, lebih demokratis, lebih paternalistis sehingga meningkatkan kinerja dosen. Hal ini disebabkan karena variabel tersebut berpengaruh positif dan signifikan terhadap kinerja dosen AMIK Depati Parbo Kerinci. Dimana kepemimpinan sebaiknya lebih ditingkatkan lagi dalam pengambilan keputusan atau kebijakan, memimpin, memotivasi dan mengarahkan para dosen terutama dalam tugas melaksanakan Tridharma Perguruan Tinggi, sehingga dapat menunjukkan peran sebagai pemimpin yang professional untuk dapat meningkatkan kinerja dosen dan kualitas hasil belajar mahasiswa di AMIK Depati Parbo Kerinci. 2. Dalam upaya mencapai kinerja dosen yang lebih tinggi di AMIK Depati Parbo Kerinci dimasa yang akan datang, maka diharapkan agar memperhatikan dan meningkatkan variabel iklim organisasi. Hal ini disebabkan karena variabel tersebut variabel yang paling dominan berpengaruh positif dan signifikan terhadap kinerja dosen AMIK Depati Parbo Kerinci karena dengan iklim organisasi yang kondusif akan meningkatkan kinerja dosen (Y). Dimana iklim organisasi sebagai koleksi dan pola lingkungan yang menentukan munculnya motivasi dari dosen tersebut, sehingga dapat terciptanya iklim organisasi yang kondusif pada perguruan tinggi swasta di AMIK Depati Parbo Kerinci Kota Sungai Penuh Provinsi Jambi, maka dosen dapat menjalankan tugas dalam melaksanakan Tridharma Perguruan Tinggi. 3. Dalam upaya mencapai kinerja dosen yang lebih tinggi di AMIK Depati Parbo Kerinci dimasa yang akan datang, maka diharapkan agar memperhatikan dan meningkatkan variabel motivasi. Hal ini disebabkan karena variabel tersebut berpengaruh positif dan signifikan terhadap kinerja dosen AMIK Depati Parbo Kerinci. Dimana motivasi dosen adalah suatu kondisi yang menggerakkan dosen ke arah suatu tujuan tertentu yang berkaitan dengan tugasnya dalam melaksanakan pendidikan dan pengajaran, melaksanakan penelitian, dan melaksanakan pengabdian pada masyarakat (Tridharma Perguruan Tinggi).

Maelendra Marleni

265

DAFTAR PUSTAKA Ariyani, Fitria (2009), Sistem Penilaian Kinerja Dosen (Berdasarkan Tridarma Perguruan Tinggi), Jurnal Kajian Ilmiah Lembaga Penelitian Ubhara Jaya Vol.10 No.1 Tahun 2009. Arikunto

(2003), Organisasi dan Administrasi Pendidikan Teknologi dan Kejuruan. Jakarta: Depdikbud Ditjen DIKTI P2LPTK.

Buchari Alma (2008), Kewirausahaan untuk Mahasiswa dan Umum, Afabeta, Bandung. Budiyono (2003), Statistik Untuk Penelitian, Surakarta: Sebelas Maret University Press. Fauziah, Siti (1999), Faktor Marketing Mix, Lingkungan, Psikoligis dan Pengaruhnya terhadap Keputusan Mahasiswa Dalam Memilih Bidang Studi Tesis. Program Studi Manajemen Universitas Brawijaya , Malang. Fiedler, Fred E. and Martin M. Charmers (1974), Leadership and Effective Management. Glenview Illionis: Scott, Foresman and Company. Ghozali, Imam (2005), Aplikasi Analisis Multivariat dengan Program SPSS, Semarang. Handoko, T. Hani (1986), Manajemen Edisi II, BPFE, Yogyakarta. Hasibuan, Malayu S.P (2005), Manajemen Sumber Daya Manusia Edisi Revisi, Bumi Aksara, Jakarta. ------------------------ (1996), Manajemen Dasar, Pengertian, dan Masalah, PT Toko Gunung Agung, Jakarta. Ingarianti, Tri Muji (2008), Hubungan Iklim Organisasi Dan Penyesuaian Diri Terhadap Organizational Citizenship Behavior (OCB), Journal Fakultas Psikologi Universitas Muhammadiyah Malang. Ismail, Verni Yuliaty (2009), Faktor-faktor yang Mempengaruhi Kinerja Dosen di Bidang Penelitian, Dosen Tetap Fakultas Ekonomi Universitas YARSI.

266


Jonathan Sarwono (2009), Statistik Itu Mudah: Panduan Lengkap Untuk Belajar Komputasi Statistik Menggunakan SPSS 16, Andi Offset, Yogyakarta. Keputusan Menteri Pendidikan Nasional Nomor 36/D/O/2001 tentang Petunjuk Teknis Pelaksanaan Penilaian Angka Kredit Jabatan Dosen. Kuncoro, Mudrajad (2003). Metode Riset untuk Bisnis dan Ekonomi, Erlangga, Jakarta. Mangkunegara, Anwar Prabu (2005), Evaluasi Kinerja SDM, Refika Aditama, Bandung. Masngudi, dan Noor Salim (2012), Metodologi Penelitian Untuk Ekonomi dan Bisnis, Trianandra University Press, Jakarta. Moeheriono (2012), INDIKATOR KINERJA UTAMA (IKU): Perencanaan, Aplikasi dan Pengembangan Bisnis dan Publik, Rajawali Pers, Jakarta. Nawawi, Hadari (2008), Manajemen Sumber Daya Manusia Untuk Bisnis Yang Kompetitif, Gadja Mada University Press, Yogyakarta. Notoatmodjo, Soekidjo (2011), Pengembangan Sumber Daya Manusia, Rineka Cipta, Jakarta. Pramudyo, Anung (2008), ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KINERJA DOSEN NEGERI DIPEKERJAKAN PADA KOPERTIS WILAYAH V YOGYAKARTA, Journal, Akademi Manajemen Administrasi (AMA) ‘YPK’ Yogyakarta. Prawirosentono, S. (1999), Kebijakan Kinerja Karyawan Yogyakarta.

Edisi I, BPFE,

Purwanto, M. Ngalim ( 2007), Administrasi dan Supervisi Pendidikan. Bandung: PT. Remaja Rosda Karya Riduwan (2009), Metode dan Teknik Menyusun Proposal Penelitian, Alfabeta, Bandung. Romlah (2006), Hubungan Antara Pelaksanaan Tridharma Perguruan Tinggi dengan Profesionalisme Dosen di IAIN Raden Intan Bandar Lampung, Pusat Penelitian Departemen Agama Institut Agama Islam Negeri Raden Intan Bandar Lampung.

Maelendra Marleni

267

Sedarmayanti (2011), Manajemen Sumber Daya Manusia Reformasi Birokrasi dan Manajemen Pegawai Negeri Sipil, Refika Aditama, Bandung. ---------------- (2011), Membangun Dan Mengembangkan Kepemimpinan Serta Meningkatkan Kinerja Untuk Meraih Keberhasilan, Refika Aditama, Bandung. -----------------, dan Syarifudin Hidayat (2011), Metodologi Penelitian, CV.Mandar Maju, Bandung. Sekaran, Uma (2003), Research Method for Business, John Willey and Sons Inc. Southerm Illionis University at Carbonade. Siagian, Sondang P (2008), Manajemen Sumber Daya Manusia, Bumi Aksara, Jakarta. Stogdill, Ralph Melvin, 2004, Handbook of Leadership, a Survey of Theory and Research, The Free Press, A Division of Macmillan Publishing Co. Inc, New York. Subana, Moersetyo dan Sudrajad (2000), Statistik Pendidikan, Pustaka Setia, Bandung. Sudjana, Nana. (2002). Penilaian hasil Proses Belajar Mengajar, Remaja Rosda Karya, Bandung. Sugiyono, (2006), Metode Penelitian Administrasi, CV. Alfabeta, Bandung. Tony wijaya, (2012), Praktis dan Simpel Cepat Menguasai SPSS 20 Untuk Olah dan Interpretasi Data, Cahaya Atma Pustaka, Yogyakarta. Undang-Undang Nomor 14 Tahun 2005 tentang Guru dan Dosen. Wahjosumidjo. 2002. Kepemimpinan Kepala Sekolah, Tinjauan Teoritik dan Permasalahannya. Jakarta: PT Raja Grafindo Persada. Wirawan (2007), Budaya dan Iklim Organisasi Teori Aplikasi dan Penelitian, Salemba Empat, Jakarta. Yulk, Gary, 2004, Leadership in Organizations, 3rd eds, Prentice Hall, Inc., USA.

268

Penerapan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Untuk Memprediksi Kepuasan Pasien Rawat Jalan Terhadap Sistem Pelayanan Kesehatan (Studi Kasus Puskesmas Desa Tarutung Kerinci)

PENERAPAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK MEMPREDIKSI KEPUASAN PASIEN RAWAT JALAN TERHADAP SISTEM PELAYANAN KESEHATAN (STUDI KASUS PUSKESMAS DESA TARUTUNG KERINCI)

HAIRUL CANDRA, S.Kom.,M.Kom. AMIK Depati Parbo Kerinci E-mail: [email protected] ABSTRAK Tujuan utama dari penelitian ini adalah untuk menganalisa permasalahan kepuasan pasien rawat jalan pada Puskesmas Desa Gedang Sungai Penuh. Responden yang menjadi subjek dari penelitian ini berjumlah 20 orang. Penelitian menggunakan survey, metode sampling dan kuesioner sebagai alat untuk mengumpulkan data. Penelitian ini menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS). Data dianalisa menggunakan software MATLAB. Penelitian ini menunjukkan hasil pelayanan seperti berikut: (1) Sangat Memuaskan (2) Memuaskan (3) Sangat Tidak Memuaskan. Dengan memahami variable-variabel yang mempengaruhi tingkat kepuasan pasien, pihak manajemen akan mengetahui seberapa pentingnya variable tersebut. Jadi, diharapkan mereka dapat memutuskan untuk memelihara dan mengembangkannya dengan tujuan untuk mendapatkan kepuasan pasien. Kata Kunci : ANFIS, Algoritma FCM, Reliability, Responsiveness, Assurance, Emphaty, Tangible. ABSTRACT The main objective of this study was to analyze the problem of outpatient satisfaction in Rural Health Center Desa Gedang Sungai Penuh. Respondents who are the subject of this study amounted to 50 people. Research using surveys, sampling methods and questionnaires as a tool to collect data. This study uses Adaptive Neuro-Fuzzy Inference System (ANFIS). Data were analyzed using MATLAB software. This study shows the results of the service as follows: (1) Very Good (2) Satisfactory (3) Very Unsatisfactory. By understanding the variables that affect the level of patient satisfaction, management will know how important the variable. So, hopefully they can decide to maintain and develop it in order to obtain patient satisfaction. Reserve Word : Reliability, Responsiveness, Assurance, Emphaty, Tangible, dan ANFIS.

Hairul Candra

269

PENDAHULUAN Terwujudnya keadaan sehat adalah kehendak semua pihak. Tidak hanya oleh orang per orang, tetapi juga oleh keluarga, kelompok dan bahkan masyarakat. Dalam rangka mewujudkan status kesehatan masyarakat yang optimal, maka berbagai upaya harus dilaksanakan, salah satu diantaranya adalah menyelenggarakan pelayanan kesehatan (PUSKESMAS). Sebagai lembaga kesehatan yang bermisi meningkatkan derajat kesehatan masyarakat, Puskesmas ini telah berperan dalam memelihara dan meningkatkan derajat kesehatan masyarakat. Kepercayaan yang diberikan masyarakat dan pemerintah terhadap Puskesmas tersebut adalah sebuah kehormatan sekaligus amanat dan tugas berat yang harus dipikul dengan sungguh-sungguh dan hati penuh keikhlasan, lebih-lebih dengan perkembangan ilmu dan teknologi dalam bidang kesehatan maka Puskesmas ini dituntut ekstra keras berusaha dan meningkatkan profesionalisme dalam bekerja khususnya dalam memberikan pelayanan kesehatan kepada para pasiennya. Pelayanan prima menjadi tuntutan masyarakat, sejalan dengan peningkatan kebutuhan dan kesadaran dalam kehidupan bernegara dan bermasyarakat sebagai imbas dari kemajuan teknologi informasi. Kualitas yang tinggi merupakan tuntutan, tidak hanya dalam kegiatan bisnis namun juga dalam kegiatan pelayanan lembaga pemerintah resisten terhadap tuntutan kualitas pelayanan publik. Masalah Pada penelitian ini masalah yang akan diteliti tentang tingkat kualitas pelayanan jasa puskesmas, di sini peneliti akan memprediksi kepuasan atau ketidappuasan pasien atas kualitas pelayanan yang diberikan oleh puskesmas dan dapat dibuktikan dengan kuesioner yang akan dibagikan langsung kepada pasien puskesmas. Prediksi puas atau tidaknya yang akan penulis lakukan adalah dengan menggunakan bantuan metode Adaptive Neural Fuzzy Inference System (ANFIS) guna mengatasi metode peneliti sebelumnya (statistic dan decision tree). Metode ANFIS merupakan penggabungan antara metode sistem pengambilan keputusan fuzzy (fuzzy inference system) dan mesin pembelajaran jaringan saraf tiruan (neural network). Adaptif Neuro-Fuzzy Inference System (ANFIS) Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

270


Untuk menjelaskan arsitektur ANFIS, disini diasumsikan fuzzy inference sistem (FIS) hanya mempunyai dua input, x dan y, serta satu output yang dilambangkan z. Pada model sugeno orde satu, himpunan aturan menggunakan kombinasi linier dari input-input yang ada, dapat diekspresikan sebagai berikut (Artikel Abdul Sani Sembiring, 2012 dan Taylan, O, & Karagozoglu, B. 2009 dalam Banon Tri Kuncahyo, 2012) : IF x is A1 AND y is B1 THEN f1 = p1x + q1y + r1 IF x is A2 AND y is B2 THEN f2= p2x + q2y + r2. ANFIS adalah jaringan Neural-Fuzzy yang terdiri dari atas lima lapisan dan setiap lapisan terdapat node. Terdapat dua macam node yaitu node adaptif (bersimbol kotak) artinya paramater bisa berubah dengan proses pembelajaran dan node tetap (bersimbol lingkaran).

Gambar 2.2 Arsitektur Jaringan ANFIS Proses Belajar ANFIS Menurut Jang(1997:340 dalam Anang Tjahjono, 2010) ANFIS dalam kerjanya mempergunakan algoritma hibrida yaitu menggabungkan metode Least_Squares Estimator (LSE) dan Error Back-Propagation (EBP). Pada lapisan ke-1 parameternya merupakan parameter dari fungsi keanggotaan himpunan fuzzy sifatnya non-linier terhadap keluaran system. Proses belajar pada parameter ini menggunakan metode EBP untuk memperbaharui nilai parameternya. Sedangkan pada lapisan ke-4, parameter merupakan parameter linier terhadap keluaran sistem, yang menyusun basis kaidah fuzzy. Proses belajar untuk memperbaharui parameter di lapisan ini menggunakan metode LSE. Struktur Sistem Peramalan Dengan ANFIS Untuk proses peramalan kepuasan pasien rawat jalan sesuai Tugas Akhir ini digunakan arsitektur ANFIS 5 masukan dan 1 keluaran. Pada peramalan dengan metode ANFIS terbagi menjadi 3 proses yaitu: proses Inisialisasi awal, proses pembelajaran (learning), dan proses peramalan. Penentuan periode input dan periode training dilakukan saat inisialisasi awal dimana tiap-tiap periode input memiliki pola atau pattern yang berbeda. Data

Hairul Candra

271

yang digunakan untuk proses pembelajaran (traning) terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode traning ANFIS. 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, dalam Nur Endah Sari. dkk. 2011). 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. Algoritma FCM Dalam algoritma Fuzzy C-Means, input data yang akan di cluster berupa matriks 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 yang akan digunakan untuk menyelesaikan permasalahan fuzzy clustering dengan menggunakan metode Fuzzy C-Means. Validasi Prediksi Error pada prediksi merupakan selisih dari nilai data aktual (Y(t)) dengan nilai hasil prediksi Y^(t)). 1. Root Mean Squared Error (RMSE) Kesalahan rata-rata akar kuadrat atau Root (RMSE) dengan persamaan: RMSE =

Mean Squared Errors

n ∑(Xt – t)2 t=1 n

Keterangan: Xt :Nilai aktual pada periode ke t Ft :Nilai Peramalan pada periode ke t N :Jumlah data Xt-Ft :Nilai Kesalahan (error) pada periode ke t

(12)

272


RMSE adalah metode untuk mengevaluasi teknik peramalan. Akar kuadrat dari hasil masing-masing kesalahan (selisih data aktual dengan data peramalan dikuadratkan kemudian dijumlahkan kemudian dibagi dengan jumlah data). 2. Mean Absolute Percentage Error ( MAPE) Nilai tengah kesalahan presentase absolute atau Percentage Error (MAPE), dengan persamaan: MAPE = Keterangan: Xt Ft Xt – Ft n

= = = =

Mean Absolute

n ∑(Xt – Ft) t=1 X1 100%......................(13) n

nilai aktual periode t nilai peramalan pada periode t nilai kesalahan peramalan (eror) jumlah data

Korelasi Product Moment Pearson Teknik korelasi ini digunakan untuk mencari hubungan dan membuktikan hipotesis hubungan dua variable bila data kedua variable berbentuk interval atau ratio dan sumber data dari dau varibel atau lebih adalah sama (Sugiyono, 2003 dalam Velma Fidelia Rahmanai, 2009). Kuat lemahnya hubungan diukur diantara jarak (range) 0 sampai dengan 1. Untuk dapat memberikan penafsiran terhadap koefisien korelasi yang ditemukan baik besar atau kecil, maka dapat berpedoman pada ketentuan yang tertera pada Tabel 2 berikut: Tabel 21: Pedoman Untuk Memberikan Interpretasi Terhadap Koefisien Korelasi Interval Koefisien Tingkat Hubungan (Nilai Korelasi) (Interpretasi) Tingkat Kepuasan 0,00-0,199 Sangat Rendah Sangat Kurang 0,20-0,399 Rendah Kurang Memuaskan 0,40-0,599 Sedang/agak rendah Memuaskan 0,60-0,799 Kuat/Cukup Cukup Memuaskan 0,80-1,000 Sangat Kuat/Tinggi Sangat Memuaskan Sumber: Sugiyono, 2003 dalam Velma Fidelia Rahmanai, 2009 dan Sudibyo Supardi, 2008).

Hairul Candra

273

Kerangka Kerja (Frame Work) Penelitian Adapun kerangka kerja penelitian ini dapat digambarkan pada gambar 3.1 berikut:

Gambar 3.1 Kerangka Kerja (Frame Work) Penelitian Analisa Data Pada tahap melakukan penganalisaan data berdasarkan pada data yang telah ada dan diperoleh pada tahap pengumpulan data, akan dilakukan beberapa perancangan tahap penyelesaian perangkat lunak. Berdasarkan literaturliteratur yang ada dan observasi lapangan, data disusun dan dikelompokkan dalam bentuk tabel multikriteria sederhana. Hal ini agar mempermudah dalam analisa dan proses data. Pada tahap ini juga akan dijelaskan analisa penyelesaian permasalahan, analisa perangkat lunak yang akan digunakan pada penelitian ini dan perancangan dengan melakukan transformasi analisis ke model perancangan dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Analisis terhadap masalah pada penelitian ini yakni pada prediksi kepuasan pelayanan berdasarkan analisis kepuasan pasien. Dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk melakukan prediksi, data yang akan digunakan pada prediksi berdasarkan datadata yang ada yang akan diteliti. Analisis Predikasi Tingkat Kepuasan Pasien Prediksi kepuasan pasien dilakukan menggunakan metode tradisional dan model pengambilan keputusan individu (The Satisficing Models). Dalam prediksi kepuasan pasien pada Puskesmas Desa Gedang Sungai Penuh memiliki kebijakan tersendiri. a. Faktor-faktor yang Mempengaruhi Kepuasan Pasien Dalam banyak penelitian menyatakan ada banyak jumlah variabel yang mempengaruhi prediksi, dan pada penelitian ini ada banyak faktor yang

274


mempengaruhi kepuasan pasien. Dalam penelitian ini dipilih 5 (lima) faktor yang mempengaruhi kepuasan pasien, seperti nilai Tangibles, Reliability, Responsiveness, Assurance, dan Emphaty. b. Data Input Input data untuk melakukan prediksi kepuasan pasien berdasarkan dimensi pelayanan terbagi atas 5 (lima) input, yaitu tangible, reliability, responsiveness, assurance, dan empaty. Tabel 4.1 Data Quesioner RESPON

INPUT DATA Reliability Responsi Assurance (X2) veness (X3) (X4)

DEN 1

2

5

3

3

5

3.6

2

2

3

2

2

1

2

3

5

4

6

4

5

4.8

4

6

7

8

5

9

7

5

8

8

7

9

10

8.4

6

2

3

2

2

4

2.6

7

3

6

5

7

8

5.8

8

2

3

4

6

8

4.6

9

2

2

2

2

3

2.2

10

2

3

2

4

5

3.2

11

2

3

4

6

5

4

12

3

2

2

1

4

2.4

13

9

8

7

6

5

7

14

3

2

3

4

5

3.4

15

3

5

2

3

10

4.6

16

6

5

5

6

9

6.2

17

5

10

5

4

6

6

18

10

9

8

7

5

7.8

19

8

8

8

8

9

8.2

2

2

3

8

2

3.4

20

Emphaty (X5)

OUTPUT (Y)

Tangibles (X1)

Sumber: Hasil questioner di Puskesmas Desa Tarutung Kerinci.

Hairul Candra

275

c. Pemerosesan Data Berdasarkan data-data di atas, pemodelan prediksi menghasilkan 3 (tiga) parameter yaitu, Sangat Tidak Puas, Puas, dan Sangat Puas, Analisa Metode Adaptive Neuro Fuzzy Inference System (ANFIS) Permasalahan yang akan diselesaikan adalah membuat suatu prediksi yang dapat meramalkan tingkat kepuasan pasien jangka pendek, menengah ataupun jangka panjang. Langkah-langkah yang dilakukan untuk memprediksi tingkat kepuasan dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) terlihat pada flowchart berikut:

Gambar 4.1 Flowchart Tahapan Analisis ANFIS Mengelola Data Dengan ANFIS Desain struktur data harus menggunakan himpunan fuzzy. Data dibedakan atas kriteria dan parameter. Kriteria yang digunakan adalah Dimensi pelayanan, Kategori, dan Tingkat kepuasan pasien. Kriteria ini direpresentasikan sebagai data fuzzy. Masing-masing kriteria memiliki parameter yang mencerminkan keanggotaan pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam membership function (mf). Nilai fungsi keanggotaan masing-masing . Seperti pada gambar 4.2 ;

276


Gambar 4.2 Variabel Input Dan Output Tabel 4.2: Himpunan Fuzzy Dimensi Pelayanan Fungsi Nama Variabel Semesta Pembicaraan Kehandalan [1 10] DayaTanggap [1 10] Kepastian [1 10] Input Berwujud [1 10] Empati [1 10] Output Hasil [1 10] Dari variabel yang telah dimunculkan, barulah dirancang domain himpunan fuzzy nya. Pengelompokan Data Data dikelompokkan dengan menggunakan algoritma FCM. Langkahlangkah kerja menggunakan algoritma Fuzzy C-Means (FCM) yakni: a. Ditentukan:  Jumlah Cluster (C = 2)  Pangkat/boboto (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. c. Hitung pusat cluster V.

Hairul Candra

277

Tabel 4.8 Contoh Perhitungan Pusat Cluster Derajad Data yang di-cluster Cluster Keanggotaan Keµ11 x1 x2 x3 x4 x5 2 5 3 3 5 0.20 2 3 2 2 1 0.10 5 4 6 4 5 0.30 …. … … … … …. 2 2 3 8 2 0.25 Jumlah

Sambungan Tabel untuk cluster ke-2. Derajad Data yang di-cluster Cluster Keanggotaan Keµ11 x1 x2 x3 x4 x5 2 5 3 3 5 0.80 2 3 2 2 1 0.90 5 4 6 4 5 0.70 … … … .. … ……

(µ11)2

(µ11)2*x1

(µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5

0.04 0.01 0.09 …

0.08 0.02 0.45 …

0.20 0.03 0.36 …

0.12 0.02 0.54 …

0.12 0.02 0.36 …

0.20 0.01 0.45 …

0.06 7.56

0.13 37.80 Vij 3.60

0.13 41.18 3.92

0.19 37.51 3.57

0.50 40.90 3.90

0.13 47.81 4.55

(µ11)2 (µ11)2*x1 (µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5 0.64 0.81 0.49 ….

1.28 1.62 2.45 …

3.20 2.43 1.96 …

1.92 1.62 2.94 …

1.92 1.62 1.96 …

3.20 0.81 2.45 …

278


2

0.75

2

3

8

2

jumlah

0.56 5.10 Vij

1.13 16.74 1.59

1.13 20.92 1.99

1.69 18.59 1.77

4.50 20.78 1.98

3.60 3.92 3.57 3.90 4.55

Maka diperoleh pusat cluster V0 =

1.59 1.99 1.77 1.98 2.39 d. Menghitung fungsi obyektif.

Data ke1 2 3

Tabel 4.9 Detil Penghitungan Fungsi Obyektif 3 data pertama Cluster 1 Cluster 2 (Xi1-Vi1)2

(Xi2-Vi1)2

Total

(Xi1-Vi2)2

(Xi2-Vi2)2

Total

8 11 8

2 2 2

10 13 10

1 2 1

4 4 4

4 5 4

1.13 25.13 2.39

Hairul Candra

279

Tabel 4.10: Fungsi Objektif Untuk Cluster ke-i 3 data pertama Cluster 1 Cluster 2 (XijVkj)2 (µi1)2 P (Xij-Vkj)2 (µi1)2 P P Cluster

i 1 … 20

9 …. 9

0.7327 …. 0.7430

10.1208 …. 10.0944

3.6902 ….. 2.2201

0.0048 …. 0.2500

3.70 …. 2.47 ΣP

13.8158 …. 12.5645 302.3078

e. Kemudian dilakukan perbaikan matriks U (matriks partisi). Berikut perhitungan untuk data ke-1:

Data ke-

(Xi1Vi1)2 L1

1 2

8 11

Tabel 4.11 Detil Penghitungan Derajat Keanggotaan Baru (Xi2(Xi1(Xi2Vi1)2 Vi2)2 Vi2)2 LT µ1 µ2 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT 2 2

1 2

4 4

10 15

0.9481 0.8865

0.4073 0.3523

Perhitungan dilakukan hingga data terkahir (data ke-20) dan didapatkan U yang baru, hasilnya sebagai berikut:

280


U1 =

f.

0.856

0.294

0.845

0.774

0.023

0.735

0.895

0.115

0.524

0.373

0.098

0.233

0.436

0.467

0.236

0.180

0.944

0.141

0.314

0.862

0.069

0.110

0.009

0.255

0.519

0.434

0.775

0.133

0.825

0.227

0.318

0.321

0.743

0.247

0.424

0.910

0.366

0.737

0.347

0.500

Berikutnya dilakukan pengecekan kondisi berhenti. Karena |P1-P0| = |302.3078 - 0| >> (0,001) dan iterasi = 1 < Maxlter (=100). Maka dilanjutkan kembali tahapan algoritma peng-clusteran data di atas ke iterasi ke-2 (t=2). Setelah dilakukan 14 kali iterasi, maka diperoleh hasil |P14-P13| = |250.4879 - 250.4878| = 0,0001. Setelah syarat terpenuhi dimana error terkecil yang diharapkan (ξ = 0,0001), maka data dapat ditampilkan. Sehingga nilai U menjadi: 0.0590 0.1025 0.3722 0.9294 0.9102 0.0354 0.6574 0.2659 0.1038 0.0724 0.8992 0.0215 0.3549 0.8161 0.7504 0.8765

U14 =

0.0556 0.0129 0.9426 0.1885

0.9410 0.8975 0.6278 0.0706 0.0898 0.9646 0.3426 0.7341 0.9444 0.9871 0.8962 0.9276 0.1008 0.9785 0.6451 0.1839 0.2496 0.1235 0.0574 0.8115

g. Dari nilai tersebut di atas, didapat kecenderungan masuk cluster data pelatihan sebagai berikut:

Hairul Candra

281

Tabel 4.12: Derajat Keanggotaan Tiap Data Pada Setiap Cluster Dengan FCM

Data Ke1 2 … 20

X1 X2 X3 X4 X5 2 5 3 3 5 2 3 2 2 1 .. .. … … … 2 2 3 8 2

Derajat keanggotaan (µ) data pada cluster ke1 2 0.0590 0.9410 0.1025 0.8975 …. …. 0.1885 0.8115

Data cenderung masuk cluster ke1 2 √ √ … … √

h. Berdasarkan nilai yang dihasilkan dari proses clustering maka proses bisa dilanjutkan dengan, penghitungan nilai mean dan deviasi standar. Berikut perhitungan nilai mean (c): c11 = x = x1.4+x1.5+x1.7+x1.11+x1.13+x1.16+x1.17+x1.18+x1.19 9 c11 = 6.33 … ……. c52 = x = x51+x52+x53+x56+x58+x58+x510+x512+x514+x515+x520 11 c52 = 4.18

282


Berikut perhitungan nilai deviasi standart (a) : Dari hasil perhitungan kemudian disimpulkan sebagai berikut : c=

i.

6.33

2.55

a=

2.5385

3.5218 1.7078

5.55

2.36

1.7078

6.33

2.36

18.0096

0.4641

6.44

3.09

19.4052

5.5223

7.33

4.18

33.3652

11.6714

Kemudian kita akan mencari nilai inferensi dengan menggunakan metode ANFIS. a. Pertama kita akan menghitung nilai untuk setiap neuron pada lapisan pertama. b. Penghitungan output lapisan pertama berupa derajat keanggotaan setiap data, Mulai dari data ke 1 hingga data ke-20. Contoh hasil perhitungan 2 data pertama terlihat pada tabel berikut. Tabel 4.13 Output Lapisan Pertama Data Derajat Keanggotaan keµA1 µB1 µC1 µD1 µE1 µA2 µB2 µC2 µD2 µE2 1 0.2558 0.906 0.9669 0.9695 0.9951 0.6235 0.295 0.3446 0.9997 0.9951 2 0.2558 0.3096 0.9453 0.9502 0.9652 0.9761 0.8768 0.6243 0.9625 0.9309

Hairul Candra

283

c. Perhitungan output lapisan kedua dan ketiga, sebagai berikut: Data perhitungan untuk lapisan ke-2 pada data ke-1 Lapisan 2 w1 = μA1*μB1*μC1* μD* μE1 = 0.2558 * 0.906 * 0.9669 * 0.9695 * 0.9951 = 0.2162 w2 = μA2*μB2*μC2*μD2* μE2 = 0.6235 * 0.295 *0.3446 * 0.9997 * 0.9951 = 0.0631 Lapisan 3 w1 Ŵ1 = w1 + w2 = 0.2162/ 0.2162+ 0.0631 = 0.7742 w2 Ŵ2 = w1 + w2 = 0.0631/ 0.2162 + 0.0631 = 0.2258 Langkah penghitungan yang sama juga dilakukan untuk data ke 2, 3, 4, 5, dan seterusnya. Hasil perhitungan data pertama dapat dilihat pada tabel berikut ini: Tabel 4.14 Output Lapisan Kedua dan Ketiga Lapisan 2 Lapisan 3 Data kew1 w2 ŵ1 ŵ2 1 0.2162 0.0631 0.7742 0.2258 d. Selanjutnya adalah penentuan koefisien parameter, berikut perhitungan untuk data ke-1: p1 = ŵ1 * x1 = 0.7742 * 2 = 1.5484 p2 = ŵ2 * x2 = 0.2258 * 5 = 1.129 q1 = ŵ1 * x1 = 0.7742* 5 = 3.871 q2 = ŵ2 * x2 = 0.2258* 5 = 1.129 r1 = ŵ1 = 0.7742 r2 = ŵ2 = 0.2258 Langkah yang sama juga dilakukan untuk perhitungan koefisien parameter pada data ke-2, 3, 4, 5 dst.

284


Data ke1

p1 1.5484

Tabel 4.15 Koefisien Parameter Koefisien Dari q1 r1 p2 q2 3.871 0.7742 1.129 1.129

r2 0.2258

e. Penghitungan output lapisan ke empat dan lapisan ke lima. Berikut ini adalah perhitungan untuk data ke-1 lapisan ke-4: ŵ1y1 = (ŵ1x1)p1 + (ŵ1x2)q1 + r1 ŵ1y1 = 1.5484*1.5484 + 3.871*3.871+ 0.7742 = 15.7588 ŵ2y2 = (ŵ2x1)p2 + (ŵ2x2)q2 + r2 ŵ2y2 = (0.4516*1.129)+(1.129)+0.2258= 1.8646 Penghitungan lapisan ke 5: y’ = Σŵiyi = Ŵ1y1 + Ŵ2y2 y’ = 15.7588+ 1.8646= 17.6234 Langkah yang sama juga dilakukan untuk data 2, 3, 4, 5, dst. untuk lapisan ke-4 dan ke-5. Tabel berikut merupakan contoh hasil perhitungan data ke1. Tabel 4.16 Output Lapisan Ke Empat dan Lima Lapisan ke-4 Lapisn ke-5 Data keŵ1y1 ŵ2y2 Σŵiyi 1 15.7588 1.8646 17.6234 1. Setelah diperoleh output dari lapisan ke-4 dan ke-5, sekarang dilakukan proses prediksi kepuasan pasien. 2. Setelah melakukan tahapan penalaran (inference) model ANFIS selanjutnya dilakukan pembelajaran hybrid sebagai berikut: a. Penghitungan pembelajaran arah maju (forward) dengan metode Least Squares Estimator (LSE) Recursive. b. Pembelajaran arah mundur (backward) Implementasi Penerapan data questioner/responden sebagai pertimbangan untuk menghasilkan nilai atau prediksi kepuasan pelayanan, berikutnya data historis quesioner yang diperoleh mengguanakan matlab versi 6.1.

Hairul Candra

285

Lingkungan Implementasi dan Pengujian Pada implementasi dan pengujian hasil analisa ini, digunakan aplikasi toolbox matlab untuk tahap pengujian terhadap analisa kepada Fuzzy Matlab Toolbox, yang harus dilakukan setelah menjalankan aplikasi matlab adalah menggaktifkan toolbox fuzzy dengan cara membuat matriks data pada editor FIS seperti gambar 5.1 di bawah ini adalah contoh data 20 quesioner. Data yang dimasukkan ke editor ANFIS adalah berupa matriks input dan output sekaligus. Data yang terdapat pada kolom pertama merupakan input Kehandalan(X1), kolom kedua DayaTanggap(X2), kolom ketiga Kepastian(X3), kolom ke empat Berwujud(X4), dan kolom ke lima Empati(X5), dan data pada kolom terakhir kolom ke enam merupakan output target (Y).

Gambar 5.1 Tampilan Data Pada Editor Matlab Selanjutnya data disimpan dengan nama dataquesioner.dat, yang disimpan dalam folder Matlab. Pada bagian isian Load Data klik tombol radio file, yang artinya kita akan mengambil data yang telah kita simpan sebelumnya. Pada isian generate FIS, pilih grid partition, hal ini dikarenakan pada grid partition berguna apabila kita ingin menentukan jumlah aturan dan fungsi keanggotaan sendiri, oleh karena itu tidak digunakan Subclustering. Proses Fuzzifikasi Variabel yang digunakan dalam proses fuzzifikasi ini terdiri atas lima variabel input yang diperoleh dari data questioner/responden, serta satu buah variabel output yang juga diperoleh dari data historis responden yang telah dinormalisasi. Variabel Input Dalam penilaian ini langkah awal yang dilakukan adalah penentuan fungsi keanggotaan. Berikut adalah gambar yang merupakan salah satu membership function sebelum dilakukan proses training data.

286


Gambar Membership Function Sebelum Training Pada gambar di atas dapat dijelaskan bahwa analisa fuzzy menggunakan Matlab mempunyai 5 input dan satu output. Output Inferensi output metode Takagi-Sugeno yang dihasilkan berupa persamaan linier. Gambaran inferensi output menggunakan Matlab, sebagai berikut.

Gambar 5.8 Membership Function Output Rule Rule yang dihasilkan dengan menggunakan ANFIS di Matlab adalah sebagai berikut :

Gambar 5.9 Rule FIS Pelatihan (Training) ANFIS Untuk pelatihan FIS, ANFIS menyediakan dua metode optimasi parameter fungsi keanggotaan yaitu Backpropagation dan Hybrid (gabungan backpropagation dan least square). Untuk penelitian ini adalah menggunakan optimasi Hybrid. Untuk menghentikan proses training, ANFIS menggunakan nilai error tolerance, sehingga jika setelah training data error memasuki daerah error tolerance ini maka training akan berhenti. Dipilih error tolerance sebesar 0.

Hairul Candra

287

Kemudian banyaknya epoch (iterasi) proses training ditentukan sebanyak 40 kali iterasi. Output dari ANFIS ini adalah Root Mean Square Error (RMSE). Error yang terjadi menunjukkan tingkat keakurasian struktur ANFIS yang telah disusun dalam mengenali pola data. Kurva konvergensi digunakan untuk mengevaluasi hasil dari proses training yang dilakukan. Pada proses hybrid training dengan menggunakan type membership function gbellmf langsung dapat mencapai error minimalnya pada iterasi ke-2. Karena ANFIS yang telah disusun telah dapat mencapai error yang diinginkan, ini berarti jaringan telah mempelajari data dengan baik sehingga siap untuk digunakan dalam melakukan prediksi atau peramalan. Pengujian Pasca Training ANFIS Untuk mengetahui performance ANFIS yang telah di-training dengan data awal (dataquesioner.dat), kita bisa melakukan test dengan melakukan ploting data dataquesioner dan ANFIS dengan nilai input yang sama. Pada kolom Test FIS di ANFIS editor klik Test Now dengan sebelumnya memilih training data pada bagian Plot Against. Proses Defuzzifikasi Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari data historis responden. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil dari nilai fuzzy setelah dibuatkan ke dalam logika fuzzy dengan output seperti yang terlihat pada gambar 5.14.

Gambar 5.14 Rule Viewer Semua nilai dari masing-masing variabel input kita masukkan misalnya digunakan data ke-1 dari quesioner. Dimana untuk X1 =2, X2 =5, X3 =3, X4 =3, X5 =5 dimasukkan pada bagian input lalu tekan Enter maka diperoleh nilai korelasi output sebesar 3.6 maka proses training data yang dilakukan tidak mengalami perubahan, sesuai dengan tabel input-output dari data historis responden bernilai korelasi sebesar 3.6. Setelah proses penyimpanan kita lakukan maka, kita juga bisa melakukan proses pencarian nilai output ini juga bisa dilakukan untuk beberapa input sekaligus yang dilakukan pada command window Matlab. Pertama-tama ketik perintah berikut: fis=readfis(‘kepuasanpasien’), maka akan tampil informasi seperti gambar 5.18 berikut ini:

288


>> fis=readfis('kepuasanpasien') fis = >> name: 'KepuasanPasien' type: 'sugeno andMethod: 'prod' orMethod: 'probor' defuzzMethod: 'wtaver' impMethod: 'min' aggMethod: 'max' input: [1x5 struct] output: [1x1 struct] rule: [1x243 struct] >> Gambar 5.18 Hasil Perintah Readfis Selanjutnya untuk mengevaluasi FIS ketik perintah berikut ini: out = evalfis([2 5 3 3 5; 2 3 2 2 1; 5 4 6 4 5; 6 7 8 5 9;8 8 7 9 10; 2 3 2 2 4;3 6 5 7 8; 2 4 6 8;2 2 2 2 3;2 3 2 4 5;2 3 4 6 5;3 2 2 1 4;9 8 7 6 5;3 2 3 4 5;3 5 2 3 10;6 5 5 6 9; 5 10 5 4 6;10 9 8 7 5;8 8 8 8 9;2 2 3 8 2],fis) Maka akan ditampilkan hasil yang dapat dibandingkan dengan output sebelumnya. Dan hasil dari tampilan akan sesuai dengan tabel 5.1 data Input dan Output sebelumnya. Berikut adalah contoh untuk proses perhitungan prediksi kepuasan untuk mengetahui prediksi kepuasan pasien atau responden ke-1 menggunakan ANFIS pada command line Matlab. Setelah kita menggunakan proses training data pada GUI ANFIS sebelumnya, maka bisa dilanjutkan dengan langkah sebagai berikut: 1. Masukkan data input yang akan dicari nilai output-nya, dengan menggunakan perintah evalfis. >> prediksiKepuasanResponden1=evalfis([2;5;3;3;5],fis) prediksiKepuasanResponden1 = 3.6000 2. Masukkan data ke-2, dalam hal ini menggunakan responden2. >> prediksiKepuasanResponden2=evalfis([2;3;2;2;1],fis) prediksiKepuasanResponden2 = 2.0000 3. Langkah selanjutnya adalah melakukan proses prediksi kepuasan pasien secara keseluruhan. >> totaldata=[85;98;88;97;118;92.2] totaldata =

Hairul Candra

289

85.0000 98.0000 88.0000 97.0000 118.0000 92.2000 >> prediksi=[85/20;98/20;88/20;97/20;118/20;486/5] prediksi = 4.2500 prediksi untuk rerata dimensi 1 4.9000 prediksi untuk rerata dimensi 2 4.4000 prediksi untuk rerata dimensi 3 4.8500 prediksi untuk rerata dimensi 4 5.9000 prediksi untuk rerata dimensi 5 97.2000 prediksi rerata seluruh dimensi pelayanan. >> Prediksi20Pasien=([85+98+88+97+118]/5) Prediksi 20 Pasien = 97.2000. Dari hasil perhitungan menggunakan command line Matlab diperoleh hasil korelasi prediksi kepuasan pasien sebesar 97.2000. Dari angka tersebut telah menunjukkan nilai korelasi 97.2% dengan interpretasi tinggi, dan ini berarti tingkat pelayanan kesehatan sangat memuaskan. Perhitungan ini telah sesuai harapan mencapai 97.2%, dan ini sesuai dengan interpretasi terhadap koefisien korelasi yang telah dijelaskan pada bab 2. Total error yang terjadi antara perhitungan manual dengan perhitungan menggunakan ANFIS adalah 0.00%. Sehingga perbandingan antara perhitungan manual dengan perhitungan menggunakan ANFIS di MATLAB adalah sama, hasil perhitungan baik menggunakan perhitungan manual maupun menggunakan ANFIS di MATLAB bisa digunakan memprediksi kepuasan pelayanan kesehatan. Kesimpulan Dalam penulisan tesis ini dapat dianalisa dan disimpulkan beberapa hal yang diperlukan untuk menentukan evaluasi dalam pendidikan untuk peningkatan prestasi belajar: 1. Model sistem ANFIS untuk prediksi kepuasan pasien berdasarkan analisis data questioner responden pada Puskesmas Desa Tarutung Kerinci mempunyai 5 parameter, yaitu: kehandalan, daya tanggap, kepastian, berwujud dan empati. 2. Membangun model berdasarkan parameter Rule yang digunakan pada sistem ANFIS bisa dibangun dengan software yang digunakan yaitu Matlab 6.1 toolbox ANFIS.

290


3. Model ANFIS mampu digunakan untuk memprediksi kepuasan pasien berdasarkan analisis data questioner/responden, yang menghasilkan nilai output yang akurat. Saran Setelah penulis menyelesaikan tahap akhir dari penelitian ini, penulis menyadari masih banyak kekurangan-kekurangan yang mesti diperbaiki dan dipenuhi, antara lain : 1. Penelitian ini masih jauh dari sempurna dan hanya di implementasikan pada sistem prediksi tingkat kepuasan pasien saja. Pada suatu saat nantinnya penelitian ini mungkin bisa dikembangkan lagi menjadi penelitian yang lebih kompleks dan di implementasikan untuk semua bentuk implementasi pada sistem prediksi tingkat kepuasan pelayanan. 2. Penulis menyadari bahwa rancangan sistem aplikasi yang berbasis sistem berbasis ANFIS ini masih sangat sederhana, maka jika ada peneliti lain yang berminat untuk mengembangkan penelitian ini sesungguhnya penulis siap membantu jika diperlukan. 3. Penulis mengharapkan agar hasil dari penelitian ini dapat bermamfaat bagi penulis dan khususnya bagi Puskesmas Desa Tarutung Kerinci, dan dunia pendidikan lain pada umumnya. 4. Penelitian hendaknya dilakukan secara berkala, karena perubahan kondisi pelayanan dan perilaku pasien/konsumen akan mengakibatkan perubahan preferensi dan persepsi pasien.

DAFTAR PUSTAKA Nur Endah Sari, dkk. 2011. “Prediksi Cuaca Berbasis Logika Fuzzy Untuk Rekomendasi Penerbangan Di Bandar Udara Raja Haji Fisabilillah”. Jurnal Universitas Gunadarma Jakarta. Velma Fidelia Rahmani. 2009. “Analisa Tingkat Kepuasan Pasien Rawat Jalan Terhadap Kualitas Pelayanan (Studi Kasus: RSU Bakti Asih Tangerang)”. Jurnal Institute Pertanian Bogor. Dewi Retno Indriaty. 2010. “Analisa Pengaruh Tingkat Kualitas Pelayana Jasa Puskesmas Terhadap Kepuasan Pasien Studi Kasus: Puskesmas Gunungpati Semarang“. Jurnal Universitas Diponegoro Semarang. Ferdinand Sinuhaji. 2009. “Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis Pada Penyakit Asma ”. Jurnal USU Medan.

Hairul Candra

291

Abdul Sani Sembiring. 2012. “Metode Neuro Fuzzy”. Artikel. Lia Farihul Mubin, dkk. 2012. “Prediksi Jumlah Kunjungan Pasien Rawat Jalan Menggunakan Metode Genetic Fuzzy Systems Studi Kasus: Rumah Sakit Usada Sidoarjo”. Jurnal ITS Surabaya. Sudibyo Supardi, dkk. 2008. “Faktor-faktor Yang Berhubungan Dengan Kepuasan Pasien Rawat Jalan Dan Rawat Inap Di Puskesmas”. Artikel Badan Litbangkes Depkes RI. Noorly Evalin. 2012. “Pemodelan ANFIS (Adaptive Neuro Fuzzy Inference System) Untuk Memprediksi Beban Listrik Sumatera Utara”. Jurnal UMSU Medan. Khairunnisa Rizkiani. 2011. “Analisa Kepuasan Konsumen Dengan Pendekatan Fuzzy Pada Giant Hypermarket Jatiasih Bekasi”. Jurnal Universitas Gunadarma Jakarta.

Penerapan Algoritma Backtracking Dan Metode Constraint Satisfaction Untuk Penjadwalan Matakuliah. Ferdinal. R, M.Kom

Recommend Documents