Vol 2, No 1, Tahun 2017

Ny

JURNAL MASYARAKAT INFORMATIKA INDONESIA

ISSN: 2541-5093

Vol 2, No 1, Tahun 2017 

ANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL Adiyasa Nurfalah



REKOGNISI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN METODE HOG DAN KNN Agnes Dirgahayu Palit



MODEL PERGERAKAN REVOLUSI SOSIAL DUNIA MENGGUNAKAN PENDEKATAN KUALITATIF DAN PREDIKSI Feri Sulianta



RANCANG BANGUN SISTEM INFORMASI EKSEKUTIF BERBASIS OLAP (Online Analytical Processing) PADA PERUSAHAAN GAHARU MEKAR LESTARI Dede Iswanto



ANALISIS SISTEM INFORMASI PELAYANAN DESA XYZ MENGGUNAKAN KERANGKA KERJA PIECES Ucu Nugraha



IMAGE SPOOFING DETECTION USING LOCAL BINARY PATTERN Indra Bayu Kusuma, Arida Kartika



PENGEMBANGAN KARIR SUMBER DAYA MANUSIA(STUDI KASUS KANTOR PUSAT PT POS INDONESIA (PERSERO)) Fajar Gempita



PENDETEKSIAN LOKASI PLAT NOMOR KENDARAAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENTS Devi Alfiani, Hannan Izzaturrofa



SISTEM INFORMASI PENGOLAHAN SERTIFIKAT BERBASIS WEB DI DIVISI TRAINING SEAMOLEC Faizal Ari Prabowo, Mamay Syani



SISTEM INFORMASI PENJADWALAN PELATIHAN DIVISI TRAINING SEAMOLEC BERBASIS WEB Adhi Ircham Ardhiansyah, Mamay Syani

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 4 kali dalam setahun, setiap bulan Maret, Juni, September, dan Desember.

Ketua Redaksi Feri Sulianta

Dewan Redaksi Fajri Rakhmat Umbara Agung Santoso Pribadi Afief Dias Pambudi Edward Daniel Maspaitella Iqbal Yulizar

Editor Pelaksana Farhan Ferdian Mulyadi Vito Hafiz Ricko Firmansyah

Reviewer Prof The Houw Liong (Institut Teknologi Bandung) Hengky Honggo (STMIK MDP Palembang) Bahar Riand Passa (Nanyang Technological University) Dwi Aryanta (ITENAS) Eko Cahyanto ( Universitas Gunadarma) Cholid Fauzi (ST Inten) Wawan Kurniawan (ASMTB) Titan Halim (Universitas BINUS) Muksin Wijaya (STMIK LIKMI) Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT PERUSAHAAN PENERBITAN CV. HASIL USAHA Jl. Gatot Subroto 153 C, Bandung 40273 e-mail: [email protected] website: http://www.e-jmii.org

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII) yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi, Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan, Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan Teknologi Informasi dan lainnya. Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini pada edisi – edisi selanjutnya. Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093

ANALISIS SENTIMEN BERBAHASA INDONESIA DENGAN PENDEKATAN LEXICON-BASED PADA MEDIA SOSIAL Adiyasa Nurfalah, Adiwijaya, Arie Ardiyanti Suryani Telkom University St. Telekomunikasi No. 1, Bandung, Indonesia E-mail : [email protected] 1), [email protected] 2), [email protected] 3)

Abstrak

Abstract

Indonesia merupakan salah satu negara pengguna media sosial paling banyak di dunia, bahkan setiap trending topic sering berasal dari Indonesia. Media sosial saat ini digunakan untuk berinteraksi dengan keluarga, teman, bahkan dengan orang yang mungkin tidak dikenal sama sekali. Selain itu, media sosial juga dipergunakan sebagai alat bantu e – commerce untuk meningkatkan penjualan suatu produk.

Indonesia is one of the most media social access in the world, therefor every world trending topic is from Indonesia. Social media are using for interaction and communication with our family, friends, even the stranger. For e – commerce, social media are using for product marketing to the customer.

Tidak jarang juga, suatu posting pada media sosial dapat menimbulkan keresahan, namun dapat juga suatu posting itu bermanfaat untuk semua orang. Misalnya posting tentang suatu produk makanan yang mungkin terdapat komentar positif dan negatif didalamnya. Pada penelitian ini akan menggunakan pendekanan Lexicon – based untuk melihat apakah suatu komentar atau posting dari media sosial memiliki sentimen positif atau negatif atau dapat pula netral. Penelitian ini mendapatkan hasil akurasi 66% untuk prediksi komentar positif, negatif dan juga netral. Kata Kunci : media sosial, lexicon-based, prediksi , sentimen

Posting on social media can cause resslessness, but it can be usefull for people. For example, a posting about food product that may have sentiment positive ,negative, or neutral comments from user. In this research used Lexicon – based methods to classified comments going to positive or negative or even neutral way. This research also have 66% of accuracy for prediction. Keywords : social media, lexicon – based, prediction, sentiment

I. PENDAHULUAN Saat ini media sosial tidak hanya digunakan sebagai sarana untuk aktualisasi diri dan sarana pergaulan, tetapi juga sebagai sarana untuk menyampaikan informasi yang sedang hangat dibicarakan. Menurut Bing Liu [3], informasi dapat dikategorikan menjadi 2, yaitu: pengetahuan (fakta), atau opini (pendapat). Fakta atau pengetahuan bersifat obyektif terhadap suatu topik pembahasan.

Jurnal Nasional JMII 2017

1


Sedangkan opini biasanya merupakan ekspresi subyektif yang mendeskripsikan sentimen ataupun perasaan seseorang terhadap suatu topik pembahasan. Sejak maraknya jejaring sosial, blog, forum, dsb, indonesia selalu masuk dalam 10 besar pengguna terbanyak. Menurut data yang dilansir oleh Socialbakers [1], Indonesia menjadi Negara dengan pengguna Facebook ke-4 terbesar didunia dengan total 47 juta akun lebih setelah Amerika Serikat, Brazil, dan India. Maraknya media sosial ini dapat dimanfaatkan salahsatunya untuk meningkatkan penjualan suatu produk dari perusahaan. Perusahaan melemparkan topik tentang ulasan suatu produk atau fitur dari suatu produk, kemudian pengguna media sosial yang mungkin saja calon pembeli atau yang sudah membeli produk akan memberikan tanggapan tentang produk tersebut dalam bentuk opini berupa pengalaman baik maupun buruk, saran, atau tanggapan netral. Media sosial juga dapat dimanfaatkan untuk mengetahui tanggapan masyarakat umum mengenai kebijakan publik yang dikeluarkan pemerintah atau wacana dari suatu lembaga pemerintah.

Melalui berbagai opini yang diberikan oleh pembaca, maka sang pembuat topik (perusahaan, pemerintah) dapat mengetahui sentimen setuju atau tidak setuju dari pembaca terhadap topik yang disajikan, hasil ini akan berguna sebagai salahsatu parameter analisis, misalnya untuk menentukan jumlah produksi dan menilai kualitas dari suatu produk dari sisi pengguna. Namun, dengan banyaknya informasi yang tersedia di internet, pembuat topik maupun pembaca mungkin akan kewalahan untuk membaca dan menganalisis satupersatu opini yang diberikan pembaca. Berdasarkan permasalahan tersebut maka dalam penelitian ini akan dilakukan analisis sentimen pada media sosial berbahasa Indonesia menggunakan pendekatan Lexicon-Based. Berdasarkan penelitian sebelumnya [2][4], analisis sentimen merujuk pada analisis klasifikasi dari opini kedalam 3 kelas, yaitu: positif, negatif, dan netral.

II. DESKRIPSI UMUM SISTEM

Gambar 1. Alur sistem secara umum

1.

Penjelasan dari diagram blok diatas adalah: Data Acquisition Pada proses ini dilakukan pengambilan data dari medial sosial berbahasa indonesia. Hasil dari proses ini adalah daftar opini pembaca serta metadata-nya seperti: nama user dan waktu.

2.

Load Dictionary Pada proses ini dilakukan me-load kamus. Kamus yang digunakan dalam sistem ini adalah: kata kunci sentimen positif (positif keywords), kata kunci sentimen negatif (negatif keywords), kata negasi (negation keywords), kamus emoticon, dan kamus bahasa gaul/alay.


2


3.

4.

5.

Preprocessing Preprocessing bertujuan untuk menyiapkan kalimat sebelum dilakukan ekstraksi kata kunci dan penentuan sentimen. Proses yang dilakukan adalah: - Normalisasi kalimat Bertujuan untuk menormalkan kalimat sehingga kalimat gaul menjadi normal. - Tokenisasi Bertujuan untuk memecah kalimat menjadi token-token yang merupakan calon keyword. Extract keywords Proses ini bertujuan untuk mengekstraksi kata kunci penentu sentimen positif dan negatif. Determine sentiment Proses ini bertujuan untuk menentukan sentimen suatu kalimat opini, penentuan sentimen dilakukan dengan menghitung probabilitas kemunculan kata kunci positif dan kata kunci negatif.

Kamus Kamus adalah komponen penting dalam sistem yang menggunakan pendekatan lexicon-based. Kamus digunakan dalam proses normalisasi kalimat dan ekstraksi kata kunci. Dalam penelitian ini kamus merujuk pada kamus yang disusun oleh PT. EbDesk [5], dimana PT EbDesk menggunakan kamus tersebut dalam membangun sistem analisis sentimen untuk isu-isu politik di Indonesia. Berikut adalah kamus yang digunakan dalam penelitian ini dan contoh isi kamusnya: - Positif keywords: baik, banyak, bangkit - Negatif keywords: bangkrut, banjir, bantah - Negation keywords: belum, bukan, tidak - Emoticon:  (nilainya: 1),  (nilainya: -1) - Kamus gaul: bgmn = bagaimana, bgs = bagus, beud = banget Preprocessing

III. IMPLEMENTASI SISTEM Dataset Dataset yang digunakan adalah kumpulan opini pelanggan layanan pasti pas pertamina, yang didapat dari kolom pendapat pada web Pertamina Pasti Pas [6]. Seluruh opini berjumlah 150. Tiap opini diberi label kelas: positif/negatif/netral secara manual. Penentuan label ini dilakukan untuk menghitung performa sistem yang dibangun. Komposisi kalimat dalam dataset adalah sebagai berikut: Tabel 1. Komposisi Kalimat Dalam Dataset

Sentimen

Jumlah Kalimat

Proses yang dilakukan dalam tahap preprocessing adalah normalisasi kalimat dan tokenisasi. Normalisasi kalimat Proses yang dilakukan untuk menormalisasi kalimat adalah: 1. Meregangkan tanda baca (punctuation) dan symbol selain alphabet Tujuan dari meregangkan tanda baca adalah agar tanda baca dan symbol selain alphabet tidak masuk menjadi token pada saat proses tokenisasi. 2. Menjadikan huruf kecil semua 3. Normalisasi kata Tabel 2. Aturan normalisasi kata

Positif

94

Negatif

44

Akhiran -ny

Akhiran –nya

Netral

12

Akhiran –nk

Akhiran –ng

Akhiran –x

Akhiran –nya

Akhiran –z

Akhiran -s

Akhiran –dh

Akhiran –t

Tidak Normal / gaul


Normal

3


Kata berulang: sama2

4.

Kata berulang: samasama

Ejaan: oe

Huruf: u

Ejaan: dj

Huruf: j

Hilangkan huruf yang berulang dalam kata Dalam bahasa tulisan opini bebas, untuk mengekspresikan kekesalan, kesenangan, dan lain-lain biasanya digunakan huruf yang berulang-ulang dalam kata. Contohnya: padattt untuk mengekspresikan keadaan yang sangat padat. Kata berulang seperti “padattt” akan di normalisasi menjadi “padat”.

Tokenisasi Setelah kalimat dinormalisasi, selanjutnya kalimat dipecah kedalam token-token menggunakan pembatas / delimiter spasi. Terdapat 3 jenis token yang digunakan dalam penelitian ini yaitu: - Unigram Yaitu token yang terdiri dari hanya satu kata, contohnya: rumah. Bigram Yaitu token yang terdiri dari dua kata, contohnya: rumah makan. - Trigram Yaitu token yang terdiri dari tiga kata, contohnya: rumah makan padang. Aturan yang digunakan untuk membentuk ketiga jenis token tersebut adalah dengan overlapping token. Berikut ilustri pembentukan token-token tersebut: Opini: rumah makan padang itu jauh

Unigram

Rumah, makan, padang, itu, jauh

Bigram

Rumah makan, makan padang, padang itu, itu jauh

Trigram

Rumah makan padang, makan padang itu, padang itu jauh

Tujuan digunakannya ketiga jenis token ini adalah karena banyak frase bahasa Indonesia yang tidak hanya terdiri dari satu kata. Penulis mengambil hingga 3 kata karena dalam struktur bahasa Indonesia frase dengan satu kesatuan arti memiliki maksimal 3 kata. Ekstraksi Kata Kunci Setelah terbentuk unigram, bigram, dan trigram, selanjutnya di-ekstrak kata kunci dari kalimat menggunakan ketiga jenis token tersebut dicocokkan dengan kamus untuk mendapatkan kata kunci positif dan negatif. Proses yang terjadi dapat dipisahkan menjadi sebagai berikut: 1. Ekstraksi kata kunci positif dan kata kunci negatif Proses yang terjadi adalah: token-token unigram, bigram, dan trigram dicocokkan dengan kata kunci yang ada dalam kamus kata kunci positif (positif keywords) dan kamus kata kunci negatif (negatif keywords). 2. Evaluasi negasi Kata kunci positif dan kata kunci negatif hasil ekstraksi kata kunci belum merupakan nilai akhir, selanjutnya dilakukan evaluasi negasi karena kata kunci yang dihasilkan bisa berubah nilainya jika sebelumnya atau sesudahnya diikuti kata negasi. Contohnya kata “berkembang” adalah kata kunci positif namun jika sebelumnya diikuti kata “tidak” sehingga token menjadi “tidak berkembang” maka nilainya menjadi negatif. Kata-kata negasi dalam mengevaluasi kata kunci didapatkan dari kamus kata negasi (negation keywords). 3. Ekstraksi emoticon Selanjutnya dari kalimat awal dicari emoticonnya. Kita semua mengetahui untuk mengekspresikan persetujuan atau pertidaksetujuan dalam suatu kalimat biasanya digunakan emoticon. Maka dari itu dalam penelitian ini emoticon dalam kalimat dianggap penting dan memiliki kontribusi dalam menentukan nilai sentimen suatu kalimat. Ekstraksi emoticon ini dilakukan dengan menggunakan referensi kamus emoticon yang mengandung nilai sentimen dari setiap emoticon. Berikut contoh isi kamus emoticon:


4


Tabel 3. Kamus Emotion

Emoticon

Nilai Sentimen



1



-1

:D

1

:P

-1

-_-‘

-1

Berikut ilustrasi alur proses ekstraksi kata kunci:

Gambar 2. Alur proses ekstraksi kata kunci

Gambar 3. Alur proses ekstraksi emoticon


5


Penentuan Sentimen Setelah diketahui semua kata kunci dan emoticon yang mempunyai nilai sentimen, selanjutnya dihitung probabilitas kemunculan sentimen positif dan negatif mana yang lebih dominan. Jika nilai sentimen positif lebih dominan maka nilai sentimen untuk kalimat tersebut adalah positif, namun jika nilai sentimen negatif lebih dominan maka nilai sentimen untuk kalimat terebut adalah negatif, namun jika nilainya sama antara sentimen negatif dan sentimen positif maka nilai sentimen untuk kalimat tersebut adalah netral. Berikut formula dalam penentuan sentimen:

IV. PENGUJIAN DAN ANALISIS SISTEM Tujuan dilakukan pengujian terhadap sistem yang dibangun adalah untuk mengetahui performa sistem dalam menentukan nilai sentimen suatu kalimat opini. Performa sistem diukur dengan cara menghitung tingkat akurasi deteksi sistem. Akurasi dihitung dengan cara membandingkan hasil deteksi sentimen dari sistem dengan nilai sentimen sebenarnya yang sebelumnya telah ditentukan oleh manusia, dalam hal ini oleh penulis sendiri. Berikut formulasi untuk menghitung akurasi:

Setelah dilakukan pengujian terhadap sistem, maka didapatkan persebaran hasil prediksi kalimat: 122 kalimat diprediksi bersentimen positif, 8 kalimat bersentimen negatif, dan 20 kalimat bersentimen netral. Berikut ilustrasi grafik persebaran hasil prediksi sistem:

Gambar 4. Grafik persebaran hasil prediksi sistem


6


Sementara itu, dari hasil pengujian didapatkan bahwa sistem mempunyai tingkat akurasi sebesar 66 %, dengan 99 kalimat benar diprediksi nilai

sentimennya dan 51 kalimat salah diprediksi nilai sentimennya.

Gambar 5. Grafik jumlah yang benar dideteksi dan salah dideteksi oleh sistem

Berikut contoh kalimat-kalimat hasil pengujian terhadap sistem: Table 4. Contoh hasil pengujian sistem

Kata kunci Positif

Kalimat

Sentimen

Kata kunci Negatif

Ha sil

ane sangat puas dengan pelayanannya karna lebih aman, nyaman, pas takarannya, pas kembaliannya, pas semuanya

puas,am an,nyaman

kok pom bensinya sering tutup atau habis bensin ya ??

kok,tutup

di jalan raya pamulang dan sawangan kapan ada spbu pastipas-nya? kalau melihat gencarnya perubahan yang dilakukan oleh Pertamina sih boleh juga, tapi buat saya bukan hanya perubahannya namun bagaimana konsistensi atas perubahan itu...jangan-jangan hanya sebentar saja....

bukan hanya,konsist ensi,boleh juga

Pelayanan cukup baik, hanya akhir akhir ini para operator pengisi bensin, sering bercanda dengan sesama operator, apalagi saat pagi hari, yng antrainnya cukup panjang.Tingkatkan kembali mutu anda.

janganjangan,hanya

janganjangan,hanya


hanya

Sebenar nya

1

1

-1

-1

0

0

1

-1

1

-1

7


V. KESIMPULAN DAN SARAN Berbeda dengan pendekatan berbasis machine learning [2], pada lexicon-based tidak diperlukan training terhadap data sehingga sangat bergantung kapada kamus. Jika kamus lengkap maka performa sistem akan baik, sebaliknya jika kamus tidak lengkap maka performa sistem akan buruk. Dari pengujian yang dilakukan terhadap sistem menghasilkan tingkat akurasi sebesar 66 %, ini berarti kamus belum cukup mewakili kata kunci – kata kunci yang ada dalam kalimat pada kasus opini Pertamina Pasti Pas. Kesulitan yang terjadi pada metode lexicon-based terletak pada penentuan atau pembaharuan kamus oleh manusia. Untuk itu, pada penelitian-penelitian selanjutnya mungkin bisa dilakukan peng-update-an kamus secara otomatis dengan cara mengkombinasikan lexicon-based dengan machine learning. Selain itu, secara umum kesulitan yang dihadapi dalam natural language processing adalah tidak terstrukturnya kalimat sesuai dengan kaidah tata bahasa yang baku, untuk itu diperlukan preprocessing yang sangat beragam diantaranya: mengubah simbol-simbol atau angka-angka tertentu menjadi huruf (untuk mengatasi tulisan gaul). Kemudian langkah lain untuk preprocessing adalah melabeli tiap token dengan jenis katanya (kata

kerja, kata benda, kata keterangan waktu, kata sifat, dll). Tujuannya adalah untuk membedakan mana kalimat opini dan mana kalimat yang bukan opini.

DAFTAR PUSTAKA [1]

Social Bakers: http://www.socialbakers.com, diunduh pada tanggal 20 Oktober 2012.

[2]

Yusuf Nur, Muhamad. Santika, Diaz. 2011. Analisis Sentimen pada Dokumen Berbahasa Indonesia. Konferensi Nasional Sistem dan Informatika 2011. Bali, Indonesia.

[3]

Liu, Bing. Sentimen Analysis and Subjectivity. Department of Computer Science University of Illinois at Chicago. Chichago, USA.

[4]

Vidya, Nur Azizah. 2011. Opinion Mining dengan Menggunakan Multinomial Naive Bayes Classifier pada Blog. Tugas Akhir Teknik Informatika, Institut Teknologi Telkom. Bandung, Indonesia.

[5]

P.T. EbDesk: http://www.ebdesk.com, diunduh pada tanggal 20 Oktober 2012.

[6]

Pertamina Pasti Pas: http://pastipas.pertamina.com/pendapat.asp, diunduh pada tanggal 20 Oktober 2012.


8


REKOGNISI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN METODE HOG DAN KNN Agnes Dirgahayu Palit Fakultas Teknik, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No. 01, Terusan Buah Batu, Bandung, Indonesia 40257 [email protected]

Abstrak Kota-kota besar pasti tidak lepas dengan penggunaan rambu lalu lintas untuk meningkatkan keselamatan pengguna jalan. Rambu lalu lintas dirancang untuk membantu pengemudi untuk mencapai tujuan mereka dengan aman, dengan menyediakan informasi rambu yang berguna. Meskipun demikian, hal yang tidak diinginkan dapat terjadi ketika informasi yang tersimpan pada rambu lalu lintas tidak diterima dengan baik pada pengguna jalan. Hal ini dapat menjadi masalah baru dalam keamanan berkendara. Dalam meminimalisasi masalah tersebut, dapat dibuat suatu teknologi yang mengembangkan sistem yang mengidentifikasi objek rambu lalu lintas secara otomatis yang dapat menjadi salah satu alternatif meningkatkan keselamatan berkendara, yaitu Traffic Sign Recognition (Sistem Rekognisi Rambu Lalu Lintas). Sistem ini menggunakan metode Histogram of Oriented Gradient (HOG), untuk ektraksi ciri citra, dan K-Nearest Neighbour (KNN) untuk mengklasifikasikan citra rambu lalu lintas. Sehingga dapat dianalisa bagaimana Sistem dapat mengenali citra yang merupakan objek rambu lalu lintas? Serta bagaimana performansi akurasi sistem. Diharapkan dengan adanya paduan metode-metode tersebut dapat dilihat bagaimana sistem merekognisi rambu lalu lintas. Dari hasil pengujian performansi sistem dengan nilai k=3, diperoleh akurasi sistem 79.4444 %. Kata kunci : ekstraksi ciri, klasifikasi, HOG, KNN.

Abstract The big cities must not be separated by the use of traffic signs to improve road safety. Traffic signs were

designed to help drivers to reach their destination safely, by providing useful information signs. Nonetheless, undesirable things can happen when information stored in the traffic signs are not received well to the people on the road as specially for driver.. It can be a new safety problem in road. To minimize the problem, we can build a system which is developed from a technology that identifies an object traffic signs automatically which can be one alternative to improve driving safety, the Traffic Sign Recognition. The system uses a method Histogram of Oriented Gradient (HOG), for the feature extraction of image characteristics, and K-Nearest Neighbor (KNN) to classify traffic signs image. So, it can be analyzed how the system can detect and recognize the image which is the object of traffic signs? And how the accuracy of the system performance is. Hopefully, with blend of these methods we can see how the system recognize traffic signs. From the results of performance testing system with a value of k = 3, acquired 79.4444% system accuracy. Keyword : feature extraction, classification, HOG, KNN

I. PENDAHULUAN Kota-kota besar pasti tidak lepas dengan penggunaan rambu lalu lintas untuk meningkatkan keselamatan pengguna jalan. Rambu lalu lintas dirancang untuk membantu pengemudi untuk mencapai tujuan mereka dengan aman, dengan menyediakan informasi rambu yang berguna [1]. Rambu lalu lintas dirancang dan di tempatkan di tempat yang gampang untuk dilihat sedemikian sehingga mudah untuk dilihat pengguna [2].


9


Rambu lalu lintas memberikan informasi visual seperti mengemudi dijalur yang tepat, pembatasan kecepatan, menghindari rintangan, jalur untuk pejalan kaki, arah tujuan, akses jalan, kondisi lalu lintas saat ini, dan lain-lain [3]. Meskipun demikian, hal yang tidak diinginkan dapat terjadi ketika informasi yang tersimpan pada rambu lalu lintas tidak diterima dengan baik pada pengguna jalan. Sebagai contoh apabila rambu jalan yang terlewat atau rambu tersebut salah artikan, bahkan mungkin diabaikan. Dari hal tersebut kecelakaanpun bisa terjadi. Terlihat bahwa hal tersebut dapat mengakibatkan akibat yang cukup fatal yang dapat merenggut nyawa manusia. Berdasarkan statisktik terkini menunjukkan bahwa lebih dari 98% kecelakaan mobil terjadi karena pengemudi terganggu [1].

terhubung melalui RS232 serial port, sepasang kamera digital disinkronkan terhubung melalui port FireWire dan sensor nirkabel 802.15.4 ZigBee Mote digunakan sebagai penerima dalam sistem komunikasi I2V [7]. Khusus pada tugas besar kali ini, sistem rekognisi rambu lalu lintas akan menggunakan inputan pixel foto RGB. Dengan alur program seperti pada bagan 1. Dalam program ini, sistem akan menerima inputan berupa citra tunggal, yang kemudian akan masuk pada proses ekstraksi ciri fitur. Proses itu dimulai dengan normalisasi gamma dan warna, kemudian perhitungan gradien, perhitungan orientasi sel, serta normalisasi overlapping spatial block, sehingga pada akhirnya diperoleh fitur vektor HOG sebagai model, yang nantinya akan di klasifikasi menggunakan metode KNN. Sehingga dari proses tersebut diperoleh citra hasil klasifikasi.

Saat ini, teknologi yang mengembangkan sistem identifikasi objek rambu lalu lintas secara otomatis dapat menjadi salah satu alternatif, dan bahkan menjadi terobosan baru dalam pengembangan keselamatan berkendara. Sebab, meningkatkan keamanan lalu lintas adalah tujuan yang penting pada sistem transportasi pintar [4]. Sehingga dibutuhkan cara baru yang lebih efektif untuk pemrosesan objek rambu lalu lintas ke media elektronik. Salah satunya adalah dengan membangun Traffic Sign Recognition (Sistem Rekognisi Rambu Lalu Lintas). Traffic Sign Recognition, merupakan sistem yang dibangun untuk mengenali kelompok-kelompok pixel citra dari suatu gambar rambu lalu lintas yang didapatkan, dengan mengenali kelompok-kelompok pixel mana yang merupakan objek rambu lalu lintas, dan objek mana yang bukan rambu lalu lintas. Sistem ini dapat membantu pengendara mobil untuk memahami bahasa visual dan menginformasikan kondisi dari rambu lalu lintas [4]. Di beberapa negara seperti Amerika, Jerman, Switzerland, Malaysia, dan negara maju lainnya, pengembangan Traffic Sign Detection and Recognation sudah banyak dikembangkan [5] [6]. Sebagai contoh di Switzerland, pengembangan sistem tersebut pada kendaraan mobil, dengan meletakkan sebuah diferensial GPS yang


10


dirancang untuk membantu pengemudi untuk mencapai tujuan mereka dengan aman, dengan menyediakan informasi rambu yang [1]. Rambu lalu lintas dirancang dan di tempatkan di tempat yang gampang untuk dilihat sedemikian sehingga mudah untuk dilihat pengguna jalan [2]. Rambu lalu lintas memberikan informasi visual seperti mengemudi dijalur yang tepat, pembatasan kecepatan, menghindari rintangan, jalur untuk pejalan kaki, arah tujuan, akses jalan, kondisi lalu lintas saat ini, dan lain-lain [3]. Meskipun demikian, hal yang tidak diinginkan dapat terjadi ketika informasi yang tersimpan pada rambu lalu lintas tidak diterima dengan baik pada pengguna jalan. Sebagai contoh apabila rambu jalan yang terlewat atau rambu tersebut salah artikan, bahkan mungkin diabaikan. Dari hal tersebut kecelakaanpun bisa terjadi. Terlihat bahwa hal tersebut dapat mengakibatkan akibat yang cukup fatal yang dapat merenggut nyawa manusia. Berdasarkan statisktik terkini menunjukkan bahwa lebih dari 98% kecelakaan mobil terjadi karena pengemudi terganggu [1]. Saat ini, teknologi yang mengembangkan sistem identifikasi objek rambu lalu lintas secara otomatis dapat menjadi salah satu alternatif, dan bahkan menjadi terobosan baru dalam pengembangan keselamatan berkendara. Sebab, meningkatkan keamanan lalu lintas adalah tujuan yang penting pada sistem transportasi pintar . Sehingga dibutuhkan cara baru yang lebih efektif untuk pemrosesan objek rambu lalu lintas ke media elektronik. Salah satunya adalah dengan membangun Traffic Sign Recognition (Sistem Rekognisi Rambu Lalu Lintas).

Bagan 1 : Ikhtisar konsep dalam mengenali citra Rambu Lalu Lintas

II. PENELITIAN TERKAIT Kota-kota besar pasti tidak lepas dengan penggunaan rambu lalu lintas untuk meningkatkan keselamatan pengguna jalan. Rambu lalu lintas

Traffic Sign Recognition, merupakan sistem yang dibangun untuk mengenali kelompok-kelompok pixel citra dari suatu gambar rambu lalu lintas yang didapatkan, dengan mengenali kelompok-kelompok pixel mana yang merupakan objek rambu lalu lintas, dan objek mana yang bukan rambu lalu lintas. Sistem ini dapat membantu pengendara mobil untuk memahami bahasa visual dan menginformasikan kondisi dari rambu lalu lintas [3]. Di beberapa negara seperti Amerika, Jerman, Switzerland, Malaysia, dan negara maju lainnya, pengembangan Traffic Sign Detection and Recognation sudah banyak dikembangkan [5] [6]. Sebagai contoh di Switzerland,


11


pengembangan sistem tersebut pada kendaraan mobil, dengan meletakkan sebuah diferensial GPS yang terhubung melalui RS232 serial port, sepasang kamera digital disinkronkan terhubung melalui port FireWire dan sensor nirkabel 802.15.4 ZigBee Mote digunakan sebagai penerima dalam sistem komunikasi I2V [7]. Khusus pada tugas besar kali ini, sistem rekognisi rambu lalu lintas akan menggunakan inputan pixel foto. Dengan alur program seperti pada bagan 1.

Bagan 1 : Ikhtisar konsep dalam mengenali citra Rambu Lalu Lintas

III. DATA SET Dataset yang akan diolah adalah The German Traffic Sign Benchmark (kompetisi multi-class, single image Internasional Joint Conference on Neural


12


Networks IJCNN 2011) di situs : http://benchmark.ini.rub.de/?section=gtsrb&subsection =news/. Terdiri dari 50.000 citra rambu lalu lintas, dengan 40 kelas. Pengambilan citra sejauh 350 km sepanjang jalan raya Jerman. Dengan menggunakan kamera berwarna 1.3 mega-pixel, Point-Grey Chameleon, ditempatkan di dalam sebuah mobil di dashboard melihat keluar dari jendela depan. Lensa memiliki panjang fokus 6.5mm, dengan besar sudut 41 derajat bidang pandang. Kecepatan rata-rata di jalan raya yang lebar sekitar 90 cm/s, yang sesuai dengan ukuran sekitar 50 pixel jika mereka terdeteksi pada jarak sekitar 30 m.

IV.1

Histogram of Oriented Gradients (HOG)

HOG digunakan untuk menunjukkan keterangan fitur yang digunakan untuk mendeteksi benda-benda dalam teknologi computer vision dan pengolahan citra. Teknik HOG menghitung kejadian orientasi gradien dalam porsi lokal dari gambar.

Gambar 1 : sample data train [8]

Label untuk setiap rambu lalu lintas mengandung jenis tanda (penyeberangan pejalan kaki, yang ditunjuk jalur kanan, tidak berdiri atau parkir, prioritas jalan, memberikan jalan, 50 kilometer per jam, atau 30 kilometer per jam). Dengan bentuk rambu, anatara lain, bundar, segitiga, dan diamond. Data latih terdiri atas 671 label dan data tes terdiri atas 180 label. Dengan 40 jenis klasifikasi rambu-rambu.

IV. KAJIAN LITERATUR Pada program “Traffic Sign Recognation” digunakan berbagai metode seperti HOG untuk ekstraksi ciri fitur, dan KNN untuk klasifikasi jenis rambu lalu lintas. Maka pada bagian ini akan di bahas kajian literatur terkait metode yang digunakan. Berikut merupakan ikhtisar dari alur program dalam mengenali citra rambu lalu lintas, bisa dilihat pada bagan 1.

Bagan 2 : Ikhtisar proses dari ekstraksi HOG

Implementasi metode HOG adalah antara lain :


13




Membagi gambar menjadi wilayah kecil yang terhubung. Hal tersebut disebut juga dengan sel. Setiap sel menghitung histogram dari arah gradien atau orientasi tepi untuk piksel dalam sel [9].



Setelah itu, setiap sel didiskrit dalam sudut biner sesuai dengan orientasi gradien. Perhitungan gradien diperoleh dengan penyaringan filter 2 dimensi yaitu filter vertikal dan horisontal.

Dengan menggunakan rumus derivatif parsial untuk fungsi image f(x,y): a. Untuk sumbu x: … [1] b.

Untuk sumbu y: … [2] Akan di peroleh nilai x dan y yang digunakan untuk menghitung gradient :

a.

Magnitude (besar gradient): R =

b.

Orientasi gradient (dalam sudut):

… [3]

… [4]

Gambar 3 : Proses Binning [9]

Pada program, proses binning area citra di bagi menjadi 9 area dengan rata-rata setiap binning memiliki besar sudut juring 20 derajat. Pixel setiap sel yang ada, berkontribusi pada bobot gradien pada sudut biner yang sesuai. Kelompok sel yang berdekatan dianggap sebagai daerah spasial, hal tersebut disebut sebagai blok. Pengelompokan sel ke dalam blok adalah dasar untuk pengelompokan dan normalisasi histogram.  Histrogram kemudian di normalisasi membentuk suatu kelompok normalisasi, yang disebut dengan blok histogram, yang juga di kelompok tersebut di himpun dalam beberapa himpunan disebut dengan deskriptor [10]. Cara menghitung normalisasi hitogram dalam blok : 1) L1 – norm : v = v/(||v||1 + epsilon);… [5] 2)

… [6]

3)

… [7]

4) ..

Cell

Cell dalam block

IV.2 Block overlap

yang

Gambar 2 : Cell yang menyusun block

, – norm diikuti oleh clipping; dibatasi nilai maksimum dan re-normalisasi [9].

KNN

Metode K-Nearest Neighbor (k-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data yang jaraknya paling dekat dengan objek tersebut. Metode ini merupakan metode yang paling umum digunakan untuk estimasi dan prediksi [7]. Keunggulan dari metode KNN ini adalah


14


relatif tidak terpengaruh dari error dari data dan juga dapat digunakan dengan kumpulan data dengan jumlah besar. Namun kekurangan metode ini adalah proses pelaksanaannya lambat. Tujuan dari algoritma k-NN adalah untuk mengklasifikasi objek baru berdasarkan atribut dan training samples. Dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN. Pada proses pengklasifikasian, algoritma ini tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Algoritma k-NN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari sampel uji yang baru. Jarak yang digunakan adalah jarak Euclidean Distance. Jarak Euclidean adalah jarak yang paling umum digunakan pada data numerik. Euclidean distance didefinisikan sebagai berikut [11]: D(ai,bj) =

… [8]

Keterangan : D(ai,bj) : Jarak (Euclidian Distance) (ai) : data a yang ke-i Bagan 3 : Alur proses K-NN

(bi) : data b yang ke-i i : 1,2,3,....n

Algoritma k-NN adalah algoritma yang menentukan nilai jarak pada pengujian data testing dengan data training berdasarkan nilai terkecil dari nilai ketetanggaan terdekat [7].

V. EKSPERIMEN KLASIFIKASI DAN ANALISIS Tabel 1. Performansi dan waktu sistem mengolah

data train dan testing Fitur

Klasifikasi

Akurasi

Waktu proses

HOG HOG HOG HOG HOG HOG HOG

KNN (K=1) KNN (K=2) KNN (K=3) KNN (K=4) KNN (K=5) KNN (K=6) KNN (K=7)

76,6667 % 76,6667 % 79.4444 % 78.3333 % 79.4444 % 79.4444 % 77.2222 %

298.154 s 299.667 s 304.811 s 328.292 s 334.313 s 309.014 s 286.601 s


15


V.1

Pelatihan

Pada saat proses pelatihan (training), data latih diproses dengan menggunakan Quad-Core AMD dengan 4 GB RAM. Fitur yang dihasilkan pertama kali ada fitur vektor HOG sebagai model. Citra yang diolah untuk menghasilkan fitur vektor HOG dimana ambil data set dengan data positif pada matrix_moment.mat. Citra yang diinputkan sudah dicrop dengan ukuran 64 x 64 pixel lalu di grayscale. Pada sesi training, dengan script Matlab memakan waktu sampai 273.424 s. V.2

Pengujian

Pada waktu testing, citra pada data testing, melewati algoritma KNN. Pada tahap ini di cari jarak euclidian masing-masing fitur vektor HOG data test terhadap fitur vektor HOG data training. Waktu yang di butuhkan adalah 55.7340s. V.3

Performansi

Setelah dilakukan proses testing, dilakukan proses pengecekan performansi. Performansi yang diukur ada akurasi dengan membandingkan label hasil class yang dihasilkan proses klasifikasi k-NN dengan label pada data test. Hasil dari pengukuran tersebut terlihat parameter dengan k=3 pada klasifikasi KNN, menghasilkan akurasi dan waktu proses yang paling baik, dengan 143 data hasil klasifikasi dinyatakan sesuai dengan label data test asli yang berjumlah 180 buah label data test. Atau dalam persentasi akurasi = 76,6667 %. Dengan lama waktu proses 304.811 s.

VI. KESIMPULAN DAN SARAN Berdasarkan hasil analisis yang telah dilakukan, maka kesimpulan dari sistem rekognisi rambu-rambu lalu lintas ini diantaranya adalah, 1. Parameter nilai k pada metode klasifikasi KNN adalah dengan nilai k = 3 dengan hasil performansi akurasi pada angka 79.4444 %. 2. Sistem rekognisi ini masih perlu dikembangkan lebih maksimal lagi, oleh karena sistem belum secara maksimal mendeteksi objek citra lalu lintas dengan kondisi pencahayaan yang terlalu gelap, dan kondisi objek yang tidak tepat berhadapan 90

derajat terhadap kamera (bidang objek tepat berhadapan dengan kamera). Adapun saran yang dapat diimplementasikan untuk perbaikan dan penyempurnaan sistem rekognisi rambu-rambu lalu lintas ini antara lain, 1. Sistem rekognisi ini masih perlu dikembangkan dengan memperhatikan penggunaan metode HOG dalam membagi citra dalam beberapa cell dan cara mengiterasi block, dan proses binning. 2. Menggunakan metode klasifikasi yang lebih mangkus, untuk dapat mendapatkan hasil performansi yang lebih baik. 3. Lengkapi proses sistem dengan menambahkan metode reduksi dimensi setelah proses ekstraksi ciri citra dilakukan, sehingga diharapkan dapat mempercepat performansi waktu kerja sistem.

REFERENSI [1] R. T. K. Z. I. r. L. V. G. Victor Adrian Prisacariu, “Integrating Object detection with 3D Tracking Towards a Better Driver Assistance System,” p. 1, 2010. [2] N. B. MP, Traffic Signs Policy Paper, Britain: Department for Transport, 2011. [3] M. H. A. H. S. S. Safat B. Wali, “Comparative Survey on Traffic Sign Detection and Recognition,” http://pe.org.pl/articles/2015/12/8.pdf, p. 1, 2015. [4] Y. L. F. S. Huaping Liu, “Traffic Sign Using Group Sparce Coding,” Elsevier, p. 1, 2014. [5] D. L. M. M. T. Andreas Mogelmose, “Detection of US Traffix Sign,” IEEE Transactions on Intelligent Transportation Systems, p. 1, 2015. [6] R. T. R. B. L. V. G. Markus Mathias, “Traffic Sign Recognation - How far are we from the solution?,”


16


International Joint Conference on Neural Networks (IJCNN 2013), p. 1, 2013. [7] M. O. D. F. L. E. A. J. P. M. G. Miguel A. Garcia Garrido, “Complete Vision-Based Traffic Sign Recognition Supported by an I2V Communication System,” MDPI, no. 12, p. 1153, 2012.

[11]H. B. P. Nobertus Krisandi, “Algoritma k-nearest neighbour dalam klasifikasi data hasil produksi kelapa sawit pada PT. Minamas Kecamatan Parindu,” Buletin Imiah Math. Stat dan terapannya (Bimaster), pp. 33-38, 2013. N. B. MP, “Traffic Signs Policy Paper,” Britain, [12] Department for Transport, 2011.

[8] I. J. C. o. N. N. (IJCNN), “The German Traffic Sign Recognition Benchmark,” http://benchmark.ini.rub.de/?section=gtsrb&subsecti on=news, German, 2011. [9] Intel, “Histogram of Oriented Gradients (HOG) Descriptor,” https://software.intel.com/en us/node/529070. [10]I. K. E. P. M. Cahyo Permata, “Deteksi Mobil Menggunakan Histogram of Oriented Gradient,” no. Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS), pp. 2-3.


17


MODEL DINAMIS PERGERAKAN REVOLUSI SOSIAL DUNIA MENGGUNAKAN PENDEKATAN KUALITATIF DENGAN UJI APRIORI, DATA KUBIKAL DAN PREDIKSI Feri Sulianta Fakultas Teknik, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra 204A, Bandung, Indonesia [email protected]

Abstrak Seperti dikatakan oleh para pakar bidang gender politik dan sosiolog terjadi problematik yang muncul dengan adanya revolusi sosial dunia yang berakibat pada disintegrasi masyarakat manusia secara individu, kebingungan gender, secara kelompok termasuk pula keluarga. Problem seperti perang antar gender, dan konflik komunitas sosial hanyalah bagian dari akibat yang terjadi karena revolusi sosial. Hanya saja, kondisi sosial masyarakat dunia merupakan subyek yang sulit diukur termasuk pula dalam mengidentifikasi parameter di dalamnya. Maka dari itu perlu dibuatkan model yang akan mewakili subyek sosial masyarakat dunia yang juga mampu yang memunculkan dinamika perubahan sosial. Ruang lingkup sosial dibatasi untuk secara spesifik mengalamati gender politik. Dalam kasus ini, metode kualitatif mampu menangkap ruang lingkup kajian dan variabel perihal revolusi sosial yang terjadi. Kebenaran pemilihan variabel dalam metode ini akan diujikan terlebih dahulu sebelum membangun formasi data kubikal yang akan menampung data-data yang menjadi bukti adanya revolusi sosial dunia. Data pergerakan revolusi sosial ini akan diprediksi menggunakan teknik data mining untuk melihat hasil akhir dalam jangka waktu tertentu perihal kondisi yang terjadi di masyarakat. Hasil prediksi ini dapat dijadikan dasar gagasan untuk memberikan konsultasi edukatif ranah sosial perihal urgensi masyarakat terkait politik gender dan sebagai masukkan bagi tokoh-tokoh pembuat kebijakan dalam menyikapi revolusi sosial.

Prediksi, revolusi sosial dunia, data mining , data kubikal, metode kualitatif, aturan asosiasi

Abstract Experts on gender politics and sociologists express the problematic with the world of social revolution that resulted in the disintegration of individual human societies, gender confusion, as a group including the family. Problems such as the war between the sexes, and social community conflict is just part of the consequences that occur because of social revolution. However, social conditions the world is a subject that is difficult to measure including to identify the parameters in it. Therefore needs to be made the subject of a model which will represent the social world that is also capable to address the dynamics of social change. The scope is limited to specific social with the political gender studies. In this case, a qualitative method is able to capture the scope of the study and variables concerning social revolution that occurred. Truth selection of variables in this method will be tested first before building a data cubical information that will collect data that is providing clues to the social revolution the world. Data movement is a social revolution would be predicted using data mining techniques to see the final results within a specified period, concerning conditions that occur in the community. The results of these predictions can be used as the basis of the idea to provide educational consultation concerning the social aspects of public importance related to gender politics and as the figures entered for policy makers in addressing the social revolution.

Kata kunci :


18


Keywords : Predictions, world social revolutions, data mining, data cubes, qualitative methods, association rules

I. PENDAHULUAN Berdasarnya pernyataan para ahli perihal konflik dan problem sosial masyarakat, maka hendak dicari tahu tindakan-tindakan preventif dan pembuatan kebijkan dalam mengakamati masalah sosial terkait politik gender. Dikarenakan kondisi sosial dunia merupakan lingkungan yang holistik dan memiliki banyak aspek yang membentuknya, merupakan tantangan besar dalam mencari tahu unsur-unsur yang relevan untuk digunakan sebagai parameter dalam memodelkan revolusi sosial dunia, yang dapat digunakan sebagai alat dalam mengamati pergerakan revolusi sosial dan problem yang terjadi. Menjadi tantangan dalam mengakomodasi pembuatan model ini. Tidak semua masalah dapat dirumuskan dengan pendekatan kuantitatif, hal ini mengacu pada tingkat abstraksi dari lingkungan dan masalah yang ada. Bagi masalah yang memiliki tingkat abstraksi tinggi dan bahkan terkesan tidak tidak realistis, metode kualitatif dapat dijadikan pilihan. Berdasarkan penelitian terdahulu dikatakan bahwa metode kualitatif secara potensial bermanfaat dalam membangunan teori-teori ilmu sosial. Membangun model untuk sistem yang kompleks menjadi lebih mudah. Hanya saja metode ini memerlukan waktu, serta perangkat pendukung lainnya, metode kuantitatif dan teknik statistik dan komputasi digunakan untuk mengaplikasikan metode kualitatif dan juga proses uji[4][5][6][15]. Secara teknis, dalampenelitian ini, teknik-teknik statistik dan data mining digunakan untuk membangkitkan pola dari data-data yang menjadi parameter dan faktor penentu pergerakan revolusi sosial. Kumpulan data-data ini dipilih sedemikian rupa menggunakan pendekatan kualitatif mengacu pada minat orang-orang terhadap kata-kata kunci utama istilah gender politik, juga kata-kata bentukan baru yang muncul seiring revolusi sosial terus berkembang, beberapa kata bernada negatif dan kontradiktif ikut dimunculkan sehubungan pendekatan kualitatif.

Sehubunga data-data terhadulu dalam lima tahun terakhir dan akan lebih baik jika menggunakan data yang jauh lebih banyak dimulai tahun 1970-an karena pergerakan revolusi gender yang mencuat pada tahun-tahun tersebut, hingga kini, data time series memperlihatkan tendensi pelemahan minat orang dalam mencari kata-kata kunci positif yang terelasi dengan kata kunci yang menjadi kemunculan revolusi sosial, sedangkan ada penguatan minat orang-orang terhadap kata-kata kunci yang kontradiktif dengan kemunculan revolusi sosial. Hal ini masih belum dapat dilihat jelas kemana pergerakan revolusi sosia, meskipun para pakar mengatakan adanya titik balik yakni antitesis. Banyak problem yang juga muncul seiring perkembangan revolusi sosial, dan model inidibuat untuk juga mengakomodasi keberadaan problem-problem tersebut.

II. KAJIAN LITERATUR Berdasarkan penelitian terdahulu bahwa metode kualitatif dapat memodelkan kondisi yang sifatnya komplek dan dalam penelitian metode kualitatif dapat dikombinasikan dengan metode kuantitatif. Salah satu contoh dari data kualitatif yakni: bahwa berdasarkan pernyataan seoarang nara sumber yang adalah pergerakan bidang gender politik, menyatakan sebagai berikut:

…bahwa ‘ABC’ tidak sepopuler kelihatannya, banyak yangsebenarnya menyatakan tidak dan diam tidak bergeming sewaktu dihadaapkan dengan aksiaksi ‘ABC’….

Selanjutnya adalah mendapatkan data yang mana data-data kuantitatif didapat sebagai berikut, bahwa data-data statistik yang dikutip dari US. Bereau of Labor Statistic perihal rasio pekerja berdasarkan gender, didapati tendensi bahwa terjadi penurunan jumlah para pekerja pria dari tahun ke tahun dimulai sejak tahun 1950 hingga 2010-an, sebaliknya terjadi kenaikan jumlah pekerja wanita seiring waktu. Seperti tertera pada grafik berikut ini[8]:


19


Sejak awal pergerakan sosial masyarakat dan pemikiran yang dicetuskan oleh para tokoh feminis tertentu, keluarga dipandang sebagai pengekang utama wanita dan dengan bertumbuhnya feminisme mempengaruhi wanita, maka kualitas keluarga tradisional mengalami kemerosotan. Paham tersebit ditularkan oleh orang ke orang lain, dari kelompok ke orang dan dari orang ke kelompok, maka dari itu dampaknya pun luar biasa terhadap keluarga tradisional, seiring maraknya problem keluarga, paham ini terus tumbuh subur [1][2][3][7][11]. Gambar 1. Penurunan persentase pekerja pria di Amerika Serikat

Gambar 2. Peningkatan persentase pekerja wanita di Amerika Serikat

Fakta-fakta pada grafik di gambar satu dan dua, dalam penelitian kualitatif menjadi salah satu parameter yang berperan dalam pergolakan revolusi sosial masyarakat. Lebih lanjut lagi berdasarkan sumber tertentu dikatakan bahwa revolusi sosial mendorong para wanita untuk terjun ke lapangan kerja, hal ini berdampak pada keluarga, berdampak pula pada berbagai elemen lain yang didapati kontradiktif dengan paham kelompok tertentu, hal ini akan menjadi parameter lainnya untuk disertakan dalam memodelkan pergerakan revolusi sosial yang membawa pada perubahan di masyarakat. Seperti dikutip dalam buku yang mengalamati pergerakan sosial tersebut dikatakan bahwa dalam wawancaranya dengan The Guardian, Diane berkata: “Orang-orang yang bertumbuh pada era feminisme umumnya memiliki pandangan yang sangat beragam tentang keluarga, dimana sejak dulu keluarga seharusnya terdiri dari pria dan wanita heteroseksual, dengan anak dan ibu di rumah[8][11].

Beberapa data startistik yang dipertimbangkan untuk disertakan dalam model berdasarkan metode kualitatif dipercontohkan sebagai berikut[8]: 

Jumlah tenaga kerja laki-laki terus mengalami penurunan selama beberapa tahun terakhir.



Pada tahun 1950, hampir setiap pria masuk kedalam angkatan kerja, mencakup mereka yang bekerja dan mereka aktif melamar pekerjaan.



Jumlahnya terus mengalami penurunan di awal tahun 1956 menjadi 97,7%, dan meluncur ke rekor terendah pada akhir 2012.



Jumlah para pria didapati mendekam di penjara, penyandang cacat, selebihnya tidak dapat menemukan pekerjaan dan menyerah untuk mencari pekerjaan



Persentase pria di Amerika Serikat yang memiliki pekerjaan menempati porsi kurang dari 65 persen berdasarkan data tahun 2016.



Temuan lain yang juga diertakan dalam model kualitatif yakni ketertarikan dan penurunan minat kelompok masyarakat terhadap kasus, konten dan berita seputar politik gender, seperti yang diperlihatkan pada Gambar 3 s.d Gambar 10.

Gambar 3. Diagram peningkatan signifikan bagi orangorang yang mencari kata kunci ‘Y’ di Google


20


Gambar 4. Diagram yang memperlihatkan pola yag sama dengan dua kata kunci pada Google

Gambar 5. Pelemahan minat orang mengakses kata kunci ‘X’ pada Google

Gambar 6. Dua kata kunci ‘Y1’ dan Y2’ yang memiliki relevansi berdasarkan metode kualitatif

dunia perihal ‘Y’. Komunitas yang juda dinamakan identik dengan kata kunci ‘Y’ menyediakan atmosfir bagi audiensinya untuk berdiskusi, bertukar pikiran dan pandangan bahkan berdebat, tidak jarang mereka menyatakan ketidaksetujuan untuk kasus tertentu, misalnya menganalisa perihal suatu kondisi terpapar feminisme atau tidak. Contoh diskusi yang terjadi dalam komunitas ini misalnya adalah perfilm-an yang dijustifikasi bahwa Hollywood saat ini yang disinyalir menjadi ajang propaganda feminisme. Sumber-sumber data pada mensin pencari adalah salah satu yang menjadi parameter peminatan dan perbincangan orang-orang termasuk konflik sosial. Berbagai sumber lain seperti berbagai konten pada jejaring sosial dapat digunakan sebagai wujud meminatan dan perbincangan orang-orang terhadap konflik sosial yang berimbas pada revolusi sosial. Berdasarkan temuan kualitatif inilah, maka kata kunci ‘Y’ menjadi salah satu parameter yang berperan penting dalam memodelkan revolusi sosial, terkait meningkatnya orang-orang yang menggunakan kata kunci dalam mencari kontenkonten melalui mesin pencari. Sedangkan jika ditelahan mendapat kata kunci ini terelasi pula dengan berbagai kata kunci lain bidang gender politik, kata-kata yang dikatakan selaras datau kontradiktif. Kondisi ini membangun keterhubungan jika A maka B atau jika A maka bukan B dan seterudnya untuk berbagai variasi kata dan jumlah kata kunci.

Gambar 8. Peningkatkan kata kunci ‘Y’ Gambar 7. Pemetaan kata kunci ‘Y’ dalam ruang lingkup lokasi geografis dunia

Korekasi kata kunci disertakan dalam penelitian karena dalam metode kualitatif, karena hal ini menjelaskan dan berpengaruh pada revolusi sosial. Lebih lanjut, istilah ‘Y’ yang menjadi paham yang berseberangan dengan ‘X’ mulai mencuat di tahun 2005 dan terus mengalami pertumbuhan dari tahun ke tahun. Member komunitas ini pun aktif setiap jamnya untuk melansir informasi dari seantero

Gambar 9. Pemetaan kata kunci ‘Y’ dalam ruang lingkup lokasi geografis dunia


21


variabel dengan variabel lainnya sebagai berikut [9][12][13]:

Gambar 10. Berbagai kata kunci relevan perihal ‘Y’

Dari daftar-daftar kata kunci dan fakta-fakta pendukung lain yang diambil dari biro statistik, hal ini akan dijadikan bagian dari model keterhubungan yang untuk jangka panjang memjadi alat dalam memodelkan revolusi sosial. Teknik-teknik semisal data mining menjadi alat pembelajaran pola terhadap data-data masa lalu, integrasi metode kualitatif dengan data mining menjadi strategi dalam membangun ruang penelitian yang dulunya tidak tersentuh dalam membangun relasi.

III. ANALISIS DAN PERANCANGAN Langkah pertama yang harus dialamati dalam memindai ruang lingkup yakni membuat model kualitatif perihal revolusi sosial dunia, dengan mencari tahu variabel-variabel yang bertanggung jawab dan berpengaruh pada terbentuknya revolusi sosial, variabel ini dibagi kedalam dua jenis yakni variabel dependen dan variabel independen. Variabel independen merupakan variabel yang menjadi peubah utama dari model, sedangkan variabel dependen adalah variabel yang bergantung pada variabel lain untuk membuat perubahan. Dalam kasus ini metode kualitatif mengcu pada satu nara sumber dapat dijadikan dasar untuk memindai data kualitatif sebaai dasar model revolusi sosial. Dalam kasus model revolusi sosial, contoh variabel Independen adalah salah satu istilah yang disebut sebagai sebut saja ‘Y’ menjadi wakil dari konten yang menjadi ketertarikan masyarakat perihal perang gender, sedangan variabel dependen yang adalah ‘Y1’ yang berpengaruh sehubungnan maraknya ketertarikan orang terhadap konten ‘Y’. Untuk kasus yang lebih komplek melibatkan banyak variabel, perlu ditentukan pula variabelvariabel yang menjelaskan hubungan antara satu

-

Variabel Independen: merupakan jenis variabel yang tidak dipengaruhi variabel lain.

-

Variabel Dependen: merupakan jenis variabel yang dipengaruhi variabel lain.

-

Variabel Moderator: variabel yang mempengaruhi korelasi antar dua variabel.

-

Variabel Intervening: jenis variabel yang mempengaruhi hubungan aantara variabel independen dengan variabel dependen, dan variabel ini menjadi perntara yang membatuk hubungan yang tidak langsung antara variabel dependen dan independen..

-

Variabel Kendali: variabel yang mempengaruhi variabel terikat, tetapi dalam penelitian keberadaannya besifat netral.

Berdasarkan variabel inilah maka akan dibangun data kauliatatif yang menjadi dasar konstruksi perihal korelasi antar data, yang disimpan dalam skema data kubikal yang multidimensi, struktur basis datadan juga data yang tersimpan didalamnya nantinya dilanjutkan dengan proses mining.

Gambar 11. Diagram blok langkah kerja menghasilkan prediksi pergerakan revolusi sosial dunia

Kubikal data Membangun kubikal data dilakukan setelah dibuat korelasi antar variabel, biasanya dalam basis


22


data korporasi, keterhubungan data ini dibangun dengan aturan bisnis yangsifatnya general, sedangkan dalam kasus ini korelasi dibangun berdasarkan penelitian kualitatif yang siatnya subjektif. Hal ini mampu melingkupi bebagai ranah pernelitianyang dulunya tidak tersentuh karena kurangnya dasar pengetahuan. Proses normalisasi dilakukan untuk memenuhi tahap NF3 bentuk normal ketiga, NF4 dann BNC bergantung pada field dan efisiensi kubikal data. Sedangkan keterhubungan dan referensisal integrity rules terpelihara pada kontainer basis data sewaktu mendefinisikan struktur basis data dan juga tabeltabelnya. Proses membangun kubikal data pada dasarnya menjadi bagian dari preparasi datayakni transformasi data sedemikian sehingga data siap ditindak lanjuti dengan teknik data mining untuk menggali pola dan juga untuk keperluan prediksi, dalam hal ini memprediksi pergerakan revolusi sosial dunia. Semakin banyak parameter yang ditemukan dalam pendekatan kualitatif, maka semakin bervariasi dan semakin tinggi tingkat kebenaran hasil prediksi dan semakin luas ruang lingkup prediksi.

Proses data mining diberlakukan yang tujuannya adalah menyiapkan data dan membangun pola dari data. Detail dari proses data mining dapat dilihat pada Gambar 12, mencakup memilih sumber data, transformasi data, membangun pola dan inteprestasi dari pola data[13][14][16][17][18].

Gambar 12. Diagram blok mining secara umum[10][19]

Aturan asosiasi yang dinayakan baik dan menegaskan kebenaraan metode kualitatif, yakni jika didapatkan konfiden sebesar >= 70%. Aturan asosiasi ini akan ditindaklanjuti dengan proses prediksi[10][19]. Aturan asosiasi Dalam kasus ini, temuan pola mining mengacu pada membangun aturan asosiasi yang menjelaskan korelasi variabel ‘jika dan maka’, misalnya: -

Jikaterjadi peningkatan minat pencarian terhadap konten ‘Y1’ akan juga berkontribusi pada meningkatnya minat terhadap material ‘Y2’

-

Jika terjadi peningkatkan minat pencarian terhadap material ‘Y’ maka akan berdampak pada pelemahan minat terhadap material ‘X1’ dan ‘X2’.

Langkah demi langkah algoritma Apriori dijelaskan sebagai berikut di bawah ini: 1.

Menentukan minimum confident yang sama atau lebih tinggi dari 70% dan support yang sama atau lebih tinggi dari 50%.

2.

Memindai kumpulan data untuk mengidentifikasi item frequent yang memiliki support dan confident seperti yang didefinisikan pada langkah pertama.

3.

Membangkitkan kandidat dari frequent item.

4.

Item non frequent akan dieliminasi.

5.

Memindai kumpulan data untuk mengidentifikasi Kandidat yang dikatakan frequent.

Gambar 11. Data kubikal yang menyimpan data utuk memetakan pergerakan revolusi sosial dunia

Data kubikal ini akan dilakukan analisa, mencaup drilling data generalisasi, sumarisasi, slicing dan dicing yang kemudian data yang dilipilh iniakan ditindaklanjuti dengan analisa data mining dalam wjud aturan asosiasi untuk melihat kebenaran dari korelasi yang sudah dipilih melalui metode kualitatif.


23


6.

Jika tidak ada kandidat yang dipertimbangkan kemudian lanjutkan ke langkah 7 lain pergi ke langkah 2.

7.

Aturan asosiasi yang menunjukkan dasar dari frequent item yang ditetapkan.

Berdasarkan penelitian sebelumnya, aturan asosiasi yang dikatakan kuat adalah aturan asosisasi dengan tingat konfiden sebesar >= 70%.

pada pohon akan terus dibentuk, dan proses eksekusi membangun cabang pada tahap ini akan berhenti jika misalnya tidak lagi ditemukan variasi baru. 2. Pohon yang sudah terbentku pada langkah pertama akan dipangkasa dengan teknik regresi. 3. Langkah ketiga, yaitu untuk menghindari kondisi yang fluktuatif dan menghindari inkonsistensi, digunkaan teknik smoothing akan merekonstruksi bentuk pohon logika, termasuk cabang-cabang dan daun. 4. Langkah lebih lanjut yakni menggabungkan proses rekonstruksi dengan model linear yang akan menghasilkan nilai prediks. Algoritma prediksi ini dipilih atas dasar kepemilikan data yang lengkap dan melibatkan banyak sumber datayang terlasi satu sama lain. Sedemikian sehingga diharapkan prediski yang menjadi bagian dari model ini mampu membangun tingkat kebenaran prediksi lebih dari 70%.

Gambar 10. Algoritma Apriori dalam membangun aturan asosiasi

Algoritma Prediksi

Proses yang menajdi bagian dari model ini mengambil data dari ragam sumber salah satunya dari minat seseorang terkait konten internet dengan mengacu pada berbagai kata kunci berdasarkan metode kualitatid yang berhubungan kuat dengan pergerakan revolosu sosial dunia, disamping itu berbagai data-data tambahan disertakan pula mencakup sebab akibat yang disinyalir muncul karena adanya revolusi sosial. Beberapa sampel data yang dimaksud dapat dilihat pada tabel 1 dan tabel 2.

Untuk memprediksi berdasarkan korelasi aturan asosiasi yang telah dihasilkan dan juga pergerakan data secara keseluruhan, maka dalam kasus ini metode prediksi akan dilakukan menggunakan M5P. Algoritma M5P akan menganalisis dan membuat nilai output dengan koleksi nilai-nilai contoh dan fitur vektor, serta waktu perhitungan prediksi keterbatasan rentang yang diinginkan. Pada dasarnya, algoritma ini akan membuat dan melaksanakan pohon keputusan rekonstruksi dengan fungsi regresi linear, untuk setiap node terbentuk. Ada empat langkah utama untuk melakukannya: 1. Induksi pohon keputusan yang menjadi dasar untuk membangun pohon logika, cabang Jurnal Nasional JMII 2017

24


Tabel 1. Sampel data dari kemunculan kata kunci tertentu dalam suatu region per minggunya

dukungan dalam model. Yakni tingkat confidence >= 70% dan tingkat kebenaran prediksi >=70%.

IV. KESIMPULAN DAN SARAN Pendekatakan kualitatif menjadi solusi dalam mnenentukan parameter guna memodelan pergerakan revolusi sosial dunia, hal ini dimungkinkan dengan menggunakan cukup satu nara sumber yang relevan. Metode kuantitatif, komputasi dan statistik sehubungan data mining dan data kubikal menjadi alat yang mampu memodelkan revolusi dunia ini menjadi model yang terukur.

Tabel 2. Sampel data dari kemunculan kata kunci tertentu berbasiskan negara

Sehubungan data-data yang dipilih melalui pendekatan kualitatif, akan diujikan sehingga parameter dapat dikatakan relevan dengan data sehubungan revolusi sosial dunia. Teknik-teknik membangun data kubikal sanggup memetakan data multideminsi ini dengan memperhatikan integritas basis data sehingga model dapat dipelihara melalui keterhubungan antar elemen yang menjadi tindak lanjut dari metode kualittaif. Data yang sudah tersimpan tersebut akan ditindaklanjuti dengan ragam teknik mining sehingga siap untuk dikelola lebih lanjut untuk menambang pola data. Pengujian lebih lanjut dalam membangun aturan asosiasi adalah wujud dari pembuktian kelayakan pernyataan kualitatif dan realisasi keterhubungan antara elemen-elemen dari model kualitatif. Teknik Mining kategori prediksi diimplementasikan untuk melihat pergerakan revolusi sosial dunia dimasa depan, dan pengujian prediksi dilakukan dalam jangka waktu yang terbatas guna memastikan akurasi hasil prediksi. Model pergerakan revolusi sosial dengan metode kualitatf dan tersebut menjadi kerangka kerja yang akan ditindaklanjuti guna keperluan prediksi dan simulasi, wujudnya adalah sistem pendukung keputusan dalam membuat kebijakan ranah sosial.

Metode kualittatif yang menjadi dasar dalam meodelkan revolusi sosial dunia akan diuji dengan teknik-teknik penentuan pola dan dalam prosesnya, langkah ini dapat dilakukan secara repetitif hingga kondisi tertentu dicapai, hal ini dikarenakan temuan data baru atau penilaian ulag akibat minimnya nilai pola yang terbentuk yang menjelaskan kurangnya

REFERENSI [1]. Abdul Karim . KERANGKA STUDI FEMINISME (Model Penelitian Kualitatif tentang Perempuan dalam Koridor Sosial Keagamaan) . Fikrah, Vol. 2, No. 1, Juni 2014


25


[2]. Agrawal, R., Srikant, R., Fast Algorithms for Mining Association Rules. IBM Almaden Research Center 650 Harry Road, San Jose, CA 95120. Proceedings of the 20th VLDB Conference Santiago, Chile. 1994.

Analysis. World Development. Vol. 30, No. 3, pp. 511–522, 2002. 2002 Published by Elsevier Science Ltd

[3]. Amir B. Qualitative Research in Sociology. SAGE Publications Ltd. London 2004.

[13]. Ivan Bratko and Dorian ˇSuc. Qualitative Data Mining and Its Applications. Journal of Computing and Information Technology - CIT 11, 2003, 3, 145-150

[4]. Blaxter, L, Hughes, C and Tight, M (1996) How to Research, Buckingham, Open University Press.

[14]. John F. Elder IV, Ph.D.. Data Mining with Qualitative and Quantitative Data. iianalytics.com. 2011.

[5]. Bryman, A (1988) Quantity and Quality in Social Research, London, Routledge.

[15]. Natasha Mack. Qualitative Research Methods: A Data Collector’s Field Guide. Family Health International. 2005

[6]. Burns, R (2000) Introduction to Research Methods, London, Sage. [7]. Dr. Marzuki, M.Ag., KAJIAN AWAL TENTANG TEORI-TEORI GENDER. PKn dan Hukum FISE UNY) [8]. Feri Sulianta. Awaken The Giant – bangkitnya Revolusi Sosial Dunia. Leutikaprio Publications. Desember 2016. [9]. Gumilar Rusliwa Somantri. Memahami Metode Kualitatif. Makara, Sosial Humaniora, Vol. 9, No. 2, Desember 2005: 57-65 [10]. Han,Jiawei., Kamber, Micheline., Data Mining:Concepts and Techniques. Morgan Kaufmann Publishers 2006 [11]. How feminism is to blame for the breakdown of the family, by Left-winger Diane Abbott. [http://www.dailymail.co.uk/news/article2256850/How-feminism-blame-breakdownfamily-Left-winger-Diane-Abbott.html]. [12]. White, Howard. Institute of Development Studies, Brighton, UKCombining Quantitative and Qualitative Approaches in Poverty

[16]. Sulianta, Feri. . Customer Profiling Pada Supermarket Menggunakan Algoritma K-Means Dalam Memilih Produk Berdasarkan Selera Konsumen Dengan Daya Beli Maksimum. Jurnal Ilmiah Teknologi Informasi Terapan, Vol 1, No 1 (2014), ISSN: 2407-3911. [17]. Sulianta, Feri. Mining Food Industry’s Multidimensional Data to Produce Association Rules using Apriori Algorithm as a basis of Business Strategy. IEEE. Issue 28, March 2013. [18]. Sulianta, Feri. Mining Transactional Data To Produce Extended Association Rules Using Collaborative Apriori, Fsa-Red And M5p Predictive Algorithm As A Basis Of Business Actions. Prosiding WISS. 2016. [19]. Witten,Ian., Frank, Eibe., Data Mining – Practical Machine Learning Tool and techniques. Morgan Kaufmann Publishers 2005 page :6 ; page: 27 paragraph 1 ; page : 112-118, page 47-86.


26


RANCANG BANGUN SISTEM INFORMASI EKSEKUTIF BERBASIS OLAP (Online Analytical Processing) PADA PERUSAHAAN GAHARU MEKAR LESTARI Dede Iswanto Program Studi Teknik Informatika Fakultas Teknik Universitas Widyatama Jalan Cikutra No. 204A, Bandung, Indonesia [email protected] ABSTRAK Transaksi pada suatu perusahaan selalu terjadi setiap harinya mengikuti proses bisnis yang dilakukan oleh perusahaan tersebut. Seiring dengan bertambahnya dari waktu ke waktu data transaksi akan bertambah setiap harinya. Dari data transaksi yang tersimpan pada database akan lebih bermanfaat jika data tersebut dapat dianalisa sehingga menghasilkan sebuah informasi untuk membantu dalam proses bisnis suatu perusahaan dalam proses pengambilan keputusan. Namun perusahaan Gaharu Mekar Lestari mengalami kesulitan dalam melakukan proses analisa dan pengambilan keputusan. Data warehouse adalah sekumpulan data yang bersifat subject-oriented, integrated, time-variant dan non-volatile untuk mendukung proses pengambilan keputusan strategis organisasi. Pada penelitian ini untuk mengatasi permasalahan diatas dilakukan perancangan dan pembangunan sebuah data mart penjualan untuk dilakukan proses analisa menggunakan proses OLAP (Online Analytical Processing). OLAP (Online Analytical Processing) menggunakan konsep data multidimensi yang memungkingkan para pengguna dapat menganalisa data sampai mendetail tanpa harus mengetik satupun perintah SQL. Keluaran yang dihasilkan dari penelitian ini adalah data mart penjualan yang dapat mempermudah proses analisis data yang telah ada di dalam perusahaan tersebut, dashboard yang menyajikan informasi ke dalam bentuk visual dan informasi prediksi penjualan. Dengan dibangunnya data mart dan dilakukan proses analisa menggunakan OLAP (Online Analytical Processing) dapat membantu dalam proses pengambilan keputusan untuk meningkatkan kinerja dan membangun strategi bisnis pada perusahaan Gaharu Mekar Lestari.

Kata Kunci : Data Mart, OLAP (Online Analytical Processing), Sistem Informasi Eksekutif, Pengambilan Keputusan. ABSTRACT Transactions on a company always happens every day following business processes undertaken by the company. Along with the increase over time transaction data will grow each day. From the transaction data stored in the database would be more useful if the data can be analyzed to develop information to assist in the process of a company's business decision making processes. However the company Gaharu Mekar Lestari experienced difficulties in the process of analysis and decision making. Data warehouse is a collection of data that is subject-oriented, integrated, time-variant and nonvolatile to support organization's strategic decision making process. In this research to overcome the above problems is to design and construction of data marts for sales made using a process OLAP (Online Analytical Processing). OLAP (Online Analytical Processing) using the concept of multidimensional data that allow users to analyze the data without having to type a single SQL command. Output resulting from research this is data mart sales to simplify process of analysis the data that has been is in the company, dashboard which presents information into a visual form and information prediction sales. With the construction of data warehouse and analysis process is carried out using OLAP (Online Analytical Processing) can help in the decision making process to improve performance and build on the company's business strategy Gaharu Mekar Lestari.


27


Key Words

:Data Mart, OLAP (Online Analytical Processing), Executiv Information System, Decision Making.

I.

PENDAHULUAN

Pada era teknologi maju sekarang ini, persaingan dunia bisnis tumbuh sangat pesat sehingga kemampuan dalam mempertahankan dan eksistensi suatu perusahaan sangatlah penting agar perusahaan tersebut dapat bersaing dengan perusahaan lainnya. Transaksi pada perusahaan selalu terjadi setiap harinya mengikuti proses bisnis yang dilakukan pada perusahaan tersebut. Dari transaksi yang terjadi setiap hari, data transaksi tersebut disimpan dalam database dan dari waktu ke waktu akan bertambah setiap harinya. Dari data transaksi yang tersimpan pada database akan lebih bermanfaat jika data tersebut dapat dianalisa sehingga menghasilkan sebuah informasi untuk membantu dalam proses bisnis suatu perusahaan. Gaharu Mekar Lestari adalah perusahaan yang bergerak dibidang penjualan spare part mobil di Haurgeulis Kabupaten Indramayu. Sebagai perusahaan berkembang yang membutuhkan analisa dari data penjualan yang terjadi agar data tersebut bisa dimanfaatkan dengan baik untuk kepentingan perusahaan dalam persaingan bisnisnya. Dari data transaksi penjualan yang dapat menampilkan data dalam bentuk tabel dan grafik akan mempermudah perusahaan dalam melakukan analisa. Namun perusahaan Gaharu Mekar Lestari masih mengalami kesulitan untuk meringkas data menjadi beberapa irisan data yang menghasilkan tabel dan grafik secara dinamis agar dapat memonitor penjualan pada perusahaan tersebut. Untuk dapat terus berkompetisi dipasaran, perusahaan Gaharu Mekar Lestari membutuhkan laporan penjualan yang dapat mengetahui perkembangan penjualan yang terjadi pada perusahaan. Dalam pembuatan laporan pada perusahaan Gaharu Mekar Lestari dibutuhkan perhitungan secara interaktif oleh user sehingga dapat menghasilkan laporan penjualan dengan cepat, rinci, dan praktis dengan berbagai bentuk tampilan multidimensi yang dapat memudahkan dalam proses

pengambilan keputusan untuk meningkatkan kinera perusahaan. Penelitian sebelumnya Ika Tresnawati dan Emi Susilowati (2014) melakukan Implementasi Teknologi OLAP Pada Sistem Pengolahan Data Penjualan PT. SWANISH untuk menyajikan informasi penjualan yang akurat dan bermanfaat[1] . Budi, Dessyanto, Markus (2011) melukakan penelitian Analisa Data Transaksional pada ECommerce dengan Teknologi OLAP dengan memanfaatkan informasi yang ada pada data warehouse dan telah berhasil melakukan analisa data lebih lanjut dengan menggunakan teknologi OLAP[2]. Oleh karena itu, dalam penelitian kali ini untuk mengatasi masalah diatas penulis melakukan pengolahan data yang jumlahnya besar dan membuat sebuah data mart penjualan yang kemudian akan dilakukan analisa dengan menggunakan teknologi OLAP (Online Analytical Processing). Analisa menggunakan OLAP menghasilkan informasi secara multidimensi yang artinya mampu melihat data dari berbagai sudut pandang. Dengan demikian diharapkan pihak pimpinan perusahaan Gaharu Mekar Lestari dapat menganalisa setiap data penjualan yang diinginkan dan membuat laporan penjualan secara cepat, rinci, dan praktis dengan berbagai bentuk tampilan multidimensi sehingga memudahkan dalam proses pengambilan keputusan untuk membangun strategi bisnis.

II. LANDASAN TEORI Data Warehouse Menurut O’Brien (2005, p143), data warehouse adalah kumpulan data terintegrasi yang diekstrak dari database operasional, historikal, dan eksternal, dibersihkan, ditransformasi, dan dikatalogkan untuk penarikan dan analisis (data mining), untuk menyediakan Business Intelligence untuk pengambilan keputusan bisnis. Menurut Inmon (2005:29), data warehouse adalah sekumpulan data yang bersifat subjectoriented, integrated, time-variant dan non-volatile untuk mendukung proses pengambilan keputusan strategis organisasi[3].


28


Menurut (kimball, ross, 2002) data warehouse adalah sebuah sarana yang dapat meningkatkan kualitas pengambilan keputusan, data warehouse berisi data yang dapat mendukung prosess DSS. OLAP (Online Analytical Processing) OLAP singkatan dari On-Line Analytical Processing. Secara mendasar OLAP adalah suatu metode khusus untuk melakukan analisis data yang terdapat di dalam media penyimpanan data (database) dan kemudian membuat laporannya sesuai dengan permintaan user [Yudhi Hermawan, 2005 : 110]. OLAP akan menampilkan data dalam sebuah tabel yang dinamis, yang secara otomatis akan meringkas data ke dalam beberapa irisan data yang berbeda dan mengizinkan user untuk secara interaktif melakukan perhitungan serta membuat laporan. Tool untuk membuat laporan tersebut adalah tabel itu sendiri yaitu dengan melakukan drag terhadap kolom dan baris. User dapat mengubah bentuk laporan dan menggolongkannya sesuai dengan keinginan dan kebutuhan user dan OLAP engine secara otomatis akan mengkalkulasi data tersebut [Yudhi Hermawan, 2005 : 105]. Berikut adalah operasi-operasi yang terdapat pada OLAP yang merupakan keunggulan dalam proses analisa OLAP [J. Han & M. Kamber, 2006 : 123] : a. Rool-up dan Drill Drown Operasi ini merupakan proses agregasi data. Proses drill down adalah proses penampilan data dalam bentuk yang lebih detail. Proses pendetailan ini berdasarkan konsep hirarki data yang telah terformat sebelumnya. Kebalikannya yaitu consolidation yaitu penggabungan atau penyatuan data ke dalam level yang lebih tinggi. b. Slice dan Dice

c.

Operasi slicing dan dicing merupakan kemampuan OLAP untuk melakukan pemilihan subset pada suatu data. Proses slicing adalah proses pemotongan data pada cube berdasarkan nilai pada satu atau beberapa dimensi. Sedangkan dicing adalah pemotongan hasil slicing menjadi bagian subset data yang lebih kecil. Pivoting

Pivoting adalah kemampuan OLAP untuk mengubah berbagai sudut pandang data. Dengan operasi ini perubahan perspektif sudut pandang menjadi lebih mudah. Rotasi dapat dilakukan dengan memutar masingmasing sumbu dari cube yang dikehendaki untuk menampilkan data dari berbagai sudut pandang.

Gambar 3.1 Usecase Diagram Sistem Yang Sedang Berjalan

III.

ANALISIS SISTEM

Sistem Yang Sedang Berjalan Gambar 3.1 merupakan usecase diagram yang sedang berjalan pada perusahaan Gaharu Mekar Lestari , pada sistem tersebut pimpinan perusahaan hanya dapat menampilkan total penjualan dan mengunduh laporan penjualn hanya dalam format excel. Analisis Kekurangan Berjalan

Sistem

Yang

Sedang

Pada penelitian yang telah dilakukan untuk mengetahui bagaimana cara kerja sistem yang saat ini berjalan di perusahaan Gaharu Mekar Lestari, maka penulis menemukan dan menyimpulkan bahwa masalah yang ada belum mampu menganalisa secara langsung dari data operasional yang mengakibatkan pimpinan perusahaan mengalami kesulitan ketika dalam proses pengambilan keputusan dalam proses


29


bisnisnya, beberapa masalah diantaranya seperti berikut dibawah. 1. Sistem yang ada masih berbasis desktop sehingga sulit untuk dikendalikan jarak jauh oleh pimpinan perusahaan. 2. Tidak mampu menganalisa data untuk menghasilkan informasi penjualan yang bermanfaat untuk keperluan strategi bisnisnya. 3. Laporan penjualan yang dihasilkan hanya menampilkan total penjualan. Usulan Solusi dari Sistem yang Sedang Berjalan Berdasarkan analisis kekurangan dari sistem yang sedang berjalan, maka dapat disimpulkan bahwa untuk membangun sistem ini kedalam sebuah sistem berbasis web yang membutuhkan hal seperti berikut dibawah. 1. Sistem berbasis web agar pimpinan perusahaan dapat mengetahui perkembangan penjualan dari jarak jauh. 2. Memanfaat data operasional untuk dilakukan analisa data menggunakan konsep

OLAP untuk menghasilkan informasi penjualan yang bermanfaat untuk keperluan strategi bisnisnya. Sistem yang Akan Dikembangkan Sesuai dengan hasil analisa dan kebutuhan sistem yang telah diperoleh maka sistem yang akan dikembangkan memiliki fungsi seperti berikut dibawah. 1. Menganalisa data penjualan agar dapat menghasilkan informasi penjualan yang bermanfaat untuk keperluan bisnisnya. 2. Dapat melihat laporan penjualan lebih detil dengan menggunakan konsep OLAP. 3. Membuat laporan penjualan dalam bentuk grafik dan tabel untuk memudahkan pimpinan perusahaan dalam proses pengambilan keputusan. Analisis Metode Processing)

OLAP

(Online

Analytical

Tabel 3.1 Analisis Metode OLAP (Online Analytical Processing) Aplikasi Konsep OLAP

Fitur

OlapCub e Writer 4.3.7.0

Power Play

Gaharu Mekar Lestari

Tabel Fakta Menampilkan Tabel

Tabel Dimensi



















Query Tabel Fakta Menampilkan Grafik

Tabel Dimensi Query Tabel Fakta

Ringkasan Data Tabel Dimensi


30


Query Pivot Tabel

Query





-

Export to excel

Tabel hasil query







Export to pdf

Tabel hasil query







Dari hasil analisis yang dilakukan, Aplikasi OlapCube Writer dan PowerPlay dalam menganalisa data mampu menampilkan data dalam bentuk grafik dan tabel, meringkas data, membuat pivot tabel dan dapat mengkonversi dalam bentuk file excel dan pdf. Sistem yang akan dibuat untuk perusahaan Gaharu Mekar Lestari dalam menganalisa data dapat menampilkan data dalam bentuk grafik dan tabel, meringkas data, dan dapat meng-export tabel dalam bentuk file excel dan pdf. Sedangkan penggunaan pivot tabel tidak diperlukan karena sesuai dengan kebutuhan dalam memperoleh informasi dari data penjualan Gaharu Mekar Lestari.

IV. PERANCANGAN SISTEM

Gambar 4.1 Usecase Diagram Usecase Diagram Gambar 4.1 merupakan rancangan gambar Use Case Diagram pada sistem yang akan dibuat. Pada

sistem tersebut terdapat dua aktor yaitu admin dan user. Admin dan user mempunyai hak akses yang berbeda. Admin mempunyai akses seperti melihat


31


grafik dan tabel, mengunduh grafik dan tabel, mencetak tabel, melihat prediksi penjualan , serta mengelola user dan data. Sedangkan user hanya dapat melihat grafik dan tabel, mengunduh grafik dan tabel, mencetak tabel dan melihat prediksi penjualan.

d.

Total penjualan berdasarkan kategori barang per tahun e. Total penjualan berdasarkan supplier barang per tanggal f. Total penjualan berdasarkan supplier barang per bulan g. Total penjualan berdasarkan supplier barang per tahun h. Kategori penjualan paling laku per tanggal i. Kategori penjualan paling laku per bulan j. Kategori penjualan paling laku per tahun k. Supplier penjualan paling laku per tanggal l. Supplier penjualan paling laku per bulan m. Supplier penjualan paling laku per tahun n. Kategori penjualan tidak laku per tanggal o. Kategori penjualan tidak laku per bulan p. Kategori penjualan tidak laku per tahun q. Supplier penjualan tidak laku per tanggal r. Supplier penjualan tidak laku per bulan s. Supplier penjualan tidak laku per tahun

Rancangan Data Mart Penjualan Dalam perancangan data mart pada perusahaan Gaharu Mekar Lestari agar dapat dilakukan dengan baik, ada beberapa tahapan untung membangun data mart penjualan antara lain : Pemilihan Proses Proses penjualan barang adalah proses transaksi penjualan yang dilakukan oleh perusahaan Gaharu Mekar Lestari. Data yang di perlukan adalah data transaksi penjualan barang pada perusahaan Gaharu Mekar Lestari. Pemilihan Grain Grain dalam data mart ini yaitu sebagai berikut : a. Ratio penjualan berdasarkan nama barang b. Total penjualan berdasarkan kategori barang per tanggal c. Total penjualan berdasarkan kategori barang per bulan

Identifikasi dan Penjualan Barang

Penyesuaian

Dimensi

Tabel 4.1 Grain dan Dimensi Penjualan Barang

Ratio penjualan berdasarkan nama barang

Bar

X

ang

Kat egori

ktu

Grain

plier

Wa

Sup

Dimensi

X

Total penjualan berdasarkan kategori barang per tanggal

X

X

X

Total penjualan berdasarkan kategori barang per bulan

X

X

X

Total penjualan berdasarkan kategori barang per tahun

X

X

X


32


Total penjualan berdasarkan supplier barang per tanggal

X

X

X

Total penjualan berdasarkan supplier barang per bulan

X

X

X

Total penjualan berdasarkan supplier barang per tahun

X

X

X

Kategori penjualan paling laku per tanggal

X

X

X

Kategori penjualan paling laku per bulan

X

X

X

Kategori penjualan paling laku per tahun

X

X

X

Supplier penjualan paling laku per tanggal

X

X

X

Supplier penjualan paling laku per bulan

X

X

X

Supplier penjualan paling laku per tahun

X

X

X

Kategori penjualan tidak laku per tanggal

X

X

X

Kategori penjualan tidak laku per bulan

X

X

X

Kategori penjualan tidak laku per tahun

X

X

X

Supplier penjualan tidak laku per tanggal

X

X

X

Supplier penjualan tidak laku per bulan

X

X

X

Supplier penjualan tidak laku per tahun

X

X

X

Pemilihan Fakta Setelah melalui tahap identifikasi dan penyesuaian dimensi, selanjutnya adalah menemukan fakta yang dapat diperoleh dalam

proses pemilihan grain. fakta penjualan barang pada perusahan Gaharu Mekar Lestari seperti pada tabel di bawah ini :

Tabel 4.2 Pemilihan Fakta Fakta

Field KD_WAKTU KD_SUPPLIER

Penjualan

KD_KATEGORI KD_BARANG


33


QTY TOTAL_HARGA Memberikan deskripsi pada dimensi sedetail mungkin agar dapat mudah dipahami oleh user. Berikut deskripsi text dari tabel dimensi :

Melengkapi Tabel Dimensi

Tabel 4.3 Melengkapi Tabel Dimensi

Dimensi

Field

Dim_waktu

Dim_supplier

Dim_kategori

Dim_barang

Deskripsi

KD_WAKTU BULAN

Laporan dapat dilihat berdasarkan tanggal, bulan, atau tahun.

TANGGAL TAHUN KD_SUPPLIER NAMA_SUPPLIER KD_KATEGORI NAMA_KATEGORI KD_BARANG NAMA_BARANG

Laporan dapat dilihat berdasarkan kode supplier atau nama supplier. Laporan dapat dilihat berdasarkan kode kategori atau nama kategori. Laporan dapat dilihat berdasarkan kode barang atau nama barang.

Pemilihan Durasi Database dan Waktu Pembaharuan Data dalam data warehouse

Database yang masuk sejak

Database

Namaa Data Warehouse

Tabel 4.4 Pemilihan Durasi Database dan Waktu Pembaharuan

-Januari 2015 -Februari 2015 Dwh_gahar u_mekar_lestari

Gaharu mekar lestari

-Maret 2015 -April 2015

1 Tahun

-Mei 2015 -Juni 2015


34


-Juli 2015 -Agustus 2015 -September 2015 -Oktober 2015 -November 2015 -Desember 2015 Proses pembaharuan dari database operasional kedalam data warehouse akan dilakukan setiap satu tahun. Melacak Perubahan Dari Dimensi Secara Perlahan Atribut yang terdapat pada database operasional tidak selamanya memliki nilai yang statis, namun ada kemungkinan bahwa nilai

pada atribut tersebut dapat berubah tetapi dalam jangka waktu yang lama. Dalam dimensi yang telah dirancang tidak akan ada perubahan nilai, karena nilai atribut dalam dimensi sudah tetap. Skema Bintang Berikut ini merupakan rancangan skema bintang yang dihasilkan dari proses perancangan data mart.

Gambar 4.12 Skema Bintang Penjualan

V.

IMPLEMENTASI

Mapping ke Data Mart Mapping ke data mart merupakan perintahperintah yang akan digunakan untuk memindahkan data dari database operasional ke dalam data mart.

Perintah yang digunakan untuk memindahkan data tersebut tidak menggunakan query secara langsung atau tidak menggunakan bahasa sql. Untuk proses pemindahan data nya menggunakan tools Pentaho Data Integration. Berikut ini merupakan implementasi perintah untuk mengisi data mart menggunakan tools Pentaho Data Integration :


35


Gambar 5.1 Implementasi Mapping Fact_penjualan Gambar 5.1 diatas merupakan proses untuk memasukkan data operasional excel ke dalam data mart yang terdiri dari beberapa jenis job entry yang terdapat pada group general : 1. Microsoft excel input, pada tahap ini akan digunakan untuk melakukan proses pembacaan row, column, dan data yang terdapat pada file excel. 2. Select values 1, pada tahap ini akan dilakukan penyeleksian field yang diperlukan. 3. Split fields, pada tahap ini akan dilakukan pemisahan field data tanggal menjadi beberapa field yaitu, TANGGAL, BULAN, dan TAHUN. 4. Select values 2, pada tahap ini akan dilakukan penyeleksian field yang diperlukan. 5. String operation, pada tahap ini akan dilakukan proses trimming. 6. Database lookup dim_waktu, pada tahap ini akan dilakukan proses penggabungan tabel (join) antara tabel waktu dan tabel dim_waktu untuk mengambil KD_WAKTU yang ada pada tabel dim_waktu. 7. Database lookup dim_supplier, pada tahap ini akan dilakukan proses penggabungan tabel (join) antara tabel supplier dan tabel dim_supplier untuk mengambil KD_SUPPLIER yang ada pada tabel dim_supplier. 8. Database lookup dim_kategori, pada tahap ini akan dilakukan proses penggabungan tabel (join) antara tabel kategori dan tabel dim_kategori untuk mengambil KD_KATEGORI yang ada pada tabel dim_kategori. 9. Database lookup dim_barang, pada tahap ini akan dilakukan proses penggabungan tabel (join) antara tabel barang dan tabel dim_barang

10. 11.

12.

13.

14. 15.

untuk mengambil KD_BARANG yang ada pada tabel dim_barang. Select values 3, pada tahap ini akan dilakukan penyeleksian field yang diperlukan. Sort rows, pada tahap ini akan dilakukan pengurutan data sebelum dilakukan proses group by. Group by, pada tahap ini akan dilakukan pengelompokan data untuk mendapatkan quantity. Calculator, pada tahap ini akan dilakukan penjumlahan quantity dari hasil pengelompokan sebelumnya. Select values 4, pada tahap ini akan dilakukan penyeleksian field yang diperlukan. Insert/update, pada tahap ini akan dilakukan proses memasukkan data ke dalam data warehouse dengan nama tabel

fact_penjualan. Implementasi Antarmuka Implementasi antarmuka merupakan tahapan pembuatan aplikasi, melakukan proses pengkodean yang disesuaikan berdasarkan hasil rancangan sistem yang telah dibuat pada tahap sebelumnya.

Gambar 5.2 Implemantasi Antarmuka Login


36


Gambar 5.3 Implementasi Antarmuka Beranda

Gambar 5.4 Implementasi Antarmuka Dashboard


37


Gambar 5.5 Implemantasi Antarmuka Prediksi Penjualan

Gambar 5.6 Implementasi Antarmuka Upload Database


38


VI.

KESIMPULAN DAN SARAN

Kesimpulan Berdasarkan perancangan dan pembangunan data mart pada perusahaan Gaharu Mekar Lestari yang telah dilakukan, maka dapat dikemukakan beberapa kesimpulan sebagai berikut : 1. Dengan dibangunnya data mart Penjualan pada perusahaan Gaharu Mekar Lestari dapat memudahkan pimpinan perusahaan dalam melakukan analisa pada data penjualan, dibandingkan dengan menganalisa database operasional secara langsung. 2. Dengan dibangunnya Sistem Informasi Eksekutif berbasis OLAP pada perusahaan Gaharu Mekar Lestari dapat memudahkan pimpinan perusahaan untuk memperoleh informasi penjualan dan dapat membuat laporan penjualan sesuai yang diinginkan dalam bentuk grafik dan tabel sehingga dapat dijadikan sarana pendukung pada saat proses pengambilan keputusan. Saran Dalam penyusunan tugas akhir ini masih belum mencapai sempurna. Karena keterbatasan waktu dan sumber daya yang dimiliki, penyusunan tugas akhir ini masih banyak kekurangan. Penulis berharap dari penyusunan tugas akhir ini dapat memberikan hasil melalui pengembangan dan inovasi. Untuk pengembangan lebih lanjut, penulis memberikan saran sebagai berikut : 1. Penggunaan data yang lebih banyak akan mendapatkan hasil prediksi penjualan yang lebih akurat. 2. Meningkatkan tingkat keamanan sistem agar dapat terhindar dari hal-hal yang tidak diinginkan.

3.

4.

Meningkatkan prediksi penjualan yang lebih akurat dengan menggunakan metode selain single moving average. Menambahkan operasi pada OLAP yaitu proses slicing, dicing dan untuk kebutuhan selanjutnya pengguna dapat membuat laporan dalam bentuk pivot tabel.

DAFTAR PUSTAKA Ika Tresnawati dan Emi Susilowati. Implementasi Teknologi OLAP Pada Sistem Pengolahan Data Penjualan. Universitas Muhammadiyah Jakarta : 2014. Budi Santosa, Dessyanto Boedi P , Markus Priharjanto. Analisa Data Transaksional Pada ECommerce dengan Teknologi OLAP. Yogyakarta : 2011. W.H. Inmon, 2005. Warehouse 4th Edition.

Building

the

Data

Kimball, Raph., Ross, Margy. 1996. The Data Warehouse Toolkit 2nd Edition. Connolly, Thomas., Begg, Carolyn. 2005. Database Systems 4th Edition. Dyah Paramita P, Firdaus, Mira Afrina . Penerapan Data Mart Penjualan Hypermarket XYZ Menggunakan Metode From Enterprise Models To Dimensional Models. Universitas Sriwijaya : 2012. Mulyana JRP. 2005. “Pentaho : Solusi Open Source untuk Membangun Data Warehouse”. Penerbit Andi, Yogyakarta. Jogiyanto.HM.1990. “Analisis & Disain Sitem Informasi”. Andi Offset.Yogyakarta Subagyo. 1986. Forecasting Aplikasi.Yogyakarta: BPFE.


Konsep

dan

39


ANALISIS SISTEM INFORMASI PELAYANAN DESA XYZ MENGGUNAKAN KERANGKA KERJA PIECES Ucu Nugraha Universitas Widyatama Jl. Cikutra No. 204A Bandung Email: [email protected]

pendataan secara langsung ke tempat penduduk tersebut tinggal.

Abstrak Desa merupakan tingkat pemerintahan di bawah kecamatan pada suatu daerah, sistem informasi pelayanan data penduduk ditingkat desa mayoritas masih menggunakan sistem yang manual. Sistem seperti ini yang sering mengakibatkan data tidak valid, dan terkadang terdapat data yang tidak sesuai dengan fakta, dampaknya sering terjadi kesalahan dalam proses pencarian informasi data penduduk, baik data penduduk lama maupun data penduduk pindahan. Demikian pula halnya dengan data surat menyurat, seperti surat keterangan kematian, surat keterangan kelahiran, surat keterangan pindah domisili, dan sebagainya. Arsip surat terkadang tidak jelas dikarenakan pengarsipan tidak terorganisir dengan baik atau belum tersimpan dalam suatu database. Sistem informasi pelayanan di tingkat desa ini dapat membantu instansi pemerintah khususnya dalam pengelolaan pendataan penduduk dalam ruang lingkup suatu desa. Sistem yang dirancang ini dapat melakukan proses pendataan penduduk yang diawali dengan pengajuan surat-surat kependudukan oleh setiap warga yang datang ke kantor desa. Perancangan sistem informasi pendataan penduduk berbasis client server ini dirancang dengan alur dan rancangan antar muka yang mudah untuk dioperasikan. Sehingga dengan berbasis client server, data akan tersimpan terpusat di server, sehingga dapat mengurangi adanya duplikasi data, dan kehilangan data. Maka dari itu ketika pemerintah daerah membutuhkan informasi data penduduk desa yang bersangkutan data kependudukan desa dapat diperoleh dengan mudah tanpa harus melakukan

Analisis masalah dilakukan dengan menggunakan pendekatan PIECES framework. PIECES sendiri merupakan singkatan dari Performance, Information, Economics, Control, Efficiency, Service. PIECES ini memiliki enam bagian, dari masing-masing ke enam bagian tersebut dibuat check list, setiap check list pada bagian yang sesuai namanya akan memunculkan permasalahan.

Kata kunci : sitem informasi, pelayanan desa, client server, PIECES

Abstract The village is under the sub-district levels of government in the region, population data service information system at the village level the majority still uses a manual system. Systems such as these often lead to invalid data, and sometimes there is data that does not correspond to the facts, the impact frequent errors in the information seeking process data on population, both old population data, and population data transfer. Similarly, the data correspondence, such as a death certificate, birth certificate, a certificate of change of domicile, and so forth. Mail archives are sometimes unclear because archiving is not well organized or not stored in a database. Information systems services at the village level can help government agencies, especially in the management of population census within the scope of


40


a village. Designed system can make the process of population census that begins with the submission of letters of a population by every citizen who comes to the village office. Information system design based on client-server population census is designed with workflow and interface design that is easy to operate. So that the client-server-based, data will be stored centrally on the server, so it can reduce data duplication and data loss. Therefore when local governments require data information concerned villagers village population data can be obtained easily without having to collect data directly to where the people live. A problem analysis is done by using PIECES approach framework. PIECES itself is an abbreviation of Performance, Information, Economics, Control, Efficiency, Service. PIECES has six sections, each of the six sections of the checklist is made, every checklist on the corresponding name will bring up the issue.

data penduduk, yang membantu tugas dinas kependudukan dan catatan sipil, dapat melaporkan kejadian atau peristiwa kependudukan ataupun peristiwa penting. Perubahan tersebut dapat berkaitan dengan kartu tanda penduduk ataupun kartu keluarga, kelahiran, kematian, dan sebagainya. Desa XYZ dalam pencatatan data penduduknya masih dilakukan secara konvensional begitupun dengan pelayanan administrasinya. Banyak permasalahan yang dihadapi dalam pencatatan kependudukan dan pelayanan secara administrasi, seperti halnya ketika warga akan mengajukan surat kematian, pembuatan surat terhambat dikarenakan petugasnya tidak ada di tempat, atau bahkan kepala desanya sedang tidak ada di tempat dikarenakan sedang dinas keluar, yang mana surat tersebut membutuhkan validasi dari kepala desa, hal ini membuat pelayanan menjadi terhambat.

II. TINJAUAN PUSTAKA Keywords: information system, rural services, clientserver, PIECES

I. PENDAHULUAN Pelayanan terhadap masyarakat oleh aparatur pemerintah terkadang masih dianggap belum maksimal, masih banyak masyarakat yang mengeluhkan terhadap kinerja pelayanan aparatur pemerintah. Khususnya di pedesaan, pelayanan administratif masih dilakukan secara konvensional begitupun dengan pencatatan data warga penduduk desa. Pencatatan data penduduk di tingkat desa sangatlah penting, karena dengan pendataan yang baik akan menghasilkan informasi yang berkualitas bagi pemerintahan daerah maupun pusat. Diharapkan dengan adanya pendataan penduduk desa yang baik dan terorganisir, maka pemerintah daerah tidak perlu lagi melakukan pencatatan data warga desa ke rumah-rumah.

Sistem Informasi Kumpulan dari beberapa komponen yang saling terkait sehingga dapat menghasilkan suatu informasi tertentu, serta sistem pengumpulan data yang terorganisir beserta tata cara pemakaiannya. Sistem informasi merupakan kombinasi dari orang, peralatan, instruksi pemrosesan, penyimpanan, pengubahan dan penyebaran informasi dalam sebuah organisasi/institusi. Fungsi Sistem Informasi Sistem informasi memiliki fungsi sebagai berikut: a. Mengumpulkan data dari dalam atau luar enterprise. b. Memproses data dan mengolahnya menjadi informasi yang bermakna dan bermanfaat. c. Menyimpan informasi yang dibutuhkan oleh enterprise. d. Mendistribusikan informasi kepada seluruh pengguna.

Pemanfaatan teknologi informasi belum dirasakan merata secara optimal di lingkungan pemerintahan tingkat desa, khususnya dalam pelayanan administratif desa yang merupakan suatu sub sistem dari sistem administrasi negara. Dalam hal ini desa merupakan ujung tombak pada proses pencatatan Jurnal Nasional JMII 2017

41


Gambar 1. Elemen sistem informasi

Sistem informasi pencatatan data penduduk desa untuk membantu dinas kependudukan dan catatan sipil jika terjadi peristiwa kependudukan, yaitu kejadian yang dialami penduduk yang harus dilaporkan karena membawa akibat terhadap penerbitan atau perubahan kartu keluarga, kartu tanda penduduk/atau surat keterangan tanda kependudukan lainnya meliputi pindah datang, perubahan alamat, serta status tinggal terbatas menjadi tetap [3]. Sedangkan peristiwa penting yang dimaksud adalah kejadian yang dialami oleh seseorang meliputi kelahiran, kematian, lahir mati, perkawinan, perceraian, pengakuan anak, pengesahan anak, pengangkatan anak, perubahan nama dan perubahan status kewarganegaraan [3].

3. Aktif berkomunikasi. pemecahan masalah yang terbaik adalah dilakukannya komunikasi dengan melibatkan berbagai pemangku kepentingan. 4. Baik, menembus pertanyaan. Pemahaman dan pembelajaran berasal dari mengajukan banyak pertanyaan yang mengungkap fakta-fakta baru, yang mengarah ke lebih banyak permasalahan. 5. Berurusan dengan fakta-fakta, hanya fakta-fakta. Pemecahan masalah yang efektif perlu menghapus emosi dan politik seputar masalah dan solusi. 6. Berpikir analitis. Pemecahan masalah dimulai dari keadaan ketidaktahuan dan ketidakpastian dan tumbuh pemahaman dan kepastian melalui analisis dan pemikiran. 7. Diagnosis penuh dan menyeluruh. Pemecahan masalah adalah semua tentang analisis, penemuan, dan wawasan dari fakta-fakta. 8. Kreativitas dan inovasi. Solusi terbaik untuk masalah sering datang dari ide-ide di "luar kotak". 9. Menerapkan ide-ide dan alat-alat baru untuk masalah yang dihadapi. Sebuah solusi hanya efektif jika dapat diimplementasikan dan memberikan hasil yang diinginkan. 10. Penulisan laporan yang efektif. Sebuah artikulasi yang jelas dari analisis masalah, kesimpulan, dan rekomendasi penting untuk menjual solusi. 11. Solusi yang diterima. Mendapatkan buy-in sepanjang menganalisa masalah, dan solusi yang disarankan adalah penting.

Problem Solving Pemecahan masalah (problem solving) adalah bagian ilmu pengetahuan dan bagian seni. Ini adalah keadaan pikiran yang membutuhkan banyak pemikiran dan analisis. Pemecahan masalah membutuhkan pendekatan logis untuk memilahmilah banyak data. Perlu diingat, solusi tidak pernah jelas. pemecahan masalah yang efektif dapat menjadi solusi yang terbaik, dengan ditandai hal-hal seperti berikut ini: 1. Pemahaman tentang kebutuhan situasi yang riil. Ini melibatkan tingkat penelitian dan pengumpulan data, dilanjutkan dengan analisis rinci untuk mencapai pemahaman yang nyata. 2. Kesadaran terhadap lingkungan bisnis. Pemecahan masalah harus dilakukan dalam konteks masalah pada lingkungan sekitar. Hal itu harus diperhitungkan, dalam rangka untuk mendapatkan solusi praktis yang efektif.

Berikut kerangka sederhana yang dapat memberikan struktur yang diperlukan untuk membantu memecahkan masalah dalam lingkungan yang tidak terstruktur.

Gambar 2. struktur problem solving framework [5]


42


PIECES PIECES sendiri merupakan singkatan dari Performance, Information, Economics, Control, Efficiency, Service. PIECES ini memiliki enam bagian, dari masing-masing ke enam bagian tersebut dibuat check list, setiap check list pada bagian yang sesuai namanya akan memunculkan permasalahan. Berikut penjelasan dari masing-masing bagian PIECES : 1. Performance (P) 2. Information (I)

3. Economic (E) 4. Control (C) 5. Efficiency (E)

6. Service (S)

= Throughput, response time (kinerja sistem). = Outputs, inputs, penyimpanan data (informasi yang disajikan). = Costs, benefit (benefit yang diraih). = Security (keamanan sistem). = People, pengguna, mesin (efisiensi orang dan proses). = Layanan yang diberikan.

III. METODE PENELITIAN Metode yang digunakan pada perancangan sistem informasi penduduk desa ini mengacu kepada problem solving framework. Problem Solving Framework terdiri dari 4 tahapan, yaitu problrm definition & planning, data gathering, data analysis and synthesis, dan recommendations & solution. Tahapan yang paling utama dan penting adalah Problem Definition & Planning, pada tahapan ini akan diketahui permasalahan yang terjadi, selain itu dilakukan analisis masalah yang terjadi, dan pada tahap inilah perencanaan untuk penyelesaian masalah dilakukan. Analisis masalah dilakukan dengan menggunakan pendekatan PIECES framework [6]. Berikutnya tahapan Data Gathering, pada tahapan ini melakukan site visit ke bagian pelayanan kependudukan desa, dengan mewawancarai personil bagian pelayanan, selanjutnya mempelajari dokumendokumen yang digunakan pada proses pelayanan,

untuk memudahkan dalam memahami materi maka ditentukan liaison officer dari bagian pelayanan. Melakukan diskusi dengan pihak pengambil keputusan desa dalam rangka pengumpulan data yang berkaitan dengan kebijakan, yaitu kepala desa, sekretaris kepala desa (juru tulis), dan bagian pelayanan kependudukan. Tahapan selanjutnya adalah Data Analysis and Synthesis, pada tahapan ini dilakukan diluar objek yang diteliti, yaitu dilakukan secara internal oleh peniliti itu sendiri atau di dalam tim perancang/pengembang sistem. Tahapan ini melakukan proses analisis dan sintesis yang mengacu kepada data yang telah dikumpulkan. Diharapkan dari hasil analisis dan sintesis ini dapat menghasilkan suatu keputusan atau pengembangan sistem baru yang mampu menyelesaikan permasalahan yang telah dibahas di tahapan sebelumnya. Tahapan yang terakhir yaitu Recommendation and Solution, tahapan ini merupakan kesimpulan dari penyelesaian masalah. Supaya dapat dipahami oleh semua pihak, kesimpulan ini berisi mengenai rekomendasi yang diwujudkan dalam bentuk aplikasi berbasis client-server.

IV. HASIL DAN PEMBAHASAN Hasil analisa PIECES terhadap pelayanan penduduk desa pada saat kondisi sekarang, sebagai berikut : 1. Performance a. Response time: Pembuatan surat keterangan dan surat yang lainnya di tulis menggunakan aplikasi pengolah kata, dalam hal ini tools nya menggunaka microsoft office, dan nomor surat ditentukan ketika itu. Dampaknya nomor surat tidak tersusun dengan baik, dan data penduduk yang membuat surat tersebut tidak tersimpan dalam database. Selain itu surat tidak dibuat rangkap dua, sehingga ketika warga yang bersangkutan kehilangan surat tersebut, di kantor desa tidak tersedia arsipnya. Akhirnya petugas harus membuat lagi dari awal, dan terkadang petugas pelayanan tidak sedang berada ditempat karena sedang bertugas di luar kantor. Begitupun ketika ada warga baru yang akan menetap tidak langsung di catat.


43


b. Throughput: Kurang baiknya response time sehingga berakibat kurang maksimalnya kinerja bagian pelayanan terhadap warga dalam proses pembuatan surat-surat yang diperlukan. Serta tidak validnya jumlah warga yang tercatat dengan jumlah yang sebenarnya. 2. Information a. Outputs 1) Untuk mengetahui jumlah warga yang sebenarnya pihak desa selalu mencari dokumen-dokumen yang terkadang dokumen tersebut tidak terarsipkan dengan baik, dan terkadang harus mendata ulang kembali. 2) Untuk mengetahui anggota keluarga salah seorang warga pihak desa terkadang kesulitan. 3) Informasi mengenai warga yang meninggal, yang lahir, dan pendatang sulit untuk dimunculkan. b. Inputs 1) Tidak tercatat semuanya mengenai data kematian, kelahiran, warga pendatang, atau pun warga yang pindah. 2) Tidak tercatatnya setiap warga yang mengajukan pembuatan surat keterangan. c. Stored data 1) Penyimpanan data belum terorganisir dengan baik (belum menggunaka database). 2) Tanpa adanya stored data yang baik, sering munculnya duplikasi data, sehingga mengakibatkan data yang tersedia tidak valid. 3. Economics Banyaknya penggunaan kertas dan photo copy maka membutuhkan biaya dan tempat yang tidak sedikit. 4. Control Proses penyimpanan, perubahan, dan penghapusan data mudah terkontrol, dan data terlindungi karena data di simpan terpusat di

server. Sistem yang dirancang berbasiskan clientserver. 5. Efficiency a. Warga yang mengajukan permohonan untuk dibuatkan surat keterangan, selalu harus menunggu kepala desa untuk pengesahan. b. Ketika kepala desa membutuhkan laporan data warga, laporan diolah secara manual. 6. Service a. Sistem yang diterapkan di desa masih manual, walaupun menggunakan komputer masih stand alone, dan semua data tersimpan di komputer masing-masing PC, sehingga ketika kepala desa membutuhkan informasi dari bagian pelayanan, harus di pindahkan terlebih dahulu ke media penyimpanan seperti flashdisk, selanjutnya data dari flashdisk di pindahkan ke PC yang dimiliki oleh kepala desa. b. Jika terjadi perubahan data maka data harus di pindahkan kembali ke PC kepala desa supaya data yang tersimpan selalu up to date. Mengacu kepada hasil analisa PIECES, sistem pelayanan desa XYZ yang sedang berjalan pada saat ini banyak hal yang harus diperbaiki. Perbaikan ini tidak begitu saja merubah sistem yang ada, tetapi perubahan berfokus pada rekayasa yang berkaitan dengan hal-hal yang lebih baik dan lebih jelas, sehingga pelayanan desa terhadap masyarakat menjadi lebih cepat, efektif dan efesien. Penggunaan kerangka kerja PIECES ini dimaksudkan untuk menghindari kegagalan yang fatal dalam pelaksanaan proses rekayasa. Berikut ini merupakan rekomendasi atau solusi yang diberikan, diharpkan rekomendasi ini dapat menyelesaikan permaslahan. Adapun rekomendasi tersebut seperti pada tabel dibawah ini.


44


Tabel 1. Rekomendasi Penyelesaian masalah

No. 1

Bagian PIECES Performance

Troughput

Rekomendasi  Petugas selalu mencatat/up date data warga, baik warga pendatang, warga yang pindah, warga yang meninggal, dan warga yang melahirkan.  Pencatatan warga selalu disimpan kedalam database.

Response Time

2

Information

Inputs

 Pembuatan surat-surat yang diperlukan oleh warga, petugas menuliskan langsung di apliaksi, dan disimpan di dalam database. Sehingga ketika surat dengan nomor dan perihal untuk warga yang sama perlu dicetak ulang, maka dengan cepat petugas dapat mencetak nya kembali.  Untuk melakukan pencatatan warga maupun update data warga, dapat dilakukan dimana saja dan kapan saja.  Pencatatan data warga tidak lagi kukan secara manual, tapi diinputkan dan disimpan pada database.  Begitupun dengan pembuatan surat-surat yang diminta oleh warga seluruhnya tersimpan pada database.

Outputs

 Cepat dalam proses pencarian data.  Dapat dengan cepat mengetahui data anggota keluarga.  Untuk mencari data warga yang meninggal, melahirkan, pindah, ataupun pendatang baru akan dengan cepat diketahui.

Stored Data 3

Economic

Penyimpanan data dikelola secara terorganisir, sehingga tidak ada duplikasi atau redudansi data.  Dengan adanya aplikasi berbasis client-server tidak perlu lagi mengarsipkan data dalam bentuk hardcopy, begitupun dalam pembuatan pelaporan.  Selalu dilakukan pendataan warga baru, yang pindah, meninggal, ataupun yang melahirkan  Pembuatan permohonan surat selalu tersimpan di dalam database.  Menghemat lemari arsip.

4

Control

Dengan sistem yang diusulkan, keutuhan data akan terjamin, dan perubahan-perubahan data yang terjadi akan mudah terkontrol dan


45


terkendali, dikarenakan data tersimpan di server. 5

Efeciency

 Pihak yang berkepentingan dengan data warga akan lebih cepat mengetahui nya, tanpa terhalang oleh tempat dan waktu.  Petugas dalam melayani pembuatan surat-surat yang dibutuhkan oleh warga lebih cepat, karena sudah tersedia kerangkanya dan data warga sudah terintegrasi.  Kepala desa akan dengan mudah dan cepat melihat laporan data warga desa.

6

Services

 Aplikasi berupa sistem web, data semua tersimpan di server, sehingga untuk mengakses nya cukup mengguna kan web browser.  Pihak yang berkepentingan dapat langsung melihat data laporan melalui aplikasi yang sudah tersedia  Karena data tersimpan di server, dan tidak ada redudansi data, sehingga ketika pemerintah daerah setingkat kecamatan atau kabupaten meminta data penduduk desa, pihak desa tidak perlu lagi melakukan sensus.

Selain menghasilkan solusi atau rekomendasi berdasarkan analisa PIECES, juga merekomendasikan mengenai sistem yang diusulkan adalah berbasis client-server. Selanjutnya berikut ini adalah menentukan arsitektur client-server. Server dapat dikatakan yang melayani atau yang menyediakan, sehingga dapat disimpulkan bahwa server adalah komputer yang melayani atau menyediakan data yang diminta oleh komputer client, setiap komputer client yang request ke komputer

server maka akan dilayani oleh komputer server. Sedangkan client adalah komputer yang harus dilayani oleh server, dalam suatu jaringan client bisa lebih dari satu. Client-server adalah suatu arsitektur jaringan yang memisahkan antara komputer server dengan komputer client. Setiap client dapat meminta data atau informasi kepada server, dan server akan menyediakan atau melayani permintaan setiap client tersebut [4]. Komponen dasar dari client-server diantaranya middleware, server, dan client. Komponen tersebut dapat digambarkan sebagai berikut:

Gambar 4. komponen dasar client-server

Gambar 3. model client server

Arsitektur client-server terdapat beberapa model, diantaranya yaitu model two-tier dan three-tier. Jurnal Nasional JMII 2017

46


Model two-tier adalah model terjadinya komunikasi langsung antara client dan server. Tidak ada perantara antara client dan server. Sedangkan pada model three-tear terdapat komponen ketiga selain client dan server, yaitu yang disebut dengan middle tier atau sering disebut dengan layanan bisnis. Layanan bisnis yaitu merupakan suatu aplikasi yang memberlakukan atura-aturan bisnis, memproses data, dan mengelola transaksi. Berikut skema model twotier dan three-tier.

Sebagai kebutuhan antarmuka untuk masingmasing user, diantaranya administrator, operator, sekretaris kepala desa, dan kepala desa. Kegunaan layer ini sebagai login. 3. Middle layer Layer ini merupakan bussines logic dari sistem informasi pelayanan penduduk desa, seperti mengelola data penduduk desa, membuat surat kelahiran, surat kematian, surat keterangan, surat keterangan domisili, surat keterangan usaha, surat keterangan pindah, dan surat keterangan lainnya. Berikut gambar arsitektur client-server sistem informasi pelayanan penduduk desa.

Gambar 5. skema two-tier

Gambar 7. rekomendasi untuk arsitektur client-server sistem informasi pelayanan desa

V. KESIMPULAN DAN SARAN Kesimpulan

Gambar 6. skema three-tier

Aarsitektur pada sistem informasi pelayanan desa ini diusulkan menggunakan tiga layer (three-tier), yaitu server layer, client layer, dan middle layer. 1. Server layer Sebagai tempat penyimpanan data, dan sumbersumber data yang terdapat pada database server. 2. Client layer

Proses analisa sistem informasi pelayanan desa XYZ menggunakan kerangka kerja PIECES menghasilkan solusi dan rekomendasi berupa sistem informasi pelayanan desa seharusnya berbasis clientserver. Diharapkan dengan berbasis client-server, pelayanan desa kepad waranya menjadi lebih cepat, efektif dan efesien. Saran Sistem informasi pelayanan desa XYZ ini kedepannya dapat mendata aset-aset warganya, baik


47


aset yang tidak bergerak maupun yang bergerak. Selain itu juga sistem dapat dikembangkan menjadi sistem informasi geografis untuk desa tersebut.

[3]

REFERENSI

[4]

[1] Bahramnejad P, Sharafi SM, Nabiollahi A. 2015. A Method For Business Process Reengineering Based On Enterprise Ontology, International Journal of Software Engineering & Applications (IJSEA), Vol.6, No.1, January 2015. [2] Haryawan, C. Analisis Perancangan Sistem Informasi Pembayaran Biaya Studi Mahasiswa di STMIK AKAKOM Yogyakarta

[5] [6]

Menggunakan PIECES Framework. Seminar Riset Teknologi Informasi (SRITI), 2016. Peraturan Menteri Dalam Negeri Republik Indonesia Nomor 19 Tahun 2012. Setiwan, B. 2013. Perancangan Sistem Informasi Pelayanan Desa Berbasis Client Server. Universitas Kristen Satya Wacana. Ternoway B. Framework for Structured Problem Solving, Canada:Info-tech, 2005. Whitten JL, Bentley LD. Systems Analysis and Design Methods 7 th Edition, New York: McGraw Hill Companies 2007.


48


IMAGE SPOOFING DETECTION USING LOCAL BINARY PATTERN Indra Bayu Kusuma Fakultas Teknik Informatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected] Arida Kartika Fakultas Teknik Infomatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected]

Abstract

Abstrak Wajah manusia merupakan salah satu ciri unik dalam diri seorang manusia. Dalam bidang biometric khususnya kemanan menggunakan wajah manusia sudah banyak diimplementasikan dalam dunia nyata. Saat ini wajah manusia merupakan salah satu pedoman dalam sistem keamanan. Dewasa ini tantangannya ialah bagaimana mendeteksi pemalsuan data tersebut. Serangan seperti ini disebut dengan spoofing. Spoofing terjadi saat seseorang mencoba untuk berpura-pura menjadi orang lain dengan memalsukan data asli dan dari tindakan tersebut orang tersebut bisa mendapatkan akses ilegal dan keuntungan baginya. Sebagai contoh seseorang dapat memalsukan wajah pada sistem rekognisi dengan menggunakan photograph, video, masker ataupun model 3D dari targetnya didepan kamera. Untuk mengatasi hal tersebut penulis mengajukan pendektesian spoofing wajah manusia dengan menggunakan analisis tekstur. Analisis tektur yang digunakan pada paper ini ialah Local Binary Pattern dan menggunakan preprocessing Adaptive Histogram Equalization dan untuk klasifikasi menggunakan KNearest Neighbour. Dengan metode diatas, akurasi yang didapat adalah 92.24%. Kata kunci : Adaptive Histogram Equalization, K-Nearest Neighbour, Local Binary Pattern, Spoofing

Particularly in the field of biometric security using human face has been widely implemented in the real world. Currently the human face is one of the guidelines in the security system. Nowadays the challenge is how to detect data falsification; such an attack is called spoofing. Spoofing occurs when someone is trying to pretend to be someone else by falsifying the original data and then that person may gain illegal access and benefit him. For example one can falsify the face recognition system using photographs, video, masks or 3D models. In this paper image spoofing human face detection using texture analysis on input image is proposed. Texture analysis used in this paper is the Local Binary Pattern (LBP) and as the preprocessing is Adaptive Histogram Equalization and then K-Nearest Neighbour as the classifier. in this paper with proposed method,the accuracy is 92.94%. Keywords : Adaptive Histogram Equalization, K-Nearest Neighbour, Local Binary Pattern, Spoofing

I. PENDAHULUAN Dalam dunia biometrik, pendeteksian wajah sudah banyak diimplementasikan di kehidupan nyata. Pendeteksian wajah yang ada saat ini umumnya digunakan untuk kepentingan keamanan, alasannya terletak pada keunikan wajah setiap manusia.


49


Pendeteksian wajah yang ada memiliki kekurangan, seperti pemalsuan data menggunakan foto wajah yang telah dicetak. Serangan seperti itu disebut dengan spoofing. Serangan spoofing terjadi saat ada orang yang mencoba untuk menyamar menjadi seseorang dengan memalsukan data dan mengambil keuntungan dari akses yang terlarang tersebut [1]. Tanpa pengukuran spoofing kebanyakan sistem biometrik wajah rentan untuk diserang. Walaupun dengan hasil cetakan wajah manusia biasa yang ditampilkan ke layar dapat mengelabuhi sistem. Wajah asli dengan citra wajah hasil cetakan tentunya merefleksikan cahaya dengan cara yang berbeda, hal ini disebabkan oleh wajah manusia yang merupakan objek kompleks 3D dimana hasi cetakan dapat terlihat sebagai objek planar yang kaku. Selain itu wajah manusia memiliki pigmen sedangkan hasil cetakan tidak demikian. Dengan kerentanan serangan spoofing tersebut maka penulis membangun sistem yang dapat mendeteksi spoofing wajah manusia. Dari beberapa penelitian sebelumnya, pendeteksian spoofing wajah manusia dilakukan menggunakan analisis tekstur. Analisis tekstur yang digunakan mengacu pada beberapa algoritma seperti Local Binary Pattern, Local Binary Pattern Variance, Gabor Wavelet, Haboor Wavelet, Histogram of Gradient, Spatiotemporal Local Binary Pattern [2-5]. LBP memiliki kemampuan untuk mengekstrasi ciri suatu tekstur sehingga dapat membedakan citra wajah manusia yang asli dengan hasil spoof. Oleh karena itu, pada penilitian ini diusulkan metode Local Binary Pattern sebagai metode ekstraksi ciri yang berbasis tekstur. Untuk selanjutnya hasil ekstraksi ciri yang didapat akan diklasifikasikan menjadi dua kelas yaitu kelas spoof dan kelas non-spoof.

II. KAJIAN LITERATUR Pembagian yang dipakai dalam penelitian ini dibagi menjadi dua, yaitu kelas pertama adalah kelas wajah asli, sedangkan yang kedua adalah wajah tiruan. Seperti yang diketahui bahwa foto adalah sebuah gambar yang sudah melewati lebih dari satu sistem. Pertama dengan kamera, wajah yang diambil sudah berbeda dengan aslinya, kedua memasukki sistem printer, pada akhirnya keluaran dari printer dilakukan pengambilan gambar kembali [9]. Pembagian dua kelas tersebut dilakukan dengan

menggunakan tekstur dari gambar, dari tekstur tersebut akan didapat perbedaan antara kelas wajah asli dan wajah tiruan. Sebelum masuk ke proses ekstraksi ciri, sebelumnya dilakukan preprocessing pada gambar inputan agar data yang masuk untuk dilakukan ekstraksi ciri bisa lebih menjelaskan perbedaan antara gambar wajah asli dengan wajah palsu. Setelah melalui preprocessing kemudian langsung masuk ke proses ekstraksi ciri Local Binary Pattern (LBP) untuk mendapatkan ciri tekstur dari gambar masukkan, kemudian untuk metode klasifikasi pada pendekatan ini digunakan K-Nearest Neighbor (KNN). Metode preprocessing yang digunakan terdapat tiga macam, yaitu Difference of Gaussian (DoG), Histogram Equalization (Histeq) dan Adaptive Histogram Equalization (AdaptHisteq). DoG dalam penerapan pada pendekatan ini digunakan untuk menghilangkan noise, gangguan warna atau frekuensi, pada gambar saat mencari nilai komponen yang memiliki frekuensi tinggi [8]. Histeq adalah metode yang digunakan untuk memperbaiki atau menjadikan gambar memiliki kontras yang lebih baik dan dapat digunakan untuk semua jenis gampang secara mudah [9]. AdapHisteq lebih meningkatkan kontras namun mengurangi sisi buruk penambahan noise pada gambar [10]. LBP adalah metode untuk memberikan karakterisasi terhadap tekstur dalam sebuah gambar. Dua level LBP digunakan yaitu memiliki nilai antara 0 dan 1, sehingga untuk mendeskripsikan 3x3 ketetanggan yang nilai tengah dalam matriks tersebut merupakan threshold sehingga terdapat 8 tetangga, sehingga kemungkinan yang didapat adalah 28 = 256 [6]. Perhitungan yang dilakukan dalam ekstraksi tekstur dapat dilihat pada persamaan berikut: , ,

(1) (2)

Persamaan diatas terdapat variabel p yang menunjukkan banyak tetangga terhadap piksel tengah gc sebagai threshold dari nilai tetangga gp. Selain dari yang digunakan dalam persamaan juga terdapat R


50


yang merupakan radius dari pemilihan tetangga p untuk perhitungan LBP. K-Nearest Neighbor (KNN) merupakan metode klasifikasi yang sudah banyak digunakan dengan menggunakan modifikasi. Secara garis besar sistem yang berada dalam KNN dibagi menjadi dua, yaitu menentukan tetangga terdekat, setelah itu menentukan kelas dari data yang sedang diuji[11]. Visualisasi tentang cara kerja KNN ditampilkan pada Gambar 1, dapat dilihat untuk menentukan sebuah kelas dilakukan dengan mengambil tiga tetangga terdekat. Setelah mendapatkan jumlah tetangga yang dibutuhkan, kemudian dilakukan penentuan kelas. Penentuan yang dilakukan dalam KNN bisa beragam cara, namun salah satu cara dalam penentuan kelas adalah dengan menghitung jumlah kelas yang mayoritas dalam tetangga yang terpilih.

Dataset yang digunakan dalam penelitian ini berasal dari NUAA impostor database[7]. Terdapat 15 subjek penelitian yang pada setiap subjek nya terdapat gambar asli langsung dari wajah subjek, serta dari foto subjek. Gambar asli diambil dari sebuah webcam, dan semua subjek nya menghadap kamera secara frontal menggunakan expreksi alami serta tidak terdapat perubahan, misal kedipan mata ataupun perubahan posisi kepala untuk membuat wajah asli menyerupai sebuah foto, contoh data gambar yang terdapat di dalam dataset dapat dilihat pada Gambar 2.

Gambar 2. Data gambar yang ada di dalam dataset, (atas gambar wajah asli, bawah gambar wajah dari foto)

Kemudian untuk foto dilakukan dengan menggunakan kamera Canon yang memuat wajah sampai 2/3 dari foto. Langkah selanjutnya dilakukan dalam dua tahap, pertama di print pada kertas foto dengan ukuran normal 6.8cm x 10.2cm untuk ukuran kecil sedangkan yang besar 8.9cm x 12.7cm. Cara kedua di print pada kertas A4 70g menggunakan HP printer. Gambar 1. Klasifikasi KNN dengan K=3

Tetangga yang didapatkan berdasarkan jarak nilai dari kelas yang akan diuji. Untuk mendapatkan nilai disini bisa dilakukan dengan perhitungan Minkowski distance, Euclidean distance dan masih banyak yang lainnya. Banyak perhitungan jarak nilai menggunakan Euclidean distance yaitu dengan menggunakan persamaan sebagai berikut: (3) Pada persamaan diatas x dan y adalah vektor yang jaraknya ingin dibandingkan, n adalah banyak nilai di dalam vektor x atau y dengan nilai yang sama, i adalah indeks dari vektor yang ingin dibandingkan.

Perhitungan akurasi, precision dan recall digunakan untuk mengukur performansi dari sistem yang dibangun. Menggunakan metode confusion matrix karena menggunakan data yang tidak seimbang dari imposter dan client.

III. ANALISIS DAN PERANCANGAN Sistem secara keseluruhan dibagi menjadi dua bagian, yaitu bagian membangun model dan bagian testing. Gambar 3, menjelaskan bagian pembangungan model. Kedua bagian memiliki bagian yang hampir sama, hanya terdapat perbedaan pada setelah mendapatkan ekstraksi ciri, bagian pertama menyimpan hasil ekstraksi ciri kedalam database, bagian kedua mengambil hasil ekstraksi ciri data latih kemudian mencocokan menggunakan KNN untuk mendapatkan keluaran kelas dari setiap gambar test, seperti ditunjukkan pada Gambar 4.


51


AdaptHisteq merupakan metode yang memberikan performansi paling tinggi di angka akurasi 88.69%.

Gambar 3. Pembangunan Model

Gambar 4. Testing

Dataset yang dipakai menggunakan NUAA Imposter jumlah gambar untuk proses pembangunan model dan proses testing telah dibedakan oleh NUAA. Jumlah secara rinci tentang data yang digunakan menyangkut gambar imposter dan data client dapat dilihat pada Tabel 1. Pada jumlah gambar untuk proses pembangunan data memiliki jumlah yang sama sebagai aspek fairness di dalam sistem.

Table 1. Jumlah detail dataset yang dipakai

Pembangunan

Testing

Imposter

1748

5761

Client

1743

3362

Pada proses pembangunan model, hanya dilakukan sampai mendapatkan data ciri tekstur dari gambar, namun proses kedua dimasukkan perhitungan akurasi dengan langsung menggunakan confussion matrix. Setelah proses kedua dijalankan, keluaran yang didapat adalah akurasi beserta precision dan recall. Dalam paper ini precision menandakan ukuran sistem dapat mengenali imposter beserta client, sedangkan recall adalah tingkat pengenalan terhadap data imposter.

Gambar 5. Nilai akurasi, precision dan recall dari tiga preprocessing dengan LBP8,1

Hasil tersebut didapat karena untuk preprocessing DoG yang merupakan filter untuk noise pada gambar namun tidak menambah tingkat kontras pada gambar yang menjadi inputan, sedangkan Histeq digunakan untuk meningkatkan kontras gambar namun menambah noise yang sudah sebelumnya ada di dalam gambar. Antara kedua metode tersebut, AdaptHisteq digunakan untuk menambah tingkat kontras pada gambar namun tidak menambahkan noise yang banyak. Kemudian percobaan dilakukan berfokus pada preprocessing menggunakan metode AdaptHisteq dengan kemudian mengubah tingkat R pada saat proses LBP dilakukan. Pengubahan nilai R akan merubah piksel yang diambil. Ilustrasi dari piksel – piksel tetangga yang diambl dapat dilihat pada Gambar 6, A merupakan LBP8,1 menggunakan nilai R=1, B merupakan LBP8,2 dan C merupakan LBP8,3. Nilai R yang dipakai dalam paper ini adalah 1,2,3 dan 4.

Pengujian pertama yang dilakukan adalah melihat performansi sistem saat ditambah dengan menggunakan tiga preprocessing yang berbeda. Hasil dari pengujian dapat dilihat pada Gambar 5, dapat dilihat bahwa menggunakan metode preprocessing


52


Gambar 6. Ilustrasi perubahan radius R pada proses pengambilan tetangga di metode LBP

Data akurasi hasil perubahan nilai R pada LBP dapat dilihat pada Gambar 7. Terlihat pada R=2 mendapatkan nilai akurasi yang tinggi yaitu 91.67%, dengan nilai R tersebut didapatkan ciri tekstur yang bisa membedakan gambar imposter dan client dengan baik, karena saat nilai R satu, nilai tetangga tidak terlalu beragam, dan piksel yang dideksripsikan hanya sekitar titik tengah. Nilai R semakin besar akan menyebabkan ciri yang didapat semakin beda dan tidak menemukan titik pembeda antara dua kelas.

Gambar 8. Perubahan nilai K terhadap akurasi

Akurasi terbaik didapat pada nilai K=151 dengan akurasi 92.24%. Sehingga untuk dapat membedakan gambar wajah asli dan wajah palsu, dalam hal ini foto wajah, dapat digunakan pendekatan yang digunakan dalam paper ini. Menggunakan tekstur untuk membedakan dengan bantuan penambahan kontras dapat dengan hasil yang memuaskan dengan melakukan perubahan parameter pada metode LBP yang digunakan.

IV. KESIMPULAN DAN SARAN Gambar 7. Akurasi pada perubahan nilai R

Setelah mendapatkan metode preprocessing dan parameter terbaik untuk LBP, selanjutnya pada proses klasifikasi menggunakan KNN, dilakukan pengujian untuk nilai K yang digunakan dalam sistem. Pada Gambar 8, dapat dilihat bahwa semakin banyak nilai K maka tingkat akurasi semakin tinggi, dikarenakan nilai K menentukkan banyak tetangga dan sangat mempengaruhi pendeteksian antara kedua kelas. Nilai K yang terlalu besar bisa menjadi miss judgement, mengenali kelas yang bukan kelas seharusnya.

Membedakan gambar wajah asli dengan wajah dalam foto menggunakan pendekatan metode LBP melalui preprocessing Adaptive Histogram Equalization, serta menggunakan klasifikasi KNearest Neighbor diajukan dalam paper ini. LBP digunakan untuk mendapatkan ekstraksi ciri dari bagian tekstur dari gambar dengan dibantu menambahkan kontras. Didapatkan hasil yang memuaskan dengan menggunakan dataset dari NUAA [7]. Nilai parameter pada LBP dan KNN beberapa harus diubah untuk mendapatkan nilai akurasi yang memuaskan seperti radius R pada LBP dan nilai K pada KNN. Paper ini menunjukkan bahwa untuk membedakan gambar wajah asli dengan wajah pada foto dibutuhkan tekstur dari gambar serta ditambah kontras yang tidak terlalu banyak menambah gangguan pada gambar. Untuk penelitian lebih lanjut, dapat dilakukan dengan mengubah atau melakukan modifikasi terhadap fitur ekstraksi ciri yang digunakan, serta


53


pemilihan metode preprocessing yang dapat memberikan data yang sesuai untuk membedakan gambar wajah asli dengan wajah di foto. Untuk metode klasifikasi masih memerlukan waktu pemrosesan yang masih terlalu lama.

[7]. X. Tan, Y. Li, J. Liu, L. Jiang. Face Liveness Detection from a Single Image with Sparse Low Rank Bilinear Discriminative Mode. in Proc. Of the 11th European conference on Computer vision, 2010, pp. 504-517.

REFERENSI

[8]. Kose, N., Dugelay, J-Luke. Classification of Captured and Recaptured Images to Detect Photograph Spoofing. Multi Media Department, EURECOM 2229 ROUTE des Cretes, SophiaAntipolis, France.

[1]. Maatta, J., Hadid, A., & Pietikainen, M. (2012). Face spoofing detection from single images using texture and local shape analysis. Biometrics, IET, 1(1), 3-10. [2]. Komulainen, J., Hadid, A., & Pietikäinen, M. Face spoofing detection using dynamic texture. Computer Vision-ACCV 2012 Workshops. pp. 146-157. November 2012. [3]. Maata, J., Hadid, A., & Pietikainen, M. Face Spoofing Detection from Single Image using Micro-Texture Analysis. In Biometrics (IJCB), 2011 international joint conference. pp. 1-7. IEEE. [4]. Wen, D., Han, H., & Jain, A. K. Face Spoofing Detection with Image Distortion Analysis. Informatics Forensics and Security. IEEE Transactions on,10(4), 746-761. 2015.

[9]. Gupta, S., E., Kaur, Y., E. Review of Different Histogram Equalization Based Contrast Enhancement Techniques. IJARCCE. Vol. 3, Issue 7, July 2014. [10]. Zhu, Y., Huang, C. An Adaptive Histogram Equalization Algorithm on the Image Gray Level Mapping.2012 International Conference on Solid State Devices and Materials Science.(2012). [11]. Cunningham, P., Delany, J., S. k-Nearest Neighbour Classifier. Technical Report UCDCSI-2007-4. March 27, 2007.

[5]. de Freitas Pereira, T., Anjos, A., De Martino, J.M., & Marcel, S. LBP-TOP based Countermeasure Against Face Spoofing Attacks. Computer Vision-ACCV 2012 Workshops. pp. 121-123. Springer Berine Heidelberg. November, 2012. [6]. Ojala, T., Pietikainen, M., & Harwood, D. A Comparative Study of Texture Measures with Classification Based on Feature Distributions. Pattern Recognition Society. Vol 29, No. 1, pp.51-59. 1996.


54


SISTEM PENGAMBILAN KEPUTUSAN PENGEMBANGAN KARIR SUMBER DAYA MANUSIA (STUDI KASUS KANTOR PUSAT PT POS INDONESIA (PERSERO)) Fajar Gempita Fakultas Teknik, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra no. 204, Bandung, Indonesia [email protected]

Abstract

Abstrak Sistem manajemen karir merupakan salah satu sistem yang terdapat di PT. POS Indonesia (Persero). Sistem manajemen karir ini berisi tentang peraturan – peraturan bagi karyawan seperti peraturan tentang Grade, Kelompok Jabatan, Personal Value, Proses Mutasi dll. Sistem manajemen karir ini berguna untuk kedua belah pihak, baik karyawan maupun perusahaan. Bagi karyawan, sistem ini diharapkan sebagai acuan standar untuk terus mengembangkan karir dalam pekerjaan sedangkan bagi perusahaan dimaksudkan untuk memudahkan dalam pengaturan bisnis proses harian para karyawan. Dalam proses perekomendasian calon karyawan untuk mutasi, masih terdapat adanya objektifitas dalam penentuan calon karyawan tersebut sehingga kecakapan pegawai tidak maksimal. Sebuah perangkat lunak menjadi alternatif solusi untuk mengatasi kendala kinerja di PT POS Indonesia (Persero), terutama di Bagian Pengembangan Karir (Bang Karir), serta dengan perancangan suatu sistem dapat mencapai suatu kegiatan yang efektif dan efisien dalam menunjang aktifitas pada perusahaan ini. Kata kunci : PT. POS Indonesia (Persero), Diagram Alir Data, PHP, Manajemen Sistem Karir, Manajemen Sumber Daya Manusia, MySQL, Siklus Hidup Pengembangan Sistem, Pemodelan Berbasis Objek

Career Management System is one of system that available at PT. POS Indonesia (Persero). This career management include about rules about employee like Grade system, Managerial Position, Personal Value, mutation process etc. This management career are benefit of both side, for employee or for the company. For the employee, it can be a guide to develop career and for the company it can help to set the daily business process for employee. In another case, the process of recommending employee for mutation process still have an objectivity for giving a recommendation, so employee qualification are not maximal. Making a software is solution to handle a problem at PT. POS Indonesia (Persero), especially at Career Development Unit Division, and developing a system will achieve an effective and efficient to help organization activity. Keywords : PT. POS Indonesia (Persero), Data Flow Diagram, PHP, Management Career System, Human Resource Management, MySQL, System Development Life Cycle, Object Oriented Modeling

I. PENDAHULUAN Sumber Daya Manusia (SDM) merupakan salah satu faktor pendukung suatu perusahaan dalam menghadapi tantangan bisnis terhadap perusahaan


55


lainnya, dimana Sumber Daya Manusia ini merupakan salah satu tolak ukur dalam menilai maju tidaknya perusahaan dalam mencapai visi – misi perusahaan tersebut. Pengembangan dan perencanaan karir karyawan dalam perusahaan dimaksudkan untuk memberikan dampak positif untuk karir seorang karyawan dan perusahaan tempat karyawan tersebut. Tidak terkecuali dengan perusahaan PT POS Indonesia (Persero). Pengelolaan kegiatan manajemen karir, seperti pengelolaan Grade, Kelompok Jabatan, Personal Value, maupun kegiatan mutasi karyawan, diharapkan memicu motivasi untuk meningkatkan produktivitas kerja yang lebih baik lagi. Tetapi dalam perkembangannya, pengelolaan sistem manajemen karir seperti Grade, Kelompok Jabatan maupun Personal Value belum seutuhnya dapat mengikuti aturan yang tercantum dalam Keputusan Direksi PT POS Indonesia (Persero) Nomor: KD 50/DIRUT/0612 tentang Sistem Manajemen Karir. Selanjutnya, dalam hal perekomendasian / pemilihan siapa saja calon karyawan yang bisa dimutasikan, dimana mutasi ini merupakan bagian dari sistem manajemen karir, masih adanya objektifitas campur tangan baik oleh Bagian Sumber Daya Manusianya tersebut, ataupun dari bagian top manager sehingga kecakapan karyawan di lingkungan PT POS Indonesia (Persero) tidak sesuai dalam praktik kerjanya. Secara sistem, dalam pengolahan sistem manajemen karir, sistem yang telah ada (SIM-SDM) belum mengcover keperluan dalam pengambilan keputusan karena masih berupa data – data dasar karyawan, seperti riwayat pribadi karyawan dan history pekerjaan karyawan. Sehingga penulis ingin mencoba mengembangkan sistem yang membantu karyawan Kantor Pusat PT POS Indonesia (Persero), khususnya Bagian Pengembangan Karir (Bang Karir) Sumber Daya Manusia (SDM) dalam mengelola proses manajerial karyawan seperti manajemen Grade, Kelompok Jabatan, mengelola personal value karyawan dan membantu merekomendasikan dalam pengambilan keputusan calon karyawan saja tanpa mengetahui jabatan yang dibutuhkan dalam proses mutasi.

keputusan “Fuzzy SAW (Simple Additive Weighting)”. Sebelumnya penulis membandingkan dengan metode pendukung keputusan lain, yaitu metode AHP (Analytic Heuristic Process) yang akan dibahas pada kajian literatur. Secara singkat, penulis mengambil algoritma Fuzzy SAW (Simple Additive Weighting) dalam penentuan rekomendasi mutasi sebagai bagian dari manajemen karir dikarenakan terdapat kelebihan pada metode SAW (Simple Additive Weighting) yaitu penggunaan kriteria dan bobot kriteria untuk acuan kriteria, kemudian adanya penggunaan perhitungan nilai secara general, dan terdapat hasil seleksi alternatif dalam menentukan mana yang terbaik / lebih cocok berdasarkan perangkingan.

II. KAJIAN LITERATUR PT POS Indonesia (Persero) merupakan sebuah badan usaha milik negara (BUMN) yang bergerak di bidang layanan pos. Saat ini, bentuk badan usaha POS Indonesia merupakan perseroan terbatas dan sering disebut dengan PT POS Indonesia. Bentuk usaha POS Indonesia ini berdasarkan Peraturan Pemerintah Republik Indonesia Nomor 5 Tahun 1995. Peraturan Pemerintah tersebut berisi tentang pengalihan bentuk awal POS Indonesia yang berupa perusahaan umum (perum) menjadi sebuah perusahaan (persero). POS Indonesia memiliki Anggaran Dasar dan Anggaran Rumah Tangga yang dicatatkan di Akta Notaris Sutjipto, S. H. Nomor 117 pada tanggal 20 Juni 1995 yang juga telah mengalami perubahan sebagaimana yang dicatatkan di Akta Notaris Sutjipto, S. H. Nomor 89 pada tanggal 21 September 1998 dan Nomor 111 pada tanggal 28 Oktober 1998 [1].

Dalam metode pengembangan sistem, penulis menggunakan algoritma sistem pendukung Jurnal Nasional JMII 2017

56


menyediakan suatu kumpulan orang – orang yang memiliki kemampuan / keahlian / kompetensi dan pengalaman yang memadai sehingga mampu memenuhi kebutuhan Perusahaan di masa mendatang. Dalam proses manajemen karir ini terbagi menjadi beberapa penjabaran yang tercatut dalam KD. 50/DIRUT/0612 yang dikeluarkan oleh PT POS Indonesia (Persero), yaitu tentang manajemen Grade, Kelompok Jabatan, Personal Value, proses mutasi dll [5].

Gambar 2.1 Struktur Organisasi PT POS Indonesia (Persero) (sumber gambar : [1] ) Gambar di atas merupakan struktur organisasi PT POS Indonesia(Persero) saat ini. Direktur utama sebagai kepala perusahaan dan wakil direktur utama sebagai asisten dari direktur utama bertanggung jawab kepada dewan komisaris dan pemegang saham. Selanjutnya, direktur utama membawahi beberapa direktur, seperti direktur surat dan paket, direktur teknologi dan jasa keuangan, direktur ritel dan properti, direktur keuangan, dan direktur sumber daya manusia dan umum. Untuk pembagian sub-sub bagian yang dibawahi, terbagi menjadi tiga, yaitu pusat, area, dan pelaksana teknis. Mengenai topik dasar tentang SDM, Sumber daya manusia dalam perusahaan adalah gabungan dari 3 hal yaitu usaha, skill dan kapabilitas dari seorang manusia yang bekerja untuk perusahaan [2]. Juga sumber daya manusia dalam perusahaan adalah bagaimana memfokuskan perhatian kepada pengaturan karyawan dalam suatu organisasi dimana karyawan tersebut merupakan asset utama yang harus dikelola organisasi dengan baik [3]. Sedangkan manajemen Sumber Daya Manusia adalah manajemen pendekatan strategi dan koheren yang merupakan aset yang bernilai dari organisasi – orang orang yang bekerja secara individu / kolektif dan berkontoribusi untuk mencapai tujuannya[4]. Selanjutnya, manajemen karir adalah proses organisasi dalam memilih, menilai, menugaskan dan mengembangkan para Karyawannya guna

Dalam pengambilan keputusan digunakan metodologi SAW (Simple Additive Weighting) yaitu merupakan metode yang sering disebut metode penjumlahan terbobot. Metode ini sering digunakan untuk menyelesaikan persoalan berupa Multiple Attribute Decision Making (MADM) dimana konsep dasarnya ialah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif dalam semua atribut[6]. Sebagai pembanding, terdapat juga metode yang mempunyai kemiripan, yaitu metode AHP (Analytic Heuristic Process) yaitu sebuah metode kerangka untuk mengambil keputusan dengan efektif atas persoalan yang kompleks dengan menyederhanakan dan mempercepat proses pengambilan keputusan dengan memecahkan persoalan tersebut kedalam bagian-bagiannya, menata bagian atau variable ini dalam suatu susunan hierarki, memberi nilai numerik pada pertimbangan subjekti tentang pentingnya tiap variabel dan mensintesis berbagai pertimbangan ini untuk menetapkan variabel yang mana yang memilik prioritas paling tinggi [7]. Tetapi dalam penggunaan sistem pendukung keputusan ini, penulis memilih menggunakan SAW dikarenakan terdapat beberapa alasan penguat, yaitu : a. Menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perangkingan yang akan menyeleksi alternatif terbaik dari sejumlah alternatif [8]. b. Penilaian akan lebih tepat karena didasarkan pada nilai kriteria dan bobot preferensi yang sudah ditentukan [8]. c. Terdapat penjabaran berupa data kriteria dan bobot kriteria untuk studi kasus. Maksud dari penjabaran kriteria ini adalah kriteriakriteria acuan yaitu Personal Value, pendidikan, masa kerja, dan penghargaan kerja dapat dijadikan sebagai pembanding


57


dalam penentuan rekomendasi. Secara lebih detail, tiap – tiap kriteria tersebut memiliki alasan tersendiri, yaitu : 1. Personal Value : Personal value merupakan semacam scoring / penilaian yang dimiliki tiap pegawai di PT POS Indonesia (Persero). 2. Pendidikan : Setiap karyawan PT POS Indonesia (Persero) mempunyai latar belakang pendidikan berbeda satu sama lain. 3. Masa kerja / lama kerja : Setiap karyawan PT POS Indonesia (Persero) memiliki masa kerja berbeda dalam suatu bagian / unit tertentu. 4. Penghargaan : hampir semua pegawai PT POS Indonesia (Persero) memiliki penghargaan berbeda, seperti pengabdian masa kerja dll. d. Perhitungan nilai untuk normalisasi SAW bisa menggunakan acuan nilai secara general, seperti lebih dari cukup, cukup, kurang cukup dan tidak mencukupi. e. Dengan adanya acuan bobot nilai, bobot kriteria dan perangkingan, dapat terlihat hasil seleksi alternatif mana yang terbaik / mana yang lebih cocok untuk rekomendasi.

III. ANALISIS DAN PERANCANGAN Divisi Sumber Daya Manusia (SDM) PT POS Indonesia (Persero) merupakan salah satu divisi yang terdapat di perusahaan PT POS Indonesia (Persero). Divisi ini berperan penting dalam perencanaan dan pengembangan sumber daya manusia, yaitu tentang jenjang karir karyawan. Sebagai acuan dalam proses bisnis tersebut, PT. POS Indonesia (Persero) mengeluarkan surat keputusan berupa “KEPUTUSAN DIREKSI PT. POS INDONESIA (PERSERO) NOMOR: KD. 50/DIRUT/0612 TENTANG SISTEM MANAJEMEN KARIR”. Dalam praktiknya di lapangan, Divisi SDM PT. POS Indonesia (Persero) ini berusaha keras dalam menyesuaikan terhadap keputusan tersebut. Sistem Informasi Sumber Daya Manusia (SIM-SDM) yang telah ada belum dapat mengcover beberapa kebutuhan yang sesuai dengan surat keputusan tersebut, sehingga masih menggunakan file excel

dalam manajemen proses pengelolaan manajemen karir karyawan seperti pengelolaan personal value yang terpisah dengan sistem informasi yang telah ada serta adanya campur tangan “objektifitas” dalam rekomendasi proses calon karyawan untuk proses mutasi. Implementasi pembuatan sistem informasi pengembangan karir bukanlah yang pertama dikarenakan banyaknya pembuatan sistem informasi oleh pengembang-pengembang lain untuk kepentingan sebuah perusahaan / organisasi. Menurut Walker, terdapat sederetan isu dalam manajemen karir. Ia mengaitkannya dengan berbagai kegiatan perencanaan ketenagakerjaan. Ruang lingkup pengembangan karir secara luas meliputi tentang kegiatan yang berkenaan tentang pegawai. Kegiatan ini mulai dari proses penarikan pegawai (rekrutmen), mutasi, pengembangan / pelatihan pegawai, hingga pemberhentian pegawai (dekrutmen). Oleh karena itu, sebagai perbandingan untuk komparasi antara sistem yang akan dibangun (SIM-KARIR), digunakan dua pembanding sistem informasi pengembangan karir, yaitu pertama aplikasi PriEst (Priority Estimation Tools) dan kedua menggunakan aplikasi IceHRM . Dari hasil analisis, dapat dijabarkan sebagai berikut : a. Aplikasi PriEst (Priority Estimation Tools) merupakan aplikasi opensource untuk sistem pendukung keputusan dalam pelatihan dan pengembangan karyawan. Penjabaran dari sistem ini yaitu : 1. Aplikasi PriEst mengakomodir salah satu konsep dari pengembangan karir, yaitu pelatihan. Pelatihan disini adalah alokasi untuk menentukan siapa saja karyawan yang dapat mengikuti pelatihan berdasarakan kriteria – kriteria yang digunakan perusahaan. 2. Aplikasi ini menggunakan metode SAW & AHP sebagai rekomendasi untuk siapa saja karyawan yang direkomendasikan untuk mendapatkan pelatihan, dengan bentuk pelatihan berupa pelatihan skill, pelatihan kecakapan kerja dll. Tetapi terdapat kekurangan dimana aplikasi ini diharuskan melakukan pembayaran kepada developer


58


(hak cipta) untuk mendapatkan aplikasi secara penuh daripada versi demo. b. Aplikasi IceHRM merupakan aplikasi opensource untuk mendukung keputusan dalam rekrutmen. Penjabaran dari sistem ini yaitu : 1. Aplikasi IceHRM mengakomodir salah satu konsep dari pengembangan karir, yaitu pelatihan. Rekrutmen disini adalah alokasi untuk menentukan siapa saja yang dapat direkrut berdasarakan kriteria – kriteria yang digunakan perusahaan. 2. Aplikasi ini menggunakan metode SAW untuk rekomendasi siapa saja yang dapat direkrut oleh perusahaan. Tetapi terdapat kekurangan berupa aplikasi yang ditawarkan hanya berbentuk demo. Untuk mendapatkan aplikasi secara penuh, diharuskan membayar dengan jangka waktu tertentu. c. Untuk sistem yang akan dibuat (SIMKARIR), berdasarkan salah satu konsep pengembangan karir yang tersedia pada tabel diatas, yaitu tentang mutasi. Penjabaran dari sistem ini yaitu : 1. Mutasi merupakan pengaturan untuk perpindahan orang di suatu bagian / unit tertentu. Seleksi karyawan dan kriteria seleksi merupakan dua hal utama dalam mutasi. Hal tersebut menjadikan mutasi yang akan diangkat dalam rencana pembangunan sistem. Sedangkan konsep lain, yaitu tentang rekrutmen, dekrutmen, ataupun tentang pelatihan, sistem yang akan dibangun tidak akan menampilkan tentang ketiga hal tersebut, karena rekrutmen, dekrutmen, ataupun tentang pelatihan tidak tertulis dan tidak mengacu sesuai KD 50/DIRUT/0612. Kemudian, untuk proses rekrutmen, dekrutmen dan pelatihan tidak dicakup juga oleh tempat penelitian dan pengembangan sistem, yaitu Bagian Pengembangan Karir Divisi Sumber Daya Manusia PT. POS Indonesia

2.

(Persero). Untuk rekrutmen, pelatihan dan dekrutmen terdapat bagian-bagian terpisah di lingkungan PT.POS Indonesia (Persero). Penggunaan metode untuk penerapan sistem pengembangan karir ini menggunakan Fuzzy SAW (Simple Additive Weighting). Alasan menggunakan SAW adalah : a. Penggunaan kriteria dan bobot kriteria serta nilai general dalam penentuan siapa saja karyawan yang dapat direkomendasikan untuk mutasi b. Perhitungan pembobotan untuk tiap kriteria dapat diketahui secara detail.

Berdasarkan hasil perbandingan di atas, penulis menyimpulkan bahwa sistem pengembangan karir mengacu pada 4 konsep, yaitu rekrutmen, mutasi, pelatihan, dan dekrutmen. Untuk aplikasi yang pertama, mengambil salah satu konsep dari Walker mengenai pengembangan karir, yaitu pelatihan karyawan. Untuk aplikasi kedua, mengambil konsep no 3 menurut Walker, mengenai rekrutmen. Untuk sistem yang akan dibangun, mengambil konsep no 2 yaitu tentang mutasi, dimana proses yang akan dikembangkan adalah untuk seleksi karyawan, dan kriteria seleksi karyawan mengacu pada KD 50/DIRUT/0612 PT.POS Indonesia (Persero). Rancangan sistem menggunakan sistem pembagian hak akses sistem / hak akses menu. Terdapat tiga hak akses sistem, yaitu hak akses administrator, manajer SDM dan hak akses manajer SDM. Pada hak akses administrator, mengelola secara keseluruhan hal-hal yang berkaitan dengan sistem, sedangkan untuk staff, mengelola data-data tentang pengembangan karir. Sedangkan untuk hak akses manajer, yaitu memvalidasi data-data yang perlu dan hanya dapat divalidasi oleh manajer, seperti validasi data personal value, draft mutasi, dan laporan hasil akhir rekomendasi.


59


Gambar 3.1 DFD Konteks Gambar di atas merupakan diagram konteks yang akan dibangun. Process utama dinamakan SIMKARIR, kemudian untuk entity / terminator terbagi

menjadi tiga, yaitu administrator, Manajer SDM dan Staff SDM.


60


Gambar 3.2 DFD Level 0 Gambar di atas merupakan diagram DFD level 0 yang akan dibangun. Process utama dari SIMKARIR dipecah menjadi beberapa proses, yaitu proses login (1.0), proses pengolahan data user (2.0), proses grab data (3.0), proses pengolahan data karyawan,KJ & Grade, proses pengolahan data

mutasi (5.0), proses laporan (6.0), proses import / eksport data (7.0), proses backup data (8.0), proses validasi pv (9.0), dan proses pengolahan peng.karir (10.0). Untuk entity / terminator terbagi menjadi tiga, yaitu administrator, Manajer SDM dan Staff SDM.


61


Gambar 3. Perancangan ERD (Entity Relationship Diagram) Gambar di atas merupakan Entity Relationship Diagram (ERD) dari sistem manajemen karir yang akan dibangun. Entity dari sistem

manajemen karir ini yaitu Administrator, Manajer SDM & Staff SDM. Untuk atribut primary key dari tiap atribut dari menu sim karir, yaitu “id”.


62


Gambar 3.3 Perancangan Arsitektural / Struktur Menu Gambar di atas merupakan rancangan struktur menu sistem secara keseluruhan. Apabila setelah login, maka akan tampil beberapa menu. Menu yang dapat diakses mengikuti dari user yang mengakses sistem tersebut, apakah administrator, manajer SDM, ataupun staff SDM. Berikut adalah daftar kebutuhan hardware dan software yang menjadi acuan dalam merancang sistem yang akan dibangun (spesifikasi standar yang digunakan oleh penulis): 1. Hardware

Spesifikasi perangkat keras minimum yang dapat digunakan adalah : a. Processor Intel Pentium 4 atau yang setara b. Harddisk ± 30 MB (hanya untuk instalasi software dan instalasi database) c. Memory 128 MB / lebih diutamakan d. Monitor 14” / 17” e. Keyboard dan mouse


63


f. Untuk keperluan pencetakan laporan, dapat menggunakan printer apa saja. 2. Software Spesifikasi perangkat lunak yang digunakan adalah :

73 Bandung dan Bagian IT (Information Technology) Jln. Banda no. 30 Bandung. Dari pembangunan aplikasi perangkat lunak sistem pendukung keputusan manajemen sistem karir ini dapat diambil kesimpulan sebagai berikut : 1.

a. Sistem operasi : Windows 7 32 / Windows 64 b. Program aplikasi :Sublime Text, Code Lobster, dan PHP

2.

c. Basis data : SQL server 3.

IV. KESIMPULAN DAN SARAN

Perangkat lunak sistem manajemen karir karyawan mampu menerapkan peraturan yang terdapat pada sistem manajemen karir secara baik sesuai aturan yang ada pada sistem manajemen karir tersebut. Pengelolaan personal value karyawan, sebagai bagian / turunan dari sistem manajemen karir dapat digitalisasi ke dalam sistem. Metode Simple Additive Weighting (SAW) dengan kriteria berupa personal value, pendidikan, lama kerja dan penghargaan dapat diterapkan sebagai acuan untuk menentukan rekomendasi seleksi mutasi karyawan.

Pengembangan Sistem Pengambilan Keputusan Manajemen Karir Sumber Daya Manusia (Studi Kasus PT.POS Indonesia (Persero)) ini diawali dengan penelitian studi kepustakaan berdasarkan surat Keputusan Direksi PT. POS Indonesia (Persero) nomor KD.50/DIRUT/0612 tentang Sistem Manajemen Karir. Sedangkan observasi langsung untuk penelitian berada di Bagian Pengembangan Karir (Bang Karir) Divisi Sumber Daya Manusia PT. POS Indonesia (Persero) yang menghasilkan kesimpulan berupa proses bisnis manajemen karir secara keseluruhan dan mutasi sebagai salah satu proses dari manajemen karir.

Dalam penyusunan jurnal ini, masih belum mencapai kata sempurna dan masih terdapat kekurangan. Oleh karena itu, penulis berharap terdapat penelitian lebih lanjut dalam pengembangan sistem pengambilan keputusan manajemen karir ini. Adapun saran yang ingin disampaikan guna meningkatkan manfaat dari perangkat lunak sistem ini adalah :

Sebelum mengembangkan sistem, penulis membandingkan terlebih dahulu dengan sistem pengembangan karir yang telah ada mengacu pada 4 konsep, yaitu tentang rekrutmen, mutasi, pelatihan dan dekrutmen. Namun setelah dianalisis, belum ada cakupan sistem yang membahas tentang mutasi sebagai salah satu pengembangan dan manajemen karir ini. Oleh karena itu, penulis bermaksud mengembangkan suatu sistem dalam pengambilan keputusan sesuai studi kasus yang diambil, yaitu di PT. POS Indonesia (Persero).

2.

Setelah sistem selesai dikembangkan, penulis melakukan test uji sistem dan wawancara kepada Manajer Pengembangan Sistem SDM dan Manajer Layanan Pengguna Sistem Informasi yang dilakukan langsung di lingkungan PT POS Indonesia (Persero) yang berada di Bagian SDM Jln. Cilaki no.

1.

3.

4.


Sistem informasi manajemen karir ini dilakukan integrasi dengan sistem penggajian untuk karyawan Kantor Pusat PT. POS Indonesia (Persero) mengacu pada Keputusan Direksi PT. POS Indonesia Persero No. KD 50/DIRUT/0612 tentang Manajemen Karir. Perangkat lunak sistem informasi manajemen yang dibuat ini dapat mencakup seluruh kantor pos mulai dari Kantor Pos Wilayah POS 1 ( Wilpos I) sampai dengan Wilayah POS 11 (Wilpos XI). Sistem informasi manajemen karir ini dilakukan integrasi dengan sistem formasi agar lebih mudah diketahui dimana saja posisi formasi, jabatan dan kebutuhan minimum dasar untuk menempati tempat / jabatan tertentu. Sistem informasi manajemen yang dibuat dapat membantu dalam pengambilan

64


keputusan calon untuk top managerial seperti direksi.

REFERENSI [1]. Pos Indonesia (Persero). Retrieved 27 Oktober 2016 <> [2]. Joshi, Manmohan. 2013. Human Resources Management 1st edition. Denmark: Bookbon.com [3]. Propahl, Lin Grensing. 1999. The HR Book : Resources Management for Small Business Self Counsel Press. Diterjemahkan oleh : Sugiri. Jakarta: Penerbit Predana [4]. Armstrong, Michael. 2006. A Handbook of Human Resource Management Practice. Philadelphia: Kogan Page Limited. [5]. Keputusan Direksi PT. POS Indonesia (Persero) Nomor KD. 50/DIRUT/0612. [6]. Fishburn,P.C. 1967. Methods of Estimating Additive Utilities. Management Science,Vol.13, No.7. [7]. Kusumadewi, Sri., Hartati, S., Harjoko, A., Wardoyo,R. 2006. Fuzzy Multi Attribute Decision Making (FUZZY MADM). Yogyakarta: Graha Ilmu.


65

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093

PENDETEKSIAN LOKASI PLAT NOMOR KENDARAAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENTS Devi Alfiani Fakultas Teknik Informatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected] Hannan Izzaturrofa Fakultas Teknik Infomatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected]

Abstrak Computer vision merupakan suatu bidang keilmuan yang menggunakan komputer untuk memahami isi citra. Salah satu contoh pengaplikasiannya adalah Optical Character Recognition (OCR) yang mengenali objek data citra berupa tulisan. Biasanya OCR digunakan dalam membaca informasi tulisan pada suatu gambar. Salah satu penerapannya adalah membaca plat nomor kendaraan. Plat nomor kendaraan merupakan identitas dari suatu kendaraan yang membedakannya dengan kendaraan lainnya. Namun untuk membaca suatu tulisan pada citra sistem harus dapat menemukan lokasi dari tulisan yang akan dibaca tersebut. Plat nomor kendaraan merupakan suatu informasi yang bersifat umum serta menjadi salah satu kewajiban yang harus dimiliki kendaraan yang penerapannya diatur oleh pemerintah sehingga penulisannya tidak dapat dimodifikasi secara sembarangan. Oleh karena itu, setiap karakter yang sama pada mobil berbeda akan tetap memiliki bentuk yang hampir sama. Maka dari itu penelitian ini akan menggunakan ekstraksi ciri Histogram of Oriented Gradients sebagai metode untuk menemukan plat nomor kendaraan dan m. Metode tersebut menghasilkan akurasi sebesar 86,84%. Kata kunci :

Computer vision, Optical Character Recognition, Histogram of Oriented Gradients, K-Nearest Network

Abstract Computer vision is a field of science that uses computers to understand the content of the image. An example of it is Optical Character Recognition (OCR) to recognize the object image data in the form of writing. Usually OCR is used in reading information written on an image. The example is to read a license plate. Vehicle license plate is the identity of a vehicle that sets it apart from other vehicles. However, to read an information such a text on the image of the system should be able to find the location of the text that will be read. Vehicle license plate is a general information as well as being one of the obligations that must be owned vehicles whose application is regulated by the government so the writing can not be modified arbitrarily. Therefore, each of the same character in different cars will still have a shape that is almost the same. Thus, this study will use a feature extraction Histogram of Oriented Gradients as a method for finding the vehicle license plate number and classification method used K-Nearest Network (KNN). In this paper, with the proposed method produces the accuracy is 86.84%. Keywords :


66

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 Computer vision, Optical Character Recognition, Histogram of Oriented Gradients, K-Nearest Network

I. PENDAHULUAN Perkembangan dunia khususnya dibidang teknologi saat ini telah berkembang pesat. Teknologi dapat dimanfaatkan untuk membantu pekerjaan manusia dengan cara mengotomatisasi suatu kegiatan yang awalnya dilakukan secara manual, salah satu contohnya adalah pengenalan plat nomor kendaraan yang disebut License Plate Recognition (LPR) yang diterapkan untuk sistem parkir, sistem tol, sistem lalu lintas, dan sistem lain yang berhubungan dengan kendaraan. LPR merupakan salah satu bagian dari Optical Character Recognition (OCR) yang mengenali objek data citra yang berupa tulisan (nomor polisi). Ada beberapa tahapan yang harus dilakukan untuk mengenali nomor polisi plat nomor kendaraan. Tahap awal adalah menemukan lokasi plat nomor kendaraan, setelah itu dilakukan pengidentifikasian karakter agar dapat dilanjutkan ke tahap pengenalan nomor polisi plat nomor kendaraan. Telah banyak penelitian yang dikembangkan untuk mengenali karakter nomor polisi pada plat nomor kendaraan, namun belum banyak penelitian yang menggunakan dataset berupa gambar utuh dari sebuah kendaraan. Penelitian tesebut terfokus pada pengenalan karakter pada plat nomor saja. Oleh karena itu, pada penelitian tugas akhir ini akan difokuskan pada tahap menemukan lokasi plat nomor kendaraan dengan menggunakan Histogram of Oriented Gradients (HOG). HOG digunakan untuk mengekstraksi fitur pada objek citra dengan menggunakan objek karakter pada plat nomor. Pada proses untuk mengekstraksi fitur tersebut, citra akan dikelompokkan menjadi block yang terdiri dari beberapa cell yang akan dihitung nilai gradient setiap pksel yang ada pada block tersebut. Setelah dilakukan ekstraksi bentuk menggunakan HOG, akan dilakukan klasifikasi karakter menggunakan K-Nearest Neighbour (K-NN)

untuk melihat apakah citra yang diambil merupakan bagian dari plat nomor atau tidak. Setelah itu akan dilakukan penyeleksian kandidat yang benar menggunakan algoritma sliding window.

II. KAJIAN LITERATUR Pada penelitian ini terdapat beberapa tahap yang harus dilewati untuk bisa membangun sebuah sistem yang dapat mendeteksi lokasi plat nomor kendaraan. Tahapan yang dilalui adalah preprocessing, ekstraksi ciri, klasifikasi dan penyeleksian. Preprocessing citra dilakukan untuk mengecilkan daerah penelusuran yang akan digunakan pada saat ekstraksi ciri dilakukan. Setelah melalui preprocessing akan dilanjutkan ke tahap ekstraksi ciri menggunakan Histogram of Oriented Gradients (HOG). Ekstraksi ciri digunakan untuk mengambil ciri dari bentuk gambar yang dimasukkan, kemudian dilakukan klasifikasi menggunakan metode K-Nearest Neighbour (KNN). Setelah itu daerah hasil pengklasifikasian akan diseleksi menggunakan algoritma sliding windows. Tahapan preprocessing yang dilakukan adalah konversi RGB ke grayscale, Histogram Equalization (Histeq), deteksi tepi Canny, dan Morfologi Operation, dan segmentasi. Proses konversi RGB ke grayscale dilakukan untuk mengurangi kompleksitas dalam pemrosesan citra. Hasil citra grayscale akan diproses menggunakan median filtering untuk menghilangkan noise salt and pepper yang ada pada citra. Setelah itu akan dilakukan pemerataan histogram dengan menggunakan metode Histogram equalisation (Histeq). Histeq bertujuan untuk memperbaiki atau menjadikan gambar memiliki kontras yang lebih baik. Deteksi tepi Canny digunakan untuk mendapatkan tepi citra dikarenakan operator Canny telah didesain untuk menjadi pendeteksi tepi yang dapat bekerja secara optimal pada citra yang memiliki kriteria berbeda-beda [1]. Morphological Operation digunakan untuk menebalkan garis tepi dan menghilangkan objek kecil. Operasi morfologi yang dilakukan adalah dilasi dengan menggunakan struktur elemen s.


67


Gambar 2. Dilasi dengang menggunakan 3x3 square structuring element [8]

Segmentasi dilakukan untuk mengurangi daerah citra yang tidak diperlukan. Segmentasi dilakukan dengan membangun daerah dari garis tepi citra hasil deteksi tepi Canny. HOG adalah salah satu metode yang digunakan dalam image processing untuk mendeteksi suatu objek. Teknik ini dilakukan dengan menghitung nilai gradien dalam daerah tertentu pada suatu citra. Tiap citra memiliki karakteristik yang berbeda yang ditunjukkan oleh distribusi gradien, yang didapatkan dengan membagi citra ke dalam beberapa bagian kecil yang disebut block. Tiap block dibangun oleh beberapa daerah kecil yang disebut cell. Tiap cell disusun sebuah histogram dari sebuah gradien. Setiap piksel dari cell berkontribusi dalam proses voting untuk membangun nilai dari Histogram tersebut. Kombinasi dari histogram tersebut yang akan dijadikan sebagai deskriptor yang mewakili sebuah objek.

vertikal menggunakan deteksi tepi Sobel 1-D dengan rumus sebagai berikut.

(1)

(2)

Dari nilai gradien tersebut akan dihitung magnitude dan orientasi-nya.

(3)

(4)

Dimana nilai merupakan nilai intensitas citra pada posisi x dan y. untuk mengurangi pengaruh pencahayaan, maka pada cell dan block dilakukan normalisasi dengan rumus sebagai berikut.

Proses awal untuk membangun HOG adalah dengan menghitung nilai gradien horisontal dan Jurnal Nasional JMII 2017

(5)

68


Nilai

v

merupakan

nilai

vektor

yang

mengandung histogram pada sebuah blok dan adalah bilangan kecil konstan. Cell dalam HOG dapat berupa persegi panjang (R-HOG) atau setengah lingkaran (C-HOG). R-HOG diwakili oleh tiga parameter yaitu jumlah cell per block, jumlah piksel per cell, dan jumlah bin per histogram. Sedangkan C-HOG memiliki empat parameter yaitu jumlah sudut dan radial bin, jari-jari center bin, dan faktor ekspansi untuk radius tambahan dari radial bin.

Gambar 2. Cell yang menyusun sebuah Block

K-Nearest Neighbor (K-NN) adalah sebuah metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Tujuan algoritma ini adalah mengklasifikasikan objek baru berdasarkan atribut dan sampel latih. Dalam pengujiannya akan diberikan sebuah titik yang akan dihitung jaraknya terhadap sejumlah K objek (titik training). Klasifikasi dilakukan dengan mengambil voting terbanyak di antara klasifikasi dari K obyek. Algoritma K-NN menggunakan klasifikasi ketetanggan sebagai nilai prediksi dari sampel uji yang baru. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan rumus Eucledian sebagai berikut.

(6)

Pada persamaan diatas x dan y adalah vektor yang jaraknya ingin dibandingkan, k adalah banyak nilai di dalam vektor x atau y dengan nilai yang sama, i adalah indeks dari vektor yang ingin dibandingkan.


69


Dataset yang digunakan dalam penelitian ini merupakan citra kendaraan roda empat yang memiliki plat nomor berwarna hitam yang diambil sendiri di daerah lingkungan kampus Universitas Telkom dengan menggunakan kamera Canon EOS 550D. Keseluruhan dataset memiliki beberapa kondisi yang berbeda yaitu, jarak yang berbeda, sudut yang berbeda, posisi yang berbeda dan warna mobil yang berbeda. Total dataset yang digunakan adalah 228 citra dengan pembagian 116 citra untuk skenario training sistem dan 228 citra untuk skenario testing. Contoh data gambar yang terdapat di dalam dataset dapat dilihat pada gambar di bawah ini.

5. Testing Dataset yangGambar digunakanan adalah citra dari sebuah kendaraan roda empat lengkap dengan background. Jumlah dataset yang digunakan adalah sebanyak 228 citra yang diambil dari jarak 3-5 meter, dan sudut pengambilan gambar 0-15 derajat dari kamera, serta posisi pengambilannya dari arah kiri, tengah dan kanan dari kendaraan.

Pada proses pembangunan model, citra akan dipotong menjadi ukuran sebesar 60x20. Untuk ekstraksi model tersebut akan digunakan potongan citra yang mengandung karakter huruf dan angka plat nomor.

Gambar 3. Data gambar ada di dalam dataset biasa Perhitungan akurasi yang menggunakan perhitungan

yaitu dengan membagi jumlah citra yang berhasil dideteksi per jumlah seluruh citra yang digunakan dikali dengan 100 persen.

III. ANALISIS DAN PERANCANGAN Sistem pendeteksian lokasi plat nomor ini terbagi menjadi dua bagian, yaitu bagian pembangunan model dan bagian pengujian. Alur pembangunan model digambarkan seperti dibawah ini.

Gambar 4. Pembangunan Model


70


Gambar 7. (Kiri) Sampel citra; (Kanan) Hasil preprocessing

Setelah melalui tahap preprocessing, akan dilanjutkan ke tahap klasifikasi menggunakan metode K-Nearest Network (KNN). KNN dilengkapi dengan nilai threshold yang akan menjadi standar penentuan apakah potongan citra tersebut merupakan plat nomor atau tidak. Pada penelitian ini digunakan nilai threshold sebesar 0,7. Nilai threshold didaptkan dari hasil trial and error. Hasil dari klasifkasi adalah sebuah citra yang terdiri atas blok-blok citra yang memiliki nilai dibawah threshold. Citra tersebut akan diseleksi dengan menggunakan algoritma sliding windows yang berukuran 100x300 untuk menemukan kandidat lokasi plat nomor yang benar. Pada tahap klasifikasi dilakkukan pengujian untuk mencari nilai K terbaik yang dapat menghasilkan akurasi tertinggi.

Gambar 6. Sampel citra untuk pembangunan model

Pembangunan model dilakukan dengan ekstraksi bentuk Histogram of Oriented Gradients (HOG) dengan menggunakan R-HOG yang menggunakan block saling overlapping 50% yang memiliki 2x2 cell. Sehingga satu citra akan memiliki 4x14 blok yaitu 56 blok. Setelah proses pembangunan model, dilanjutkan ke tahap preprocessing menggunakan Histogram equalisation (Histeq) yang bertujuan untuk menyeratakan histogram citra agar penyebaran warnanya lebih merata. Pendeteksian tepi dan penebalan garis tepi dilakukan untuk mempermudah pembentukan daerah pada citra untuk segmentasi gambar. Hasil dari tahap preprocessing adalah citra yang telah dihilangkan daerah yang dianggap tidak dibutuhkan.

(a)

(b)

(c)

(d)

(e)

(f)

Gambar 8. (a) Hasil klasifikasi 1-NN; (b) Hasil Klasifikasi 3-NN; (c) Hasil Klasifikasi 5-NN; (d) Hasil Klasifikasi 7-NN; (e) Hasil Klasifikasi 9-NN; (f) Hasil Klasifikasi 11-NN


71


(a)

Kemungkinan yang bisa terjadi selain hal tersebut adalah banyaknya daerah selain plat nomor yang digolongkan ke dalam sebuah kelas, dan kelas yang terpilih tersebut memiliki nilai jarak kurang dari nilai threshold sehingga pada saat penyeleksian, kandidat lokasi yang tidak benar tersebut dianggap sebagai lokasi dari plat nomor.

(b)

Untuk penelitian lebih lanjut sebaiknya dilakukan pengujian terhadap parameter HOG dan nilai threshold dari KNN nya serta dataset untuk pembuatan model lebih diperbanyak agar sistem yang dibangun lebih baik. (a)

(d)

REFERENSI

(e)

[1].

S. P. A. W. E. W. R. Fisher, “Canny Edge Detector,” 2003. [Online]. [Diakses 28 December 2016].

[2].

B. T. Navneet Dalal, “Histogram of Oriented Gradients for Human Detection,” 2005.

[3].

G. C.-C. W. R. S. D. M. R. F. Prates, “Brazilian License Plate Detection Using Histogram of Oriented Gradients and Sliding Windows,” 2014.

[4].

Y. Z. J. G. Q. H. Kuan Zheng, “License Plate Detection Using Haar-like Features and Histogram of Oriented Gradients,” 2012.

[5].

K. W. Z. Y. H. X. Chao Gou, “License Plate Recognition Using MSER and HOG Based on ELM,” 2014.

[6].

Z.-N. L. Haoyu Ren, “Object Detection Using Edge Histogram of Oriented Gradient,” 2014.

[7].

H. A. Jawad Muhammad, “Improved License Plate Detection Using HOG-based Features and Genetic Algorithm,” 2016.


72

(f)

Gambar 9. (a) Hasil sliding windows 1-NN; (b) Hasil sliding windows 3-NN; (c) Hasil Klasifikasi 5-NN; (d) Hasil Klasifikasi 7-NN; (e) Hasil Klasifikasi 9-NN; (f) Hasil Klasifikasi 11-NN

Akurasi 90.00% 80.00%

85.08%

86.84% 80.26% 85.96%

82.89%

70.00%

78.50%

1-NN 3-NN 5-NN 7-NN 9-NN 11-NN Akurasi

Setelah melakukan pengujian dengan beberapa nilai K didapatkan akurasi terbaik pada saat nilai K=5 yaitu sebesar 86,84%.

IV. KESIMPULAN DAN SARAN Nilai parameter KNN sangat berpengaruh terhadap hasil yang didaptakan. Dapat dilihat bahwa nilai K=5 merupakan parameter yang menghasilkan akurasi tertinggi. Hal ini disebabkan semakin banyaknya nilai K maka semakin banyaknya peluang suatu potongan citra diklasifikasikan ke dalam sebuah kelas karakter, namun tiap kelas karakter yang terpilih belum tentu memiliki nilai jarak yang kurang dari nilai threshold yang ditentukan.


SISTEM INFORMASI PENGOLAHAN SERTIFIKAT BERBASIS WEB DI DIVISI TRAINING SEAMOLEC

Faizal Ari Prabowo, Mamay Syani Program Studi Teknik Informatika- Politeknik TEDC Bandung Jl. Politeknik-Pesantren KM2 Cibabat Cimahi Utara – Cimahi Jawa Barat – Indonesia [email protected], [email protected]

Abstrak—Southeast Asian Ministers of Education Organization of Open Learning Center (SEAMOLEC) adalah organisasi yang bergerak untuk mengembangkan Pendidikan Terbuka dan Jarak Jauh (PTJJ). Di dalam mengembangkan Pendidikan Terbuka dan Jarak Jauh, SEAMOLEC memiliki beberapa program salah satunya ialah pelatihan Digital Class Development.Dalam penelitian ini bertujuan membuat Sistem Informasi Pengolah Sertifikat berbasis website untuk merubah sistem dari manual menjadi komputerisasi, dan membangun sistem yang dapat membantu mengelola sertifikat. Dalam penyelesaian penelitian ini menggunakan metode waterfall yang membantu pada pengembangan sistem, tahap analisis dan sebagai identifikasi sistem yang sedang berjalan dengan sistem yang akan dikembangkan, pada tahap perancangan sistem menggunakan Unified modeling language (UML), MySQL digunakan sebagai perancangan database, dan perancangan sistem menggunakan bahasa pemrograman Hypertext Preprocessor (PHP). Hasil penelitian menunjukkan bahwa sistem ini dapat menggantikan proses manual kedalam proses komputerisasi. Dan hasil pengujian User Acceptance Test (UAT) sistem ini bisa diterima dengan baik dengan persentase sebesar 85%.

Kata Kunci: Sistem informasi, sertifikat, web, SEAMOLEC.

I. PENDAHULUAN A. Latar Belakang Southeast Asian Ministers of Education Organization of Open Learning Center (SEAMOLEC) adalah organisasi yang bergerak untuk mengembangkan Pendidikan Terbuka dan Jarak Jauh (PTJJ). Di dalam mengembangkan Pendidikan Terbuka dan Jarak Jauh, SEAMOLEC memiliki beberapa progam salah satunya ialah pelatihan Digital Class Development. Pelatihan Digital Class Development adalah suatu pelatihan untuk mengembangkan kemampuan guru-guru dalam hal pengintegrasian Teknologi Informasi dan Komunikasi dan mengembangkan e-learning sebagai metode pembelajaran baru. Pada pelatihan Digital Class Development, setelah peserta mengikuti pelatihan selama 3 hari, peserta akan mendapatkan sebuah sertifikat sebagai tanda telah melaksanakan kegiatan pelatihan Digital Class Development . Di divisi Training SEAMOLEC pembuatan sertifikat utuk kegiatan Digital Class Development pada saat ini masih bersifat konvensional dengan menggunakan software Microsoft Excel dan Microsoft Publiser untuk mengelola sertifikat. Proses pembuatan sertifikat memakan waktu yang lama dalam pembuatannya dan masih banyak Staff yang belum bisa mengelola dan mencetak sertifikat dengan baik. B. Rumusan Masalah


73

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 1. Bagaimana analisis sistem yang sedang berjalan di divisi Training SEAMOLEC ? 2. Bagaimana merancang dan mengembangkan sistem informasi pengolah sertifikat berbasis web ? 3. Bagaimana Implementasi sistem informasi pengolah sertifikat berbasis web di divisi training SEAMOLEC ? C. Batasan Masalah 1. SEAMOLEC sebagai objek studi kasus dalam penelitian. 2. Sistem informasi pengolah sertifikat pada divisi Training SEAMOLEC yang melingkupi data pelatihan, data peserta, dan cetak sertifikat

2.

D. Tujuan Penelitian 1. Menganalisa sistem yang berjalan di divisi training SEAMOLEC 2. Merancang dan mengembangkan sistem informasi pengolah sertifikat berbasis web 3. Mengimplementasikan sistem informasi pengolah sertifikat berbasis web di divisi training SEAMOLEC.

3.

E. Metodologi Penelitian Pada penelitian ini menggunakan model waterfall dimana terdapat 6 langkah yaitu: requirements, analysis, design, coding, testing, dan maintenance. Namun dalam hal ini pada sistem informasi pengolah sertifikat tidak menambahkan untuk langkah maintenance, dikarenakan sistem yang berjalan saat ini hanya sampai pada langkah testing, langkahlangkah yang dilakukan ialah sebagai berikut : 1. Requirements: yaitu tahap untuk melakukan pengumpulan data dan penetapan kebutuhan semua elemen sistem. Dalam hal ini pengumpulan data dilakukan dengan cara observasi, wawancara dan studi literatur. Observasi yang dilakukan yaitu dengan melakukan pengamatan langsung pada objek penelitian yang berkaitan dengan proses pengolah sertifikat di divisi Training SEAMOLEC, Kemudian wawancara dilakukan kepada staff divisi Training tentang informasi instansi tersebut dan menanyakan informasi mengenai pengolahan sertifikat atau hal lain yang

4.

5.

kurang jelas pada saat pengumpulan data. Selain itu melakukan studi literatur atau mencari referensi teori yang relefan dengan kasus atau permasalahan yang ditemukan. Referensi ini dapat dicari dari buku, jurnal, artikel laporan penelitian dan situs-situs di internet mengenai perancangan dan pembuatan sistem informasi pengolah sertifikat di divisi Training SEAMOLEC. Analysis: tahap untuk menganalisis alur sistem pembuatan sertifikat yang sedang berjalan di SEAMOLEC, kemudian melakukan analisis data yang diperoleh sehingga mampu menganalisis hal-hal yang diperlukan untuk sistem yang akan dibangun dalam pelaksanaan proyek pembuatan sistem informasi Pengolah sertifikat. Design: tahap penerjemahan dari keperluan atau data yang telah dianalisis untuk sistem informasi pengolah sertifikat di divisi Trainig SEAMOLEC yang akan dibangun seperti merancang database dengan menggunakan MySQL dan merancang user interface atau tampilan sistem ke dalam bentuk yang mudah dimengerti oleh pengguna menggunakan CSS Bootstrap. Coding: tahap untuk menerjemahkan data, atau pemecahan masalah yang telah dirancang ke dalam bahasa pemrograman komputer yang telah ditentukan. Dalam hal ini menggunakan bahasa pemrograman PHP dan Database MySQL. Testing: tahap untuk melakukan uji coba terhadap sistem informasi pengolah sertifikat berbasis web yang telah dibuat apakah sudah sesuai dengan kebutuhan divisi Training SEAMOLEC atau masih ada kesalahan

II. LANDASAN TEORI A. Profil SEAMEO SEAMOLEC South East Asian Ministers of Education Organization Regional Open Learning Centre (SEAMOLEC) merupakan organisasi dibawah South East Asian Ministers of Education Organization (SEAMEO) atau Organisasi dari beberapa Kementerian Pendidikan se-Asia Tenggara yang berdiri pada tanggal 27 Februari 1997 di Pustekkom,


74

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 MoEC, Jakarta dan bertanggung jawab untuk mengembangkan pendidikan terbuka dan Pendidikan Jarak Jauh (PJJ) di Asia Tenggara. Bangunan baru SEAMOLEC diresmikan pada 14 Maret 2007 berlokasi di komplek Universitas Terbuka Pondok Cabe, Pamulang, Jl. Cabe Raya Banten. (SEAMOLEC, 2016) B. Sistem Sistem didefinisikan sebagai sekumpulan prosedur yang saling berkaitan dan saling terhubung untuk melakukan suatu tugas bersama-sama. Secara garis besar, sebuah sistem informasi terdiri atas tiga komponen utama. Ketiga komponen tersebut mencakup software, hardware, dan brainware. Ketiga komponen ini saling berkaitan satu sama lain (Pratama, 2014). C. Informasi Informasi merupakan hasil pengolahan data dari satu atau berbagai sumber yang kemudian diolah, sehingga memberikan nilai, arti, dan manfaat (Pratama, 2014). D. Sistem Informasi Berdasarkan definisi mengenai sistem dan informasi yang telah dijelaskan diatas, maka dapat dinyatakan bahwa sistem informasi merupakan gabungan dari empat bagian utama. Keempat bagian utama tersebut mencakup perangkat lunak (sofware), perangkat keras (hardware), infrastruktur, dan Sumber Daya Manusia (SDM) yang terlatih (Ladjamudin, 2013). E. Sertifikat Sertifikat adalah tanda atau surat keterangan (pernyataan) tertulis dari orang yg berwenang yang dapat digunakan sebagai bukti pemilikan atau suatu kejadian (Suharso & Retnoningsih, 2014). Pada pelatihan Digital Class Development, setelah peserta mengikuti pelatihan selama 3 hari, peserta akan mendapatkan sebuah sertifikat sebagai tanda telah melaksanakan kegiatan pelatihan Digital Class Development. F. System Development Life Cycle (SDLC) Pengertian System Development Life Cycle adalah “Proses pembangunan/pengembangan sistem informasi, mulai dari konsep sampai dengan implementasinya”. Sistem ini mengidentifikasi bahwa sistem informasi bersifat dinamis karena perancangan sistem harus disesuaikan dengan

kebutuhan pengguna. Perancangan sistem bukanlah proses yang sekali jadi dan dapat dipergunakan untuk kepentingan bisnis selamanya. Oleh karena itu pengembangan sistem sebenarnya merupakan suatu siklus karena bila ditinjau dari efektivitas untuk mengembangkan sistem, analisis sistem selalu melakukan aktivitas yang berulang ulang. System Development Life Cycle (SDLC) terdiri dari 5 fase yang berbeda, yaitu : fase perencanaan sistem, fase analisis sistem, fase desain sistem, dan implementasi sistem (Sukamto.Shalahuddin, 2013). G. Website World Wide Web (WWW), lebih dikenal dengan web, merupakan salah satu layanan yang didapat oleh pemakai komputer yang terhubung ke internet (Sidik & Pohan, 2010). H. XAMPP XAMPP merupakan singkatan dari X (empat sistem operasi apapun), Apache, MySQL, PHP, Perl. XAMPP adalah tool yang menyediakan paket perangkat lunak dalam satu buah paket. Dalam paket XAMPP sudah terdapat Apache (webserver), MySQL (database), PHP (server side scripting), Perl, FTP server, PHPMyAdmin (Prasetio, 2011). I.

Basis Data

Basis data terdiri atas 2 kata, yaitu Basis dan Data. Basis kurang lebih dapat diartikan sebagai markas atau gudang, tempat bersarang/berkumpul. Sedang data adalah representasi fakta dunia nyata yang mewakili suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan), barang, hewan, angka, huruf, symbol, teks, gambar, bunyi, atau kombinasinya (Fathansyah, 2012). J.

MySQL

MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL atau DBMS yang multithread dan multiuser. MySQL adalah Relational Database Managemen Sistem (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License) (Solichin, 2010) K. Hypertext Markup Language (HTML) HTML kependekan dari Hyper Text Markup Language. Dokumen HTML adalah file teks murni yang dapat dibuat dengan editor teks sembarang. Dokumen ini dikenal sebagai web page. Dokumen


75

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 HTML merupakan dokumen yang disajikan dalam browser web surfer. Dokumen ini umumnya berisi informasi atau interface sistem di dalam internet (Sidik & Pohan, 2010). L. Hypertext Preprocessor (PHP) PHP adalah bahasa pemrograman yang digunakan secara luas untuk penanganan pembuatan dan pengembangan sebuah web dan bisa digunakan pada HTML. PHP merupakan singkatan dari “PHP : Hypertext Preprocessor”, dan merupakan bahasa yang disertakan dalam dokumen HTML sekaligus bekerja disisi server (server-side HTML-embedded scripting) (West, 2013).

III. PEMBAHASAN A. Analisis Sistem yang berjalan Sistem yang sedang berjalan di divisi Training SEAMEO SEAMOLEC dalam pembuatan sertifikat masih belum optimal. Penyusunan dan seting posisi pengaturan sertifikat masih mengalami kendala seperti menggabungkan data peserta dengan data nomer sertifikat yang berupa file Excel. Penggabungan dua dokumen tersebut masih dibantu dengan Mail Merger dari Microsoft Publisher. Tentu saja tidak akan efektif dan akan memakan waktu yang lama untuk proses cetak sertifikat, alur dapat dilihat pada gambar berikut ini.

M. JQuery JQuery adalah kumpulan kode/fungsi Javascript siap pakai, sehingga memudahkan dan mempercepat dalam membuat kode Javascript. JQuery menyederhanakan kode Javascript (Hakim, 2011). N. JavaScript JavaScript merupakan modifikasi dari bahasa c++ dengan pola penulisan yang lebih sederhana (Sidik & Pohan, 2010). O. Bootstrap Bootstrap adalah kerangka ramping, intuitif, dan kuat, framework front-end mobile pertama untuk mempercepat dan memudahkan pengembangan web. Bootstrap menggunakan HTML, CSS, dan Javascript. Bootstrap dikembangkan oleh Mark Otto dan Jacob Thornt di Twitter (Tutorialspoint.com, 2014). P. Unified Modelling Languange (UML) Unified modeling language adalah bahasa untuk visualisasi, spesifikasi, membangun sistem perangkat lunak, serta dokumentasi. UML menyediakan modelmodel yang tepat, tidak ambigu, dan lengkap. Secara khusus UML menspesifikasi langkah-langkah penting dalam pengembangan keputusan analisis, perancangan, serta implementasi dalam sistem perangkat lunak (Sugiarti, 2013).

Gbr. 1 Analisis Sistem yang berjalan

B. Analisis Sistem yang dikembangkan Sistem Informasi pengolah sertifikat berbasis web merupakan alternatif untuk membantu staff untuk mengelola dan mencetak sertifikat. Dalam sistem ini akan ada beberapa perbedaan dengan sistem yang ada pada saat ini, yaitu setting template sertifikat akan menjadi otomatis. Admin dapat mengimput data kegiatan pelatihan,kemudian mulai meng-import data peserta pelatihan yang berisi nama peserta dan juga nomer sertifikat dari Excel kemudian dirubah menjadi file .CSV untuk dimasukan ke dalam sistem. Setelah import data peserta selesai, Admin dapat langsung memulai proses cetak sertifikat. Alur dapat dilihat pada gambar berikut ini


76


Gbr. 2 Analisis sistem yang dikembangkan

C. Analisis Kebutuhan Sistem 1) Analisis Kebutuhan Perangkat Lunak:

1) Usecase Diagram

Adapun spesifikasi perangkat lunak atau software yang digunakan dalam pembuatan perancangan sistem yang akan dikembangkan adalah : 1. 2. 3. 4.

Operating System Windows 7 Sublime Text 3 XAMPP v.3.2.2 Browser 2) Analisis Kebutuhan Fungsional:

Analisis kebutuhan fungsional pada Sistem Informasi Pengolah Sertifikat adalah sebagai berikut: 1. 2. 3. 4.

Fungsi login oleh setiap pengguna. Dapat mengelola data kegiatan oleh administrator. Dapat mengelola data peserta oleh administrator. Dapat mencetak sertifikat oleh administrator.

Gbr. 3Use Case Diagram

E. Activity Diagram 1. Activity Diagram Use Case Login Admin

3) Analisis Kebutuhan Non-fungsional: Analisis kebutuhan non fungsional pada Sistem Informasi Manajemen Penugasan Pegawai adalah sebagai berikut: Menampilkan peringatan pada aksi-aksi tertentu. 1. Menggunakan responsive template. 2. Memasang pesan peringatan pada aksi-aksi tertentu. 3. Memasang beberapa fitur pada keamanan sistem. D. Perancangan Sistem Jurnal Nasional JMII 2017

77

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 Gbr. 4 Activity Diagram Use case Login Admin

2. Activity Diagram Use Case Admin Kelola Data Pelatihan

Gbr. 7 Activity Diagram Use case Admin Import Data Peserta Gbr. 5 Activity Diagram Use case Admin Kelola Data Pelatihan

5. Activity Diagram Use Case Admin Cetak Sertifikat

3. Activity Diagram Use Case Admin Kelola Data Peserta

Gbr. 6 Activity Diagram Use case Admin Kelola Data Peserta

Gbr. 8 Activity Diagram Use case Admin Cetak Sertifikat

4. Activity Diagram Use Case Admin Import Data Peserta F. Perancangan Relasi Antar Tabel


78

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 setelah melakukan proses login, pengguna akan masuk ke dalam utama untuk melakukan aktivitas di dalam sistem. 3) Halaman Data Kegiatan:

Gbr. 9 Perancangan Relasi Antar Tabel

G. Implementasi Sistem 1) Tampilan Login: Gbr. 12 Halaman Data Kegiatan (1)

User bisa menambah data kegiatan dan juga menghapus data kegiatan

Gbr.10 Tampilan form login

Gbr. 13 Halaman Data Kegiatan (2)

sebelum menampilkan halaman utama, sistem akan menampilkan halaman login sebagai persyaratan untuk masuk ke halaman utama.

4) Edit data Kegiatan:

2) Halaman Menu Utama:

Gbr. 14 Edit data kegiatan

Gbr. 11 Halaman Menu Utama

Jika pengguna login sebagai Admin maka sistem akan menampilkan halaman dengan akses penuh untuk melakukan aktivitas di dalam sistem, user dapat mengedit data kegiatan 5) Halaman Data Peserta :


79


Gbr. 16 Tampilan Halaman Edit Data Peserta Gbr. 14 Halaman Data Peserta (1)

Pada halaman ini menampilkan data peserta .

Pada tampilan ini user Admin bisa mengedit data peserta yang Nama peserta dan Juga Nomer Sertifikat. 7) Halaman Import Data Peserta:

Gbr. 17 Halaman Import Data Peserta

Gbr. 15 Halaman Data Peserta (2)

6) Tampilan Halaman Edit Data Peserta:

tampilan halaman Import Data Peserta yang di dalamnya terdapat tombol untuk mencari file .CSV dan juga tombol import untuk mengimport file yang sudah ketemu. 8) Halaman Cetak Sertifikat :

Gbr. 18 Halaman Cetak Sertifikat


80


Selanjutnya ada tampilan halaman cetak Sertifikat, link menu berada di halaman data peserta. User dapat langsung mencetak sertifikat.

IV. KESIMPULAN DAN SARAN A. Kesimpulan 1. Divisi Training SEAMOLEC dalam mengelola sertifikat masih menggunakan metode yang konvensional dimana masih menggunakan sistem mail merger dengan menggunnakan Microsoft Publisher dan Microsoft Excel. 2. Merancang dan mengembangkan sistem informasi ini menggunakan metode waterfall dan untuk mengembangkan sistem menggunakan beberapa tahap yaitu analisis sistem yang berjalan, perancangan basis data, perancangan tampilan antarmuka dan pengujian program. Digunakan bahasa pemrograman Hypertext Preprocessor (PHP), perancangan basisdata menggunakan database MySQL, dan apache sebagai web servernya. 3. Implementasi dari Sistem Informasi Pengolah Sertifikat Berbasis Web di divisi Training SEAMOLEC ini adalah dengan memanfaatkan teknologi internet yang berkembang saat Staff dapat melakukan proses cetak sertifikat di kantor maupun disaat melakukan tugas di luar wilayah kantor B. Saran 1. Perlu adanya notifikasi sertifikat mana saja yang sudah di cetak dan yang belum dicetak. 2. Perlu adanya tambahan untuk bisa mengubah tampilan template sertifikat.

[4]. Prasetio, A. (2011). TIP & TRIK menjadi MASTER PHP (1st ed.). Jakarta Selatan: Mediakita. [5]. Pratama, I. P. A. E. (2014). Sistem Informasi dan Implementasinya (1st ed.). Bandung: Informatika Bandung. [6]. SEAMOLEC. (2016). SEAMEO SEAMOLEC Profile. Tangerang Selatan. [7]. Sidik, B., & Pohan, H. I. (2010). Pemrograman Web dengan HTML (2nd ed.). Bandung: Informatika Bandung. [8]. Solichin, A. (2010). MySQL Dari Pemula Hingga Mahir. Universitas Budi Luhur, Jakarta, 1–117. [9]. Sugiarti. (2013). Analisis & Perancangan UML (Unified Modeling Language) Generation VB.6. Yogyakarta: Graha Ilmu. [10]. Suharso, & Retnoningsih, A. (2014). Kamus Besar Bahasa Indonesia. Semarang: Widya Karya. [11]. Sukamto.Shalahuddin, M. Rekayasa Perangkat Lunak. Informatika Bandung.

(2013). Bandung:

[12]. Tutorialspoint.com. (2014). Bootstrap Responsive Web Development Tutorialspoint Simply Easy Learning. Retrieved September 2, 2016, from www.tutorialspoint.com [13]. West, A. W. (2013). Practical PHP and MySQL Web Site Database : A Simplified Approach. Journal of Chemical Information and Modeling. New York: Springer Science + Busines Media New York. http://doi.org/10.1017/CBO9781107415324. 004

V. REFERENSI [1]. Fathansyah. (2012). Basis Data. Bandung: Bandung Informatika. [2]. Hakim, L. (2011). Bikin Website Super Keren dengan PHP & jQuery. Yogyakarta: Lokomedia. [3]. Ladjamudin, A. B. Bin. (2013). Analisis dan Desain Sistem Informasi. Yogyakarta: Graha Ilmu. Jurnal Nasional JMII 2017

81


SISTEM INFORMASI PENJADWALAN PELATIHAN DIVISI TRAINING SEAMOLEC BERBASIS WEB Adhi Ircham Ardhiansyah, Mamay Syani Program Studi Informatika Politeknik TEDC Bandung [email protected], [email protected]

Abstrak Southeast Asian Ministers of Education Organization of Open Learning Center (SEAMOLEC) adalah organisasi yang bergerak untuk mengembangkan Pendidikan Terbuka dan Jarak Jauh (PTJJ). Di dalam mengembangkan Pendidikan Terbuka dan Jarak Jauh, SEAMOLEC memiliki beberapa progam salah satunya yaitu pelatihan kelas digital yang dikelola oleh divisi training untuk guru di seluruh Indonesia, sistem yang sedang berjalan di divisi traning untuk penjadwalan pelatihan masih menggunakan papan tulis dan informasi melalui sosial media. Dalam penelitian ini bertujuan membuat Sistem Informasi Penjadwalan Pelatihan berbasis web untuk merubah sistem dari manual menjadi terkomputerisasi, sehingga informasi berupa jadwal pelatihan dapat tersampaikan dengan baik. Program ini dirancang memiliki kemampuan fungsional untuk mengelola data pelatihan. Untuk mendukung proses perancangan program yang dikembangkan dengan menerapkan waterfall model, menggunakan bahasa pemrograman PHP, perancangan basis data menggunakan database MySQL, dan apache sebagai web servernya. Berdasarkan tes UAT (User Acceptance Test) yang telah dilakukan pada 15 orang, sistem informasi penjadwalan pelatihan ini mendapat apresiasi yang cukup tinggi dan memuaskan bagi penggunanya dengan skor 80%. Kunci : Sistem informasi, penjadwalan, pelatihan, web, divisi training, SEAMOLEC

I. PENDAHULUAN Divisi training merupakan salah satu divisi unit dari South East Asian Ministers of Education

Organization Regional Open Learning Centre (SEAMOLEC) sebuah organisasi dari beberapa kementrian pendidikan se-Asia Tenggara yang bertanggung jawab untuk mengembangkan pendidikan terbuka dan pendidikan jarak jauh (PJJ), divisi training bertanggung jawab mengelola program pelatihan kelas digital, pengelolaan data team, laporan pelatihan, dan pengajuan kegiatan pelatihan serta persiapan materi, untuk guru-guru di seluruh indonesia. Di dalam lingkup divisi training penjadwalan pelatihan adalah kegiatan yang menjadi tanggung jawab staff khususnya untuk manajer divisi training dalam mengelola jadwal pelatihan, adanya pelatihan tentu merupakan program dari organisasi dan penjadwalan pelatihan seperti penyampaian informasi, pemilihan staff yang akan mengisi pelatihan masih menggunakan papan tulis, atau sekedar informasi melalui sosial media. Sistem informasi penjadwalan pelatihan berbasis web yang baru ini ditujukan untuk memberikan kemudahan baik dari divisi dan organisasi, yang dimaksud kemudahan disini adalah sistem yang dirancang dalam penelitian ini akan memberikan kemudahan dalam penjadwalan pelatihan, pengelolaan data, serta penyampaian informasi, dan juga memberikan history aktifitas divisi yang dapat dipertanggungjawabkan, dimana data yang diolah ini tidak hanya memudahkan dalam pekerjaan ataupun pemrosesan data yang telah dicatat, tetapi juga informasi bagi organisasi. Guna mencapai kelancaran dalam mengelola sistem penjadwalan pelatihan tersebut maka dibutuhkan sebuah sistem informasi penjadwalan pelatihan, atas pertimbangan masalah tersebut, penulis memberi judul penelitian ini dengan judul “SISTEM INFORMASI PENJADWALAN PELATIHAN DIVISI TRAINING SEAMOLEC


82

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 BERBASIS WEB” untuk memudahkan staff SEAMOLEC khususnya manajer divisi training untuk mengelola data pelatihan. Berdasarkan latar belakang di atas, maka permasalahan tersebut dapat dirumuskan sebagai berikut : 1.

2.

3.

Bagaimana analisis kebutuhan sistem yang sedang berjalan di divisi training SEAMOLEC? Bagaimana perancangan sistem informasi penjadwalan pelatihan berbasis website? Bagaimana implementasi sistem informasi penjadwalan pelatihan berbasis website di divisi training SEAMOLEC?

II. LANDASAN TEORI 2.1

Sistem

Sistem didefinisikan sebagai sekumpulan prosedur yang saling berkaitan dan saling terhubung untuk melakukan suatu tugas bersama-sama. Secara garis besar, sebuah sistem informasi terdiri atas tiga komponen utama. Ketiga komponen tersebut mencakup software, hardware, dan brainware. Ketiga komponen ini saling berkaitan satu sama lain.(Pratama, 2014) 2.2

Sumber Daya Manusia (SDM) yang terlatih. Keempat bagian utama ini saling berkaitan untuk menciptakan sebuah sistem yang dapat mengolah data menjadi informasi yang bermanfaat. Di dalamnya juga termasuk proses perencanaan, kontrol, koordinasi dan pengambilan keputusan.(Pratama, 2014) 2.4 System Development Life Cycle Pengertian system development life cycle adalah “Proses pembangunan/pengembangan sisteminformasi, mulai dari konsep sampai dengan implementasinya”. Sistem ini mengidetifikasi bahwa sistem informasi besifat dinamis karena perancangan sistem harus disesuaikan dengan kebutuhan pengguna. Perancangan sistem bukanlah proses yang sekali jadi dandapat dipergunakan untuk kepentingan bisnis selamanya. Perubahan bisnis baru harus diimbangi dengan tersedianya informasi yang menunjang. Oleh karena itu pengembangan sistem sebenarnya merupakan suatu siklus karena bila ditinjau dari efektivitas untuk mengembangkan sistem, analisis sistem selalu melakukan aktivitas yang berulang ulang. System Development Life Cycle (SDLC) terdiri dari 5 fase yangberbeda, yaitu : fase perencanaan sistem, fase analisis sistem, fase desain sistem, dan implementasi sistem (Sutabri, 2004).

Informasi

Informasi merupakan hasil pengolahan data dari satu atau berbagai sumber yang kemudian diolah, sehingga memberikan nilai, arti, dan manfaat. Pada proses pengolahan data, untuk dapat menghasilkan informasi, juga dapat dilakukan proses verifikasi secara akurat, spesifik, dan tepat waktu. Hal ini penting agar informasi dapat memberikan nilai dan pemahaman kepada pengguna. Pengguna dalam hal ini mencakup pembaca, pendengar, penonton, bergantung pada bagaimana cara pengguna tersebut menikmati sajian informasi dan melalui media apa informasi tersebut disajikan.(Pratama, 2014)

2.5 Website

2.3

2.6 MySQL

Pengertian Sistem Informasi

Berdasarkan definisi mengenai sistem dan informasi yang telah dijelaskan diatas, maka dapat dinyatakan bahwa sistem informasi merupakan gabungan dari empat bagian utama. Keempat bagian utama tersebut mencakup perangkat lunak (sofware), perangkat keras (hardware), infrastruktur, dan

World Wide Web (WWW), lebih dikenal dengan web, merupakan salah satu layanan yang didapat oleh pemakai komputer yang terhubung ke internet. Web pada awalnya adalah ruang informasi dalam internet, dengan menggunakan teknologi hypertext, pemakai dituntun untuk menemukan informasi dengan mengikuti link yang disediakan dalam dokumen web yang ditampilkan dalam web browser.(Sidik & Pohan, 2010)

MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL atau DBMS yang multithread dan multiuser. MySQL adalah Relational Database Managemen System (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL


83

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 (General Public License). Setiap orang bebas untuk menggunakan MySQL. MySQL sebenarnya merupakan turunan dari SQL (Structur Query Language). SQL adalah sebuah konsep pengoperasian database, terutama untuk pemilihan atau seleksi dan pemasukan data, yang memungkinkan pengoperasian data dikerjakan dengan mudah secara otomatis. Sebagai database server, MySQL dapat dikatakan lebih unggul dibandingkan database server lainnya dalam query data.(Kristanto, 2010)

2.9 JQuery JQuery adalah kumpulan kode/fungsi Javascript siap pakai, sehingga memudahkan dan mempercepat dalam membuat kode Javascript. JQuery menyederhanakan kode Javascript. Hal ini sesuai dengan slogannya 'Writeless, do more' cukup tulis sedikit, tapi bisa melakukan banyak hal(Hakim, 2011): 2.10 JavaScript

2.7 PHP PHP adalah bahasa pemrograman yang digunakan secara luas untuk penanganan pembuatan dan pengembangan sebuah web dan bisa digunakan pada HTML. PHP merupakan singkatan dari “PHP : Hypertext Preprocessor”, dan merupakan bahasa yang disertakan dalam dokumen HTML sekaligus bekerja disisi server (server-side HTMLembeddedscripting). Artinya sintaks dan perintah yang diberikan akan sepenuhnya dijalankan di server tetapi disertakan pada halaman HTML biasa, sehingga script-nya tak tampak disisi client. PHP dirancang untuk dapat bekerjasama dengan databaseserver dan dibuat sedemikian rupa sehingga pembuatan dokument html yang dapat mengakses database menjadi begitu mudah. Tujuan dari bahasa scripting ini adalah untuk membuat aplikasi dimana aplikasi tersebut yang dibangun oleh PHP pada umumnya akan memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan di server. Pada prinsipnya server akan bekerja apabila ada permintaan dari client. Dalam hal ini client menggunakan kode-kode PHP untuk mengirimkan permintaan ke server ketika menggunakan PHP sebagai server side embeddedscript language. Maka server akan melakukan hal-hal sebagai berikut, (Kristanto, 2010) : 2.8

JavaScript merupakan modifikasi dari bahasa c++ dengan pola penulisan yang lebih sederhana. (Sidik & Pohan, 2010) 2.11 Bootstrap Bootstrap adalah kerangka ramping, intuitif, dan kuat, framework front-end mobile pertama untuk mempercepat dan memudahkan pengembangan web. Bootstrap menggunakan HTML, CSS, dan Javascript.Bootstrap dikembangkan oleh Mark Otto dan Jacob Thornt di Twitter. Dirilis sebagai sebuah produk open source pada Agustus 2011 di GitHub.(Tutorialspoint.com, 2014) 2.12 Unified Modelling Language (UML) Unified modeling language adalah bahasa untuk visualisasi, spesifikasi, membangun sistem perangkat lunak, serta dokumentasi. UML menyediakan modelmodel yang tepat, tidak ambigu, dan lengkap. Secara khusus UML menspesifikasi langkah-langkah penting dalam pengembangan keputusan analisis, perancangan, serta implementasi dalam sistem perangkat lunak. UML bukanlah merupakan bahasa pemrograman tetapi model-model yang tercipta berhubungan langsung dengan berbagai macam bahasa pemrograman.(Sugiarti, 2013) 2.13

Cascading Style Sheet (CSS)

CSS digunakan dalam kode HTML untuk menciptakan suatu kumpulan style yang terkadang dapat digunakan untuk memperluas kemampuan HTML, sebagai contoh, kode HTML murni tidak memungkinkan untuk mengatur ukuran font hyang diterapkan pada setiap sel dan bahkan tag pun tak berpengaruh pada sel-sel tabel (Abdul, 2003).

Metode Pengujian Black Box

Metode pengujian Black Box memungkinkan perekayasa perangkat lunak mendapatkan serangkaian kondisi input yang sepenuhnya menggunakan semua persyaratan fungsional suatu program. (Rouf, 2012) 2.14

Jadwal

Menurut Kamus Besar Bahasa Indonesia, jadwal adalah pembagian waktu berdasarkan rencana atau


84

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 urutan kerja; daftar atau table kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Sedangkan pengertian penjadwalan itu sendiri adalah proses atau cara atau perbuatan menjadwalkan atau memasukkan kedalam jadwal.

untuk mengelola program pelatihan Kelas Digital untuk guru-guru dari seluruh indonesia. Adapun alurnya adalah sebagai berikut : 1.

III. ANALISIS SISTEM Analisis sistem yang sedang berjalan merupakan peninjauan atau analisis terhadap sistem yang berjalan yang didalamnya terdapat urutan kegiatan yang tepat dari tahapan-tahapan yang menerangkan proses yang dikerjakan siapa yang mengerjakan proses tersebut, bagaimana proses itu dapat dikerjakan dan dokumen yang dilibatkan. Dalam kasus ini Divisi Training memiliki 3 komponen data yaitu Team, Pelatihan dan Laporan dalam pengelolaannya divisi training bertanggung jawab

2. 3.

4.

Staff Menerima e-mail yang berisi informasi permintaan pelatihan serta memeriksa kelengkapan data persyaratan pelatihan. Manajer menerima informasi pelatihan. Manajer menyusun data team yang akan mengisi pelatihan serta melakukan penjadwalan . Staff mengajukan form kegiatan ke bagian administrasi tentang informasi jadwal pelatihan dan data team yang akan mengisi pelatihan.

Gambar 3.1 : Alur Sistem yang berjalan

3.1

Sistem yang akan Dibangun

Berdasarkan tinjauan terhadap sistem yang sedang berjalan, maka Analisis Sistem yang akan dirancang merupakan suatu tahapan pengembangan

perangkat lunak untuk menghasilkan sistem yang baru atau memperbaiki sistem yang ada serta dapat meningkatkan efektifitas kerja agar memperoleh hasil yang diinginkan.


85


Gambar 3.2 Alur Sistem yang akan dibangun

3.2

pengguna aplikasi. Sebuah use case hanya menjelaskan apa yang dilakukan oleh actor dan sistem.

Use Case Diagram

Use case diagram digunakan untuk menjelaskan kegiatan yang dapat dilakukan oleh admin dan

Gambar 3.Use case diagram

3.3

Activity Diagram

Merupakan Activity diagram yang digunakan untuk proses pada system.

1. Login


86

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 4.

Jadwal Pelatihan Manajer

Gambar 3.4. Activity Diagram Login

2. Kelola data pelatihan

Gambar 3.6. Activity Diagram Jadwal Pelatihan Manajer

5.

Cetak Kegiatan

Gambar 3.5. Activity Diagram Kelola Data Pelatihan

3.

Kelola Data User Gambar 3.6. Activity Diagram cetak kegiatan

6.

Cetak Laporan

Gambar 3.6. Activity Diagram Kelola data user


87


3.4

Gambar 3.6. Activity Diagram cetak Laporan

Class Diagram

Class diagram menggambarkan struktur dan deskripsi class beserta hubungan satu sama lain seperti asosiasi, generalisasi dan lain sebagainya. Dalam gambar 3.11 dibawah ini digambarkan hubungan antar class yang terjadi pada sistem yang akan dibangun.

Gambar 3.7. Class Diagram

4. Pengujian Sistem 1. Tampilan Menu Login

Sebelum menampilkan halaman utama, sistem akan menampilkan halaman login sebagai persyaratan untuk masuk ke halaman utama. 2.

Tampilan Halaman Menu Utama

Gambar 3.10. Menu Utama Gambar 3.9. Menu Login


88

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 Setelah melakukan proses login, pengguna akan masuk ke dalam utama untuk melakukan aktivitas di dalam sistem.

3.

5.

Tampilan Halaman Edit Data Pelatihan

Tampilan Halaman Jadwal Pelatihan Manajer

Gambar 3.14. Halaman Kelola data Pelatihan

Gambar 3.11 Tampilan halaman jadwal pelatihan manajer

Jika pengguna login sebagai manajer maka sistem akan menampilkan halaman utama dengan akses penuh untuk melakukan aktivitas di dalam sistem. 4.

Di dalam menu kelola pelatihan jika kita menekan edit maka pengguna akan di langsung dibawa ke tampilan halaman edit data pelatihan yang di dalamnya terdapat data pelatihan namun di dalam menu ini pengguna tidak dapat merubah data team, manajer memiliki wewenang untuk akses menu ini. 6.

Tampilan Halaman Cetak Jadwal Pelatihan

Tampilan Halaman Kelola Data Pelatihan

Gambar 3.15. Halaman Kelola data Pelatihan Gambar 3.12. Halaman Kelola data Pelatihan

Selanjutnya adalah tampilan halaman kelola data pelatihan yang didalamnya terdapat informasi aktivitas pelatihan, didalam sistem manajer mempunyai hak penuh untuk mengelola data pelatihan seperti menambah, menghapus, serta merubah data pelatihan.

Di dalam menu detail data pelatihan terdapat button cetak jadwal yang akan menuju ke halaman jadwal pelatihan yang berfungsi untuk mencetak dokumen pengajuan pelatihan yang berdasar kepada data yang telah diolah oleh sistem.

7.

Tampilan Halaman Laporan Pelatihan


89


Gambar 3.16. Halaman Laporan Pelatihan

Di dalam menu laporan , terdapat tampilan laporan pelatihan yang berisi tabel detail kegiatan pelatihan yang telah diolah oleh sistem dan mencetak laporan atau di konversi ke dalam bentuk .pdf .

2.

3.8. Pengujian Sistem Pengujian sistem merupakan hal terpenting yang bertujuan untuk menemukan kesalahan-kesalahan dan kekurangan-kekurangan pada perangkat lunak yang diuji. Pengujian yang bermaksud untuk mengetahui perangkat yang dibuat sudah memenuhi kriteria yang sesuai dengan tujuan perancangan perangkat lunak tersebut atau belum. Pengujian ini menggunakan metode pengujian blackbox dan User Acceptance Test (UAT).

IV. KESIMPULAN Berdasarkan hasil analisis dan pengujian pada sistem dapat ditarik kesimpulan diantaranya : 1.

Divisi Training SEAMOLEC dalam mengelola jadwal pelatihan masih manual seperti pencatatan jadwal pelatihan serta pemilihan data staff yang akan mengisi

3.

pelatihan di papan tulis dan penyampaian informasi melalui sosial media. Merancang dan mengembangkan sistem informasi ini dibutuhkan beberapa fitur seperti cetak kegiatan pelatihan dan cetak jadwal pelatihan untuk memudahkan manajer menyampaikan informasi pelatihan kepada staff dan organisasi. Implementasi dari Sistem Informasi Penjadwalan Pelatihan Divisi Training SEAMOLEC Berbasis Web ini adalah dengan memanfaatkan teknologi internet yang akan memberikan memudahkan manajer dalam mengelola jadwal pelatihan dimanapun dan kapanpun sehingga informasi dapat dengan cepat tersampaikan.

Saran Adapun saran-saran yang penulis sampaikan untuk pengembang sistem ini kedepannya antara lain : 1.


Adanya fitur notifikasi untuk jadwal pelatihan staff baik itu berupa email ataupun sms.

90

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 1/IV/2016) JMII Vol 2, No. 1, Januari-Maret 2017 ISSN: 2541-5093 2.

Keamanan sistem perlu untuk terus di tingkatkan untuk menghindari penyalahgunaan akses.

6. REFERENSI [1]. Fathansyah. (2012). Basis Data. Bandung: Informatika Bandung. [2]. Hakim, L. (2011). Bikin Website Super Keren dengan PHP & jQuery. Yogyakarta: Lokomedia. [3]. Kristanto, A. (2010). Kupas Tuntas PHP&MySQL (1st ed.). Klaten: Cable Book. [4]. Prasetio, A. (2011). TIP & TRIK menjadi MASTER PHP (1st ed.). Jakarta Selatan: Mediakita. [5]. Pratama, I. P. A. E. (2014). Sistem Informasi dan Implementasinya (1st ed.). Bandung: Informatika Bandung. [6]. Sidik, B., & Pohan, H. I. (2010). Pemrograman Web dengan HTML (2nd ed.). Bandung: Informatika Bandung. [7]. Udai. (2016). Pengertian Pelatihan. Retrieved from http://www.definisipengertian.com/2015/06/definisi-ataupengertian-pelatihan.html [8]. Sutabri, Tata. (2004). Analisis Sistem. Yogyakarta: Andi. [9]. Dwiantara, L. (2013). Menyelam dan Menaklukan Samudra PHP. Bogor: Ilmu website. [10]. Jogiyanto. (2008). Metodologi Penelitian Sistem Informasi. Yogyakarta: Andi Yogyakarta [11]. Nugroho, Andi. (2005). Analisis dan Perancangan Sistem Informasi dengan Metode Berorientasi Objek. Bandung: Informatika. [12]. Leman. (1998). Metodologi Pengembangan Sistem Informasi. Jakarta: PT. ElexMedia Komputindo. [13]. Wawan dan Munir. (2003). Pengantar Sistem Informasi. Bandung: Galamedia. [14]. Sugiarti. (2013). Analisis & Perancangan UML (Unified Modeling Language) Generation VB.6. Yogyakarta: Graha Ilmu. [15]. seamolec.org (2016). About Seamolec. Diakses pada 4 September 2016 dari http://seamolec.org/?p=vnm Suharso, & Retnoningsih, A. (2014). Kamus Besar Bahasa Indonesia. Semarang: Widya Karya.

[16]. Tutorialspoint.com. (2014). Bootstrap Responsive Web Development Tutorialspoint Simply Easy Learning. [17]. Rouf, A. (2012). Pengujian Perangkat Lunak Dengan Menggunakan Metode White Box dan Black Box, Vol 8, 1-7. Retrieved from http://www.ejournal.himsya.ac.id/index.php/ HIMSYATECH/article/view/28/27 [18]. Kadir, Abdul. (2003). Pemrograman Web Mencakup : HTML, CSS, Java Script & PHP. Yogyakarta: ANDI.


91



92

Vol 2, No 1, Tahun 2017

Recommend Documents