VOLUME 3 NOMOR 2 MARET 2017 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) KETUA PENYUNTING Muhammad Rizky Pribadi

VOLUME 3 NOMOR 2 MARET 2017 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI)

Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan Sistem Informasi (JATISI) merupakan media penyampaian hasil penelitian untuk semua bidang yang ada pada rumpun teknik informatika dan sistem informasi, diharapkan hasil penelitian yang ada pada jurnal ini dapat menjadi penghubung antara peneliti dan pihak yang berkepentingan. ISSN 2407-4322, diterbitkan pertama kali pada tahun 2014

KETUA PENYUNTING Muhammad Rizky Pribadi DEWAN PENYUNTING Gasim Teguh Bharata Adji Samsuryadi Sahmin Achmad Nizar Hidayanto Ermatita STAF AHLI (MITRA BESTARI) Bernard Renaldy Suteja Aji prasetya wibawa Hermawan Syahputra Andi Wahju Rahardjo Emanuel Bambang Sugiantoro TATA USAHA Yulistia Mulyati Usniawati Keristin Nur Rachmat Eva Rianti PENANGGUNG JAWAB Ketua STMIK Global Informatika MDP, Johannes Petrus, S.Kom., M.T.I PENERBIT Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP bekerjasama dengan IndoCEISS (Indonesian Computer, Electronics and Instrumentation Support Society) ALAMAT PENYUNTING & TATA USAHA Gedung STMIK GI MDP, Jalan Rajawali No. 14 Palembang 30113 Telp. 0711-376400, Fax. 0711-376360, Website : http://jatisi.mdp.ac.id, Email : [email protected]

Jatisi, Vol. 3 No. 2 Maret 2017

DAFTAR ISI Perancangan Sistem Informasi Kelulusan Berdasarkan Tahun Akademik di Yayasan SMP Makna Bakti Achmad Irfan, Budi Arifitama

85-94

Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE Fandy Ferdian Harryanto, Seng Hansun

95-103

Analisis Pengaruh Penggunaan Internet Terhadap Minat Belajar Mahasiswa (Studi Kasus:Perguruan Tinggi di Kota Palembang) Desi Pibriana, Desy Iba Ricoida

104-115

Pengembangan Model Rantai Pasok Minyak Goreng Untuk Meningkatan Produktivitas Menggunakan Sistem Dinamik pada PT XYZ Donaya Pasha, Erma Suryani

116-128

Analisis Performa AES Untuk Sekuriti Jaringan Scada Berbasis ATMega16 Eka Puji Widiyanto

129-136

Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian Pada Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung Anisah, Nia Novianti

137-150

Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian Dewi Sartika, Dana Indra Sensuse 151-161 Pengenalan Mobil pada Citra Digital Menggunakan HOG-SVM Derry Alamsyah

162-168

Pengaruh Kualitas Sistem Informasi Cyber CampusTerhadap Kepuasan dan Loyalitas Mahasiswa STIKOM Surabaya Puspita Kartikasari

169-182

Pengembangan Simulasi Sinyal Radar dan Proses Interleaving Sebagai Inputan pada Radar Detector Norma Ningsih

183-195

Biodata Penulis Indeks Penyunting/Mitra Bestari Abstrak Volume 3 Nomor 1 Indeks Jurnal Volume 1 Nomor 1 Pedoman Penulisan Makalah JATISI Form Penilaian Reviewer

196 198 200 204 205 208

Title of manuscript is short and clear, implies research results (First Author)

IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 


85

Perancangan Sistem Informasi Kelulusan Berdasarkan Tahun Akademik di Yayasan SMP Makna Bakti 1,2

Achmad Irfan*1, Budi Arifitama2 Program Studi Teknik Informatika Universitas Trilogi;Jl.TMP Kalibata No.1 Kampus Trilogi e-mail: *[email protected], [email protected]

Abstrak Dalam perkembangan teknologi informasi pendataan kelulusan saat ini tidak terlalu diperhatikan oleh pihak sekolah maupun pemerintah terutama sekolah swasta yang berakreditasi cukup baik. Penggunaan data serta penyimpanan arsip yang digunakan saat ini masih bersifat manual di Yayasan SMP Makna Bakti yang artinya penyimpanan arsip informasi kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara langsung. Berdasarkan permasalahan tersebut, dibangunlah perancangan sistem akademik serta penyimpanan arsip menggunakan metode SDLC Waterfall (air terjun) untuk memperbaiki sistem yang masih bersifat manual menjadi lebih terstruktur. Dalam membangun perancangan sistem tersebut sangat bermanfaat untuk pihak sekolah maupun pemerintah sekali pun jika membutuhkan arsip data kelulusan siswa sewaktu-waktu dibutuhkan, menjaga kestabilan sistem yang sudah ada di Yayasan SMP Makna Bakti serta memberikan sebuah informasi kelulusan siswa dengan akurat dan efisien. Kata kunci: Perancangan Sistem Informasi, Sistem Informasi Sekolah, Sekolah.

Abstract The development of data collection graduation based on information technology are very less considered by the school and the government, especially accredited rivate schools. The use of data and archival storage in use today is still manual in SmpYayasan Bakti Which means archival storage academic graduation information still involves people as a means of delivering it directly. Based on these problems, this research will developan academic system design built archive storage using Waterfall SDLC (waterfall) to improve the system which still manual to be more structured. The building of the system design would benefit the school and the government for data archiving when needed, to maintain the stability of the existing system at Yayasan Bakti SMP as well as providing a graduation information accurately and efficiently. Keywords: Information System Design, School Information System, School.

1. PENDAHULUAN erkembangan teknologi informasi sungguh memiliki kemajuan yang sangat pesat dalam dunia pendidikan. Dalam sebuah pendataan kelulusan tahun akademik saat ini tidak terlalu diperhatikan oleh pihak sekolah. Maka dari itu penerapannya sudah hampir menjadi dominan di semua kegiatan yang melibatkan teknologi informasi. Perancangan sistem adalah penentuan proses dan data yang diperlukan oleh sistem baru, jika sistem itu berbasis komputer, perancangan dapat dinyatakan spesifikasi peralatan yang digunakan [1]. Untuk saat ini penggunaan diterapkan untuk mendata dan menyimpan arsip kelulusan tahun akademik yayasan SMP Makna Bakti, dimana masih bersifat manual yang artinya penyediaan serta penyimpanan

P

Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012

86

ISSN: 2407-4322

arsip informasi kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara langsung. Pengembangan sistem idealnya dilaksanakan dalam suatu kerangka rancangan induk sistem yang mengkoordinasikan proyek pengembangan sistem kedalam rancangan strategis perusahaan [2]. Penelitian yang dilakukan disini adalah untuk merancang serta mengimplementasikan sistem perancangan data kelulusan berdasarkan tahun akademik di SMP Yayasan Makna Bakti oleh pihak tatausaha dengan menggunakan metodologi pengembangan SDLC Waterfall. Metode SDLC Waterfall adalah suatu proses pengembangan perangkat lunak berurutan, dimana kemajuan dipandang sebagai terus mengalir kebawah seperti air terjun melewati fasefase perencanaan, analisis, implementasi dan pengujian. Model waterfall adalah model klasik yang bersifat sistematis, berurutan dalam membangun perangkat lunak [3]. Tahapan utama dari waterfall model langsung mencerminkan aktifitas pengembangan dasar. Terdapat 5 tahapan pada waterfall model, yaitu requirement analysis and definition, system and software design, implementation and unit testing, integration and system testing, dan operation and maintenance [4]. Model SDLC Waterfall (air terjun) juga biasa sering disebut model sekuensial atau alur hidup klasik (classic life cycle). Adapun kegunaan utama dari SDLC adalah mengakomodasikan beberapa kebutuhan, biasanya berasal dari kebutuhan pengguna akhir dan juga pengadaan perbaikan sejumlah masalah yang terkait dengan pengembangan perangkat lunak tersebut. Adapun keunggulan model pendekatan pengembangan perangkat lunak dengan model waterfall adalah pencerminan kepraktisan rekayasa, yang membuat kualitas software tetap terjaga karena pengembangannya yang terstruktur dan terawasi. Didalam perancangan sistem hanya memaparkan data informasi kelulusan akademik di Yayasan SMP Makna Bakti yang masih bersifat manual maka dari itu dikembangkan suatu perancangan sistem untuk memberikan sebuah informasi kelulusan dengan efisien dan akurat. Pada pengembangan perancangan sistem informasi sangat mempermudah pengelolaan kelulusan siswa sehingga semua data yang sudah ada mudah disimpan dengan terstruktur yang disajikan dalam bentuk informasi yang cukup akurat. Sehingga semua informasi ini akan sangat bermanfaat untuk guru, staf tatausaha, siswa, orang tua, hingga pemerintah sekalipun dengan meningkatkan kualitas pendidikan khususnya di Yayasan SMP Makna Bakti. Adapun perancangan secara keseluruhan dari sistem informasi menggunakan flowchart dan Data Flow Diagram (DFD). Pengertian Data Flow Diagram (DFD) adalah gambaran grafis yang memperlihatkan aliran data dari sumbernya dalam obyek kemudian melewati suatu proses yang mentransformasikan ketujuan yang lain, yang ada pada objek lain [5]. Diharapkan dengan adanya penelitian yang sudah dilakukan, proses pencarian dan pengolahan data kelulusan siswa berdasarkan tahun akademik di Yayasan SMP Makna Bakti, akan memberikan kemudahan bagi guru maupun staf tatausaha untuk mencari data kelulusan siswa yang sudah terlampau dapat diproses lebih efisien dan akurat. Berdasarkan informasi diatas yang sudah di telaah maka penulis merumuskan judul perancangan sistem informasi kelulusan siswa berdasarkan tahun akademik di Yayasan SMP Makna Bakti.

2. METODE PENELITIAN Sebagai upaya dalam penyelesaian permasalahan dari penelitian, metode yang akan digunakan untuk perancangan sistem informasi akademik di SMP Makna Bakti yaitu metode SDLC Waterfall dimana sebuah model yang melakukan pendekatan pada perkembangan perangkat lunak secara sistematik dan sekuensial terbagi-bagi menjadi beberapa fase/tahapan, IJCCS Vol. x, No. x, July201x : first_page–end_page




87

dimulai dari tahapan user requirement, yang berfungsi sebagai proses pengambilan data awal dari aplikasi, kemudian diteruskan dengan fase analisis design dimana dalam proses ini dilakukan permodelan analisis berdasarkan data yang dihasilkan pada tahapan user requirement, dimana pemodelan ditransformasikan pada beberapa model desain seperti yang pertama kedalam sebuah flowchart, kedua Desain Flow Diagram (DFD). Desain Flow Diagram (DFD) adalah model logika data atau proses yang dibuat untuk menggambarkan darimana asal data, kemana tujuan data yang akan keluar dari sistem, dimana data disimpan, proses yang akan dihasilkan oleh data tersebut dan interaksi antara data yang tersimpan hingga proses yang dikenakan data tersebut. Desain ketiga adalah Entity Relationship Diagram (ERD). Dalam rekayasa perangkat lunak sebuah ERD merupakan suatu abstrak dan konseptual representasi data, juga sebuah metode pemodelan basis data yang digunakan untuk menghasilkan skema konseptual dari sebuah sistem.

3. HASIL DAN PEMBAHASAN Untuk lebih mendalam menjelaskan proses yang dijelaskan satu per satu dari proses yang masing-masing secara rinci. Perancangan sistem informasi membutuhkan komponen data valid dari penelitian yang sudah dilakukan, adapun perancangan data kelulusan siswa dari implementasi flowchart, Desain Flow Diagram (DFD), dan Entity Relationship Diagram (ERD) yang akan dijabarkan berdasarkan gambar dari masing-masing metode yang dilakukan dengan cara mengambil langsung data kelulusan siswa di Yayasan SMP Makna Bakti berdasarkan data yang valid. Adapun data yang sudah dapat dalam penelitian ini terdapat dua kategori nilai yaitu nilai yang paling tertinggi sampai nilai yang paling terendah. Berikut gambar tabel kategori nilai.

x1

Tabel 1. Kategori Nilai Siswa Jumlah NilaiTertin Nama Nilai ggi Ade Irma 222,5 222.5

2

Genta

210,0

3

Chiko

203,5

4

Yesieka

202,5

5

NurAulia

200,5

6

Dindyasria

200,5

7

Akbar

200,5

No

8 9

Ade Maulana Muhammad Havit

NilaiTere ndah 123,5

199,0 198,5

3.1 Perancangan Sistem dengan Basic Flowchart Perancangan sistem penyimpanan kelulusan akademik pada penelitian ini sangat sederhana, dimana perancangan menggunakan flowchart.


88

ISSN: 2407-4322

Gambar 1. Flowchart Guru Pada flowchart ini hanya digunakan untuk memudahkan proses berjalannya sistem yang dirancang untuk Guru, Siswa, serta Staf TU dalam pemrosesan pencarian data kelulusan siswa dari seluruh aspek yang berkaitan didalam sistem. Pada gambar 1 terdapat flowchart guru, dimana pengecekan dan penginputan nilai siswa harus sesuai dengan perencanaan awal yang sudah dirancang dan juga guru memiliki user ID masing masing untuk login setelah itu proses dapat berjalan sehingga penginputan nilai siswa kedalam sistem tidak ada kesalahan untuk seterusnya. Masing-masing siswa memiliki user ID untuk dapat melihat nilai ujian yang sudah keluar dalam sistem, selanjutnya siswa dapat mengeprint nilai jika nilai sudah keluar yang ada dalam sistem seperti pada gambar 2.

IJCCS Vol. x, No. x, July201x : first_page–end_page




89

Gambar 2. Flowchart Siswa Staf TU adalah pusat dari seluruh aspek dalam sistem yang dirancang. Seluruh pengolahan data kelulusan oleh pihak Staf TU sangat bepengaruh terhadap guru maupun siswa dikarenakan informasi akan keluar dengan baik bergantung terhadap sistem kerja dari pihak Staf TU yang mengolah dan memasukan data nilai kelulusan siswa oleh tahapan paling terakhir. Secara bertahap proses penginputan nilai siswa kedalam sistem pihak Staf TU harus melakukan monitoring rekapitulasi nilai siswa sebelum dimasukan kedalam sistem bertujuan untuk menghasilkan sebuah informasi kelulusan siswa dengan efisien dan akurat. Tahapan perancangan berikutnya adalah perancangan dengan context diagram. Untuk ilustrasi flowchart dapat dilihat pada gambar 3 pada contoh dibawah ini.

Gambar 3. Flowchart Staf TU


90

ISSN: 2407-4322

3.2 Perancangan Menggunakan Context Diagram Context diagram digunakan sebagai model untuk memudahkan pembuatan siklus/alur tahapan proses dari perkembangan sistem yang dikembangkan dari basic flowchart dan menggambarkan ruang lingkup suatu sistem. Context diagram juga merupakan level tertinggi dari DFD yang menggambarkan keseluruhan input ke dalam sistem atau output dari sistem, yang dapat dilihat pada gambar 4.

Gambar 4. DFD Level 0 Ilustrasi dari diagram level 0 bertujuan untuk pendetailan dari masing masing proses entitas yang menghubungkan dari entitas satu ke satu (one to one) yang lainnya. Tahapan ini memang harus sedetail mungkin dari penjabaran hingga penggambaran alur proses masing masing entitas jelas serta perancangan memenuhi sesuai dengan tujuan perancangan awal. Pada tahapan ini juga merupakan pemecahan dari context diagram menuju diagram 0, didalam diagram ini memuat penyimpanan data. Pembuatan model ini sering digunakan, khususnya bila perancangan sistem merupakan bagian yang lebih penting dan kompleks dari pada yang dimanipulasikan oleh sistem itu sendiri. Dengan kata lain, diagram level 0 ini adalah pembuatan model yang memberikan penekanan hanya pada fungsi sistem. Penjabaran pada tahapan ini merupakan alat perancangan sistem yang berorientasi terhadap alur data dengan konsep dekomposisi yang dapat digunakan untuk penggambaran analisa maupun rancangan sistem yang mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program.





91

Gambar 5. Diagram DFD Level 0

Gambar 6. ERD 3.3 Perancangan User Interface Perancangan antarmuka merupakan perancangan halaman aplikasi yang berinteraksi langsung dengan pengguna baik admin maupun pengunjung. User interface juga merupakan bagian sistem komputer yang memungkinkan manusia berinteraksi langsung atau tidak bergantung kepada sistem yang akan dibuat sesuai dengan perancangan maupun perencanaan awal.


92

ISSN: 2407-4322

Gambar 7. Rancangan Input Login Siswa

Gambar 8. Rancangan Input Login Guru





93

Gambar 9. Rancangan Staf TU

Gambar 10. Rancangan Input Menu Utama

4. KESIMPULAN Setelah semua tahap penelitian dilakukan, dapat dikembangkan proses perkembangan teknologi informasi pendataan kelulusan saat ini menggunakan aplikasi sistem agar lebih terstruktur dalam penyimpanan maupun pendataan nilai siswa. Perancangan sistem yang akan dibangun untuk memudahkan pihak sekolah khususnya dalam penyimpanan nilai serta memperbaiki perancangan sistem bersifat manual menjadi lebih terstruktur sehingga menghasilkan sebuah informasi yang efisien dan akurat. Title of manuscript is short and clear, implies research results (First Author)

94

ISSN: 2407-4322 5. SARAN

Pengembangan yang dapat dilakukan untuk penelitian ini lebih lanjut yaitu mengukur kualitas pengembangan sistem yang sudah ada dalam pihak internal dengan hasil penyeteraan perkembangan dalam dunia pendidikan. Pemerintah pun juga harus memperhatikan lebih dalam untuk pengembangan sistem mengenai media penyimpanan yang masih bersifat manual ini untuk di tindak lanjuti. UCAPAN TERIMA KASIH Penulis mengucapkan terimakasih kepada pihak SMP Makna Bakti yang telah member dukungan terhadap penelitian ini.

DAFTAR PUSTAKA [1]

Mc. Leod, R., & Schell, G. P. , 2007, Management Information Systems, 10th ed, Pearson Education, New Jersey.

[2]

Mardi, 2011, Sistem Informasi Akuntansi, Ghalia, Bogor.

[3]

Pressman, R.S., 2010, Software Engineering: A Practitioner’s Approach, McGraw-Hill, New York.

[4]

Sommerville, Ian, 2011, Software Engineering (Rekayasa Perangkat Lunak), Erlangga, Jakarta.

[5]

Wijaya, A. 2007, Penggunaan DFD dan ERD pada Analisis dan Perancang Sistem Informasi Penjualan Suku Cadang dan Pelayanan Service pada PT. Mitra Maju Mobilindo, Jurnal Teknik Industri: Media Keilmuan dan Kaitan Aplikasi Bidang Teknik Industri.





95

Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE 1,2

Fandy Ferdian Harryanto*1, Seng Hansun2 Universitas Multimedia Nusantara; Jl. Scientia Boulevard, Gading Serpong, Tangerang, Banten-15811 Indonesia e-mail: *[email protected],[email protected]

Abstrak Perusahaan pada umumnya memerlukan pegawai yang memiliki kemampuan yang baik, perilaku yang baik serta dapat menyelesaikan pekerjaan yang diberikan kepadanya.Namun terdapat beberapa kesulitan untuk mengetahui kualitas orang-orang yang memiliki potensi baik sebagai pegawai pada suatu perusahaan. Oleh karena itu diperlukan cara atau metode untuk mengidentifikasi calon pegawai suatu perusahaan. Algoritma C4.5 dapat digunakan untuk melakukan prediksi dan klasifikasi terhadap calon pegawai yang berpotensi untuk masuk ke dalam perusahaan dengan cara membuat pohon keputusan berdasarkan datadata yang sudah ada dan melakukan prediksi terhadap calon pegawai baru yang ingin masuk ke perusahaan. Berdasarkan metode pengukuran akurasi ten-fold cross validation telah didapatkan hasil pengukuran tingkat keberhasilan prediksi calon pegawai baru sebesar 71% dengan menggunakan aplikasi prediksi calon pegawai yang menerapkan algoritma C4.5. Kata kunci: Algoritma C4.5, Calon Pegawai, Prediksi, Pohon Keputusan.

Abstract A company in general needs employee that have good ability, good manners and also can company. But there are difficulties in finding the qualities of people as a good employee candicacy. That’s why we need a way or method to identify peoples with the potential to become a new employee candidate. C4.5 algorithm can be used to predict and classify new employee candidate that have the potential to get into a corporation by using decision tree according to the data that we have and predict the new employee candidate qualities. According to the testing method called ten-fold cross validation, the accuracy of the prediction for the new employee candidate is 71% by using the built prediction application which implementing C4.5 algorithm. Keywords: C4.5 Algorithm, Decision Tree, Employee Candidate, Prediction.

1. PENDAHULUAN Pegawai merupakan sumber daya yang paling penting dalam suatu perusahaan dan pegawai yang baik dan memenuhi standar perusahaan hanya dapat diperoleh melalui proses penerimaan pegawai yang efektif [1]. Pegawai yang baik dan berkualitas tentu saja memiliki dampak yang positif terhadap perusahaan tempat mereka bekerja. Oleh karena itu perusahaan harus menyeleksi orang–orang yang ingin masuk dan bekerja ke dalam perusahaan itu dengan baik. Penerimaan calon pegawai baru merupakan sebuah tahap dimana sebuah perusahaan Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012

96

ISSN: 2407-4322

melakukan rekrutmen terhadap orang–orang yang melamar ke perusahaan tersebut dan menentukan apakah orang tersebut memenuhi kriteria dan kebutuhan unit kerja pada perusahaan tersebut. Menurut Tjahyono dan Anggara [2] alasan dilakukannya penerimaan calon pegawai baru adalah pengembangan unit usaha perusahaan tersebut yang mengakibatkan perlunya penambahan pegawai baru dan kebutuhan perusahaan tersebut untuk mengisi posisi kosong yang ditinggalkan oleh pegawai lama mereka. Selain itu, Slamet [3] menyatakan bahwa proses rekrutmen ini berguna untuk mendapatkan informasi mengenai kecakapan, kepribadian, dan kemampuan lain yang dimiliki oleh tenaga kerja yang melamar ke perusahaan tersebut. Informasi tersebut dipandang sangat diperlukan untuk menentukan apakah pekerja tersebut berkualitas dan pantas untuk masuk ke dalam perusahaan. Tenaga kerja yang berkualitas tentunya akan membantu untuk meningkatkan kinerja perusahaan. Berdasarkan hasil wawancara dengan salah satu pekerja pada PT WISE, Bapak Paulus Harryanto, dapat ditarik kesimpulan bahwa perusahaan ini masih membutuhkan bantuan tambahan pada proses perekrutan calon pegawai. Menurut Bapak Paulus masih terdapat beberapa pegawai kantor yang malas dan tidak kompeten. Hal ini berarti proses perekrutan pegawai pada perusahaan ini tidak berjalan dengan baik. Selain itu, berdasarkan hasil wawancara dengan Cendrawati selaku divisi Human Resource Development (HRD), ada beberapa faktor yang menentukan apakah seseorang dapat diterima ke dalam perusahaan. Faktor–faktor tersebut adalah: umur, pendidikan terakhir, pengalaman bekerja, jenis kelamin, perilaku saat wawancara, permintaan gaji awal dan penyakit yang sedang diderita. Algoritma C4.5 dapat digunakan untuk meneliti berbagai macam hal, diantaranya adalah prediksi tingkat kemenangan pada pertandingan bola [4], mencari pola prediksi hujan [5], hingga menentukan guru terbaik [6]. Sebelumnya juga telah ada yang melakukan penelitian yang serupa dengan menggunakan algoritma ini, namun atribut yang digunakan untuk mengklasifikasikan pohon keputusan berbeda. Adapun pembedanya lainnya adalah penelitian tersebut dilakukan kepada calon pegawai negeri sipil. Penelitian tersebut dilakukan oleh Kumara dan Supriyanto [7] dengan judul “Klasifikasi Data Mining untuk Penerimaan Seleksi Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5”. Tingkat akurasi yang didapatkan menggunakan algoritma C4.5 ini sudah cukup tinggi, oleh karena itu dapat disimpulkan algoritma ini cocok untuk diimplementasikan pada penelitian yang melibatkan proses perekrutan [7]. Algoritma C4.5 digunakan pada penelitian ini untuk memprediksi proses penerimaan calon pegawai baru pada PT WISE. Menurut penelitian HSSINA, dkk.[8], algoritma C4.5 merupakan algoritma terkuat untuk proses pembuatan decision tree jika dibandingkan dengan algoritma lain seperti ID3, C5.0, dan CART. Berdasarkan penelitian inilah algoritma C4.5 diputuskan untuk digunakan pada penelitian ini karena algoritma ini lebih kuat daripada algoritma lainnya. Data pegawai yang bekerja sebagai pegawai lapangan (maintenance, service) akan digunakan sebagai data training untuk pembuatan decision tree yang akan digunakan untuk memprediksi penerimaan pegawai dan mengetes tingkat keberhasilan prediksi tersebut menggunakan data testing terhadap pegawai yang memiliki jabatan pekerjaan yang sama.

2. LANDASAN TEORI Beberapa literatur yang mendasari penelitian ini akan dibahas pada bab ini, meliputi sistem pendukung keputusan, pohon keputusan, algoritma C4.5, dan validasi silang. 2.1 Sistem Pendukung Keputusan Sistem pendukung keputusan adalah sebuah sistem yang dapat membantu manusia untuk mengambil keputusan secara objektif. Konsep sistem seperti ini pertama kali dicetuskan pada tahun 1970-an oleh Michael S.Scott Morton, Michael pertama kali menyebut sistem seperti IJCCS Vol. x, No. x, July201x : first_page–end_page




97

ini dengan nama Management Decision System. Maksud dan tujuan dari adanya sistem pengambil keputusan adalah mendukung pengambil keputusan untuk memilih alternatif keputusan menggunakan model-model pengambilan keputusan dan untuk menyelesaikan masalah yang bersifat terstruktur, semi terstruktur, maupun tidak terstruktur [9]. Menurut Mengkepe [9], kerangka dasar pengambilan keputusan manajerial dalam tipe keputusan dibagi menjadi beberapa bagian, yaitu: 1. Terstruktur: Berisi masalah yang sering terjadi, solusinya dapat berupa standar dan baku. 2. Tidak Terstruktur: Berisi masalah kompleks menggunakan pemecahan masalah yang tidak standar, solusinya melibatkan intuisi manusia sebagai dasar pengambil keputusan. 3. Semi Terstruktur: Gabungan antara keputusan terstruktur dengan tidak terstruktur, solusinya merupakan gabungan antara prosedur solusi standar dengan kemampuan individu manusia. 2.2 Pohon Keputusan Manusia selalu dihadapkan dengan berbagai macam masalah dari berbagai bidang kehidupan. Masalah ini juga memiliki variasi tingkat kesulitannya. Untuk menghadapi masalah ini manusia mulai mengembangkan sebuah sistem untuk membantu mereka menyelesaikan masalah-masalah ini, salah satu sistem tersebut adalah pohon keputusan [10]. Pohon keputusan adalah metode klasifikasi dan prediksi yang sudah terbukti powerfull dan sangat terkenal. Metode ini berfungsi untuk mengubah fakta menjadi pohon keputusan yang merepresentasikan aturan yang dapat mudah dimengerti dengan bahasa alami. Proses dari pohon keputusan ini dimulai dari node akar hingga node daun yang dilakukan secara rekursif dimana setiap percabangan menyatakan kondisi dan setiap ujung pohon akan menyatakan keputusan [10]. Arsitektur pohon keputusan dibuat sedemikian rupa agar menyerupai pohon asli, dimana terdapat beberapa bagian yaitu [11]: - Root Node: Node ini terletak pada bagian paling atas dari pohon keputusan. - Internal Node: Node ini merupakan percabangan dimana membutuhkan satu input dan mengeluarkan maksimal dua output. - Leaf Node: Node ini merupakan node yang terletak pada ujung pohon. Node ini hanya memiliki satu input dan tidak memiliki output. Menurut Triisant [11], pohon keputusan ini memiliki beberapa kekurangan dan kelebihan, yakni: 1. Kelebihan Pohon Keputusan: - Daerah pengambilan keputusan yang kompleks dapat diubah menjadi sederhana. - Dapat menghilangkan perhitungan yang tidak penting karena proses pengujian hanya berdasarkan kriteria yang diperlukan saja. - Proses pemilihan fitur dari internal node yang berbeda lebih fleksibel. Fitur yang telah dipilih ini akan menjadi pembeda antara kriteria yang satu dengan kriteria lainnya. - Metode ini dapat menghindari munculnya permasalahan dengan cara menggunakan kriteria dengan jumlah yang sedikit pada node internal tanpa mengurangi kualitas keputusan yang dihasilkan. 2. Kekurangan Pohon Keputusan : - Dapat terjadi overlap apabila hasil keputusan dan kriteria yang digunakan jumlahnya sangat banyak. Hal ini juga dapat berakibat bertambahnya waktu yang digunakan untuk pengambilan keputusan dan jumlah memori yang dibutuhkan semakin tinggi. - Akumulasi jumlah error dari setiap tingkat pohon keputusan besar. - Mendesain pohon keputusan yang optimal sulit. - Kualitas keputusan yang didapatkan sangat tergantung dengan bagaimana pohon tersebut didesain. 2.3 Algoritma C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk melakukan proses klasifikasi data dengan menggunakan teknik pohon keputusan. Algoritma C4.5 merupakan Title of manuscript is short and clear, implies research results (First Author)

98

ISSN: 2407-4322

ekstensi dari algoritma ID3 dan menggunakan prinsip decision tree yang mirip [11]. Algoritma ini sudah sangat terkenal dan disukai karena memiliki banyak kelebihan. Kelebihan ini misalnya dapat mengolah data numerik dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diinterpretasikan dan performanya merupakan salah satu yang tercepat dibandingkan dengan algoritma lain [11]. Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki prioritas tertinggi atau dapat disebut memiliki nilai gain tertinggi berdasarkan nilai entropy atribut tersebut sebagai poros atribut klasifikasi [12]. Kemudian secara rekursif cabang-cabang pohon diperluas sehingga seluruh pohon terbentuk. Menurut kamus IGI Global (International Publisher of Progressive Academic), entropy adalah jumlah data yang tidak relevan terhadap informasi dari suatu kumpulan data [13]. Gain adalah informasi yang didapatkan dari perubahan entropy pada suatu kumpulan data, baik melalui observasi atau bisa juga disimpulkan dengan cara melakukan partisipasi terhadap suatu set data [12]. Berdasarkan apa yang ditulis oleh Jefri [10], terdapat empat langkah dalam proses pembuatan pohon keputusan pada algoritma C4.5, yaitu: 1. Memilih atribut sebagai akar 3. Membuat cabang untuk masing-masing nilai 4. Membagi setiap kasus dalam cabang 5. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang memiliki kelas yang sama. Menurut Jiandi [12] data yang dimiliki harus disusun menjadi sebuah tabel berdasarkan kasus dan jumlah responden sebelum dilakukan perhitungan untuk mencari nilai entropy dan gain. ‫∑ = )ܵ(ݕ݌݋ݎݐ݊ܧ‬௡௜ୀ଴ −‫ ∗݅݌‬logଶ ‫݅݌‬ (1) Rumus (1) merupakan rumus yang digunakan dalam perhitungan entropy yang digunakan untuk menentukan seberapa informatif atribut tersebut. Berikut keterangannya [10]: ܵ : Himpunan kasus ݊ : Jumlah partisi ܵ ‫ ݅݌‬: Jumlah kasus pada partisi ke-i |ௌ௜| ‫ܵ(݊݅ܽܩ‬, ‫ )ܵ(ݕ݌݋ݎݐ݊ܧ = )ܣ‬− ∑௡௜ୀଵ |ௌ| ∗ ‫)݅ܵ(ݕ݌݋ݎݐ݊ܧ‬ (2) Rumus (2) merupakan rumus yang digunakan dalam perhitungan gain setelah melakukan perhitungan entropy. Berikut keterangannya [10]: ܵ : Himpunan kasus ݊ : Jumlah partisi atribut A |ܵ݅| : Jumlah kasus pada partisi ke-i |ܵ| : Jumlah kasus dalam ܵ Dengan mengetahui rumus–rumus diatas, data yang telah diperoleh dapat dimasukkan dan diproses dengan algoritma C4.5 untuk proses pembuatan decision tree.




Jatisi, Vol. 3 No. 2 Maret 2017 201

99

Gambar 1. Pseudocode Algoritma C4.5 [14] Gambar 1 merupakan pseudocode dari algoritma C4.5 yang berfungsi untuk pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan. Selanjutnya akan dilakukan perhitungan entropy dan gain untuk menentukan leaf dari pohon keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat dibentuk berdasarkan nilai gain yang telah dihitung sebelumnya. Atribut dengan nilai gain tertinggi akan terletak pada prioritas prioritas yang lebih tinggi dan memiliki kedudukan yang lebih tinggi juga pada pohon keputusan. 2.4 Validasi Silang Validasi lidasi silang merupakan metode statistika tatistika yang digunakan untuk melakukan evaluasi dan komparasi terhadap sebuah satu set data dengan cara membagikan embagikan data tersebut menjadi dua bagian, yaitu data training dan data testing.. Salah satu jenis validasi silang adalah ten-fold cross validation [15]. Validasi ini dilakukan dengan cara membagi suatu set data menjadi sepuluh segmen ݀1 – ݀10 yang berukuran sama besar dengan cara melakukan pengacakan data. Kemudian ݀1 akan digunakan terlebih dahulu untuk proses training dan dilakukan validasi menggunakan sisa dari data selain ݀1. Setelah itu ݀2 akan digunakan untuk training training, sementara sisa data selain ݀2 digunakan untuk validasi, dan seterusnya. Dengan melakukan validasi seperti ini maka akurasi yang akan didapatkan akan lebih tinggi [15]. 3. METODE PENELITIAN Implementasi algoritma C4.5 untuk prediksi penerimaan calon pegawai baru menggunakan langkah-langkah langkah penelitian sebagai berikut: 1. Studi Pustaka Penelitian dimulai dengan mempelajari informasi serta algoritma yang bersangkutan dengan penelitian ini dengan cara ca membaca e-book, e-journal,, serta beberapa referensi pembelajaran lain. Pada tahapan ini konsep-konsep ko konsep yang dibutuhkan dalam penelitian akan dimatangkan, seperti definisi dari algoritma C4.5 dan penerapannya. 2. Pengumpulan Sampel Data Title of manuscript is short and clear, implies research results (First Author)

100

ISSN: 2407-4322

Pada tahap ini proses pengumpulan sampel data akan dilakukan dengan cara meminta data pegawai langsung kepada perusahaan, yakni PT WISE. Data pegawai ini mencakup berbagai macam informasi mulai dari nama, umur, gaji, alamat, dan atribut lain yang kemudian akan diolah menggunakan algoritma C4.5. Jumlah data yang akan digunakan adalah 84 data pegawai lapangan. 3. Analisis Sampel Data Setelah data-data pegawai didapatkan, dilakukan pemilahan dan perhitungan atribut data sesuai dengan parameter yang telah ditentukan untuk dilakukan perhitungan nilai entropy dan gain untuk mendapatkan gambaran umum dari suatu set data. 4. Perancangan dan Pembangunan Aplikasi Pada tahap ini, beberapa hal akan ditentukan, yakni prosedur dan proses apa saja yang dapat dilakukan oleh aplikasi, alur proses, serta tampilan dasar aplikasi. Rancangan aplikasi akan direpresentasikan dalam bentuk diagram yang akan menggambarkan alur proses dari aplikasi. Setelah itu barulah aplikasi mulai dibangun menggunakan bahasa pemrograman yang tepat. 5. Uji Coba Aplikasi Pada tahap ini uji coba akan dilakukan terhadap aplikasi yang sudah dibuat terhadap data-data yang telah dikumpulkan sebelumnya. Pengamatan apakah algoritma C4.5 dapat terimplementasi dengan baik pada sistem serta dapat memiliki tingkat akurasi yang tinggi pada proses prediksi calon pegawai baru juga dilakukan pada tahap ini. 6. Analisis Hasil Aplikasi Setelah uji coba pada aplikasi berhasil dilakukan, selanjutnya akan dilakukan pengukuran tingkat akurasi prediksi menggunakan validasi silang ten-fold cross validation. Validasi silang digunakan agar akurasi pengukuran prediksi lebih tepat. 7. Penulisan Laporan Pada tahap ini akan dilakukan proses pencacatan setiap kegiatan yang dilakukan selama proses penelitian ini berlangsung dan menyalurkan informasi tersebut ke dalam bentuk laporan sebagai bentuk dokumentasi.

4. HASIL DAN PEMBAHASAN Bagian ini menjelaskan hasil dari pengukuran akurasi aplikasi yang telah dibangun dalam penelitian. Uji coba dilakukan menggunakan data sample sebanyak 84 dan menggunakan metode pengukuran ten fold cross validation. Data tersebut kemudian akan dibagi menjadi 10 buah kelompok data training dan data testing. Setelah itu barulah uji coba untuk mengukur akurasi aplikasi dilakukan. Analisis yang akan dilakukan pada aplikasi adalah perhitungan tingkat akurasi menggunakan metode 10-fold cross validation, baik akurasi perkluster maupun secara keseluruhan. Uji coba akan dilakukan pada 84 buah sampel data yang ada pada database secara otomatis melalui sistem.





101

Gambar 2. Hasil Pengukuran Akurasi Gambar 2 menjabarkan hasil perhitungan dari cross validation yang dilakukan oleh aplikasi. Dapat dilihat hasil perhitungan akurasi untuk tiap kluster dan secara keseluruhan. Hasil pengukuran akurasi secara keseluruhan adalah 71%. Hasil prediksi tidak mencapai angka 100% karena ada beberapa kasus dimana sampel data masih kurang banyak sehingga hasil prediksi masih bersifat ambigu.

Gambar 3. Hasil Pengukuran Akurasi dengan Tambahan Dapat dillihat pada Gambar 3 ketika perhitungan dilakukan dengan penambahan tiga sampel data baru, maka perhitungan akurasi meningkat sebanyak 5%. Hal ini berarti beberapa


102

ISSN: 2407-4322

sampel tambahan tersebut dapat memperbaharui pohon sehingga mengurangi tingkat kesalahan prediksi. 5. KESIMPULAN Implementasi algoritma C4.5 untuk melakukan prediksi terhadap calon pegawai baru pada PT WISE telah berhasil dilakukan. Hasil tingkat keberhasilan prediksi calon pegawai baru di PT WISE secara keseluruhan yang telah diukur menggunakan metode ten-fold cross validation adalah sebesar 71%. Untuk penelitian selanjutnya, sebaiknya dilakukan uji coba menggunakan sampel data yang lebih banyak agar tingkat akurasi aplikasi dapat ditingkatkan.

DAFTAR PUSTAKA [1]

IGI Global Dictionary, 2015, What is Information Gain, http://www.igiglobal.com/dictionary/information-gain/14407/, diakses tgl 10 Desember 2015.

[2]

Jiandi, R., 2016, Implementasi Algoritma C4.5 untuk Prediksi Potensi Mahasiswa Sebagai Pengurus Organisasi Menggunakan Data Hasil PAPI KOSTICK (Studi Kasus: Universitas Multimedia Nusantara), Universitas Multimedia Nusantara, Tangerang.

[3]

Jefri, 2013, Implementasi Algoritma C4.5 Dalam Aplikasi untuk Memprediksi Jumlah Mahasiswa yang Mengulang Mata Kuliah STMIK Yogyakarta, STMIK AMIKOM, Yogyakarta.

[4]

Kumara, R. dan Supriyanto, C., 2015, Klasifikasi Data Mining untuk Penerimaan Seleksi Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5, Universitas Dian Nuswantoro, Jawa Tengah.

[5]

Mengkepe, E., 2004, Sistem Pendukung Keputusan Pemberian Kredit Mobil PT. Astra International tbk., Isuzu Division Makassar, Universitas Widyatama, Bandung.

[6]

Putri, S. U., 2015, Implementasi Metode C4.5 untuk Menentukan Guru Terbaik pada SMK 1 Percut Sei Tuan Medan, STMIK Budi Darma, Medan.

[7]

HSSINA, B., dkk., 2014, A Comparative Study of Decision Tree ID3 and C4.5, Sultan Moulay Slimane University, Morocco.

[8]

Raditya, A.,2012, Implementasi Data Mining Classification untuk Mencari Pola Prediksi Hujan dengan Menggunakan Algoritma C4.5, Universitas Gunadarma, Depok.

[9]

Sulistiyani, T. dan Ambar, R., 2003, Manajemen Sumber Daya Manusia, Graha Ilmu, Yogyakarta.

[10] Slamet, A.,2007, Manajemen Sumber Daya Manusia, Universitas Negeri Semarang, Semarang. [11] Tjahyono, A. dan Anggara, A. M., 2010, Sistem Pendukung Keputusan Penerimaan Pegawai Baru pada PT. Kanasritex Semarang, Techno.com, Vol. 9 No.3.





103

[12] Marwana, 2014, Algoritma C4.5 untuk Simulasi Prediksi Kemenangan Dalam Pertandingan Sepakbola, STIMED, Nusa Palapa, Makassar. [13] Triisant, 2015, Pohon Keputusan dengan Algoritma http://dokumen.tips/documents/algoritma-c45.html, Diakses tgl 21 Maret 2016.

C4.5,

[14] Ruggieri, S., 2002, Efficient C4.5, IEEE Transaction on Knowledge and Data Engineering 14(2), hal.438-444. [15] Refaeilzadeh, P., Tang, L.,dan Liu, H., 2009, Cross-Validation, Encyclopedia of Database Systems, hal.532-538.


104

ISSN: 1978-1520

Analisis Pengaruh Penggunaan Internet Terhadap Minat Belajar Mahasiswa (Studi Kasus:Perguruan Tinggi di Kota Palembang) Desi Pibriana*1, Desy Iba Ricoida2 STMIK GI MDP; Jalan Rajawali No 14 Palembang 12 Program StudiSistem Informasi 1 e-mail: * [email protected], [email protected] 1,2

Abstrak Pemanfaatan Teknologi informasi pada perguruan tinggi diharapkan dapat meningkatkan kualitas pembelajaran mahasiswa antara lain dengan memberikan kemudahan akses internet sehingga mahasiswa dapat dengan mudah mendapatkan informasi dari situssitus online. Akan tetapi pemanfaatan internet sering disalahgunakan dengan tidak menggunakannya guna menunjang pembelajaran sebaliknya digunakan untuk mengakses media jejaring online dan main game. Berdasarkan hal tersebut maka diperlukan pengujian untuk mengetahui bagaimana pengaruh dari penggunaan internet terhadap minat belajar mahasiswa pada Perguruan Tinggi yang ada di Kota Palembang dengan menggunakan konsep Model TRA (Theory of Reasoned Action). Metode analisis pada penelitian ini dilakukan dengan menggunakan metode Structural Equation Modeling (SEM) dengan bantuan software AMOS 22. Hasil dari penelitian ini terlihat bahwa norma subjektif tidak memiliki pengaruh terhadap minat belajar mahasiswa sementara perilaku penggunaan Internet memiliki pengaruh terhadap minat belajar mahasiswa. Hal ini dapat memberikan masukan bagi perguruan tinggi untuk memaksimalkan penggunaan internet guna mendukung minat belajar mahasiswa. Kata kunci: Mahasiswa, Minat, Theory of Reasoned Action, TRA, Structural Equation Modeling.

Abstract Information Technology in higher education are expected to be used to improve the quality of student in learning, such as facilitating student to access the Internet easily by making it easy to get the information from online sites. However, Internet is often misused by student, they are using it to access social media and gamesinstead of support their learning process. Based on this fact, we need to evaluate how Internet usage can affect students learning interest and behavior in Palembang by using the concept of Theory Reasoned Action (TRA) Model. Structural Equation Modeling (SEM) with software AMOS 22 is used to analyze this problem. The result of this study show that the subjective norm have no effect on student interest on learning while Internet Usage behavior has. Based on this result, it can provide an input for universities to maximize Internet usage to support student interest on learning. Keyword: Student, Interest, Behaviour, Theory of Reasoned Action, TRA, Structural Equation Modeling.




105

1. PENDAHULUAN Perkembangan teknologi khususnya pada teknologi jaringan Internet saat ini secara tidak langsung telah mengubah paradigma masyarakat dalam mendapatkan informasi dan komunikasi. Salah satu bidang yang sangat membutuhkan teknologi Internet ini adalah dunia pendidikan, khususnya perguruan tinggi dimana Internet dapat menjadi salah satu sumber belajar yang dapat dimanfaatkan oleh mahasiswa. Beberapa Perguruan Tinggi yang ada di Kota Palembang telah memanfaatkan teknologi internet dalam proses pembelajaran yang dilakukan antara lain dengan membuat sistem informasi akademik secara online, pemanfaatan sistem informasi akademik secara online juga diikuti dengan memberikan fasilitas akses jaringan internet sehingga mahasiswa dapat bebas mengakses internet kapanpun dan dimanapun di area gedung kampus. Berdasarkan wawancara dan pengamatan yang dilakukan, mahasiswa menggunakan Internet di lingkungan kampus untuk berbagai keperluan termasuk dalam hal pembelajaran, tetapi tidak sedikit mahasiswa yang menggunakan Internet untuk kepentingan pribadi seperti bermain games dan membuka situs-situs yang tidak memiliki hubungan dengan pembelajaran. Seringkali juga ditemukan bahwa mahasiswa menyalin tugas dari Internet dan tidak dapat menjelaskan maksud dari tugas yang diperolehnya dari Internet. Hal ini menunjukkan bahwa mahasiswa tidak memahami materi dan informasi yang didapatkan dari Internet dengan baik. Kehadiran Internet di perguruan tinggi bertujuan untuk menumbuhkan minat belajar mahasiswa jika digunakan dengan tepat agar prestasi mahasiswa dapat meningkat. Berdasarkan hal tersebut diperlukan pengujian apakah Internet dapat mempengaruhi minat belajar mahasiswa. Salah satu pendekatan yang sering digunakan untuk mempelajari perilaku manusia adalah Theory of Reasoned Action (TRA) [1]. TRA dimulai dengan melihat intensi/minat berperilaku sebagai anteseden terdekat dari suatu perilaku. Dipercaya bahwa semakin kuat minat seseorang untuk menampilkan suatu perilaku tertentu, diharapkan semakin berhasil orang tersebut melakukannya [1]. 1.1 Internet Internet adalah alat penghubung antara organisasi dan pelanggannya, sehingga tercipta sebuah organisasi baru secara virtual [2]. Menurut DeFleur & Dennis dalam Zin, Muda, & Nordin, internet adalah sebuah sistem komputasi di seluruh dunia yang menggunakan sarana umum untuk menghubungkan perangkat keras dan mentransmisikan informasi digital, komunitas orang dengan menggunakan sebuah teknologi komunikasi yang umum dan mendistribusikan sistem informasi secara global [3]. Sehingga dapat disimpulkan Internet memungkinkan satu individu untuk terhubung dengan satu atau lebih individu lainnya baik untuk berkomunikasi, menerima serta menyebarkan informasi. 1.2 Minat Belajar Minat merupakan suatu keinginan seseorang untuk melakukan suatu perilaku tertentu [4]. Dapat dikatakan bahwa seseorang akan melakukan suatu hal tertentu apabila memiliki kemauan dari dalam diri untuk melakukannya. Salah satu pendukung yang berpengaruh dalam memperoleh prestasi dalam belajar adalah minat belajar. Menurut Djamarah dalam [5] adalah suatu penerimaan akan suatu hubungan antara diri sendiri dengan sesuatu di luar diri. Seseorang memiliki minat terhadap subjek tertentu cenderung untuk memberikan perhatian yang lebih besar terhadap subjek tertentu. Sementara menurut Slameto (2003) dalam [6] menyatakan bahwa minat adalah suatu rasa lebih suka (senang) dan rasa ketertarikan pada suatu hal atau aktivitas. Penelitian yang dilakukan oleh Wardhani dalam skripsinya mengenai keterhubungan Internet dan minat belajar, disimpulkan dalam skripsinya bahwa pemanfaatan internet sebagai sumber belajar merupakan faktor yang berasal dari luar diri siswa sedangkan minat belajar merupakan faktor yang berasal Title of manuscript is short and clear, implies research results (First Author)

106



ISSN: 1978-1520

dari dalam diri siswa. Keduanya berpengaruh secara tidak langsung terhadap peningkatan belajar siswa [6] 1.3 Theory of Reasoned Action(TRA) Teori tindakan beralasan (Theory of Reasoned Action) merupakan teori yang menjelaskan tahapan-tahapan manusia melakukan perilaku. Pada tahap awal, perilaku (behavior) diasumsikan ditentukan oleh minat (intention). Pada tahap berikutnya niat dapat dijelaskan dalam bentuk sikap-sikap terhadap perilaku (attitudes towards the behavior) dan norma-norma subyektif (subjective norm). Tahap-tahap ketiga dipertimbangkan sikap-sikap (attitudes) dan norma-norma subjektif (subjective norm) dalam bentuk kepercayaan tentang konsekuensi melakukan perilakunya dan tentang ekspektasi normatif dari orang yang direferensi (referent) yang relevan [6]. Anis Fakhrunnisa menyatakan bahwa Model TRA ini menunjukkan bahwa sikap (attitude) seseorang, misalnya sikap terhadap belajar, digabungkan dengan norma-norma subjektif (subjective norm), misalnya kepercayaan-kepercayaan orang lain terhadap belajar, akan mempengaruhi minat (behavioral intention) terhadap belajar dan pada akhirnya akan menentukan seseorang untuk belajar atau tidak (behavioral) [7]. 1.4 Penelitian Terdahulu Berikut ini penelitian-penelitian terdahulu yang memiliki relevansi dengan penelitian yang dilakukan. 1.4.1 Penelitian I Made Agus Ana Widiatmika dan Dana Indra Sensuse Penelitian yang berjudul “Pengembangan Model Penerimaan Teknologi Internet Oleh Pelajar Dengan Menggunakan Konsep Technology Acceptance Model (TAM)” oleh Widiatmika & Sensuse [8], menyatakan bahwa Technology Acceptance Model (TAM)” yang diusulkan secara umum dapat dijadikan sebagai model penerimaan teknologi internet oleh pelajar khususnya pelajar sekolah menengah atas dengan fasilitas dan kondisi yang memenuhi. Model TAM pada penelitian ini menggunakan 9 variabel laten dengan 33 buah indikator sebagai variabel manifes. Hasil penelitian ini menunjukkan bahwa 15 hipotesa yang diajukan dapat diterima dan memberikan pengaruh positif terhadap manfaat yang dirasakan oleh pelajar dan juga memberikan pengaruh positif terhadap tingkah laku atau kebiasaan pelajar dalam menggunakan internet. Sikap atau tingkah laku pelajar dalam menggunakan internet seperti rasa senang yang diperoleh akan memberikan dampak positif pada peningkatan keinginan untuk menggunakan internet dan mendorong pelajar untuk selalu ingin mencoba berinternet yang tentunya akan berpengaruh positif terhadap semakin lamanya waktu yang dihabiskan oleh pelajar untuk berinternet. Dorongan pelajar untuk selalu ingin mencoba berinternet yang berpengaruh positif terhadap lamanya waktu yang dihabiskan untuk berinternet. Melalui penelitian ini diambil variabel penggunaan internet (attitude toward using) sebagai indikator untuk mengukur sikap penggunaan internet dan perhatian untuk menggunakan internet (behavioral intention to use) sebagai indikator minat belajar. Sikap penggunaan ini akan dihubungkan dengan minat belajar mahasiswa. Minat belajar mahasiswa ini akhirnya akan dihubungkan dengan perilaku belajar mahasiswa. 1.4.2 Penelitian Astutik Nur Qomariyah Berdasarkan penelitian yang telah dilakukan oleh A.N Qomariyah [9] yang berjudul “Perilaku Penggunaan Internet pada Kalangan Remaja di Perkotaan” menyimpulkan bahwa usia responden pertama kali mengenal dan menggunakan internet adalah 12 tahun. Berdasarkan aspek intensitas penggunaan internet, sebagian besar remaja perkotaan lebih sering mengakses




107

internet di warnet meskipun di sekolah mereka terdapat fasilitas internet yang dapat dimanfaatkan secara gratis. Penggunaan internet remaja perkotaan tergolong heavy user dimana menghabiskan waktu lebih dari 40 jam sebulan. Kalangan remaja di perkotaan menggunakan internet untuk empat dimensi kepentingan, yaitu informasi, aktivitas kesenangan, komunikasi dan transaksi. Meskipun dari keempat kepentingan pengguna internet tersebut aktivitas-aktivitas internet yang dilakukan kalangan remaja di perkotaan lebih banyak ditujukan untuk aktivitas kesenangan daripada untuk kepentingan lainnya, namun aktivitas internet yang paling banyak dilakukan para remaja tersebut adalah mencari sumber atau bahan terkait dengan tugas atau pelajaran sekolah. Dari penelitian ini penulis mengambil faktor sikap penggunaan internet dan norma subjektif terhadap penggunaan internet. 1.4.3 Penelitian Vasilis Gialamas, Kleopatra Nikolopoulou & George Koutromanos Penelitian yang dilakukan oleh Gialamas, Nikolopoulou, & Koutromanos [10] yang berjudul “Student teachers’ perception about the impact of internet usage on their learning and jobs” ditujukan untuk menginvestigasi persepsi mahasiswa fakultas pendidikan mengenai dampak penggunaan internet terhadap pembelajaran dan pekerjaan mereka dimasa yang akan datang. Persepsi mahasiswa pendidikan mengenai dampak penggunaan internet terhadap pembelajaran dan pekerjaan mereka di masa yang akan datang secara umum adalah positif. Kebanyakan mahasiswa percaya bahwa penggunaan internet pada studi universitas membuat pembelajaran lebih menarik dan efektif, dan memiliki kemampuan menggunakan internet akan membantu prospek pekerjaan mereka di masa mendatang. Penelitian ini telah menunjukkan bahwa semakin tinggi pengalaman digital dan frekuensi penggunaan internet, semakin positif persepsi para mahasiswa mengenai dampak internet terhadap pembelajaran dan pekerjaan mereka dimasa mendatang. Dari penelitian ini diambil variabel Internet Usage khususnya faktor perceived enjoyment, internet usage, perceived usefullness, impact on general learning, impact collaborative learning, impact on distance learning, serta social pressure sebagai indikator untuk mengukur sikap penggunaan, norma subjektif dan minat belajar dengan menggunakan internet. 2. METODE PENELITIAN 2.1 Tahapan Penelitian Penelitian ini dilakukan dengan tahapan – tahapan berikut:

Gambar 1. Tahapan Penelitian a. Perumusan masalah, pada tahapan ini merumuskan masalah yang akan digunakan dalam topik penelitian dalam hal ini pengaruh pemanfaatan internet terhadap minat belajar mahasiswa di kota Palembang. b. Studi Literatur yaitu melakukan studi literatur untuk mendapatkan informasi baik yang berkaitan dengan topik penelitian dari berbagai sumber antara lain jurnal, buku maupun artikel.


108



ISSN: 1978-1520

c. Perumusan model dan penyusunan instrumen adalah merumuskan model yang digunakan yaitu konsep Model TRA (Theory of Reasoned Action). Kemudian penyusunan instrumen penelitian. Instrumen penelitian ini merupakan kumpulan pertanyaan-pertanyaan yang bersifat close ended question. d. Pengumpulan Data dilakukan dengan melakukan penyebaran kuesioner terhadap responden. e. Pengolahan dan Analisis Data, menggunakan metode statistik dalam menganalisis data yang berhasil dikumpulkan dari para responden. Teknik statistik yang digunakan adalah teknik multivariate structural equation model (SEM) yang diolah dengan program AMOS 22. f. Penarikan kesimpulan dilakukan setelah melakukan pengujian hipotesis dan mengetahui hubungan antar setiap variabel. Kesimpulan merupakan jawaban dari pertanyaan penelitian yang telah diajukan yang sesuai dengan hasil analisis dan pengujian hipotesis. 2.2 Populasi dan Sampel Sumber data dan instrumen yang akan digunakan dalam penelitian ini adalah data kuantitatif dengan menggunakan metode convenience sampling yang dilakukan dengan cara penyebaran kuesioner yang dibuat oleh peneliti dengan menyebarkannya dalam bentuk hard copy. Pengambilan sampel secara acak ini ditujukan agar hasil penelitian bisa dijadikan ukuran untuk mengestimasikan populasi, atau melakukan generalisasi. Populasi dari penelitian ini adalah semua mahasiswa Perguruan Tinggi baik swasta maupun negeri yang ada di kota Palembang dan telah memanfaatkan Teknologi Informasi dalam proses pembelajaran. Akan diambil sejumlah sampel secara random sampling. Jumlah sampel yang dianjurkan dalam menggunakan teknik SEM, dengan prosedur estimasi MLE adalah 100 – 150 sampel [11]. Pendapat lain mengatakan bahwa jumlah sampel yang ideal untuk MLE yaitu sebanyak lima kali jumlah indikator/pertanyaan [12] yaitu sebanyak 150. Pada penelitian ini digunakan 273 sampel sehingga memenuhi asumsi tersebut. 2.3 Metode Pengumpulan Data Pengumpulan data yang dilakukan dalam penelitian ini menggunakan kuisioner, dimana pertanyaan yang diajukan telah memiliki pilihan jawaban dengan skala likert. Skala likert merupakan salah satu skala yang paling banyak dilakukan pada penelitian sosial [13]. 2.4 Model, Variabel, dan Indikator Penelitian Berdasarkan teori dan temuan hasil penelitian sebelumnya, kemudian diusulkan suatu model penelitian yang secara langsung menunjukkan hipotesis yang diajukan pada penelitian ini. Selain itu, dari model penelitian yang diajukan dapat diketahui hubungan dari penggunaan internet terhadap minat dan perilaku belajar mahasiswa. Model penelitian ini dapat dilihat pada Gambar 2.

Gambar 2. Hipotesis dan Rancangan Model Penelitian




109

Hipotesis pada penelitian ini adalah : H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa. H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa. Adapun indikator masing-masing variabel dan simbol-simbol untuk butir dalam kuesioner ditunjukkan seperti pada Tabel 1.

Variabel Sikap Penggunaan Internet

Norma Subjektif Penggunaan Internet

-

Minat Belajar

-

Tabel 1. Variabel dan Indikator Penelitian Indikator Interaksi dengan internet Membagikan informasi di internet Pengalih perhatian/ kesenangan menggunakan internet Transaksi online Komunikasi dan pertemanan menggunakan internet Informasi dari internet Pendapat tentang rujukan informasi dari internet Pendapat tentang membagikan informasi pribadi di internet Pendapat tentang kesenangan yang berasal dari internet Pendapat tentang keamanan transaksi online Pendapat tentang pertemanan di internet Pendapat tentang pertanggungjawaban informasi di internet Keinginan belajar menggunakan internet Ketidakjenuhan belajar dengan menggunakan internet Belajar dengan materi yang dapat diakses melalui internet Internet suatu keharusan Mengerjakan tugas dengan bantuan internet Bertukar informasi dalam tugas

Sumber [8], [9], [10]

[8], [9], [10]

[8], [9], [10]

2.5 Pengujian Kuisioner Pengujian validitas dan reliabilitas kuisioner dilakukan untuk mengukur valid atau reliabel tidaknya suatu pernyataan dalam kuisioner yang akan digunakan pada penelitian ini. 2.6 Metode Analisis Data Metode yang digunakan untuk menganalisis data adalah metode statistik dengan teknik multivariate SEM (Structural Equation Modeling) menggunakan aplikasi AMOS 22. SEM merupakan generasi kedua teknik analisis multivariate yang memungkinkan peneliti untuk menguji hubungan antara variabel kompleks untuk memperoleh gambaran menyeluruh tentang suatu model. Data yang telah diperoleh kemudian diolah menggunakan program Microsoft Excel 2010 dan program SPSS 16.0. Selanjutnya, pengolahan dan analisis data dengan implementasi SEM menggunakan aplikasi AMOS 22.

3. HASIL DAN PEMBAHASAN 3.1 Perancangan Kuisioner Berdasarkan indikator yang dihasilkan dari model penelitian yang diusulkan didapatkan sebanyak 18 indikator dimana indikator ini menentukan jumlah pertanyaan yang akan ditanyakan dalam kuisioner. Adapun indikator tersebut tercantum pada Tabel 2. Title of manuscript is short and clear, implies research results (First Author)



110

Variabel Sikap Penggunaan Internet

Norma Subjektif

Minat Belajar

ISSN: 1978-1520 Tabel 2. Rancangan Kuesioner Nomor Indikator Simbol Pert. 1 Informasi dari internet SP1 2 Interaksi dengan internet SP2 3 Pengalih perhatian/ kesenangan menggunakan SP3 internet 4 Transaksi online SP4 5 Komunikasi dan pertemanan di internet SP5 6 Membagikan informasi di internet SP6 7 Pendapat tentang rujukan informasi dari internet NS1 8 Pendapat tentang membagikan informasi NS2 pribadi di internet 9 Pendapat tentang kesenangan yang berasal dari NS3 internet 10 Pendapat tentang keamanan transaksi online NS4 11 Pendapat tentang pertemanan di internet NS5 12 Pendapat tentang pertanggungjawaban NS6 informasi di internet 13 Keinginan belajar menggunakan internet MB1 14 Ketidakjenuhan belajar dengan menggunakan MB2 internet 15 Belajar dengan materi yang dapat diakses MB3 melalui internet 16 Internet suatu keharusan MB4 17 Mengerjakan tugas dengan bantuan internet MB5 18 Bertukar informasi dalam tugas MB6

3.2 Pengujian Kuisioner Untuk menguji validitas, dilakukan perbandingan antara nilai correcteditemtotalcorrelation pada setiap indikator atau pertanyaan dengan nilai r tabel. Jika correcteditem-totalcorrelation (r hitung) bernilai positif dan lebih besar dari nilai r tabel, maka indikator atau pertanyaan pada variabel dapat dikatakan valid [14]. Nilai r tabel pada penelitian ini untuk tingkat signifikansi sebesar 5% adalah 0,1187 dengan perhitungan sampel sebesar 273 (df = 273-2 = 271) . Sehingga nilai corrected item-total correlation untuk setiap indikator atau pertanyaan masing-masing variabel harus diatas 0,1187 agar indikator yang digunakan pada penelitian ini dapat dikatakan valid. Hasil perhitungan pada penelitian ini, didapatkan semua indikator memiliki nilai corrected item-total correlation diatas 0,1187 maka semua indikator pada penelitian ini dinyatakan valid. Sedangkan untuk menguji reliabilitas data dilakukan dengan membandingkan nilai Cronbach Alpha untuk 30 item indikator dan 273 responden. Standar batas Cronbach’s Alpha yang ditetapkan para ahli berbeda- beda. Suatu basic research secara umum direkomendasikan memiliki kisaran nilai cronbach’s alpha antara 0,7 - 0,8. Pada penelitian ini dipilih batas Cronbach’s Alpha untuk semua indikator diatas 0,7. Hasil pengujian reliabilitas pada penelitian ini diperoleh nilai Cronbach Alpha rata- rata di atas 0,7 sehingga ini menunjukkan data reliabel. 3.3 Data Responden Populasi dari penelitian ini adalah seluruh mahasiswa perguruan tinggi yang ada di kota Palembang, dimana dari seluruh populasi mahasiswa diambil sampel yang dapat mewakili keseluruhan populasi dengan teknik convenience sampling. Dari penyebaran sebanyak 300




111

lembar kuesioner ke sampel yang mewakili populasi, terkumpul kembali sebanyak 273 lembar yang layak untuk dianalisis. Adapun demografi responden dari sampel yang kembali adalah sebagai berikut: a. Jenis kelamin Dari responden didapatkan 41% berjenis kelamin laki-laki dan 59% berjenis kelamin perempuan. b. Masa studi (Semester yang telah ditempuh) Dari keseluruhan responden didapatkan hasil 26% mahasiswa yang memiliki rentang semester satu sampai dengan semester 3, terdapat 45% mahasiswa rentang semester 4 sampai dengan semester 6, terdapat 10% dari semester 8 dan sisanya 4% telah menempuh lebih dari delapan semester. c. Lama mengenal dan menggunakan komputer Dari keseluruhan responden 86% telah mengenal dan menggunakan komputer selama lebih dari 5 tahun dan 14% mengenal kurang dari 5 tahun d. Lama mengenal dan menggunakan internet Dari keseluruhan responden 82% telah mengenal dan menggunakan internet selama lebih dari 5 tahun dan 18% mengenal kurang dari 5 tahun 3.4 Hasil Penelitian Pada penelitian ini digunakan metode teknik statistik yaitu teknik multivariate Structural Equation Model (SEM) yang dapat diolah dengan program AMOS (Analysis Moment of Structural) 22. 3.4.1 Pembuatan Path Diagram Setelah model, variabel dan indikator dibuat, proses selanjutnya adalah membuat path diagram menggunakan ikon-ikon yang ada tools AMOS yang merupakan representasi dari model, indikator, dan variabel yang telah dibuat sebelumnya. Adapun path diagram pada penelitian ini dapat dilihat pada gambar 3. Setelah dilakukan analisis konfirmatori maka selanjutnya dilakukan pengujian struktural pada keseluruhan model penelitian, pengujian ini dilakukan untuk mengetahui hubungan antar variabel laten beserta indikator – indikatornya. Pada penentuan kriteria uji kecocokan beberapa kriteria yang umum digunakan dan telah memiliki standar. Jika kriteria tersebut belum memperoleh model yang fit, maka dilakukan modifikasi hingga menghasilkan model yang fit.

Gambar 3. Path Diagram Setelah Modifikasi untuk Uji Model Struktural Title of manuscript is short and clear, implies research results (First Author)



112

ISSN: 1978-1520

Berdasarkan hasil modifikasi model yang dilakukan maka dilakukan pengukuran uji kecocokan untuk model structural. Berikut adalah ringkasan hasil uji kecocokan atau goodness of fit untuk model struktural dapat dlihat pada Tabel 3. Tabel 3. Ringkasan Hasil Uji Goodness of Fit Model Struktural Setelah Modifikasi Indikator Standar Hasil Keterangan CMIN/DF <2 1,972 Good Fit >0,9 (good fit) GFI 0,80 < GFI < 0,90 (marginal fit) 0,862 Marginal Fit

AGFI PGFI NFI CFI TLI PRATIO RMSEA

>0,9 (good fit) 0,80 < AGFI < 0,90 (marginal fit)

0,831

Marginal Fit

>0,60 >0,9 (good fit) 0,80 < NFI < 0,90 (marginal fit) >0,9 (good fit) 0,80 < CFI < 0,90 (marginal fit) >0,9 (good fit) 0,80
0,705

Good Fit

0,841

Marginal Fit

0,914

Good Fit

0,902

Good Fit

Antara 0 - 1 <0,08 (good fit)

0,878 0,060

Good Fit Good Fit

Berdasarkan data pada tabel 3 dapat disimpulkan bahwa model penelitian sudah fit secara keseluruhan dengan data yang ada. Setelah uji kecocokan atau goodness of fit dari model struktural terpenuhi, maka dapat dilakukan analisis hubungan antar konstruk. 3.4.2 Analisis hubungan antar konstruk Menganalisis hubungan antar konstruk atau variabel yang menjadi hipotesis dilakukan dengan melihat nilai Critical Ratio (CR) dan nilai probability (p) dari setiap hubungan antar variabel laten. Nilai CR didapat melalui perbandingan dengan nilai t-table. Untuk sisa sampel sebanyak 273 (df= 271) maka nilai t- table adalah 1,96. Sementara nilai probabilitas dibandingkan dengan nilai 0,05. Apabila nilai CR lebih besar dari 1,96 dan nilai probabilitas kurang dari atau sama dengan 0,05 maka hipotesis penelitian yang diajukan dapat diterima. Nilai CR dan probability dapat diketahui melalui aplikasi AMOS dari keluaran Regression Weight dan Covariances. Ringkasan hasil analisis hubungan antar konstruk atau pengujian hipotesis dapat dilihat pada Tabel 4. Tabel 4. Ringkasan Hasil Analisis Hubungan Antar Konstruk pada Model Penelitian Hubungan Antar Nilai Nilai p Keterangan Kesimpulan Konstruk C.R H1 SP  MB 9,551 0,00 Ada hubungan signifikan Hipotesis Diterima Tidak ada hubungan H2 NS  MB 1,578 0,115 Hipotesis Ditolak signifikan Dari hasil analisis hubungan antar konstruk yang terdapat pada Tabel 4 menunjukkan bahwa dari 2 hipotesis awal pada model penelitian, 1 hipotesis memiliki hubungan yang signifikan sementara 1 hipotesis tidak memiliki hubungan yang signifikan. Adapun hipotesis yang memiliki hubungan yang signifikan adalah hipotesis yang memiliki nilai CR lebih dari 1,96 dan nilai probability kurang dari atau sama dengan 0,05.




113

Hipotesis yang diterima menunjukkan adanya hubungan yang signifikan antara sikap penggunaan Internet terhadap minat belajar mahasiswa. Sementara dari hasil pengujian menunjukkan bahwa Norma Subjektif penggunaan Internet tidak memiliki hubungan yang signifikan terhadap minat belajar mahasiswa. 3.4.3 Kesimpulan Pengujian Hipotesis Setelah melalui beberapa tahapan analisis data menggunakan teknik SEM berbasis kovarians dengan memanfaatkan aplikasi AMOS 22, hasil akhir pengolahan data harus diinterpretasikan untuk membuktikan hipotesis penelitian yang telah diajukan. Berikut kesimpulan dari setiap hipotesis sebagai hasil dari analisis hubungan antar konstruk pada model penelitian. H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa Hipotesis ini terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model struktural, variabel sikap penggunaan internet memiliki hubungan yang signifikan terhadap variabel minat belajar mahasiswa. Sikap mahasiswa dalam menggunakan internet dapat menumbuhkan minat belajar mahasiswa. Kemudahan memperoleh informasi dari internet dapat menjadi salah satu motivasi mahasiswa untuk menumbuhkan minat belajar. H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa Hipotesis ini tidak terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model struktural, variabel norma subjekif penggunaan internet tidak memiliki hubungan yang signifikan terhadap variabel minat belajar mahasiswa. Hal ini menunjukkan bahwa pendapat orang disekitar tentang penggunaan internet tidak mampu untuk menumbuhkan minat belajar mahasiswa.

4. KESIMPULAN Adapun kesimpulan yang dapat diambil dalam pengaruh pemaanfaatan internet terhadap minat belajar adalah: 1. Model penelitian yang diadopsi dari TRA adalah model dapat diterapkan untuk mengetahui pengaruh penggunaan internet terhadap minat belajar mahasiswa. 2. Berdasarkan hasil pengujian, dapat dianalisis bahwa sikap responden dalam penggunaan internet memiliki pengaruh terhadap minat belajar responden yang dalam hal ini adalah mahasiswa. Dengan kata lain dapat disimpulkan bahwa sikap mahasiswa dalam menggunakan internet dapat menumbuhkan minat belajar mahasiswa. 3. Dari hasil pengujian juga menunjukkan bahwa norma subjektif yang dalam hal ini adalah pendapat orang di sekitar responden yang pendapatnya dipertimbangkan oleh responden tidak mampu untuk menumbuhkan minat belajar responden.

5. SARAN Adapun saran yang dapat disampaikan dalam penelitian ini yaitu penelitian ini diharapkan model penelitian ini dapat dikembangkan lebih lanjut, dapat dengan cara menghubungkan antar variabel yang telah dibangun di penelitian ini atau menambahkan variabel baru yang memungkinkan berdasarkan teori yang kuat. Model juga dapat dikembangkan dengan menggunakan model lain seperti Theory Planned Behavior (TPB) yang merupakan pengembangan dari Theory Reasoned Action (TRA) mengingat TRA masih memiliki Title of manuscript is short and clear, implies research results (First Author)

114



ISSN: 1978-1520

keterbatasan utama, yakni hanya digunakan untuk menjelaskan perilaku yang dikerjakan secara sukarela, bukan perilaku yang diwajibkan.

UCAPAN TERIMA KASIH Terima kasih kepada Ditjen Penguatan Riset dan Pengembangan Kementrian Riset, Teknologi, dan Pendidikan Tinggi untuk dukungan dana penelitian.

DAFTAR PUSTAKA [1]

Achmat, Zakarija., 2010, Theory of Planned Behaviour Masihkah Relevan.[Online], Avalaible:http://zakarija.staff.umm.ac.id/files/2010/12/Theory-of-Planned-BehaviorMasihkah-relevan1.pdf .[Accessed 7 April 2016].

[2]

Fakhrunnisa, A., Astuti, E. S., & Susilo, H. (n.d.), Pengaruh Persepsi Kemanfaatan dan Sikap Pengguna Terhadap Minat Menggunakan Internet (Studi pada Tenaga Kependididkan di Fakultas Ilmu Administrasi Universitas Brawijaya Malang), Fakultas Ilmu Administrasi Universitas Brawijaya, Malang.

[3]

Gialamas, V., Nikolopoulou, K., & Koutromanos, G. 2013, Student's Teacher Perceptions About The Impact of Internet Usage on Their Learning and Jobs, Computers & Education, 1-7.

[4]

Ghozali, I., 2007, Analisis Multivariate Dengan Program SPSS Edisi Kelima, Universitas Diponegoro, Semarang.

[5]

Hair Jr, J., Black, W., Babin, B., & Anderson, R.2006, Multivariate Data Analysis (6th edition), Upper Saddle River: NJ: Pearson Prentice Hall.

[6]

Jogiyanto, H.M., 2007, Sistem Informasi Keperilakuan, Edisi Revisi, Andi, Yogyakarta.

[7]

Mahatanankoon, P., & Igbaria, M. 2004, Impact of Personal Internet Usage on Employee's Well-Being, Information Science Publishing, 246 - 263.

[8]

Morissan, et al. 2012, Metode Penelitian Survei, Kencana, Jakarta.

[9]

Pramono, B.S. 2013, Pengaruh Minat Belajar dan Kualitas Media Pembelajaran Terhadap Prestasi Belajar Mahasiswa Pendidikan Akuntansi pada Mata Kuliah Manajemen Keuangan Angkatan 2010,Strata 1, Fakultas Keguruan dan Ilmu Pendidikan Universitas Muhammadiyah, Surakarta.

[10] Qomariyah, A. N. 2009, Perilaku Penggunaan Internet pada Kalangan Remaja di Perkotaan, Fakultas Ilmu Sosial dan Ilmu Politik, Universitas Airlangga,Surabaya. [11] Wardhani, R.A.S.K., 2013, Hubungan Pemanfaatan Internet Sebagai Sumber Belajar dan Minat Belajar dengan Prestasi Belajar Sosiologi Siswa Kelas XI Ilmu Pengetahuan Sosial SMA Negeri 4 Surakarta Tahun Ajaran 2012/2013, Strata 1, Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret, Surakarta.




115

[12] Widiatika, I., & Sensuse, D. 2008, Pengembangan Model Penerimaan Teknologi Internet Oleh Pelajar dengan Menggunakan Konsep Technology Acceptance Model (TAM,.Jurnal Sistem Informasi MTI - UI, 81-92. [13] Wijanto, S. H. 2008, Strucktural Equation Modeling dengan Lisrel 8.8: Konsep dan Tutorial, Graha Ilmu, Jakarta. [14] Zin, N.H.M, Muda, M, & Nordin, M.Z. 2013, Uses and Gratification Of Internet Among University Students In Malaysia,[online] Retrieved: [5 September 2013].


116

ISSN: 2407-4322

Pengembangan Model Rantai Pasok Minyak Goreng Untuk Meningkatan Produktivitas Menggunakan Sistem Dinamik pada PT XYZ Donaya Pasha*1,2, Erma Suryani2 Fakultas Teknologi Informasi; Kampus ITS Sukolilo Surabaya, Telp: (031) 599 9944 Jurusan Sistem Informasi, FTI ITS, Institut Teknologi Sepuluh Nopember, Surabaya 2 STMIK Teknokrat; Jalan ZA Pagar Alam No 9-11 Bandar Lampung, Telp: (0721) 702022 Jurusan Sistem Informasi, STMIK Teknokrat, Perguruan Tinggi Teknokrat, Lampung e-mail: *[email protected], [email protected] 1,2

Abstrak Elemen-elemen sistem penyusun rantai pasok PT XYZ pada penelitian ini terdiri dari supplier, produsen, dan konsumen. Pada rantai pasok produsen, produksi minyak goreng menglami deficit terhadap permintaan minyak goreng dalam negeri. Hal tersebut dikarenakan adanya faktor penurunan produktivitas seperti pengaruh jenis bibit yang digunakan, umur tanaman, curah hujan dan proses panen fraksi TBS yang tidak merata. Pada penelitian ini diusulkan pengembangan model rantai pasok minyak goreng untuk meningkatan produktivitas menggunakan sistem dinamik. Metode yang diusulkan terdiri dari tiga tahapan utama, tahap pertama pemodel sistem untuk pembuatan model konsep causal loop diagram. Tahap kedua adalah causal loop diagram untuk dijadikan model sistem dinamik. Tahap terakhir adalah formulasi model untuk menentukan perilaku dinamis yang diakibatkan oleh asumsi-asumsi dari model. Hasil dari penelitian ini adalah sebuah pengembangan model rantai pasok minyak goreng untuk meningkatkan produktivitas menggunakan sistem dinamik. Hasil simulasi skenario, metode yang diusulkan berhasil meningkatkan produktivitas TBS sebesar 28.3% (Ton) per hektar per tahun dan produksi minyak goreng mengalami surplus dengan rata-rata 30.31%. Kata kunci: Sistem Dinamik, Skenario, Rantai Pasok, Produktivitas TBS.

Abstract Constituent elements of the supply chain system of PT XYZin this study consists of a supplier, manufacturer, and consumers. On the supply chain manufacturers, the production of cooking oil menglami deficit against the demand for cooking oil in the country. That is because the existence of factors such as productivity decline in the influence of the type of seeds are used, the age of the plant, and the process of rainfall harvesting faction TBS uneven. This proposed research on the development model of the supply chain to improve the productivity of cooking oil using dynamical systems. The proposed method consists of three main stages, the first stage of the modelling system Modeler concept of causal loop diagrams. The second stage is a causal loop diagram for the model of dynamic systems. The last stage is the formulation of the model to determine the dynamic behavior caused by the assumptions of the model. The results of this research are the development of a supply chain model of cooking oil to increase productivity using dynamic systems. The results of the simulation scenario, the proposed method is successfully increasing the productivity of the TBS of 17.6% (tons) per hectare per year and the production of cooking oil are having a surplus with an average 30.31%. Keywords: System Dynamic, Scenario, Supply Chain, Productivity TBS.


 117

Jatisi, Vol. 3 No. 2 Maret 2017 1. PENDAHULUAN

elapa sawit merupakan salah satu komoditi hasil perkebunan yang mempunyai peran cukup penting dalam kegiatan perekonomian di Indonesia. Kelapa sawit juga salah satu komoditas ekspor Indonesia yang cukup penting sebagai penghasil devisa negara sesudah minyak dan gas. Indonesia merupakan negara produsen dan eksportir kelapa sawit terbesar dunia. Selain peluang ekspor yang semakin terbuka, pasar minyak sawit dan minyak inti sawit di dalam negeri masih cukup besar. Pasar potensial yang akan menyerap pemasaran minyak sawit (CPO) dan minyak inti sawit (PKO) adalah industri fraksinasi/ranifasi (terutama industri minyak goreng), lemak khusus (cocoa butter substitute), margarine/shortening, oleochemical, dan sabun mandi. Dalam rangka menunjang peningkatan pembangunan industri minyak sawit di Indonesia diperlukan informasi mengenai potensi kelapa sawit Indonesia [1]. Konsumsi minyak sawit dunia telah meningkat secara signifikan selama bertahun-tahun, Indonesia telah mencatat nilai signifikan pencapaian pembangunan kelapa sawit dengan menjadi negara yang memproduksi kelapa sawit di dunia, baik dari segi areal perkebunan dan total produksi minyak kelapa sawit nasional [2]. Konsumsi minyak sawit dunia telah meningkat secara signifikan dikemukakan juga oleh Widodo [3] menyatakan bahwa dalam penelitiannya industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat puluh tahun terakhir. Sejak tahun 2006 Indonesia telah menjadi produsen minyak sawit (Crude Palm Oil = CPO) terbesar di dunia. Gabungan Pengusaha Kelapa Sawit Indonesia (GAPKI) mencatat produksi minyak sawit mentah (Crude Palm Oil/CPO) dan turunannya termasuk biodiesel dan oleochemical, mencapai 32, 5 juta (Ton) [4]. Sistem rantai pasok pada industri kelapa sawit memiliki batasan antara lain supplier bahan baku, produsen minyak kelapa sawit, konsumen dan hutan Indonesia [3]. Beberapa variabel yang perlu diperhatikan terkait dengan supplier yaitu luas lahan, lokasi, dan berapa (Ton) hasil panen setiap tahunnya. Produsen minyak kelapa sawit merupakan pengolah kelapa sawit yang berasal dari supplier menjadi minyak mentah. Konsumen sendiri terbagi menjadi dua. Konsumen dalam negeri merupakan pengguna minyak mentah sebagai bahan baku produk yang mereka olah, misalnya industri minyak goreng, sabun dan margarin. Sedangkan konsumen luar negeri yaitu terkait ekspor kelapa sawit, tujuan ekspor utama kelapa sawit Indonesia yaitu India, China, Belanda, Malaysia dan Singapura. Menurut Rika Ampuh Hadiguna [5], penelitian sistem rantai pasok agro industri CPO masih sangat jarang dilakukan. Beberapa penelitian yang pernah dilakukan sebelumnya hanya sebatas menganalisis supply chain model, analisis sistem makro supply chain CPO dengan pendekatan model dinamik yang mempertimbangkan aspek economical revenue, social welfare dan environment, memetakan permasalahan supply chain CPO, serta perencanaan produksi rantai pasok CPO. Penelitian ini menggunakan pendekatan sistem dinamik dengan memperhatikan batasan-batasan sistem rantai pasok downstream CPO minyak goreng. Pendekatan Supply Chain Management (SCM) diyakini oleh para akademisi, para peneliti, kalangan bisnis dan birokrat mampu mengintegrasikan setiap rantai distribusi dari pemasok, produsen, pengolah, pedagang besar dan eceran, serta menjamin adanya kualitas yang baik, kuantitas yang sesuai yang dibutuhkan, waktu pengiriman sebagaimana yang dijanjikan dan adanya kesinambungan dengan menganut prinsip minimisasi biaya [6]. Pendekatan Supply Chain Management (SCM) telah banyak digunakan sebagai salah satu model untuk meningkatkan keunggulan bersaing dalam industri [7]. Salah satu pemanfaatan sistem dinamik menurut Lembito [7] yaitu Model dinamik mampu mensimulasi perilaku sistem supply chain CPO dan dapat meramalkan kondisi supply chain CPO untuk waktu yang akan datang serta berorientasi pada aspek produksi, aspek pendapatan usaha, aspek biaya usaha. Menurut Widodo [3] pendekatan sistem dinamik juga dapat menerapkan simulasi sistem dinamik untuk mengetahui kondisi supply chain CPO dalam kurun waktu 30 tahun mendatang serta berorientasi pada aspek economical revenue, social

K


118

ISSN: 2407-4322

welfare dan environment. Pentingnya penelitian model dinamik sebagai analisa model rantai pasok terkait ketersediaan kelapa sawit dikemukakan juga oleh [2]. Dengan pendekatan sistem dinamik penelitian ini akan memperoleh base model dan skenario terbaik untuk dapat mampu meningkatkan produktivitas rantai pasok industri CPO minyak goreng di PT Tunas Baru Lampung. Produktivitas rantai pasok dapat dilihat dari sub model produksi TBS, sub model produksi CPO dan sub model produksi minyak goreng, dikarnakan produksi CPO di Indonesia dari tahun ketahun selalu meningkat [3], menurut Atmojo [8] produksi CPO dipengaruhi oleh jumlah produksi Tandan Buah Segar (TBS), produksi Tandan Buah Segar (TBS) kelapa sawit tidak lepas dari produktivitas lahan, semakin banyak per hektar lahan maka produksi TBS (Tandan Buah Segar) akan naik, semakin tinggi produksi CPO akan mempengaruhi stok CPO, stok CPO dipengaruhi oleh pemanfaatan CPO yang terdiri dari pengolahan CPO dan produksi CPO. Berdasarkan skenario model Suryani [9] terdapat 6 fraksi untuk mendapatkan model produktivitas yaitu fraksi 0 memiliki sifat fraksi mentah dengan rendemen minyak 16%, fraksi kedua adalah fraksi 1 memiliki sifat fraksi mendekati mentah dengan rendemen minyak 21.4%, fraksi ketiga adalah fraksi 2 memiliki sifat fraksi matang dengan rendemen minyak 22.1%, fraksi keempat adalah fraksi 3 memiliki sifat fraksi matang dengan rendemen minyak 22.2%, fraksi kelima adalah fraksi 4 memiliki sifat fraksi lewat matang dengan rendemen minyak 22.2%, fraksi keenam adalah fraksi 5 memiliki sifat fraksi terlalu matang dengan rendemen minyak 21.9%. Maksimal rendemen tertinggi Indonesia sebesar 20% [10]. Selama ini perusahaan memproduksi tandan buah segar dengan rata-rata produktivitas sebesar 8% setara dengan 9 (Ton) tandan buah segar per hektar per tahun. Namum dari rata-rata produktivitas tandan buah segar tersebut belum memenuhi standar rata-rata di Indonesia sebesar 12 - 27 (Ton) per hektar per tahun. Penyebab rendahnya produktivitas tandan buah segar diakibatkan beberapa faktor seperti pengaruh jenis bibit yang digunakan, umur tanaman, curah hujan dan proses panen fraksi TBS yang tidak merata serta pada proses panen yang dilakukan oleh rantai pasok supplier tidak dilakukan pensortiran kematangan berdasarkan fraksi yang dipanen sehingga nilai Oil Extraction Rate (OER) belum optimal. Untuk mengetahui hasil peningkatan produktivitas dari sub model rantai pasok minyak goreng CPO dapat pula diketahui dengan cara membandingkan skenario simulasi dengan skenario Do Nothing. Dalam penelitian ini cakupan rantai pasok industri CPO minyak goreng di PT Tunas Baru Lampung terdiri dari suppliers, produsen, dan konsumen dalam negeri khususnya Provinsi Lampung. Oleh karena itu, pada penelitian ini diusulkan pengembangan model rantai pasok minyak goreng untuk meningkatan produktivitas menggunakan sistem dinamik. Kontribusi pada penelitian ini adalah peningkatan produktivitas rantai pasok minyak goreng. Pada penelitian ini juga dilakukan pendekatan sistem dinamik untuk mengetahui pola pemodelan rantai pasok minyak goreng.

2. METODE PENELITIAN Pada tahap pengumpulan data, penelitian ini menggunakan data primer pada PT Tunas Baru Lampung. Data yang digunakan pada penelitian ini adalah berupa data luas lahan, data produksi Tandan Buah Segar (TBS), data produksi Crude Palm Oil (CPO), data produksi minyak goreng dan data permintaan minyak goreng. Data-data tersebut digunakan sebagai variabel-variabel yang signifikan maupun variabel pembantu yang saling berpengaruh untuk pemodelan sistem yang akan disimulasikan. Data yang terkumpul untuk selanjutnya dianalisis dan akan digunakan sebagai bahan dalam tahapan selanjutnya yaitu pembuatan causal loop diagram. Berikut metode penelitian yang menggambarkan tahapan penelitian yang dilakukan, metode dalam penelitian ini terdiri dari tiga tahapan utama yaitu: pemodelan sistem, causal loop


 119


diagram, dan formulasi model yang merupakan kontribusi pada penelitian ini (garis putus berwarna merah), seperti ditunjukan pada Gambar 1. Pengumpulan Data

Pemodelan Sistem

Causal Loop Diagram

Formulasi Model Validasi Data

Perlakuan Model Dengan Skenario

Analisa Hasil Simulasi

Kesimpulan dan Saran

Gambar 1. Metode Penelitian 2.1 Pemodelan Sistem Pemodelan sistem merupakan pembuatan model konsep untuk menggambarkan kondisi awal pada tempat studi kasus sesuai dengan beberapa teori yang digunakan pada penelitian ini, model tersebut dalam bentuk causal loop diagram (CLD) atau yang biasa disebut diagram kausatik yang mengacu pada sumber pustaka utama. Diagram ini digunakan sebagai dasar untuk pengembangan model sebelum dilakukan proses simulasi dengan menggunakan metode sistem dinamik. Dari simulasi yang telah dilakukan, kemudian validasi untuk memastikan bahwa model yang telah dibuat sudah sesuai dengan sistem yang sedang berjalan saat ini. Dalam diagram kausatik tersebut terdapat beberapa variabel terkait rantai pasok industri minyak goreng CPO di PT Tunas Baru Lampung, diantaranya luas lahan perkebunan kelapa sawit, produksi TBS, produktivitas TBS, produksi CPO, dan produksi minyak goreng, serta permintaan minyak goreng. 2.2 Causal Loop Diagram Pada tahap ini pembuatan Causal Loop Diagram dengan menggunakan software simulasi Vensim PLE x32, tahap ini dimulai dengan membuat causal loop diagram, selanjutnya, masih menggunakan aplikasi yang sama, akan dilakukan konversi terhadap Causal Loop Diagram yang telah dibuat di tahap sebelumnya untuk dijadikan model sistem dinamik. 2.3 Formulasi Model Pada tahap formulasi model merupakan proses untuk mengubah konsep sistem atau struktur model yang telah disusun kedalam bentuk persamaan-persamaan atau bahasan komputer dan merupakan transformasi dari suatu pandangan konseptual informal ke pandangan konseptual formal, atau representasi model secara kuantitatif. Tujuan dari usaha perumusan model adalah agar memungkinkan model tersebut disimulasikan untuk menentukan perilaku


120

ISSN: 2407-4322

dinamis yang diakibatkan oleh asumsi-asumsi dari model. Struktur dasar dalam permodelan system dynamics terdiri dari persamaan level, persamaan rate, persamaan auxiliary, persamaan sisipan, persamaan nilai awal, persamaan eksogen, aliran material, dan aliran informasi. 2.4 Validasi Data Proses selanjutnya adalah validasi terhadap model yang sudah dibuat pada proses sebelumnya dengan tujuan untuk memastikan bahwa model yang dibuat benar-benar dapat mempresentasikan kondisi nyata. Proses verifikasi dilakukan dengan cara pengecekan pada model dan unit dengan menggunakan fasilitas yang terdapat pada software simulasi Vensim. Validasi model dilakukan untuk mengembangkan persamaan matematis yang telah dibuat menjadi sebuah model yang merepresentasikan permasalahan yang sebenarnya. Validasi dilakukan dengan cara mengkalibrasi hasil simulasi awal dengan data historis yang dimiliki. Validasi model bisa dilakukan dengan dua cara, yaitu validasi model dengan statistik uji perbandingan rata-rata (mean comparation) atau validasi model dengan cara uji perbandingan variasi aplitudo (% error variance) [11]. Dengan demikian proses validasi model dilakukan untuk menguji model yang dibuat apakah telah sesuai dengan sistem yang sebenarnya. Proses kalibrasi dapat dilakukan dengan cara manual atau dengan menggunakan software simulasi Vensim. Dua cara validasi yaitu [11]: (a) Perbadingan rata-rata (mean comparison) dan (b) Perbandingan variasi amplitudo (variance comparison). Perbandingan rata-rata (means comparison) dengan formula sebagai berikut: (1) S  nilai _ rata  rata _ hasil _ simulasi A  nilai _ rata  rata _ data

Model dianggap valid bila E1  5% Selanjutnya melakukan perbandingan variasi amplitudo (Variance Comparison) dengan formula sebagai berikut: (2) Ss = standard deviasi model Sa = standard deviasi data Model dianggap valid bila E2  30% Setelah model valid maka langkah selanjutnya adalah membuat beberapa skenario (eksperimen) untuk memperbaiki kinerja sistem sesuai dengan keinginan. 2.5 Perlakuan Model Dengan Skenario Ditahapan ini, model yang sudah dibuat diuji coba dengan beberapa perlakuan model dengan mencoba beberapa skenario untuk mendapatkan rekomendasi, beberapa rekomendasi skenario tersebut nantinya bisa digunakan sesuai kebutuhan. Pada tahap percobaan diawali dengan pembuatan skenario sesuai dengan kebutuhan yang ada ataupun untuk usulan rencana perbaikan sistem. Spesifikasi skenario [12] meliputi: a. Kondisi apa yang mungkin timbul dari lingkungan sistem b. Kebijakan yang mempengaruhi sistem yang ada di dunia nyata, bagaimana merepresentasikan dalam model. c. Analisis sensitivitas, yaitu bagaimana pengaruh rekomendasi sistem perbaikan terhadap kebijakan di bawah. Menurut Barlas [11] membedakan jenis skenario yang akan digunakan dalam pemodelan sistem dinamik, yaitu: a. Skenario parameter IJCCS Vol. x, No. x, July201x : first_page–end_page


 121

Dilakukan dengan cara mengubah nilai parameter dari model. Selanjutnya akan dilihat dampaknya terhadap hasil keluaran model. b. Skenario Struktur Dilakukan dengan cara mengubah struktur dari model. Skenario jenis ini memerlukan pengetahuan yang cukup mengenai sistem agar struktur baru yang diusulkan benar-benar dapat memperbaiki kinerja sistem. 2.6 Analisa Hasil Simulasi Setelah model divalidasi dan direkomendasikan dengan beberapa skenario, maka tahapan yang selanjutnya dilakukan adalah melakukan analisa terhadap hasil simulasi dari pengembangan awal model sistem yang telah dibuat, kemudian dilakukan perbaikan terhadap model awal berdasarkan hasil skenario yang telah diuji coba. 2.7 Penyusunan Kesimpulan dan Saran Tahap penyusunan kesimpulan dilakukan dengan menelaah secara keseluruhan terhadap apa yang telah dilakukan pada penelitian ini. Kesimpulan dibuat berdasarkan hasil studi literatur, desain metode penelitian, validasi data, analisis hasil simulasi dan penyusunan hasil yang diperoleh dari pengembangan model dan sistem rantai pasok industri CPO berdasarkan produk turunan minyak goreng kelapa sawit. Tahap terakhir dalam penelitian ini juga menganalisis dan membahas temuan keseluruhan dalam penelitian, terkait dengan kesimpulan hasil pengujian model sistem dinamik dan saran untuk peluang penelitian yang akan datang.

3. HASIL DAN PEMBAHASAN Pengumpulan data didapat dari data primer yang ada pada PT XYZ seperti laporan tahunan diperoleh data-data untuk periode 2007 sampai dengan 2016 serta hasil survei kegiatan produksi minyak goreng mulai dari supplier, produsen, dan konsumen. Pada hasil pembahasan simulasi pemodelan, rantai pasok pasok supplier terdiri dari sub model luas lahan. Rantai pasok produsen terdiri dari sub model produksi Tandan Buah Segar (TBS), sub model produksi Crude Palm Oil (CPO), dan sub model produksi minyak goreng yang langsung terhubung pada rantai pasok konsumen. 3.1 Pemodelan Sistem Untuk mengembangkan model sistem dinamik causal loop diagram diperlukan sebagai kerangka kerja untuk pengembangan model. Selain itu, beberapa langkah sistem dinamik yang dikembangkan adalah: 1) pemahaman sistem; 2) konseptualisasi sistem (pengembangan CLD); 3) mengkonversi CLD menjadi diagram alir untuk proses simulasi; 4) validasi model; 5) pengembangan skenario. 3.1.1 Causal Loop Diagram Diagram kausal pengembangan model rantai pasok minyak goreng untuk meningkatan produktivitas menggunakan sistem dinamik pada saat ini dapat dilihat pada Gambar 2. Diagram kausal menggambarkan hubungan antara supplier, produsen, dan konsumen. Diagram ini menunjukan penyebab dan akibat dari struktur sistem. Dari masing-masing anak panah menunjukkan penyebab atau akibat dari hubungan dua variabel. Tanda + memberikan pengertian pengaruh positif atau kenaikan pada variabel yang dituju. Tanda – memberikan pengertian pengaruh negatif atau penurunan pada variabel yang dituju.


122

ISSN: 2407-4322

Variabel yang dicetak miring adalah variabel berdasarkan pemodelan yang telah dilakukan pada penelitian terdahulu [2,3,9,13,14] dan sesuai dengan pengembangan model rantai pasok minyak goreng pada PT Tunas Baru Lampung. Sedangkan yang tidak dicetak miring adalah variabel baru yang ditambahkan pada sistem sesuai dengan kondisi rantai pasok minyak goreng PT Tunas Baru Lampung.

Luas lahan Nucleus

+

Luas lahan + Sawit + Kelapa +

Luas lahan Plasma

+ Produktifitas lahan + +

Pembukaan lahan kelapa sawit baru

Manajemen Input

Jumlah tanaman

Luas lahan 3rd Party

Kerusakan lingkungan +

Degradasi lahan

Pemilihan bibit +

Umur tanaman Produktifitas + TBS + Curah hujan

+ Produksi TBS

Pasokan TBS Nilai Rendemen OER

Pendapatan industri

+ +

+

Fraksi mentah panen

Produksi CPO + +

Fraksi matang panen

+

Penjualan minyak goreng

+ Produksi minyak

+

+

Permintaan minyak goreng

goreng

+

Permintaan minyak goreng dalam negeri

Fraksi terlalu matang panen

Gambar 2. Causal Loop Diagram Pengembangan Model Rantai Pasok Minyak Goreng untuk Meningkatan Produktivitas Menggunakan Sistem Dinamik pada PT XYZ 3.2 Formulasi Model Untuk mengubah konsep sistem atau struktur model yang telah disusun kedalam bentuk persamaan-persamaan atau bahasan komputer dan merupakan transformasi dari suatu pandangan konseptual informal ke pandangan konseptual formal, atau representasi model secara kuantitatif. Pada tahap ini pengembangan model dilakukan, mengkonversi CLD menjadi diagram alir untuk proses simulasi. 3.2.1 Sub Model Luas Lahan Luas lahan kelapa sawit merupakan salah satu faktor yang mempengaruhi produksi CPO. Dengan mengetahui luas lahan PT XYZ, dapat digunakan untuk menentukan produktivitas lahan. Untuk menghitung total luas lahan perkebunan kelapa sawit (TLLPKS) digunakan persamaan (3), dimana luas lahan perkebunan Nucleus (LLPN) dengan satuan (Ha) ditambah luas lahan perkebunan Plasma (LLPP) dengan satuan (Ha) ditambah luas lahan perkebunan 3rd Party (LLP3P) dengan satuan (Ha). (3) Hasil simulasi luas lahan dapat dilihat pada Gambar 3, dari Gambar 3 dapat dilihat bahwa total luas lahan perkebunan mencapai 110.000 hektar pada tahun 2016. Total luas lahan perkebunan

Total luas lahan dalamHa

200,000

168,000

135,000

103,000

70,000 2007

2008

2009

2010

2011 2012 Time (Year)

2013

2014

2015

2016

Total luas lahan perkebunan : base model

Gambar 3. Total Luas Lahan Perkebunan


 123


3.2.2 Sub Model Produktivitas Tandan Buah Segar (TBS) Produktivitas TBS merupakan variabel penting yang mempengaruhi terhadap hasil produksi TBS. Produktivitas TBS dipengaruhi oleh variabel produktifitas bibit berdasarkan jenis bibit yang dipakai, variabel pengaruh umur tanaman berdasarkan umur tanaman, dan variabel pengaruh curah hujan berdasarkan curah hujan. Rata-rata umur tanaman kelapa sawit PT XYZ adalah 10 tahun dengan rata-rata produktivitas tandan buah segar Nucleus, Plasma, 3rd Party sebesar 8% setara dengan 9 ton per hektar per tahun. Namun dari hasil rata-rata produktivitas tersebut belum memenuhi standar rata-rata produktivitas di Indonesia sebesar 12-27 Ton per hektar per tahun [15]. Untuk menghitung produktivitas tandan buah segar (PTBS) dengan satuan Ton per hektar per tahun digunakan persamaan 4, dimana rate in (RI) dikurang rate out (RO). (4) Hasil simulasi produktivitas TBS dapat dilihat pada Gambar 4, dari Gambar 4 dapat dilihat bahwa rata-rata produktivitas TBS dari tahun 2007-2016 sebesar 8% setara dengan 9 ton per hektar per tahun. Produktifitas TBS

Ton Perhektar Per Tahun

8

7.75

7.5

7.25

7 2007

2008

2009

2010

2011 2012 Time (Year)

2013

2014

2015

2016

Produktifitas TBS : base model

Gambar 4. Produktivitas Tandan Buah Segar (TBS) 3.2.3 Sub Model Produksi Tandan Buah Segar (TBS) Produksi TBS di PT XYZ dari tahun ketahun memiliki kecendrungan meningkat. Produksi TBS Nucleus, Plasma, dan 3rd Party dipengaruhi oleh luas lahan perkebunan Nucleus, Plasma, dan 3rd Party dan produktivitas TBS Nucleus, Plasma, dan 3rd Party. Berdasarkan data olahan PT XYZ, untuk mendapatkan total produksi TBS Nucleus (TPTBSN) dengan satuan (Ton) per hektar per tahun digunakan persamaan 5, dimana luas lahan perkebunan Nucleus (LLPN) dengan satuan (Ha) dikali produktifitas Nucleus (PN) dengan satuan (Ton) per hektar per tahun. (5) Hasil simulasi produksi TBS Nucleus dapat dilihat pada Gambar 5 (a), dari Gambar 5 (a) dapat dilihat bahwa rata-rata produksi TBS Nucleus dari tahun 2007-2016 sebesar 9 ton per hektar per tahun. Untuk menghitung total produksi TBS Plasma (TPTBSP) dengan satuan (Ton) per hektar per tahun digunakan persamaan 6, dimana luas lahan perkebunan Plasma (LLPP) dengan satuan (Ha) dikali produktifitas Plasma (PP) dengan satuan (Ton) per hektar per tahun. (6) Hasil simulasi produksi TBS Plasma dapat dilihat pada Gambar 5 (b), dari Gambar 5 (b) dapat dilihat bahwa rata-rata produksi TBS Plasma dari tahun 2007-2016 juga sebesar 9 ton per hektar per tahun.


124

ISSN: 2407-4322

Sedangkan untuk menghitung total produksi TBS 3rd Party (TPTBS3P) dengan satuan (Ton) per hektar per tahun digunakan persamaan 7, dimana luas lahan perkebunan 3rd Party (LLP3P) dengan satuan (Ha) dikali produktifitas 3rd Party (P3P) dengan satuan (Ton) per hektar per tahun. (7) Hasil simulasi produksi TBS 3rd Party dapat dilihat pada Gambar 5 (c), dari Gambar 5 (c) dapat dilihat bahwa rata-rata produksi TBS 3rd Party dari tahun 2007-2016 sama sebesar 9 ton per hektar per tahun.

(a)

(b) Gambar 5. Produksi Tandan Buah Segar (TBS)

(c)

3.2.4 Sub Model Produksi Crude Palm Oil (CPO) Total produksi CPO di PT XYZ memiliki rata-rata kenaikan produksi CPO sebesar 15% (setara 0.012 per bulan). Total produksi CPO dipengaruhi oleh variabel produksi TBS Nucleus, Plasma, 3rd Party dan variabel produksi CPO Nucleus, Plasma, 3rd Party. Untuk menghitung total produksi CPO (TPCPO) dapat diketahui menggunakan persamaan 8, dimana produksi CPO Nucleus (PCPON) dengan satuan (Ton) ditambah produksi CPO Plasma (PCPOP) dengan satuan (Ton) ditambah produksi CPO 3rd Party (PCPO3P). (8) Hasil simulasi produksi Crude Palm Oil (CPO) dapat dilihat pada Gambar 6, dari Gambar 6 dapat dilihat bahwa rata-rata produksi CPO dari tahun 2007-2016 sebesar 15% per bulan (Ton). Total produksi CPO

Total produksi CPOdalamTon

300,000

225,000

150,000

75,000

0 2007

2008

2009

2010

2011 2012 Time (Year)

2013

2014

2015

2016

Total produksi CPO : base model

Gambar 6. Total Produksi Crude Palm Oil (CPO) 3.2.5 Sub Model Produksi Minyak Goreng Total produksi minyak goreng diketahui rata-rata peningkatan minyak goreng setiap tahun sebesar 12% (setara 0.010 per bulan). Untuk menghitung total produksi minyak goreng (TPMG) Ton, dapat diketahui menggunakan persamaan 9 dimana total produksi minyak goreng Nucleus (TPMGN) dengan


 125


satuan (Ton) ditambah total produksi minyak goreng Plasma (TPMGP) dengan satuan (Ton) ditambah total produksi minyak goreng 3rd Party (TPMG3P) dengan satuan (Ton). (9) Hasil simulasi total produksi minyak goreng dapat dilihat pada Gambar 7, dari Gambar 7 dapat dilihat bahwa rata-rata produksi minyak goreng dari tahun 2007-2016 sebesar 12% (Ton).

Gambar 7. Total Produksi Minyak Goreng 3.3 Validasi Model Validasi model diperlukan untuk memeriksa keabsahan model. Model dianggap berlaku apabila tingkat kesalahan kurang dari 5% dan variance error kurang dari 30% [11]. Untuk mengetahui tingkat kesalahan dan variance error didefinisikan dalam persamaan (10) dan (11): (10)

(11)

Dimana:

Dimana:

S = nilai_rata-rata_hasil_simulasi A = nilai_rata-rata_data

Ss = standard deviasi model

Sa = standard deviasi data Model dianggap valid bila E1  5% Model dianggap valid bila E2  30% Tingkat kesalahan validasi model luas lahan, produksi Tandan Buah Segar (TBS), produksi Crude Palm Oil (CPO), dan produksi minyak goreng digambarkan sebagai berikut: Error rate luas lahan nucleus = (49500-49500)/49500 = 0% Error rate luas lahan plasma = (19500-19500)/19500 = 0% Error rate luas lahan 3rd Party = (30500-30500)/30500 = 0% Error rate produksi TBS nucleus = (601414.09-620618.70)/620618.70 = 3% Error rate produksi TBS plasma = (114985.83-120531.18)/120531.18 = 5% Error rate produksi TBS 3rd Party = (187834.15-186185.61)/186185.61 = 1% Error rate produksi CPO = (175532.11-172637.50)/172637.50 = 2% Error rate produksi minyak goreng = (27624.92-27843.90)/27843.90 = 1% Kesalahan variance validasi model luas lahan, produksi Tandan Buah Segar (TBS), produksi Crude Palm Oil (CPO), dan produksi minyak goreng digambarkan sebagai berikut: Error variance luas lahan nucleus = (1581.14-1581.14)/1581.14 = 0% Error variance luas lahan plasma = (1581.14-1581.14)/1581.14 = 0% Error variance luas lahan 3rd Party = (6851.60-6851.60)/6851.60 = 0% Error variance produksi TBS nucleus = (139527.00-121936.16)/121936.16 = 14% Error variance produksi TBS plasma = (26306.91-23822.18)/23822.18 = 10% Error variance produksi TBS 3rd Party = (40245.63-36580.85)/36580.85 = 10% Error variance produksi CPO = (60484.55-61160.75)/61160.75 = 1% Error variance produksi minyak goreng = (22020.75-21596.30)/21596.30 = 2% Berdasarkan perhitungan validasi model diatas kita dapat melihat bahwa semua tingkat kesalah kurang dari 5% dan kesalahan varians kurang dari 30%, yang berarti model dianggap valid.


126

ISSN: 2407-4322

3.3 Skenario Skenario diperlukan untuk meningkatkan kinerja sistem. Dalam hal ini skenario yang dirancang untuk meningkatkan produktivitas rantai pasok minyak goreng seperti, skenario produktivitas Tandan Buah Segar (TBS) dan skenario Oil Extraction Rate (OER). 3.3.1 Skenario produktivitas Tandan Buah Segar (TBS) Skenario ini dilakukan perubahan struktur dan parameter variabel. Variabel-variabel tersebut adalah produktivitas bibit (jenis bibit yang dipakai), pengaruh umur tanaman, dan pengaruh curah hujan serta parameter yang diubah adalah lanju penambahan lahan perkebunan. dengan penambah luas lahan Nucleus, Plasma, dan 3rd Party sebesar 1 (Ha), pemilihan jenis bibit Socfin dengan produktifitas sebesar 28.8 (Ton) per hektar per tahun, dan memiliki tanaman kelapa sawit pada umur produktif 8-12 tahun (Corley, 2003), serta pengaruh curah hujan yang ideal untuk pertumbuhan tanaman kelapa sawit sebesar 2000-2500 mm/tahun dengan kebutuhan air efektif kelapa sawit sebesar 1300-1500 mm/tahun (Lubis, 2008), maka berdasarkan hasil simulasi dengan menggunakan variabel-variabel dan parameter diatas, hasil produktivitas Tandan Buah Segar dapat ditingkatkan sebesar 28.3% (Ton) per hektar per tahun seperti yang ditunjukkan pada Gambar 8 (a) skenario perbandingan peningkatan produktivitas Tandan Buah Segar (TBS) Nucleus, Plasma, dan 3rd Party dan 8 (b) skenario perbandingan persentase peningkatan produktivitas Tandan Buah Segar (TBS). scn base model

Produktifitas TBS

Produksi TBS Nucleus 2M 1.5 M

Ton Perhektar Per Tahun

30

1M 500,000 0 Luas lahan perkebunan Nucleus 60,000 55,000 50,000 45,000 40,000 Produktifitas Nucleus 40 30 20 10 0 2007

22.5

15

7.5

0 2007 2009 2011.8

2016.5 Time (Year)

2021.3

2026

2011 2013

2015 2017 2019 Time (Year)

2021 2023

2025

Produktifitas TBS : scn Produktifitas TBS : base model

(a) (b) Gambar 8. Skenario Perbandingan Produktivitas Tandan Buah Segar (TBS) Sebelum dan Setelah Disimulasikan.

4. KESIMPULAN 1. 2.

Penelitian ini menghasilkan kerangka kerja untuk pengembangan model rantai pasok minyak goreng untuk meningkatkan produktifitas menggunakan sistem dinamik. Pada hasil skenario produktivitas Tandan Buah Segar (TBS), dengan penambah luas lahan Nucleus, Plasma, dan 3rd Party sebesar 1 (Ha), pemilihan jenis bibit Socfin dengan produktifitas sebesar 28.8 (Ton) per hektar per tahun, dan memiliki tanaman kelapa sawit pada umur produktif 8-12 tahun, serta pengaruh curah hujan yang ideal untuk pertumbuhan tanaman kelapa sawit sebesar 2000-2500 mm/tahun dengan kebutuhan air efektif kelapa sawit sebesar 1300-1500 mm/tahun, maka berdasarkan hasil simulasi dengan menggunakan variabel-variabel dan parameter tersebut, hasil produktivitas Tandan Buah Segar mampu meningkatkan sebesar 28.3% (Ton) per hektar per tahun dan produksi minyak goreng mengalami surplus dengan rata-rata 30.31%.


 127

Jatisi, Vol. 3 No. 2 Maret 2017 DAFTAR PUSTAKA [1]

Ulum, Miftahul dan Hariyanto, SST, MSi, 2014, Indonesian Oil Palm Statistics 2014, BPS- Statistics Indonesia Publishing, Diakses 23 Februari 2016, dari BPS Catalogue.

[2]

Lembito, H, 2013, Designing A Supply Chain System Dynamic Model Form Palm Oil Agro-Industries, International Journal of Information Technology and Business Management, Vol.12 No. 1. Widodo, K.H., Abdullah, A, dan Arbita, K.P.D, 2010, Sistem Supply Chain Crude-PalmOil Indonesia dengan Mempertimbangkan Aspek Economical Revenue, Social Welfare dan Environment, Jurnal Teknik Industri, Vol. 12, No.1, pp. 47-54.

[3]

[4]

GAPKI. 2016. Data Produksi CPO, Ekspor CPO, Nilai Ekspor CPO dan Turunannya (Palm Oil Conference). Online. http://gapki.or.id/ diakses 22 Februari 2016.

[5]

Hadiguna, R. A., Machfud, 2008, Model Perencanaan Produksi pada Rantai Pasok CrudePalm Oil dengan Mempertimbangkan Preferensi Pengambil Keputusan, Jurnal Teknik Industri, Vol. 10, No. 1, pp. 38-49.

[6]

Daryanto, Arief, 2009, Dinamika Daya Saing Industri Peternakan, IPB Press, Bogor.

[7]

Lembito, H, 2012, Achieving Competitive Advantage for Agribusiness Through Supply Chain Management A System Dynamics Simulation and SCOR Model Approach. Seminar 21- Modeling & Simulation (2) / Seminar (21)-04.

[8]

Atmojo, Suryo, 2015, Analisis Potensi Turunan CPO untuk Pemenuhan Kebutuhan Produk Turunan (Minyak Goreng, Sabun, dan Biodiesel). Tesis Program Magister Jurusan Sistem Informasi FTI ITS Surabaya: Diseminarkan.

[9]

Suryani, et al, 2015, The Development of System Dynamics Model To Analyze And Improve The Production of CrudePalm Oil Derivatives, Jurnal Teknologi (Sciences & Engineering), 77:18, pp. 87-91.

[10] Azrifirwan, STP, MEng, M. M., & Putri, STP, MP, R. E, 2008, Pengembangan Mesin Sortasi Tandan Kelapa Sawit Otomatis Berbasis Teknik Pemeriksaan Non Destruktif untuk Meningkatkan Produksi dan Kualitas CPO, Universitas Andalas. [11] Barlas, Y, 1996, Formal Aspects of Model Validity and Validation in System Dynamics, System Dynamics Review, 12, 183-210. [12] Sterman, J. D, 2000, Business Dynamics: System Thinking and Modeling for A Complex World, Publisher: Jeffrey J. Shelsfud. [13] Marimin dan Rahadiansyah, N.M. 2011, Disain Penilaian Risiko Mutu Dalam Rantai Pasok Minyak Sawit Kasar Dengan Pendekatan Sistem Dinamis. Guru Besar pada Departemen Teknologi Industri Pertanian, Institut Pertanian Bogor. [14] Wigena, I., H. S., Sudrajat, Sitorus, S.R. 2009, “Desain Model Pengolahan Kebun Kelapa Sawit Plasma Berkelanjutan Berbasis Pendekatan Sistem Dinamis”, Jurnal Agro Ekonomi, Volume 27 No. 1, 81-108.


128

ISSN: 2407-4322

[15] Ir. Sunarko, M. 2014, Budi Daya Kelapa Sawit di Berbagai Jenis Lahan, Agromedia Pustaka, Jakarta Selatan.


Jatisi, Vol. 3 No.2 Maret 2017

 129

Analisis Performa AES Untuk Sekuriti Jaringan Scada Berbasis ATMega16 Eka Puji Widiyanto1 AMIK MDP; Jl. Rajawali No.14, Palembang (0711) 376400, Fax: (0711) 376360 JurusanTeknik Komputer, AMIK MDP, Palembang e-mail:[email protected]

1

Abstrak SCADA sebagai tulang punggung sistem kendali modern telah menjadi bagian tak terpisahkan dari berbagai sektor kehidupan, mulai dari sistem industri, ketenagaan, sampai dengan sektor militer dengan cakupan yang bersifat global. Namun hal ini mengundang kekhawatiran tersendiri disebabkan oleh sifat alami sistem SCADA yaitu bahwa semua sistem SCADA konvensional memiliki celah keamanan yang amat besar karena pada dasarnya keamanan bukan menjadi perhatian utama sebuah sistem SCADA. Untuk mengatasi hal tersebut maka pada penelitian ini akan dikaji penerapan metode keamanan berbasis enkripsi untuk menjamin keamanan transaksi data di dalam sebuah sistem SCADA. Penelitian ini akan menerapkan penggunaan enkripsi dan dekripsi AES 128 bit pada mikroprosesor 8 bit yaitu AVR ATMEGA16 dengan clock 11,0592MHz. Pada sistemnya, AES memerlukan waktu 40s untuk mengenkripsi 16 byte data dan memerlukan waktu 60s untuk mendekripsinya kembali. Dengan performa ini maka diharapkan penggunaan AES sebagai metode enkripsi data dapat diterapkan secara menyeluruh sampai ke level terendah dari sistem SCADA yaitu pada level instrumen kendali yang berada di lapangan yang pada akhirnya akan meningkatkan reliabilitas sistem secara global. Kata kunci: SCADA, AES, Mikroprosesor, Enkripsi, AVR.

Abstract SCADA as the backbone for modern sontrol system has been unseparated part of human daily life, from industrial system, powerline, to military system with its global and vast scope. SCADA by nature is not safe, and because of that reason there is a big security hole in every SCADA system that threatens its functionality. To overcome this, security concept must be applied to existing SCADA system in the form on data encryption. AES 128 bit is used as the encryption method on an 8 bit microprocessor AVR ATMEGA16 clocked at 11.0592MHz. Based on this chip, AES executed with total time of 40s to encrypt 16 bytes block of data and require 60s for decryption. With this performance on an 8 bit chip architecture, using AES as encryption for any field object in SCADA system is very advisable to achieve higher security level. Keywords: SCADA, AES, Microprocessor, Encryption, AVR.


130

ISSN: 1978-1520

1. PENDAHULUAN Supervisory control and data acquisition (SCADA) merupakan suatu sistem jaringan kontrol yang terintegrasi baik secara lokal maupun global. Sistem ini pada umumnya memegang peranan penting dalam pengaturan dan manajemen infrastruktur vital suatu organisasi, misalnya perusahaan, perkantoran, gedung, atau bahkan suatu negara [4][5]. SCADA memberikan informasi waktu nyata yang berkaitan dengan proses produksi, pengendalian sistem dengan metode yang lebih aman, ekonomis, namun lebih handal. Keuntungan ini diperoleh sebagai hasil dari kombinasi sistem perangkat keras dan perangkat lunak dengan kemajuan sistem komunikasi. Namun hal ini tidak diimbangi dengan sistem keamanan yang memadai sehingga membuat sistem SCADA pada umumnya rentan terhadap gangguan keamanan, baik dari dalam maupun luar.SCADA didefinisikan sebagai: 1. Suatu teknologi yang memungkinkan pengguna untuk mengumpulkan data dari satu atau lebih tempat yang jauh dan atau mengirimkan perintah ke tempat tersebut. [1] 2. Suatu sistem operasi dengan sinyal komunikasi yang terkode melalui suatu kanal komunikasi untuk memberikan akses kontrol terhadap suatu RTU (RemoteTerminalUnit) [2]. Menurut Krutz [3] dan Stouffer [7], sistem SCADA memiliki elemen-elemen yang didefinisikan sebagai berikut: 1. Operator Operator manusia yang melakukan pengawasan terhadap sistem SCADA dan pengendalian terhadap sistem kendali yang berada di tempat yang jauh. 2. Human Machine Interface (HMI) Subsistem yang berfungsi untuk merepresentasikan data kepada operator dalam bentuk yang beragam seperti grafik, skematik, jendela informasi, menu, layar sentuh, dan bentuk lainnya. 3. Master Terminal Unit (MTU) Subsistem yang bertugas mengumpulkan data dari satu atau lebih fasilitas yang jauh dan menampilkan informasi kepada operator. MTU pada umumnya dipergunakan dalam sistem SCADA berbasis masterslave. 4. Sistem Komunikasi Merupakan metode komunikasi antara MTU dan RTU. 5. Remote Terminal Unit (RTU) Subsistem yang berfungsi untuk mengirimkan sinyal ke berbagai peralatan yang berada di lapangan, mengumpulkan data, dan mengirimkannya ke MTU melalui sistem komunikasi yang telah ditentukan. Penelitian mengenai keamanan pada sistem SCADA telah berkembang seiring dengan perkembangan sistem komunikasi yang semakin pesat utamanya dengan perkembangan internet. SANDIA [11] pada tahun 2002 telah mengembangkan sistem keamanan berbasis kunci terdistribusi untuk SCADA. Metode yang dikembangkan menggunakan sistem yang terpisah antara MTU dan RTU di mana kedua sisi ini memiliki kunci yang terpisah juga. MTU memegang kunci semua RTU yang terkoneksi sedangkan semua RTU memiliki kunci yang sama untuk melakukan proses enkripsi dan dekripsi pesan dari dan ke MTU. Pada tahun 2006 dikembangkan sistem SKMA [12]. Sistem ini mengharuskan MTU dan RTU menggunakan dan menyimpan banyak kunci sejumlah RTU dan MTU yang terkoneksi ke dalam sistemnya. Pada tahun 2008 Choi et al. [13] mengembangkan sistem manajemen kunci untuk SCADA berbasis hierarki. Pada sistemnya maka MTU dan RTU dikonfigurasikan dalam konfigurasi bintang sehingga mengakibatkan antara MTU, SUB-MTU, dan RTU tidak dapat saling berkomunikasi satu sama lain secara langsung. Sistemnya mengharuskan MTU, SUB-MTU, dan RTU menyimpan kunci dengan jumlah lebih banyak daripada skema yang telah dikemukakan sebelumnya. Sistem keamanan untuk SCADA berbasis web menggunakan smartphone [8] juga telah dikemukakan pada tahun 2011. Namun sistem ini hanya meliputi keamanan pada bagian HMI saja, bukan pada komunikasi antara MTU dan RTU. Pada penelitian ini akan dirancang IJCCS Vol. x, No. x, July201x : first_page–end_page




131

dan diimplementasikan sistem SCADA residensial berbasis mikroprosesor 8 bit dengan protokol komunikasi yang terenkripsi AES. Cakupan penelitian ini akan difokuskan pada level yang paling rendah dari sistem SCADA yaitu level komunikasi antara MTU dan RTU yang berada di lapangan. Hal ini diambil dari fakta bahwa level inilah yang pada umumnya tidak ada proses keamanan apapun, baik otorisasi maupun enkripsi. Karena sistem SCADA memegang peranan penting dalam pengendalian objek vital, maka perlu dikembangkan sistem SCADA dengan tingkat keamanan yang tinggi, baik secara perangkat keras, maupun perangkat lunak. Hal ini merupakan suatu spesifikasi yang harus dipenuhi oleh sebuah sistem SCADA konvensional yang umumnya tidak terproteksi dan tidak memiliki sistem logging apapun [10]. Selain itu banyaknya kelemahan sistem SCADA konvensional seperti penggunaan port standar yang terbuka sebagai port perawatan, konfigurasi, dan monitoring, penggunaan satu frekuensi standar dalam sistem komunikasinya, dan tidak adanya sistem otentifikasi dan enkripsi semakin membuat sistemnya mudah sekali untuk diserang. Dalam penelitian ini akan dikembangkan suatu sistem transmisi SCADA dengan memanfaatkan enkripsi data berbasis AES[8]. Sistem SCADA akan diimplementasikan sebagai pengendali peralatan residensial. Kunci untuk sistem ini akan diimplementasikan dalam bentuk perangkat keras berbasis keping silikon dengan panjang kunci sebesar 64 bit. Masing-masing perangkat RTU dalam sistem yang didesain akan memiliki kunci yang berbeda-beda dengan kemungkinan kesamaan yaitu 1 berbanding 264.

2. METODE PENELITIAN Dalam melakukan penelitian ini, dipergunakan metode Prototyping dengan tahap-tahapan yaitu perencanaan, perancangan, evaluasi desain, pembangunan sistem, pengujian sistem, dan implementasi sistem. 2.1 Perencanaan Pada tahap ini maka disusun rancangan awal sistem, fitur yang akan dikembangkan, perangkat keras dan lunak yang akan dipergunakan, representasi algoritma AES yang akan diimplementasikan, serta proses evaluasi kinerja sistemnya. Untuk melakukan proses enkripsi dekripsi AES pada sistem yang dirancang, maka dipergunakan flowchart seperti pada Gambar 1. Pada setiap prosesnya maka akan dilakukan proses enkripsi dekripsi n-byte data dengan AES untuk selanjutnya dibandingkan kinerjanya dalam hal waktu komputasi dan validitas datanya.


132

ISSN: 1978-1520

Gambar 1. Flowchart Sistem 2.2 Perancangan Pada tahap ini penerjemahan dari keperluan atau data yang telah dianalisis ke dalam bentuk yang mudah dimengerti user, prototipe didesain dengan membuat perancangan sementara yang berfokus pada penyajian sistem. Sebagai tahap awal maka disusun simulasi dari sistem yang akan diimplementasikan sehingga didapatkan gambaran awal kelayakan operasional sistemnya, apakah layak diimplementasikan secara riil ataukah tidak dalam sebuah sistem SCADA. 2.3 Evaluasi Desain Pada tahap ini, dilakukan evaluasi terhadap desain sistemnya. Apakah rancangan sistem yang dibuat sudah sesuai dengan yang diharapkan. Jika tidak, maka desain akan direvisi dengan mengulang langkah sebelumnya. 2.4 Pembangunan Sistem Dalam penelitian ini dirancang sistem SCADA berukuran kecil dengan mikroprosesor yaitu ATMEGA16 dengan bahasa pemrogramannya yaitu C [6]. Sebagai identifikasinya maka dipergunakan 1-Wiredevice yaitu keping silikon DS2401 yang memiliki nomor serial 64 bit yang unik di dalamnya [9]. Guna melindungi datanya maka dipergunakan sistem enkripsi berbasis AES 128 bit dengan kunci yang dibangkitkan dari nomor identifikasinya sendiri yang diduplikasi 2 kali [10]. Sistem ini akan disimulasikan menggunakan ISIS Proteus. Dari simulasi ini akan diukur performa AES 128 bit untuk berbagai ukuran data sehingga dapat diketahui kelayakan AES pada mikroprosesor 8 bit. Enkripsi sebagai jantung dari keamanan datanya tidak boleh menyebabkan terjadinya overhead baik dalam komputasi maupun komunikasinya [10].





133

Penggunaan kunci keamanan juga akan meningkatkan keamanan sistem transmisinya. Kunci dapat mempergunakan sistem preshared maupun publickeyinfrastructure [10]. 2.5 Pengujian Sistem Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibangun. Pengujian yang dilakukan adalah pengujian BlackBox meliputi pengujian algoritma dan kecepatan komputasinya. Jika pada pengujian sesuai kebutuhan maka dilakukan langkah selanjutnya, tetapi jika belum sesuai maka harus diulang kembali dari langkah sebelumnya. 2.6 Implementasi Sistem Pada tahap ini telah dibangun sistem yang sesuai dengan kebutuhan melalui proses pengujian yang dianggap telah berhasil dan sesuai. Kemudian dilakukan implementasi system kedalam mikrokontroler yang telah ditentukan agar dapat dipergunakan dan diuji secara riil.

3. HASIL DAN PEMBAHASAN Pengujian pertama dilakukan untuk mengetahui performa enkripsi AES pada sistem yang dipergunakan yaitu pada ATMEGA16 dengan kecepatan detak 11,0592MHz. Untuk melakukan proses enkripsi data 16 byte menggunakan kunci sepanjang 128 bit memerlukan waktu 400s seperti pada Gambar 2. Sedangkan untuk mendekripsi kembali datanya maka dibutuhkan waktu sebesar 600s seperti pada Gambar 3. Pengukuran waktunya dilakukan dengan mengukur lebar pulsa yang dikeluarkan selama prosesnya menggunakan osiloskop yang disediakan pada simulatornya.

Gambar 2. Pulsa Total Waktu Enkripsi Data Sebesar 16 Byte


134

ISSN: 1978-1520

Gambar 3. Pulsa Total Waktu Dekripsi Data Sebesar 16 Byte Pengujian kedua dilakukan untuk mengetahui konsistensi performa enkripsi AES untuk memproses blok data yang banyak yaitu sebesar 1600 byte. Performa sistemnya tetap konsisten yaitu total waktu enkripsinya sebesar 40ms dan untuk total waktu dekripsinya yaitu sebesar 60ms seperti pada Gambar 4 dan 5. Untuk data hasil dekripsi semuanya memiliki kesamaan dengan data aslinya, sehingga proses enkripsi dekripsi AES telah berhasil dilakukan secara sempurna.

Gambar 4. Pulsa Total Waktu Enkripsi Data Sebesar 1600 Byte





135

Gambar 5. Pulsa Total Waktu Dekripsi Data Sebesar 1600 Byte

4. KESIMPULAN AES sebagai salah satu metode enkripsi yang kuat dapat dipergunakan pada pengamanan data sistem SCADA. Dengan waktu eksekusi di bawah 1ms untuk 16 byte data pada mikroprosesor 8 bit dengan clock 11,0592 MHz maka penggunaan AES pada sistem SCADA tidak akan memperlambat respon sistem secara umum. Implementasi arsitektur sistem keamanan komputer pada sistem SCADA modern akan meningkatkan reliabilitas sistem, terutama pada bagian sekuritinya, yang mana merupakan suatu hal yang diabaikan dalam arsitektur SCADA tradisional. Dengan adanya sistem SCADA yang memiliki level keamanan yang tinggi, maka akan meminimalkan probabilitas kompromisasi sistem baik dari faktor internal maupun eksternal.

5. SARAN Untuk meningkatkan pengembangan system ini kedepannya maka dapat ditempuh beberapa langkah berikut ini: 1. Mengimplementasikan system enkripsi dan dekripsi pada proses akuisisi riil berbasis modbus. 2. Penggunaan mikroprosesor dengan kemampuan enkripsi dekripsi internal seperti AVR XMEGA atau ARM. 3. Membangun modbus gateway berbasis enkripsi dekripsi AES sehingga tidak mengubah secara signifikan terhadap plant yang sudah ada.

UCAPAN TERIMA KASIH Penulis mengucapkan terimakasih kepada a. Bapak Johannes Petrus, S.Kom., M.T.I, CFP, selaku Direktur AMIK MDP yang telah memberikan kesempatan untuk pelaksanaan penelitian ini. b. Bapak Abdul Rahman, S.SI., M.T.I, selaku Ketua Program Studi Teknik Komputer yang telah memberikan kesempatan dan persetujuan untuk pelaksanaan penelitian ini.


136

ISSN: 1978-1520 DAFTAR PUSTAKA

[1]

Beaver et al. 2002, Key Management for Available:http://www.sandia.gov/scada/documents/013252.pdf.

SCADA

[Online],

[2]

B. Linke, 2008, June 19, Overview of 1-Wire Technology and Its Use[Online], Available: http://www.maxim-ic.com/app-notes/index.mvp/id/1796.

[3]

Dr. A. Goel and R.S. Mishra, 2009, “Remote Data Acquisition Using Wireless – SCADA System,” International Journal of Engineering, Vol. 3, No. 1, pp. 58-64, March 15.

[4]

D. Choi et al.,2009, “Advanced Key Management Architecture for Secure SCADA Communication,” IEEE Transactions on Power Delivery, Vol. 24,Nno. 3, pp. 1154-1163.

[5]

IEEE Standard, 1994, Definition, Specification, and Analysis of Systems Used for Supervisory Control, Data Acquisition, and Automatic Control, IEEE.

[6]

K. Stouffer et al.,2011, Guide to Industrial Control System (ICS) Security, NIST U.S. Department of Commerce, Gaithersburg.

[7]

R.L. Krutz, 2005, Securing SCADA System, Wiley, Indianapolis.

[8]

R.J. Robles et al., 2008, “Vulnerabilities in SCADA and Critical Infrastructure Systems,” International Journal of Future Generation Communication and Networking, Vol. 1, No. 1, pp. 99-104.

[9]

R.J. Robles and T. Kim, 2011, “Scheme to Secure Communication of SCADA Master Station and Remote HMI’s through Smart Phones,” Journal of Security Engineering, Vol. 8, No. 3, pp. 349-358.

[10] R. Dawson et al., 2006, ” SKMA A Key Management Architecture for SCADA Systems,” Fourth Australasian Information Security Workshop, Vol. 54, pp. 138-192. [11] S.F. Barret, 2009, Embedded System Design with the Atmel AVR Microcontroller, Morgan & Claypool Publishers, California. [12] S.A. Boyer, SCADA, 2009, Supervisory Control and Data Acquisition, The Instrumentation, Systems, and Automation (ISA) Society, North Carolina. [13] T. Amaio and T. Van, 2011,“IEEE 1711-2010 Security for Legacy SCADA Protocols,” Presented at The Industrial Control Systems Joint Working Group (ICSJWG), Long Beach, CA.



 137

Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian Pada Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung Anisah*1,Nia Novianti2 1,2SistemInformasi, STMIKAtma Luhur Pangkalpinang Jl.RayaSungailiat, Selindung Lama, PangkalanBaru-Bangka Telp: (0717) 433506 *1 E-mail: [email protected], 2 [email protected]

Abstrak Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung adalah unsure pelaksana pemerintah dibidang kebudayaan dan pariwisata, yang dipimpin oleh seorang kepala dinas. Salah satu unit kerja yang ada di sana adalah bagian kepegawaian yang menangani masalah kepegawaian. Pada saat ini system pengolahan data pegawai yang diterapkan Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung sudah menggunakan komputer,menggunakan aplikasi Microsoft Word dan Microsoft Excel yang di simpan pada folder,belum menggunakanbasis data (database) atau belum memanfaatkan Database Management System(DBMS) sebagai tempat untuk menyimpan data yang berkaitan dengan adminsitrasi kepegawaian, sehingga data tersebut masih berdiri sendiri-sendiri tanpa adanya keterkaitan antara satu data dengan data yang lainnya. Sehingga pada saat pembuatan laporan dan pencarian data adminsitrasi kepegawaian membutuhkan waktu yang lama, karena harus di cek satu persatusetiap dokumen yang ada. Agar pencarian data dan pembuatan laporan yang berkaitan dengan administrasi kepegawaian dapat dilakukan secara cepat, sebuah sistem informasi yang terkomputerisasiperlu untuk diterapkan agar semua permasalahan yang berkaitan dengan administrasi kepegawaian dapat teratasi. Sehingga dibutuhkan analisa dan perancangan sistem informasi adminsitrasi kepegawaian,yang dalam hal ini menggunakan metodologi berorientasi objek dengan menggunakan diagram Unified Modelling Language(UML). Kata kunci: Dinas Kebudayaan dan Pariwisata, Sistem Informasi Administrasi Kepegawaian, Diagram Unified Modelling Language (UML). Abstract Department of Culture and Tourism Bangka Belitung province is implementing elements of the government in the field of culture and tourism, handle by a Head Department . One of the units of work that there is a personnel department that handles staffing issues. At this time the data is processing system employee who applied the Department of Culture and Tourism Bangka Belitung province is already using a computer, using Microsoft Word and Microsoft Excel are stored in the folder, not to use a database (database) or not use the Database Management System (DBMS) as a place to save the data was related administrative personnel, so that the data is still standing on their own without the relationship between the data with others. So that why , in the preparation of reports and personnel administration the data takes a long time to search, because of it must be checked one by one every document was ouput. In order to find the data and preparing reports relating to personnel administration can be done quickly, a computerized information system needs to be applied to all issues relating to personnel administration can be resolved. So it takes the analysis and design of information

138

ISSN: 1978-1520

systems personnel administration, which is in this case using object-oriented methodologies usesDiagram Unified Modelling Language (UML). Keywords: Department of Culture and Tourism, information system personnel administration, Diagram Unified Modelling Language (UML).

1. PENDAHULUAN Perkembangan sumber daya manusia yang semakin pesat menjadikan teknologi informasi sangat dibutuhkan, khususnya perkembangan teknologi komputer sebagai alat pengolah dan penyimpan data yang merupakan faktor utama untuk mendukung kemajuan teknologi dalam suatu perusahaan tanpa terkecuali instansi-instansi pemerintah. Dibalik itu semua, pembangunan sebuah sistem informasi di dalam suatu instansi pemerintahan selama ini masih beroperasi secara manual dan harus dikembangkan lebih modern agar dapat beroperasi secara efektif dan efisien dengan menggunakan sistem yang sudah terkomputerisasi. Administrasi kepegawaian mencakup proses penyelenggaraan usaha kerjasama dalam bidang kepegawaian yang meliputi proses pendataan pegawai, pendataan daftar hadir pegawai, pengajuan kenaikan pangkat, pengajuan cuti, pengajuan kenaikan gaji berkala, serta hal-hal yang berhubungan dengan kepegawaian. Adminstrasi kepegawaian disusun secara teratur serta sebagai pemberi petunjuk bagi penyelenggara dan pengelola administrasi kepegawaian agar terwujudnya kinerja yang efektif dan maksimal. Seperti yang terjadi di Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung, proses kegiatan administrasi kepegawaian sudah menggunakan komputer, namun penggunaannya masih standar umum yaitu menggunakan Microsoft Word dan disimpan pada folder, yang antara satu data dengan data yang lainnya tidak saling terkait. Belum menggunakan konsep basis data (Database) dan belum memanfaatkan Database Management System (DBMS). Karena masih menggunakan sistem yang manual dan belum menggunakan sistem yang terkomputerisasi tersebut, pencarian data yang berkaitan dengan kepegawaian membutuhkan waktu agak lama karena harus di cek satu persatu setiap dokumen yang ada. Begitu juga halnya dengan pembuatan laporan, dibutuhkan waktu beberapa hari untuk menyelesaikan laporan yang berkaitan dengan administrasi kepegawaian tersebut.Oleh karena itu, dibutuhkan sebuah sistem yang terkomputerisasi, agar proses pencarian data yang berkaitan dengan administrasi kepegawaian dapat diperoleh dengan cepat dan tepat, dan proses pembuatan laporan bisa dilakukan dengan cepat yaitu dalam hitungan menit, tanpa harus menunggu waktu beberapa hari. Dalam hal ini, ruang lingkup penelitian meliputi proses pendataan pegawai, pengajuan cuti, kenaikkan pangkat, kenaikan gaji berkala, pendataan presensi pegawai, surat perintah tugas, surat perintah perjalanan dinas (SPPD), sehingga menghasilkan laporan berupa daftar urut kepegawaian (DUK) yang akurat. Untuk metode analisa dan perancangan sistem, menggunakan metodelogi berorientasi objek yaitu menggunakan diagram Unified Modelling Language (UML).Untuk tahapan analisa sistem yang berjalan menggunakan Activity Diagramuntuk mengetahui proses bisnis yang ada serta menganalisa dokumen masukan dan dokumen keluaran pada sistem yang berjalan. Untuk penggambaran kebutuhan sistem dari sudut pandang useryang diusulkan menggunakan usecase diagram. Untuk perancangan sistem dengan melakukan perancangan user interface (rancangan layar) dan class diagram (entity class). Adapun penelitian sebelumnya yang sudah pernah dilakukan adalah penelitian yang dilakukan oleh Putri Kurnia Handayani (2016) yang berjudul Sistem Informasi Administrasi Data Kepegawaian Pada Bagian Personalia PT.XYZ dimana pada penelitian tersebut, untuk perancangan sistem menggunakan Object Modelling Technique (OMT), dan perancangan basis


 139

data menggunakan Entity Relationship Diagram (ERD) dan telah berhasil dibuat Sistem Informasi Administrasi Data Kepegawaian pada PT.XYZ tersebut [1]. Selain itu penelitian yang dilakukan oleh Hendri Irawan (September 2011) yang berjudul Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian Direktorat Jenderal Pengembangan Ekspor Nasioanal Kementrian Perdagangan R.Imenggunakan metode berorientasi objek. Pada penelitian tersebut sebuah sistem terkomputerisasi mampu meminimalisir tingkat kesalahan yang terjadi pada sistem manual dan sistem dapat menjadi lebih optimal dalam aktualitas dan keakuratan dengan menggunakan konsep database[2]. Sistem merupakan suatu kumpulan atau himpunan dari unsur, komponen, atau variabel yang terorganisir, saling berinteraksi, saling tergantung satu sama lain, terpadu[3] Suatu informasi dapat dikatakan berkualitas apabila dilandasi oleh tiga hal: a. Relevan (Relevance) Informasi akan relevan jika memberikan manfaat bagi pemakainya. b. Akurat (Accurate) Informasi tersebut tidak bias atau menyesatkan, bebas dari kesalahan-kesalahan dan harus jelas mencerminkan maksudnya. c. Tepat Waktu (Timeline) informasi yang datang kepada penerimanya tidak boleh terlambat, karena nilai yang sudah usang tidak akan mempunyai nilai lagi karena informasi merupakan landasan dala pengambilan keputusan. Sistem Informasi adalah kombinasi teratur apa pun dari orang-orang, hardware, software, jaringan komunikasi, dan sumber daya data yang mengumpulkan, mengubah, dan menyebarkan informasi dalam sebuah organisasi. Selain itu, pengertian dari sistem informasi merupakan sekelompok elemen yang saling berhubungan atau berinteraksi hingga membentuk satu kesatuan [4]. Analisis berorientasi objek merupakan sebuah teknik yang model-driven yang mengintegrasikan data dan proses ke dalam konstruksi yang disebut objek. Model-model ObjekOriented Analysis (OOA) adalah gambar-gambar yang mengilustrasikan objek-objek sistem dari berbagai macam perspektif, seperti struktur, kelakuan, dan interaksi objek-objek[5]. Object Oriented Design (OOD) merupakan sebuah pendekatan yang digunakan untuk menentukan solusi perangkat lunak khususnya pada objek yang berkolaborasi, atribut mereka, dan metode mereka[5]. Unified Modelling Language (UML) merupakan suatu kumpulan konvensi pemodelan yang digunakan untuk menentukan atau menggambarkan sebuah sistem software yang terkait dengan objek[5]. Unified Modelling Language (UML) merupakan salah satu alat bantu yang sangat handal di dunia pengembangan sistem yang berorientasi obyek. UML menyediakan bahasa pemodelan visual yang memungkinkan bagi pengembang sistem untuk membuat cetak biru atas visi misi mereka dalam bentuk yang baku, mudah dimengerti serta dilengkapi dengan mekanisme yang efektif untuk berbagi (sharing) dan mengkomunikasikan rancangan mereka dengan yang lain. UML adalah hasil kerja konsorsium berbagai organisasi yang berhasil dijadikan sebagai standar baku dalam OOAD (Object Oriented Analysis & Design). UML mempunyai elemen grafis yang bisa dikombinasikan menjadi diagram[6]. Activity diagrammerupakansebuahteknik untuk mendeskripsikan logika prosedural, proses bisnis dan aliran kerja dalam banyak kasus[6]. Activity diagram digunakan untuk menganalisis behaviour dengan use case yang lebih kompleks dan menunjukkan interaksi interaksi diantara mereka satu sama lain. Activity diagram biasanya digunakan untuk mengggambarkan aktivitas bisnis yang lebih kompleks, dimana digambarkan hubungan antara satu use case dengan use case yang lainnya[7]. Use case diagram merupakan suatu diagram yang berisi use case, actor, relationship diantaranya. Use case diagram merupakan titik awal yang baik dalam memahami dan

140

ISSN: 1978-1520

menganalisis kebutuhan sistem pada saat perancangan sistem yang diusulkan. Use case diagram dapat digunakan untuk menentukan kebutuhan apa saja yang diperlukan dari suatu sistem[7]. Sebuah obyek memiliki keadaan sesaat (state) dan perilaku (behaviour). State sebuah obyek merupakan kondisi obyek tersebut yang dinyatakan dalam attribute/properties. Sedangkan perilaku suatu obyek merupakan bagaimana suatu obyek bertindak/beraksi dan memberikan reaksi. Perilaku suatu obyek dinyatakan dalam operation. Attribute merupakan sifat/karakteristik dari sebuah class. Operation merupakan sesuatu yang bisa dilakukan oleh sebuah class. Assicoation/asosiasi merupakan class-class yang terhubungkan satu sama lain secara konseptual.“Class merupakan pembentuk utama dari system berorientasi obyek karena class menunjukkan kumpulan obyek yang memiliki atribut dan operasi yang sama” [6]. Sebuah class terdiri dari 3 area pokok yaitu nama, atribut, dan method. Nama menggambarkan nama dari objek/class, atribut menggambarkan batas nilai yang mungkin ada pada obyek dari class dan method adalah sesuatu yang bias dilakukan oleh sebuah class atau class yang lain dapat lakukan untuk sebuah class. Dalam class diagram terdapat association. Association/asosiasia dalah class-class yang terhubung satu sama lain secara konseptual. Selain itu terdapat multiplicity yang mana pada kasus asosiasi menunjukkan bahwa ada sebuah obyek pada sebuah class yang berhubungan dengan sebuah obyek pada sebuah asosiasi class. Objek entity merupakan sebuah objek yang berisi informasi yang berhubungan dengan bisnis yang bersifat menetap dan disimpan pada sebuah database [5]

2. METODEPENELITIAN Adapun langkah-langkah yang dilakukan dalam peneltian ini dapat dilihat pada gambar 1 berikut ini:

Gambar 1. Metodologi Penelitian a. Memahami permasalahan Tahapan ini merupakan tahap awal yang dilakukan dalam rangka untuk mengidentifikasikan permasalahan yang dihadapi dengan melakukan wawancara langsung kepada narasumber

 141


b.

c.

d.

e.

yang berkaitan dengan sistem administrasi kepegawaian yang ada pada dinas kebudayaan dan pariwisata propinsi kepulauan Bangka Belitung. Mempelajari proses bisnis sistem berjalan Pada tahapan ini, melalui proses wawancara untuk mengetahui proses bisnis dari sistem administrasi pegawai dari awal sampai dengan akhir proses, sehingga diketahui gambaran sistem secara keseluruhan serta dapat diketahui semua dokumen masukan dan dokumen keluaran sistem berjalan. Analisa Sistem Untuk menganalisa sistem berjalan, menggunakan Diagram Unified Modelling Language (UML) dengan menggunakan Activity Diagram. Kemudian untuk menganalisa kebutuhan sistem usulan dari sudut pandang user menggunakan use case diagram. Perancangan Sistem Pada tahapan ini, akan dirancang sistem usulan berdasarkan analisa sistem yang sudah dilakukan dengan membuat perancangan User interface yang sesuai dengan kebutuhan sistem dan menggambarkan hubungan antara satu class dengan class yang lainnya (hubungan antara satu objek dengan objek yang lain) dengan menggunakan class Diagram (Entity Class). Pengujian Sistem Pada tahapan ini dilakukan pengujian terhadap sistem usulan untuk memastikan sistem sudah memenuhi kebutuhan yang sudah ditentukan.

3. HASIL DAN PEMBAHASAN Proses bisnis yang terjadi pada sistem administrasi akademik yang ada pada dinas kebudayaan dan pariwisata propinsi kepulauan Bangka Belitung meliputi: proses pendataan pegawai, proses pengajuan cuti pegawai, kenaikan pangkat, kenaikan gaji berkala, proses absensi pegawai, proses pembuatan SPT, proses pembuatan Surat Perintah Perjalanan Dinas (SPPD), proses pembuatan Rincian Biaya Perjalan Dinas (RBPD), dan proses pembuatan laporan DUK digambarkan dengan menggunakan diagram UML yaitu Activity Diagram. Adapun activity Diagram untuk masing-masing proses bisnis dapat dilihat pada gambar di bawah ini: Ba g Kepe ga w a ian

Beri form data pegawai

Input data pegawai untuk arsip

Pe gaw ai

Isi form data pegawai

Serah form data pegawai

Gambar 2. Proses Pendataan Pegawai

142

ISSN: 1978-1520 Pegawai

Buat surat permohonan ijin cuti

Terima Surat Permohonan Cuti yang telah ditandatangani

Kepala Bagian

Kepala Dinas

Serah surat permohonan ijin cuti

Setujui surat permohonan ijin cuti

Bag Kepegawaian

Tandatangani Surat Permohonan Cuti

Serah Surat Permohonan Cuti yang telah ditandatangani

Terima Surat Permohonan Cuti

Buat Surat Ijin Cuti Pegawai

Catat ke Kartu Cuti Pegawai

Terima Surat Ijin Cuti

Gambar 3. Proses Pengajuan Cuti Pegawai

Serah Surat Ijin Cuti

 143

Jatisi, Vol. 1 No. 2 Maret 2017 Pegawai

Bag Kepegawaian

BKD

Lengkapi Syarat kenaikan pangkat reguler

Serahkan berkas persyaratan

Terima berkas pesyaratan

Kirim berkas persyaratan

Terima Berkas

Setujui Berkas

Simpan dan beri SK Pangkat

Terima SK Pangkat

Serahkan SK Pangkat

Gambar 4. Proses Kenaikan Pangkat Bagian Kepegawaian

Serah Daftar hadir pegawai

Pegawai

Isi daftar hadir pegawai

[berhalangan hadir]

Terima Informasi

Keuangan

Kasih Informasi

[tanpa informasi]

Terima Potongan TPP 2%

Buat Rekapan Absensi

Serah Rekapan Absensi

Terima Rekapan Absensi

Gambar 5. Proses Presensi Pegawai

144

ISSN: 1978-1520 Bag Kepegaw aian

Kepala Dinas

BKD

Baca Nota dinas pengusulan nama pegawai yang akan naik gaji berkala

Proses agenda daftar tunggu kenaikan gaji berkala

seleksi berkas pegawai

Buat Surat pengantar pengajuan usulan nama pegawai yang akan menerima kenaikan gaji berkala

Tandatangani surat pengantar kenaikan gaji berkala

Antar Surat pengantar kenaikan gaji berkala

Terima Surat pengantar kenaikan gaji berkala

Buat SK Kenaikan Gaji Berkala

Serah SK Kenaikan Gaji Berkala

Terima SK Kenaikan Gaji Berkala

Gambar 6. Proses Kenaikan Gaji Berkala Pegaw ai

Kepala Dinas

Buat Nota Dinas surat tugas

Terima Nota Dinas Surat Tugas

Bag Kepegaw aian

Seleksi pegawai

Setujui Nota Dinas

Serah Nota Dinas

Terima Nota Dinas

Buat SPT

Terima SPT

Gambar 7. Proses SPT

Serah SPT

 145

Jatisi, Vol. 1 No. 2 Maret 2017 Bagian Kepegaw aian

Pegaw ai

Berdasarkan nota dinas dan SPT

[Kota]

[Luar kota/kab]

Buat SPPD

Serah SPPD

Terima SPPD

Gambar 8. Proses SPPD Pegawai

Serah Bukti-bukti Pengeluaran Selama Perjalanan Dinas

Bagian PPTK

Pejabat

Keuangan

Terima Bukti-bukti Pengeluaran

Buat Laporan

Serah Laporan

Terima dan menandatangani Laporan

Serah Laporan Yang Telah Ditandatangani

Terima Laporan Yang Ditandatangani

Mencairkan Uang Perjalanan Dinas

Gambar 9. Proses RBPD

146

ISSN: 1978-1520 Bagian Kepegaw aian

Buat Laporan DUK

Kepala BLH

BKD

Tanda Tangan Laporan DUK

Serahkan Laporan DUK Terima Laporan DUK

Gambar 10. Proses Pembuatan Laporan DUK Berdasarkan analisa terhadap proses bisnis yang ada dan analisa terhadap dokumen masukan dan dokumen keluaran pada sistem yang berjalan, maka dapat diidendifikasikan kebutuhan sistem yang nantinya akan dibangun yaitu sebuah sistem yang terkomputerisasi diantaranya adalah adalah untuk penggambaran kebutuhan system dari sudut pandang user tersebut, penulis menggambarkannya dengan menggunakan use case diagram yang penggambarannya dapat dilihat pada gambar di bawah ini: Entry Surat Permohonan Izin Cuti

Entry Data Pegawai Cetak Surat Izin Cuti

Bag Kepegawaian Entry Rekap Daftar Hadir

Entry Data Biaya

Gambar 11. Use Case Diagram Master Cetak Nota Dinas Surat Tugas

Cetak Surat PerintahTugas

Cetak Laporan DUK Bag Kepegawaian Cetak SPPD

Cetak Laporan Rekap Daftar Hadir Cetak RBPD

Bag Kepegawaian Cetak Laporan Cuti

Cetak Surat Pengantar Kenaikan Gaji Berkala

Cetak Laporan Kenaikan Gaji Berkala

Entry SK Kenaikan Gaji Berkala

Entry SK Kenaikan Pangkat

Cetak Laporan Kenaikan Pangkat

Gambar 12. Use Case Diagram Pembuatan Laporan

Gambar 13. Use Case Diagram Transaksi

Berdasarkan analisa terhadap sistem yang diusulkan, maka bentuk struktur tampilan rancangan layar untuk sistem informasi administrasi akademik yang ada pada dinas kebudayaan dan pariwisata provinsi kepulauan Bangka Belitung diusulkan sebagai berikut:


 147

Gambar 14. Proses Pembuatan Laporan DUK Berikut ini beberapa bentuk rancangan layar menu utama dan rancangan layar entry data pegawai sistem usulan:

Gambar 15. Rancangan Layar Menu Utama

148

ISSN: 1978-1520

Gambar 16. Rancangan Layar Entry data Pegawai Berdarkan analisa terhadap dokumen-dokumen yang ada pada sistem yang berjalan berikut ini adalah bentuk rancangan class diagram (Entity Class) atau objek-objek yang terlibat dalam pengembangan system informasi administrasi akademik, untuk penggambaran class diagramnya dapat dilihat pada gambar dibawah ini:

GetAbsensi() Simpan()

SKKGB

Isi KET

Absensi NoAbsen TanggalAbsen

GetIsi() Simpan() * *

SPKGB No_SPKGB TglSPKGB BanyakBerkas Ket_SPKGB

Dapat 1

1..*

GetSPKGB() Simpan()

*

No_SKKGB Tgl_SKKGB Masa_Kerja Gapok_Lama Pjbt_Angkat Tgl_SKGBL No_SKGBL Tgl_BerlakuGL MasaKerja_GolLama GaPok_Baru MasaKerja_Baru Gol_Baru MulaiTgl_KGBBaru

1..*

Pegawai

Punya JmlHadir JmlTidakHadir Ket * GetPunya() Simpan()

SKKP Peroleh No_SKKP 1 Tgl_SKKP TanggalKenaikanPangkat 1..* Pangkat_Baru GolBaru GaPokBaru MasaKerjaGolBaru GetSKKP() Simpan()

NIP Nama Tmpt_Lhr Tgl_Lhr Jen_Kel Unit_Kerja 1 TMT_Kerja Thn_MskKerja Bln_MskKerja Pendidikan_Terakhir 1 Thn_Lulus Pangkat Gol Jabatan

Milik

Ajukan 1..*

SPC No_SPC Tgl_SPC Lama_Cuti Tgl_Mulai Tgl_Selesai Alasan_Cuti 1 Almt_SlmCuti NoHP_SlmCuti

GetSKKGB() Simpan()

SIC No_SIC Tgl_SIC CatatanSIC

Hasil 1

GetSIC() Simpan()

GetSPC() Simpan()

GetPegawai() Simpan() Ubah() Hapus() *

*

Biaya Kd_Biaya Nm_Biaya

Lakukan Keterangan Buat Ktrngn

GetBiaya() Simpan() Ubah() Hapus()

GetLakukan() Simpan()

GetBuat() Simpan()

Ada Jumlah Ket_Biaya

*

GetAda() Simpan() * NDST No_NDST Tgl_NDST Sifat Perihal Lampiran WaktuTugas TglMulai 1 TglSelesai TempatTugas KetTugas

* SPT No_SPT Tgl_SPT

Terima 1

GetSPT() Simpan()

Keluar 1

1

GetNDST() Simpan()

Gambar 17. Class Diagram

SPPD NoSPPD TglSPPD TempatBerangkat AlatAngkut Cetak PembebananAnggaran 1 MataAnggaran KeteranganLain GetSPPD() Simpan()

* RBPD No_RBPD Tgl_RBPD 1

GetRBPD() Simpan()

 149


Setelah tahapan analisa dan perancangan sistem dilakukan, maka dilakukan pengujian terhadap sistem yang sudah dirancang dengan menggunakan aplikasi VB.Net 2008 dan menggunakan DBMS MySQL, dengan hasil pengujiannya dapat dilihat pada tabel di bawah ini: Tabel 1. Hasil Pengujian Skenario Pengujian Hasil Yang Diharapkan Menjalankan tiap menu yang sistem akan menampilkan terdapat pada sistem form sesuai dengan menu yang dipilih oleh user yang dalam hal ini adalah bagian kepegawaian Usermelakukanpenginputan Data akan tersimpan ke data pegawai dan menekan database tombol simpan

Hasil Pengujian Sesuai dengan diharapkan

yang

Sesuai dengan diharapkan

yang

Usermelakukanpenginputan Data akan data biaya dan menekan database tombol simpan

tersimpan

ke Sesuai dengan diharapkan

yang

User melakukan penginputan data transaksi yang berkaitan dengan sistem informasi akademik yang dirancang dan menekan tombol simpan. User melakukan pencetakan dokumen data transaksi yang berkaitan dengan sistem informasi akademik yang dirancang dan menekan tombol cetak. User melakukan pencetakan laporan yang berkaitan dengan sistem informasi akademik yang dirancang dan menekan tombol cetak.

tersimpan

ke Sesuai dengan diharapkan

yang

Output/cetakan ditampilkan

akan Sesuai dengan diharapkan

yang

Output/cetakan ditampilkan

akan Sesuai dengan diharapkan

yang

Data akan database

4. KESIMPULAN Berdasarkan hasil analisa dan rancangan yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut : a. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, proses pengolahan data dan penyajian informasi dapat dilakukan dengan cepat dan lebih akurat. b. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, pengarsipan terhadap data dapat disimpan secara rapi dan aman dalam sebuah media penyimpanan elekstronik dengan menggunakan database (DBMS). c. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, proses pembuatan laporan dapat dilakukan lebih cepat untuk membantu pimpinandalam pengambilan sebuah keputusan.

150

ISSN: 1978-1520 5. SARAN

Beberapa saran yang dapat diberikan untuk penelitian selanjutnya adalah (1) penelitian ini hanya sebatas analisa dan perancanganberbasis dekstopdan bisa dikembangkan menjadi berbasis web, jadi user aktifnya bukan hanya bagian kepegawaian saja, akan tetapi bisa pegawainya langsung yang menjadi user aktifnya.

6. DAFTAR PUSTAKA [1]

Putri Kurnia Handayani, 2016,“Sistem Informasi Administrasi Data Kepegawaian Pada Bagian Personalia PT.XYZ”, nama junal, edisi, nama penerbit, kota penerbit.

[2]

Hendri Irawan, 2011, “Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian Direktorat Jenderal Pengembangan Ekspor Nasioanal Kementrian Perdagangan R.I Menggunakan Metode Berorientasi Objek”, BIT Vol 8, September 2011,

[3]

Tata Sutabri, 2012, “Konsep Sistem Informasi”, Andi, Yogyakarta

[4]

Indrajani, 2014, “Bedah Kilat 1 Jam Pengantar dan Sitem Basis Data”, PT. Media Elex Media Komputindo, Jakarta.

[5]

Jeffery L.Whitten, dkk,” Metode Desain & Analisis Sistem Edisi 6”, Andi and McGrawHill Education, Jakarta.

[6]

Munawar, 2005,“Pemodelan Visual dengan UML” ,Graha Ilmu,Yogyakarta.

[7]

Indrajani,S.Kom., M.Kom., 2011,”Perancangan Basis Data Dalam All in 1”, Elex Media Komputindo, Jakarta.




151

Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian Dewi Sartika*1, Dana Indra Sensuse*2 Universitas Indo Global Mandiri Fakultas Ilmu Komputer [email protected]*1, [email protected]*2

Abstract Data mining is a process of analysis of the large data set in the database so that the information obtained will be used for the next stage. One technique commonly used data mining is the technique of classification. Classification is an engineering modeling of the data that has not been classified, to be used to classify new data. Classification included into any type of supervised learning, meaning that it takes the training data to build a model of classification. There are five categories of classification that is statistically based, distance-based, based on the decision tree, neural network-based and rule-based. Each category has many options classification algorithms, some algorithms are frequently used algorithms Naive Bayes, nearest neighbor and decision tree. In this study will be a comparison of the three algorithms on case studies of electoral decision making clothing patterns. The comparison showed that the decision tree method has the highest level of accuracy than Naive Bayes algorithm and nearest neighbor, reaching 75.6%. Decision tree algorithm used is J48 with pruned algorithm that produces models of decision tree with leaves as many as 166 and 255 magnitude decision tree. Keywords: Supervised Learning, Naive Bayes, Nearest Neighbor, Decision Tree, J48.

Abstrak Data mining adalah suatu proses analisis terhadap sekumpulan data yang ada di dalam basis data sehingga diperoleh informasi yang akan digunakan untuk tahap selanjutnya. Salah satu teknik data mining yang umum digunakan yaitu teknik klasifikasi. Klasifikasi adalah suatu teknik pembentukan model dari data yang belum terklasifikasi, untuk digunakan mengklasifikasi data baru. Klasifikasi termasuk ke dalam tipe supervised learning, artinya dibutuhkan data pelatihan untuk membangun suatu model klasifikasinya. terdapat 5 kategori klasifikasi yaitu berbasis statistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringan syaraf, dan berbasis aturan. Tiap kategori klasifikasi memiliki banyak pilihan algoritma, beberapa algoritma yang sering digunakan adalah algoritma naive bayes, nearest neighbour, dan decision tree. Pada penelitian ini akan dilakukan perbandingan dari ketiga algoritma tersebut pada studi kasus pengambilan keputusan pemilihan pola pakaian. Hasil perbandingan menunjukkan bahwa metode decision tree memiliki tingkat akurasi tertinggi dibandingkan algoritma naive bayes dan nearest neighbour yaitu mencapai 75.6%. Algoritma decision tree yang digunakan ialah algoritma J48 dengan pruned yang menghasilkan model decision tree dengan daun sebanyak 166 dan pohon keputusan yang besarnya 255. Kata kunci: Supervised Learning, Naive Bayes, Nearest Neighbour, Decision Tree, J48.

152

ISSN: 1978-1520 1. PENDAHULUAN

D

ata mining adalah proses yang memanfaatkan suatu metode untuk memperoleh pola dari suatu data [1], sedangkan menurut Mirkin Data mining didefinisikan sebagai suatu proses untuk mencari pola dari sekumpulan data yang terdapat di dalam database untuk kemudian dianalisis sehingga menghasilkan suatu informasi tertentu untuk dimanfaatkan pada proses selanjutnya [2]. Salah satu pendekatan yang dapat digunakan untuk menganalisis sekumpulan data adalah klasifikasi. Klasifikasi merupakan salah satu teknik data mining yang digunakan untuk membangun suatu model dari sampel data yang belum terklasifikasi untuk digunakan mengklasifikasi sampel data baru ke dalam kelas-kelas yang sejenis [3]. Klasifikasi termasuk ke dalam supervised learning karena menggunakan sekumpulan data untuk dianalisis terlebih dahulu, kemudian pola dari hasil analisis tersebut digunakan untuk pengklasifikasian data uji. Proses klasifikasi data terdiri dari pembelajaran dan klasifikasi. Pada pembelajaran data training dianalisis menggunakan algoritma klasifikasi, selanjutnya pada klasifikasi digunakan data testing untuk memastikan tingkat akurasi dari rule klasifikasi yang digunakan. Teknik klasifikasi dibagi menjadi lima kategori berdasarkan perbedaan konsep matematika, yaitu berbasis statistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringan syaraf, dan berbasis rule [4]. Ada banyak algoritma dari masing-masing kategori tersebut, namun yang populer dan sering digunakan diantaranya yaitu naive bayes, nearest neighbour dan decision tree. Pada penelitian ini peneliti akan mencoba membandingkan algoritma klasifikasi nearest neighbor, naive bayes dan decision tree menggunakan tools WEKA. Ketiga metode tersebut akan dibandingkan berdasarkan tingkat akurasinya. Studi kasus yang digunakan pada penelitian ini adalah pengambilan keputusan pemilihan pola pakaian, dimana datanya berupa kasus-kasus terdahulu yang telah memiliki label kelas solusi pola. Kasus merupakan sekumpulan informasi atribut berupa kriteria-kriteria yang digunakan dalam pengambilan keputusan pemilihan pola pakaian. Kriteria-kriteria tersebut diperoleh dari wawancara expert. Perbedaan studi kasus pada penelitian ini dengan studi kasus pada penelitian-penelitian terdahulu adalah banyaknya label kelas yang digunakan dalam pengklasifikasian data.

2. METODE PENELITIAN 2.1. Data Mining Saat ini kebutuhan terhadap analisis suatu data sangat dibutuhkan. Perkembangan jumlah data yang semakin pesat mendorong untuk memanfaatkannya dalam penggalian informasi maupun pengetahuan. Seperti sekumpulan data transaksi pada supermarket dapat dianalisis sehingga diperoleh informasi terkait barang-barang apa saja yang sering dibeli oleh konsumen, dengan mengetahui informasi tersebut dapat membantu dalam penentuan jumlah stok barang untuk selanjutnya, dengan begitu diharapkan dapat meningkatkan keuntungan yang diperoleh dan penumpukan stok barang karena supermarket mampu menentukan stok barang dengan tepat sesuai dengan minat dan kebutuhan konsumen. Data mining diartikan sebagai penentuan pola dari hasil analisis sekumpulan data [2]. Data mining juga dapat diartikan sebagai suatu proses logikal yang digunakan untuk mencari dari sejumlah data untuk mendapatkan data yang berguna [3]. Sebelum menerapkan algoritma data mining, harus dipahami terlebih dahulu bahwa algoritma data mining terbagi dalam dua kategori yaitu deskriptif dan prediktif. Deskriptif adalah mengukur kesamaan antar objek serta menemukan pola dan hubungan yang belum diketahui di dalam sekumpulan data, sedangkan prediktif adalah penyimpulan rule prediksi dari data pelatihan, yang selanjutnya rule tersebut digunakan pada data yang belum terprediksi [9]. Beberapa fungsi data mining yang termasuk deskriptif adalah clustering, summarization, dan




153

sequence discover, sedangkan fungsi data mining yang termasuk prediktif adalah klasifikasi, regresi, time series analysis, dan prediction. 2.2. Klasifikasi Klasifikasi adalah salah satu pembelajaran yang paling umum di data mining. Klasifikasi didefinisikan sebagai bentuk analisis data untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas [1]. Kelas dalam klasifikasi merupakan atribut dalam satu set data yang paling unik yang merupakan variabel bebas dalam statistik [9]. Klasifikasi data terdiri dari dua proses yaitu tahap pembelajaran dan tahap pengklasifikasian. Tahap pembelajaran merupakan tahapan dalam pembentukan model klasifikasi, sedangkan tahap pengklasifikasian merupakan tahapan penggunaan model klasifikasi untuk memprediksi label kelas dari suatu data. Contoh sederhana dari teknik data mining klasifikasi adalah pengklasifikasian hewan berdasarkan atribut jumlah kaki, habitat dan organ pernafasannya akan diklasifikasikan ke dalam dua label kelas yaitu unggas dan ikan. Label kelas unggas adalah data yang memiliki jumlah kaki dua, habitatnya di darat, dan organ pernafasannya menggunakan paru-paru, sedangkan label kelas ikan adalah data yang memiliki jumlah kaki nol (tidak memiliki kaki), habitat di air, dan organ pernafasannya menggunakan insang. Banyak algoritma yang dapat digunakan dalam pengklasifikasian data, namun dalam penelitian ini hanya akan membandingkan tiga algoritma saja, yakni naive bayes, nearest neighbour, dan decision tree. 2.2.1. Naive Bayes Teorema bayes adalah perhitungan statistik dengan menghitung probabilitas kemiripan kasus lama yang ada dibasis kasus dengan kasus baru. Teorema bayes memiliki tingkat akurasi yang tinggi dan kecepatan yang baik ketika diterapkan pada database yang besar [1]. Naive bayes termasuk ke dalam pembelajaran supervised, sehingga pada tahapan pembelajaran dibutuhkan data awal berupa data pelatihan untuk dapat mengambil keputusan. Pada tahapan pengklasifikasian akan dihitung nilai probabilitas dari masing-masing label kelas yang ada terhadap masukan yang diberikan. Label kelas yang memiliki nilai probabilitas paling besar yang akan dijadikan label kelas data masukan tersebut. Naive bayes merupakan perhitungan teorema bayes yang paling sederhana, karena mampu mengurangi kompleksitas komputasi menjadi multiplikasi sederhana dari probabilitas. Selain itu, algoritma naive bayes juga mampu menangani set data yang memiliki banyak atribut [9]. Persamaan dari naive bayes sebagai berikut:

P(Ci | X ) 

P( X | Ci ) P(Ci ) (1) P( X )

Keterangan : X : Kriteria suatu kasus berdasarkan masukan Ci : Kelas solusi pola ke-i, dimana i adalah jumlah label kelas P(Ci|X) : Probabilitas kemunculan label kelas Ci dengan kriteria masukan X P(X|Ci) : Probabilitas kriteria masukan X dengan label kelas Ci P(Ci) : Probabilitas label kelas Ci 2.2.2. Nearest Neighbour Nearest Neighbour adalah algoritma pengklasifikasian yang didasarkan pada analogi, yaitu membandingkan data uji dengan data pelatihan yang berada dekat dengan dan memiliki kemiripan dengan data uji tersebut [10]. Kemiripan data uji dengan data pelatihan didasarkan pada jaraknya. Banyak persamaan yang dapat digunakan untuk menghitung jarak antara data uji dan data pelatihan. Tiga diantaranya yang paling sering digunakan adalah:

1. Atribut yang bertipe numerik

154

ISSN: 1978-1520

Terdapat dua pendekatan perhitungan jarak/kemiripan yang umum digunakan untuk atribut yang bertipe numerik, yaitu euclidean distance [10] dengan persamaan berikut:

Dist ( x1, x 2) 

n

 (x

1i

i 1

 x2i ) (2)

Keterangan: n : jumlah data x1 : data uji x2 : data pembelajaran Persamaan yang kedua yaitu Manhattan distance [11] sebagai berikut :

Dist ( pi (an), pi (nc)) 

pi (an)  pi (nc) (3) max_ dist _ i

Keterangan: pi : atribut ke-i an : data pembelajaran nc : data uji 2. Atribut yang bertipe simbolik Persamaan yang digunakan untuk atribut yang menggunakan istilah eksplisit yaitu ada atau tidak ada, memiliki atau tidak memiliki, ya atau tidak dan sebagainya maka perhitungan kemiripan atau jarak dapat dihitung dengan fungsi sebagai berikut [12]:

Sim( Ki (a ), Ki (b))  

0 Ki (a )  Ki (b)

1 Ki (a )  Ki (b)

(4)

Keterangan : Ki(a) : kriteria ke-i dari kasus a Ki(b) : kriteria ke-i dari kasus b Sim(Ki(a),Ki(b) : nilai kemiripan kriteria ke-i antara kasus a dengan kasus b Perhitungan selanjutnya adalah persamaan untuk mencari kemiripan dengan nearest neighbour yaitu [13]: n

Similarity (T , S ) 

 Sim( K (T ), K (S )) xw i

i

i 1

n

w

i

(5)

i i

Keterangan: T S n w

: data uji : data pembelajaran : jumlah kriteria : bobot kriteria Sim( K i (T ), K i ( S )) : Nilai kemiripan/jarak kriteria kasus target dan target sumber

2.2.3.

Decision Tree Algotirma decision tree merupakan algoritma yang umum digunakan untuk pengambilan keputusan. Decision tree akan mencari solusi permasalahan dengan menjadikan kriteria sebagai node yang saling berhubungan membentuk seperti struktur pohon [14]. Decision tree adalah model prediksi terhadap suatu keputusan menggunakan struktur hirarki atau pohon [8]. Setiap pohon memiliki cabang, cabang mewakili suatu atribut yang harus dipenuhi untuk menuju cabang selanjutnya hingga berakhir di daun (tidak ada cabang lagi). Konsep data dalam




155

decision tree adalah data dinyatakan dalam bentuk tabel yang terdiri dari atribut dan record. Atribut digunakan sebagai parameter yang dibuat sebagai kriteria dalam pembuatan pohon. Proses dalam decision tree adalah sebagai berikut [7]: 1. Mengubah bentuk data (tabel) menjadi model pohon Hal yang dilakukan pada tahapan ini adalah menentukan atribut yang terpilih mulai dari akar, cabang hingga menuju keputusan. Banyak pendekatan yang dapat digunakan untuk menentukan atribut terpilih, pada penelitian ini akan menggunakan perhitungan gainratio dari setiap kriteria dengan data sampel. Untuk menghitung nilai gainratio dapat dilakukan dengan persamaan sebagai berikut:

Gainratio( S , A) 

Gain( S , A) (6) SplitInformation( S , A)

Dimana nilai information gain bermakna seberapa banyak informasi yang diperoleh dengan mengetahui nilai suatu atribut sedangkan nilai split information digunakan untuk suatu atribut yang memiliki banyak instance (lebih dari dua dan beragam) 2. Mengubah model pohon menjadi rule Formula untuk membangkitkan rule didefinisikan sebagai berikut: IF premis THEN konklusi (7) Simpul akar dan cabang akan menjadi premis dari aturan, sedangkan simpul daun akan menjadi bagian dari konklusinya (solusi). Tiap premis yang terdapat dalam satu atribut akan dihubungkan dengan hubungan disjungsi, sedangkan premis yang memiliki lanjutan premis pada cabang selanjutnya akan dihubungkan dengan konjungsi.

Gambar 1. Proses Model Pohon Menjadi Rule 3. Menyederhanakan rule (Pruning) Pada proses penyederhanaan rule, tahapan-tahapan dilakukan sebagai berikut: 1. Membuat tabel distibusi terpadu dengan menyatakan semua nilai kejadian pada setiap rule. 2. Menghitung tingkat independensi antara kriteria pada suatu rule, yaitu antara atribut dengan target atribut (perhitungan tingkat independensi menggunakan test of independency ChiSquare). 3. Mengeliminasi kriteria yang dianggap tidak perlu, yaitu yang memiliki tingkat independensi tinggi. Misalkan yang ingin dilihat adalah pengaruh jenis pakaian terhadap penentuan solusi pola pakaian yang dapat dibuat, tentukan terlebih dahulu tingkat signifikansinya ( = 0.05), sehingga dapat dihitung degree of freedom dengan persamaan berikut : {0.05;(r-1)*(c-1)} (8) Keterangan:

156

ISSN: 1978-1520

r : jumlah baris c : jumlah kolom Setelah diperoleh nilainya maka dapat dilihat pada tabel untuk memperoleh nilai X2tabel untuk dibandingkan dengan X2hitung. X2hitung diperoleh melalui persamaan berikut : r

c

X 2 hitung  

(nij  eij ) 2

i 1 j 1

eij

(9)

Keterangan: nij : nilai record baris ke i kolom ke j dari tabel distribusi terpadu. Sedangkan nilai eij diperoleh melalui persamaan berikut:

eij 

ni  n j n

(10)

Keterangan: ni : marjinal dari baris ke i nj : marjinal dari kolom ke j n : jumlah record data Jika nilai X2hitung ≤ X2tabel artinya atribut tersebut tidak mempengaruhi atribut target, sehingga rule dari atribut tersebut dapat dihilangkan. Namun sebaliknya jika nilai X2hitung > X2tabel berarti atribut tersebut mempengaruhi atribut target, sehingga rule dari atribut tersebut tidak dapat dihilangkan. 2.3.

WEKA Waikato Environment for Knowledge Analysis (WEKA) merupakan perangkat lunak pembelajaran mesin yang populer yang ditulis dalam bahasa pemrograman java. WEKA dikembangkan di Universitas Waikato, Selandia Baru. WEKA berisikan kumpulan algoritma beserta visualisasinya untuk analisis data dan pemodelan prediktif. Algoritma-algoritma pembelajaran mesin pada WEKA dapat dimanfaatkan untuk pemecahan masalah dibidang data mining. WEKA versi asli awalnya dirancang untuk menganalisis data dari domain pertanian, tetapi WEKA versi lengkap berbasis java (versi 3), yang mulai dibangun pada tahun 1997, yang sekarang dapat digunakan untuk menganalisis data dari berbagai domain, khususnya untuk pendidikan dan penelitian. WEKA memiliki implementasi semua teknik pembelajaran untuk klasifikasi dan regresi , yaitu decision trees, rules set, pengklasifikasian teorema bayes, Support Vector Machines (SVM), logistik dan linier, multi layers perceptrons dan metode nearest neighbour [15]

3. HASIL DAN PEMBAHASAN 3.1.

Pengujian Algoritma Perangkat Lunak WEKA menyediakan 4 macam mode pengujian [19], yaitu: 1. Use Training Set: mengevaluasi seberapa baik algoritma mampu memprediksi kelas dari instance setelah dilakukan pelatihan. Data pelatihan akan digunakan untuk data uji. 2. Supplied Test: mengevaluasi seberapa baik algoritma mampu memprediksi kelas dari set instance yang diambil dari suatu file. Data pelatihan dan data uji berbeda file. 3. Cross-validation: mengevaluasi algoritma melalui cross-validation, menggunakan nilai folds yang dimasukkan. 4. Percentage split: mengevaluasi seberapa baik algoritma mampu memprediksi persentase tertentu dari data. Data set akan dibagi menjadi 2, data pelatihan dan data uji. Mode pengujian yang dilakukan pada penelitian ini adalah mode 1, 3 dan 4. Evalusai pengujian yang dilakukan terhadap algoritma klasifikasi naive bayes, nearest neighbour, dan decision tree dalam penelitian ini yaitu seberapa besar tingkat akurasi yang dihasilkan algoritma




157

dalam memprediksi solusi pola pakaian yang tepat. Pola pakaian yang tepat merupakan solusi pola pakaian yang sama dengan keputusan solusi pola pakaian dari expert. Persentase tingkat akurasi akan dihitung dengan persamaan sebagai berikut:

PA 

PB x100% (11) TB

Keterangan: PA : Persentasi Akurasi PB : Total prediksi benar TB : Total instance keseluruhan 3.2. Perbandingan Decision Tree Pruned dan Unpruned Pemangkasan (pruned) dalam algoritma klasifikasi decision tree merupakan tahapan fundamental dalam mengoptimalkan efisiensi komputasi beserta akurasi pengklasifikasian [20]. Model pohon sebelum dan sesudah pemangkasan akan diuji dengan mode pengujian percentage split dengan persentasi data pelatihan sebanyak 90, 80, 70 dan 60. Hasil perbandingan tingkat akurasi yang dihasilkan oleh pohon yang terpangkas dan tidak dapat dilihat pada tabel 1:

Data Pelatihan 90 80 70 60

Tabel 1. Hasil Perbandingan Pruned dan Unpruned Tree Unpruned Pruned Prediksi Prediksi Akurasi Prediksi Prediksi Benar Salah (%) Benar Salah 31 10 75.6 31 10 57 25 69.5 58 24 70 53 56.9 75 48 92 72 56 94 70

Akurasi (%) 75.6 70.7 60.9 57.3

Berdasarkan hasil yang diperoleh pada Tabel 2 bahwa pohon keputusan yang dipanggas menghasilkan tingkat akurasi yang lebih tinggi dibandingkan pohon keputusan yang tidak dipanggas. 3.3. Eksperimen Pengujian 3.3.1. Mode Pengujian Use Training Test Pada mode pengujian ini semua data set sejumlah 408 data akan dijadikan data pelatihan dan data pengujian. Hasil dari mode pengujian ini akan mencapai nilai tingkat akurasi yang besar hingga mencapai 100%, dikarenakan data pelatihan dan data uji yang digunakan adalah data yang sama. Hasil dari mode pengujian ini dapat dilihat pada tabel berikut: Tabel 2. Hasil Pengujian Mode Use Training Test Algoritma Prediksi Prediksi Akurasi No Klasifikasi Benar Salah (%) 1 Naive Bayes 367 41 89.9 2 IB1 408 0 100 3 J48 368 40 90.1 Pada Tabel 2 memperlihatkan bahwa pada mode pengujian ini, algoritma IB1 unnggul dengan tingkat akurasi mencapai 100%, dari hasil analisis hal ini disebabkan algoritma IB1 hanya melakukan perhitungan kemiripan berdasarkan ekslipit suatu atribut kriteria, sehingga nilai kemiripan antara data uji dan data training akan bernilai 1 karena menggunakan data yang sama persis. 3.3.2. Mode Pengujian Percentage Split

158

ISSN: 1978-1520

Pada mode penelitian ini data set sebanyak 408 data akan dibagi menjadi data pelatihan dan data uji sesuai persentase yang ditentukan. Persentase yang digunakan dalam mode pengujian ini adalah dengan data pelatihan sebesar 90%, 80%, 70% dan 60% dari data set. Hasil dari pengujian mode ini pada algoritma naive bayes, nearest neighbour dan decision tree dapat dilihat pada tabel berikut:

Data Training (%) 90 80 70 60

Tabel 3. Hasil Pengujian Mode Percentage Split Naive Bayes IB1 J48 Prediksi Prediksi Akurasi Prediksi Prediksi Akurasi Prediksi Prediksi Akurasi Benar Salah (%) Benar Salah (%) Benar Salah (%) 17 24 41.5 8 33 19.5 31 10 75.6 32 50 39 16 66 19.5 58 24 70.7 39 84 31.7 25 98 20.3 75 48 60.9 44 120 26.8 37 127 22.5 94 70 57.3

3.3.3. Mode Pengujian Supplied Test Pada pengujian mode ini akan digunakan data uji diluar dari data set. Data uji tersebut belum memiliki solusi pola pakaian dari expert. Guna dilakukannya mode pengujian ini adalah melihat apakah algoritma klasifikasi naive bayes, nearest neighbour dan decision tree mampu memberikan prediksi pola pakaian. Sebaran sub kriteria pilihan untuk data uji adalah semua sub kriteria pilihan dari ketujuh kriteria akan muncul, sehingga total data uji sebanyak 13 data dengan detail sebagai berikut: Tabel 4. Data Uji Pengujian Supplied Test

Kategori

Jenis Bahan Twistone Katun Linen Valvet Saten Drill Wedges Katun

2

Medium

Laki-laki

Dewasa

Kaos

3

Medium

Wanita

Dewasa

Formal

Atasan Celana Jumpsuit Luaran Kemeja Atasan Baju Tidur Baju Muslim Rok

Ukuran Bahan (meter) 2.5 2.5 3 1 1.5 2

Flanel

3.5

Extra Large

Wanita

10

Non Formal

Rok

Denim

1

Large

Wanita

11

Non Formal

Dress

Katun Rayon

1

Medium

Wanita

12

Formal

Kemeja

Batik

1

Medium

Laki-laki

13

Non Formal

Luaran

Spandex

1

Small

Wanita

Dewasa Anakanak Anakanak Anakanak Anakanak

No

Jenis Pakaian

1 2 3 4 5 6

Formal Non Formal Non Formal Non Formal Formal Formal

7

Non Formal

8

Non Formal

9

Ukuran Badan

Jenis Kelamin

Usia

Extra Large Large Large Small Small Small

Laki-laki Laki-laki Wanita Wanita Wanita Wanita

Dewasa Dewasa Dewasa Dewasa Dewasa Dewasa

Hasil dari pengujian mode supplied test dengan data uji seperti pada Tabel 3 dan data pelatihan menggunakan seluruh data set yaitu sebanyak 408 data. Hasil analisis yang diperoleh dari hasil pengujian mode supplied test yang ditampilkan pada Tabel 4 bahwa:




159

1. Naive Bayes: memberikan prediksi pola pakaian yang kurang tepat pada data 3,5,8,9 karena tidak sesuai kategori, sedangkan pada data 7 tidak sesuai dengan jenis kelamin, dan pada data 12 tidak sesuai dengan usia. 2. IB1: memberikan prediksi pola pakaian yang kurang tepat pada data 3,5,6,8 karena tidak sesuai kategori, sedangkan pada data 1 dan 7 tidak sesuai dengan jenis kelamin, dan pada data 12 tidak sesuai dengan usia. 3. J48: prediksi pola pakaian yang kurang tepat pada data 1,2,7 karena tidak sesuai dengan jenis kelamin, sedangkan pada data 10,11,12 tidak sesuai dengan usia.

No 1 2 3 4 5 6 7 8 9 10 11 12 13

Tabel 5. Hasil Pengujian Mode Supplied Test Algoritma Klasifikasi Naive Bayes IB1 J48 Atasan Wanita Lengan Atasan Wanita Lengan Baju Koko Panjang Panjang Kulot Panjang Laki-laki Kulot Panjang Laki-laki Kulot Panjang Wanita Rok Duyung Panjang Rok Duyung Panjang Jumpsuit Can see Panjang Rompi Berkerah Bolero Lengan A Rompi Kutung Rompi Kutung Celana Panjang Wanita Kemeja Lengan Panjang Atasan Peplum Lengan Atasan Wanita Formal Dress Pendek Pendek Daster Can See Daster Can See Daster Can See Rok Tulip Panjang Atasan Lengan Batwing Gamis Lipat Gamis Lipat Rok A Panjang Rok Lipat Pendek Rok Lipat Anak Rok Lipat Anak Rok Lipat Pendek Dress Can see Anak Dress Can see Anak Dress Pendek Kemeja Laki-laki Kemeja Laki-laki Lengan Kemeja Lengan Panjang Lengan Pendek Pendek Blezer Anak Blezer Anak Rompi Kutung

4. KESIMPULAN Kesimpulan yang diperoleh pada penelitian ini adalah dari hasil perbandingan algoritma klasifikasi nearest neighbour, naive bayes dan decision tree yang digunakan pada studi kasus pengambilan keputusan pemilihan pola pakaian menyatakan bahwa algoritma klasifikasi decision tree merupakan algoritma klasifikasi yang memiliki tingkat akurasi paling tinggi dibandingkan algoritma klasifikasi naive bayes dan nearest neighbour yaitu mencapai 75.6% pada pengujian yang dilakukan dengan menggunakan mode pengujian percentage split. Algoritma decision tree yang digunakan ialah algoritma J48 dengan pruned yang model pohon keputusannya memiliki 166 daun dan ukuran pohon 225.

5. SARAN Berdasarkan hasil temuan pada implikasi penelitian, maka saran untuk penelitian selanjutnya adalah : 1. Penggunaan multiple expert dapat diterapkan untuk memperolah kriteria-kriteria yang lebih bervariatif dan jumlah kasus lebih banyak. 2. Menspesifikasikan keriteria-keriteria yang dibuat umum, seperti ukuran bahan dan ukuran badan.

160

ISSN: 1978-1520

3. Melanjutkan penelitian ini dengan mengimplementasikan metode yang terbaik sistem pendukung keputusan pemilihan pola pakaian.

DAFTAR PUSTAKA [1]

J. Iawe. Han, M. Kamber, and J. Pei, 2012, Data Mining Concept and Techniques.

[2]

B. Mirkin, 2011, “Data Analysis, Mathematical Statistics, Machine Learning, Data Mining: Similarities and Differences,” 2011 Int. Conf. Adv. Comput. Sci. Inf. Syst., Vol. 2, pp. 1–8. M. Ramageri, 2010, “Data Mining Techniques and Applications,” Indian J. Comput. Sci. Eng., Vol. 1, No. 4, pp. 301–305.

[3]

[4]

M. Karim and R. M.Rahman, 2013, “Decision Tree and Naïve Bayes Algorithm for Classification and Generation of Actionable Knowledge for Direct Marketing,” J. Softw. Eng. Appl., Vol. 6, pp. 196–206.

[5]

F. Octaviani S, J. Purwadi, and R. Delima, “Implementasi Case Based Reasoning untuk Sistem Diagnosis Penyakit Anjing.”

[6]

I. A. Mubarok, N. A. Wesiani, and A. Rusdiansyah, “Pengembangan Prototype Knowledge Management System berbasis Case Based Reasoning bagi Peningkatan Aksesibilitas UMKM Dalam Permodalan Usaha,” pp. 1–6.

[7]

V. Mandasari and B. A. Tama, 2011, “Analisis Kepuasan Konsumen Terhadap Restoran Cepat Saji Melalui Pendekatan Data Mining: Studi Kasus XYZ,” J. Generic, Vol. 6, No. 1, pp. 25–28.

[8]

N. Jayanti, S. Puspitodjati, and T. Elida, 2008, “Teknik Klasifikasi Pohon Keputusan untuk Memprediksi Kebangkrutan Bank Berdasarkan Ratio Keuangan Bank,” pp. 101– 107.

[9]

I. Yoo, P. Alafaireet, M. Marinov, K. Pena-Hernandez, R. Gopidi, J.-F. Chang, and L. Hua, 2012, “Data Mining in Healthcare and Biomedicine: A Survey of The Literature,” pp. 2431–2448,

[10] R. Entezari-Maleki, A. Rezaei, and B. Minaei-Bidgoli, “Comparison of Classification Methods Based on The Type of Attributes and Sample Size.” [11] S. Guessoum, M. T. Laskri, and M. T. Khadir, 2012, “Combining Case and Rule Based Reasoning for The Diagnosis and Therapy of Chronic Obstructive Pulmonary Disease,” Int. J. Hybrid Inf. Technol., vol. 5, no. 3, pp. 145–160. [12] D. Gu, C. Liang, X. Li, S. Yang, and Z. Pei, 2010, “Intelligent Technique for Knowledge Reuse of Dental Medical Records Based on Case-Based Reasoning,” pp. 213–222. [13] S. H. Kang and S. K. Lau, 2002, “Intelligent Knowledge Acquisition with Case-Based Reasoning Techniques 2. CASE-BASED REASONING SYSTEMS TECHNIQUES Technical Report 2002 May 2002”.




161

[14] S. H. Babic, P. Kokol, V. Podgorelec, M. Zorman, M. Sprogar, and M. M. Stiglic, 2000, “The Art of Building Decision Trees,” J. Med. Syst., Vol. 24, No. 1, pp. 43–52. [15] E. Frank, M. Hall, L. Trigg, G. Holmes, and I. H. Witten, 2003, “Data Mining in Bio Informatics Using Weka,” pp. 1–2. [16] F. Afiff, “Kewirausahaan dan Ekonomi Kreatif,” 2012, [Online]. Available: http://id.wikipedia.org/wiki/Ekonomi_kreatif#cite_note-ekraf8-8. [Accessed: 27-May2015]. [17] E. Siregar and F. Hutapea, “Perbedaan Hasil Jahitan Blus Antara Pola Leeuw Van Rees dengan Pola m.h Wancik untuk Wanita Bertubuh Gemuk,” pp. 23–27. [18] A. Maula, 2013, “Perancangan dan Implementasi Aplikasi Pola Dasar Busana Wanita”. [19] R. Kirkby, E. Frank, and P. Reutemann, 2007, “WEKA Explorer User Guide for Version 3-5-7”. [20] S. Drazin and M. Montag, “Decision Tree Analysis Using Weka,” pp. 1–3.

162

ISSN: 1978-1520

Pengenalan Mobil pada Citra Digital Menggunakan HOG-SVM Derry Alamsyah STMIK GI MDP Palembang [email protected]

Abstract The image data on a highway has been available on several online sites. It can be used to pull some information such as traffic congestion, vehicle volume per day, etc. To obtain this information required basic information such as the introduction of the vehicle, in this case the car. The introduction of the car is done by utilizing the features that form the image Histogram of Oriented Gradient (HOG). The introduction of a car based on this feature is done by using a model of linear equations formed from the algorithm Support Vector Machine (SVM), which is a binary classification. The accuracy of the results obtained in this study was 82, 5%. Keywords: Car Recognition, HOG, SVM Abstrak Data citra pada jalan raya telah sedia pada beberapa online sites. Hal ini dapat dimanfaatkan untuk menarik beberapa informasi seperti kemacetan, volume kendaraan perhari, dll. Untuk mendapatkan informasi ini dibutuhkan informasi mendasar seperti pengenalan kendaran, dalam hal ini mobil. Pengenalan mobil dilakukan dengan memanfaatkan fitur bentuk pada citra yaitu Histogram of Oriented Gradient (HOG). Pengenalan mobil berdasarkan fitur ini dilakukan dengan menggunakan suatu model persamaan linier yang dibentuk dari algoritma Support Vector Machine (SVM) yang merupakan suatu klasifikasi biner. Hasil Akurasi yang didapat pada penelitian ini adalah 82, 5%. Kata kunci: Car Recognition, HOG, SVM

1.

PENDAHULUAN

Beberapa data citra digital dapat diperoleh dari online cites, salah satunya merupakan citra digital pada jalan raya, atau pun pada wilayah parkir kendaraan. Data tersebut dapat dimanfaatkan untuk memperoleh informasi mengenai keadaan yang terjadi seperti kemacetan, volume kendaraan per hari. Untuk mendapat informasi tersebut diperlukan informasi yang lebih mendasar seperti deteksi kendaraan atau lebih mendasar berupa pengenalan kendaraan. Kendaraan yang dapat dikenali terdiri dari berbagai jenis yaitu Mobil, Bus, Motor, dll. Beberapa penelitian terkait mengenai deteksi/pengenalan Mobil telah dilakukan, yaitu segmentasi mobil melalui fitur ciri bentuk seperti SURF dan hough circle [1]. Selanjutnya penggunaan fitur kontur [2], namun umumnya fitur ini rentan pada permasalahan iluminasi. Fitur berikutnya yang memberikan hasil akurasi yang tinggi yaitu 95% dihasilkan melalui fitur Haar-like dengan klasifikasi menggunakan ANN [3]. Meskipun hasil akurasi yang dihasilkan tinggi, namun proses pelatihan dengan menggunakan fitur ini memerlukan komputasi yang besar sesuai dengan jumlah data latih. Hal ini merupakan sifat alami dari penggunaan fitur Haar-like, ditambah penggunaan ANN maka proses pencarian ciri yang terbaik membutuhkan waktu yang lama. Pada umumnya penggunaan fitur Haar-Like memakan waktu beberapa hari,

 163


namun hal ini dapat dikurangi dengan menggabungkan penggunaan memori RAM dan VGA. Penggunaan kedua memori tersebut membutuhkan biaya yang tidak murah terutama pada VGA. Fitur bentuk lain untuk mengenali sebuah objek dilakukan dengan memanfaatkan informasi gradien pada citra [4] yaitu Histogram of Oriented Gradient (HOG). Fitur telah digunakan untuk mendeteksi pejalan kaki [5] dan tulisan tangan [6]. Penggunaan fitur ini didampingi oleh klasifikasi biner Support Vector Machine (SVM). Hasil akurasi yang dihasilkan untuk mendeteksi objek dengan menggunakan HOG-SVM memiliki akurasi yang tinggi. Proses pelatihan menggunakan fitur ini memiliki waktu yang cepat. Pada penelitian ini pengenalan objek yang dilakukan berupa pengenalan mobil. Fitur yang digunakan adalah HOG dengan algoritma klasifikasi biner yaitu SVM. 2. Histogram of Oriented Gradien (HOG) HOG-Algorithm (I: Image) Gradient Image: Gradient ‫ܫ‬௫(‫ݎ‬, ܿ) = ‫ݎ(ܫ‬, ܿ+ 1) − ‫ݎ(ܫ‬, ܿ− 1) ‫ܫ‬௬ (‫ݎ‬, ܿ) = ‫ݎ(ܫ‬− 1, ܿ) − ‫ݎ(ܫ‬+ 1, ܿ)

Magnitude

ߤ = ට ‫ܫ‬௫ + ‫ܫ‬௬

Orientation

Cell Orientation Histogram: Untuk bin‫ܤ‬dan cell‫ܥ‬:

ߠ=

180 ൫tanିଵ ଶ ൫‫ܫ‬௬ , ‫ܫ‬௫൯mod ߨ൯ ߨ

Votebin pada setiap cell

ఏ

ଵ

untuk bin݆= ቂ − ቃmod ‫ܤ‬ ௪ ଶ dengan batas bin[‫݅ݓ‬, ‫݅( ݓ‬+ 1)) dimana ଵ଼଴ ‫=ݓ‬ dan ஻

sebagai pusat masing-masing bin.

‫ݒ‬௝ = ߤ

ܿ௝ାଵ − ߠ ‫ݓ‬

1 ܿ௜ = ‫ ݓ‬൬݅+ ൰ 2

Kemudian vote bin, untuk bin (݆+ ݅)mod ‫ܤ‬

‫ݒ‬௝ାଵ = ߤ

ߠ − ܿ௝ ‫ݓ‬

164

ISSN: 1978-1520

Block Normalization: Normalisasi setiap block yang terdiri dari ܿ × ܿcell. ܾ ܾ= ඥ|ܾ|ଶ + ߝ Hog Feauture: Normalisasi setiap fitur HOG dari setiap blok. ℎ=

Return h[4].

ℎ

ඥ|ℎ|ଶ + ߝ

3. Support Vector Machine (SVM) Support Vector Machine (SVM) merupakan metode klasifikasi biner yang memanfaarkan suatu persamaan hyperplane (garis untuk bidang dua dimensi) yang ditunjukan oleh Gambar 1[7][8][9]. Persamaan umum SVM: ݂௦௩௠ (࢞) = ‫ ݓ‬. ‫ ݔ‬+ ܾ dimana dengan

‫ = ݓ‬෍ ߙ௜‫ݕ‬௜߶(࢞࢏) ௜∈ே

‫ܭ‬൫࢞࢏, ࢞࢐൯= ߶(࢞࢏)߶൫࢞࢐൯

merupakan fungsi kernel dan b nilai bias.

Gambar 1. SVM Hyperplane SVM-Train Algorithm(ࢄ, ࢅ) Feature vector (X): ࢞ࢊ ∈ ܺ dimana ݀ ∈ ܰ Label (Y):

Gaussian Kernel:

ܻ = {1, −1}

ଶ

−ห࢞࢏ − ࢞࢐ห ‫ܭ‬൫࢞࢏, ࢞࢐൯= exp ൭ ൱ 2ߪଶ

 165

Jatisi, Vol. 1 No. 2 Maret 2017 Optimize:

1 ‫ = ݀ܮ‬max ෍ ߙ௜ − ෍ ෍ ߙ௜ߙ௝‫ݕ‬௜‫ݕ‬௝‫ܭ‬൫‫ݔ‬௜, ‫ݔ‬௝൯ ఈ೔∈ோ 2 ௜∈ே

dengan 0 ≤ ߙ௜ ≤ ‫ ܥ‬dan ∑௜∈ே ߙ௜‫ݕ‬௜ = 0

௜∈ே ௝∈ே

SVM-Model:

݂௦௩௠ (࢞) = ෍ ߙ௜‫ݕ‬௜‫࢏࢞(ܭ‬, ࢞) + ܾ ௜∈ே

Return݂௦௩௠

SVM-Classifier Algorithm(࢞, ࢌ࢙࢜࢓ )

݂௦௩௠ (‫ ≥ )ݔ‬0 ‫ܽݕ݈݊݅ܽ݁ݏ‬

1, ݈ܿܽ‫ =ݏݏ‬൜ −1,

Return class

Optimasi dilakukan dengan Sequential Minimal Optimization (SMO). 4. Pengenalan Mobil Pengenalan mobil dibagi kedalam dua tahap yang ditunjukan oleh Gambar 2, yaitu tahap melatih sistem (training phase) dan tahap pengenalan objek (testing phase) baik sebagai mobil atau bukan. Dataset yang digunakan diperoleh dari UIUC Image Database for Car Detection. Training Phase

Citra Mobil

Dataset Citra

HOG Citra Non- Mobil

SVM-Train

SVMModel

Citra

HOG

SVM-Classifier

Testing Phase

Gambar 2. Pengenalan Mobil

Hasil

166

ISSN: 1978-1520

Gambar 3. Dataset Mobil

Gambar 4. Dataset Non-Mobil Jumlah dataset adalah 1000 citra dengan ukuran 40 × 100 piksel. Dataset dibagi menjadi dua bagian yaitu dataset mobil (citra +) (Gambar 3) dan data set non-mobil (citra-) (Gambar 4). 5. HASIL DAN PEMBAHASAN Pengujian sistem yang telah dibuat dilakukan dalam 3 cara yaitu: Pengujian pertama dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–) dengan ratio1:1. Hasil pada pengujian pertama memiliki tingkat akurasi yang baik yaitu diatas 70%. Peningkatan akurasi didapat dengan menambakan jumlah data latih (Train Data) pada sistem. Hasil pengujian pertama ditunjukan oleh Tabel 1. Pengujian tahap pertama ini dibagi kedalam dua pengujian yaitu pengujian dengan menggunakan data latih dan pengujian menggunakan data uji (Test Data). Pengujian untuk data latih menghasilkan akurasi yang tepat yaitu 100%, namun belum menghasilkan akurasi yang optimal untuk pengujian data uji. Hal ini dikarenakan sistem belum cukup banyak mendapatkan informasi mengenai ciri mobil yang sebenarnya. Oleh karena itu dengan penambahan data latih pada sistem, menghasilkan hasil akurasi yang optimal yaitu 82.5% pada 300 data latih untuk masing-masing citra (+) dan citra (-). Akan tetapi, penambahan data latih sejumlah 400 citra (+) dan citra (-) menurunkan tingkat akurasi, hal ini dikarenakan terjadi overfitting pada proses pelatihan sistem.

Gambar 5. Deteksi Mobil

n-Train Data (image) 100+, 100200+, 200-

Tabel 1. Pengujian Pertama n-Test Data Acc. Train Data (image) (percent) 100 100 100 100

Acc. Test Data (percent) 74.5 78.5

 167

Jatisi, Vol. 1 No. 2 Maret 2017 300+, 300400+, 400-

100 100

100 100

82.5 76.5

Pengujian kedua dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–) dengan ratio 1:0.5. Pengujian ini menghasilkan tingkat akurasi yang sama baik pada data latih maupun data uji. Hasil pengujian kedua ditunjukan oleh Tabel 2.

n-Train Data (image) 100+, 50200+, 100300+, 150400+, 200-

Tabel 2. Pengujian Kedua n-Test Acc. Acc. Test Data Train Data (image) Data (percent) (percent) 100 100 50 100

100

50

100

100

50

100

100

50

Pengujian ketiga dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–) dengan ratio 1:0.75. Hasil pengujian ini ditunjukan oleh Tabel 3, dimana tingkat akurasi pada data latih dan data uji sama.

n-Train Data (image) 100+, 75200+, 150300+, 225400+, 300-

Tabel 3. Pengujian Ketiga n-Test Data Acc. Train Data (image) (percent) 100 100 100 100 100 100 100 100

Acc. Test Data (percent) 50 50 50 50

Hasil akurasi yang sama pada pengujian kedua dan ketiga menunjukan bahwa sistem tidak menemukan model yang tepat dari data latih yang diberikan. Penerapan sederhana untuk permasalahan deteksi mobil dengan menggunakan sistem ini ditunjukan oleh gambar 5.

6. KESIMPULAN Akurasi pengenalan mobil yang terbaik didapatkan pada pelatihan sistem dengan menggunakan ratio 1:1 untuk citra (+) dan citra (-) yaitu sebesar 82.5%. Dimana, jumlah data latih berjumlah 300 untuk masing-masing jenis citra dataset. Sedangkan untuk semua proses pelatihan sistem dengan menggunakan ratio yang tidak sebanding (1:0.5 dan 1:0.75) memiliki nilai akurasi yang tidak baik, dengan semua nilai berjumlah 50%.

168

ISSN: 1978-1520 DAFTAR PUSTAKA

[1]

A. Naba, B. M. Pratama, A. Nadhir, and H. Harsono, “Haar-Like Feature Based RealTime Neuro Car Detection System,” pp. 67–70, 2016.

[2]

C. J. C. Junli and J. L. J. Licheng, “Classification Mechanism of Support Vector Machines,” WCC 2000 - ICSP 2000. 2000 5th Int. Conf. Signal Process. Proceedings. 16th World Comput. Congr. 2000, Vol. 3, pp. 0–3, 2000.

[3]

N. Dalal and W. Triggs, “Histograms of Oriented Gradients for Human Detection,” 2005 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. CVPR05, Vol. 1, No. 3, pp. 886–893, 2004.

[4]

N. Sapankevych and R. Sankar, “Time Series Prediction Using Support Vector Machines: A Survey,”IEEE Comput. Intell. Mag., Vol. 4, No. 2, pp. 24–38, 2009.

[5]

L. Li, S. Yoon, J. Liu, and J. Yi, “Multi-Scale Car Detection and Localization Using Contour Fragments,”2014 IEEE Int. Conf. Image Process. ICIP 2014, pp. 1609–1613, 2014.

[6]

P. Nskh, N. V. M, and R. R. Naik, “Principle Component Analysis Based Intrusion Detection System Using Support Vector Machine,” pp. 1344–1350, 2016.

[7]

R. Singh, T. D. Biradar, M. Godse, M. E. S. Extc, A. P. Extc, and H. O. D. Biomedical, “Improving Histograms of Oriented Gradients for Pedestrian Detection,” Vol. 2, No. 3, pp. 195–199, 2013.

[8]

R. Ebrahimzadeh, “Efficient Handwritten Digit Recognition Based on Histogram of Oriented Gradients and SVM,” Vol. 104, No. 9, pp. 10–13, 2014.

[9]

V. Vinoharan, A. Ramanan, and S. R. Kodituwakku, “A Wheel-Based Side-View Car Detection Using Snake Algorithm,” ICIAFS 2012 - Proc. 2012 IEEE 6th Int. Conf. Inf. Autom. Sustain., pp. 185–189, 2012.

Jatisi, Vol.3 No.2 Maret 2017

 169

Pengaruh Kualitas Sistem Informasi Cyber CampusTerhadap Kepuasan dan Loyalitas Mahasiswa STIKOM Surabaya Puspita Kartikasari Institut Bisnis dan Informatika Stikom Surabaya; Jalan Kedung Baruk 98 Surabaya, Telp. 0318721731 e-mail: [email protected] / [email protected]

Abstrak Kemajuan Teknologi Informasi yang terjadi memberikan berbagai sarana bagi perguruan tinggi untuk meningkatkan kualitas pelayanan terhadap sivitas akademikanya. Salah satu hal yang dilakukan untuk menunjang sistem informasi yang ada di lingkungan kampus yaitu dengan membuat Website. Sehingga pada penelitian ini dikhususkan pada penggunaan sistem informasi akademik berbasis web di Institut Bisnis dan Informatika Stikom Surabaya yang dikenal dengan sebutan Sistem Informasi Cyber Campus (SICYCA). Melalui SICYCA, mahasiswa dapat dengan mudah mendapatkan data mengenai berbagai macam layanan antara lain Akademik, Keuangan, PPTA, Perpustakaan, E-Resource, Email, Komunitas. Dalam penggunaannya SICYCA menghadapi beberapa kendala, akan tetapi SICYCA tetap digunakan oleh mahasiswa untuk kepentingan berlangsungnya proses pembelajaran. Sehingga dalam penelitian ini perlu dilakukan pengukuran pengaruh kualitas SICYCA terhadap kepuasan dan loyalitas mahasiswa Stikom Surabaya untuk mengetahui hal apa saja yang mempengaruhi kepuasan mahasiswa terhadap SICYCA. Penelitian ini menggunakan metode Webqual 4.0 yang dimodifikasi dengan menambahkan dimensi kualitas antarmuka pengguna. Pengambilan data dilakukan dengan menggunakan kuisioner, kemudian dilakukan deskripsi pada data yang diperoleh dan dilakukan pengolahan data dengan menggunakan analisis Structural Equation Modelling. Hasil yang diperoleh dari analisis menunjukkan bahwa variabel yang berpengaruh signifikan terhadap kepuasan mahasiswa yaitu kualitas kegunaan dan kualitas desain antarmuka pengguna, sedangkan kepuasan mahasiswa sangat berpengaruh signifikan terhadap loyalitas mahasiswa. Kata kunci: Sistem Informasi Cyber Campus, Kepuasan Mahasiswa, Loyalitas Mahasiswa Webqual 4.0

Abstract Development of Information Technology that occur provide various tools for universities to improve the quality of service to its academic community. One of the things that has been done to sustain the existing information systems in the campus environment is to create a website. Therefore, this research is devoted to the use of web-based academic information systems at the Institute of Business and Informatics Stikom Surabaya known as Cyber Campus Information System (SICYCA). Through SICYCA, students can easily obtain data on a wide range of services, such as Academic, Finance, PPTA, Library, E-Resource, Email, Community. SICYCA has some constraints in the usage, but SICYCA is still used by students for the benefit of the learning process. Thus, a study is required about measuring the influence of the quality of SICYCA on satisfaction and loyalty of students Stikom Surabaya to know what influences student satisfaction towards SICYCA. This study uses WebQual 4.0 modified by adding the dimension of the quality of the user interface. Data were collected using Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012

170

ISSN: 1978-1520

questionnaires, then carried the description on the data obtained and the data processing is done using Structural Equation Modelling analysis. The results of the analysis showed that the variables that significantly influence student satisfaction is the quality of usability and the user interface design quality, while student satisfaction has very significant effect on student loyalty. Keywords: Information Systems Cyber Campus, Student Satisfaction, Loyalty Students,WebQual 4.0 modifications, Structural Equation Modelling.

1. PENDAHULUAN emajuan Teknologi Informasiyang terjadi saat ini telah memberikan berbagai sarana bagi perguruan tinggi untuk meningkatkan kualitas pelayanan terhadap sivitas akademikanya. Suatu sistem yang didukung oleh Teknologi Informasi dapat memberikan nilai tambah bagi perguruan jika didesain menjadi sistem informasi yang efektif dan efisien [1]. Penggunaan sistem informasi yang efektif dan efisien merupakan tanda bahwa sistem tersebut dapat mendukung tercapainya Visi dan Misi perguruan tinggi. Salah satu hal yang dilakukan oleh Perguruan Tinggi untuk menunjang sistem informasi yang ada di lingkungan kampus yaitu dengan membuat Website. Website merupakan salah satu media penting dimana pengguna dapat menemukan semua jenis informasi yang berkaitan dengan bidang mereka. Peranan website suatu universitas tidak hanya terbatas sebagai media informasi namun juga merupakan salah satu barometer yang dipakai untuk mengukur kualitas perguruan tinggi tersebut [2]. Sehingga dapat dikatakan bahwa domain yang paling banyak menggunakan website saat ini adalah domain perguruan tinggi [3]. Objek penelitian ini dikhususkan pada penggunaan sistem informasi akademik berbasis web di Institut Bisnis dan Informatika Stikom Surabaya yang dikenal dengan sebutan Sistem Informasi Cyber Campus (SICYCA). SICYCA dibuat pada pertengahan tahun 2000, akan tetapi mulai digunakan oleh sivitas akademika Institut Bisnis dan Informatika Stikom Surabaya sejak Maret 2001. Hingga saat ini SICYCA telah digunakan selama lima belas tahun dengan adanya perbaikan dan pengembangan secara berkala sesuai dengan perkembangan kebutuhan seluruh sivitas akademika Institut Bisnis dan Informatika Stikom Surabaya terutama untuk kebutuhan mahasiswa. SICYCA dibuat dengan tujuan untuk membantu mahasiswa agar memperoleh informasi lebih mudah. Mahasiswa dapat dengan mudah mengakses SICYCA yang berbasis web dimanapun dan kapanpun melalui situs www.sicyca.stikom.edu. Melalui SICYCA, mahasiswa dapat dengan mudah mendapatkan data mengenai berbagai macam layanan antara lain Akademik, Keuangan, PPTA, Perpustakaan, E-Resource, Email, Komunitas. Layanan akademik menampilkan informasi mengenai akademik Institut Bisnis dan Informatika Stikom Surabaya secara sekilas. Informasi yang ditampilkan pada menu akademik antara lain jadwal kuliah minggu ini, kartu rencana studi, jadwal ujian, sisa matakuliah, materi kuliah, nilai dan kalender akademik. Layanan keuangan menampilkan informasi mengenai halhal yang berhubungan dengan keuangan mahasiswa yang berupa SPP, SP dan denda. Layanan PPTA (Pusat Pelayanan Tugas Akhir) menyediakan informasi yang berkaitan dengan tugas akhir yang diambil oleh mahasiswa. Layanan perpustakaan menampilkan tentang informasi yang berhubungan dengan peminjaman buku dan histori kunjungan ke perpustakaan Institut Bisnis dan Informatika STIKOM Surabaya yang berupa rata-rata kunjungan, rata-rata pinjaman dan peminjaman buku. Layanan E-Resource menyediakan materi kuliah yang berupa file dokumen, video, audio, dan jurnal. Layanan Email berisi fasilitas email yang disediakan oleh omega.stikom.edu yang kini dapat diakses melalui Sicyca. Layanan komunitas berisi fasilitas untuk mencari data mahasiswa dan staf di Institut Bisnis dan Informatika Stikom Surabaya. Dalam penggunaannya SICYCA menghadapi beberapa kendala pada pemakaiannya. Meskipun hal tersebut terjadi, SICYCA tetap digunakan oleh mahasiswa untuk kepentingan berlangsungnya proses pembelajaran. Sehingga dalam penelitian ini perlu dilakukan pengukuran

K





171

pengaruh kualitas SICYCA terhadap kepuasan dan loyalitas mahasiswa Stikom Surabaya untuk mengetahui hal apa saja yang mempengaruhi kepuasan mahasiswa terhadap SICYCA. Pengukuran kepuasan mahasiswa terhadap SICYCA dilakukan dengan menggunakan metode Webqual 4.0 yang telah dimodifikasi dengan menambahkan dimensi kualitas antarmuka pengguna (User Interface Quality) dengan tiga dimensi utama Webqual 4.0 yang meliputi kualitas kegunaan (Usability Quality), kualitas informasi (Information Quality) dan kualitas layanan interaksi (Service Information). Penambahan dimensi kualitas antarmuka adalah untuk mengukur kualitas antarmuka website yang berkaitan dengan daya tarik visual website karena pengguna akan melihat tampilan website sebagai interaksi pertama. Penelitian ini bertujuan untuk mengukur seberapa besar dan bagaimana pengaruh kualitas SICYCA terhadap kepuasan dan loyalitas mahasiswa penggunanya serta mengetahui perbaikan apa saja yang diharapkan mahasiswa terhadap SICYCA.

2. METODE PENELITIAN 2.1

Lokasi Penelitian Penelitian ini dilakukan di Institut Bisnis dan Informatika Stikom Surabaya yang berlokasi di Jalan Kedung Baruk 98 Surabaya Jawa Timur. Obyek dari penelitian ini dikhususkan pada mahasiwa Institut Bisnis dan Informatika Stikom Surabaya karena mahasiswa merupakan pengguna aktif dari SICYCA. 2.2

Populasi dan Sampel Populasi yang digunakan yaitu seluruh mahasiswa Institut Bisnis dan Informatika Stikom Surabaya yang terhitung masih aktif dengan jumlah keseluruhan sebanyak 1797 mahasiswa. Dari populasi tersebut diambil sampel untuk mewakili mahasiswa keseluruhan, sampel tersebut diambil berdasarkan rumus Slovin dikutip oleh [4] yaitu sebagai berikut: ܰ ݊= 1 + (ܰ × ݁ଶ) 1797 ݊= 1 + (1797 × (0,1)ଶ) 1797 ݊= 1 + 17,97 1797 ݊= 18,97 ݊ = 94,7 (dibulatkan menjadi 95 mahasiswa) Pengambilan jumlah sampel sebesar 95 mahasiswa didasarkan pada sampling aksidental. Sampling aksidental adalah teknik penentu sampel berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan bertemu dengan peneliti itu cocok sebagai sumber data. Kuesioner diberikan kepada mahasiswa yang datang ke perpustakaan Institut Bisnis dan Informatika Stikom Surabaya. 2.3

Instrumen Penelitian Pada penelitian ini, data diambil dengan cara membagikan kuisioner kepada mahasiswa. Data yang tersedia dalam kuisioner tersebut disajikan dalam bentuk skala ordinal dengan menggunakan skala likert. Cara perhitungan yang digunakan pada skala likert sendiri adalah dengan menghadapkan seorang responden dengan beberapa pertanyaan dan kemudian diminta untuk memberikan jawaban. Data yang berhasil dikumpulkan dari kuesioner selanjutnya akan diukur dengan bobot hitung 1 sampai 5, dengan kategori: 1. Jawaban sangat setuju diberi bobot 5. 2. Jawaban setuju diberi bobot 4.


172

ISSN: 1978-1520

3. Jawaban cukup setuju/netral diberi bobot 3. 4. Jawaban tidak setuju diberi bobot 2. 5. Jawaban sangat tidak setuju diberi bobot 1. Skala Likert ini kemudian menskala individu yang bersangkutan dengan menambahkan bobot dari jawaban yang dipilih. 2.4

Definisi Operasional Variabel Digunakan beberapa istilah sehingga didefenisikan secara operasional agar menjadi petunjuk dalam penelitian ini. Defenisi operasional tersebut adalah: 1. Layanan website adalah setiap kegiatan atau manfaat yang berhubungan dengan website yang dapat diberikan oleh Institut Bisnis dan Informatika Stikom Surabaya. 2. Faktor kualitas layanan website adalah merupakan tingkat keunggulan pelayanan website yang dapat memenuhi keinginan mahasiswa yang diberikan oleh Institut Bisnis dan Informatika Stikom Surabaya. 3. Kualitas layanan adalah atribut-atribut dimensi pelayanan website yang diberikan oleh Institut Bisnis dan Informatika Stikom Surabaya yang dengan menggunakan metode Webqual 4.0 yang meliputi Usability Quality, Information Quality dan Service Information serta dimodifikasi dengan menambahkan dimensi User Interface Quality. Variabel ini diukur dengan menggunakan skala Likert. 4. Kualitas Kegunaan (X1), merupakan variabel independen yang berasal dari penelitian dalam bidang Human Computer Interaction (HCI) atau interaksi antara manusia, komputer dan web usability. 5. Kualitas Informasi (X2), merupakan variabel independen yang berasal dari penelitian mengenai sistem informasi. Pertanyaan-pertanyaan yang dikembangkan di bagian ini dibangun berdasarkan literatur yang berfokus pada kualitas informasi, data dan sistem. 6. Kualitas Layanan Interaksi (X3), merupakan variabel independen yang berasal dari penelitian mengenai kualitas layanan marketing, e-commerce dan sistem informasi. 7. Kualitas Desain Antarmuka Pengguna (X4), merupakan variabel independen yang merupakan dimensi baru yang ditambahkan ke dalam dimensi asal Webqual 4.0 yang berfungsi untuk mengetahui kualitas antarmuka website yang berkaitan dengan daya tarik visual dari user interface website. 8. Kepuasan mahasiswa terhadap pelayanan website Sistem Cyber Campus (SICYCA) Institut Bisnis dan Informatika Stikom Surabaya merupakan variabel dependen yaitu faktor yang mendasari rasa puas mahasiswa terhadap pelayanan website yang diberikan (Y1). 9. Loyalitas mahasiswa terhadap pelayanan website Sistem Cyber Campus (SICYCA) Institut Bisnis dan Informatika Stikom Surabaya merupakan variabel dependen yaitu faktor yang mendasari rasa loyal mahasiswa terhadap pelayanan website yang diberikan (Y2). 2.5

Kerangka Pemikiran Penelitian ini melakukan analisis pengaruh kualitas layanan website SICYCA terhadap kepuasan mahasiswa yang diukur berdasarkan dimensi kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, dan kualitas desain antarmuka pengguna. Kerangka pemikiran secara rinci dijelaskan dalam Gambar 1 sebagai berikut:





173

Kualitas Layanan (Dimensi Kualitas Layanan)

Kualitas Kegunaan (X1)

Kualitas Informasi (X2)

Kualitas Layanan (X3)

Desain Antarmuka (X4)

Kepuasan Mahasiswa Institut Bisnis dan Informatika Stikom Surabaya terhadap SICYCA (Y1) Loyalitas Mahasiswa Institut Bisnis dan Informatika Stikom Gambarterhadap 1 Kerangka Pemikiran Surabaya SICYCA (Y2)

Gambar 1. Kerangka Pemikiran 2.6

Hipotesis Penelitian Penentuan hipotesa dibuat berdasarkan model sukses yang telah dirancang, berikut hipotesa yang digunakan: H1 : Kualitas Kegunaan akan berkontribusi positif dan signifikan pada kepuasan mahasiswa. H2 : Kualitas Informasi akan berkontribusi positif dan signifikan pada kepuasan mahasiswa. H3 : Kualitas Layanan akan berkontribusi positif dan signifikan pada kepuasan mahasiswa. H4 : Desain Antarmuka akan berkontribusi positif dan signifikan pada kepuasan mahasiswa. H5 : Kepuasan Mahasiswa akan berkontribusi positif dan signifikan pada loyalitas mahasiswa. 2.7

Metode Analisis Data Analisis yang dilakukan dalam penelitian ini meliputi analisis statistik deskriptif dan analisis statistik inferensia. Analisis statistik deskriptif untuk menggambarkan objek penelitian pada data sampel. Analisis ini berupa penggambaran sekumpulan data secara visual yang terdiri dari deskripsi dan grafik karakteristik milik responden. Sedangkan analisis statistik inferensia meliputi analisis SEM (Structural Equation Modelling) menggunakan Partial Least Square (PLS) yang didalamnya termasuk uji reliabilitas, uji validitas, pengujian Model Struktural (Inner Model), pengujian Model Struktural (Outer Model). Software yang digunakan dalam penelitian ini yaitu SmartPLS. Pengolahan data memiliki tujuan untuk mengetahui seberapa berpengaruhnya kualitas layanan website SICYCA terhadap kepuasan dan loyalitas mahasiswa Institut Bisnis dan Informatika Stikom Surabaya.

3. ANALISIS DAN PEMBAHASAN Pada bab ini dilakukan analisis dan pembahasan dari hasil pengambilan data menggunakan kuisioner. 3.1

Analisis Statistik Deskriptif Pengolahan menggunakan analisis statistik desktiptif dilakukan pada data yang terhimpun dan memenuhi syarat, yaitu sebanyak 95 responden. Pengolahan ini dilakukan pada profil responden dan variabel-variabel yang digunakan dalam penelitian yaitu variabel Jenis


174

ISSN: 1978 1978-1520

kelamin, Umur dan Prodi. Pengelolahan ini disajikan dalam bentuk pie chart (diagram lingkaran) dan bar chart (diagram batang). batang) 3.1.1 Analisis nalisis Statistik Deskriptif pada Variabel Jenis Kelamin Berikut disajikan diagram lingkaran dari variabel Jenis Kelamin responden yang telah disurvey.

Gambar 2. 2 Profil Responden Variabel Jenis Kelamin Berdasarkan Gambar 2 dapat diketahui bahwa responden laki-laki laki yang disurvey lebih banyak daripada responden perempuan yaitu sebesar 67,73 %, sedangkan responden perempuan sebesar 32,63 %. 3.1.2

Analisis Statistik Deskriptif pada Variabel Program Studi (Prodi) Berikut disajikan diagram batang dari variabel prodi responden yang telah disurvey.

Gambar 3. Profil Responden Variabel Program Studi Berdasarkan Gambar 3 dapat diketahui bahwa program studi responden yang paling banyak disurvey adalah program studi S1 Sistem Informasi yaitu sebanyak 45 responden, sedangkan untuk program studi S1 Desain Komunikasi Visual sebanyak 14 responden, program studi S1 Sistem Komputer sebanyak 13 responden, program studi DIV Komputer Multimedia sebanyak 7 responden, en, program studi DIII Manajemen Informatika sebanyak 5 responden, program studi S1 Manajemen sebanyak 3 responden, program studi DIII Desain Grafis sebanyak 3 responden, prodi S1 Komputer Akuntansi sebanyak 2 responden, program studi DIII Komputerisasi Perkantoran rkantoran dan Kesekretariatan 2 responden dan program studi S1 Akuntansi sebanyak 1 reponden.

IJCCS Vol. x, No. x, July201x : first_page–end_page first_page




175

3.2

Analisis Statistik Inferensia Pengolahan data menggunakan analisis statistika inferensia ini berisi uji validitas, reliabilitas, evaluasi model dan signifikansi setiap variabel menggunakan Software Smart PLS. Berikut gambar Model Structural Equation Modelling yang terbaik dari data kuisioner yang didapatkan.

Gambar 4. Model Structural Equation Modelling 3.2.1 Evaluasi Measurement (Outer) Model Terbaik 1. Uji Validitas Suatu indikator dinyatakan valid apabila memiliki nilai loading factor di atas 0,5 terhadap nilai konstruk yang dituju. Hasil nilai loading factor dari output SmartPLS untuk model terbaik adalah sebagai berikut: Tabel 1.Nilai Outer Loading

Indikator

KK2 KK3 KK4 KK5 KK6 KK7 KI1 KI2 KI4

Kualitas Kegunaan

Kualitas Informasi

Kualitas Layanan Interaksi

Kualitas Kepuasan Loyalitas Antarmuka Mahasiswa Mahasiswa Pengguna

0,767 0,686 0,728 0,710 0,716 0,638 0,752 0,669 0,758


176

ISSN: 1978-1520 KI5 KI6 KI7 KLI1 KLI2 KLI3 KLI4 KLI5 KLI6 KAP1 KAP2 KAP3 KAP4 KAP5 KAP6 KAP7 KAP8 KP1 KP2 KP3 KP4 LP1 LP2 LP3 LP4

0,744 0,760 0,682 0,755 0,735 0,717 0,735 0,734 0,712 0,749 0,806 0,782 0,780 0,669 0,736 0,742 0,628 0,871 0,900 0,843 0,814 0,778 0,862 0,898 0,786

Tabel 1 menunjukkan bahwa nilai loading factor telah memenuhi nilai yang disarankan yaitu sebesar 0,5. Nilai yang paling kecil adalah sebesar 0,628 untuk indikator KAP8.Hal ini menunjukkan bahwa indikator yang digunakan dalam penelitian ini dapat dinyatakan sudah valid atau telah memenuhi convergent validity. Cara lain untuk melihat discriminant validity yaitu dengan melihat nilai Average Variance Extracted (AVE). Nilai tersebut disarankan di atas 0,5. Disajikan nilai AVE pada Tabel 2 dan Gambar 5 sebagai berikut: Tabel 2. Nilai Average Variance Extracted Average Variance Extracted 0,502 Kualitas Kegunaan 0,531 Kualitas Informasi 0,535 Kualitas Layanan Interaksi 0,546 Kualitas Antarmuka Pengguna 0,735 Kepuasan Mahasiswa 0,693 Loyalitas Mahasiswa


Jatisi,, Vol. 3 No. 2 Maret 2017



177

Gambar 5. Nilai Average Variance Extracted (AVE) Tabel 2 menunjukkan bahwa nilai AVE untuk variabel kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, interaksi, kualitas antarmuka pengguna, kepuasan mahasiswa dan loyalitas mahasiswa melebihi nilai 0,5. Nilai AVE terendah dimiliki oleh variab variabel kualitas kegunaan yaitu sebesar 0,502. 0,502 Hal ini diperkuat juga pada Gambar 5,, gambar tersebut menunjukkan diagram batang ng berwarna hijau yang berarti bahwa nilai AVE telah berada di atas 0,5 yang berarti bahwa indikator-indikator indikator indikator yang mewakili ketiga konstruk tersebut valid. 2. Uji Reliabilitas Pengujian reliabilitas dilakukan dengan melihat nilai dari composite reliability dari indikator-indikator indikator yang mengukur masing-masing masing variabel. Nilai composite reliability akan menunjukkan hasil yang reliabel jika nilainya lebih besar dari 0,7. Berikut disajikan nilai composite reliability. Tabel 3. Nilai Composite Reliability Composite Reliability 0,858 Kualitas Kegunaan 0,871 Kualitas Informasi Inform 0,873 Kualitas Layanan Interaksi 0,905 Kualitas Antarmuka Pengguna 0,917 Kepuasan Mahasiswa 0,900 Loyalitas Mahasiswa Berdasarkan Tabel 3 dapat dilihat bahwa nilai Composite Reliability untuk semua variabel menunjukkan di atas 0,7. Hal ini berarti bahwa semua variabel pada model yang diestimasi memenuhi kriteria discriminant validity. Nilai compositereliability reliability terendah dimiliki oleh variabel el kualitas kegunaan yaitu sebesar 0,858.. Selain menggunakan nilai Composite Reliability,, uji reliabilitas juga bisa diperkuat dengan nilai Cronbach’s Alpha Alpha, dimana nilai tersebut disajikan pada Tabel 4 sebagai berikut: Tabel 4.Cronbach’s Alpha Cronbach’s Alpha 0,803 Kualitas Kegunaan 0,823 Kualitas Informasi Inform 0,833 Kualitas Layanan Interaksi 0,880 Kualitas Antarmuka Pengguna 0,880 Kepuasan Mahasiswa 0,852 Loyalitas Mahasiswa Nilai Cronbach’s Alpha yang disarankan adalah berada di atas 0,6 agar konstruk tersebut dikatakan reliabel. Berdasarkan Tabel 4 menunjukkan bahwa nilai Cronbach’s Title of manuscript is short and clear, implies research results (First Author)

178

ISSN: 1978-1520

Alphauntuk variabel kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, kualitas antarmuka pengguna, kepuasan mahasiswa dan loyalitas mahasiswa berada di atas 0,7 dengan nilai masing-masing 0,803, 0,823, 0,833, 0,880, 0,880 dan 0,852. 3.2.2

Pengujian Model Struktural (Inner Model) pada Model Terbaik Setelah model yang diestimasi memenuhi kriteria Outer Model (Validitas dan Reliabilitas) langkah selanjutnya yang dilakukan adalah melakukan pengujian model structural (Inner Model). Berikut nilai R-Square untuk masing-masing konstruk yang diteliti. Tabel 5. R-Square R-Square 0,621 Kepuasan Mahasiswa 0,468 Loyalitas Mahasiswa Tabel 5 menunjukkan bahwa nilai R-Square untuk variabel kepuasan mahasiswa adalah sebesar 0,621, yang berarti bahwa variabel kepuasan mahasiswa mampu menjelaskan varians kepuasan mahasiswa sebesar 62,1%. Nilai R-Square untk variabel loyalitas mahasiswa yaitu sebesar 0,468, yang memiliki arti bahwa variabel loyalitas mahasiswa mampu menjelaskan varians loyalitas mahasiswa sebesar 46,8%. Untuk melihat pengaruh Kesesuaian Tugas dan Teknologi terhadap konstruk Pengaruh Kinerja dan Utilisasi serta pengaruh konstruk Utilisasi terhadap Pengaruh Kinerja dapat dilakukan dengan melihat nilai F-Square yang disajikan pada Tabel 6 sebagai berikut: Tabel 6. F-Square Indikator Kualitas Kegunaan Kualitas Informasi Kualitas Layanan Interaksi Kualitas Antarmuka Pengguna Kepuasan Mahasiswa

Kepuasan Mahasiswa

Loyalitas Mahasiswa

0,274 0,025 0,020 0,176 0,880

Berdasarkan Tabel 6 dapat dilihat bahwa pengaruh/efek dari variabel kualitas kegunaan terhadap kepuasan mahasiswa kuat karena memiliki nilai 0,274 (lebih dari 0,15). Sedangkan pengaruh/efek dari variabel kualitas informasi terhadap kepuasan mahasiswa lemah karena memiliki nilai 0,025 (berkisar di nilai 0,02). Pengaruh/efek dari variabel kualitas layanan interaksi terhadap kepuasan mahasiswa bersifat lemah karena memiliki nilai 0,020 (berkisar di nilai 0,020). Pengaruh/efek dari variabel kualitas antarmuka penggguna terhadap kepuasan mahasiswa bersifat kuat karena memiliki nilai 0,176 (lebih dari 0,15). Pengaruh/efek dari variabel kepuasan mahasiswa terhadap loyalitas mahasiswa bersifat sangat kuat karena memiliki nilai 0,880 (lebih dari 0,35). Langkah selanjutnya yang dilakukan yaitu pengolahan menggunakan Bootstraping. Bootstraping bertujuan melakukan pengujian hipotesis. Berikut disajikan gambar model structural setelah dilakukan bootstraping.





179

Gambar 6. Model Structural Bootstraping Berdasarkan Gambar 6 dapat dilihat bahwa semua indikator yang mewakili variabel kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, kualitas desain antarmuka pengguna, kepuasan mahasiswa dan loyalitas mahasiswa berpengaruh positif terhadap variabelnya masing-masing. Hali ini terlihat dari nilai t-value yang lebih besar dari nilai 1,96. Untuk hasil pengujian hipotesis variabel kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, kualitas desain antarmuka pengguna terhadap kepuasan mahasiswa serta hasil uji hipotesis kepuasan mahasiswa terhadap loyalitas mahasiswa disajikan pada Tabel 7 sebagai berikut: Tabel 7. Uji Hipotesis Standard Original Sample T-Satistics Deviation P-Values Sample (O) Mean (M) (|O/STERR|) (STDEV) Kualitas Kegunaan 0,405 0,394 0,109 3,720 0,000 Kepuasan Mahasiswa Kualitas InformasiKepuasan 0,127 0,139 0,116 1,102 0,271 Mahasiswa Kualitas Layanan Interaksi 0,113 0,117 0,081 1,397 0,163  kepuasan Mahasiswa Kualitas Desain Antarmuka Pengguna  Kepuasan 0,332 0,334 0,100 3,322 0,001 Mahasiswa Kepuasan Mahasiswa  0,684 0,693 0,063 10,874 0,000 Loyalitas Mahasiswa Berdasarkan Tabel 7 didapatkan lima hasil pengujian. Pengujian tersebut sebagai berikut: 1. Hubungan antara Kualitas Kegunaandengan Kepuasan Mahasiswa. H0 : Tidak ada hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa H1 : Terdapat hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa


180

2.

3.

4.

5.

ISSN: 1978-1520 Tabel 7 menunjukkan bahwa hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa memiliki nilai T-statistik sebesar 3,720 (>1,96). Nilai original sample estimate merupakan nilai yang positif yaitu sebesar 0,405 yang menunjukkan arah hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang positif dan signifikan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa. Hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa. H0 : Tidak ada hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa H1 : Terdapat hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa Tabel 7 menunjukkan bahwa hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa memiliki nilai T-statistik sebesar 1,102 (<1,96). Nilai original sample estimate merupakan nilai yang positif yaitu sebesar 0,127 yang menunjukkan arah hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis H0 dalam penelitian ini diterima yang artinya tidak terdapat hubungan yang signifikan antara Kualitas Informasi dengan Kepuasan Mahasiswa. Hubungan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa. H0 : Tidak ada hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa H1 : Terdapat hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa Tabel 7 menunjukkan bahwa hubungan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa memiliki nilai T-statistik sebesar 1,397 (<1,96). Nilai original sample estimate merupakan nilai yang positif yaitu sebesar 0,113 yang menunjukkan arah hubungan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis H0 dalam penelitian ini diterima yang artinya tidak terdapat hubungan yang signifikan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa. Hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa. H0 : Tidak ada hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa H1 : Terdapat hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa Tabel 7 menunjukkan bahwa hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa memiliki nilai T-statistik sebesar 3,322 (>1,96). Nilai original sample estimate merupakan nilai yang positif yaitu sebesar 0,332 yang menunjukkan arah hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang positif dan signifikan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa. Hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa. H0 : Tidak ada hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa H1 : Terdapat hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa Tabel 7 menunjukkan bahwa hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa memiliki nilai T-statistik sebesar 10,874 (>1,96). Nilai original sample estimate merupakan nilai yang positif yaitu sebesar 0,684 yang menunjukkan arah hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang positif dan signifikan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa.

Berdasarkan hasil penelitian ini, didapatkan pula hal-hal yang membuat mahasiswa tidak puas terhadap kualitas dari website SICYCA. Hal-hal tersebut antara lain website SICYCA sering down sehingga menyebabkan proses belajar mengajar terganggu, seringnya perbaikan (maintenance) website yang dilakukan server di jam-jam perkuliahan sehingga membuat mahasiswa mengalami kesulitan untuk mengakses website, website tidak disediakan dalam bentuk mobile sehingga ketika mahasiswa merasa kesulitan ketika mengakses website di IJCCS Vol. x, No. x, July201x : first_page–end_page




181

luar lingkungan kampus, website SICYCA sering mengalami loading yang sangat lama ketika diakses oleh mahasiswa, website SICYCA belum memiliki fitur chatting antara mahasiswa dengan dosen sehingga mahasiswa masih merasa kesulitan berhubungan dengan dosen mengenai masalah perkuliahan, informasi yang disediakan oleh website kurang update, kurang akurat dan kurang relevan sehingga mahasiswa merasa kesulitan ketika membutuhkan informasi yang penting seperti informasi tentang jadwal perkuliahan, keuangan, dan lain-lain. Faktorfaktor ini yang menyebabkan kualitas informasi dan kualitas layanan interaksi tidak signifikan terhadap kepuasan mahasiswa, sehingga server pihak Institut Bisnis dan Informatika Stikom Surabaya perlu melakukan adanya perbaikan dengan mempertimbangkan saran-saran dari mahasiswa yang didapatkan pada penelitian ini.

4. KESIMPULAN

1.

2. 3.

Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan sebagai berikut: Variabel yang berpengaruh positif dan signifikan terhadap kepuasan mahasiswa adalah variabel kualitas kegunaan dan variabel kualitas desain antarmuka pengguna. Hal ini dibuktikan dengan nilai T-Statistik yang melebihi nilai 1,96 untuk kedua variabel dengan masing-masing nilai T-Statistik uji sebesar 3,720 untuk variabelkualitas kegunaan dan 3,322 untuk variabel kualitas desain antarmuka pengguna. Variabel Kepuasan Mahasiswa berpengaruh positif dan signifikan terhadap loyalitas mahasiswa dengan nilai T-Statistik yang lebih besar dari 1,96 yaitu sebesar 10,874. Variabel Kualitas Informasi dan Kualitas Layanan Interaksi tidak berpengaruh signifikan terhadap Kepuasan Mahasiswa karena dari hasil pengujian menunjukkan bahwa nilai TStatistik kurang dari 1,96. Hal ini terjadi karena mahasiswa kurang puas terhadap layanan dari website SICYCA terutama dalam hal jaringan (loading yang memakan waktu terlalu lama dan server sering down saat proses belajar mengajar), selain itu website SICYCA sangat susah ketika diakses di luar lingkungan Institut Bisnis dan Informatika Stikom Surabaya, serta tidak adanya fitur chatting antara mahasiswa dengan dosen di website SICYCA sehingga mengakibatkan mahasiswa merasa sulit untuk berkomunikasi dengan dosen terkait perkuliahan.

5. SARAN Berdasarkan kesimpulan di atas maka dapat diajukan beberapa saran untuk penelitian selanjutnya yaitu sebaiknya peneliti menggali lebih dalam apa yang diinginkan oleh mahasiswa sehingga website dapat diperbaiki lagi agar kebutuhan dan kepuasan mahasiswa ke depannya terhadap website dapat terpenuhi. Selain itu, penelitian selanjutnya sebaiknya menggunakan metode yang lebih baik dari penelitian ini untuk mengukur kepuasan dan loyalitas mahasiswa terhadap website SICYCA.

DAFTAR PUSTAKA [1]

Furukawa, M., Minami, A. 2013, A Study on The ‘Flexibility’ of Information System (Part 1): Why Do They Need to Be Flexible?,Int.J. Bus. Manag, Vol. 8(20): 48-61.

[2]

Puspitasari, D. 2013, Kajian Kepuasan Terhadap Website Universitas Airlangga: Studi Komparasi Antara Pengguna Internal dan Pengguna Eksternal/Potensial, Thesis, Universitas Gajah Mada, Yogyakarta.


182

ISSN: 1978-1520

[3]

Kothainayaki, S., Sivakumaren, K.S. & Gophalakrisnan, S., 2012, User Preferences on University Websites: A Study. Library Philosophy and Practice (e-journal), Paper 788.

[4] [5]

Umar, H. 2005, Metode Penelitian, Salemba Empat, Jakarta. Sutcliffe, A., 2001, Heuristic Evaluation of Website Attractiveness and Usability in Interactive System: Design, Specification, and Verification. Springer Berlin Heidelberg, pp. 183-198.

[6]

Hasan, L. 2014, Evaluating The Usability of Educational Websites Based on Students Preferences of Design Characteristics, International Arab Journal of e-Technology, 3(3), pp. 179-193.

[7]

Carlsson, T. & Kabir, M.H., 2010, Service Quality: Expectations, Perceptions and Satisfaction About Service Quality at Destination Gotland – A Case Study. Thesis, Visby, Sweden: Gotland University.

[8]

Loiacono, E.T., Watson, R.T. & Goodhue, D.L., 2002, Webqual: A Measure of Website Quality, Marketing Theory and Applications, 13(3), pp. 432-438.

[9]

Oliver, R.L., 1980, A Cognitive Model of the Antecedents and Consequences of Satisfaction Decision, Journal of Marketing Research, 17(4), pp. 460-469.

[10] Sari, N., 2013, Analisis Tingkat Kepuasan Mahasiswa Universitas Hasanudin Terhadap Situs www.unhas.ac.id.Thesis. Universitas Hassanudin, Makassar. [11] Bames, S.J., & Vidgen, R.T., 2005, Data Triangulation in Action: Using Comment Analysis to Refine Web Quality Metrics, Proceedings of The 13th European Conference on Information System (ECIS 2005), Paper 24.



 183

Pengembangan Simulasi Sinyal Radar dan Proses Interleaving Sebagai Inputan pada Radar Detector 1

Norma Ningsih1 Jurusan Sistem Informasi. Fakultas Teknologi Informasi STIKOM Surabaya [email protected]

Abstrak Dalam peperangan modern yang menggunakan elektronik, banyak dikembangkan sistem deteksi sinyal radar. Radar adalah deteksi objek sistem yang dapat menggunakan gelombang radio untuk mendeteksi, menentukan jarak dan mengukur kecepatan dari suatu objek. Untuk dapat mengembangkan radar detector yaitu sistem yang dapat mendeteksi radar sesuai dengan parameter yang dipancarkan sinyal radar berupa Pulse Descriptor Word (PDW), diperlukan suatu simulator yang dapat menghasilkan berbagai macam karakteristik sinyal radar sesuai dengan karakteristik yang sebenarnya dilapangan.Termasuk karakteristik sinyal radar yang berfungsi untuk mengecoh radar detector, dengan cara mensimulasikan berbagai macam tipe PRI dan frekuensi (hopping dan agility). Sinyal yang dipancarkan oleh beberapa radar akan diterima disisi penerima dalam keadaan tumpang tindih (interleaving) sesuai dengn nilai Time Of Arrival (TOA) dan PRI dari masing-masing sinyal radar. Pada sisi penerima yaitu radar detector, sinyal yang mengalami interleaving akan diuraikan kembali dengan menganalisa parameter PRI dari sinyal radar menggunakan metode sequence search. Hal ini bertujuan agar penerima dapat mengenali apakah sinyal tersebut berasal dari radar musuh atau tidak.Dengan menggunakan metode sequnce search, sinyal yang diterima pada radar detector dapat dipisahkan sesuai dengan nilai PRI yang diinputkan yaitu PRI dengan nilai 1 µs, 1.4 µs dan 2.23µs. Kata kunci: Radar, Interleaving, Sequence Search. Abstract In modern warfare that use electronics, many developed radar signal detection system. Radar is an object detection object that uses radio wave to detect, to determine the distance and to measure the speed of an object. In order to develop a radar detector that can detect radar system in accordance with the parameters of the transmitted radar signal in the form of Pulse Descriptor Word (PDW), we need a simulator that can produce a wide range of radar signal characteristics in accordance with the actual characteristics of the radar signal characteristics.Including the function to outwit radar detector, a way to simulate various types of PRI and frequency (hopping and agility). The signals emitted by multiple radars will be received at the receiver in a state of overlapping (interleaving) in accordance with less value Time Of Arrival (TOA) and the PRI of each radar signal. On the receiving side, namely radar detector, signal suffered back interleaving will be described by analyzing the parameters of PRI of radar signals using sequence search method. It is intended that the receiver can recognize whether the signal came from enemy radar or not. By using sequnce search, the received signal at the radar detector can be separated according to the value that the PRI. PRI is entered with a value of 1 s, 1.4 μs and 2.23μs. Keywords: Radar, Interleaving, Sequence Search.


ISSN: 1978-1520

184 ISSN: 1978-1520 1. PENDAHULUAN

Radar adalah deteksi objek sistem yang dapat menggunakan gelombang radio untuk mendeteksi, menentukan jarak dan mengukur kecepatan dari suatu objek. Pada sistem radar diperlukan beamwidth yang sempit sehingga didapatkan gain dan direktivitas yang tinggi untuk menentukan resolusi sudut dari radar tersebut, sehingga dapat mendeteksi dan membedakan objek-objek yang berdekatan [1]. Pada zaman teknologi inibanyak negara menyadari keunggulan dari peperangan elektronik(Electronic Warfare). Radar merupakan bagian perangkat dari elemen elektronik Electronic Warfare (EW) diklasifikasikan menjadi tiga kategori yaitu Electronic Support Measure (ESM), Electronic Support (ES) dan Electronic Attack (EA) [2]. Penelitian ini bertujuan untuk mengembangkan simulator yang berfungsi untuk mensimulasikan sinyal radar yang berjenis pulsa radar dengan karakteristik elektromagnetinya sehingga dapat mewakili karakteristik pulsa radar yang sebenarnya. Jenis – jenis sinyal radar tersebut akan dibangkitkan secara serentak dan memiliki parameter sinyal yang berbeda antara sinyal radar satu dengan sinyal radar lainnya. Parameter radar tersebut terdiri dari Frekuensi (RF), Angle of Arrival (AOA), Time of Arrival (TOA), Pulse Width (PW) dan Pulse Repetition Interval (PRI). Gambar 1 menunjukkan pulsa radar dengan parameter yang ada didalamnya.

Gambar 1. Deskripsi Pulsa Radar [3] Radar Detektor menerima sinyal atau gelombang elektromagnetik dari banyak radar dengan berbagai macam parameter [4]. Sistem radar terbaru dilengkapi dengan frekuensi hopping dan agility serta menggunakan modulasi Pulse Repetition Interval (PRI) yang lebih rumit seperti PRI berjenis stagger, sinusoidal dan triangular PRI. Sehingga simulator yang dibuat tidak hanya mampu menghasilkan frekuensi carrier radar yang regular (monochromatic), tetapi juga harus dapat menghasilkan keluaran dari radar dengan frekuency hopping. Parameterparemeter pada sinyal radar di desain dengan model parameter yang lebih rumit, bertujuan untuk menghindari monitoring dari radar detektor. Dengan perkembangan teknologi yang bertujuan untuk membangkitkan dan mengembangkan pemodelan sinyal radar, maka perlu dikembangkan sistem radar detektor yang mampu untuk menganalisa perubahan frekuensi dan PRI dari masing-masing sinyal radar yang diterima pada radar detektor pemodelan sinyal radar. Performa radar sangat dipengaruhi oleh parameter yang ada pada pulsa radar, namun salah satu parameter yang sangat penting pada pulsa radar adalah Pulse Repetition Interval (PRI) dimana PRI adalah waktu dari leading edge (ujung tepi) dari satu pulsa radar ke leading edge pulsa radar berikutnya [2]. Pada sisi penerima yaitu radar detektor proses analisa sinyal dilakukan dengan menganalisa nilai TOA dari masing-masing pulsa. Nilai Time of Arrival (TOA) dipengaruhi oleh jarak dan nilai PRI dari masing-masing radar. Pada [5] nilai PRI diketahui menggunakan analisis histogram dari TOA yang berbeda antara deretan pulsa yang diterima. Metode ini memiliki beberapa keterbatasan diantaranya adalah munculnya histogram bins yang akan mengakibatkan kesalahan atau kesulitan untuk mengidentifikasi jenis radar. Proses analisa sinyal pada radar detektor dilakukan dengan dua tahap yaitu dengan metode clustering dan PRI detection [2]. Berdasrkan penjelasan yang dipaparkan tersebut, pada penelitian ini mengusulkan metode sequence search untuk menganalisa sinyal yang saling interleaving pada sisi penerima yaitu radar detektor. Metode sequence search melakukan analisa berdasrkan nilai PRI dari masing-masing radar dengan tujuan untuk mengurutkan pulsa radar berdasarkan kelompok nilai PRI.

IJCCSVol. x, No. x, July201x : first_page–end_page




185

2. METODE PENELITIAN Pada penelitian ini dibuat simulasi sinyal radar dan proses deinterleaving pada penerima atau radar detektor tor dengan membangkitan beberapa radar yang memiliki parameter berbeda satu sama lain secara bersamaan. Parameter – parameter yang dibangkitkan untuk m membuat simulator ini diantaranya adalah TOA (Time ( Of Arrival), PA (Pulse Pulse Amplitudo Amplitudo), Frekuensi, AOA (Angle Of Arrival)) dan PW (Pulse Width). ). Radar simulator yang dibangkitkan selanjutnya akan mengirimkan sinyal dari beberapa radar ke sisi penerima secara sserentak sesuai karakteristik masing – masing sehingga dalam proses pengirimannya terjadi interleaving (tumpang tindih) antara sinyal dari radar satu dan sinyal dari radar lainnya yang dipengaruhi oleh TOA dari masing-masing masing sinyal radar. Penerima dalam penelitian penelitian ini berupa radar dete detektor yang memiliki fungsi utama yaitu untuk deteksi sinyal radar. Proses deteksi radar dapat dilakukan dengan cara deinterleaving terhadap sinyal-sinyal sinyal yang sampai pada sisi receiver untuk pengelompokkan kembali parameter-paremeter parameter dari masing – masing radar yang bersesuaian. Pada penelitian ini akan dilakukan proses pembangkitan beberapa sinyal radar dan pengiriman pada sisi receiver sehingga terjadi interleaving,, kemudian dilakukan proses deinterleaving yang dilakukan dengan metode sederhana berupa sequence search search. Gambar 2 menunjukkan flowchart sistem yang menjelaskan simulasi yang dilakukan pada penelitian ini.

ANALISA TOA

Gambar 2. Flowchart Sistem Gambar 3 menunjukkan parameter – parameter yang disimulasikan pada pulsa radar, diantaranya adalah Frekuensi (RF), Time of Arrival (TOA), Pulse Width (PW) dan Angle of Arrival (AOA).

Gambar 3. Parameter yang Disimulasikan pada Pulsa Radar


ISSN: 1978-1520 ISSN: 1978-1520 2.1 Pembangkitan Sinyal Sinyal dari beberapa radar yang memiliki parameter berbeda antara radar satu dengan radar lainnya dibangkitkan secara. Salah satu parameter yang disimulasikan adalah Pulse Repetition Interval (PRI). Pemodelan sinyal secara matematis dari masing-masing PRI dapat dirumuskan sebagai berikut: 1. PRI Constant adalah tipe PRI yang sederhana. Pulsa di ulang secara constant dengan interval T. Deretan TOA dan PRI constant yaitu: ‫ݐ‬௡௖௢௡௦ = ݊ܶ + ߮ + ߪ‫ݖ‬௡ (1) ௖௢௡௦ ‫݌‬௡ = ܶ+ߪ (2) dimana : T adalah Interval n adalah Deretan pulsa ‫ݖ‬௡ adalah Gaussian noise σ adalah varians φ adalah waktu antara pulsa yang diterima 2. PRI Jitter adalah variasi TOA secara random dari pulsa dibatasi dalam sebuah interval dimana bias any anilai jitter maximum adalah 0.3T. ௃௜௧௧ ‫݌‬௡ = ܶ + ‫ܬ‬ (3) dimana ‫ܬ‬adalah nilai jitter 3. PRI Stagger memiliki M PRI level, ܶ௜, ݅= 0,1,2 … ‫ ܯ‬, dimana nilai M biasanya antara 2 hingga 8 level. ‫݌‬௡௖௢௡௦ = ܶ௡ ௠ ௢ௗ ெ (4) 4. PRI Sliding yaitu modulasi yang meningkat secara berkala ‫݌‬௡௖௢௡௦ = ܶ௦௧௔௥௧ + ܶ௦௧௘௣ ((݊ − 1)݉ ‫) ܯ݀݋‬ (5) 5. PRI Dwell and Switch adalah PRI yang memiliki M PRI level, di aktifkan dari kelompok pulsa satu ke yang lain ܲ௡஽ௌ = ܶ௤(௡) + ߪ 186

2.2

Proses Interleaving Proses interleaving dipengaruhi oleh nilai TOA (Time of Arrival) dari pulsa. Nilai TOA dipengaruhi oleh jarak dan PRI (Pulse Repetition Interval) dari masing-masing radar. Pada gambar 4 (a) menujukkan sinyal dari berbagai radar dengan parameter radar (PW, AOA, Frekuensi dan PRI) yang berbeda. Salah satu parameter yang paling penting untuk deteksi sinyal radar adalah mengidentifikasi nilai PRI dari masing-masing radar. Nilai PRI dapat diperoleh dengan menganalisa nilai TOA yang diterima oleh receiver seperti halnya yang di jelaskan pada gambar 4 (b).

(a) (b) Gambar 4. (a) Proses Interleaving pada Sinyal Radar dan (b) Proses Interleaving TOA Sinyal Radar Gambar 5 menunjukkan contoh dari deretan pulsa radar dengan beberapa parameter. Dicontohkan terdapat tiga nilai TOA yang berbeda pada masing-masing sinyal, selanjutnya pada proses transmisi akan terjadi interleaving antara sinyal satu dengan sinyal lainnya. Proses interleaving ini tergantung dari nilai TOA dari sinyal/ pulsa. Pulsa yang tiba pada penerima IJCCSVol. x, No. x, July201x : first_page–end_page




187

mengekstrak parameter intra-pulse dari setiap pengukuran (TOA, Frekuensi, lebar pulsa,AOA, Amplitudo dan sebagainya ). Pulsa dari satu atau lebih pemancar, kemungkinan akan terjadi kerusakan akibat adanyanoise dan kesalahan perhitungan pada proses deinterleaving.

(a) (b) (c) (d) Gambar 5. Deretan Pulsa (a) Radar 1 (b) Radar 2 (c) Radar 3 (d) Hasil Interleaving 2.3 Sequence Search Pada sisi penerima yaitu radar detektor, Sample TOA sinyal dari sumber yang berbeda kemudian disorting sesuai dengan TOA dari masing-masing radar. Sequence search berfungsi untuk mengidentifikasi PRI dari radar dengan berusaha mengurutkan deretan pulsa berdasarkan kelompok nilai PRI yang sesuai (kelompok pulsa yang periodik). Pada gambar 6 menunjukkan langkah-langkah untuk melakukan analisa pulsa radar menggunakan metode sequence search. Berikut ini adalah langkah-langkah sequence search: 1. Mengasumsikan nilai inisialisasi estimasi PRI. Algoritma dimulai dari pulsa pertama (t1) kemudian mencari pulsa yang lain (t1+PRI) 2. Jika pulsa tidak ditemukan, algoritma merestart dengan pulsa ke-2 3. Jika pulsa ditemukan, algoritma meneruskan dengan pulsa ini dan mencari pulsa berikutnya 4. Setelah menemukan pulsa ke-3, algoritma meneruskan dengan mencari pulsa berikutnya dengan mengijinkan 1 missing pulse. (tlast+2*PRI), ketika pulsa berikutnya tidak ditemukan. 5. Jika pulsa kedua missing, algoritma berhenti dan kembali dengan jumlah pulsa yang berhasil ditemukan. 6. Jika jumlah pulsa lebih besar daripada nilai sebelumnya, PRI ini dianggap benar (b≥ ܲ) 7. Jika tidak ada pulsa yang ditemukan dengan PRI ini, algoritma direstart untuk PRI yang lain


ISSN: 1978-1520

188 ISSN: 1978-1520

Gambar 6. Flowchart Sequence Search

3. HASIL DAN PEMBAHASAN Hasil simulasi yang telah dilakukan dalam proses penyelesaian penelitian ini terdiri dari 3 tahapan yang telah dilakukan yaitu (1) pembangkitan sinyal radar dengan berbagai macam parameter sinyal yang berbeda dan pembuatan database pada localhost untuk menyimpan nilai parameter radar, (2) simulasi sinyal Transmisi radar berupa sinyal diskrit hingga terjadi interleaving (tumpang tindih), dan (3) simulasi pada penerima yaitu berupa radar detektor untuk melakukan deinterleaving terhadap sinyal yang diterima. Untuk simulasi sinyal radar dan sinyal pada penerima digunakan program matlab. Simulasi Sinyal Radar pada transmitter akan disimulasikan beberapa sinyal radar dengan berbagai macam parameter yang berbeda. Parameter yang membedakan antara sinyal satu dengan sinyal lainnya adalah jenis modulasi PRI (PRI constant, PRI jitter, PRI stagger, PRI dwell&Switch, PRI Sliding), nilai PRI, Pulse Width danfrekuensi (Fix atau Hopping). Gambar 8adalah contoh dari spesifikasi radar Oborona “Tall King C” [6] dimana terdapat parameterparameter yaitu frekuensi, pulse repetition interval (PRT), lebar pulsa, waktu yang diterima, range resolution, rotasi antenna dan hits per scan. Parameter tersebut dibutuhkan untuk pembangkitan sinyal radar.





189

Gambar 7. Parameter Oborona “Tall King C” Sebagian dari parameter radar akan disimpan pada database. Untuk penelitian ini database yang digunakan yaitu MySQL. Untuk parameter yang dapat di simpan pada database merupakan parameter basic radar, seperti frekuensi,pulse width, dan AOA dan sebagainya. Database akan dipanggil pada localhost. Localhost adalah sebutan untuk memanggil hosting pada komputer lokal yang telah diinstal web server. Gambar 8merupakan contoh database yang dibuat pada localhost. Dimana terdapat empat jenis radar yang memiliki parameter yang berbeda-beda.

Gambar 8. Database Parameter Beberapa Radar Gambar 9 meggambarkan sinyal pulsa radar yang memiliki 23 MHz dimana nilai frekuensi diperoleh dari database yang sebelumnya sudah dibuat pada Microsoft Access. SinyalPulsa

fc=cell2mat(frekuensi);

Gambar 9. Pembangkitan Sinyal dengan Parameter pada Database Selanjutnya adalah membangkitkan sinyal radar dengan modulasi PRI yang berbedabeda. Gambar 10 merupakan simulasi dari beberapa tipe PRI yang berbeda yang terdiri dari PRI Konstan, PRI Jitter, PRI Sliding dan PRI complex/ stagger.


ISSN: 1978-1520

190 ISSN: 1978-1520 1 0.9 1

1

0.8 0.8

0.7 0.6

0.8

0.6

0.6 0.5 0.4

0.4

0.4 0.2

0.3

0.2 0.2

0

0.1

0 -0.2

0

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

0

1

2

3

4

5

6

7

8

2

x 10

-3

x 10

(a)

-3

-0.2

(b)

0

1

2

3

(c)

4

5

6 x 10

-3

PRI Stagger sinyal

1

1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0

0

-0.2

-0.2

0

1

2

3

4

5

0

1

2

3

4

5

(d)

6 4

x 10

-3

x 10

(e)

Gambar 10. Macam-macam modulasi PRI: (a) PRI Constant (b) PRI Sliding (c) PRI Jitter (d) PRI Dwell&Switch (e) PRI Stagger Pada gambar 11 (a) menggambarkan hasil interleaving dari dua jenis modulasi PRI yaitu PRI jitter dan PRI sliding. Hal ini menunjukkan bahwa ada dua radar yang memancarkan sinyal pulsa dengan PRI berbeda. Pada penerima sinyal tersebut akan saling interleaved atau berselang-seling sesuai dengan waktu pengiriman pulsa (TOA). Pada bagian PRI yang saling overlapping antara PRI satu dengan PRI yang lainnya akan mengalami penjumlahan amplitude sesuai dengan nilai amplitude yang dimiliki masing-masing PRI. Gambar 11 (b) menggambarkan hasil interleaving dari dua PRI yaitu PRI constant. Hal ini menunjukkan bahwa ada dua radar yang memancarkan sinyal pulsa dengan PRI berbeda. Pada penerima sinyal tersebut akan saling interleaved atau berselang-seling sesuai dengan waktu pengiriman pulsa (TOA). Pada bagian PRI yang saling overlapping antara PRI satu dengan PRI yang lainnya akan mengalami penjumlahan amplitude sesuai dengan nilai amplitude yang dimiliki masing-masing PRI 1 0 -1

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1 -4

x 10 1 0 -1

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1 -4

x 10 amplitudo

2 0 -2

0

0.1

0.2

0.3

0.4

0.5 0.6 waktu(s)

0.7

0.8

0.9

1 -4

x 10

(a) (b) Gambar 11. Interleaving antara PRI jitter dan PRI Sliding: (a) PRI jitter, PRI sliding, Hasil Interleaving dan (b) Interleaving antara PRI konstan. Frekuensi hopping yang digunakan oleh radar dimaksudkan untuk mengecoh pihak lawan agar sinyal yang dikirimkan susah untuk terdeteksi. Pada gambar 12 sinyal termodulasi BPSK dan terdapat 6 frekuensi yang berbeda digunakan untuk mengirimkan sinyal. Spread atau lompatan pada frekuensi hop bersifat acak. Pola hopping hanya dapat diketahui oleh pengirim dan penerima sehingga pesan yang dikirim tidak dapat terdeteksi.





191

(a)

(b)

(c)

(d) Gambar 12. Frekuensi Hoppingpada Sinyal Pulsa : (a) Sinyal pula (b) Sinyal Modulasi (c) Spread sinyal dengan 6 frekuensi (d) Frekuensi HopSpread Spectrum Signal Pada simulasi selanjutnya yaitu pada gambar 13 mensimulasikan jenis-jenis modulasi PRI dengan masing-masing PRI memiliki frekuensi hopping dimana terdapat 6 frekuensi yang berbeda digunakan untuk mengirimkan sinyal. Spread atau lompatan pada frekuensi hop bersifat acak. Pertama yaitu mensimulasikan rectangular pulse sesuai dengan jenis modulasi PRI, kemudian simulasi frekuensi hopping dengan 6 macam frekuensi yang berbeda. Hasil simulasi rectangular pulse dan frekuensi hopping dimodalasi. 1 0 -1 0

500

1000

1500 (a)

2000

2500

3000

0

500

1000

1500 (b)

2000

2500

3000

0

500

1000

1500 (c)

2000

2500

3000

1 0 -1

1 0 -1

Gambar 13. Frekuensi Hopping pada PRI konstan : (a) Pulsa Radar (b) Spread sinyal dengan 6 Frekuensi (c) Frekuensi HopSpread Spectrum Signal Simulasi pengiriman pulsa selanjutnya yaitu memancarkan pulsa dari berbagai jenis pulsa dengan parameter berbeda seperti Pulse Width, frekuensi dan nilai PRI. Gambar 14 menunjukkan pulsa dengan nilai PW yang berbeda-beda dari masing-masing pulsa. Hal ini menunjukkan bahwa terdapat 3 radar yang memancarkan sinyal pulsa dimana pada pulsa pertama memiliki nilai PW 80 us, pulsa kedua memiliki nilai PW sebesar 40 us dan pulsa ketiga memiliki nilai PW sebesar 20 us. Pada penerima terjadi interleaving antar sinyal pulsa.


ISSN: 1978-1520

192 ISSN: 1978-1520 1 0.5 0

0

0.2

0.4

0.6

0.8

1 (a)

1.2

1 (b)

1.2

1 (c)

1.2

1 (d)

1.2

1.4

1.6

1.8

2 x 10

-3

1 0.5 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 x 10

-3

1 0.5 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 x 10

-3

1 0.5 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 x 10

-3

Gambar 14. Interleaving Pulsa dengan Beda PW (a) PW 80 us, (b) PW 40 us dan (c) hasil Interleaving 1 0.5 0

0

0.2

0.4

0.6

0.8

1 (a)

1.2

1 (b)

1.2

1 (c)

1.2

1 (d)

1.2

1.4

1.6

1.8

2 -3

x 10

1 0.5 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 -3

x 10

1 0.5 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 -3

x 10

2 1 0

0

0.2

0.4

0.6

0.8

1.4

1.6

1.8

2 -3

x 10

Gambar 15. Interleaving Pulsa dengan Beda PW dan PRI (a) PW 80 us dan PRI 400 us, (b) PW 40 us dan PRI 200 us, (c) PW 20 us dan PRI 100 us dan (d) Hasil Interleaving Gambar 15 menunjukkan tiga pulsa dengan dua nilai parameter yang berbeda yaitu nilai PW dan PRI yang berbeda-beda dari masing-masing pulsa. Hal ini menunjukkan bahwa terdapat 3 radar yang memancarkan sinyal pulsa dimana pada pulsa pertama memiliki nilai PW 80 us dan PRI 400 us, pulsa kedua memiliki nilai PW sebesar 40 us dan PRI 200us, dan pulsa ketiga memiliki nilai PW sebesar 20 us dan nilai PRI 100us. Pada penerima terjadi interleaving antar sinyal pulsa sehingga menyebabkan terjadi overlapping pada penerima yaitu ESM. Hasil Penguraian pada Radar Detector Inputan untuk setiap metode deteksi PRI t1 = [0,1,2,….,10] t2 = [1,1+√2, 1+2√2,…, 1+10√2] t3 = [2,2+√5,2+2√5 ,…, 2+10√5] t = sort(t1 ∪ t2 ∪ t3)

dimana t1 ∪ t2 menyatakan gabungan elemen t1 dan t2 dan sort (.) menyatakan pengurutan naik terhadap semua elemen vector sehingga dihasilkan nilai TOA sesuai dengan waktu yang dipancarkan. Tabel 1 memberikan indek dari TOA (Time of Arrival) dan nilainya. Dari tabel dapat perbedaan nilai setelah terjadi interleaving. Interleaving terjadi karena adanya perbedaan waktu pemancaran sinyal dan nilai PRI pada masing-masing radar. Pada tabel ditunjukkan terdapat 3 radar dengan PRI konstan. Radar pertama memiliki nilai PRI 1us dan waktu pemancaran pada 0 μs. Pada radar kedua memiliki nilai PRI √2μs dengan waktu pemancaran pada detik ke-1 μs, hal ini menunjukkan bahwa ketika radar pertama memancarkan pulsa kedua tetapi pada radar kedua baru memancarkan pulsa pertama. Pada radar ketiga memiliki nilai PRI √5μs dengan waktu pemancaran pada detik ke 2 μs. IJCCSVol. x, No. x, July201x : first_page–end_page




193

Deteksi PRI merupakan hal yang paling utama untuk melakukan deinterleaving pada berbagai inputan sinyal radar karena PRI merupakan parameter yang mendasar untuk mengelompokkan kembali sinyal radar. Deteksi PRI pada deretan sinyal yang diterima oleh radar detektor dilakukan dengan menggunakan analisa TOA sehingga diperoleh nilai PRI untuk masing-masing radar. Sample TOA sinyal dari sumber yang berbeda kemudian disorting sesuai dengan TOA dari masing-masing sumber (Radar). Sequence search berfungsi untuk mengidentifikasi PRI dari radar dengan berusaha mengurutkan/construct deretan pulsa berdasarkan kelompok nilai PRI yang sesuai (mencari kelompok pulsa yang periodik). Sequence search dilakukan setelah nilai PRI yang mungkin sudah diidentifikasi sehingga sequence search perlu dikombinasikan dengan metode deteksi PRI yang lain agar hasilnya lebih optimal. Proses pencarian akan terus dilakukan hingga terdapat pulsa input yang cukup untuk membentuk PRI sequence. Penggunaan Sequence search akan menghasilkan deteksi yang lebih akurat tetapi memerlukan waktu yang lebih lama.

Sequence search ketika PRI yg dipilih bernilai 1 t1=1:3; t4=7:18; t5=22.5:37.5 Missing_pulse_max=3;


ISSN: 1978-1520

194 ISSN: 1978-1520 Tabel 1. Nilai TOA Sebelum dan Sesudah Interleavin Sebelum Interleaving

Setelah Interleaving

Nilai TOA

Nilai TOA

1

0

0

2

1

1

3

2

1

4

3

2

5

4

2

6

5

2.414

7

6

3

8

7

3.828

9

8

4

10

9

4.236

11

10

5

12

1

5.242

13

2.414

6

14

3.828

6.472

15

5.242

6.656

16

6.656

7

17

8.071

8

18

9.485

8.071

19

10.899

8.708

20

12.313

9

21

13.727

9.483

22

15.142

10

23

2

10.899

24

4.236

10.944

25

6.472

12.313

26

8.708

13.18

27

10.944

13.727

28

13.18

15.142

29

15.416

15.416

30

17.652

17.652

31

19.888

19.888

32

22.124

22.124

33

24.36

24.36

No.TOA





195

4. KESIMPULAN Kinerja simulator radar dapat mensimulasikan berbagai parameter yang berbeda dari masing-masing radar, dimana parameter yang digunakan adalah Time of Arrival (TOA ), Frekuensi yaitu frekuensi yang reguler dan frekuensi hopping, Pulse Width (PW) dan Pulse Repetition Interval (PRI). Metode Sequence Search sudah mampu untuk menentukan nilai aktual PRI dan jumlah pulsa yang dipancarkan dimana pada penelitian bangkitkan tiga radar yang memiliki nilai PRI pada masing-masing radar adalah 1µs, 1.4 µs dan 2.23 µs. Sequence search dilakukan setelah nilai PRI yang mungkin sudah diidentifikasi sehingga sequence search perlu dikombinasikan dengan metode deteksi PRI yang lain agar hasilnya lebih optimal dan akurat.

5. SARAN  

Adapun saran pada penelitian selanjutnya yang perlu diperhatikan yaitu: Pada parameter radar yang digunakan untuk melakukan simulasi pembangkitan sinyal radar dapat menambah jumlah parameter yang digunakan yaitu Pulse Amplitudo (PA) yang dipengaruhi oleh periode putaran antena radar dan pattern antena. Dapat menggunakan metode analisa deteksi radar yang lain yang dapat mendeteksi parameter lain dari sinyal radar seperti pendeteksian Pulse Amplitudo dari pulsa radar dan metode yang mampu mendeteksi nilai PRI dengan medulasi yang berbeda (tidak hanya pulsa dengan nilai PRI yang periodik)

UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada instansi-instansi terkait yang telah membantu penulis dalam menyelesaikan penelitian ini khususnya PT. Solusi 247 sebagai penyedia data radar secara real kepada penulis.

DAFTAR PUSTAKA [1]

Skolnik,M., 2011, Introduction to Radar System, International Edition, Mc Graw Hill.

[2]

Wiley, R.G., 2000, ELINT The Interception and Analysis of Radar Signal, Artech House, London.

[3]

Mahafza, B.R., 2000, Radar System Analysis and Design Using Matlab, Chapman & Hall/CRC

[4]

Alaydrus, M., 2011, Antena Prinsip & Aplikasi, ANDI, Yogyakarta.

[5]

Chan,Y.T., 2002, Performance Evaluation of ESM Deinterleaving Using TOA Analysis, IEEE International Conference.

[6]

Wolf, C., 1997, Radar Obrona Talking C, http://www.radartutorial.eu/19.kartei/ 11.ancient/karte042.en.html, Diakses Tanggal 22 Januari 2015.


196

ISSN: 1978-1520

BIODATA PENULIS

Derry Alamsyah adalah dosen tetap Program Studi Teknik Informatika STMIK GI MDP. Pendidikan Sarjana Sains telah diselesaikan pada tahun 2009 dari FMIPA Universitas Sriwijaya dan Sarjana Komputer diselesaikan pada tahun 2012 dari Teknik Informatika STMIK GI MDP. Pendidikan Pascasarjana ditempuh di Fakultas Ilmu Komputer Universitas Indonesia dengan mengambil spesialisai Computer Vision, serta Pascasarjana Pendidikan Matematika pada tahun 2011 di Universitas Sriwijaya. Saat ini mengasuh mata kuliah pengenalan pola dan pembelajaran mesin, grafika komputer, pengolahan citra dan kalkulus I dan II. Dewi Sartika telah menyelesaikan pendidikan strata-1 Teknik Informatika di Universitas Sriwijaya dengan pada tahun 2012 serta pendidikan strata-2 Ilmu Komputer di Universitas Indonesia pada tahun 2015. Saat ini Dewi merupakan dosen program studi Informatika di Universitas Indo Global Mandiri (UIGM) Palembang. Matakuliah yang pernah diampu adalah Algoritma dan Pemrograman, Struktur Data, Pemrograman Berorientasi Objek, Rekayasa Perangkat Lunak, Etika Profesi, dan Pemrograman Visual. Desi Pibriana adalah seorang dosen tetap di Program Studi Sistem Informasi STMIK Global Informatika Multi Data Palembang. Pendidikan Sarjana diselesaikan pada tahun 2012 dari Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas Sriwijaya (Unsri) dan mendapat gelar Sarjana Sistem Informasi. Pendidikan pascasarjana diselesaikan pada Tahun 2014 dari Program Magister Teknologi Informasi (MTI) Universitas Indonesia (UI) dan mendapat Gelar Magister Teknologi Informasi (M.T.I). Desi Pibriana saat ini (semester Genap Tahun Akademik 2015/ 2016) mengasuh mata kuliah Sistem Basis Data, Interaksi Manusia dan Komputer serta Teori Keputusan. Eka Puji Widiyanto adalah dosen tetap Program Studi Teknik Komputer AMIK Multi Data Palembang. Pendidikan Sarjana Teknik diselesaikan pada tahun 2004 dari Teknik Elektro Universitas Gadjah Mada. Pendidikan pascasarjana ditempuh di Fakultas Ilmu Komputer Universitas Indonesia pada tahun 2011 dengan mengambil spesialisasi Arsitektur dan Infrastruktur. Saat ini mengasuh mata kuliah robotika, pemrograman jaringan komputer, fisika dasar, dan PLC. Dien Novita adalah seorang dosen tetap di Program Studi Sistem Informasi STMIK Global Informatika Multi Data Palembang. Pendidikan Sarjana diselesaikan pada tahun 2001 dari Jurusan Matematika Fakultas MIPA Universitas Sriwijaya (Unsri) dan mendapat gelar S.Si. Pendidikan pascasarjana diselesaikan pada Tahun 2011 dari Program Magister Teknologi Informasi (MTI) Universitas Indonesia (UI) dan mendapat Gelar Magister Teknologi Informasi (M.T.I). Dien Novita saat ini (semester Genap Tahun Akademik 2016/ 2017) mengasuh mata kuliah E-Government, Matematika Komputasi dan Statistika. Della Oktaviany merupakan dosen tetap Program Studi Sistem Informasi STMIK GI MDP Palembang. Pada tahun 2012 menyelesaikan pendidikan Sarjana Komputer dari Program Studi Sistem Informasi STMIK GI MDP dan melanjutkan jenjang perkuliahan di Fakultas Ilmu Komputer Universitas Indonesia pada tahun 2014. Saat ini mengasuh matakuliah Basis Data Terapan, Analisis Sistem Informasi, E-Business.



 197

Dicky Pratama, memperoleh gelar S.Kom dari STMIK GI MDP Palembang, Indonesia tahun 2012. Kemudian memperoleh gelar M.T.I dari Universitas Indonesia, tahun 2014. Saat ini bekerja sebagai dosen tetap pada program studi Sistem Informasi STMIK GI MDP Palembang. Dafid adalah dosen tetap Program Studi Sistem Informasi STMIK Global Informatika Multi Data Palembang. Gelar Sarjana Sains (S.Si) diperoleh pada tahun 2004 dari Jurusan Ilmu Komputer Universitas Padjajaran Bandung. Gelar Magister Teknologi Informasi (M.T.I) diperoleh pada tahun 2010 dari Program Pasca Sarjana Magister Teknologi Informasi Fasilkom Universitas Indonesia. Saat ini mengasuh mata kuliah Sistem Basis Data, Algoritma dan Struktur Data, Administrasi dan Keamanan Basis Data Hendri Sopryadi, memperoleh gelar S.Kom dari Bina Nusantara, Indonesia tahun 2002. Kemudian memperoleh gelar M.T.I dari Universitas Indonesia, tahun 2010. Saat ini bekerja sebagai dosen tetap pada program studi Teknik Informatika STMIK GI MDP Palembang. IGN Mantra adalah sejak 1998 sebagai Dosen Tetap Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Perbanas Institute, Jakarta, disamping itu sebagai Kepala Lab. Jaringan Komputer dan Keamanan Jaringan. Pasca Sarjana diselesaikan di Teknik Informatika, Swiss German University (2013) dan STTIBI (2002), Banking Management (2013) dan Sarjana Teknik Komputer, FTI, ITS Surabaya (1993) dengan spesialisasi Computer Security dan Cryptography. Saat ini mengasuh mata kuliah Keamanan Jaringan, IT Security, Keamanan Informasi, Jaringan Komputer, Arsitektur Komputer dan Ethical Hacking. Puspita Kartikasari adalah dosen tetap Program Studi Sistem Informasi, Institut Bisnis dan Informatika Stikom Surabaya. Menyelesaikan Studi Sarjana Sains (S.Si.) pada jurusan Statistika di Institut Teknologi Sepuluh Nopember Surabaya (ITS) pada tahun 2013 dan pada tahun 2015 memperoleh gelar Magister Sains (M.Si.) dari jurusan Statistika di Institut Teknologi Sepuluh Nopember Surabaya (ITS). Ketertarikan dibidang statistika bisnis, statistika komputasi dan statistika terapan dalam mengevaluasi produk teknologi komputer dan informasi, maka saat ini tengah meneliti tentang penerapan statistika untuk evaluasi teknologi informasi berupa website yang dikelola oleh pihak kampus Institut Bisnis dan Informatika Stikom Surabaya yaitu Sistem Informasi Cyber Campus (SICYCA).


198

ISSN: 1978-1520

INDEKS PENYUNTING/MITRA BESTARI

Edy Winarno adalah dosen tetap di Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Stikubank Semarang. Menempuh pendidikan S1 (S.T.) di Jurusan Teknik Elektro Fakultas Teknologi Industri Universitas Islam Sultan Agung (Unissula) Semarang lulus tahun 2001, S2 (M.Eng.) di Jurusan Teknik Elektro Departemen Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Yogyakarta (2007-2009), dan S3 (Dr.) di bidang Computer Vision di Departemen Ilmu Komputer dan Elektronika Universitas Gadjah Mada Yogyakarta (2011-2015). Aktif sebagai peneliti, penulis, reviewer, pembicara dan sekarang menjabat sebagai Sekretaris Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) UNISBANK, dan menjadi salah satu pengurus APTIKOM JATENG (Asosiasi Pendidikan Tinggi Informatika dan Komputer) sebagai Kepala Bidang Penelitian dan Publikasi Ilmiah. Penulis beberapa buku IT terbitan Elexmedia Komputindo Jakarta sejak 2011, dan menulis beberapa paper ilmiah dalam jurnal bereputasi terindeks Scopus. Enny Itje Sela adalah dosen tetap Program Studi Teknik Informatika STMIK AKAKOM YOGYAKARTA. Pendidikan Sarjana Ilmu Komputer (S.Si) diselesaikannya pada tahun 1995 dari Program Studi Ilmu Komputer, Universitas Gadjah Mada. Pendidikan pascasarjana (M.Kom) diperoleh dari Program Magister Ilmu Komputer, Universitas Gadjah Mada pada tahun 2002. Kemudian pada tahun 2014 memperoleh gelar Doktor (Dr.) dari Program Doktor Ilmu Komputer, Universitas Gadjah Mada. Bidang minat yang ditekuni adalah pengolahan citra, pengenalan pola, data mining, kecerdasan buatan, jaringan syaraf tiruan (JST) Gasim adalah dosen tetap Program Studi Teknik Informatika STMIK Global Informatika Multi Data Palembang. Pendidikan Sarjana Komputer diselesaikannya pada tahun 2000 dari Program Studi Manajemen Informatika STMIK Bandung. Pendidikan pascasarjana (M.Si) diperoleh dari Sekolah Pascasarjana Institut Pertanian Bogor (IPB) pada tahu 2006 dengan mengambil bidang studi Ilmu Komputer. Kemudian pada tahun 2014 memperoleh gelar Doktor (Dr.) dari program Doktor Universitas Gadjah Mada (UGM) Yogyakarta dengan spesialisasi kecerdasan buatan. Saat ini mengasuh mata kuliah pemrograman, algoritma dan struktur data, metodologi penelitian, dan kecerdasan buatan. Kudang B. Seminar is a professor in the Department of Mechanical & Biosystem Engineering & the Computer Science Department, Bogor Agricultural University (IPB. He was the president of and is currently is an honorary board member of Asian Federation for Information Technology in Agriculture (AFITA) http://www.afita.org/ and that of Indonesian Society of Agriculture Informatics (HIPI). He received his master and doctoral degrees in the field Computer Science at thew Brunswick, Canada. His research interests include Computer-based Control Systems for Agriculture, Knowledge Management System for Agriculture & Precision Agriculture, Distributed Artificial Intelligent System (Multi agent Systems). He is also involved in the collaborative international research work with George Mason University (USA), Ehime & Tsukuba Universities (Japan). He is an author of national and international articles, a reviewer of International Agricultural Engineering Journal (IAEJ). Currently, he is the head of Bioinformatics Engineering Laboratory at Bogor Agricultural University (IPB). Shofwatul ‘Uyun adalah dosen tetap Program Studi Teknik Informatika Universitas Islam Negeri Sunan Kalijaga Yogyakarta. Pendidikan Sarjana Teknik (S.T) diselesaikannya pada tahun 2004 dari Program Studi Teknik Informatika Universitas Islam Indonesia Yogyakarta. IJCCS Vol. x, No. x, July201x : first_page–end_page




199

Pendidikan pascasarjana (M.Kom) diperoleh dari Program Pascasarjana Universitas Gadjah Mada (UGM) pada tahun 2006 dengan mengambil bidang studi Ilmu Komputer. Kemudian pada tahun 2014 memperoleh gelar Doktor (Dr.) dari program Doktor Universitas Gadjah Mada (UGM) Yogyakarta dengan spesialisasi Sistem Cerdas dan Pengenalan Pola pada Citra Medis. Saat ini mengasuh mata kuliah kecerdasan buatan, logika fuzzy, pengenalan pola, pengolahan citra digital dan teori bahasa otomata


200

ISSN: 1978-1520

ABSTRAK JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI VOLUME 3 NOMOR 2, MARET 2017 Pengenalan Wajah Menggunakan Two Dimensional Linear Discriminant Analysis Berbasis Optimasi Feature Fusion Strategy Sahmanbanta Sinulingga, Chastine Fatichah, Anny Yuniarti Abstract The era of technology today,, research on biometric image is not common to do. One well researched biometric image is a face recognition (face recognition). Problems on the human face recognition is a diversity of features or shape between one another face to face. Therefore, the need for facial feature extraction and classification using a particular method so that the classification can be recognized correctly.In this study proposed feature extraction method that can overcome the problems of non-linear automatic data contained in the face image, called the Two Dimensional Linear Discriminant Analysis based on Feature Fusion Strategy (TDLDA-FFS). Not stopping on feature extraction, classification methods proposed also faces that can overcome the problems of the adaptive matrix which aims to study the benefit of weight on each - each input with the method Relevanced Generalized Learning Vector quantization (GRLVQ).This research integrates methods TDLDA-FFS and GRLVQ for face recognition. With the combination of both methods are proven to provide optimal results with a level of recognition accuracy ranged between 77.78% to 82.22% with a pilot using a database ISSN: 1978-1520 JCCS Vol. x, No. x, July201x : first_page–end_page 2 ISSN PRINT : 24074322 ISSN ONLINE : 2503-2933 of facial images from the Institute of Business and Information Stikom Surabaya. While the test uses a database derived from YaleB Database achieve accuracy levels ranging from 88.89% to 94.44%. Keywords: Non-Linier Data, Adaptive Matrix, TDLDA, FFS, GRLVQ 1.

The Modeling of Information Security Classification With Risk Value Assesment Factor to Good Information Governance on The Indonesia Higher Education Sector IGN Mantra Abstract Digital information is currently dominating the turnover or circulation of information in any institution, whether in government, private sector, universities, Social, Defense and Security, Economy, Politics etc. Almost certainly the information is spearheading the movement of the economy, "who holds the information then he will win the war". Today's Internet era, which is highly sought after by the hackers or crackers and intruders is information, the heart of the information in the database, computer and laptop is not worth more in the eyes of hackers or crackers, hackers either individual or team will try to break through the defense and security information in server , they are vying to be able to obtain important information, and even the most sensitive secrets though. The purpose of the security classification of information is made rating models on levels of sensitivity of the information, with the security classification of


 201


information would make the control of the security protection of data and information, the classification will do with risk value assessment factor so that information can be saved away from the hands of scavengers information especially in Indonesia higher education sector. Keywords: Information Security Classification; Information Governance; Information Security Policy; IT Security Risk Management, Risk Value Assessment Factor.

Process Capability Model Based on COBIT 5 Assessments (Case Study) Johanes Fernandes Andry Abstract XYZ Company is Information and Communication Technology solutions provider in Jakarta. Started in 2003 as reseller product IT and development software customized, networking and other outsourcing project base. It has become imperative to strengthen IT governance and audit processes, to ensure the integrity of information systems. COBIT helps business and their IT achieves these, and builds a powerful, integrated framework for IT governance, control and audit processes. COBIT 5 is not only a cost-efficient approach, but also a conceptually easy framework for auditors to understand and communicate to the management. COBIT 5 moves away from the "maturity models" in COBIT 4.1, to Process Capability Model, they seek continuous improvement of business process. Assessing the value of the information and identifying the assets which support the business process. Assessment focused to domain Build Acquire and Implement (BAI). From the perspective of assessment activity, control classification by action is the most usefull conceptualization and within that context: preventive, detective, and corrective controls the most useful for analysis. Assessments of Process Capability Model based on COBIT 5 in domain BAI, average was at 2.4 (managed) until 3.0 (established). Keywords: Process Capability Model, COBIT 5, BAI. ISSN: 1978-1520.

Kriptografi Menggunakan Hybrid Cryptosystem dan Digital Signature Halim Agung, Ferry Abstract Security of information at this point becomes easier to be abused by another party when that information is sent and stored. To overcome these problems then do research to create an application that uses a hybrid method cryptosystem and digital signature. Methods in hybrid cryptosystem is done by combining the RC4 and RSA. Digital signature method is done by using a hash function SHA-512 with RSA algorithm approach. Applications that are built to perform encryption and decryption on files as well as improving security in sending data by hybrid cryptosystem and digital signature. Based on the research results of all the file types tested successfully encrypted and decrypted as well as the larger the file size, the longer the encryption and decryption process. Keywords: Hybrid Cryptosystem, RC4, RSA, SHA-512, Digital Signature.


202

ISSN: 1978-1520 Analisis Penerimaan Layanan Web Tracking dengan Penerapan Technology Acceptance Model (TAM) Dien Novita, Della Oktaviany Abstract

Developments of technology allow businesses in Indonesia to develop its business activities to maintain good relations with customers. Most of the business activities already involve technology, both in terms of the use of hardware and software. In providing freight services, PT XYZ provides additional services to its customers, by giving Web Tracking feature. This feature is the media to check the position of shipments that have been submitted through PT XYZ. Then it needs to be analyzed receipt Tracking Web services. With descriptive analysis method with a sample of 235 respondents, analysis of acceptance of Web services Tracking for delivery of goods in PT XYZ quite well, seen from a variable in the Technology Acceptance Model (TAM) gained an average user agrees with Web services Tracking with percentages ranging between 65,87% to 98.81%. The high attitude to use technology from the users of 98.81% the results of this study, PT XYZ should improve usability and ease of use of Web Tracking service. Keywords: Analysis, Web Tracking Service, TAM.

Pengaruh Pemanfaatan Kelas Elektronik Terhadap Efektifitas dan Efisiensi Proses Belajar STMIK XYZ Dicky Pratama, Hendri Sopryadi Abstract Electronic classrooms at STMIK XYZ for this is believed to contribute to the learning process. Lecturers, students and all staff use the classroom to communicate remotely, disseminate knowledge, information capture and so forth. It is not yet known whether the use of electronic classrooms that can impact the efficiency and effectiveness of the learning process. This study aims to measure whether the use of electronic classrooms significantly influence the effectiveness and efficiency of the learning process. The method used is regression analysis to test the normality, linearity and homogeneity. The test results show that a variety of electronic classrooms affect the effectiveness and efficiency of the learning process. Keywords: Regression, effectiveness, efficiency, classroom 1.

Analisis dan Perancangan Sistem Pendukung Keputusan Pemberian Bonus Tahunan Karyawan dengan Metode SAW pada PT. XYZ Triyana Widya Ningrum, Sherly Valentina, Dafid Abstract Employees are one of important things in PT. XYZ. Therefore, the company continually give a reward to employee in the form of bonus based on employee performance in order to motivate employee to work harder. PT. XYZ have difficulty to decide who employee that meet IJCCS Vol. x, No. x, July201x : first_page–end_page


 203

the criteria to receive bonus. This research intend to make company easier to select qualified employee to receive annual bonus. Method of collecting data using study of literature, interview and obervation. Methodology of system development is iterative. Method of decision support system using Simple Additive Weighting to select employee that meet the criteria to receive bonus. The system will be develop into employee data, criteria data, calculation of criteria, assesment of employee performance and reporting of selected employee. The result of this research is a design of desicion support system that easir company to decide the bonus receiver’s qualified employee. Keywords: Decision Support Systems, Bonus, Simple Additive Weighting (SAW).


 204


INDEKS JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Vol

Judul

Halaman

Penulis

Vol 3 No 1

The Modeling of Information Security Classification With Risk Value Assesment Factor to Good Information Governance on The Indonesia Higher Education Sector

1-11

Sahmanbanta Sinulingga, Chastine Fatichah, Anny Yuniarti

The Modeling of Information Security Classification With Risk Value Assesment Factor to Good Information Governance on The Indonesia Higher Education Sector

12-22

IGN Mantra

Process Capability Model Based on COBIT 5 Assessments (Case Study)

23-33

Johanes Fernandes Andry

Kriptografi Menggunakan Hybrid Cryptosystem dan Digital Signature

34-45

Halim Agung, Ferry

Analisis Penerimaan Layanan Web Tracking dengan Penerapan Technology Acceptance Model (TAM)

46-60

Dien Novita, Della Oktaviany

Pengaruh Pemanfaatan Kelas Elektronik Terhadap Efektifitas dan Efisiensi Proses Belajar STMIK XYZ

61-72

Dicky Pratama, Hendri Sopryadi

Analisis dan Perancangan Sistem Pendukung Keputusan Pemberian Bonus Tahunan Karyawan dengan Metode SAW pada PT. XYZ

73-84

Triyana Widya Ningrum, Sherly Valentina, Dafid

Pedoman Penulisan Makalah Jurnal Teknik Informatika dan Sistem Informasi (JATISI) 1. Topik penelitian yang akan dipublikasikan oleh jurnal JATISI adalah yang berhubungan dengan teknologi informasi, komunikasi dan komputer yang berbentuk kumpulan/akumulasi pengetahuan baru, pengamatan empirik atau hasil penelitian, dan pengembangan gagasan atau usulan baru. 2. Naskah ditulis dalam Bahasa Indonesia baku atau Bahasa Inggris, belum pernah dipublikasikan serta bebas dari unsur plagiat. Naskah dilengkapi surat pernyataan tertulis dikirim melalui email ke [email protected] 3. Naskah diketik dengan komputer menggunakan perangkat lunak Microsoft Word. Ukuran kertas 21 cm x 29,7 cm (A4). Batas atas, bawah, kanan, dan kiri 3 cm. Jarak antar baris 1 spasi. Menggunakan jenis huruf Times New Roman dengan ukuran font untuk judul artikel adalah 18 point, dan font pada isi makalah 11 point. Naskah ditulis dengan layout 1 kolom. 4. Jumlah halaman antara 10 sampai 14 halaman, dan jumlah gambar tidak boleh melebihi 30% dari seluruh tulisan. 5. Judul makalah maksimal 12 kata dalam bahasa Indonesia atau 10 kata dalam Bahasa Inggris. Judul harus mencerminkan masalah yang dibahas, dengan menggunakan kata-kata yang ringkas, lugas, tepat, jelas dan mengandung unsur-unsur yang dibahas. 6. Nama penulis ditulis di bawah judul sebelum abstrak tanpa disertai gelar akademik atau gelar lain apapun, asal lembaga tempat penulis bernaung, dan alamat email untuk korespondensi, dengan ukuran 11 point bold. 7. Sistematika penulisan naskah, terdiri dari: a. Abstrak dan kata kunci Abstrak ditulis dalam bahasa Indonesia dan bahasa Inggris dengan panjang masing-masing 150 - 200 kata dan dicetak miring dengan Times New Roman 11 point diketik dengan jarak 1 spasi. Abstrak disusun dengan kalimat-kalimat ringkas, jelas, runtut, dan sistematis dan dapat menggambarkan apa dan mengapa penelitian dikerjakan, bagaimana dikerjakan, dan apa hasil yang dicapai dari penelitian. b. Pendahuluan Pendahuluan ditulis dengan Times New Roman 11 point. Pendahuluan menguraikan latar belakang permasalahan, tujuan penelitian, batasan penelitian, metode yang digunakan dalam penelitian, hasil penelitian yang diperoleh sebelumnya, dan kontribusi yang diberikan dari makalah ini. Selain itu pendahuluan juga berisi tinjauan pustaka yang memuat uraian sistematis tentang informasi hasil-hasil penelitian yang pernah dilakukan oleh peneliti sebelumnya yang relevan dengan penelitian yang akan dilakukan. Bagian ini memuat kelebihan dan kelemahan yang mungkin ada pada penelitian terdahulu yang dapat dijadikan argumen bahwa penelitian yang akan dikerjakan ini bersifat menyempurnakan atau mengembangkan penelitian terdahulu. Bagian ini juga memuat landasan teori berupa rangkuman teori-teori yang diambil dari pustaka yang mendukung penelitian, serta memuat penjelasan tentang konsep dan prinsip dasar yang diperlukan untuk pemecahan permasalahan. Landasan teori dapat berbentuk uraian kualitatif, model matematis, atau tools yang langsung berkaitan dengan permasalahan yang diteliti. Sumber pustaka yang dirujuk pada bagian ini harus dicantumkan dalam kalimat/ pernyataan yang diacu dan dalam Daftar Pustaka, misalnya [1]. Judul tabel ditulis dalam Times New Roman 11 point, ditempatkan di atas tabel, tanpa diakhiri tanda titik. Tabel tidak boleh dipenggal, kecuali kalau tidak mungkin diketik dalam

satu halaman. Pada halaman lanjutan tabel dicantumkan nomor tabel dan ditulis kata Lanjutan tanpa judul. Bagan, grafik, peta, foto, semuanya disebut gambar. Judul gambar dalam Times New Roman 11 point, tepat di bawah gambar, tanpa diakhiri oleh tanda titik. Keterangan gambar dituliskan pada tempat yang kosong pada halaman yang sama. Skala dan satuan pada grafik harus dibuat sejelas mungkin. Setiap tabel dan gambar harus dirujuk dalam makalah. c. Metode Penelitian Bagian ini memuat penjelasan secara lengkap dan terinci tentang langkah-langkah yang dilakukan dalam melakukan penelitian ini. Selain itu, langkah penelitian juga perlu ditunjukkan dalam bentuk diagram alir langkah penelitian atau framework secara lengkap dan terinci termasuk di dalamnya tercermin algoritma, rule, pemodelan-pemodelan, desain dan lain-lain yang terkait dengan aspek perancangan sistem. d. Hasil dan Pembahasan Bagian Hasil dan Pembahasan merupakan bagian yang memuat semua temuan ilmiah yang diperoleh sebagai data hasil penelitian. Bagian ini diharapkan memberikan penjelasan ilmiah yang secara logis dapat menerangkan alasan diperolehnya hasil-hasil tersebut yang dideskripsikan secara jelas, lengkap, terinci, terpadu, sistematis, serta berkesinambungan. Pemakalah menyusun secara sistematis disertai argumentasi yang rasional tentang informasi ilmiah yang diperoleh dalam penelitian, terutama informasi yang relevan dengan masalah penelitian. Pembahasan terhadap hasil penelitian yang diperoleh dapat disajikan dalam bentuk uraian teoritik, baik secara kualitatif maupun kuantitatif. Dalam pelaksanaannya, bagian ini dapat digunakan untuk memperbandingkan hasil-hasil penelitian yang diperoleh dalam penelitian yang sedang dilakukan terhadap hasil-hasil penelitian yang dilaporkan oleh peneliti terdahulu yang diacu pada penelitian ini. Secara ilmiah, hasil penelitian yang diperoleh dalam penelitian dapat berupa temuan baru atau perbaikan, penegasan, atau penolakan interpretasi suatu fenomena ilmiah dari peneliti sebelumnya. Hasil penelitian disajikan secara cermat agar mudah dipahami, misalnya dapat ditunjukkan dalam bentuk tabel, kurva, grafik, gambar, foto, atau bentuk lainnya sesuai keperluan secara lengkap dan jelas. Perlu diusahakan agar saat membaca hasil penelitian dalam format tersebut, pembaca tidak perlu mencari informasi terkait dari uraian dalam pembahasan. Akhir dari bagian ini memuat keterangan tentang kelebihan dan kelemahan sistem, yang dideskripsikan secara terinci. e. Kesimpulan Kesimpulan merupakan pernyataan singkat, jelas, dan tepat tentang apa yang diperoleh, memuat keunggulan dan kelemahan, dapat dibuktikan, serta terkait langsung dengan tujuan penelitian. Uraian pada bagian ini harus merupakan pernyataan yang pernah dianalisis/dibahas pada bagian sebelumnya, bukan pernyataan yang sama sekali baru dan tidak pernah dibahas pada bagian sebelumnya, serta merupakan jawaban atas permasalahan yang dirumuskan. Bagian ini tidak perlu ada uraian penjelasan lagi. f. Saran Saran memuat berbagai usulan atau pendapat yang sebaiknya dikaitkan oleh penelitian sejenis. Saran dibuat berdasarkan kelemahan, pengalaman, kesulitan, kesalahan, temuan baru yang belum diteliti dan berbagai kemungkinan arah penelitian selanjutnya. g. Daftar Pustaka Daftar Pustaka hanya memuat pustaka yang benar-benar diacu dalam makalah, ditulis menggunakan jenis huruf Times New Roman 11 point, dan disusun sbb: 1) Urutan Daftar Pustaka berdasarkan berdasarkan urutan kemunculan rujukan. 2) Tulisan untuk suatu sumber pustaka diketik satu spasi. Jarak di antara sumber pustaka tetap dua spasi. 3) Sumber refernsi dari Internet harus berasal dari artikel ilmiah-resmi. 4) Setiap pustaka ditulis menurut:

a) Buku: nama pengarang, tahun penerbitan, judul, edisi (jika perlu), jilid (jika perlu), nama penerbit, kota penerbit b) Majalah/Jurnal Ilmiah/Prosiding: nama penulis, tahun penerbitan, judul, nama majalah/jurnal ilmiah/prosiding, edisi (jika perlu), nama penerbit, kota penerbit c) Laporan Penelitian: nama peneliti, tahun, judul, jenis penelitian, nama lembaga, kota d) Internet: nama penulis, tanggal akses, judul artikel, alamat URL secara lengkap. Publikasi di web selain e-book, e-journal, dan e-proceeding tidak diperbolehkan untuk dijadikan rujukan penelitian ilmiah. 8. Tabel dan gambar harus diberi identitas yang berupa nomor urut dan judul tabel atau gambar yang sesuai dengan isi tabel atau gambar, serta dilengkapi dengan sumber kutipan. 9. Persamaan harus diberi nomor urut dan diacu dalam naskah. 10. Daftar pustaka disusun menurut urutan kemunculan rujukan. Urutan dimulai dengan penulisan nama penulis, tahun, judul, penerbit, dan kota terbit. Penulisan nama penulis adalah nama keluarga diikuti nama kecil. Kutipan dari internet berisi nama penulis, judul artikel, alamat website, dan tanggal akses. 11. Bagian akhir makalah disertakan biodata penulis mencakup nama lengkap, tempat tanggal lahir, alamat koresponden (rumah/kantor dan email), tahun lulus dan bidang ilmu unutk S1, S2 atau S3 spesialisasi dan minat keilmuan serta hal-hal lain yang dianggap perlu dicantumkan. 12. Redaksi berhak menolak naskah yang tidak memenuhi kriteria/persyaratan teknis, mengadakan perubahan susunan naskah, memperbaiki bahasa dan berkonsultasi dengan penulis sebelum naskah dimuat.

FORM PENILAIAN REVIEWER JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) NO 1

2

UNSUR

KETERANGAN

MAKS

Keefektifan Judul Artikel

Maksimal 12 (dua belas) kata dalam Bahasa Indonesia atau 10 (sepuluh) kata dalam Bahasa Inggris

2

Pencantuman Nama Penulis dan Lembaga Penulis

KETERANGAN a. Tidak lugas dan tidak ringkas (0) b. Kurang lugas dan kurang ringkas (1) c. Ringkas dan lugas (2)

1

a. Tidak lengkap dan tidak konsisten (0) b. Lengkap tetapi tidak konsisten (0,5) c. Lengkap dan konsisten (1)

3

4

Abstrak

Kata Kunci

Dalam Bahasa Indonesia dan Bahasa Inggris yang baik, jumlah 150-200 kata. Isi terdiri dari latar belakang, metode, hasil, dan kesimpulan. Isi tertuang dengan kalimat yang jelas.

2

Maksimal 5 kata kunci terpenting dalam paper

1

a. Tidak dalam Bahasa Indonesia dan Bahasa Inggris (0) b. Abstrak kurang jelas dan ringkas, atau hanya dalam Bahasa Inggris, atau dalam Bahasa Indonesia saja (1) c. Abstrak yang jelas dan ringkas dalam Bahasa Indonesia dan Bahasa Inggris (2) a. Tidak ada (0) b. Ada tetapi kurang mencerminkan konsep penting dalam artikel (0,5) c. Ada dan mencerminkan konsep penting dalam artikel (1)

5

6

Sistematika Pembaban

Pemanfaatan Instrumen Pendukung

Terdiri dari pendahuluan, tinjauan pustaka, metode penelitian, hasil dan pembahasan, kesimpulan dan saran, daftar pustaka Pemanfaatan Instrumen Pendukung seperti gambar dan tabel

1

c. Lengkap dan bersistem (1) 1

a. Tak termanfaatkan (0) b. Kurang informatif atau komplementer (0,5)

7

Cara Pengacuan dan Pengutipan

1

8

Penyusunan Daftar Pustaka

9

Peristilahan dan Kebahasaan

2

10

Makna Sumbangan bagi Kemajuan

4

Penyusunan Daftar Pustaka

a. Tidak lengkap (0) b. Lengkap tetapi tidak sesuai sisetm (0,5)

1

c. Informatif dan komplementer (1) a. Tidak baku (0) b. Kurang baku (0,5) c. Baku (1) a. Tidak baku (0) b. Kurang baku (0,5) c. Baku (1) a. Buruk (0) b. Cukup (1) c. Baik (2) a. Tidak ada (0) b. Kurang (1) c. Sedang (2) d. Cukup (3) e. Tinggi (4)

ISSN: 1978-1520 NO

UNSUR

11

Dampak Ilmiah

12

Nisbah Sumber Acuan Primer berbanding Sumber lainnya

KETERANGAN

MAKS 7

Sumber acuan yang langsung merujuk pada bidang ilmiah tertentu, sesuai topik penelitian dan sudah teruji. Sumber acuan primer dapat berupa: tulisan dalam makalah ilmiah dalam jurnal internasional maupun nasional terakreditasi, hasil penelitian di dalam disertasi, tesis, maupun skripsi Derajat Kemutakhiran Pustaka Acuan

3

c. > 80% (3)

13

Derajat Kemutakhiran Pustaka Acuan

14

Analisis dan Sintesis

Analisis dan Sintesis

4

15

Penyimpulan

Sangat jelas relevasinya dengan latar belakang dan pembahasan, dirumuskan dengan singkat

3

16

Unsur Plagiat

TOTAL Catatan: Nilai minimum untuk diterima adalah 25 poin

–

KETERANGAN a. Tidak ada (0) b. Kurang (1) c. Sedang (3) d. Cukup (5) e. Besar (7) a. < 40% (1) b. 40-80% (2)

3

0

36

a. < 40% (1) b. 40-80% (2) c. > 80% (3) a. Sedang (2) b. Cukup (3) c. Baik (4) a. Kurang (1) b. Cukup (2) c. Baik (3) a. Tidak mengandung plagiat (0) b. Terdapat bagian-bagian yang merupakan plagiat (-5) c. Keseluruhannya merupakan plagiat (-20)

VOLUME 3 NOMOR 2 MARET 2017 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) KETUA PENYUNTING Muhammad Rizky Pribadi

Recommend Documents