VOLUME 4 NOMOR 1 SEPTEMBER 2017 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) KETUA PENYUNTING Muhammad Rizky Pribadi

VOLUME 4 NOMOR 1 SEPTEMBER 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]

KATA PENGANTAR Puji syukur kehadirat Tuhan YME atas berkat rahmat dan karunia-Nya sehingga majalah ilmiah Jurnal Teknik Informatika dan Sistem Informasi (JATISI) dapat terbit sebagaimana direncanakan. Sebagai tenaga profesional, dosen memiliki kewajiban mengajar, meneliti, dan pengabdian pada masyarakat. Setiap hasil penelitian sebaiknya dipublikasikan untuk memberi tahu kepada masyarakat luas tentang hasil penelitiannya.JATISI diharapkan dapat menjadi wadah bagi para dosen untuk mempublikasikan hasil penelitiannya, dan menjadi sarana untuk penyebaran ilmu pengetahuan di bidang teknik informatika dan sistem informasi secara berkelanjutan. JATISI juga diharapkan menjadi pertemuan antara dunia penelitian dan dunia industri yang tertarik terhadap hasil penelitian. JATISI bekerja sama dengan IndoCEISS dalam pengelolaannya. IndoCEISS merupakan wadah bagi para ilmuwan, praktisi, pendidik, dan penggemar dalam bidang komputer, elektronika, dan instrumentasi yang menaruh minat untuk memajukan bidang tersebut di Indonesia. JATISI diterbitkan 2 kali dalam setahun (September dan Maret), makalah yang diterbitkan JATISI minimal terdiri dari 60% dari luar Sumatera Selatan, dan 40% dari Sumatera Selatan. Makalah yang diterbitkan melalui tahap review oleh reviewer yang berpengalaman dan sudah memiliki makalah yang diterbitkan di jurnal internasional yang terindeks SCOPUS. Kami mengucapkan terima kasih kepada para peneliti yang telah mengirimkan hasil penelitiannya untuk diterbitkan di JATISI, kepada para mitra bestari yang sudah meluangkan waktu guna mereview makalah yang kami ajukan, kepada Yayasan Multi Data Palembang yang mendukung penuh atas pengelolaan jurnal ini, dan kami mengucapkan kepada semua pihak yang tidak dapat kami sebutkan satu persatu.

Ketua Redaksi JATISI,

Muhammad Rizky Pribadi

Jatisi, Vol. 4 No. 1 September 2017

1

Pemanfaatan Data Mining Untuk Penempatan Buku Di Perpustakaan Menggunakan Metode Association Rule Robi Yanto*1, Hendra Di Kesuma2 STMIK BNJ Lubuklinggau; Jl Yos Sudarso No 97 A Lubuklinggau, Telp: 0733-322307 3 Jurusan Sistem Informasi, STMIK Bina Nusantara Jaya Lubuklinggau e-mail: *[email protected], [email protected]

1,2

Abstrak Data Mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data yang tersembunyi dengan memanfaatkan data kunjungan perpustakaan, dapat menggali informasi tentang buku- buku apa yang sering dipinjam oleh pengunjung dan keterkaitan antar masing-masing peminjaman hingga dapat melakukan penyusunan dan tata letak buku. Pada sistem yang berjalan penempatan buku dilakukan berdasarkan kategori buku yang telah tersedia pada rak buku namun belum diatur berdasarkan intensitasi peminjaman buku yang dilakukan oleh anggota sehingga masih banyak buku-buku lama yang masih tersedia di perpustakaan. Untuk dapat melakukan penempatan buku sesuai dengan kebutuhan anggota perlu dilakukan suatu proses pengolahan data peminjaman buku dengan menggunakan algoritma appriori melalui penerapan metode association rule agar dapat diketahui support dan confidance antara buku-buku yang sering di pinjam sehingga dapat diketahui pola penempatan buku. Dibandingkan dengan sistem yang sedang berjalan kinerja tersebut ditunjukan pada efektifitas informasi dari sistem tentang penentuan pola penempatan buku untuk tata letak buku dan memudahkan dalam mengetahui keberadaan buku dalam hal ini berdasarkan 3 item set buku. Kata kunci: Data Mining, Rule Assosiasi, Perpustakaan.

Abstract Data Mining is the process of analyzing data to find a pattern of hidden data collection. by utilizing the traffic data library, can dig up information about what books are often borrowed by visitors and interrelationships of each loan to be able to do the preparation and layout of the book. In the system that runs the placement of books done by category of books available pad superbly wine book but has not been regulated by intensitasi lending done by members of so many old books are still available in the library. To be able to guide the placement in accordance with the needs of member needs to do a book-lending data processing by using aloritma appriori through the application of methods Associaton rule in order to know the support and confidance between books that are often borrowed so that it can be seen buku.Dibandingkan pattern placement system ongoing performance information is shown on the effectiveness of the system of determining the placement pattern books for book layout and make it easier to determine the existence of the book in this case is based on 3 itemset books. Keywords: Data Mining, Association Rule, Library.

Received June1 st,2012; Revised June25th, 2012; Accepted July 10th, 2012

ISSN: 2407-4322

2

1. PENDAHULUAN Perkembangan teknologi informasi telah memberikan kontribusi pada cepatnya pertumbuhan jumlah data yang dikumpulkan dan di simpan dalam basis data yang berukuran besar (tumpukan data). Dibutuhkan sebuah metode atau teknik yang dapat merubah tumpukan data tersebut menjadi sebuah informasi berharga atau pengetahuan (knowledge) yang bermanfaat untuk mendukung pengambilan keputusan bisnis. Suatu teknologi yang dapat digunakan untuk mewujudkannya adalah data mining. Data Mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan mengunakan teknik atau metode tertentu. [2] Data mining berkembang menjadi alat bantu untuk mencari pola-pola yang berharga dalam suatu basis data yang sangat besar jumlahnya, sehingga tidak memungkinkan dicari secara manual. Data Mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data yang tersembunyi [5]. Dengan memanfaatkan data kunjungan perpustakaan, dapat menggali informasi tentang buku-buku apa yang sering dipinjam oleh pengunjung dan keterkaitan antar masing-masing peminjaman hingga dapat melakukan penyusunan dan tata letak buku. Pada sistem yang berjalan penempatan buku dilakukan berdasarkan kategori buku yang telah tersedia pada rak buku, namun belum diatur berdasarkan intensitasi peminjaman buku yang dilakukan oleh anggota. Sehingga masih banyak buku-buku lama yang masih tersedia di perpustakaan. Proses peminjaman buku digunakan hanya untuk mengetahui tingkat minat baca anggota di perpustakaan. Namun pada proses tata letak buku belum dilakukan dengan melihat tingkat kebutuhan peminjam atas buku yang dipinjam. Sehingga anggota perpustakaan membutuhkan waktu yang cukup lama untuk mencari buku dengan melihat pada rak-rak buku yang tersedia. Dengan adanya permasalahan tersebut diperlukan analisa pola peminjaman buku untuk penerapan tata letak buku yang sesuai dengan tingkat kebutuhan pengunjung perpustakaan. Salah satu solusi yang dapat digunakan adalah mengimplementasikan data mining menggunakan metode association rule untuk menentukan penempatan buku yang ada di perpustakaan. Pada penelitian sebelumnya dilakukan oleh Kennedi Tampubolon (2013) dengan tema Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan dimana Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat mempercepat proses pembentukan kecenderungan pola kombinasi item set hasil penjualan alatalat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan confidence tertinggi adalah Stick Asam Urat - Stick Gula dan Stick Colestrol- Stick Gula [8]. Begitu juga dengan penelitian yang dilakukan oleh Hapsari, DA (2013) dengan tema Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat menggunakan Algoritma Apriori dimana aplikasi data mining dibangun menggunakan proses sekuensial linear dengan bahasa pemrograman PHP dan basis data MySQL. Algoritma yang digunakan sebagai proses utama dari analisis keranjang pasar adalah algoritma apriori dengan menggunakan parameter minimum support, minimum confidence, dan periode bulan transaksi penjualan untuk menemukan aturan asosiasi. Aplikasi data mining menghasilkan aturan asosiasi antar item pada bulan Februari 2012 yaitu konsumen melakukan transaksi pembelian obat jenis obat darah dan analgesik secara bersamaan dengan support sebesar 2,08% dan confidence sebesar 45,45%. Dengan demikian, jika terdapat seorang konsumen membeli jenis obat darah maka kemungkinan terdapat 45,45% konsumen membeli jenis analgesic [1].

2. TINJAUAN PUSTAKA 2.1 Data Mining Data mining adalah sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan IJCCS Vol. x, No. x, July201x : first_page–end_page


3

informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan [6]. Data mining sering juga disebut dengan Knowledge Discovery in Database atau disingkat KDD, adalah kegiatan yang meliputi pengumpulan, pemakaian data histori untuk menelusuri data yang ada untuk membangun sebuah model agar dapat mengenali pola data yang lain berukuran besar [6]. Gambar 2.1 tahapan Proses KDD sebagai berikut:

Gambar 1. Tahapan Proses KDD [7] Enam elemen yang paling esensial dalam teknik pencarian informasi/pengetahuan dalam KDD yaitu [7]: 1. Mengerjakan sejumlah besar data. 2. Diperlukan efesiensi berkaitan dengan volume data. 3. Mengutamakan ketetapan/keakuratan. 4. Membutuhkan pemakaian bahasa tingkat tinggi. 5. Menggunakan beberapa bentuk dari pembelajaran otomatis. 6. Menghasilkan hasil yang menarik. 2.2 Algoritma Apriori Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association Rule) untuk menentukan hubungan asosiatif suatu kombinasi item. Analisis pola frekuensi tinggi dengan algoritma appriori mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data [3]. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut: (A) =Jumlah transaksi mengandung A Total Transaksi Nilai support dari 2 item diperoleh dengan menggunakan rumus: ( , )= (

(i)

(ii)

)

(A,B)= transaksi mengandung A dan B transaksi Pembentukan aturan asosiasi setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung

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

ISSN: 2407-4322

4

confidence aturan asosiatif A U B. Nilai confidence dari aturan A U B diperoleh dengan rumus berikut: (iii)

= ( | ) = transaksi mengandung A dan B transaksi mengandung A

Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar.

3. METODE PENELITIAN

Pengumpulan Data

Analisis Masalah

IdentifikasiMa salah

Kesimpulan

Analisa hasil

MerumuskanM asalah

Penerapan data mining dan metode association rule

Gambar 2. Metode Penelitian 1. Tahap awal dilakukan pengumpulan data yang bertujuan untuk menyediakan bahan agar proses selanjutya yaitu menganalisa permasalahan yang terjadi pada proses kegiatan pengolahan data buku di perpustakaan. 2. Tahap analisa permasalahan dilakukan untuk dapat melihat seberapa banyak permasalahan yang diperoleh berdasarkan tingkat kepentingan dari permasalahan yang akan diselesaikan. 3. Tahap identifikasi masalah adalah mengelompokan permasalahan yang diperoleh yang sesuai dengan tujuan penelitian. 4. Tahap merumuskan masalah adalah tahap pemilihan masalah yang telah teridentifikasi untuk dapat dirumuskan agar dapat menyelesaikan permasalahan yang sesuai dengan tujuan penelitian. 5. Proses pengolahan data dilakukan terlebih dahulu melakukan identifikasi sering dihadapi oleh pihak perpustakaan, kemudian mendeskripsikan masalah-masalah tersebut untuk diperoleh solusinya. Tahap selanjutnya dilakukan analisa masalah menggunakan teknik data mining dengan algoritma apriori untuk mendapatkan hasil sebagai tujuan yang akan dicapai. 6. Pada tahap ini dilakukan analisis hasil berdasarkan perhitungan algoritma appriori yang dapat digunakan untuk pengambilan keputusan dalam penentuan pola penempatan buku. 7. Tahap akhir adalah menyimpulkan hasil penelitian apakah telah memberikan solusi dari permasalah yang telah diselesaikan.

4. PERANCANGAN DAN HASIL Metode data mining analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item [4]. Interestingness measure yang dapat digunakan dalam data mining adalah: IJCCS Vol. x, No. x, July201x : first_page–end_page


5

1. Support, adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item atau item set dari keseluruhan transaksi. 2. Confidence, adalah suatu ukuran yang menunjukkan hubungan antar dua item secara conditional (berdasarkan suatu kondisi tertentu). 4.1 Algoritma Apriori Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (association rule) untuk menentukan hubungan asosiatif suatu kombinasi item [3]. Analisis pola frekuensi tinggi dengan algoritma appriori mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut: (A) =Jumlah transaksi mengandung A Total Transaksi Nilai support dari 2 item diperoleh dengan menggunakan rumus: ( , )= (

)

(A,B)= transaksi mengandung A dan B transaksi Pembentukan aturan asosiasi setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A U B. Nilai confidence dari aturan A U B diperoleh dengan rumus berikut: = ( | ) = transaksi mengandung A dan B Transaks mengandung A Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar. 4.2 Implementasi Perhitungan Menggunakan Algoritma Appriori Tabel 1. Pola Peminjaman Buku Transaksi 1 2 3 4 5 6 7 8

Peminjaman Buku Bahasa Indonesia Matematika Fisika PAI TIK Bahasa Matematika Indonesia Bahasa Ekonomi Indonesia Ekonomi Sosiologi Bahasa Ekonomi Indonesia Fisika Biologi Matematika

Sosiologi

Fisika

Kimia

-

-

Biologi PKN

PAI -

-

-

-

Ekonomi

Sosiologi

Fisika

Kimia

Sejarah

Sosiologi

Fisika

PAI

TIK

PKN

Fisika

Biologi

Kimia

PAI

TIK

Sosiologi

Fisika

Biologi

Kimia

Sejarah

PAI

TIK

PKN


ISSN: 2407-4322

6

9

Matematika

10

Sosiologi

Bahasa Indonesia Fisika

Ekonomi

-

-

-

-

Biologi

Kimia

-

-

-

Tabel 1 menggambarkan jumlah peminjaman buku yang dilakukan oleh pengunjung perpustakaan yang akan dijadikan data terhadap kebutuhan proses perhitungan dengan menggunakan algoritma appriori. Tabel 2. Tabulasi Data Peminjaman Buku

Pada tabel 2. Tabulasi data dilakukan untuk mengetahui banyaknya kegiatan peminjaman buku setiap item buku berdasarkan 10 kegiatan peminjaman buku. 4.2.1 Pembentukan Item Set 1 Item set berikut ini adalah penyelesaian berdasarkan data yang sudah disediakan pada tabel 2. Proses pembentukan C1 atau disebut dengan 1 item set dengan jumlah minimum support = 40% dengan rumus sebagai berikut: Support(A) = Jumlah transaksi mengandung A Total Transaksi Tabel 3. Support dari Setiap Item Nama Buku Matematika Bahasa Indonesia Ekonomi Sosiologi Fisika Biologi Kimia

Jumlah 4 3 4 6 8 5 5

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

1 Itemset 40% 30% 40% 60% 80% 50% 50%


7

Sejarah PAI TIK PKN

2 5 4 3

20% 50% 40% 30%

Dari proses pembentukan item set pada tabel 3 dengan minimum support 40 % dapat diketahui yang memenuhi standar minimum support yaitu pada buku Matematika, Ekonomi, Sosiologi, Fisika, Biologi, Kimia, PAI, TIK. Kemudian dari hasil pembentukan 1 item set akan dilakukan kombinasi 2 item set seperti pada tabel 4. 4.2.2 Kombinasi 2-Item Set Proses pembentukan C2 atau disebut dengan 2 item set dengan jumlah minimum support = 40% dapat diselesaikan dengan rumus berikut: Support (A,B) = P (A B) Support (A,B) (A,B) = transaksi mengandung A dan B transaksi Tabel 4. Minimum Support 2-itemset 40 % Nama Buku Matematika, Ekonomi Matematika, Sosiologi Matematika, Fisika Matematika,Biologi Matematika,Kimia Matematika,PAI Matematika, TIK Sosiologi, Fisika Sosiologi, Biologi Sosiologi, Kimia Sosiologi, PAI Sosiologi, TIK Fisika, Biologi Fisika, Kimia Fisika, PAI Fisika, TIK Biologi, Kimia Biologi, PAI Biologi, TIK Kimia, PAI Kimia, TIK PAI, TIK

Jumlah 2 2 3 1 2 0 0 6 3 3 2 1 5 5 3 3 3 3 2 2 2 3

2-Itemset 20% 20% 30% 10% 20% 0% 0% 60% 30% 30% 20% 10% 50% 50% 30% 30% 30% 30% 20% 20% 20% 30%

Dari kombinasi 2 item set dengan minimum support 40 % dapat diketahui kombinasi 2 item set yang memenuhi standar minimum support yaitu Sosiologi, Fisika dengan support sebesar 60 %, Fisik, Kimia dengan support sebesar 50 % dan fisika, kimia dengan support 50 %.


ISSN: 2407-4322

8

/

=

/

=

/

=

=

/

/

/

/

/

/

=

/

=

/

/

=

Fisika

Kimia

Kimia

Fisika

x100 = 65,2 = x100 = 100 =

Fisika

Biologi

biologi

Fisika

x100 = 65,2 = x100 = 100 =

Sosiologi

Fisika

x100 =100 =

Fisika

Sosiologi

x100 = 65,2

Dari perhitungan manual dengan metode association rule diperoleh confidence 100 % antara Kimia dan Fisika, Sosiolofi dan Fisika, Sosiologi dan Fisika. 4.3 Pengujian Menggunakan XLMiner XLMiner dikembangkan pertama kali oleh perusahaan yang bernama Resampling Stats. Inc yang berlokasi di Arlington, Virginia , US yang pada Tahun 2006 merger Dengan statistics.com, LLC. XLMiner sebagai satu satunya add in untuk excel yang memungkinkan “miner” untuk melakukan proses klasifikasi, prediksi, Cluster dan Market Basket Analisis [9].



9

Gambar 3. Proses Association Rule Pada gambar 3 dilakukan proses assosiasi pada transaksi peminjaman buku yang terdiri dari 10 transaksi peminjaman buku dengan beberapa jenis buku ilmu pengetahuan. Dimana pada tahap ini dilakukan proses pengenalan kombinasi yang terbentuk antara item buku.

Gambar 4. Hasil Perhitungan Association Rule Dari proses assosiasi berdasarkan 10 data transaksi peminjaman buku dengan minimum support 5 dan minimum confidence 83.3 % yang dilakukan menggunakan perangkat lunak pengujian XLminer dihasilkan kecocokan hasil yang diperoleh yaitu confidence 100% Kimia dan Fisika, Biologi dan Fisika, Sosiologi dan Fisika.


ISSN: 2407-4322

10

5. KESIMPULAN Proses penentuan pola penempatan buku di perpustakaan dapat dilakukan dengan menerapkan data mining dengan metode algoritma appriori. Dengan metode tersebut penentuan pola penempatan buku dapat dilakukan dengan melihat hasil dari kecenderungan pengunjung melakukan peminjaman buku berdasarkan kombinasi 2 item set. Pengetahuan baru yang dapat diperoleh berdasarkan hasil perhitungan algoritma apriori dan sistem yang dibangun dapat dilakukan pengaturan tata letak buku secara berdekatan untuk memudahkan keberadaan buku yang akan dipinjam oleh pengunjung.

DAFTAR PUSTAKA [1] Anggraini H D, Dkk., 2013, Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori, Jurnal Masyarakat Informatika, Vol. 4 No. 7, Hal 1- 8. [2] Gunadi, G., Sensuse, D., I., 2012, Penerapan Metode Data Mining Market Basket Analisis Terhadap Data Penjualan Produk Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth), Jurnal TELEMATIKA MKOM, Vol. 4, No. 1, Hal 118-132. [3] Hermawati FA, 2013, Data Mining, Andi, Yogyakarta. [4] Kusrini, Luthfi, E. T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta. [5] Prabowo P W., 2013, Penerapan Data Mining Dengan Matlab, Rekayasa Sains, Bandung [6] Prasetyo E, 2012, Data Mining: Konsep dan Aplikasi Menggunakan Matlab, Andi, Yogyakarta. [7] Paresh Tama., and Yogesh Ghodasara, Foundation for Frequent Pattern Mining Algorithms’Implementation. International Journal of Computer Trends and Technology (IJCTI) - VOL.4 Issue 7 - July 2013. [8] Tampubolon K, dkk., 2013, Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan, Jurnal Informasi dan Teknologi Ilmiah, Vol.1, No.1, Hal 93-106. [9] Shmueli G, At All, 2010, Data Mining For Business Intelligence: Concept, Thechniques, and Aplications in Microsoft Office Excel with XLMiner, Jhon Wiley, Canada.



11

Aplikasi Media Pembelajaran Berbasis Serious Games (Games Education) untuk Belajar Menulis 1,2,3

Nunuk Wahyuningtyas1, Normaningsih2, Tri Sagirani*3 Institut Bisnis dan Informatika Stikom Surabaya; Jl. Kedung Baruk 98 Surabaya, Telp.0318721731 1,2,3 Fakultas Teknologi dan Informatika e-mail: [email protected], [email protected], *[email protected]

Abstract Developing serious games (games education) application for learning media with attention to user experience model for children with special needs becomes an important thing in learning creativity. Through learning of media application, it aims the learning process more interesting and improves learning motivation to raise up the children with Special Educational Needs (SEN), particularly to understand letters, numbers, simple words and learn how to write using the application of learning media and input device (such as pen tablet or touch screen). The utilization of learning media application to the students with special needs would be done through the measurement of User Experience Questionnaire (UEQ), and obtained the excellent value on application appeal, content clarity, efficiency and accuracy, and good value for stimulation and novelty. It can be concluded that the application of learning media based on the serious games for learning media to write can be used as learning tools. Keywords: Learning Media, Serious Games, Children with Special Educational Need, User Experience Abstrak Merancang dan membangun aplikasi serious games (games education) dengan memanfaatkan model user experience untuk mendukung pengembangan media belajar yang tepat bagi anak berkebutuhan khusus (ABK) kelompok tuna grahita ringan yang disesuaikan dengan keterbatasan dan kemampuan anak menjadi bagian penting dalam kreatifitas pembelajaran. Dengan penyusunan aplikasi media pembelajaran ini dapat membantu proses pembelajaran berjalan dengan lebih menarik dan dapat meningkatkan motivasi belajar dan kemandirian ABK tuna grahita khususnya dalam belajar mengenal huruf, angka, kata sederhana dan belajar menuliskannya dengan memanfaatkan aplikasi media pembelajaran berbasis serious games dengan berbantuan peralatan input berupa pen tablet atau touch screen. Dari pemanfaatan aplikasi media pembelajaran ini pada siswa berkebutuhan khusus dilakukan pengukuran memanfaatkan User Experience Questionnaire (UEQ) dan diperoleh nilai excellent pada daya tarik aplikasi, kejelasan konten, efisieni dan ketepatan, dan nilai good untuk stimulasi dan kebaharuan. Hal ini dapat disimpulkan bahwa aplikasi media pembelajaran berbasis serious games untuk belajar menulis sesuai untuk digunakan sebagai alat bantu dalam pembelajaran. Kata kunci: Media Pembelajaran, Serious Games, Anak Berkebutuhan Khusus, User Experience


ISSN: 2407-4322

12

1. PENDAHULUAN Pemanfaatan Teknologi Informasi dan Komunikasi (TIK) dapat mendukung kreatifitas dalam pengembangan dan pemanfaatan media pembelajaran. Dalam penyusunan media pembelajaran dengan memanfaatkan TIK yang sesuai, tidak lepas dari interaksi manusia dan komputer (human computer interaction/HCI). Terdapat tiga hal utama yang menjadi perhatian dalam perkembangan HCI yaitu functionality, usability dan user experience [1]. Functionality terkait dengan masalah teknis terhadap fungsi-fungsi yang dapat dilakukan oleh sebuah produk teknologi. Usability berkaitan dengan karakteristis dari interaksi antara pengguna dengan produk teknologi. User experience berkenaan dengan pengalaman pribadi seorang pengguna dalam memanfaatkan produk teknologi yang ada. Pengembangan pembelajaran dengan memanfaatkan media pembelajaran yang menarik dan sesuai dengan karakteristik anak berkebutuhan khusus (ABK) dapat memudahkan dalam penyampaian materi ajar oleh guru kepada siswanya. Dalam hal ini, pemanfaatan aplikasi komputer dalam bentuk games. Aplikasi games umumnya dianggap sebagai bentuk hiburan semata, namun sebenarnya games memiliki fungsi jauh lebih baik dari hanya sekedar hiburan belaka. Kombinasi dari tampilan yang menarik dan peraturan yang beragam, membuat games diminati oleh semua kalangan muda sampai tua tidak terkecuali ABK. Perkembangan pasar teknologi baru seperti smartphone, tablet, maupun hybrid PC yang lebih portabel, membuat games menjadi bagian yang perlu dikembangkan dalam memberikan dukungan pada proses pembelajaran yang sering kita kenal dengan Serious Games (Games Education). Tidak sedikit games yang dibuat dengan tujuan utama bukan sebagai hiburan, beberapa digunakan untuk proses pembelajaran yang membutuhkan kelebihan games dalam menyajikan tantangan dan sistem nilai sebagai penunjang pembelajaran. Games semacam ini disebut serious games dan dirancang untuk memecahkan beberapa masalah. Serious Games atau permainan digital memiliki beberapa keunggulan antara lain dibangun diatas prinsip-prinsip pembelajaran yang sehat, menyediakan banyak keterlibatan siswa dalam memainkannya, memberi kesempatan untuk belajar secara mandiri, menyediakan lingkungan permainan yang menyenangkan dan terdapat proses penilaian yang relevan [2]. Pengembangan pembelajaran dengan memanfaatkan media pembelajaran yang menarik tersebut dibutuhkan pemanfaatan teknologi komputer dalam meningkatkan kualitas pembelajaran bagi ABK. Pemanfaatan komputer yang sesuai dapat memudahkan dalam penyampaian materi ajar oleh guru kepada siswanya [3], juga dapat meningkatkan minat, hasil belajar, motivasi belajar siswa [4,5]. Pemanfaatan teknologi komputer dapat didukung juga dengan pemanfaatan peralatan input yang beragam, yang mampu mendukung media pembelajaran dapat dijalankan dengan lebih menarik [6] dan dapat memberikan pengalaman bagi penggunanya atau dikenal pula dengan istilah User Experience (UX). Pada kenyataannya dalam mendukung siswa belajar menulis bagi pemula khususnya bagi ABK, beberapa media yang digunakan selama ini baru sebatas pemanfaatan buku bergaris dengan tanda titik-titik untuk diikuti dengan pergerakan jari anak yang memegang pensil. Dalam pengembangan media pembelajaran yang akan disusun berupa aplikasi Serious Games (Games Education), usaha difokuskan pada pemanfaatan teknologi komputer berupa penyusunan aplikasi komputer untuk siswa belajar memulai membaca dan menulis dengan alat bantu berupa komputer dilengkapi dengan peralatan input pendukung berupa Drawing Pen dan Touchscreen untuk digunakan sebagai pengganti buku dan alat tulis dalam proses membiasakan pergerakan tangan dalam aktifitas menulis, mengulang dan memperbaiki hasil tulisan. Dalam penelitian ini, pemanfaatan model UX [6] dalam merancang dan membangun sebuah aplikasi serious games (games education) yang akan diusulkan untuk pengembangan media pembelajaran bagi ABK tuna grahita yang memiliki beberapa keterbatasan. Keterbatasan yang dimiliki antara lain adalah perilaku keseharian yang tidak sesuai dengan kemampuan potensial yang mereka miliki, keterlambatan secara verbal [7], mengucapkan kata yang tidak mudah untuk dimengerti, keterlambatan dalam pemahaman dan penggunaan bahasa, juga IJCCS Vol. x, No. x, July201x : first_page–end_page


13

mempunyai kelemahan dalam keterampilan gerak [4]. Keterbatasan yang lain adalah kurang mampu memusatkan perhatian saat belajar, beraktifitas dan mengikuti petunjuk serta kurang mampu untuk menghindarkan diri mereka dari bahaya yang ada. ABK tuna grahita lebih cepat lupa, dan sebagian anak cenderung pemalu, kurang kreatif dan tidak memiliki inisiatif, perbendaharaan katanya terbatas, dan memerlukan tempo belajar yang relatif lama dibandingkan anak normal [8].

2. METODE PENELITIAN 2.1 Materi Penelitian Penelitian ini difokuskan pada merancang dan membangun aplikasi serious games (games education) dengan memanfaatkan model user experience [6] untuk mendukung pengembangan media belajar yang tepat. Model UX yang dimaksud digunakan sebagai acuan bagi pengembangan aplikasi dalam media pembelajaran untuk ABK tuna grahita ringan yang tentunya disesuaikan dengan keterbatasan dan kemampuan ABK. Dengan demikian pengembangan Model UX melalui penyusunan media pembelajaran ini dapat membantu proses pembelajaran berjalan dengan lebih menarik dan dapat meningkatkan motivasi belajar dan hasil belajar berupa kemandirian ABK tuna grahita khususnya dalam mengenal huruf, angka, kata sederhana dan menuliskannya memanfaatkan aplikasi media pembelajaran dengan peralatan input berupa pen tablet dan touch screen. 2.2 Subyek Penelitian Subyek dalam penelitian ini adalah siswa Sekolah Dasar Luar Biasa (SDLB) dari kelompok tuna grahita ringan. Kelompok ini adalah kelompok tuna grahita yang mampu didik yaitu kelompok tuna grahita ringan yang memiliki kapasitas inteligensi (IQ) antara 50 – 70 [8]. Kelompok ABK ini masih mempunyai kemampuan untuk dididik dalam bidang akademik yaitu mengenal huruf, menulis huruf, menulis angka dan menulis beberapa kata dan kalimat sederhana. Penelitian ini merupakan penelitian eksperimen yang dilakukan terhadap subyek secara individual untuk melihat perubahan perilaku. 2.3 Tahapan Penelitian Adapun tahapan dalam penelitian ini adalah sebagai berikut: a. Tahap Investigasi Awal. Tahap ini adalah pra pembuatan model yang akan dikaji ialah mengembangkan model UX untuk ABK [6] dalam pemanfaatan TIK dalam media pembelajaran. Dalam tahap ini dilakukan kajian terhadap pemanfaatan media dalam pembelajaran, UX dalam aplikasi baik secara umum maupun khusus bagi ABK, beberapa kajian terhadap literatur terkait, kurikulum dan standar kompetensi SLB serta penelitian-penelitian pendahulu yang terkait hingga menghasilkan model konseptual. Selain itu dalam tahap ini juga dilakukan identifikasi karakteristik ABK tuna grahita ringan, komponen UX dan identifikasi trend teknologi dalam pendidikan ABK. b. Tahap Desain. Tahap Desain disebut juga tahap pengembangan model menjadi desain antarmuka pengguna. Pada tahap ini model akan dirancang dalam aplikasi serious games (games education) sebagai media pembelajaran bagi ABK. Rancangan desain memperhatikan hasil identifikasi konten, cara menyajikan, fungsionalitas media yang dibutuhkan oleh ABK, interaksi yang dapat mendukung pembentukan pengalaman dalam belajar, kepuasan dalam proses belajar siswa dan identifikasi tentang keamanan dan kenyamanan dari pemanfaatan media bagi ABK tuna grahita ringan dengan segala keterbatasannya.


ISSN: 2407-4322

14

Hasil yang diperoleh dari tahap ini adalah rancangan atau desain aplikasi serious games (games education) yang dapat meningkatkan stimulus dalam media pembelajaran. Desain ini selanjutnya akan dituangkan dalam prototype aplikasi media pembelajaran pada tahap realisasi. c. Tahap Realisasi. Pada tahap ini disusun suatu prototype aplikasi serious games (games education) sebagai lanjutan dari tahap desain. Kegiatan yang dilakukan pada tahap ini mencakup kegiatan Software Development Life Cycle (SDLC) dalam pengembangan sebuah aplikasi. Model SDLC yang digunakan adalah model waterfall yang meliputi tahapan analisa kebutuhan, mendesain sistem, menyusun aplikasi/coding dengan memanfaatkan software Unity, melakukan testing dan pemanfaatan di lapangan. Analisa kebutuhan untuk penyusunan aplikasi media pembelajaran bagi pengguna dalam hal ini adalah ABK mengacu pada kebutuhan akan dukungan media pembelajaran untuk mata pelajaran bahasa Indonesia khususnya untuk materi menulis yang didasarkan pada KTSP Tahun 2006 SDLB Tuna grahita Ringan (SDLB-C) [9] dengan mengacu pada standar kompetensi dan kompetensi dasar SDLB-C Tahun 2006 [10]. Penyusunan aplikasi difokuskan pada pemahaman yang ingin dicapai pada ABK dengan mengukur beberapa kemampuan siswa yaitu kemampuan menulis angka, huruf dan kata sederhana. Gambar 1 berikut ini adalah gambaran tahapan dalam penyusunan aplikasi untuk media pembelajaran.

Gambar 1. Diagram Alir Penyusunan Aplikasi d. Tahap Tes, Evaluasi dan Revisi. Tahap ini difokuskan pada penilaian pada fokus User Experience pada ABK mengacu pada User Experience Questionnaire (UEQ). Kuisioner ini terdiri dari pasangan atribut yang bertolak IJCCS Vol. x, No. x, July201x : first_page–end_page


15

belakang secara makna yang dapat mempresentasikan produk atau aplikasi media pembelajaran yang disusun [11]. Pencatatan hasil belajar siswa melalui latihan yang disediakan dalam aplikasi media pembelajaran. Proses validasi, pengamatan dan interview pada siswa dengan bantuan/pendampingan oleh guru dengan menggunakan UEQ. Data yang akan didapat terkait pengukuran terhadap peningkatan kemampuan ABK meliputi enam variabel yang akan dievaluasi, yaitu menulis huruf/angka, dan kata. Evaluasi untuk variabel yang ada menggunakan sistem skoring dengan skala likert. Semua jawaban siswa dengan bantuan guru saat interview akan dikonversi dengan pendekatan pada rentang skor 1-7.

3. HASIL DAN PEMBAHASAN Penelitian ini memanfaatkan model UX yang telah ada [6] dan menyusun prototype aplikasi media pembelajaran berbasis serious games yang selanjutnya dimanfaatkan oleh ABK dalam proses belajar membaca kata sederhana dan belajar menulis. Model yang digunakan dapat dilihat pada Gambar 2.

User (Children with SEN)

Learning Media Conten about animals -----------------------------------------------------------Presentation text, images, animation, video and audio -----------------------------------------------------------Functionality capability to read and write simple words or sentences and also the management of limbs motion -----------------------------------------------------------Interaction

Interaction

limitations : IQ 50..70 verbal language movement Adaptive skills

IMPROVEMENT --------------------------------------------------------------------

cognition, improved emotion, improved learning motivation, longer attention span, good perception and purposeful behavior

Gambar 2. User Experience Model (Sagirani et al, 2015) Dari model yang ada pada gambar 2 selanjutnya disusun prototype aplikasi media pembelajaran dengan memanfaatkan serious games. Tabel 1 berikut ini adalah identifikasi dari model interaksi antara media pembelajaran berbasis serious games dengan pengguna dan peralatan yang digunakan.

Aktifitas Konten

Tabel 1: Identifikasi dari Model Interaksi Pendukung Materi: belajar menulis dan membaca kata sederhana Penyajian: visualisasi huruf, suara untuk mendengar bacaan


ISSN: 2407-4322

16

Fungsionalitas: mengenal huruf dan kata/ kalimat sederhana Interaksi: user menulis dan membaca Pengguna

Peralatan pendukung

Memiliki keterbatasan: IQ 50..70 Verbal Bahasa Gerak Keterampilan Adaptif Laptop Proyektor Mouse Keyboard Touch Screen Drawing Pen

Langkah berikutnya untuk penyusunan prototype dengan diawali menyusun design antarmuka aplikasi serious games yang dapat mendukung ketersediaan media pembelajaran. Salah satu prinsip dalam mendesain adalah adanya pertimbangan untuk melengkapi atau meningkatkan motivasi dan proses belajar [12,13,14]. Desain terkait dengan motivasi. maka terdapat 5 hal yang menjadi pertimbangan dalam mendesain aplikasi media pembelajaran yaitu: 1. Aplikasi media pembelajaran disusun dengan mengalir yaitu menjadikan hasil desain menjadi lebih menyenangkan bagi pengguna dengan tantangan yang disesuaikan dan terdapat beberapa tingkatan tugas. 2. Aplikasi media pembelajaran hendaknya disusun untuk menumbuhkan rasa ingin tahu dari pengguna. 3. Aplikasi media pembelajaran disusun dengan otonomi pengguna yaitu pengguna memiliki kontrol terhadap aktivitas yang mereka lakukan. 4. Aplikasi media pembelajaran mampu memberikan ungkapan atas keberhasilan pengguna dalam menjalankan aktivitas, hal ini dapat memperkuat motivasi pengguna dan biasanya disimbolkan dengan tanda bintang sesuai dengan keberhasilan tiap-tiap pengguna. 5. Aplikasi media pembelajaran dapat memberikan umpan balik, hendaknya desain menyediakan umpan balik berupa jawaban dari setiap soal yang dberikan. Pertimbangan kedua dalam prinsip mendesain aplikasi media pembelajaran adalah aktivitas dalam proses belajar, yaitu meliputi: 1. Tanya-Jawab, pengguna dapat memecahkan soal yang ditampilkan dengan memberikan jawaban atas setiap pertanyaan/tugas menggunakan drawing pen untuk menulis. 2. Instruksional/bimbingan, pengguna mendapatkan tantangan dengan topik yang berbeda, seperti menulis angka, menulis huruf kapital, menulis huruf kecil hingga menulis kata. 3. Pengulangan dan refleksi, aplikasi memberikan penguatan dan membangun pengetahuan pengguna. 4. Aksi/Tugas, aplikasi media pembelajaran memberikan kegiatan belajar yang membutuhkan partisipasi aktif antara pengguna dengan media pembelajaran. 5. Penilaian diri, pengguna dapat mengevaluasi dirinya sendiri dengan menjawab pertanyaan yang disediakan. Dengan menyadari pertimbangan terhadap motivasi dan proses pembelajaran yang hendak didapat maka berikut ini adalah tampilan dari aplikasi media pembelajaran berbasis serious games. Pengguna bisa belajar menulis sesuai intruksi yang diberikan dan menjawab IJCCS Vol. x, No. x, July201x : first_page–end_page


17

dengan menggunakan drawing pen atau menunjuk dan menggerakkan jari saat menggunakan layar sentuh.

(1) Tampilan utama fisik gedung sekolah

(2) Pilihan menu sesuai level

(3) Materi menulis angka

(4) Materi menulis huruf kecil

(5) Materi menulis huruf kapital

(6) Materi menulis kata sederhana

Gambar 3. Desain Antarmuka Aplikasi Media Pembelajaran Uji coba telah dilakukan pada siswa dan selanjutnya dilakukan pencatatan hasil interview pada siswa dengan didampingi oleh guru. Alat ukur yang digunakan dengan memanfaatkan User Experience Questionnaire [11]. Terdapat 26 point dalam kuisioner yang kemudian dikelompokkan menjadi 6 point yaitu daya tarik, kejelasan, efisien, ketepatan, stimulasi dan kebaharuan. Dari hasil pengisian data dengan 48 responden (siswa) dengan didampingi oleh guru, menghasilkan perhitungan sebagai berikut:

Scale Daya tarik Kejelasan Efisiensi Ketepatan

Lower Border -1,00 -1,00 -1,00 -1,00

Tabel 2. Hasil User Experience Questionnaire Below Above Bad Average Average Good 0,65 0,44 0,41 0,22 0,53 0,37 0,47 0,45 0,5 0,34 0,47 0,33 0,7 0,36 0,34 0,2

Excellent 0,78 0,68 0,86 0,9

Mean 1,91 1,93 1,78 1,68


ISSN: 2407-4322

18

Stimulasi Kebaruan

-1,00 -1,00

0,52 0,24

0,48 0,39

0,31 0,33

0,19 0,38

1 1,16

1,56 1,06

Dengan demikian hasil pengolahan data User Experience Questionnaire dapat disampaikan dalam Gambar 4 sebagai berikut ini:

2,50 2,00

Excellent

1,50

Good

1,00

Above Average

0,50

Below Average

0,00

Bad

-0,50

Mean

-1,00 Daya tarik Kejelasan Efisiensi Ketepatan Stimulasi Kebaruan

Gambar 4. Grafik Hasil User Experience Questionnaire

4. KESIMPULAN Dari uraian di atas, penelitian tentang pemanfaatan aplikasi media pembelajaran berbasis serious games (games education) untuk belajar menulis dapat disimpulkan bahwa: 1. Penelitian ini menghasilkan pengembangan media pembelajaran yang lebih menarik untuk belajar menulis. Media pembelajaran yang menarik dapat meningkatkan kemauan dan kemampuan dalam belajar siswa, hal ini menjadi salah satu komponen pendukung keberhasilan belajar ABK. 2. Aplikasi media pembelajaran berbasis serious games untuk media belajar menulis sesuai untuk digunakan sebagai alat bantu dalam pembelajaran. Hal ini dibuktikan dengan nilai pada daya tarik dari aplikasi memiliki nilai mean 1,91 (excellent), kejelasan konten dengan nilai mean 1,93 (excellent), efisien dengan nilai mean 1,78 (excellent), dan ketepatan dengan nilai mean 1,68 (excellent). Sedangkan stimulasi dan kebaharuan masing-masing memiliki nilai mean berturut-turut 1,56 dan 1,06 (good)

5. SARAN Keberhasilan dalam memberikan pengalaman pengguna dalam memanfaatkan aplikasi media pembelajaran juga dapat dipengaruhi dengan peralatan input yang digunakan, selanjutnya dapat dikembangkan kembali pemanfaatan peralatan input yang lain yang memungkinkan untuk dapat digunakan oleh ABK. Aplikasi media pembelajaran berbasis serious games juga dapat dikembangkan lebih lanjut untuk materi belajar yang lain dan kelompok ABK yang lain pula, agar kesenjangan pemanfaatan teknologi informasi dapat dirasakan oleh anak-anak yang memiliki keterbatasan tertentu.



19

DAFTAR PUSTAKA [1]

McNamara, N., Kirakowski, J 2006, Functionality, Usability, and User Experience: Three Areas if Concern, Mag, Interact. - Waits Meas.

[2]

Katie Larsen McClarty, Aline Orr, Peter M. Frey, Robert P. Dolan, Victoria Vassileva, Aaron McVay 2012, A Literature Review of Gaming in Education, Pearson.

[3]

Sagirani, T., Ferdiana, R., Kumara, A 2013, The Framework of Learning Media Development for The Children with Special Need, IEEE International Conference in MOOC, Innovation and Technology in Education (MITE).

[4]

Bandi Delphi 2010, Pembelajaran Anak Tunagrahita (Suatu Pengantar dalam Pendidikan Inklusi), Refika Aditama- Bandung, pp. 20 – 39

[5]

Smith, H. J., Higgins, S., Wall, K., & Miller, J 2005, Interactive Whiteboards: Boon or Bandwagon? A Critical Review of Literature, Journal of Computer Assisted Learning.

[6]

Sagirani, T., Nugroho, L.E., Santosa, P. I., Kumara, A 2015, User Experience Model in The Interaction Between Children with Special Educational Needs and Learning Media, Proceeding of 2nd International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), October 16-18, 2015, Semarang, Indonesia.

[7]

Amin, M 1995, Ortopedagogik Anak Tunagrahita, Dirjen Dikti Depdikbud PPTG, Jakarta.

[8]

Daniel P. Halahan, James M. Kauffman, Paige C. Pullen 2012, Exceptional Learners an Introduction to Special Education, pp. 104, Pearson Education, New Jersey.

[9]

Departemen Pendidikan Nasional 2006, Standar Isi, Standar Kompetensi Lulusan dan Panduan Penyusunan KTSP Tunagrahita Ringan (C), Direktorat Pembinaan Sekolah Luar Biasa.

[10] Departemen Pendidikan Nasional 2006, Standar Kompetensi dan Kompetensi Dasar SDLB-C, Direktorat Pembinaan Sekolah Luar Biasa. [11] Rauschenberger, M., Olschner, S.; Cota, M.P.; Schrepp, M., Thomaschewski, J 2012, Measurement of User Experience: A Spanish Language Version of The User Experience Questionnaire (UEQ), Information Systems and Technologies (CISTI), 7th Iberian Conference. [12] Arnab,S., Lim, T., Carvalho, M.B., Bellotti, F., de Freitas, S., Louchart, S., Suttie, N., Berta, R., De Gloria, A 2014, Mappling Learning and Game Mechanics for Serious Game Analysis, British Journal of Educational Technology. [13] Chua, A.Y.K., Balkunje, R.S 2012, An Exploratory Study of Game-based Mlearning for Software Project Management. Journal of Universal Computer Science, Vol. 18, No. 14, pp. 1933-1949. [14] Mateos, M. J., Muñoz-Merino, P. J., Kloos, C. D 2016, Design and Evaluation of A Computer Based Game for Education, IEEE Frontiers in Education Conference (FIE) Title of manuscript is short and clear, implies research results (First Author)

20

ISSN: 2407-4322

Perbandingan Kinerja Jaringan Syaraf Tiruan Dan Fuzzy Inference System Untuk Prediksi Prestasi Peserta Didik Siti Helmiyah*1, Shofwatul ‘Uyun2 Program Studi Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Kalijaga Jl. Marsda Adisucipto No.1 Yogyakarta 55281 Telp (0274) 519739, fax (0274) 540971 e-mail: *[email protected], [email protected]

1,2

Abstract Achievement is a result of someone who excels in any field. In the educational world, achievement is often associated with academic value that serve as a reference for learners say in academic achievement. Manual data processing takes long time. It is necessary to use the achievements of predictive computing system that can helpful for the prediction process. Data taken from MAN Model Palangkaraya form of eleven subjects of UAS when MTs value and the average value of one semester report cards when the Supreme Court. For the neural network backpropagation data is normalized with small intervals are [0.1, 0.9] and for data fuzzy inference system is the original data is multiplied 10. Then do the testing using neural networks and fuzzy inference system which will compare the results obtained. Based on data have been tested, the percentage of learners' achievements prediction on back propagation neural network in the training and validation process to produce a percentage of 100% with one hidden layer architecture, the optimal parameters MSE = 0.0001, learning rate = 0 , 9, momentum = 0.4. As for the prediction of learners' achievements in the fuzzy inference system mamdani method by using S curve and bell curve (PI curve) to produce a percentage of 83.8%. Keywords: Prediction, Neural Network, Fuzzy inference system, Achievement Abstrak Prestasi adalah suatu hasil yang dicapai seseorang dalam bidang apapun. Dalam dunia pendidikan prestasi seringkali dikaitkan dengan nilai akademik yang dijadikan sebagai acuan peserta didik dikatakan berprestasi dibidang akademik. Proses data secara manual membutuhkan waktu lama. Maka perlu dilakukan prediksi prestasi menggunakan sistem komputasi yang dapat membantu proses prediksi. Data diambil dari MAN Model Palangka Raya dari sebelas mata pelajaran nilai UAS ketika MTs dan nilai rata-rata raport semester satu ketika MA. Pada jaringan syaraf tiruan backpropagation data dinormalisasikan dengan interval kecil yaitu [0.1, 0.9] dan data untuk fuzzy inference system merupakan data asli yang dikalikan 10. Kemudian dilakukan pengujian dengan menggunakan jaringan syaraf tiruan dan fuzzy inference system yang akan bandingkan pada hasil yang diperoleh. Berdasarkan data yang telah diuji, presentase prediksi prestasi peserta didik pada jaringan syaraf tiruan backpropagation menghasilkan presentase sebesar 100% dengan arsitektur satu lapisan tersembunyi, parameter optimal MSE = 0,0001, learning rate = 0,9, momentum = 0,4. Sedangkan untuk prediksi pada fuzzy inference system metode mamdani dengan menggunakan kurva-S dan kurva lonceng (kurva PI) menghasilkan presentase sebesar 83,8%. Kata kunci: Prediksi, Jaringan Syaraf Tiruan, Fuzzy Inference System, Prestasi



21 1. PENDAHULUAN

rediksi adalah perkiraan atau ramalan yang biasa dilakukan berdasarkan hasil perhitungan rasional atau ketepatan analisis data. Prediksi pada penelitian ini dilakukan untuk mengetahui prediksi prestasi peserta didik dalam bidang akademik. Prestasi dalam hal intelektual sering kali dijadikan sebagai acuan seseorang dapat dikatakan cerdas atau tidak cerdas. MAN Model Palangka Raya adalah salah satu sekolah favorit di kota Palangka Raya, Kalimantan Tengah. Sekolah ini banyak diminati para calon peserta didik baik dari dalam kota, diluar kota bahkan luar provinsi. Sekolah ini diminati karena prestasinya dalam bidang akademik dan bidang non-akademik. Sekolah ini sering mengikuti lomba tingkat kota, provinsi, nasional, dan bahkan perlombaan internasional. Data yang digunakan dalam penelitian ini adalah data nilai akademik berupa angka. Prediksi ini dilakukan dengan dua sistem komputasi jaringan syaraf tiruan dan sistem inferensi fuzzy. Beberapa penelitian yang telah melakukan kajian pada sistem komputasi jaringan syaraf tiruan dan fuzzy inference system diantaranya diteliti oleh [1][2][3][4][5]menyatakan bahwa kedua sistem komputasi ini dapat melakukan prediksi pada suatu permasalahan. Karena proses prediksi secara manual membutuhkan waktu lama. Maka, karena itu dalam penelitian ini penulis ingin membandingkan kinerja jaringan syaraf tiruan algoritma backpropagation dan fuzzy inference system metode Mamdani untuk mengetahui prediksi prestasi peserta didik karena kedua sistem komputasi ini yang sering digunakan untuk melakukan prediksi. Dua metode yang berbeda ini diharapkan dapat difungsikan sebagai alat untuk memprediksi prestasi peserta didik dalam bidang akademik. Selain itu juga, dalam penelitian ini diharapkan dapat mengetahui metode yang paling baik digunakan dalam memprediksi prestasi peserta didik dan untuk mengetahui tingkat akurasi kedua metode tersebut.

P

2. METODE PENELITIAN Proses penelitian yang dilakukan oleh penulis untuk prediksi prestasi peserta didik untuk alur kerjanya dapat dilihat pada Gambar 2.1 yang terdiri dari beberapa tahapan seperti berikut: 2.1. Pengumpulan Data Data diambil dari peserta didik angkatan tahun 2014/2015 di MAN Model Palangka Raya. Data yang diambil berupa nilai UAS ketika SMP dan nilai raport ketika MA. Data nilai UAS SMP yang digunakan adalah data peserta didik ketika SMP asal sekolahnya dari MTs, kemudian data disaring. Dan untuk data nilai raport ketika MA yang diambil adalah nilai ratarata semester. 2.2. Pengolahan Data Data yang sudah dikumpulkan kemudian diolah. Pengolahan data menggunakan normalisasi data untuk masukan pada jaringan syaraf tiruan backpropagation. Karena fungsi aktivasi yang digunakan adalah sigmoid biner maka nilai di normalisasikan dengan interval yang kecil yaitu [0.1, 0.9] sesuai rumus[6]berikut:

=

, (

)

+ 0,1

(1)

2.3. Jaringan Syaraf Tiruan Backpropagation Untuk pengujian jaringan syaraf tiruan backpropagation ini ada beberapa tahapan yang harus dilakukan sebagai berikut: a. Penentuan Input dan Output Parameter input yang digunakan adalah nilai UAS MTs. Untuk parameter outputnya adalah hasil prediksi yang datanya diambil dari nilai raport ketika MA. Data yang Title of manuscript is short and clear, implies research results (First Author)

22

ISSN: 2407-4322

diperoleh kemudian dibagi dua yaitu 70% digunakan untuk pelatihan pada jaringan, dan data 30% digunakan untuk pengujian. b. Penentuan arsitektur, arsitektur yang digunakan dalam penelitian ini adalah dengan merubah-ubah fungsi aktivasi dan dengan menggunakan satu lapisan tersembunyi. c. Penentuan parameter nilai MSE, epoch, learning rate, dan momentum. d. Penentuan node lapisan tersembunyi, setelah menemukan nilai parameter optimal tahapan selanjutnya adalah dengan menentukan node lapisan tersembunyi yang paling optimal. 2.4. Fuzzy Inference System Metode Mamdani Untuk prediksi menggunakan fuzzy inference system metode mamdani tahapan-tahapan yang harus dilakukan adalah sebagai berikut: a. Penentuan variabel, digunakan untuk menentukan variabel yang akan digunakan dalam sistem pengujian. b. Penentuan himpunan fuzzy, digunakan untuk menentukan nilai keanggotaan pada setiap variabel. c. Pembuatan fungsi keanggotaan, digunakan untuk menunjukkan nilai keanggotaan yang memiliki interval dari 0 sampai 1 pada suatu kurva. d. Pembuatan rule, pembuatan rule digunakan untuk menentukan hasil yang akan ditunjukan ketika input-an dimasukkan. e. Pengujian sistem yang telah dibuat. 2.5. Hasil Hasil dari jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani disimpan dan didokumentasikan. 2.6. Hasil perbandingan Setelah hasil disimpan dan didokumentasikan langkah terakhir adalah membandingkan kedua hasil metode dan menyimpulkannya.



23

Gambar 1. Alur Kerja 3. HASIL DAN PEMBAHASAN 3.1 Pengumpulan Data Data yang digunakan adalah data yang diambil dari peserta didik MAN Model Palangka Raya berupa nilai UAS ketika SMP dan nilai raport ketika MA. Data peserta didik angkatan 2014/2015 ada sebanyak 234 peserta didik. Kemudian data dipilih dan disaring berdasarkan data peserta didik yang asal sekolahnya dari MTs dan peserta didik tersebut adalah peserta didik yang masuk pada semester satu. Setelah data disaring dan dipilih data yang diperoleh adalah sebanyak 105. 3.2 Pengolahan Data Data yang telah dikumpulkan diuji dengan dua metode yaitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani. Pada backpropagation data input dibagi menjadi dua yaitu data latih sebesar 70% dan data uji sebesar 30% dari 105 data. Sebelum data dilatih dan diuji data terlebih dahulu dinormalisasi dalam range [0.1, 0.9] untuk normalisasi rumusnya dapat dilihat pada rumus (1). Data yang sudah dinormalisasi untuk


24

ISSN: 2407-4322

training. Sedangkan untuk fuzzy inference system data input yang digunakan adalah data asli yang dikalikan 10. 3.3 Proses Prediksi 3.3.1 Jaringan Syaraf Tiruan A. Penentuan Node Input dan Output Node input yang digunakan dalam jaringan pelatihan dan pengujian ini berjumlah sebelas buah node masukan yaitu nilai UAS ketika MTs dari sebelas mata pelajaran. Berikut rinciannya: a. Node masukan 1. X1 = Nilai mata pelajaran Qur’an Hadis 2. X2 = Nilai mata pelajaran Akidah Akhlak 3. X3 = Nilai mata pelajaran Fikih 4. X4 = Nilai mata pelajaran Sejarah Kebudayaan Islam 5. X5 = Nilai mata pelajaran Pendidikan Kewarganegaraan 6. X6 = Nilai mata pelajaran Bahasa Indonesia 7. X7 = Nilai mata pelajaran Bahasa Arab 8. X8 = Nilai mata pelajaran Bahasa Inggris 9. X9 = Nilai mata pelajaran Matematika 10. X10 = Nilai mata pelajaran IPA 11. X11 = Nilai mata pelajaran IPS b. Node keluaran Sedangkan parameter output atau target yang digunakan dapat dilihat pada Tabel 1. Tabel 1. Target Keluaran Node Keluaran Output Prediksi Sangat Baik 11 Baik 10 Cukup 01 Kurang 00 Dari tabel diatas ditunjukkan bahwa untuk prediksi Sangat Baik maka node keluarannya = [1 1], untuk prediksi Baik node keluarannya = [1 0], untuk prediksi Cukup node keluarannya = [0 1], dan untuk prediksi Kurang node keluarannya = [0 0]. B. Penentuan Arsitektur Jaringan Arsitektur jaringan backpropagation yang digunakan dalam mencari struktur yang optimal adalah dengan cara mengubah-ubah fungsi aktivasi dan mencari jumlah lapisan tersembunyi dan node lapisan tersembunyi yang paling optimal. Pada penelitian ini akan digunakan satu lapisan tersembunyi dengan 4 unit node. Arsitektur ini yang akan digunakan untuk mencari nilai optimal dari MSE, learning rate, dan momentum. Arsitekturnya dapat dilihat pada Gambar 2.



25

Gambar 2. Arsitektur Jaringan untuk Mencari Parameter Optimal Berdasarkan gambar di atas arsitektur yang digunakan untuk penelitian ini menggunakan 11 node input, satu lapisan tersembunyi dengan 4 node dan 2 node lapisan output. Arsitektur tersebut digunakan untuk mencari parameter MSE, learning rate, dan momentum optimal. Setelah mendapatkan nilai parameter optimal, parameter tersebut kemudian digunakan untuk mencari node lapisan tersembunyi yang paling optimal. Sementara itu, untuk penentuan fungsi aktivasi yang optimal dilakukan dengan mengubah-ubah fungsi aktivasi pada lapisan input ke lapisan tersembunyi dan lapisan tersembunyi ke output dengan menggunakan fungsi aktivasi sigmoid biner (logsig), sigmoid bipolar (tansig), dan linear (purelin) yang diubah-ubah. Arsitektur yang akan digunakan adalah satu lapisan tersembunyi dengan 4 unit node hidden layer, MSE = 0,001; learning rate = 0,1; momentum = 0,4 dan epoch = 1000 sebagai parameter. Hasil percobaan dapat dilihat pada Tabel 2. Tabel 2. Penentuan Fungsi Aktivasi Fungsi Aktivasi Dikenali Presentase Epoch MSE (Akhir) Uji Validasi Uji Validasi (Akhir) Logsig, Logsig Tansig, Logsig Purelin, Logsig Logsig, Tansig Tansig, Tansig Purelin, Tansig Logsig, Purelin Tansig, Purelin Purelin, Purelin

75 75 70 75 75 62 75 75 64

30 30 24 30 30 21 30 30 22

100% 100% 93,3% 100% 100% 82,7% 100% 100% 85,3%

100% 100% 80% 100% 100% 70% 100% 100% 73,3%

17 26 17 81 38 28 22 19 5

9,33E-10 6,04E-10 4,00E-02 1,65E-13 2,43E-14 7,74E-02 1,12E-13 1,06E-13 8,60E-02

Pada tabel di atas ditampilkan kombinasi dari tiga fungsi aktivasi. Berdasarkan training dan validas, fungsi aktivasi optimal pada lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig, karena dari hasil pengujian yang dilakukan presentase pengenalannya 100% dan paling stabil ketika setiap kali dilakukan pengujian. Walaupun MSE akhirnya tidak terlalu kecil jika dibandingkan dengan kombinasi fungsi aktivasi logsig-tansig, tansig-tansig, logsig-purelin, dan tansig-purelin. A. Penentuan MSE (Mean Square Error) Penentuan MSE paling optimal, menggunakan jaringan yang memiliki 1 lapisan tersembunyi dengan 3 node. Pengujian dilakukan dengan mengubah parameter MSE dan untuk parameter lainnya dibuat dengan rincian learning rate = 0,1; momentum = 0,4 dan epoch = 10000. Hasil percobaan dapat dilihat pada Tabel 3


26

ISSN: 2407-4322

MSE 0,1 0,01 0,001 0,0001 0,00001

Tabel 3. Penentuan MSE (Mean Square Error) Dikenali Presentase Uji Validasi Uji Validasi 75 30 100% 100% 75 30 100% 100% 75 30 100% 100% 75 30 100% 100% 75 30 100% 100%

Epoch (Akhir) 14 14 13 10 13

Berdasarkan tabel, hasil pengujian data untuk menentukan MSE optimal didapatkan pengenalan sebesar 100% untuk semua MSE yang telah diuji yaitu dengan nilai MSE = 0,1; 0,01; 0,001; 0,0001; dan 0,00001. Kemudian MSE = 0,0001 yang dipilih untuk dijadikan MSE optimal karena memiliki epoch terkecil yaitu 10 epoch. B.

Penentuan Learning Rate Penentuan learning rate optimal menggunakan jaringan yang memiliki satu lapisan tersembunyi dengan 4 node. Pengujian ini dilakukan dengan mengubah-ubah parameter learning rate dan untuk nilai parameter-parameternya dibuat dengan rincian MSE = 0,0001; momentum = 0,4; dan epoch = 1000. Hasil percobaan dapat dilihat dalam Tabel 4

Learning rate 0,1 0,3 0,6 0,9 0,01 0,05

Tabel 4. Penentuan Learning Rate Dikenali Presentase Epoch (Akhir) Uji Validasi Uji Validasi 75 30 100 100 23 75 30 100 100 25 75 30 100 100 15 75 30 100 100 21 75 30 100 100 20 75 30 100 100 38

MSE (Akhir) 1,38E-09 1,50E-09 6,38E-10 3,86E-10 1,33E-09 8,01E-10

Berdasarkan tabel diatas, learning rate optimal yang baik yaitu learning rate = 0,9; dengan MSE akhir paling kecil yaitu 3,86E-10. Pengujian ini menggunakan enam nilai yang berbeda-beda yaitu 0,1; 0,3; 0,6; 0,9; 0,01; dan 0,05; semua data tersebut memiliki presentase keberhasilan 100% tetapi untuk MSE akhirnya tinggi jika dibandingkan dengan learning rate = 0,9. C.

Penentuan Momentum Penentuan momentum paling optimal dilakukan dengan mengubah-ubah parameter momentum. Pengujian ini menggunakan jaringan yang memiliki 1 lapisan tersembunyi dengan 4 node dan untuk parameter lainnya dibuat tetap dengan pengujian sebelumnya yaitu: MSE = 0,0001; learning rate; 0,9; dan epoch = 1000. Hasil percobaan dapat dilihat dalam Tabel 5.



Momentum 0,4 0,7 0,9 0,2 0,07 0,3 0,5

27

Tabel 5. Penentuan Momentum Dikenali Presentase Epoch Uji Validasi Uji Validasi (Akhir) 75 30 100 100 21 75 30 100 100 22 75 30 100 100 16 75 30 100 100 16 75 30 100 100 23 75 30 100 100 31 75 30 100 100 19

MSE (Akhir) 3,86E-10 9,64E-10 2,10E-09 1,22E-09 6,41E-10 6,25E-10 6,61E-10

Berdasarkan pengujian yang dilakukan, semua nilai momentum menghasilkan presentase 100% untuk nilai momentum = 0,4; 0,7; 0,9; 0,2; 0,07; 0,3; dan 0,5; tapi jika dilihat dari hasil MSE akhirnya maka momentum dengan nilai 0,4 yang mempunyai nilai MSE akhir paling kecil yaitu dengan nilai 3,86E-10. Setelah nilai optimal MSE, learning rate, dan momentum didapatkan maka langkah selanjutnya adalah mencoba menguji ke beberapa node lapisan tersembunyi yang berbeda. untuk hasilnya pengujiannya dapat dilihat pada Tabel 6.

Node Lapisan Tersembunyi 2 3 4 5 6 7

Tabel 6. Penentuan Node Lapisan Tersembunyi Dikenali Presentase Epoch Uji Validasi Uji Validasi (Akhir) 75 30 100% 100% 30 75 30 100% 100% 38 75 30 100% 100% 21 75 30 100% 100% 15 75 30 100% 100% 29 75 30 100% 100% 19

MSE (Akhir) 1,04E-09 9,07E-10 3,86E-10 1,20E-09 8,01E-10 1,79E-09

Pada tabel diatas pengujian pada node hidden layer 2, 3, 4, 5, 6, dan 7 menghasilkan presentasi uji dan validasi sebesar 100%. Namun yang membedakannya adalah epoch akhir dan MSE akhir yang diperoleh. Untuk node hidden layer 2 MSE akhir yang diperoleh adalah 1,04E09, node hidden layer 3 MSE akhirnya adalah 9,07E-10, node hidden layer 4 MSE akhirnya adalah 3,86E-10, node hidden layer 5 MSE akhirnya adalah 1,20E-09, node hidden layer 6 MSE akhirnya adalah 8,01E-10, dan untuk node hidden layer 7 MSE akhirnya adalah 1,79E-09. Untuk melihat grafik MSE akhir masing-masing node hidden layer dapat dilihat pada Gambar 3.

Grafik MSE Akhir pada beberapa Node Hidden Layer 2,00E-09 1,50E-09 1,00E-09 5,00E-10 0,00E+00 2

3

4

5

6

7

Grafik MSE Akhir pada beberapa Node Hidden Layer

Gambar 3. Grafik MSE Akhir pada Beberapa Node Hidden Layer


28

ISSN: 2407-4322

Berdasarkan grafik pada Gambar 4.2 dapat dilihat bahwa pada node hidden layer 4 memiliki MSE akhir paling rendah. Kemudian diposisi kedua dengan node 6 hidden layer. Diposisi ketiga dengen node hidden layer 3. Keempat terendah dengen node hidden layer 5 dan node hidden layer 2 dan 7 ada diposisi kelima dan keenam. Berdasarkan pelatihan dan pengujian yang telah dilakukan menggunakan Matlab berikut tampilan sourcecode metode backpropagation yang akan ditunjukkan pada Gambar 4.

Gambar 4. Sourcode Matlab Backpropagation 3.3.2. Fuzzy Inference System Sistem fuzzy yang digunakan dalam penelitian ini menggunakan metode mamdani model kurva lonceng sebagai input dan outputnya. Detail sistem fuzzy yang digunakan dalam penelitian ini adalah sebagai berikut: a. Mesin inferensi yang digunakan adalah metode Mamdani. b. Input terdiri dari 11 variabel, yaitu dari 11 mata pelajaran c. Output terdiri dari 1 variabel yaitu nilai prediksi prestasi d. Fungsi implikasi yang digunakan metode Min. e. Komposisi aturan yang digunakan adalah metode Max. f. Defuzzifikasi yang digunakan adalah metode centroid. A. Penentuan Variabel Variabel yang digunakan dalam penelitian ini menggunakan sebelas variabel input dan satu variabel output. Variabel yang digunakan dapat dilihat pada Tabel 7.

Fungsi Input

Output

Nama Variabel QH AK FQ SKI PKn B.IND B.ARB B.ING MTK IPA IPS Prediksi

Tabel 7. Penentuan Variabel Semesta Keterangan Pembicaraan [0 100] Nilai dari mata pelajaran Qur’an Hadis [0 100] Nilai dari mata pelajaran Akidah Akhlak [0 100] Nilai dari mata pelajaran Fikih [0 100] Nilai dari mata pelajaran Sejarah Kebudayaan Islam [0 100] Nilai dari mata pelajaran Pendidikan Kewarganegaraan [0 100] Nilai dari mata pelajaran Bahasa Indonesia [0 100] Nilai dari mata pelajaran Bahasa Arab [0 100] Nilai dari mata pelajaran Bahasa Inggris [0 100] Nilai dari mata pelajaran Matematika [0 100] Nilai dari mata pelajaran IPA [0 100] Nilai dari mata pelajaran IPS [0 100] Nilai prediksi prestasi



29

Pada Tabel diatas dapat dilihat untuk variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS menggunakan semesta pembicaraan dalam range [0 100]. Sama halnya dengan outputnya yaitu prediksi prestasi menggunakan range [0 100]. Berikut akan disajikan model sistem fuzzy inferensi metode mamdani yang digunakan dalam penelitian ini. Gambar dapat dilihat pada Gambar 5.

Gambar 5. Contoh Model Sistem Fuzzy Gambar diatas menunjukkan sebelas variabel input dengan nama variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS dan untuk variabel ouput dengan nama prediksi. B. Penentuan Himpunan Fuzzy Himpunan fuzzy yang digunakan dalam pengujian sistem inferensi fuzzy metode mamdani mengacu pada UUD Menteri Pendidikan dan Kebudayaan RI [7]. Himpunan fuzzy untuk tiap variabel dapat dilihat pada Tabel 8. Tabel 8. Penentuan Himpunan Fuzzy Variabel Nama Himpunan Domain QH, AK, FK, SKI, Rendah [0 55] PKn, B.IND, B.ARB, Sedang [40 58 77 75] B.ING, MTK, IPA, Tinggi [60 75 77 90] IPS Sangat Tinggi [75 100] Prediksi Kurang [0 55] Cukup [55 63 64 70] Baik [70 77 78 85] Sangat Baik [85 100] Pada Tabel diatas ada empat himpunan untuk masing-masing variabel. Pada variabel input semua range nilai sama di keempat himpunannya yaitu Rendah [0 55], Sedang [40 58 77 75], Tinggi [60 75 77 90], dan Sangat Tinggi [75 100]. Sedangkan untuk variabel output nilai


30

ISSN: 2407-4322

keempat himpunannya adalah Kurang [0 55], Cukup [55 63 64 70], Baik [70 77 78 85], dan Sangat Baik [85 100]. Semua varibel input dan variabel output menggunakan representasi kurva lonceng. Untuk variabel kurva lonceng pada variabel input dapat dilihat pada Gambar 6a dan untuk kurva variabel output dapat dilihat pada Gambar 6b.

(a) (b) Gambar 6. (a) Representasi Kurva Variabel Input (b) Representasi Kurva Variabel Output Gambar 6 (a) adalah salah satu variabel dari variabel input yaitu variabel QH. Untuk himpunan Rendah dan Sangat tinggi menggunakan kurva S. Sedangkan untuk himpunan Sedang dan Tinggi menggunakan kurva PI. Sedangkan gambar 6 (b) adalah gambar variabel dari variabel output yaitu variabel Prediksi. Untuk himpunan Kurang dan Sangat Baik menggunakan kurva S. Sedangkan untuk himpunan Cukup dan Baik menggunakan kurva PI. C.

Penentuan Rule Penentuan rule ini dibuat berdasarkan data dan berdasarkan dari arahan guru di MAN Model Palangka Raya selain penulis juga menambahkan beberapa rule yang kurang. Rule-rule untuk fuzzy inference system metode mamdani ini memiliki 161 rule, dengan 25 rule untuk prediksi Sangat Baik, 81 rule untuk prediksi Baik, 45 rule untuk prediksi Cukup dan 10 rule untuk prediksi Kurang. Berikut akan ditampilkan beberapa rule-rule yang digunakan dalam fuzzy inference system metode mamdani: 1. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Sangat Tinggi) and (SKI is Sangat_Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1) 2. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1) 3. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1) 4. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)



31

3.4. Hasil Prediksi 3.4.1. Prediksi dengan Backpropagation Dari hasil penelitian yang telah dilakukan berikut akan ditampilkan struktur dari jaringan syaraf tiruan backpropagation dengan rincian yang dapat dilihat pada Tabel 9. Tabel 9. Struktur Backpropagation yang Dimodelkan Karakteristik Spesifikasi Arsitektur 1 lapisan tersembunyi Node Input 11 node input Node Tersembunyi 2, 3, 4, 5, 6, 7 Node output 2 node Fungsi Aktivasi lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig, lapisan tersembunyi ke output adalah fungsi aktivasi logsig MSE 0,0001 Learning rate 0,9 Momentum 0,4 Jumlah Epoch 1000 Data training 70% 75 Data pengujian 30% 30 Pada Tabel diatas dapat dilihat untuk arsitektur yang digunakan adalah 1 lapisan tersembunyi, 11 node input, node hidden layer menggunakan 2, 3, 4, 5, 6, dan 7 node hidden layer. Untuk node output menggunakan 2 node. Fungsi aktifasi yang digunakan pada lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig. MSE yang digunakan 0,0001; learning rate = 0,0; momentum = 0,4. Jumlah epoch yang digunakan pada saat pelatihan adalah 1000. Data training yang digunakan sebanyak 75 dan data pengujian yang digunakan sebanyak 30. 3.4.2. Prediksi dengan Metode Mamdani Pada pengujian fuzzy inference system metode mamdani menghasilkan presentase keberhasilan sebesar 83,8% hasil ini didapat dari banyaknya data yang dikenali (berhasil) dibagi dengan jumlah data keseluruhan dikali 100%. Data pengujian yang tidak sesuai dengan data asli ada sebanyak 17 dan data pengujian yang berhasil dikenali sesuai dengan data ada sebanyak 88 data. Untuk grafik perbandingan data yang sesuai dan data yang tidak sesuai dapat dilihat pada Gambar 7. 100 80

81

60 40 20 0

8

0

Sangat Baik

2 Baik Data Asli

16

15

Cukup

0

1

Kurang

Data yang tidak Sesuai

Gambar 7. Perbandingan Data Asli dan Data yang Tidak Dikenali


32

ISSN: 2407-4322

Berdasarkan grafik pada Gambar 7 dapat dilihat perbandingan data asli dan data yang tidak sesuai ketika dilakukan pengujian fuzzy inference system yaitu untuk data Sangat Baik data aslinya sebanyak 8 dan data yang tidak sesuai tidak ada. Untuk data Baik, data asli sebanyak 81 dan data yang tidak sesuai sebanyak 2. Untuk data Cukup, data asli sebanyak 16 dan data yang tidak sesuai sebanyak 15. Untuk data Kurang data aslinya tidak ada dan data yang tidak sesuai sebanyak 1. 3.5. Hasil Perbandingan Dari hasil pengujian yang telah dilakukan pada kedua metode yitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani akan disajikan dalam bentuk diagram batang pada Gambar 8 berikut. 105 100 95 90 85 80 75 Hasil Perbandingan Pengujian dua metode Jaringan Syaraf Tiruan Backpropagation

Fuzzy Inference System Metode Mamdani

Gambar 8. Hasil Perbandingan Pengujian Dua Metode Berdasarkan grafik pada Gambar 8 dapat disimpulkan hasil dari pengujian perbandingan metode dalam hal prediksi yang disajikan dalam bentuk presentase yaitu untuk jaringan syaraf tiruan backpropagation menghasilkan presentase 100%, baik dalam data latih dan juga data uji. Sedangkan untuk fuzzy inference system metode mamdani menghasilkan presentase sebanyak 83,8% pada pengujian sistem. Perbandingan lain dalam proses pengujiannya adalah pada jaringan syaraf tiruan backpropagation harus melakukan dua proses yaitu pelatihan dengan data latih dan data uji. Data latih digunakan untuk mencari fungsi aktivasi, nilai parameter MSE, learning rate, dan momentum yang optimal. Selain itu, pada proses ini juga dapat diketahui apakah data itu stabil atau sesuai dengan target yang ditentukan. Setelah arsitektur dan nilai parameter optimal didapat kemudian dilanjutkan pada proses kedua yaitu pengujian pada data uji. Pengujian pada data uji ini dilakukan untuk melihat apakah arsitektur dan parameter yang didapat dari data latih bisa mengenali data uji. Sedangkan pada fuzzy inference system metode mamdani proses yang dilakukan adalah menentukan variabel input dan ouput, menentukan himpunan fuzzy, menentukan fungsi keanggotaan, dan menentukan rule. Dalam penentuannya harus berdasarkan pemilihan yang sudah diperhitungkan dan aturan yang telah diberlakukan untuk menentukannya. Untuk tahapan pengujiannya yaitu dengan memasukkan data dan hasil yang keluar berupa angka. Perlu diperhatikan bahwa pada penentuan rule (aturan) ini merupakan otak dari fuzzy inference system metode mamdani. Semakin baik dan bagus rulenya maka semakin akurat hasilnya.



33 4. KESIMPULAN

Dari penelitian yang telah dilakukan maka dapat diambil kesimpulan sebagai berikut: a. Hasil prediksi prestasi peserta didik menggunakan jaringan syaraf tiruan backpropagation didapatkan arsitektur optimal dengan fungsi aktivasi lapisan input ke lapisan tersembunyi sigmaid bipolar (tansig), lapisan tersembunyi ke output sigmoid biner (logsig) nilai parameter MSE = 0,0001; learning rate = 0,9; dan momentum = 0,4 menghasilkan presentase keberhasilan pengenalan sebesar 100%, tetapi arsitektur yang menghasilkan MSE terendah dengan nilai 3,86E-10 adalah arsitektur dengan satu lapisan tersembunyi yang memiliki node sebanyak 4 unit node. b. Sistem Inferensi fuzzy menggunakan metode mamdani dengan sebelas variabel input dan satu variabel output, empat himpunan fuzzy yang digunakan untuk semua variabel, fungsi keanggotaan menggunakan representasi model kurva S dan kurva lonceng PI dan aturan yang digunakan sebanyak 161 aturan didapatkan presentase pengenalan sebesar 83,8% untuk prediksi prestasi peserta didik. Sebagian besar data yang tidak dikenali adalah data yang masuk dalam prediksi Cukup. c. Berdasarkan data yang diperoleh dan yang telah diuji dalam penelitian ini presentase prediksi prestasi peserta didik pada jaringan syaraf tiruan backpropagation menghasilkan presentase training dari sebesar 100% dan presentase pengujian sebesar 100%, sedangkan untuk prediksi prestasi peserta didik pada fuzzy inference system metode mamdani dengan menggunakan representasi kurva lonceng menghasilkan presentase sebesar 83,8%.

5. SARAN Penelitian yang telah dilakukan oleh penulis masih banyak terdapat kekurangan dan kelemahan. Oleh karena itu, peneliti perlu memberikan saran untuk penelitian selanjutnya jika diperlukan sebagai berikut: a. Penggunaan fitur dengan fitur lain misalnya pembuatan aplikasi dengan berbasis OOP. b. Penambahan variabel yang lebih bervariasi seperti nilai tes bakat, gaji orang tua, jumlah tanggungan orang tua, tempat tinggal, dan lain-lain. c. Penggunaan parameter dan arsitektur yang lebih variatif. Penggunaan metode lain selain backpropagation dan fis metode mamdani untuk kasus serupa.

DAFTAR PUSTAKA [1] Sayekti, I 2013, Pengujian Model Jaringan Syaraf Tiruan untuk Kualifikasi Calon Mahasiswa Baru Program Bidik Misi, JTET, No.1, Vol.2 ,55-60. [2] Assegaf, Y. N., & Estri, M. N 2012, Aplikasi Fuzzy Inference System Metode Mamdani untuk Rekomendasi Pemilihan Bidang Kajian pada Mahasiswa Program Studi Matematika UNSOED JMP, No.2, Vol.4, 253-264. [3] Kaswidjanti, W., Aribowo, A. S., & Wicaksono, C. B 2014, Implementasi Fuzzy Inference System Metode Tsukamoto pada Pengambilan Keputusan Pemberian Kredit Pemilikan Rumah, Telematika, No.2, Vol.10, 137-146. [4] Fitriyani, I 2014, Studi Komparasi Kinerja Jaringan Saraf Tiruan dan Fuzzy untuk Pengenalan Jenis Bungan Berdasarkan Fitur Warna, Skripsi, Fakultas Sains dan Teknologi, Program Studi Teknik Informatika,UIN Sunan Kalijaga, Yogyakarta. Title of manuscript is short and clear, implies research results (First Author)

34

ISSN: 2407-4322

[5] Drs. Jong Jek Siang, M 2004, Jaringan Syaraf Tiruan & Pemprogramannya Menggunakan MATLAB, Andi, Yogyakarta. [6] UUD Menteri Pendidikan dan Kebudayaan RI 2015, Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 5 Tahun 2015 Pasal 6 Ayat 1. [7] Yunanti, F 2012, Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Prestasi Siswa SMU dengan Metode Backpropagation, Skripsi, Fakultas Sains dan Teknologi, Program Studi Matematika, UIN Sunan Kalijaga, Yogyakarta.



35

Penerapan Algoritma SAGE pada Pengukuran Kanal Indoor Menggunakan SDR-USRP Musayyanah*1 Institut Bisnis dan Informatika Stikom Surabaya; Raya Kedung Baruk No.98, 8721731/8710218. e-mail: *[email protected]

1

Abstract Cooperative Wireless Communications forming MIMO array of virtual communication systems, which can improve the speed of data transmission, the speed is affected by channel conditions, that required the technique of channel analysis. The channel can be identified by knowing the characteristics of the physical parameters of the channel, like delay, angle, and amplitude complex. Detection of the physical parameters, from measurement of indoor or outdoor channel should use some methods with high accuracy, such as Space Alternate Generalized Expectation Maximization (SAGE). In this paper, we discuss the application of SAGE, to detect the angle parameters consists of Direction of Arrival (DoA) and the Direction of Departure (DoD), uses a communication device, Software Define Radio (SDR) such as Universal Software Radio Peripheral (USRP) that can detect three signals from measuring the indoor channel. The results of SAGE are compared with the results of Ray Tracing, where the average error for DoD detection was 36.3% while the DoA approximately 29.3% Keywords—SAGE, SDR, USRP, DoA, DoD, Koperatif, MIMO,Ray Tracing Abstrak Komunikasi Koperatif Nirkabel membentuk system komunikasi virtual array MIMO, yang dapat meningkatkan kecepatan pentransmisian data, kecepatan tersebut dipengaruhi oleh kondisikanal, oleh sebab itu dibutuhkan analisis kondisi kanal. Kondisi suatu kanal dapat diindentifikasi dengan mengetahui karakteristik parameter fisikkanal, yaitu delay, sudut, dan amplitude kompleks. Deteksi parameter fisik kanal dari pengukuran kanal indoor maupun outdoor menggunakan metode dengan tingkat akurasi tinggi, seperti Space Alternating Generalized EM (SAGE). Penelitian ini mengimplementasikan SAGE untuk mendeteksi parameter sudut yang terdiri dari Direction of Arrival (DoA) dan Direction of Departure (DoD) menggunakan perangkat komunikasi Software Define Radio (SDR), yaitu Universal Software Radio Peripheral (USRP) yang dapat mendeteksitiga sinyal dari pengukuran kanal indoor. Hasil SAGE divalidasi terhadap hasil Ray Tracing, dimana rata-rata kesalahan untuk deteksi DoD adalah 36.3% sedangkan DoA sekitar 29.3 %. Kata kunci— SAGE, SDR, USRP, DoA, DoD, Koperatif, MIMO,Ray Tracing

1. PENDAHULUAN Proses komunikasi nirkabel yang menggunakan antena omnidireksional sebagai antena tunggal, memanfaatkan antena pengguna lain sebagai mitra, yang dikenal dengan Komunikasi Koperatif. Komunikasi Koperatif membentuk virtual array pada pemancar dan penerima, sehingga meskipun menggunakan satu antena, pengguna dapat melakukan komunikasi dengan laju data tinggi seperti sistem komunikasi pada Multiple Input Multiple Output (MIMO). Pemodelan kanal koperatif MIMO telah dilakukan oleh [1]. Analisis kanal koperatif MIMO berkaitan dengan karakteristik kondisi kanal. Kondisi kanal tersebut dapat digambarkan


36

ISSN: 2407-4322

dari parameter fisik kanal seperti delay, sudut yang terdiri dari Direction of Arrival (DoA) dan Direction of Departure (DoD) , serta amplitudo kompleks. Parameter kanal fisik didapatkan dari pengukuran kanal secara [2], yang menggunakan Virtual Network Analyzer (VNA) dan bentuk geometri antena array berbentuk kubus, proses pengolahan datanya dalam domain frekuensi. Pengukuran sintetik ini dianggap memiliki keterbatasan yaitu hanya bisa dilakukan pada lingkungan statis sehingga membutuhkan waktu yang lama. Selain itu, dibutuhkan suatu metode untuk mendapatkan parameter kanal fisik tersebut. Salah satu metode yang digunakan untuk mendapatkan parameter fisik kanal adalah metode Deterministic Parametric Estimation (DPE) [3]. Contoh dari DPE adalah Expectation Maximization (EM), namun EM terlalu kompleks sehingga membutuhkan proses komputasi yang besar dan tingkat akurasi dalam estimasi parameter rendah. Kelemahan tersebut diperbaiki dengan muncul metode baru yaitu Space Alternating Generalized EM (SAGE). SAGE telah dibuktikan mempunyai kelebihan dibandingkan dengan metode lain, salah satunya adalah SAGE dapat diterapkan pada sebarang bentuk geometri antena dan dapat mendeteksi sinyal dari kanal multipath. SAGE merupakan metode yang mempunyai tingkat konvergensi tinggi untuk mendapatkan parameter fisik kanal [4]. Selain itu SAGE telah dibuktikan mempunyai kinerja yang baik dalam mengestimasi parameter kanal secara berurutan tanpa memperhatikan urutan dari parameter tersebut [5]. Selain pengujian kinerja dari metode SAGE yang dilakukan secara simulasi, dapat pula dilakukan dengan pengukuran kanal secara real time, seperti yang tersampaikan pada makalah ini atau yang disebut pengukuran dalam domain waktu. Pengukuran kanal indoor maupun outdoor, yang menggunakan perangkat Software Define Radio (SDR) yaitu Wireless Open Access Reseacrh Platform (WARP), dimana pengolahan datanya dalam domain waktu. WARP memiliki keterbatasan jika digunakan sebagai analisis kondisi kanal, hal ini dikarenakan resolusi temporal alat tersebut besar yaitu 400 ns, Hal ini menyebabkan sinyal yang berdekatan tidak terdeteksi dengan baik [6]. Untuk mengatasi hal tersebut, maka pada makalah ini, menggunakan perangkat Universal Software Radio Peripheral (USRP), dimana perangkat ini mempunyai resolusi temporal yang lebih baik yaitu sekitar 60ns. Penelitian inimembahas penerapan SAGE dalam mendeteksi parameter kanal indoor Hall Gedung Baru-Politeknik Elektronika Negeri Surabaya. Hasil penerapan tersebut divalidasi oleh Ray Tracing. Ray Tracing merupakan suatu teori yang mendefinisikan posisi pemancar, penerima dan semua kemungkinan lintasan yang diperhitungkan secara geometris sesuai ukuran lokasi pengukuran [7].

2. METODE PENELITIAN Tahapan untuk mendapatkan parameter fisik kanal dari hasil pengukuran ditunjukkan pada Gambar 1.

Pengukuran SDR-USRP

Pre-processing Data Pengukuran

Ray Tracing

SAGE

Parameter Kanal

Eror

Gambar 1. Tahap untuk Mendapatkan Parameter Fisik IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017

37

Berdasarkan blok diagram alur penelitian, berikut penjelasan tentang setiap komponen dari blok tersebut. 2.1 SDR (Software Define Radio) – USRP (Universal Software Radio Peripheral) Salah satu perangkat keras pengolahan sinyal digital disebut Software Define Radio (SDR). SDR merupakan perangkat komunikasi nirkabel yang dapat deprogram ulang dengan mode dan pita frekuensi yang diatur pada perangkat lunak [8]. Salah satu perangkat SDR yang digunakan pada makalah ini adalah Universal Software Radio Peripheral (USRP). USRP didukung oleh beberapa perangkat lunak sebagai antarmuka. Perangkat lunak tersebut adalah LabVIEW, Matlab/Simulink, dan GNU Radio. USRP terdiri dari motherboard dan daughterboard. Motherboard dari USRP merupakan FPGA yang bekerja di rentang frekuensi 0Hz – 6 GHz. Motherboard ini berfungsi sebagai Digital Up Converter (DUC) dan Digital Down Converter (DDC), selain itu motherboard ini juga dapat mengubah sinyal analog ke digital (ADC) maupun mengubah sinyal digital keanalog (DAC). Sedangkan daughterboard dari USRP sebagai RF front end yang digunakan untuk menentukan rentang frekuensi kerja radio, sebagai filter, mixer dan amplifier. Seri USRP yang digunakan pada penelitian ini adalah NI-2922 yang merupakan produk dari Ettus Research, yang ditunjukkan pada Gambar 2.

Gambar 2. Perangkat USRP Ni-2922 Siklus pengiriman pada USRP melewati beberapa proses yang dimulai dari penyamplingan pada sinyal baseband IF yang dilakukan oleh ADC, kemudian FPGA mengatur clock rate untuk proses penyamplingan tersebut, kemudian dilanjutkan dengan proses decimasi oleh beberapa filter. Setelah desimasi data dikirimkan ke host PC penerima. Blok diagram dari USRP ditunjukkan pada Gambar 3.

Gambar 3. Blok Diagram USRP NI-2922 [9] Spesifikasi dari USRP NI2922 disajikan pada Tabel 1.


38

ISSN: 2407-4322 Tabel 1. Spesifikasi USRP NI2922 Parameter Value Range frekuensi 400 MHz – 4.4 GHz Switch adj TX frekuensi step 1 KHz Max power output 15 dBm – 20 dBm Gain power output TX 0 dB – 31,5 dB Switch adj power output step 1 dB Instantaneous Real Time 20 MHz (16 bit samples) Bandwidth 40 MHz (8 bit samples) DAC 2 channel, 400 MS/s, 16 bit ADC 2 channel, 100 MS/s, 14 bit Max power input 0 dBm Noise Figure 5 – 7 dB

Sebelum melakukan pengukuran kanal pada frekuensi 2.4 GHz, maka langkah pertama adalah mengetahui daya pancar dari USRP NI-2922. Daya pancar USRP NI-2922 menurun pada frekuensi kerja yang semakin tinggi, seperti pada Gambar 4. 10

5

Daya (dBm)

0

-5

-10

-15

-20

0

500

1000

1500

2000 2500 3000 Frekuensi (MHz)

3500

4000

4500

Gambar 4. Regresi Linear Daya Pancar USRP NI2922 (Gain 0 dB) [10]. 2.2 Pre-Processing Data Pengukuran Sistem Pengukuran dalam domain waktu menggunakan kode Pseudo Noise (PN) Sequence, dimana proses pengiriman dan penerimaan kode dilakukan dengan konsep Time Division Multiplexing Access (TDMA). Konsep tersebut dilakukan dengan memanfaatkan penggiliran waktu antara kode yang dikirim pada waktu pertama oleh pengirim pertama kepenerima pertama dan kedua serta kode yang dikirim pada waktu kedua. Data yang diterima seperti pada persamaan (1), ( )=[ ] (1) dengan, ( ) : sinyal yang diterima dengan : data dari pemancar satu ke penerima satu : data dari pemancar satu ke penerima kedua : data dari pemancar dua ke penerima pertama : data dari pemancar kedua ke penerima kedua. Berdasarkan konsep TDMA, data yang diterima disimpan dalam TDMS (media penyimpanan pada front end Labview) sesuai pada tabel di bawah ini, urutan penyimpanan data tersebut ditunjukkan pada Tabel 2. IJCCS Vol. x, No. x, July201x : first_page–end_page


39

Tabel 2. Urutan Penyimpanan Data Pengukuran Waktu Transmit PosisiTx Posisi Rx Nama File A Y11.txt 1 A B Y21.txt A Y12.txt 2 B B Y22.txt Posisi A dan B menunjukkan posisi dari antena pemancar dan penerima, setelah data yang diterima sesuai dengan penamaan nama file, langkah berikutnya melakukanpre-processing data untuk mendapatkan parameter kanal sebagai berikut,

Kode yang diterima (RX)

KorelasiSil ang

CekKonsist ensi

Parameter Kanal (SAGE)

CekImpulsTe tangga

Gambar 5. Pre-Procesing Data Pengukuran Berdasaran blok diagram pada Gambar 5, pengukuran parameter kanal didapatkan dari hasil korelasi silang antara kode yang dikirim dengan kode yang diterima yang disebut Respon Impuls dalam bentuk imajiner. Korelasi silang ditunjukkan pada persamaan (2). Korelasi silang merepresentasikan bentuk responimpuls, yang digunakan untuk menentukan karakteristik kanal. Namun pada makalah ini tidak membahas karakteristik kanal, melainkan membahas parameter fisik dari skenario kanal tertentu, yang didapatkan dari SAGE, sehingga makalah ini menampilkan respon impuls dari suatu kanal untuk mengetahui posisi sinyal yang asli. Data yang diolah selanjutnya bukan data hasil korelasi dari kode yang diterima, melainkan sinyal yang diterima di setiap pengiriman. Sinyal yang diterima ditunjukkan pada persamaan (2).

dengan, ( ) ( ) ( )

( )=

( ).

(

). (

(2) )

: input sinyal berupa kode pn sequence : sinyal input yang telahdigesersejauh ( ) : respon impuls yang digeser sejauh ( )

Respon Impuls yang diolah sebanyak empat data dari kode yang diterima ( ). Setiap Respon Impuls selanjutnya difilter guna menghilangkan noise dengan menggunakan metode Sousa meliputi proses threshold, cek konsistensi impuls, dan cek impuls tetangga. [1]. Output dari proses ini diperoleh nilai excess delay dari impuls-impuls maksimum (puncak). Nilai excess delay ini selanjutnya digunakan sebagai inputan bagi algoritma SAGE untuk mengestimasi parameter kanal lainnya seperti DoD, DoA, dan amplitude kompleks. [11] 2.3 Space Alternating Generalized Expectation Maximisation SAGE merupakan salah satu metode yang digunakan untuk mendapatkan parameter kanal yaitu delay, DoA (Direction of Arrival), DoD (Direction of Departure) dan Amplitudo kompleks. SAGE merupakan salah satu metode yang akurat untuk memisahkan sinyal asli dengan sinyal pantulan, dimana SAGE dapat mendeteksi sinyal dengan baik pada kondisi kanal yang memungkinkan terjadi banyaknya pantulan atau dengan kata lain banyak penghalang. Hal


40

ISSN: 2407-4322

ini telah dibuktikan oleh [5] yang menganalisa kinerja SAGE. Selain itu, SAGE dapat digunakan pada sebarang antenna, artinya dapat diterapkan pada bentuk geometri array antenna. Oleh sebab itulah penelitian ini menggunakan konsep antena array linier dengan jarak antara array antenna sebesar . Jarak ini mengurangi terjadinya mutual copling yang disebabkan oleh tegangan di satu antena akibat arus yang berdekatan. [12]. Data yang telah diolah dijadikan sebagai inputan pada SAGE, unuk mendapatkan parameter sudut. Kemudian data tersebut akan melalui proses Expectation Step (E-Step) dan Maximazation Step (M-Step). Proses E-Step pada persamaan (3). [5] )= ( )

( ;

dengan, ( ) ; :{

,

;

(3)

: sinyal yang diterima : komponen sinyal lintasan jamak ke : himpunan parameter kanal ,

,

,

}

Proses M-Step pada persamaan (3), dimana proses ini mendeteksi parameter DoA, DoD, dan delay. 2.3.1 Persamaan Paramater DoA ( ,

= arg

(

,

(

,

) = arg

dengan, ,

,

M K

(

;

,

,

,

,

;

; ,

,

) )

(4) ;

, ,

: inisialisasi parameter DoD : inisialisasi parameter delay : output E-step (dimensi N x K) : steering vector DOA (N x180*360) : jumlah antenna penerima : sampel pengamatan

, )

2.3.2 Persamaan Parameter DoD ( ( ,, , , ; , = arg

dengan,

,

(

,

,

,

,

, ;

;

,

) ;

) = arg

)

(5)

,

,

, ,

;

(

)

: Steering vector dari sudut DoA yang sudah terupdate (N x 1), operator H , menunjukkan transpose conjugate. ( ) : Matriks steering vector DoD (M x (180*360)), operator * menunjukkan conjugate.


Jatisi, Vol. 3 No. 2 Maret 2017 2.3.3

Persamaan Deteksi Delay (

= arg ,

dengan,

(

41

,

( ,

,

,

;

,

,

;

,

, ; = arg

) ;

)

(6) , ,

,

, , ,

;

,

(

)

: Steering vector dari sudut DoD yang sudah terupdate (M x 1), ,

)

: Steering vector dari sudut DoA yang sudah terupdate (N x 1) : Deretan pn sekuen yang terdelay

3. HASIL DAN PEMBAHASAN Pengukuran ditunjukkan pada Gambar 6, dimana terdiri dari 2 pemancar dan 2 penerima yang terhubung dengan masing-masing komputer sebagai kontrol dalam menentukan panjang kode yang akan dikirim, sampling setiap chip, sampling setiap frame, dan IQ Rate. Parameter inputan tersebut terdapat pada Front End dari Labview yang sudah terpasang pada laptop pengirim dan laptop penerima, untuk pentransmisian kode.

Gambar 6. Pengukuran TX dan RX Pengukuran kanal indoor dilakukan pada frekeunsi 2,4 GHz di ruang Hall Gedung Baru Politeknik Elektronika Surabaya terlihat pada Gambar 7, lokasi tersebut mendukung kondisi pengukuran, karena bentuk lokasi persegi panjang yang memudahkan pemakalah untuk melakukan validasi Ray Tracing, terdapat penghalang tembok beton mendukung terjadinya pantulan sinyal, dan beberapa tiang penyangga gedung.


42

ISSN: 2407-4322

Gambar 7. Lokasi Pengukuran - Hall PENS Instalasi perangkat terdiri dari 2 USRP beserta antena di bagian pemancar dan 2 USRP di bagian penerima, Kedua USRP tersebut dihubungkan oleh kabel MIMO, dan USRP dihubungkan dengan kabel Giga Ethernet. Instalasi pengukuran terlihat pada Gambar 8,

Gambar 8. Instalasi Perangkat Pengukuran Kanal Indoor Pengukuran diawali dengan mengatur parameter input pada USRP, ditunjukkan pada Tabel 2. Pengecekan data yang diterima adalah dengan menampilkan respon impuls yang terlihat pada gambar 10, dari gambar tersebut, sinyal yang mempunyai nilai daya tertinggi diasumsikan nilai dari sinyal LOS (bukan sinyal multipath), dimana nilai tersebut digeser ke titik nol (excess delay) seperti pada gambar. Penggeseran tersebut dilakukan karena perangkat USRP pada TX dan RX selama pentransmisian tidak sinkron oleh sebab itulah pengukurannya menggunakan konsep TDMA. Hal ini berpengaruh terhadap pendeteksian parameter delay. Berikut respon impuls dari hasil pengukuran setelah dilakukan pengecekan konsistensi dengan metode Sousa.



43

Tabel 3. Parameter Setup Pengukuran Frekuensi 2450 MHz DayaTerima USRP 0 dBm : ( - 100dBm) Gain Transmit Amplifier 17 dB Sample width 8 bit Gain internal USRP 31.5 dB DayaPancar USRP 20 dBm Orde PN 8 Jumlah Sample 510 IQ Rate 33 MHz Chiprate 16,5MS/s Tc(periode chip) 60ns Resolusi Temporal Sounder 60ns ( Tc) PanjngResponMaksimal 15300 ns Tinggi Antena 20 cm Monopole Omnidirectional JenisAntena Vertical Frekuensiantena 2.4 -2.48 GHz USRP hanya bisa mendeteksi tiga sinyal sesuai dengan hasil kroskorelasi, hal ini dikarenakan resolusi temporal dari USRP 60 ns. Hasil Kroskorelasi digunakan untuk mendapatkan nilai parameter delay, dimana delay 0 ns hanya untuk sinyal LOS, delay 90 ns untuk sinyal multipath pertama, delay 240 ns untuk sinyal multipath kedua. Sedangkan untuk mendapatkan parameter DoA dan DoD, diproses dengan SAGE dengan menginputkan nilainilai delay tersebut. Korelasi Silang MIMO 1 X: 0 Y: 1

0.9 0.8

Daya Ternormalisasi

0.7 0.6 0.5 0.4 X: 9.001e-08 Y: 0.2439

0.3 0.2

X: 2.4e-07 Y: 0.2388

0.1 0 0

5

10 Excess Delay (s)

15 -7

x 10

Gambar 9. Hasil Kroskorelasi Silang Data yang Diterima Parameter DoA dan DoD yang didapatkan dari SAGE, disajikan pada tabel III dan IV, untuk menguji kebenarann parameter sudut (DoA dan DoD) yang didapat dari SAGE, maka perlu dilakukan validasi Ray Tracing, yang menggambarkan posisi antena penerima dan pemancar, ukuran ruangan, dan kemungkinan sinyal multipath yang terjadi. Ray Tracing lokasi pengukuran ditunjukkan pada Gambar 9.


44

ISSN: 2407-4322

Gambar 10. Ray Tracing pada Hall Gedung Baru PENS Berdasarkan hasil Ray Tarcing, terdapat tiga sinyal yang terdeteksi dari lintasan yaitu Sinyal LOS yang didapatkan dari pentransmisian langsung tanpa pantulan dimana jarak Pengirim dan Penerima terhitung 10.5 meter (pada Ray Tracing diberi keterangan lintasan #1). Sinyal kedua didapatkan dari pantulan dari dinding C ke dinding B terhitung dengan jarak 38.3 meter (keterangan lintasan #2). Sinyal ketiga merupakan hasil pantulan dari tiang ke dinding D terhitung dengan jarak 85.25 meter (keterangan #3). Validasi Ray Tracing pada makalah ini hanya untuk parameter sudut, sedangkan delay dan amplitudo didapatkan dari hasil kroskorelasi sinyal yang dikirim dengan sinyal yang diterima. Hasil deteksi parameter sudut dengan SAGE dan Ray Tracing disajikan pada Tabel 3 dan Tabel 4 di bawah ini, Perbandingan hasil deteksi parameter DoA dan DoD pada SAGE terhadap Ray Tracing, menunjukkan eror yang besar, hal ini dikarenakan resolusi dari perangkat USRP kurang mendukung, sehingga banyak sinyal multipath yang tidak terdeteksi, dikarenakan sinyal yang saling berdekatan tertumpuk, sehingga sulit SAGE untuk mendeteksi sinyal tersebut. Selain itu, terdapat sumber sinyal yang datang dari perangkat wifi yang lain, sehingga memungkinkan menganggu hasil pengukuran seperti hasil estimasi sudut DoD pada lintasan #3. Faktor yang lainnya adalah pola radiasi antena linier atau human error selama pengukuran dilakukan, seperti kurang teliti dalam memposisikan jarak antar kedua antena. Tabel 4. Deteksi Parameter DoA Lintasan (m)

Hasil SAGE (0)

Hasil Ray Tracing(0)

Eror (% )

90

28

90

24

173

36

#1(LOS) 125 10.5 #2 (C,B) 119 38,3 #3 (Tiang,D) 127 85.25 Rata-rata Eror (%)


29.3%


45

Tabel 5. Deteksi Parameter DoD

Lintasan (m)

Hasil SAGE (0)

Hasil Ray Tracing(0)

Eror (% )

90

9

90

17

7.1

83

#1(LOS) 99 10.5 #2 (C,B) 109 38,3 #3 (Tiang,D) 44 85.25 Rata-rata Eror (%)

36.3%

Pada Lintasan #1 dan #2, hasil estimasi parameter DoD lebih baik dibandingkan dengan estimasi parameter DoA, hal ini dikarenakan sifat dari SAGE, dimana SAGE lebih baik dalam mendeteksi sudut sinyal berangkat dibandingkan sudut sinyal yang diterima [5].

4. KESIMPULAN Tingkat akurasi implementasi SAGE dalam mendeteksi parameter sudut pada pengukuran kanal indoor menggunakan USRP masih rendah, yaitu 29.3% untuk deteksi DoA dan 36.3% untuk deteksi DoD, dikarenakan resolusi temporal dari perangkat tidak dapat mendeteksi sinyal multipath dengan baik, sehingga hal ini menyebabkan analisis kondisi suatu kanal indoor kurang dapat dilakukan dengan baik, namun hal ini dapat ditingkat dengan menambahkan metode pengiriman data yang lain dengan konsep MIMO. . 5. SARAN Penelitian ini menerapkan konsep TDMA untuk sinkronisasi antara TX dan RX, sehingga konsep Komunikasi Array MIMO belum maksimal, sehingga untuk penelitian selanjutnya perlu ditambahkan metode khusus berupa tambahan perangkat yang dapat mensinkronisasikan TX dan RX pada USRP, salah satunya GSPO.

UCAPAN TERIMA KASIH Pemakalah mengucapkan terimakasih kepada pihak Politeknik Elektronika Negeri Surabaya (PENS), karena telah mengijinkan untuk melakukan pengukuran kanal indoor pada Hall Gedung Baru PENS.

DAFTAR PUSTAKA [1] Handayani, P. 2013, Spatial-Temporal Double-Directional Indoor Radio Channel for Cooperative Multi-Antenna Communication Systems, Disertasi Doktor Program Studi Teknik Elektro. [2] Handayani, P, Gamantyo, P. Yasdinul, H. 2010, Evaluasi Sistem Pengukuran Kanal Radio Dua Arah Dalam Gedung pada Pita 2,5 GHz Menggunakan Antena Larik 3 Dimensi, Title of manuscript is short and clear, implies research results (First Author)

46

ISSN: 2407-4322 Jurnal Penelitian dan Pengembangan Telekomunikasi, Vol.15, Diakses Tanggal 1 Juni 2010.

[3] Fleury, H.B. 2002, "High Resolution Channel Parameter Estimation for MIMO Aplications Using The SAGE Algorithm", IEEE International Zurich Seminar on Broadband Communications. [4] Bernard, Fleury. 1999, “Channel Parameter Estimation in Mobile Radio Environments Using The SAGE Algorithm”, IEEE Journal On Selected Areas On Communication, Vol.17, pp.434-450, March 1999. [5] Musayyanah, P. Handayani, G. Hendrantoro, P. Hari Mukti 2016, “Performance Analysis of The SAGE Algorithm: Changing The Update Procedure”, Intelligent Technology and Its Applications (ISITIA), International Seminar, pp 237-242. [6] Frendiana, Viving, 2014, Pengukuran Respon Impuls Kanal Radio MIMO 2x2 pada Frekuensi 2,4 GHz Menggunakan WARP (Wireless Open Access Research Platform), Tesis, ITS. [7] Molisch, A, 2011, Wireless Communication Second Edition, Wiley IEEE, California, USA. [8] Reed, J.H. 2002, “Software Radio: A Modern Approach to Radio Engineering”, Prentice Hall, New Jersey. [9] USRP NI2922 Block Diagram. National Instruments, http://zone.ni.com/reference/enXX/help/373380B-01/usrphelp/2922_block_diagram. Diakses Tanggal 01 Desember 2015. [10] Anggraeni, M.E., 2015, Analisis Karakteristik Penghambur Lokasi di Sekitar Relay pada Kanal MIMO Multi-Hop, Tesis Institut Teknologi Sepuluh Nopember, Surabaya. [11] Martianda Erste, P. Handayani, G. Hendrantoro, 2016, “Double Directional Outdoor MIMO Channel Measurement at 2,4 GHz using SDR”, Intelligent Technology and Its Applications (ISITIA), International Seminar, pp 255-260. [12] Kevin, Jones, Olivia Levy, 2017, Perancangan Antena MIMO 2x2 Array Rectanguler Patch dengan U-Slot untuk Aplikasi 5 G, Jurnal Nasional Teknik Elektro dan Teknologi Informasi, Vol. 6, No.1.



47

Klasifikasi Batuan Beku Gabbro Pada Citra Sayatan Tipis Menggunakan Multilevel Otsu’s Thresholding Muhammad Dzulfikar Fauzi1 Teknik Informatika, Universitas Islam Negeri Sunan Kalijaga, [email protected]

1

Abstrak Citra sayatan tipis batuan merupakan metode pengaman yang digunakan untuk menentukan jenis batuan dan nama dari batuan berdasar pada mineral penyusun. Melakukan pengamatan sayatan tipis sulit dilakukan jika hanya menggunakan bantuan mikroskop polarisasi karena kemampuan mata manusia tidak dapat melakukan identifikasi secara mendetail. Oleh karena itu analisis dan identifikasi mineral menjadi lebih mudah dilakukan dengan bantuan pengolahan citra digital dengan menggunakan algoritma Multilevel Otsu’s Thresholding untuk mengetahui kelimpahan mineral batuan beku. Data yang digunakan dalam penelitian ini menggunakan citra sayatan tipis batuan beku yang diakuisisi dari penggunaan mikroskop polarisasi dengan perbesaran 10x. preprocessing yang dilakukan dengan 2 perlakuan yang berbeda yaitu garyscale dan grayscale dengan k-means untuk mengetahui hasil yang maksimal. Selanjutnya tahap pengolahan dilakukan segmentasi Multilevel Otsu’s Thresholding dengan dua nilai ambang. Selanjutnya analisis pada hasil segmentasi untuk mengetahui kelimpahan mineral. Hasil perhitungan dan analisis yang telah dilakukan pada preprocessing yang menggunakan grayscale dan grayscale dengan k-means yang kemudian di lakukan segmentasi Multilevel Otsu’s Thresholding memiliki akurasi paling tinggi 40% dan 33,57%. Dari kedua perlakuan dapat disimpulkan bahwa penggunaan k-means pada preprocessing memiliki pengaruh pada pengolahan citra sayatan tipis batuan beku jenis gabbro dengan nilai akurasi tertinggi dari dua perlakuan yaitu 40% dengan menggunakan preprocessing k-means dengan nilai k=7. Kata kunci: citra sayatan tipis, batuan beku, Multilevel Otsu’s Thresholding. Abstract The image of a thin section of rock is a rock or mineral observation methods. The mineral content of rocks can be used to determine rock types and names of these rocks. Thin section making observations difficult if only using polarizing microscopy, the ability of the human eyes can not identify in detail. Therefore, the analysis and identification of minerals to be more easily done with the help of digital image processing algorithms using Multilevel Otsu's Thresholding to determine the abundance of igneous minerals. The data used in this study using the image of a thin section of igneous rock acquired from use polarizing microscope with a magnification of 10x. Preprocessing is performed with two different treatment is grayscale and grayscale with k-means to determine the maximum results. The next stage of the processing is done Multilevel Otsu's Thresholding segmentation with two threshold values. Further analysis of the results of segmentation to determine the abundance of minerals. The results of calculations and analysis has been done on the preprocessing using grayscale and grayscale with k-means then done Multilevel Otsu's Thresholding segmentation has the highest accuracy of 40% and 33.57%. Of the two treatments can be concluded that the use of k-means on the preprocessing have an influence on image processing thin section gabbro igneous rock types with the highest accuracy values of the two treatments at 40% by using the kmeans preprocessing with a value of k = 7. Keywords: Image thin section, Igneous rock, Multilevel Otsu’s Thresholding.

48

ISSN: 2407-4322 1. PENDAHULUAN

Batuan dan mineral merupakan sumber daya alam yang banyak dibutuhkan dan digunakan untuk kehidupan manusia, dan bahan dasar industri. Batuan mengandung mineral yang merupakan bahan non-organik yang dapat digunakan dalam berbagai bidang di antaranya konstruksi bangunan, kesehatan, kecantikan, pertanian, peternakan dan industri. Melihat mineral akan sulit dilakukan jika dilihat secara langsung, mineral akan mudah jika batu yang mengandung mineral di sayat terlebih dahulu. Sayatan tipis batuan adalah suatu metode pengamatan batuan atau mineral dengan cara membentuk dan menipiskan batuan hingga memiliki ketebalan 0,35mm, sehingga dapat dijadikan preparat untuk penelitian menggunakan mikroskop polarisasi. Fungsi utama dari sayatan tipis batuan adalah untuk melakukan analisis dan identifikasi mineral yang ada dalam batuan. Berbagai penelitian tentang segmentasi menggunakan bermacam-macam metode segmentasi seperti adaptive segmentasi, global segmentasi dan segmantasi yang didasarkan pada threshold. Seperti penelitian yang dilakukan oleh Umam (2014) melakukan penelitian tentang segmentasi citra medis pada panoramik gigi, pada penelitian tersebut di lakukan segmentasi dengan mereduksi warna citra panoramik gigi menjadi 64 macam warna dan menggunakan nilai threshold T-cluster sebesar 20. Hasil penelitian menunjukkan bahwa dengan metode yang digunakan dapat mereduksi warna hingga menjadi 64 macam dan menggunakan nilai threshold T-cluster sebesar 20 dapat dihasilkan citra panoramik gigi tersegmentasi dengan rata-rata nilai Q yang paling kecil, yaitu 4,40 [1]. Penelitian ini menggunakan metode Multilevel Otsu’s Thresholding dalam melakukan segmentasi pada sayatan tipis batuan beku yang digunakan untuk menghitung kandungan mineral yang dikandung batuan beku dengan membuat suatu prototype untuk menghitung kelimpahan mineral pada sayatan tipis batuan beku dengan mengunakan pengolahan citra digital. Algoritma Multilevel Otsu’s Thresholding yang yang telah diteliti oleh Deng-Yuan, TaWei dan Wu-Chic (2011) yang membandingkan beberapa metode Automatic Thresholding, metode Otsu digunakan secara luas dalam bidang computer visionv, video surveillance dan pengenalan pola yang merupakan teknik pengolahan citra tingkat rendah memisahkan objek dari backgrounds. Metode Multilevel Otsu’s Thresholding merupakan metode terbaik untuk mensegmentasi gambar, metode Otsu memiliki kompleksitas komputasi tingkat tinggi ketika dilanjutkan ke permasalahan multilevel thresholding [2]. Berdasarkan penjelasan yang dipaparkan, maka penelitian ini menggunakan algoritma Multilevel Otsu’s Thresholding sebagai proses segmentasi pada citra sayatan tipis batuan beku untuk diketahui kelimpahan mineral yang dikandung dan penamaan batuan beku berdasarkan hasil segmentasi. Penelitian ini juga menggunakan metode k-means pada preprocessing agar mempermudah dalam mensegmen citra sayatan tipis.

2. METODE PENELITIAN Metode-metode yang digunakan dalam penelitian ini dapat digambarkan dalam beberapa diagram alur sebagai berikut:


49

Hasil Akuisisi Citra

Cropping

Grayscale

K-means nilai k =5,6 dan 7

Grayscale Pengolahan Gambar 1. Alur Preprocessing Hasil dari cropping citra yang diambil kemudian dilakukan pengolahan dengan dua cara yaitu yang pertama k-means dengan grayscale yang kedua dengan grayscale saja, adapun di proses pengolahan dengan k-means menggunakan nilai k= 5,6 dan 7 dengan tujuan untuk mempermudah dalam pengolahan selanjutnya. Hasil Preprocessing

Pembuatan Histogtam

Nilai Ambang 1 (T1)

Segmentasi Multilevel Otsu’s Thresholding dengan 2 Ambang

Hitung luas daerah hasil segmentasi (M1)

Nilai Ambang 2 (T2)

Hitung luas daerah hasil segmentasi (M1)

Analisis Gambar 2. Alur Pengolahan Hasil yang telah diperoleh dari proses sebelumnya digunakan untuk mensegmen dengan cara dibuat terlebih dahulu histogram citra yang akan disegmen, segmentasi yang dilakukan menggunakan algoritma multilevel otsu’s thresholding dengan 2 ambang threshold yang digunakan untuk mensegmen mineral-mineral yang ada di batuan beku. Setelah didapatkan hasil

50

ISSN: 2407-4322

segmentasi kemudian di hitung luasan hasil segmentasi yang merupakan perwakilan dari kelimpahan mineral yang tersegmen. Tahap selanjutnya yaitu melakukan analisis dengan mengunakan perhitungan Relative Foreground Area Error (RAE) dari hasil segmentasi untuk mengetahui tingkat relative error yang terdapat pada setiap objek pengujian dengan hasil yang diberikan oleh seorang ahli. Tahap selanjutnya dihitung keakuratan dari metode yang digunakan dalam penelitin ini menggunakan confution matrix. 2.1

Grayscale

Citra grayscale hanya memiliki informasi tentang intensitas dari cahaya, tidak berupa warna yang terkandung dalam citra. Ada 256 tingkat keabuan dalam citra grayscale dan setiap pixel memiliki intensitas dari 0 hingga 255, dengan 0 menjadi hitam dan 255 menjadi putih. Adapun rumus yang digunakan dalam melakukan grayscale sebagai berikut: (1)

Dimana Gray merupakan hasil grayscale, R merupakan nilai dari warna merah yang diambil intensitasnya dari suatu pixel, G merupakan nilai dari warna hijau yang diambil intensitasnya dari suatu pixel dan B merupakan nilai dari warna biru yang diambil intensitasnya dari suatu pixel, yang kemudian dibagi dengan konstantan 3 yang sudah merupakan ketetapan agar manjadi grayscale suatu citra tersebut [3]. 2.2

K-means Secara umum metode k-means memiliki langkah-langkah sebagai berikut [5]: 1. Inisialisasi nilai k cluster dan titik tengah. 2. Untuk setiap pixel, dihitung jarak Euclidean d, diantara titik tengah dan setiap titik pixel dapat ditulis dengan persamaan sebagai berikut: (2) 3. 4.

Menetapkan semua pixel ke pusat terdekat berdasarkan jarak d. Setelah semua pixel telah ditetapkan, menghitung ulang posisi baru dari pusat menggunakan persamaan sebagai berikut: (3)

5. 6.

Ulangi proses sampai memenuh toleransi untuk nilai error. Membentuk ulang pixel hasil cluster hingga menjadi gambar.

2.3

Metode Segmentasi Metode yang digunakan dalam mensegmen citra hasil pengolahan sebelumnya yaitu multilevel otsu’s thresholding dengan langkah-langkah sebagai berikut [2]: (4)


51

Dimana L merupakan tingkat keabuan (0,1, … , L-1). Jumlah pixel pada i dinotasikan . dengan , dan N merupakan penjumlahan dari semua pixel N = (5)

Dimana merupakan kumulatif probabilitas dan merupakan mean dari tingkat keabuan untuk setiap (Cluster). Intensitas mean dari sebuah citra dan merupakan varian diantara class yang masing-masing ditetukan sebagai berikut:

(6) Dan (7) Threshold optimal { nya sebagai berikut:

} dapat ditentukan nilai maksimal antara varian class-

(8)

{} = 2.4

Relative Foreground Area Error (RAE) RAE merupakan perbandingan yang didasarkan pada pengukuran daerah hasil segmentasi. Relative Foreground Area Error dapat dirumuskan sebagai berikut: RAE =

, jika

Atau RAE =

, jika

<

(9) (10)

Dimana adalah daerah referensi dari citra, sedangkan merupakan daerah hasil thresholding citra. Sebaiknya untuk kecocokan daerah hasil yang bagus, nilai RAE adalah 0[6]. 2.5

Confusion Matrix Confusion Matrix adalah matriks yang disajikan oleh jumlah benar dan tidak benar yang diprediksi oleh sebuah model yang di bandingkan dengan data aktual. Confusion Matrix terbentuk dari N*N matriks, dimana N merupakan merupakan jumlah label (classes). Jika kolom merupakan class yang diprediksi, maka baris merupakan class aktual. Dengan menggunakan matriks ini dapat dicari class mana yang rancu dengan class yang lain.

3. HASIL DAN PEMBAHASAN Pengujian citra sayatan tipis batuan beku dengan menggunakan algotrima multilevel Otsu’s thresholding ini menggunakan pemrograman C# dengan menggunakan Visual Studio 2013. Langkah pertama yang dilakukan adalah pengambilan citra sayatan tipis batuan beku

52

ISSN: 2407-4322

dengan menggunakan alat batu mikroskop polarisasi dengan perbesaran 10x. Dari hasil pengambilan cirtra sayatan tipis tersebut dilakukan proses cropping yang bertujuan utuk menghilangkan bingkai bulat hitam dari hasil pengambilan gambar dengan mikroskop polarisasi

(a).sebelum

(b).sesudah Gambar 3. Cropping Citra

Selanjutnya data siap untuk dijadikan inputan pada prototype yang telah dibuat. Langkah pertama yang dilakukan adalah di klastering menggunakan k-means dengan nilai k= 5,6 dan 7 yang bertujuan untuk menyamakan intensitas keabuan berdasarkan nilai k yang di inputkan. Tahap awal dari k-means yaitu inisialisasi nilai k dan titik tengah, dilanjutkan dengan menghitung jarak Euclidean (d) dengan persamaan [2] setelah itu ditetapkan semua pixel ke titik pusat terdekat berdasarkan jarak d, setelah semua pixel telah ditetapkan, dilakukan perhitungan ulang posisi baru dari pusat titik menggunakan persamaan [3]. Kemudian ulangi proses sampai memenuhi toleransi nilai error. Tahap terakhir membentuk ulang pixel hasil cluster hingga menjadi gambar seperti gambar awal sebelum pengolahan k-means tetapi berbeda pada intensitas keabuan citra yang di hasilkan.

(a) Citra awal

(c) K-means k=6

(b) K-means k=5

(d) K-mens k=7 Gambar 4. Hasil Pengolahan K-means

Gambar 4(b), 4(c) dan 4(d) merupakan hasil dari proses k-means, perbedaan dari semua gambar yang diolah adalah dari nilai k yang diujikan. Nilai k akan berpengaruh pada banyaknya


53

jumlah centroid pada pengolahan k-means, sehingga mempengaruhi jumlah banyaknya tingkat keabuan dari citra hasil uji sesuai dengan nilai k yang dimasukkan. Tingkat keabuan dari citra hasil pengolahan k-means dapat terlihat bahwa intensitas keabuan citra yang dihasilkan lebih merata dari citra awal atau Gambar 4 (a). Hasil dari k-means dilakukan graysacale yang nantinya digunakan untuk membuat histogram yang digunakan untuk proses penentuan thresholding untuk segmentasi. Segmentasi yang digunakan adalah multilevel Otsu’s thresholding, dari hasil segmentasi menghasilkan dua nilai ambang thresholding yang digunakan untuk menentukan besar kandungan mineral yang terdapat pada sayatan tipis batuan beku.

Multi otsu

Objek Batu 1 Batu 2 Batu 3 Batu 4 Batu 5 Batu 6 Batu 7 Batu 8 Batu 9 Batu 10 Batu 11 Batu 12

T1 73 94 69 67 84 90 96 77 66 88 71 55

T2 154 158 136 140 168 185 180 157 146 177 149 136

Tabel 1. Nilai Threshold Multi otsu Multi otsu + k-means + k-means k=5 k=6 T1 T2 T1 T2 66 122 47 132 52 138 88 162 57 91 48 106 55 93 45 107 77 175 62 137 42 144 76 167 65 189 71 157 67 115 55 136 50 146 42 111 39 132 70 159 57 151 46 112 45 90 35 106

Multi otsu + k-means k=7 T1 T2 73 149 85 158 61 117 54 110 71 140 67 144 70 159 69 143 57 123 63 137 56 117 48 116

Tabel 1 merupakan hasil dari perhitungan Algoritma Multilevel Otsu’s Threshloding dengan dua titik ambang yang akan digunakan sebagai batas threshold dan pada daerah hasil segmentasi merupakan nilai kelimpahan dari mineral. Pada ambang kedua (T2) merupakan nilai ambang yang digunakan untuk mencari nilai kelimpahan dari mineral plagioclase karena mineral plagioclase memiliki karakteristik warna putih dan nada juga yang berwarna keabuabuan dan kecoklat-coklatan karena terkena pelapukan pada mineral plagioclase tersebut.

Objek Batu 1 Batu 2 Batu 3 Batu 4 Batu 5 Batu 6 Batu 7 Batu 8 Batu 9 Batu 10

Multi otsu M1 58.14 40.06 52.02 50.46 49.82 49.69 53.26 52.69 58.77 52.44

M2 23.9 36.12 19.85 20.06 23.36 31.88 23.17 22.3 15.59 24.08

Tabel 2. Hasil Perhitungan Mineral Multi otsu + Multi otsu + k- Multi otsu + kk-means k=5 means k=6 means k=7 M1 M2 M1 M2 M1 M2 63.6 36.39 55.75 33.51 63.29 28.01 31.76 52.39 45.18 40.86 43.74 42.95 55.78 44.21 46.92 34.93 55.39 29.62 30.71 44.35 24.32 35.57 34.75 33.76 35.47 26.26 27.53 35.52 36.25 34.07 39 42.71 52.2 38.4 47.51 41.62 35.47 24.9 35.47 24.9 27.81 33.42 36.78 40.68 51.35 32.91 41.95 30.38 36.46 20.44 29.69 28.24 46.52 24.07 33.81 32.66 33.81 32.66 49.84 37.4

Ahli M1 10 5 3 1 5 5 10 10 15 5

M2 45 70 50 45 60 70 40 70 25 32

54

ISSN: 2407-4322 Multi otsu

Objek Batu 11 Batu 12

M1 55.63 69.39

M2 17.02 12.58

Multi otsu + k-means k=5 M1 M2 31.98 21.86 53.39 25.13

Multi otsu + kmeans k=6 M1 M2 23.08 31.86 44.97 20.14

Multi otsu + kmeans k=7 M1 M2 37.01 29.2 59.72 17.92

Ahli M1 10 10

M2 30 35

Tabel 2 merupakan tabel hasil perhitungan yang dilakukan pada 12 citra sayatan tipis batuan beku kolom ahli merupakan hasil pengamatan yang dilakuakn ahli secara manual yang nantinya akan di bandingkan dengan hasil yang diperoleh dari perhitungan prototype. Dari hasil yang didapatkan kemudaian diberi nama sesuai dengan kandungan mineral plagioclase yang dikandung. Nilai M2 merupakan nilai dari kelimpahan mineral plagioclase yang dikandung pada sayatan tipis batuan beku, seperti pada sayatan tipis batu 1 memiliki kandungan mineral plagioclase sebanyak 23.9% pada perhitungan menggunakan mulitilevel otsu’s thresholding, sedangkan pada perhitungan menggunakan mulitilevel otsu’s thresholding dengan pengolahan k-means dengan nilai k=5 menghasilkan 36.39% kandungan mineral plagioclase, dan jika menggunkan pengolahan mulitilevel otsu’s thresholding dengan pengolahan k-means dengan nilai k=6 menghasilkan 33.51% mineral plagioclase, dan pada pengolahan mulitilevel otsu’s thresholding dengan pengolahan k-means dengan nilai k=7 menghasilkan 28.01% mineral plagioclase.

Objek

Multi otsu K1

K2

K3

Tabel 3. Hasil Penamaan Batuan Gabbro Multi otsu + Multi otsu + Multi otsu + k-means k=5 k-means k=6 k-means k=7 K1 K2 K3 K1 K2 K3 K1 K2 K3

Ahli K1

K2

K3

Batu 1 Batu 2 Batu 3 Batu 4 Batu 5 Batu 6 Batu 7 Batu 8 Batu 9 Batu 10 Batu 11 Batu 12 Keterangan: K1 = untuk mengklasifikasikan jenis batuan masuk kedalam golongan Leuco-Gabbro. K1 = untuk mengklasifikasikan jenis batuan masuk kedalam golongan Gabbro. K1 = untuk mengklasifikasikan jenis batuan masuk kedalam golongan Mela-Gabbro. Tabel hasil penamaan batuan gabbro hanya diambil dari Perhitungan Prototype dengan k-means k=5 dan Perhitungan Prototype dengan k-means k=6 karena pada komposisi termesut memiliki nilai rata-rata RAE yang kecil dibandingkan dengan komposisi yang lainnya. Penamaan nama batuan berdasarkan standar klasifikasi batuan beku gabbro IUGS dengan ketentuan. Jika kandungan mineralnya kurang dari 35% , nama batuan dapat di awali dengan leuco- yang berarti terang. Jika kandungan mineralnya lebih dari 65% , maka penamaan batuan dapat di awali dengan mela- yang berarti gelap, dan jika diantara 65%-35% maka batuan tersebut di berinama Gabbro.


55

Tabel 4. Perhitungan Confusion Matrix dengan Multilevel Otsu’s Thresholding Data Prediksi dari Prototype Mela- gabbro gabbro Leuco- gabbro Mela- gabbro 4 0 0 Data Aktual dari Ahli Gabbro 5 0 0 Leuco- gabbro 2 1 0 Tabel 5. Perhitungan Confusion Matrix dengan Multilevel Otsu’s Thresholding dan k-means dengan nilai k=5 Data Prediksi dari Prototype Mela- gabbro gabbro Leuco- gabbro Mela- gabbro 0 0 0 Data Aktual dari Ahli Gabbro 2 7 0 Leuco- gabbro 0 3 0 Tabel 6. Perhitungan Confusion Matrix dengan Multilevel Otsu’s Thresholding dan k-means dengan nilai k=6 Data Prediksi dari Prototype Mela- gabbro gabbro Leuco- gabbro Mela- gabbro 4 0 0 Data Aktual dari Ahli Gabbro 3 2 0 Leuco- gabbro 1 2 0 Tabel 7. Perhitungan Confusion Matrix dengan Multilevel Otsu’s Thresholding dan k-means dengan nilai k=7 Data Prediksi dari Prototype Mela- gabbro gabbro Leuco- gabbro Mela- gabbro 3 1 0 Data Aktual dari Ahli Gabbro 5 0 0 Leuco- gabbro 1 2 0

4. KESIMPULAN Hasil perhitungan dan analisis yang telah dilakukan Algoritma Multilevel Otsu’s Thresholding menghasilkan akurasi yang cukup baik pada jenis batuan tertentu seperti pada penggunaan Algoritma Multilevel Otsu’s Thresholding tanpa k-means menghasilkan tingkat akurasi hingga 91,7% pada jenis batuan Mela-gabbro, sedangkan pada penggunaan Algoritma Multilevel Otsu’s Thresholding dan k-means dengan nilai k= 7 menghasilkan akurasi hingga 75% pada jenis batuan Mela-gabbro. Dan pada jenis batuan jenis gabbro menghasilkan akurasi tertinggi pada Algoritma Multilevel Otsu’s Thresholding dan k-means dengan nilai k= 5 menghasilakan akurasi hingga 58%, dan pada penamaan jenis batuan Leuco-gabbro memiliki tingkat akurasi tertinggi 20% dengan menggunakan Algoritma Multilevel Otsu’s Thresholding dan k-means dengan nilai k= 7. Penggunaan k-means cukup berpengaruh banyak dalam pengolahan citra sayatan tipis pada jenis batuan gabbro dengan hasil terbaik dengan mengenali semua jenis batuan gabbro dengan tingkat akurasi 75% untuk batuan Mela-gabbro, 25% untuk batuan gabbro dan 20% untuk batuan Leuco-gabbro dengan nilai k =7, sedangkan pada Algoritma Multilevel Otsu’s Thresholding tanpa menggunakan k-means tidak dapat mengenali semua jenis batuan gabbro kerena pada jenis batuan Leuco-gabbro memiliki akurasi 0%.

56

ISSN: 2407-4322 5. SARAN

Perlu dilakukan beberapa perbaikan pada penelitian yang telah dilakuan diantaranya melakukan perngujian terhadap batuan yang lain, melakukan optimalisasi pada algoritma Multilevel Otsu’s Thresholding dan menambah jenis klasifikasi pada jenis batuan beku.

DAFTAR PUSTAKA [1]

Khoirul Umam dkk, 2014, Segmentasi pada Citra Panoramik Gigi dengan Metode

Two-Stage SOM dan T-Cluster, ULTIMA Computing, pp. Vol. VI, No. 1. [2]

Deng-Yuan Huang, 2011, Automatic Multilevel Threshold Based on Two-Stage Otsu's Method with Cluster Determination by Valley Estimation, ICIC Internatioanal, Volume 7, pp. hal.5631-5644.

[3]

Raju, P.Daniel Ratna, 2012, Image Segmentation by using Histogram Thresholding, IJCSET, Vol 2, Issue 1, hal 776-779.

[4]

Acharya, Tinku, 2005, Image Processing: Principles and Applications / Tinku Acharya, Ajoy K. Ray, John Wiley & Sons, Inc., Hoboken, New Jersey, Canada.

[5]

Kumar, Xindong Wu and Vipin, 2009, The Top Ten Algoritms in Data Mining, CRC Press, London.

[6]

Shofwatul, ‘Uyun, Hartati Sri, Harjoko Agus, and Choridah Lina, 2015, A Comparative Study of Thresholding Algorithms on Breast Area and Fibroglandular Tissue, International Journal of Advanced Computer Science and Applications, hal 120-124.


57

BCOR Analysis Affect The Adoption of Knowledge Management System (KMS) Faradillah Universitas Indo Global Mandiri/Enterprise-Information System; Jendral Sudirman Street No. 629 Departemen of Information System, FASILKOM UIGM, Palembang e-mail: [email protected] Abstrak Knowledge Management as an approach in Information System development is used to develop a Knowledge Management System as supporting technologies. Knowledge Management Systems can be defined by aligniment the Knowledge Management Process in organization. Knowledge Management System (KMS) at the present time has become an important requirement for the company. Knowledge Management System (KMS) assist companies to store the knowledge possessed by its employees to deal with employee turnover, provide a competitive advantage, and improve the effectiveness of the company's operations. However, when doing KMS implementation required a readiness and preparation for implementing of a new system does not become a futility. This research intends to identify factors of KMS adopting in private universities as part of a preparation before the implementation of KMS in it. In this study, the author takes a case study at the University XYZ in Palembang as a research media by using Benefit Cost Oppotuniy and Risk (BCOR) Analysis as a research method. at this stage of data processing, the Author uses Expert Choice Application as an aid in data processing using AHP stages in order to find the priority factor in adopting KMS in private university. The results showed that the priority factor that affects in adopting KMS at University XYZ in Palembang is the Optimization factor of opportunity criteria. Keywords: Knowledge Management System, AHP, BCOR Analysis

1. INTRODUCTION Along the times of knowledge is the main thing that must be developed. Knowledge is the result of information processing and data owned or acquired by one or more. Knowledge has become the main source of the country's military strength and economic power [1]. This shows the importance of managing knowledge within an organization or company. In the enterprise, knowledge is one of the assets owned by the company. Knowledge as an asset in a company's knowledge can be either visible or not visible as well as intellectual property such as artifacts (products, patents), service (service methods, procedures), knowledge bases, storage area (repositories), engineering development of Knowledge Management Systems (Knowledge Management System) or so-called KMS (hereinafter referred to as KMS), and knowledge (ideas) and the capabilities of employees in the company [1]. Knowledge Management System as one of Information System development issue, people approach delivering Knowledge Management as one of focus in Information System development. Most of successful Knowledge Management implementation depend on human participation. Many researchers discussed about Knowledge Management System as a tool for supporting Knowledge Management implementation in organization. Generaly Knowledge Management System can be divided into four types as knowledge discovery system,


58

ISSN: 2407-4322

requirement. knowledge capture system, knowledge sharing system and knowledge application system [1]. The objective of KMS is to support creation, transfer, and application of knowledge in organizations. Knowledge and Knowledge Management are complex and multi-faceted concepts. Thus, effective development and implementation of KMS requires a foundation in several rich literatures. To be credible, KMS research and development should preserve and build upon the significant literature that exists in different but related fields [2]. In the enterprise, knowledge is one of the assets owned by the company. Knowledge as an asset in a company's knowledge can be either visible or not visible as well as intellectual property such as artifacts (products, patents), service (service methods, procedures), knowledge bases, storage area (repositories), engineering development of Knowledge Management Systems (Knowledge Management System) or so-called KMS (hereinafter referred to as KMS), and knowledge (ideas) and the capabilities of employees in the company [1]. Many organizations adopting KMS as one of the company's strategy. This is due to several advantages KMS itself, such as reducing the cost of technology, increasing data storage capacity, maximize the automation of the process of Information Technology (IT), data access can be done anywhere at any time, and relieve the burden on the IT department [3]. Private colleges as a company engaged in educational services would require a Knowledge Management System as one of the Management Strategies to compete the competitor. Private colleges are the second alternative priority prospective students in choosing a college other than public universities. Actualy it is a sizeable business opportunity for businesses in education considering the number of prospective students compared to the number of quotas that will be accepted by the public universities through the selection. Successful implementation of a new system that relies heavily on thorough preparation and readiness [3]. In determining the readiness of KMS implementation, certainly need the analysis of its the main factors that affect all adopt KMS. The fact that the adoption of the latest technology or IT solution has always been an important topic for technology or IT solution is viewed from a business standpoint rather than just as a tool but as a spur to improvement of organizational competitiveness [4]. Research question in this paper is What are the factors that affect all adopt a Knowledge Management System (KMS) in private universities in Palembang as the form of college readiness in adopting KMS. This Research Purposes to Determine the factors that affect all adopt KMS at private universities in Palembang as part of organizational readiness prior to implementation is done. Case studying in University XYZ in Palembang which is respondents are represent all of managerial and staff level in it. The author only limit on internal factors as managerial perspective. Knowledge Management System According to Bercerra, Knowledge Management System is a variety of Knowledge Management Mechanism and Technology that defined from Knowledge Management Process in organization [1]. Knowledge Management System also can be explained as a tool to support Knowledge Management Process in various type of technology implementation such as repository, database expert, discussion list [5]. Bera and Rysiew explain that Knowledge Management System is a technology that delivering knowledge management process in organization in a specific type of information system that use for manages organizational knowledge [6]. Knowledge Management System can be derived as information system that implemented to manage organizational knowledge [7]. Knowledge Management Process Many researchers discuss about knowledge management process in different perspective and type. Nonaka and Taekuchi claim that knowledge management process was a spiral model as a continuous activities of knowledge flows include socialization, externalization, combination and internalization around individual, community and organization IJCCS Vol. x, No. x, July201x : first_page–end_page


59

[8][9][10][11][12]. Other researcher explains that Knowledge Management Process in organization focus on creation and transfer knowledge within organization, process transformation of knowledge and capabilities that exist in organization [10]. Alavi describes Knowledge Management Process Model as a process of know how in order to increase product and customer satisfaction, alavi knowledge management process are acquisition, library knowledge activity (indexing, filtering, linking), distribution and application [11][12]. Embrapa Knowledge Management Models discuss about knowledge management process trough creation and generation knowledge, codification knowledge, sharing and protection knowledge, use knowledge [13]. Knowledge management process also can be defined as an activity for supporting knowledge management in organization in order to reach organizational objective such as discovering, capturing, sharing and applying knowledge [1]. Bercerra explain knowledge management process such as [1]: 1. Knowledge discovery, describe as creating new knowledge either tacit nor explicit from data and information, this process also can be synthesizing prior knowledge into new knowledge. Knowledge discovery divided into two types, combination knowledge into another form and socialization. 2. Knowledge capture, explains as process to catch tacit or explicit knowledge from knowledge resources around organization. Two activities in knowledge capture are internalization as a converting process of tacit knowledge into explicit knowledge while internalization is converting process explicit knowledge to tacit knowledge trough learning. 3. Knowledge sharing, defines as process to communicate and transfer tacit or explicit knowledge to the other individual. Activities of knowledge sharing can be defined as socialization process and exchange. 4. Knowledge application, known as used or applied knowledge trough direction to another individual and routines for facilitate knowledge embedded in procedure and regulation in organization. Knowledge Management Mechanism and Technology Knowledge management mechanism define as organizational or structural means that used to promote or facilitate knowledge management process such as learning by doing, lesson learn, face to face meeting, discussion, on the job training, best practice, policy and other. Knowledge management technology is various of technologies that support and facilitate knowledge management process in organization such as teleconference, database, electronic discussion, expert system and other [1]. Both of knowledge management mechanism and technology has a collaborative work during identified the suitable knowledge management system for each organization. BCOR Analyses The Internal Factors Affected The Adoption of KMS In the decision-making process to adopt a technology in general to identify the positive and negative value of the technology. Positive values and the negative opposite from each other, as opposed to a cost benefit, opportunity as opposed to risk, so that a positive value of technology is not just at this time the advantage, but on occasion in the future. So is the case with the negative value of the technology is not just the costs, but also the risks that must be faced by the organization [14]. BOCR is a means of Multi-Criteria Decision-Making (MCDM) based mathematics used in the inter-related issues and is influenced by a lot of attributes (multicriteria) [14]. To obtain a picture of the internal condition of the organization, then the method of interview about BCOR KMS implementation in the perspective of the organization is done by the chairman of the foundation, the foundation and the owner of the rector as expert judgment.Analysis of the current state of company results obtained through questionnaires distributed to a sample of employees and conducting several interviews with Staff Ahli University XYZ, head of Biro Pelayanan Teknis (BPT) and head of Biro Administrasi dan Title of manuscript is short and clear, implies research results (First Author)

60

ISSN: 2407-4322

Akademik (BAA). Making the questionnaire using the concept of acceptance of technology by employees. It aims to determine the needs of the organization in the implementation of KMS. Analytic Hierarchy Process (AHP) Analytic Hierarchy Process (AHP) is a theory developed by Thomas L. Saaty in 1980. Theory of AHP in the form of a method that is used to make decisions or solve complex and unstructured. AHP helps decision makers to find the best suitable solution to the problems faced. AHP provides a comprehensive framework and rationale for structuring the problem, represent and measure the elements, connecting these elements with the goal or solution is needed, and to evaluate alternative solutions in the form of priorities. According to Saaty (2008), the steps that need to be done to make a decision in a structured manner to produce the priorities of the decision are as follows: 1. Defining the problem and determine the type of knowledge needed for the decision making. 2. Structuring the decision of the upper hierarchy based on the goals and objectives of decision making from a broader view to the bottom of which generally are alternatives. 3. Forming a matrix that contains a collection of pairwise comparisons. Each element is located at the top are used to compare the elements beneath it. 4. Uses priorities obtained from the comparisons to give priority to the elements beneath it. This is done for all the other elements until all elements already have a priority value. The author conducted a literature review through several journals related searches according by similar topics. Several previous studies that the author use as research material in this journal are summarized in Table 1 Table 1. Previous Study No

Author Jia, Zhiyang et.all [14]

Title A Framework of KnowledgeManagement System for Tourism Crisis Management.” Object: Government

Finding Framework KMS developed from knowledge-based crisis management (combining KM and artificial intelligent with technology) by identifying type of knowledge resource, activity KM, and efficiency KM.

Woodman, Mark and Aboubakr Zade [15]

Five Grounded Principles for Developing Knowledge Management Systems

Edwards, et. al. [16]

Knowledge management system: finding a way with technology

YC Lee, H Tang, V Sugumaran [17]

A Deployment Model for Cloud Computing using the Analytic Hierarchy Process and BCOR Analysis

Methodology for developing KMS are sense making the problematic situation, envisioning an improved situation, designing KMS, exploring IT options for KMS and managing the evolutionary potential of the KMS Approach considering technology to assist KM by finding the way to make the best use technologies the organization must resolve: between the quantity and quality of information/knowledge, between centralized and decentralized organization, between head office and organizational knowledge and push and pull process. By using the analytic hierarchy process (AHP) and benefit-cost-opportunity-risk (BCOR) analysis to select the best cloud computing deployment model with a holistic view based on the benefit, cost, opportunity, and risk factors.

1

2

3

4

Some of the above studies, the author gets an overview of the concept of AHP, BCOR analysis and KMS.



61

2. RESEARCH METHODOLOGY This research would present priority of factors in adobting knowledge management system for private colleges as a support of preparing knowledge management system implementation case study.The method used in this study to collect the required data is done in two ways, ie method of collecting data through interviews and through questionnaires to determine the resistance of employees against KMS implementation.

Figure 1. Stages of Research

The first method is the interview, which was conducted to obtain information on the internal state of the organization and assigning weights to each criterion that has been defined through analysis of BCOR and AHP method. This interview was also conducted to determine the purpose of the implementation of KMS and to see the readiness of management to implement KMS in University XYZ in Palembang. In this study, conducted the interviews, semi-structured. Researchers first prepare the questions, but when the interview was conducted, the author can provide the additional questions that have not been previously prepared. The interview process is conducted face to face, which the authors interviewed the owner of the foundation, the foundation's president and university rector as the person responsible in the implementation process and the use of KMS later.The second method is to spread out a questionnaire to determine the current level of University XYZ requirement in adopting KMS. In this study, the sampling technique used is probability sampling because the writer knows the number of the population so that each element has an equal opportunity to be sampled. This study also uses simple random sampling approach because each member of the population has an equal chance to be sampled.This study uses two ways to collect data, interviews and questionnaires. Instruments used in the data collection form interview questions are open-ended (open question). The questions were based on the results of a literature study authors to CSF (Critical Success Factor) of KMS implementation. Questions compiled by the author related to the criteria generated by the analysis BOCR then developed with some views of the CSF KMS implementation.The second instrument used was the questionnaire distributed to each division in UIGM. Then, the scale of measurement used in this study is a nominal scale of measurement to determine the division and the position of the respondent in UIGM and ordinal scale to measure respondents' answers to questions or statements in the questionnaire. Questions on the questionnaire are questions related to the readiness and employee resistance to the implementation of KMS. The questionnaire consisted of 25 statements to be answered by the respondents give one mark on the box that corresponds to the respondent answers on a Likert scale. Likert scale questionnaire consists of 4 categories, namely 1 = disagree, 2 = somewhat agree, 3 = agree, and 4 = strongly agree.

3. RESULT AND ANALYSIS In this study the author used simple random sampling which does not consider strata and random sampling as a sampling technique. The author used a nominal scale of measurement to determine the division and the position of the respondent in University XYZ and ordinal scale


62

ISSN: 2407-4322

to measure respondents' answers to questions or statements in the questionnaire. The questionnaire were made based on the following references. To determine the number of samples, the authors use the following formula Slovin 3.1 n=

n: number of samples N: numbers of population e: error tolerance value By using the above formula where the number of populations are all employees, 276 employees and by using an error tolerance of 10% (0,1), then the number of samples used in this study are 100 respondents. The summary describes on Table 2. Table 2. Summary of Result Code

Reference

Questionnaire 1

Knowledge of KMS

Result (percentage) 47

Questionnaire 2

IT capability of employee

85

Questionnaire 3

Social factor

73

Questionnaire 4

Attitudes toward use of KMS

52

Questionnaire 5

Conditions that Facilitate

69

From Tabel 2 above, it can be seen that the knowledge of the KMS has not been good enough for UniversityXYZ employees, but employees fairly good IT skills so necessary socialization KMS to employees before adopting. Social factors also quite influential in adopting KMS in University XYZ it is visible from a fairly high percentage is 73%. 3.1. Analysis BCOR For each criteria Benefit-Opportunity-Cost-Risk, the authors conducted a study of literature to search for factors that could represent these criteria. After finding many factors that could represent BOCR criteria, grouping the authors of these factors with reference to research using AHP method [15]. The author provides a summary of the benefit criteria, cost, opportunity, and risk in Table 3. Table 3. BCOR Factors and Indicators Factors 1. Benefit

Indicators Economics, benefits associated with the efficiencies gained from the economic side Managerial, The benefits due to the ease or freedom organization in a managerial perspective, by adopting a company can make excess KMS as management strategy Satisfaction, the benefits focus on the satisfaction that comes from the organization's needs are met Effort, the benefits in terms of


References 1. Alavi, Maryam, and Dorothy E. Leidner. "Knowledge management systems: issues, challenges, and benefits." Communications of the AIS 1.2es (1999): 1.[21] 2. Hung, Yu-Chung, Shi-Ming Huang, and Quo-Pin Lin. "Critical factors in


63

personal or individual with increasing skill and knowledge Time, the benefits due to the time required to perform operations shorter than normal after the implementation of KMS

3.

2.

Opportunity

Expansion, opportunities because of KMS can be facilitate the transfer of resources easily and as needed [18] Innovation, By adopting KMS, company can optimize the capability then make some innovation in the future Optimisation of Human Resource capability

3.

Cost

Infrastructure, the cost of the IT infrastructure to facilitate Deployment/Implementation, The cost to do the planting process and implementation of KMS Service, Unexpected service fee when the adoption and use of technology when implementing KMS Human Resources, Investment costs in terms of human resources, ex: training, socialitation

1.

2.

adopting a knowledge management system for the pharmaceutical industry." Industrial Management & Data Systems 105.2 (2005): 164183.[19] Shin, Minsoo. "A framework for evaluating economics of knowledge management systems." Information & Management 42.1 (2004): 179196.[20] Shang, Shari, and Peter B. Seddon. "Assessing and managing the benefits of enterprise systems: the business manager's perspective." Information Systems Journal 12.4 (2002): 271299.[18] Anderson, Shannon W. "A framework for assessing cost management system changes: the case of activity based costing implementation at General Motors." Journal of Management Accounting Research 7.1 (1995): 1-51.[22] Implementation cost, integration cost, configure/custom cost (ISACA, July 2012; Martens, Walterbusch, & Teuteberg, 2012);


64

ISSN: 2407-4322 3.

4.

Risk

Data access and integrity, Risks arising from the access and integrity of data Lack-of-Control, Risks that arise because the difficulty to control the system and the data Security, Emerging risks related to data security

Migration cost (Martens, Walterbusch, & Teuteberg, 2012);

Data integrity and segregation, data access and back up, Identity management and signin process (Gens, 2009)

BCOR analysis of the results obtained some internal management factor criteria in terms of benefits, costs, opportunity and risk are then referenced conduct interviews to determine the weight of each factor. 3.2. Prioritization of Internal and External Factors in Persepective Management That Affect All Adopt KMS with AHP After knowing the appropriate criteria, then be weighted against the criteria and weighting of alternatives or strategies to use comparison tables Saaty scale. Weighting of criteria is generated through focus group discussions on Managerial levels as responsible for the implementation of KMS later. The following matrix weighting for each criterion. To compare all adopt factor with benefit criteria, first be weighted against factors that exist for the benefit criteria. Here is a comparison matrix. 1. Benefit, resulting that the factors that affect all adopt KMS in University XYZ with the highest priority is the satisfaction of B2 which can be interpreted that the presence of all adopt in University XYZ KMS will increase satisfaction with the service due to the need for knowledge management are increasingly being met followed by economic factors, effort, and managerial factors. Computation has a value of 0.32 level of inconsistency. Priorities with respect to: Benefit of KMS

economic satisfaction managerial effort Inconsistency = 0.32 with 0 missing judgmen ts.

.295 .582 .046 .078

Figure 2. Expert Choice Result

2. Cost, For risk criteria can be seen that the infrastructure factors affect the presence of all adopt KMS, with the level of inconsistency 0.27. followed by impelementation, service and human resources.



65


3. Opportunity, using expert choice applications that factors criteria optimization opportunity is a priority factor, followed by expansion and innovation. This can be seen from the following figure.

Figure 4. Expert Choice Result 4.

Risk, From the above comparison matrix it was found that the priority factor for criteria Risk is the risk of data access and integrity. Here are the results of calculations performed by the Expert Choice.


4. CONCLUSION From result of data processing and analysis can be concluded that:

1. The primary factor of benefit criteria is satisfaction at 0.582, it means by adobting KMS UIGM can be improve the satisfaction of service because requirements of knowledge can be managed and processed well so that the service can be delivered either. 2. The primary factor of cost criteria is infrastructure, it means by adobting KMS University XYZ would be spend a lot of cost for develop the “new” infrastructure. And it would be the main of preparation before abodting KMS. 3. The primary factor of opportunity criteria is optimisation, it means by adobting KMS University XYZ has a big opportunity to optimasation, both in terms of infrastructure and human resource. And it would be some advantages for University XYZ in bussines perspective. 4. The primary factor of risk criteria is data access and integrity, it means by adobting KMS University XYZ has a data access and integrity risk because in general the first company adopting a technology or a new system will use the vendor services. it makes the risk on data access and integrity when the vendor couldn’t be commit. Title of manuscript is short and clear, implies research results (First Author)

66

ISSN: 2407-4322

From some of the conclusions above, University XYZ can make some of the factors that have been analyzed as a reference in adopting KMS in the future. but before KMS actually implemented University XYZ should hold KMS socialisation more for the employee because of the result of questionnaire show that the knowledge of the KMS is still very low at 47%. but in terms of IT skills and infrastructure already exist University XYZ can be considered ready for adopting KMS.

5. SUGGESTIONS In this study, the author uses only one college. Next research can be done in two or more colleges, or to compare private and public universities and research may also limit the internal and external factors affecting the adoption of KMS in college. From the research, author hopes that we can find out the steps the use of AHP in decision making and seek priority. determine the benefits, costs, opportunities and risks to all adopt KMS on private university campuses before applying. The results of this study will be useful for managers who have the intention to adopt KMS for their organization.

REFERENCES [1]

Fernandez, Irma Becerra and Rajiv Sabherwal 2010, Knowledge Management Systems and Processes, M.E Sharpe, New York.

[2]

Alavi, Maryam, and Dorothy E. Leidner 2001, Review: Knowledge Management and Knowledge Management Systems: Conceptual Foundations and Research Issues, MIS Quarterly.p.107-136.

[3]

Arakelian, Alma, Mohammad Mahmoudi Maymand, and Mirza Hasan Hosseini 2013, Study of The Relationship Between Emotional Intelligence (EI) and Knowledge Sharing (KS), European Journal of Business and Management 5.32: 203-216.

[4]

Espadanal, Mariana, and Tiago Oliveira 2012, Cloud Computing Adoption by Firms.

[5]

Hahn, Jungpil and Mani R. Subramani 2000, A Framework of Knowledge Management Systems: Issues and Challenges for Theory and Practice, 21st International Conference on Information Systemns, Brisbane, Australia.

[6]

Bera, Palash and Patrick Rysiew. April-May 2004, Analyzing Knowledge Management System: A Veritistic Approach, Proceeding of the First International Workshop on Philoshopy and Informatics, Cologne.

[7]

Alavi, Maryam and Dorothy Leidner 2000, Review: Knowledge Management and Knowledge Management System: Conceptual Foundations and Research Issues, MISQ Quartely, Vol. 25. No.1, p.107-136.

[8]

Dalkir, Kimiz 2005, Knowledge Management in Theory and Practice, Elsevier Butterworth–Heinemann, Oxford, UK.

[9]

Cristea, Dragos Sebastian and Alexandru Capatina 2009, Perspectives on Knowledge Management Models, The Annals of “Dunarea de Jos” ,University of Galati, p.355-366.



67

[10] Haslinda A and Sarinah A 2009, A Review for Knowledge Management Models, The Journal of International Social Research, Volume 2/9, Fall.p.187-198. [11] Chittoo, et.al 2010, Knowledge Management: Promises and Premises, Global Journal of Management and Business Research, Vol.10 Issue 1 (ver 1.0), January.p.123-131. [12] Curado, Carla and Nick Bontis 2010, Parallels in Knowledge Cycle, Eselvier, Computer in Human Behavior, p. 1-7. [13] Zach, Michael H 2002, A Strategic Pretext for Knowledge Management, Proceedings of The Third European Conference on Organizational Knowledge, Learning and Capabilities, Athens, Greece, April 5. 2002, p.1-12. [14] Lee, Young-Chan, Hanh Tang, and Vijayan Sugumaran 2012, A Deployment Model for Cloud Computing using The Analytic Hierarchy Process and BCOR Analysis. [15] Drummond, et.al. 2011, Building a Knowledge Management Model at Brazil’s Embrapa (Brazilian Agricultural Research Corporation) Towards a Knowledge-Based View of Organization, Electronic Journal of Knowledge Management, Volume 9, Issue 2.p. 8597. [16] Matyusz, Zsolt 2012, The Effect of Contingency Factors on The Use of Manufacturing Practices and Operations Performances, Ph.D. Thesis, Corvinus University of Budapest. [17] Tongco, Ma Dolores C 2007, Purposive Sampling as a Tool for Informant Selection, A Journal of Plants, People and Applied Research, Ethnobotany Research & Application, p.147-158. [18] Shang, Shari, and Peter B. Seddon 2002, Assessing and Managing The Benefits of Enterprise Systems: The Business Manager's Perspective, Information Systems Journal Volume 12, Issue 4.p. 271-299. [19] Hung, Yu-Chung, Shi-Ming Huang, and Quo-Pin Lin 2005, Critical Factors in Adopting A Knowledge Management System for The Pharmaceutical Industry, Industrial Management & Data SystemsVolume 2, Issue 105.p.64-183. [20] Shin, Minsoo.A 2004, Framework for Evaluating Economics of Knowledge Management Systems, Information & Management Volume 42, Issue.p.179-196. [21] Alavi, Maryam, and Dorothy E. Leidner 1999, Knowledge Management Systems: Issues, Challenges, and Benefits, Communications of The AIS 1.2es: 1. [22] Anderson, Shannon W. 1995, A Framework for Assessing Cost Management System Changes: The Case of Activity Based Costing Implementation At General Motors, Journal of Management Accounting Research 7.1: 1-51.


68

ISSN: 2407-4322

Analisis Kinerja BSI Ditinjau Dari Kepuasan Dan Peningkatan Pengguna Internal Berbasis Fast Studi Kasus: STMIK Atma Luhur Pangkalpinang Bambang Adiwinoto Program Studi Sistem Informasi STMIK Atma Luhur Email: [email protected] Abstract Information Systems Division (BSI) as provider and IT manager must be able to perform its function. Quality IT products and services can be measured and perceived by internal users. This research contains two kinds of research, that is research that will test the relation between internal satisfaction with eight independent variable of product quality and IT service and relationship between internal customer performance improvement to eight independent variable of product quality and service of SI / TI. The eight independent variables of product quality and IT services are availability, user friendliness, productivity, durability, timeless of support responsiveness, reliability and integration. The model used in this research is FAST (Framework for the Application of System Thingking). The expected result indicates that there is a positive significant influence between internal customer satisfaction with eight variable of product quality and IT service (reject H0 on hypothesis 1) and there is a positive significant influence between product quality and IT service to internal customer performance improvement (reject H0 on Hypothesis 2). Mann-Whitney analysis results received H0 on hypothesis 3, in other words there is no significant difference in performance aspect between internal customers and Information System Division on the performance of Information System Section on all aspects measured. Keywords: STMIK Atma Luhur, FAST, Mann-Whitney Abstrak Bagian Sistem Informasi (BSI) sebagai penyedia dan pengelola IT harus mampu melakukan fungsinya. Produk dan layanan IT yang berkualitas dapat diukur dan dirasakan oleh pengguna internal. Penelitian ini berisi dua macam penelitian, yaitu penelitian yang akan menguji hubungan antara kepuasan internal dengan delapan variabel independent kualitas produk dan layanan IT dan hubungan antara peningkatan kinerja pelanggan internal terhadap delapan variabel independent kualitas produk dan layanan SI/TI. Kedelapan variabel independent kualitas produk dan layanan IT tersebut adalah availability, user friendliness, productivity, durability, responsiveness timeless of support, reliability dan integration. Model yang digunakan dalam penelitian ini menggunakan model FAST (Framework for the Application of System Thingking). Hasil yang diharapkan menunjukan bahwa ada pengaruh signifikan yang positif antara kepuasan pelanggan internal dengan delapan variabel kualitas produk dan layanan IT (menolak H0 pada hipotesis 1) serta terdapat pengaruh signifikan yang positif antara kualitas produk dan layanan IT terhadap peningkatan kinerja pelanggan internal (menolak H0 pada hipotesis 2). Hasil analisis Mann-Whitney menerima H0 pada hipotesis 3 dengan hasil tidak terdapat perbedaan penilaian aspek kinerja yang signifikan antara pelanggan internal dan Bagian Sistem Informasi terhadap kinerja Bagian Sistem Informasi terhadap semua aspek yang diukur. Kata kunci: STMIK Atma Luhur, FAST, Mann-Whitney


69 1. PENDAHULUAN

Perguruan Tinggi sebagai organisasi yang mempunyai kegiatan utama menghasilkan Jasa Layanan Pendidikan yang baik untuk menghasilkan alumni yang berkualitas. Dengan dukungan Sistem Informasi dan Teknologi Informasi yang baik disamping sumber daya manusia yang berkualitas diharapkan Perguruan Tinggi akan mampu bersaing. Sistem Informasi dan Teknologi Informasi diharapkan dapat memberikan dukungan dalam penyediaan data dan informasi yang lengkap ke semua bagian organisasi terkait serta pihak yang berkepentingan. Juga dapat digunakan untuk monitoring operasional, analisis kondisi Perguruan Tinggi baik sekarang dan proyeksi masa mendatang serta menunjang kebutuhan pimpinan untuk pengambilan keputusan. Evaluasi kinerja Sistem Informasi dan Teknologi Informasi yang digunakan merupakan salah satu cara untuk melihat apakah kondisi produk dan layanan Sistem Informasi dan Teknologi Informasi yang digunakan saat ini sudah mampu memberikan kontribusi yang berarti sesuai dengan yang diharapkan, dan bagaimana perbaikannya [1]. Penelitian ini dilakukan di STMIK Atma Luhur Pangkalpinang, dimana Perguruan Tinggi ini juga menyelenggarakan Pendidikan pada bidang ilmu Teknologi Informasi dan Sistem Informasi yang sudah seharusnya pemanfaatan Teknologi Informasi dan Sistem Informasi yang berkualitas merupakan suatu keharusan. Bagian Sistem Informasi (BSI) STMIK Atma Luhur merupakan bagian yang menghasilkan dan mengelola produk dan layanan SI/TI mempunyai peran penting untuk menjalankan fungsi tersebut.

2. METODOLOGI PENELITIAN Dalam penelitian ini, peneliti dalam membandingkan variabel perbandingan mengunakan model FAST (Framework for the Application of System Thingking) yang terdiri dari berapa fase yaitu [9]. a. Scope Definition Pada tahap ini lingkup yang diambil adalah pengguna di lingkungan STMIK Atma Luhur. b. Problem Analysis Permasalahan yang ada berupa bagian sistem informasi (BSI) belum dapat mengukur kinerja berdasarkan pengguna internal. c. Requirements Analysis Tahap ini menentukan bahwa perlu perhitungan dari 8 kriteria yang digunakan yaitu Kedelapan variabel independent kualitas produk dan layanan IT tersebut adalah availability, user friendliness, productivity, durability, responsiveness timeless of support, reliability dan integration. d. Logical Desain Tahap ini analisis dan merancang konsep alur kompirasi mann-whitney e. Physical Design Tahap ini desain berupa konsep fisik dan integrasi dimana memperlihatkan sistem keputusan berdasarkan konsep mann-whitney f. Testing Dalam pengujian menggunakan 8 variabel yaitu Availability (X1), User Friendliness (X2) Productivity (X3), Durability (X4), Responsiveness (X5), Timeless Of Support (X6), Reliability (X7), Integration (X8) Penilaian Performance atau kinerja sebagai berikut “Performance is defined as the record ofoutcomes produced on a specified job function or activity during time period”. Prestasi atau kinerja adalah catatan tentang hasil-hasil yang diperoleh dari fungsi-fungsi pekerjaan tertentu atau kegiatan selama kurun waktu tertentu. Kinerja pada dasarnya adalah apa yang dilakukan dan tidak

70

ISSN: 2407-4322

dilakukan karyawan. Kinerja karyawan dari bagian adalah yang mempengaruhi seberapa banyak mereka memberikan kontribusi kepada organisasi yang antara lain termasuk [6]: a. Kuantitas keluaran. b. Kualitas keluaran. c. Jangka waktu keluaran. d. Kehadiran di tempat kerja. e. Sikap kooperatif. 2.1 Pengembangan Dimensi Kualitas Atribut produk yang memuaskan pelanggan adalah atribut kualitas dari produk itu sendiri. Pengidentifikasian atribut-atribut kualitas produk yang menghasilkan kepuasan pelanggan itu dapat dilakukan melalui pendekatan pengembangan dimensi kualitas dan pendekatan insiden kritis [8]. 2.2 Dimensi Kualitas Jasa Contoh dimensi kualitas jasa yang dikemukakan pada jurnal ilmiah adalah dimensi kualitas jasa oleh Parasuraman, Zeithami, Berry ([ARITONANG R 2005], 25-32) mengidentifikasi lima dimensi pokok yang berkaitan dengan kualitas jasa [2]: a. Bukti langsung (tangibles), yang meliputi fasilitas fisik, perlengkapan, pegawai dan sarana komunikasi. b. Keandalan (reliability), yakni kemampuan memberikan pelayanan yang dijanjikan dengan segera, akurat, dan memuaskan. c. Daya tanggap (responsiveness), yaitu keinginan para staf untuk membantu para pelanggan dan memberikan pelayanan dengan tanggap. d. Jaminan (assurance), mencakup pengetahuan, kemampuan, kesopanan, dan sifat dapat dipercaya yang dimiliki para staf, bebas dari bahaya, resiko, atau keragu-raguan. 2.3 Dimensi Kualitas Barang Garvin ([ARITONANG R 2005], 32-37), mengemukakan beberapa dimensi berikut ini mengenai kualitas suatu barang yaitu: a. Performance, yaitu kepuasan atas karakteristik utama beroperasinya produk. b. Features, yaitu karateristik sekunder yang melengkapi fungsi dasar produk. c. Reliability, yaitu kemungkinan produk gagal atau tidak berfungsi selama satu periode tertentu. d. Confirmance, yaitu seberapa dekat kesesuaian antara desain dan operasi produk sebagaimana spesifikasi yang ditetapkan sebelumnya. e. Durability, yaitu jumlah manfaat yang diperoleh dari produk sebelum produk itu secara fisik memburuk atau menjadi tidak terpakai. f. Serviceability, yaitu kecepatan, keramahan, kemudahan direparasi. g. Aesthetic, yaitu unsur penilaian subjektif pribadi mengenai bagaimana suatu produk terlihat. h. Reputation, yaitu citra dan reputasi umum perusahaan. Penggolongan faktor-faktor atau kriteria yang mempengaruhi kualitas software. Pada dasarnya McCall menitik beratkan faktor-faktor tersebut menjadi tiga aspek penting, yaitu yang berhubungan dengan [8]: a. Sifat-sifat operasional dan software (Product Operations); b. Kemampuan software dalam menjalani perubahan (Product Revision); c. Daya adaptasi atau penyesuaian software terhadap lingkungan banu (Product Transition). Faktor-faktor McCall yang berkaitan dengan sifat-sifat operasional software adalah: a. Correctness - sejauh mana suatu software memenuhi spesifikasi dan mission objective dan user; b. Reliability- sejauh mana suatu software dapat diharapkan melaksanakan fungsinya dengan


71

ketelitian yang di perlukan: c. Efficiency- banyaknya sumber daya komputasi dan kode program yang dibutuhkan suatu software untuk melakukan fungsinya: 2.4 Variabel Dependen (Y) Untuk Uji Korelasi Variabel dependent (Y) adalahvariabel yang menerima akibat karena adanya variabel independent. Variabel dependent dalam penelitian ini adalah : Kepuasan Pelanggan Internal (Y1) dan Peningkatan Kinerja Pelanggan Internal (Y2) yang diukur berdasarkan sub variabel kualitas Produk dan layanan SI/TI seperti yang tersebut diatas [4]. Aspek-aspek Kinerja untuk Uji Komparasi Adapun aspek-aspek dankinerja yang analisis untuk pengujian komparasi adalah: a. Tanggapan Terhadap Masalah b. Pemeliharaan H/W, S/W dan Jaringan c. Pengembangan Sistem Informasi d. Pemeliharaan Program & SI e. Password dan Kontrol Online lainnya f. Virus g. Kemampuan Personil h. Kinerja Menyeluruh 2.5 Kerangka Konsep Konsep pemikiran pada penelitian ini berdasarkan pada teori pengukuran kepuasan pelanggan, pengukuran kinerja, dan kualitas SI/TI. Kerangka Konsep penelitian ini dapat kita lihat pada gambar 1 dibawah ini. K IN E R J A B A G IA N P E R A NA N B A GI A N S IS T E M IN F O R M A S I S I S T E M IN F OR M A S I SA TM MIIK UH UR K AATTMMA AL L UH UR

P E R M A S A LA H A N

1. B ag aim a nak a h K ine r ja B a gia n S is te m In fo r m a s i D it inja u D ari K ep ua san P el ang ga n In t ern al D a n P en ing k at an K in erj a P ela ng gan I n te r na l 2. A pa ka h T er dap at P erb ed aan P e nil aia n A nt ara P er s on il B ag ian S is t em I nf or m as i D a n P el ang ga n In t ern al T er had ap K in er j a B ag ian S ist em I nf or m as i

P E N E LI T I AN I

P E N E L IT I A N I I

P eng uk ur an K e pua s an d an P en ing k at an K in er j a P ela ngg an In te rna l T er h ad ap K ua lit as P ro duk S I /T I Y an g D ih as ilka n B ag ian S is t em I nf or m as i

H ipo t es is1 . :

H ipo t es is2 . :

P e nila ian Ki ner ja B ag ian S i st e m In f orm a s i M enu ru t P ela ng ga n I nt er na l D an P e rs on il B ag ian S ist em I nf or m as i

H ub ung an A n t ara K in er ja B ag ian S is t em I nf o rm as i T er had ap K e pu as an P e lan gg an I nt e rna l H ub ung an A n t ara K in er ja B ag ian S is t em I nf o rm as i T er had ap K i ner ja P ela ng gan In te rn al

P erb ed aa n P eni laia n A nt ar a P e;a ngg an I n te rna l Hip ot es is 3 . : D a n P er so nil B a gia n S is te m In fo rm a si T e r ha da p K ine rja B a gia n S is te m In fo rm a s i K UE S I O N E R K E P A D A P E LA N GG A N I NT E R N A L D A N P E R S ON I L B A GI A N S I S T E M IN F O RM A S I

K U E S I ON E R K E P A D A P E L A N G GA N I N T E RN A L

P E N GU M P U LA N D A T A PR I M E R

A N A LI S IS D A T A

K E S I M P UL A N

Gambar 1. Kerangka Konsep Penelitian

72

ISSN: 2407-4322

Gambar 2. Model/Rancangan Penelitian Untuk Uji Komparasi 2.6 Hipotesis Penelitian ini dulakukan untuk melihat hubungan kinerja Bagian Sistem Informasi terhadap kepuasan Pelanggan Internal dan peningkatan kinerja Pelanggan Internal dan untuk membandingkan penilaian kinerja oleh Personil Bagian Sistem Informasi dan Pelanggan Internal terhadap Kinerja Bagian Sistem Informasi, maka ada tiga hipotesis yang dirumuskan, yaitu: 1. Hipotesis untuk pengujian Korelasi Hipotesis 1 : Diduga Kinerja BSI berkorelasi secara signifikan terhadap kepuasan Pelanggan Internal. H0 : Kinerja BSI tidak berkorelasi positif terhadap kepuasan Pelanggan Internal. H1 : Kinerja BSI berkorelasi positif terhadap kepuasan Pelanggan Internal. Hipotesis 2 : Diduga kinerja BSI Berkorelasi secara signifikan terhadap peningkatan kinerja Pelanggan Internal. H : Kinerja BSI tidak berkorelasi positif terhadap peningkatan kinerja Pelanggan Internal. H : Kinerja BSI berkorelasi positif terhadap peningkatan kinerja Pelanggan Internal. 2. Hipotesis untuk pengujian komparasi Hipotesis 3 : Diduga ada perbedaan penilaian yang signifikan antara Pelanggan Internal dan personil Bagian Sistem Informasi terhadap kinerja BSI H0 : Tidak ada perbedaan penilaian antara Pelanggan Internal dan personel Bagian Sistem Informasi terhadap kinerja BSI. H Ada perbedaan penilaian antara Pelanggan Internal dan personel Bagian : Sistem Informasi terhadap kinerja BSI. 2.7 Instrumentasi Instrumentasi yang akan digunakan untuk mengumpulkan data pada penelitian ini adalah media Kuesioner. Akan tetapi butir-butir pertanyaan yang akan dipakai dalam kuesioner ditentukan dengan sebuah penelitian awal yang bertujuan untuk mendapatkan parameter apa saja yang perlu ditanyakan dari variabel yang akan diteliti, baik kepada Pelanggan Internal


73

maupun kepada personil Bagian Sistem Informasi. Dari hasil penelitian awal yang dilakukan berikut diperoleh 3 kelompok variabel yang akan diteliti seperti berikut ini: 2.8 Variabel Independen (X) Untuk Uji Korelasi Variabel independent adalah variabel yang mempengaruhi variabel-variabel lain didalam model. Variabel independent pada penelitian ini adalah kinerja Bagian Sistem Informasi (X) yang diukur berdasarkan kualitas produk dan layanan IT terdiri dari sub variabel sebagai berikut [3]: a. Availability (X1) b. User Friendliness (X2) c. Productivity (X3) d. Durability (X4) e. Responsiveness (X5) f. Timeless Of Support (X6) g. Reliability (X7) h. Integration (X8) 2.9 Variabel Dependen (Y) Untuk Uji Korelasi Variabel dependent (Y) adalah variabel yang menerima akibat karena adanya variabel independent. Variabel dependent dalam penelitian ini adalah : Kepuasan Pelanggan Internal (Y1) dan Peningkatan Kinerja Pelanggan Internal (Y2) yang diukur berdasarkan sub variabel kualitas Produk dan layanan SI/TI seperti yang tersebut diatas [7]. Aspek-aspek Kinerja Untuk Uji Komparasi Adapun aspek-aspek dankinerja yang analisis untuk pengujian komparasi adalah: a. Tanggapan Terhadap Masalah b. Pemeliharaan H/W, S/W dan Jaringan c. Pengembangan Sistem Informasi d. Pemeliharaan Program & SI e. Password dan control Online lainnya f. Virus g. Kemampuan Personil h. Kinerja Menyeluruh

3. HASIL DAN PEMBAHASAN 3.1 Hasil Analisis Korelasi Spearman Dari hasil analisis koefisien korelasi spearman yang menggunakan siginfikansi dua sisi (Sig.(2-tailed)) , menunjukkan hasil analisis Korelasi Spearman Variabel Independent terhadap variabel Dependent. Nilai koefisien seluruh variabel kualitas produk dan layanan SI/TI yang terdiri dan delapan variabel yaitu: Availability, User Friendliness, productivity, durability, responsiveness, timeless of support,reliability, dan Integration terhadap variabel kepuasan pelanggan dan terhadap peningkatan kinerja Pelanggan Internal adalah <0,05. Tanda bintang dua (**)menunjukan korelasi antara kedua variabel adalah sangat kuat.

74

ISSN: 2407-4322

Tabel 1. Korelasi Spearmnn Variabel Independent Terhadap Variabel Dependent Koefisien Korelasi Koefisien Signifikansi Spearman Independen No Peningkata Peningkata variable Kepuasan Kepuasan n n Kinerja Pelanggan (Y1) Pelanggan (Y1) Kinerja (Y2) (Y2) 1 Availability 0,844** 0,956** 0,000 0,000 2 User Friendliness 0,833** 0,593** 0,000 0,010 3 Productivity 0,769** 0,688** 0,000 0,002 4 Durability 0,862** 0,758** 0,000 0,000 5 Responsiveness 0,861** 0,903** 0,000 0,000 6 Timeless Of 0,841** 0,723** 0,000 0,001 Support 7 Reliability 0,880** 0,741** 0,000 0,000 8 Integration 0,611** 0,668** 0,007 0,002 ** Korelasi adalah signifikan pada level 0,01 * Korelasi adalah signifikan pada level 0,05 3.2 Hasil Analisis Komparasi Mann Whitney Untuk menguji hipotesis dalam penelitian komparasi digunakan uji Mann-Whitney dengan pengambilan keputusan berdasarkan nilai Sig.(2-tailed). Hasil analisisnya telah diringkaskan dalam tabel 2 Koefisien Signifikansi aspek-aspek kinerja [5]. Tabel 2. Koefisien Signifikansi Aspek-aspek Kinerja

MannWhitney U Wilcoxon W Z Asymp. Sig. (2- tailed) Exact Sig. [2* (1- tailed Sig)]

Tanggap.

Hw/Sw Jaringan

Peng. SI

Pemeliharaa n Prog & SI

Password & Kontrol

Virus

Kemampuan Personil

Kin. Total

Total Variabel

110,50

113,50

103,50

112,00

100,50

83,50

114,00

110,50

102,00

215,50

218,50

274,50

217,00

205,50

219,00

215,50

207,00

-0,601

-0,485

-0,886

-0,543

-0,995

188,5 0 -1,566

-0,468

-0,613

-0,915

0,548

0,628

0,374

0,587

0,320

0,098

0,640

0,540

0,360

0,561

0,639

0,398

0,613

0,338

0,107

0,667

0,561

0,377

Not corrected for ties Grouping Variable: Kelompok Sampel Dari tabel 2 terlihat bahwa nilai Asymp.Sig.(2-tailed) untuk semua aspek kinerja adalah lebih besar dari 0,05 sehingga pada Tabel 3 disajikan ringkasan hasil pengujian perbedaan penilaian kinerja dari dua kelompok responden. Dari tabel 3 terlihat bahwa tidak ada perbedaan penilaian antara Pelanggan Internal dan Personil Bagian Sistem Informasi terhadap semua aspek kinerja Bagain Sistem Informasi. Tabel 3. Sumary Perbedaan Penilaian Kinerja Bagian Sistem Informasi Kelompok Mea ignifika Aspek Kinerja yang Dinilai N Sampel n nsi Pelanggan Internal 18 3,52 Tanggapan terhadap masalah 0,548 Personil BSI 14 3,67 Pemeliharaan S/W, H/W dan Pelanggan Internal 18 2,45

Keterangan Tidak Berbeda Tidak

Jatisi, Vol. 4 No. 1 September 2017 jaringan

Personil BSI Pelanggan Internal Pengembangan SI Personil BSI Pelanggan Internal Pemeliharaan Program & SI Personil BSI Password dan control online Pelanggan Internal lainnya Personil BSI Pelanggan Internal Virus Personil BSI Pelanggan Internal Kemampuan Personil Personil BSI Kinerja Div.TI keseluruhan Pelanggan Internal Personil BSI

75 14 18 14 18 14 18 14 18 14 18 14 18 14

3,15 4,07 3,86 3.43 3,54 3.43 3,56 2,00 2,57 3,75 3,96 3,27 3,40

0,628 0,374 0,587 0,320 0,098 0,640 0,540

Berbeda Tidak Berbeda Tidak Berbeda Tidak Berbeda Tidak Berbeda Tidak Berbeda Tidak Berbeda

3.3 Interpretasi Hasil Penlitian Hasil analisis yang telah dipaparkan sebelumnya menunjukan bahwa kinerja Bagian Sistem Informasi, yang ditinjau dari kualitas produk dan layanan SI/TI berkorelasi secara positif terhadap kepuasan Pelanggan Internal dengan nilai signifikansi > 0,00 yang berarti bahwa semakin tinggi kualitas produk dan layanan SI/TI maka semakin tinggi pula kepuasan Pelanggan Internal terhadap produk dan layanan SI/TI yang diberikan oleh Bagian Sistem Informasi, hal ini sesuai dengan teori-teori kepuasan yang menyatakan bahwa semakin tinggi kualitas atau kinerja suatu produk dan layanan menurut pelanggan maka akan semakin puas pelanggan terhadap produk dan layanan tersebut. Pelanggan Internal merasa hahwa pelayanan yang mereka terima dari Bagian Sistem Informasi saat ini adalah cukup baik [10]. Menurut Pelanggan Internal kebutuhan mereka akan SI/TI yang meliputi ketersediaan H/W dan S/W serta dukungan terhadap penggunaanya (yang diwakili oleh delapan variabel Availability, User Friendlines, productivity, durability, responsiveness, timeless of support,reliability, dan Integration telah dipenuhi dengan cukup baik oleh Bagian Sistem Informasi. Namun Pelanggan Internal merasa bahwa aspek responsiveness merupakan aspek yang dianggap paling buruk dibanding aspek-aspek yang lain sehingga bisa dijadikan masukan untuk Bagian Sistem Informasi untuk melakukan perbaikan. Sedangkan aspek user friendlines merupakan aspek yang dinilai paling baik sehingga harus selalu dipertahannkan dan bisa dijadikan contoh untuk aspek-aspek lainnya. Dan ini menjadi masukan bagi Bagian Sistem Informasi agar lebih memperhatikan masalah waktu tanggap / kecepatan memberikan tanggapan atas masalah-masalah yang dihadapi Pelanggan Internal selain harus tetap mempertahankan prestasi aspek lain yang sudah cukup baik. Secara keseluruhan Pelanggan Internal menilai bahwa kualitas produk dan layanan SI/TI yang dihasilkan oleh Bagian Sistem Informasi saat ini cukup baik dengan nilai rata-rata untuk keseluruhan variabel independent (variabel kualitas produk dan layanan SI/TI) adalah sebesar 3,469 dan Pelanggan Internal merasa cukup puas (dengan nilai rata-rata = 3,46) terhadap kinerja Bagian Sistem Informasi saat ini, yang ditinjau dan kualitas produk dan layanan SI/TI [7]. Hasil analisis menunjukan hubungan yang kuat antara seluruh variabel kualitas produk dan layanan SI/TI terhadap kepuasan pelanggan, sehingga dapat disimpulkan bahwa kinerja Bagian Sistem Informasi berkorelasi secara positif terhadap kepuasan Pelanggan Internal (menolak H0 pada hipotesis 1 untuk pengujian korelasi). Seluruh variabel kualitas produk dan layanan SI/TI yang diuji pada penelitian ini mempunyai korelasi yang cukup kuat terhadap peningkatan kinerja Pelanggan Internal. Menurut Mathis dan Jackson ([AND 2003j, 40) salah satu faktor yang mempengaruhi kinerja seseorang adalah kondisi perlengkapan kerja yang baik dalam hal ini adalah ketersediaan H/W dan S/W. Setelah menggunakan produk SI/TI dari Bagian Sistem Informasi, Pelanggan Internal merasa kinerja mereka meningkat cukup baik dengan nilai peningkatan kinerja keseluruhan

76

ISSN: 2407-4322

adalah sebesar 3,611. Hasil penelitian menunjukan hubungan yang positif antara kinerja Bagian Sistem Informasi yang ditinjau dan kualitas produk dan layanan SI/TI terhadap peningkatan kinerja Pelanggan Internal (menolak H0 pada hipotesis 2 untuk pengujian korelasi). Kesimpulan yang bisa diambil dari penelitian korelasi adalah bahwa Bagian Sistem Informasi saat ini sudah menjalankan perannya cukup baik bagi STMIK Atma Luhur, dimana Bagian Sistem Informasi sudah dapat memberikan produk dan layanan SI/TI yang cukup memuaskan dan meningkatkan kinerja Pelanggan Internal dengan nilai rata-rata kepuasan sebesar 3,611 yang artinya cukup baik, dan nilai rata-rata peningkatan kinerja sebesar 3,778 Untuk hasil analisis Mann-Whitney menerima Ho pada hipotesis 3, artinya tidak terdapat perbedaan penilaian aspek kinerja antara Pelanggan Internal dan personel Bagian Sistem Informasi terhadap kinerja Bagian Sistem Informasi. Dari hasil uji komparasi juga bisa simpukan terjadi kesamaan penilaian yang sangat jelas atas beberapa aspek penilaian seperti pada aspek virus yang baik menurut Pelanggan Internal maupun personil Bagian Sistem Informasi mendapatkan penilaian yang sama. Kedua kelompok responden menilai aspek virus merupakan aspek yang pengelolaannya paling buruk dibandingkan aspek-aspek lain. Kedua kelompok responden juga mempunyai penilaian yang sama terhadap aspek yang dinilai sudah dikelola paling baik dari 8 aspek yang diteliti yaitu aspek Kemampuan Personil. Dari dua contoh kesamaan penilaian diatas memberikan tambahan gambaran kesimpulan hipotesa 3, yaitu tidak ada perbedaan penilaian diantara kedua kelompok responden. Namun perlu disadari dengan adanya kesamaan penilaian ini bukan berarti Bagian Sistem Informasi sudah tidak perlu lagi melakukan usaha peningkatan kinerja, tetapi sebaliknya masih harus melakukan usaha-usaha perbaikan kinerja terutama untuk aspek-aspek yang mendapatkan penilaian buruk seperti virus, dan responsiveness pada aspek pengelolaan SI/TI, untuk mengantisipasi kemungkinan yang lebih buruk dimasa mendatang.

4. KESIMPULAN DAN SARAN 4.1 Kesimpulan Dari hasil jabaran diatas, maka dapat disimpulkan beberapa hal yaitu 1. Hasil analisis terhadap delapan variabel independent kualitas produk dan layanan SI/TI yang diuji dalam penelitian ini; Availability, User Friendlines, productivity, durability, responsiveness, timeless of support,reliability, dan Integration menunjukan bahwa ada korelasi yang positif dan sangat kuat antara kinerja Bagian Sistem Informasi terhadap kepuasan menyeluruh Pelanggan Internal. 2. Kedelapan variabel kualitas produk dan layanan IT tersebut juga mempunyai korelasi yang signifikan dengan korelasi yang cukup kuat terhadap peningkatan kinerja Pelanggan Internal. Semakin tinggi kualitas produk dan layanan SI/TI yang diberikan oleh Bagian Sistem Informasi maka akan semakin tinggi pula kinerja Pelanggan Internal. 3. Analisis Mann-Whitney membuktikan tidak ada perbedaan penilaian terhadap kinerja Bagian Sistem Informasi antara personel Bagian Sistem Informasi dan Pelanggan Internal. Para Pelanggan Internal merasa bahwa saat ini Bagian Sistem Informasi melaksanakan kedelapan aspek kinerja cukup baik. Namun untuk virus dan responsiveness, kedua kelompok responden sepakat sebagai aspek yang membutuhkan penanganan yang serius dibandingkan aspek lain yang sudah cukup baik. 4.2 Saran Berdasarkan kajian penelitian, maka terdapat berapa saran yang digunakan untuk kedepannya sistem ini lebih baik yaitu: 1. Walaupun secara umum BSI STMIK Atma Luhur sudah berkinerja cukup baik, upaya perbaikan harus dilakukan terus-menerus tanpa henti untuk menyambut rencana strategis 2020 yang membutuhkan dukungan yang sangat besar dari BSI STMIK Atma Luhur khususnya dan keseluruhan organisasi pada umumnya.


77

2. Bagian Sistem Informasi harus meng-update fitur/software yang ada.

DAFTAR PUSTAKA [1] Aji Supriyanto 2005, Pengantar Teknologi Informasi, Salemba Infotek Jakarta. [2]

Aritonang R, Lerbin R 2005, Kepuasan Pelanggan Pengukuran dan Penganalisian dengan SPSS, PT.Gramedia Pustaka Utama, Jakarta.

[3] Budi Sutedjo Dharma Oetomo, Esther Wibowo, Eddy Hartono, Samuel Prakoso 2006, Konsep & Aplikasi Pemrograman Client Server dan Sistem Terdistribusi”, Andi Yogyakarta, Jakarta. [4] Juwita 2006, Kontribusi Divisi TI Bagi Organisasi Ditinjau Dari Kepuasan Dan Persepsi Peningkatan Kinerja Pelanggan Internal Studi Kasus: Universitas Budi Luhur, Jakarta. [5]

Kuswadi, Erna Mutiara 2004, Statistik Berbasis Komputer untuk Orang – Orang Nonstatistik, Elek Media Komputindo Jakarta.

[6]

Luftman, Jerry, Christine V. Bullen, Donald Liao, Elby Nash, Carl Neumann 2002, Managing The Information Technology Resource, Pearson Education International [7] Sandoe Kent,Gail Corbitt, Raymond Boykin 2001, Enterprise Integration, John Wiley & Sons,Inc. [8] Schiffman. Leon G, et.al 2007, Consumer Behavior, eight edition, Prentice Hall, New Jersey. [8] Tjiptono, Fandy dan Anastasia Diana 2003, Total Quality Management, Andi Yogyakarta, Yogyakarta. [9] Turban, Efraim, Dorothy Leidner, Ephraim Mclean, James Wetherbe 2009, Information Technology for Management, Transforming Organizations in The Digital Economy, John Wiley & Sons,Inc. [10] Wahana Komputer 2003, Konsep Jaringan Komputer dan Pengembangannya”, Salemba Infotek Jakarta.

78

ISSN: 2407-4322

Pengaruh Layanan Google Terhadap Motivasi Belajar Untuk Mendukung Prestasi Belajar Siswa Muhammad Haviz Irfani, Daniel Udjulawa 1 Sistem Informasi, STMIK GI MDP [email protected] 2 Teknik Informatika, STMIK GI MDP [email protected]

Abstract Information technology in education sector affected on learning process held by senior high school in Palembang city. Some 77,43% computer users (including students) who visit the google pages with the number of of 4,464,000,000 visitors everyday. Particularly students are very depend on search engine to to search of information or matter to complete a task school that relies heavily with the internet, thereby should be tested what factors affecting and could provide motivation to study and improve student learning achievements. The results of literature give you some of factors affect the motivation to study and student learning achievements that is a source of learning, intensity using, the quality of information. The methodology used namely AMOS (Analysis of Moment Structure), and path analysis, calculation the probability between endogenous, or endogenous and exogenous by the application of SEM (Structural Equation Model). The results of the study gained may be used as input for school management to make maximum use of google search engine in increased the motivation to study and student learning achievements. Keyword: Student, Google Search Engine, Analysis of Moment Structure, Structural Equation Model, Path Analysis.

Abstrak Teknologi Informasi dalam dunia pendidikan sangat mempengaruhi proses belajar mengajar yang diselenggarakan oleh sekolah tingkat atas di kota Palembang. Sebanyak 77,43% pengguna komputer (termasuk siswa) yang berkunjung ke laman Google dengan jumlah 4,464,000,000 pengunjung setiap harinya. Khususnya siswa sangat bergantung dengan mesin pencarian dalam mencari informasi ataupun materi untuk menyelesaikan tugas sekolah yang sangat bergantung dengan internet, sehingga perlu diuji faktor-faktor apa saja yang mempengaruhi dan dapat memberikan motivasi belajar serta meningkatkan prestasi belajar siswa. Hasil tinjauan literatur memberikan beberapa faktor yang mempengaruhi motivasi belajar dan prestasi belajar siswa yaitu Sumber Belajar, Intensitas Pengguna, Kualitas Informasi. Metode Penelitian yang digunakan yaitu AMOS (Analysis of Moment Structure), dan analisis Jalur; perhitungan probabilitas antar endogen, ataupun endogen dan eksogen dengan aplikasi SEM (Structural Equation Model). Hasil penelitian diperoleh dapat dijadikan masukan bagi pihak sekolah untuk memaksimalkan penggunaan search engine Google dalam meningkatkan motivasi belajar dan prestasi belajar siswa. Kata kunci: Siswa, Mesin Pencarian Google, Analysis of Moment Structure, Structural Equation Model, Analisis Jalur


79 1. PENDAHULUAN

Peraturan Pemerintah Nomor 19 Tahun 2005 tentang standar nasional pendidikan. Salah satu standar nasional yang dimaksudkan yaitu standar proses belajar. Teknologi informasi seperti internet dengan peringkat pengguna internet di Indonesia mencapai 83,7 juta orang pada tahun 2014 (Gambar 1) pada dunia pendidikan pun sangat berpengaruh besar perubahan budaya belajar siswa dengan tidak terbatasnya ruang/ waktu belajar serta mempunyai akses informasi yang luas. Perlunya untuk mengetahui seberapa erat faktor-faktor yang mempengaruhi motivasi belajar siswa dan prestasi belajar siswa, agar dapat memberikan informasi bagi stakeholder yang terlibat maupun yang memiliki visi yang sama dalam dunia pendidikan. Teknologi informasi Google didirikan oleh Larry Page dan Sergey Brin di Universitas Stanford.Adapun produk Google meliputi teknologi pencarian, komputasi web, perangkat lunak,dan periklanan. Teknologi Google Search merupakan google yang dikenal luas karena layanan pencariannya mudah digunakandan salah satu faktor terbesar dari kesuksesan Google Inc.

Sumber : Kompas.com Kategori Sorotan Media 2014 Gambar 1. Peringkat Pengguna Internet Indonesia Nomor Enam Keberadaan Mesin Pencarian Google. Pada April 2017 mengikuti net market share (http://www.smartinsights.com/searchengine-marketing/search-engine-statistics/), Google merupakan mesin pencari di web yang paling banyak digunakan dengan pangsa pasar sebesar 77,43%, kemudian Baidu (8,13%), Bing (7,31%), dan Yahoo (5,6%). Google juga memiliki miliaran halaman web untuk mencari informasi termasuk pencarian gambar, google news, google product search, google groups, google maps dan lain sebagainya melalui kata kuncinya maupun operator 1. Dalam sebuah penelitian yang dilakukan oleh lembaga survey Chitika menyatakan bahwa Google digunakan hampir oleh 74 persen pengguna internet secara overall [10].

1

http://id.wikipedia.org/wiki/Google

Gambar 2. Persentase Pengguna Internet pada Fitur Search Engine

80

ISSN: 2407-4322

Penelitian ini memiliki responden sebanyak 254 data yang di survey dari 3 Sekolah Menengah Atas (SMA) swasta di kota Palembang memberikan persentase siswa laki-laki sebanyak 42,2% dan siswa perempuan sebanyak 57,8%. Berikut ini tabel tinjauan penelitian terdahulu (Tabel 1).

No 1.

2.

3.

4.

5.

6.

7

Tabel 1. Ringkasan Penelitian Sebelumnya [1][2][3] [4][5][11][12] Nama Peneliti Judul Penelitian Faktor-faktor Ahmad Sultoni (2013) Pengaruh pemanfaatan Sumber Belajar internet sebagai sumber (Pemahaman, Ketersediaan, Belajar sejarah terhadap Ketepatan Fungsi, Intensitas motivasi belajar siswa User, Fitur yang sering Kelas XI IPS SMA N 1 digunakan), dan Motivasi wiradesa kabupaten Belajar. Pekalongan tahun pelajaran 2011/2012 Sushma Bagavadi The Influence of Internet Rancangan instruksional, Ellore,Suman Niranjan Usage on Academic Kualitas informasi, Prestasi, and Ulysses J. Brown. Performance and Face-to- intensitas pengguna. (2014) Face Communication Anggoro D., L. dan Sudji, Pengaruh Pemanfaatan Distribusi Pemanfaatan M. (2013) Internet, Lingkungan, dan Internet, Lingkungan, Motivasi Belajar terhadap Motivasi Belajar, dan Prestasi Belajar Siswa Prestasi Belajar. SMK Risyad Fauziansyah Budi Pengaruh Kualitas Web Kualitas Informasi, Kualitas (2013) Terhadap Kepuasan Desain, Kualitas Pengguna, Pengguna Google Shcolar Kepuasan Pengguna. (Studi pada Mahasiswa Unair Sebagai Penunjang Kegiatan Akademis) Betsy Sparrow, Jenny Liu, Google Effects on Interaktif pengguna, berbagi Daniel M. Wegner (2011) Memory: Cognitive informasi, ketergantungan, Consequences of Having akses luas, Pengetahuan luas. Information at Our Fingertips Pram Satyo Aji, Drs. Pengaruh Media Efektif; Prosedur; prestasi Suparman M.Pd. (2013) pembelajaran belajar. menggunakan macromedia flash 8 pokok bahasan internet pada mata pelajaran TIK terhadap prestasi belajar siswa kelas XI IPA SMA N 6 Purworejo Hutari Puji Astuti (2011) Pengaruh antara Pemanfaatan Sumber Belajar Pemanfaatan Sumber (kategori Intensitas tinggiBelajar dan Motivasi sedang -rendah), Motivasi terhadap Prestasi Belajar Belajar (hasrat dan Mata Kuliah ASKEB II keinginan, dorongan dan Mahasiswa Program Studi kebutuhan, harapan dan cita-


81 D III Kebidanan STIKES Kusuma Husada Surakarta

cita, penghargaan, kegiatan yang menarik, lingkungan belajar), dan Prestasi Belajar (kategori baik sekali, baik, cukup, kurang, kurang sekali)

Dari Tabel 1 diperoleh beberapa faktor yang mempengaruhi motivasi belajar siswa yaitu Sumber Belajar, Intensitas Pengguna , Kualitas Informasi, kemudiandibuatlah model penelitian yang merujuk pada model penelitian analisis jalur seperti pada Gambar 3.

Gambar 3. Rancangan Model Penelitian Awal [6] Berikut ini uraian hipotesis yang diperoleh dari Gambar 3 menjelaskan hubungan antar variabel (endogen dan eksogen). Hipotesis 1: Hipotesis ini menguji hubungan langsung antara variabel SB dengan variabel MB. H0: SB tidak memiliki pengaruh langsung terhadap MB. H1: SB memiliki pengaruh langsung terhadap MB. Hipotesis 2: Hipotesis ini menguji hubungan langsung antara variabel IP dengan variabel MB. H0: IP tidak memiliki pengaruh langsung terhadap MB. H1: IP memiliki pengaruh langsung terhadap MB. Hipotesis 3: Hipotesis ini menguji hubungan langsung antara variabel KI dengan variabel MB. H0: KI tidak memiliki pengaruh langsung terhadap MB. H1: KI memiliki pengaruh langsung terhadap MB. Hipotesis 4: Hipotesis ini menguji hubungan langsung antara variabel SB dengan variabel IP. H0: SB dan IP tidak saling mempengaruhi secara simultan H1: SB dan IP saling mempengaruhi secara simultan. Hipotesis 5: Hipotesis ini menguji hubungan langsung antara variabel KI dengan variabel SB. H0: KI dan SB tidak saling mempengaruhi secara simultan. H1: KI dan SB saling mempengaruhi secara simultan. Hipotesis 6: Hipotesis ini menguji hubungan langsung antara variabel KI dengan variabel IP. H0: KI dan IP tidak saling mempengaruhi secara simultan. H1: KI dan IP saling mempengaruhi secara simultan. Hipotesis 7: Hipotesis ini menguji hubungan langsung antara variabel MB dan PB. H0: MB tidak memiliki pengaruh langsung terhadap PB. H1: MB memiliki pengaruh langsung terhadap PB. Hipotesis 8: Hipotesis ini menguji hubungan langsung antara variabel IP dan PB. H0: IP tidak memiliki pengaruh langsung terhadap PB. H1: IP memiliki pengaruh langsung terhadap PB. Hipotesis 9: Hipotesis ini menguji hubungan langsung antara variabel SB dan PB. H0: SB tidak memiliki pengaruh langsung terhadap PB. H1: SB memiliki pengaruh langsung terhadap PB.

82

ISSN: 2407-4322

Hipotesis 10: Hipotesis ini menguji hubungan langsung antara variabel KI dan PB. H0: KI tidak memiliki pengaruh langsung terhadap PB. H1: KI memiliki pengaruh langsung terhadap PB.

2. TINJAUAN PUSTAKA Beberapa Fitur Pencarian Google. Ada beberapa fitur khusus pada Google yang sering digunakan oleh pengguna antara lain 1,2: 1. Pencarian Gambar (BETA); Google mempertimbangkan beberapa faktor ketika menentukan sebuah gambar relevan dengan permintaan pencarian pengguna 2. Terjemahan Halaman Web; Google memungkinkan orang berbahasa Inggris untuk dapat mengakses sejumlah halaman web non-Inggris. 3. Mencari dengan Kategori ; Google Web Directory memberikan informasi terstruktur, sangat berguna bagi pengguna yang memiliki gambaran umum tentang informasi. Pencarian file PDF; Walaupun file PDF jumlahnya tidak sebanyak file HTML, format file PDF memuat informasi yang bermutu tinggi bahkan tidak tersedia di pencarian lainnya. Tabulasi Item Pengukuran dalam Penelitian. Tabel 2. Item Pengukuran Penelitian [1][2][3][4][5] Konstruk Indikator Pengukuran X11:Bahan pustaka siswa untuk menunjang Sumber Belajar (SB) Ahmad Sultoni ,2013; Hutari Puji proses belajar Astuti (2011); Anggoro D., L. dan X12:Ketepatan fungsi Google sebagai sumber belajar Sudji, M.(2013) X13: Pemahaman sikap siswa terhadap informasi X14:Ketersediaan informasi pada Google X21:Praktis, ekonomis, dan sederhana Intensitas Pengguna (IP) Risyad Fauziansyah Budi (2013); X22:Fasilitas Google yang sering digunakan Pram Satyo Aji, Drs. Suparman M.Pd. X23:Kecepatan dan kemudahan akses Google (2013) X24:Pemanfaatan jangka panjang X31:Informasi yang terbarui Kualitas Informasi (KI) Ahmad Sultoni,2013; X32:Referensi/pustaka yang menarik Risyad Fauziansyah Budi ,2013; X33:Penilaian hasil usaha Hutari Puji Astuti,2011 Y11:Dorongan mental siswa Motivasi Belajar (MB) Ahmad Sultoni,2013;Anggoro D., L. Y12:Kesungguhan dalam belajar dan Sudji, M.,2013;Hutari Puji Astuti, Y13:Kecerdasan memanfaatkan waktu 2011. Y21:Kecerdasan emosi, minat, bakat dan kemauan Prestasi Belajar (PB) Anggoro D., L. dan Sudji, M.,2013; Y22:Strategi yang digunakan Risyad Fauziansyah Budi,2013; Y23:Hasil belajar siswa Pram Satyo Aji, Drs. Suparman M.Pd.,2013;Hutari Puji Astuti,2011. Tabel 2 merupakan uraian item pengukuran untuk setiap variabel manifestasi masingmasing eksogen yang disusun dari pembelajaran literatur pada Tabel 1.


83

Terminologi SEM (Structural Equation Modelling). A. Variabel Manifest (Observed Variable) dan Variabel Laten Variabel manifest yaitu variabel yang dapat langsung diukur, sedangkan variabel laten merupakan variabel yang tidak dapat diukur secara langsung melainkan dengan beberapa variabel manifest. B. Measurement Model dan Structural Model Measurement model adalah bagian dari model SEM yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya. Selain itu, Structural model adalah model yang menggambarkan hubungan antar variabel-variabel laten atau antar variabel eksogen dengan variabel laten. C. Error pada Pengukuran Error pada structural model disebut dengan residual error yang merefleksikan varians yang tidak dapat dijelaskan dalam variabel endogen karena semua faktor yang tidak dapat diukur. D. Analisis SEM Secara umum, ada lima tahap dalam prosedur SEM [8] yaitu: (1) Spesifikasi model: membuat sebuah model (bentuk equation atau persamaan matematis; bentuk diagram). (2) Identifikasi model: apakah dapat dianalisis lebih lanjut (menentukan degree of freedom). (3) Estimasi model: menentukan maximum likelihood (ML), generalized least square (GLS), instrument variabel (IS), two stage least square (2SLS), unweight least square (ULS), generally weight least square (WLS), dan diagonally weight least square (DWLS). (4) Uji kecocokan model: ukuran uji kecocokan seperti absolute fit measures, incremental/ relative fit measures, dan parsimony/ adjusted fit measures. (5) Respesifikasi model: Apabila hipotesis model belum fit maka peneliti dapat respesifikasi model untuk mencapai nilai fit yang baik.

Gambar 4. Model Struktural Manifestasi dan Laten. Dari Gambar 4 terlihat variabel laten eksogen (tidak dapat diukur secara langsung) yaitu kualitas informasi (KI), sumber belajar (SB), dan intensitas pengguna (IP). Sedangkan variabel laten endogen yaitu motivasi belajar dan prestasi belajar. Hubungan korelasi KI SB, KI IP,

84

ISSN: 2407-4322

dan SB IP. Sementara hubungan regresi ( i) dapat terjadi pada KI MB, SB MB, IP MB, dan regresi ( i+1) MB PB.Variabel manifestasi (untuk variabel eksogen) yaitu X11,X12,X13,X14 membentuk konstruk laten SB; X21,X22,X23, X24 membentuk konstruk laten IP; X31,X32,X33 membentuk konstruk laten KI; Y11,Y12,Y13 membentuk konstruk laten MB; dan Y21,Y22,Y23 membentuk konstruk laten PB. Kesalahan structural yaitu e18 dan e19, selain itu juga setiap variabel manifestasi mempunyai error (kesalahan). Faktor pengukuran model yaitu nilai yang menghubungkan variabel laten dengan setiap manifesnya (secara multiple measure) paling banyak satu yang mewakili dan bernilai 1, notasinya ij (SB dengan X11 adalah 11 dan seterusnya) Kesalahan pengukuran terdapat pada variabel manifestasi untuk masing-masing latennya. Berikut ini model pengukuran untuk setiap variabel manifestasi dalam Gambar 4 [7][8] X11= X12= X13= X14= X21= X22= X23= X24= X31= X32= X33= Y11= Y12= Y13=

11.SB+e1 12.SB+e2 13.SB+e3 14.SB+e4 21.IP+e5 22.IP+e6 23.IP+e7 24.IP+e8 31.KI+e11 32.KI+e10 33.KI+e9 41.MB+e14 42.MB+e13 43.MB+e12

Y21= Y22= Y23= MB= PB =

51.PB+e17 52.PB+e16 53.PB+e15 1.SB+ 2.IP+ 3.KI + e18 1.MB+ e19

3. METODE PENELITIAN

Gambar 5. Skema Metodologi Penelitian


85

Bagian ini menjelaskan rancangan kegiatan, ruang lingkup atau objek, bahan dan alat utama, tempat, teknik pengumpulan data, definisi operasional variabel penelitian, dan teknik analisis.

4. HASIL DAN PEMBAHASAN Hasil luaran aplikasi AMOS setelah dilakukan running pertama kali pada model struktural (Gambar 5).

Gambar 6. Model Struktural Variabel Konstruk dan Manivestasi Sebelum Modifikasi [7][8][9] Computation of degrees of freedom (Default model) Number of distinct sample moments: 170 Number of distinct parameters to be estimated: 61 Degrees of freedom (90 - 43): 109 Result (Default model) Minimum was achieved Chi-square = 382.597 Degrees of freedom = 109 Probability level = .000 Tabel 3. Menilai Goodness of Fit Indeks dari Model Sebelum Modifikasi [8] Goodness of Fit Indeks Chi Square

Cut of Value

Hasil Analisis

Evaluasi Model

137.701, dimana Chi Square untuk df =109; Taraf Sig 5% =137.701

382.597

Tidak Baik

86

ISSN: 2407-4322 Probability

> 0.05

0.000

Tidak Baik

GFI

> 0.90

Tidak Terbaca

Tidak Baik

IFI

> 0.90

0.885

Marginal

TLI

> 0.90

0.855

Marginal

CFI

> 0.90

0.884

Marginal

NFI

> 0.90

0.846

Marginal

RMSEA

< 0.08

0.099

Marginal

Dari hasil analisis model (Tabel 3) terlihat bahwa Model structural tersebut dengan data penelitian menunjukkan hasil model yang kurang fit dan kurang goods. Analisis lanjutan yang dapat dilakukan yaitu dengan menghilangkan mahalanobis square. Tabel 4. Nilai Mahalanobis d-square yang Akan Direvisi sampai < 30.000 [8][9] Observations Farthest from The Centroid (Mahalanobis Distance) (Group Number 1) Observation number Mahalanobis d-squared p1 p2 86 48.273 .000 .020 214 48.273 .000 .000 64 46.640 .000 .000 192 46.640 .000 .000 45 38.270 .002 .000 173 38.270 .002 .000 78 34.018 .008 .006 206 34.018 .008 .002 57 33.838 .009 .001 185 33.838 .009 .000 67 33.494 .010 .000 195 33.494 .010 .000 55 33.007 .011 .000 183 33.007 .011 .000 41 28.702 .037 .001 ::: :::: Dan seterusnya Dan seterusnya

Hilangkan mahalanobis d-square > 30.00, hasil yang diperoleh sebagai berikut:


87

Tabel 5. Nilai Mahalanobis d-square Setelah Direvisi [8] Observations Farthest from The Centroid (Mahalanobis Distance) (Group Number 1) Observation number Mahalanobis d-squared p1 p2 34 29.835 .028 .997 139 29.835 .028 .980 47 29.524 .030 .952 152 29.524 .030 .877 39 28.968 .035 .858 144 28.968 .035 .742 36 28.716 .037 .668 141 28.716 .037 .524 54 28.624 .038 .409 159 28.624 .038 .282 Dan seterusnya Dan seterusnya Tabel 4 dan Tabel 5 adalah luaran sebelum dan sesudah dilakukannya proses penghilangan mahalanobis, data yang dihapus dilakukan sekaligus untuk satuan running yang dilakukan dengan memperhatikan nomor barisnya.

Gambar 7. Penilaian Data Berdistribusi Normal.[8][9] Setelah penghilangan mahalanobis, diperoleh Gambar 8 yang menunjukkan nilai cr < 2.58 bahwa data berdistribusi normal secara individu. Setelah data normal dilakukan modifikasi model dari tabel pada modification indices.

88

ISSN: 2407-4322 Tabel 6. Penambahan Korelasi Antar Variabel Error, Maupun Variabel Error dan Laten.[8][9] Covariances: (Group number 1 - Default model) Par M.I. Change e6 <--> IP 15.758 .046 e6 <--> SB 23.510 .041 e6 <--> KI 23.955 -.033 e6 <--> e19 15.955 -.063 e12 <--> IP 4.608 .023 e12 <--> e6 6.917 .064 e8 <--> SB 4.748 -.023 e3 <--> e8 5.972 -.071 Dan Dan seterusnya seterusnya

Instruksi pada Tabel 6 untuk modifikasi model struktural sebelumnya dilakukan secara bertahap dengan cara membuat korelasi model misalnya e6 IP lalu model dirunning kembali, lakukan berulang kali sampai tabel covarians kosong. Hasil korelasi dan regresi antar variabel konstruk dan manifestasi memberikan nilai akhir sebagai berikut: Result (Default model) Minimum was achieved Chi-square = 72.049 Degrees of freedom = 63 Probability level = .203

Gambar 8. Model Struktural Variabel Konstruk dan Manivestasi Setelah di Modifikasi.[8] Gambar 9 memperlihatkan model akhir yang telah dimodifikasi, Nilai df=63 adalah positif artinya pengujian model dapat dilakukan,nilai probabilitas 0.203>0.05 artinya secara keseluruhan model diatas telah fit dengan data sampel. Tabel 7 menunjukkan kesimpulan dari output aplikasi AMOS untuk model fit.


89

Tabel 7. Menilai Goodness of Fit Indeks dari Model Setelah Modifikasi.[8][9] Goodness of Fit Indeks

Cut of Value

Hasil Analisis

Evaluasi Model

Chi Square

Dimana Chi Square untuk df =63; Taraf Sig 5% =72.0699

72.049< 72.0699

Baik

Probability

> 0.05

0.203

Baik

GFI

> 0.90

0.82

Baik

IFI

> 0.90

0.997

Baik

TLI

> 0.90

0.993

Baik

CFI

> 0.90

0.997

Baik

NFI

> 0.90

0.976

Baik

RMSEA

< 0.08

0.026

Baik

Absolut Fit Measure (Uji Kecocokan Absolut) yaitu Chi Square, GFI, dan RMSEA semuanya memberikan hasil Baik dan dapat disimpulkan bahwa model layak digunakan karena valid. Uji Kecocokan Inkremental TLI, NFI, CFI, dan IFI semuanya juga memberikan hasil Baik. Pada Tabel 8 terlihat keluaran tabel regresi dan regresi standar memperlihatkan nilai P = *** yaitu probabilitas <0.05 sehingga faktor loading memiliki hubungan terhadap laten masingmasing, dan juga semua faktor loading menunjukkan nilai di atas 0.5 (Kolom Estimate) dan dapat menjelaskan konstruk yang ada. Tabel 8. Menilai Hubungan Antara Faktor Loading dan Laten Eksogen.[8][9] Regression Weights: (Group number 1 - Default model) Esti S.E C.R. P mate . <-x11 SB 1.000 <-x12 SB 1.054 .103 10.198 *** <-x14 SB 1.190 .114 10.453 *** <-x21 IP 1.000 <-x23 IP .907 .085 10.680 *** <-x33 KI 1.000 <-x32 KI 1.026 .068 15.129 *** -

90

ISSN: 2407-4322 Esti mate x31 y13 y12 y21 y22 y23 x13 x24 y11 x22

<-<-<-<-<-<-<-<-<-<--

KI

.993

MB

1.000

MB

S.E .

C.R.

P

.071 13.990

***

.969

.067 14.495

***

PB

.963

.061 15.690

***

PB

.953

.074 12.890

***

PB

1.000

SB

1.190

.110 10.804

***

IP

.460

.094

4.923

***

MB

1.097

.084 13.065

***

IP

1.170

.108 10.882

***

Standardized Regression Weights: (Group number 1 - Default model) Estimate x11 <--- SB .663 x12 <--- SB .657 x14 <--- SB .738 x21 <--- IP .776 x23 <--- IP .677 x33 <--- KI .830 x32 <--- KI .856 x31 <--- KI .814 y13 <--- MB .810 y12 <--- MB .804 y21 <--- PB .861 y22 <--- PB .837 y23 <--- PB .871 x13 <--- SB .763 x24 <--- IP .346 y11 <--- MB .868 x22 <--- IP .941


91

Tabel 9. Menilai Hubungan Antar Laten Eksogen.[8][9] Correlations: (Group number 1 - Default model) Estimate KI <--> SB .988 SB <--> IP .949 KI <--> IP .935 Tabel 10. Menilai Hubungan Antara Laten Eksogen dan Laten Endogen.[8][9] Regression Weights: (Group number 1 - Default model) Esti S.E C.R. P mate . M <-*** IP -.673 .204 -3.305 B M <-SB .924 .192 4.820 *** B M <-4.651 *** KI .766 .165 B <-PB MB -.341 .183 -1.866 .062 <-PB SB -.775 .313 -2.480 .013 <-KI 1.702 .235 PB 7.237 *** <-IP .184 .214 PB .859 .390 Tabel 9 menunjukkan korelasi antar laten eksogen KI dan SB, SB dan IP, KI dan IP sangat erat. Selain itu Tabel 10 memperlihatkan juga hubungan motivasi belajar dipengaruhi sangat erat oleh Intensitas Pengguna, Sumber Belajar, dan Kualitas Informasi. Prestasi Belajar tidak dipengaruhi oleh Motivasi Belajar karena p=0.062>0.05 sehingga Ho diterima pada hipotesa H7. Prestasi Belajar dipengaruhi sangat kuat oleh Kualitas Informasi (P=***)dan Sumber Belajar (p=0.013<0.05) yang pengaruh kuat. Tetapi Prestasi Belajar tidak dipengaruhi oleh Intensitas Pengguna karena mempunyai angka P=0.39<0.05.

5. KESIMPULAN Kesimpulan yang dapat ditarik setelah analisis SEM untuk persepsi siswa sekolah menengah atas yang menggunakan search engine Google yaitu: 1. Korelasiterjadi sangat kuat sebesar 98.8% antara Kualitas Informasi dan Sumber Belajar, persentase 94.9% korelasi kuat antara Sumber Belajar dan Intensitas Pengguna, dan persentase 93.5% korelasi kuat antara Kualitas Informasi dan Intensitas Pengguna. 2. Untuk Prestasi Belajar tidak dipengaruhi Motivasi Belajar, dan Intensitas Pengguna. 3. Prestasi Belajar signifikan dipengaruhi oleh Sumber Belajar (hubungan sangat kuat P= ***) dan Kualitas Informasi (hubungan sangat kuat p=0.013<0.05).

92

ISSN: 2407-4322 DAFTAR PUSTAKA

[1]

Sultoni, A., 2013, Pengaruh Pemanfaatan Internet Sebagai Sumber Belajar Sejarah Terhadap Motivasi Belajar Siswa Kelas XI IPS SMA N 1 Wiradesa Kabupaten Pekalongan Tahun Pelajaran 2011/2012, Universitas Negeri Semarang, Indonesia.

[2]

Anggoro D., L. dan Sudji, M., 2013, Pengaruh Pemanfaatan Internet, Lingkungan, dan Motivasi Belajar Terhadap Prestasi Belajar Siswa SMK, Jurnal Pendidikan Vokasi, Vol. 3, Nomor 3, 293-305, Universitas Negeri Yogyakarta, Indonesia.

[3]

Fauziansyah Budi, R., 2013, Pengaruh Kualitas Web Terhadap Kepuasan Pengguna Google Shcolar (Studi pada Mahasiswa Unair Sebagai Penunjang Kegiatan Akademis), Media Libri-Net.Vol.2-No.1 terbit 1-2013, Indonesia.

[4]

Satyo Aji,P. dan Suparman M.Pd., Drs., 2013, Pengaruh Media Pembelajaran Menggunakan Macromedia Flash 8 Pokok Bahasan Internet pada Mata Pelajaran TIK Terhadap Prestasi Belajar Siswa Kelas XI IPA SMA N 6 Purworejo, Jurnal Pendidikan Teknik Informatika Edisi 1 Tahun ke 2013, Kampus Karang Malang, Yogyakarta, 55281, Indonesia.

[5]

Puji Astuti,H., 2011, Pengaruh Antara Pemanfaatan Sumber Belajar dan Motivasi Terhadap Prestasi Belajar Mata Kuliah ASKEB II Mahasiswa Program Studi D III Kebidanan STIKES Kusuma Husada Surakarta, Program Pasca Sarjana Universitas Sebelas Maret Surakarta, Indonesia.

[6]

Nidjo Sandjojo, 2011, Metode Analisis Jalur (Path Analysis) dan Aplikasinya, ISBN 9794169463Pustaka Sinar Harapan, Jakarta.

[7]

Yamin, S., dan Kurniawan, H., 2009, Structural Equation Modeling: Belajar Lebih Mudah Teknik Analisis Data Kuisioner dengan Lisrel-PLS, Salemba Infotek, Jakarta.

[8]

Ghozali Imam, Dr, Prof., 2015, Konsep dan Aplikasi dengan Program Amos 22.0, Badan Penerbit Universitas Diponegoro, Semarang.

[9]

Santoso, S., 2012, Analisis SEM Menggunakan AMOS, Elex Media Komputindo, Jakarta.

[10] Baihaki Imam, 2012, Google Masih Jadi Search Engine Terpopuler, Digunakan 74 persen Pengguna Internet, BTekno, https://www.beritateknologi.com/google-masih-jadisearch-engine-terpopuler-digunakan-74-persen-pengguna-internet/ [11] Sushma Bagavadi Ellore, Suman Niranjan and Ulysses J. Brown., 2014, The Influence of Internet Usage on Academic Performance and Face-to-Face Communication, Journal of Psychology and Behavioral Science, Published by American Research Institute for Policy Development. [12] Betsy Sparrow, Jenny Liu, Daniel M. Wegner, 2011, Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips, ISSN 0036-8075; online ISSN 1095-9203, VOL. 333, SCIENCE, www.sciencemag.org.


93

Analisis Pengaruh Efektivitas Dan Manfaat E-Commerce Terhadap Sikap Dan Perilaku Pengguna Dengan Menggunakan Metode TAM (Studi Kasus: UKM Kota Palembang) Yulistia Komputerisasi Akuntansi STMIK MDP Palembang [email protected]

Abstract The appropriateuse of technology make us more good at utilizing it. Especially with online shopping provided by the business in building and deploying their business through a computer network. We know that many people who are busy with their work that make them do not have a lot of time to be able to spend time doing conventional business when they need it. Utilization of information and communication technology for the benefit of society and business especially Small and Medium Enterprises (SME), has been applied in various forms. One form of information technology application is E-Commerce system as the the use of information and communication technology to promote sales online.Along with the advancement of technologies, E-Commerce can be developed to improve the effectiveness and quality in sales and purchases. The E-Commerce system has a number of facilities such as online shopping, testimony, how to send, and so much more. This research describes the results of research on the extent of users attitudes and behavior, in this case is SME in Palembang, utilize information technology in the form of E-Commerce by using Theory Acceptance Model (TAM) method, so it can be known how far the effectiveness and benefits of E-Commerce system is in helping media sales and purchases online. Keywords: E-Commerce, TAM model, Effectiveness, Online. Abstrak Penggunaan teknologi yang tepat guna membuat kita lebih semakin mahir dalam memanfaatkannya. Terutama dengan belanja online yang disediakan oleh pebisnis dalam membangun dan menggelar bisnis mereka melalui jaringan komputer. Kita tahu bahwa banyak orang yang sibuk dengan pekerjaan mereka sehingga membuat mereka tidak punya banyak waktu untuk melakukan bisnis secara konvensional pada saat mereka membutuhkan. Pemanfaatan teknologi informasi dan komunikasi untuk kepentingan masyarakat dan bisnis khususnya Usaha Kecil Menengah (UKM) telah diterapkan dalam berbagai bentuk. Salah satu bentuk aplikasi pemanfaatan teknologi informasi tersebut adalah sistem E-Commerce yaitu penggunaan teknologi informasi dan komunikasi untuk mempromosikan penjualan online. Seiring dengan kemajuan teknologi, E-Commerce dapat dikembangkan untuk meningkatkan efektivitas dan kualitas penjualan dan pembelian. Sistem E-Commerce memiliki sejumlah fasilitas seperti belanja online, testimoni, cara kirim, dan masih banyak lagi. Penelitian ini menguraikan hasil penelitian mengenai sejauh mana sikap dan perilaku pengguna dalam hal ini adalah sektor UKM di Palembang, dalam memanfaatkan teknologi informasi dalam bentuk E-Commerce dengan menggunakan metode Theory Acceptance Model(TAM), sehingga bisa diketahui seberapa jauh keefektifan dan manfaat sistem E-Commerce dalam membantu sebagai media penjualan dan pembelian secara online. Kata kunci: E-Commerce, Model TAM, Efektivitas, Online.

94


Perkembangan ilmu pengetahuan dan teknologi khususnya teknologi informasi yang semakin pesat disegala bidang tidak dapat terelakan lagi. Teknologi informasi merupakan alat untuk mempermudah, mempercepat dalam melakukan pekerjaan. Seiring dengan kemajuan teknologi sekarang ini, penerapan E-Commerce menawarkan satu metode belanja secara langsung. Banyak keuntungan yang dapat diperoleh dengan penerapan metode E-Commerce seperti kita tidak perlu menyediakan waktu khusus untuk belanja dan tidak terbatas oleh jarak yang ada. Teknologi informasi yang paling banyak orang gunakan adalah internet. Dengan menggunakan internet orang dapat berkomunikasi dengan orang lain tanpa mengenal waktu dan jarak. Dengan penerapan internet ke dalam proses bisnis perusahaan, sehingga dapat menjangkau pengguna yang lebih luas dan meningkatkan keuntungan pada perusahaan tersebut. Oleh karena itu proses bisnis salah satunya yaitu pemasaran dengan menggunakan media online. Untuk dapat mengetahui sejauh mana pengaruh kepercayaan dan kemudahan dalam penggunaan media online yang biasa disebut dengan istilah E-Commerce. Perkembangan E-Commerce sekarang sudah merambah keseluruh daerah. Sehingga kita tidak perlu lagi untuk datang membeli barang tersebut dengan datang ketoko. Salah satu usaha yang dijalankan adalah usaha UKM dikota Palembang. UKM merupakan salah satu kreaktivitas masyarakat dengan melakukan transaksi penjualan. Peneliti ingin melihat sejauhmana manfaat website E-Commerce yang dilakukan oleh UKM untuk mengetahui sejauhmana manfaat E-Commerce tersebut untuk UKM yang ada, khususnya pada toko komputer yang ada di Palembang. Peneliti akan menganalisa besarnya pengaruh tersebut terhadap manfaat E-Commerce, khusunya pada sektor Usaha Kecil Menengah (UKM). 1.1 Website E-comerce Sejak tahun 1965 sebagai salah satu alat bantu aktifitas bisnis perusahaan dalam bentuk ATM (Automatic Teller Machine) (Molla & Licker 2001) [1]. Pengertian E-Commerce dapat dilihat dari tiga aspek yaitu perdagangan (commerce), fungsi bisnis dan kerjasama (collaboration). Berdasarkan ketiga aspek tersebut, E-Commerce dapat di definisikan sebagai aplikasi teknologi jejaring telekomunikasi (telecomunication network) untuk melakukan suatu transaksi bisnis, pertukaran informasi dan menjaga hubungan dengan konsumen sebelum, selama dan setelah proses pembelian (Costa 2001; Haag, Cummings & Dawkins 1998; Post & Anderson 2000; Zwass 1998) [2]. Sedangkan pengertian website adalah suatu kumpulan dari beberapa tampilan halaman dari file dan dokumen secara hypermedia melalui media komputer dan jejaring untuk mempermudah komunikasi dan aktifitas pelayanan bisnis selama 24 jam denga para konsumen dan rekanan bisnis (http://www.getnetwise.org; D”Angelo J little 1998; Hoffman & Novak 1997) [3]. 1.2 E-Commerce Electronic Commerce (E-Commerce) adalah proses pembelian, penjualan atau pertukaran produk, jasa dan informasi melalui jaringan komputer. E-Commerce merupakan bagian dari ebusiness, dimana cakupan e-business lebih luas, tidak hanya sekedar perniagaan tetapi mencakup juga pengkolaborasian mitra bisnis, pelayanan nasabah, lowongan pekerjaan dll. Selain teknologi jaringan www, E-Commerce juga memerlukan teknologi basis data atau pangkalan data (database), e-surat atau surat elektronik (e-mail), dan bentuk teknologi non komputer yang lain seperti halnya sistem pengiriman barang, dan alat pembayaran untuk ECommerce ini (Siregar, 2010) [4]. Menurut Rahmati (2009) [5] E-Commerce singkatan dari Electronic Commerce yang artinya sistem pemasaran secara atau dengan media elektronik. E-Commerce ini mencakup distribusi, penjualan, pembelian, marketing dan servis dari sebuah produk yang dilakukan dalam sebuah sistem elektronika seperti Internet atau bentuk jaringan komputer yang lain.


95

1.3 Sikap

Sikap dapat dirumuskan sebagai kecenderungan untuk merespons (secara positif atau negatif) terhadap orang, obyek atau situasi tertentu. Sikap mengandung suatu penilaian emosional/afektif (senang, benci, sedih, dsb), disamping komponen kognitif (pengetahuan tentang obyek itu) serta aspek konatif (kecendrungan bertindak). Sedangkan pengetahuan lebih bersifat pengenalan suatu benda/hal secara obyektif. Selain bersifat positif atau negatif, sikap memiliki tingkat kedalaman yang berbeda-beda (sangat benci, agak benci, dsb). Sikap itu tidaklah sama dengan perilaku dan perilaku tidaklah selalu mencerminkan sikap seseorang, sebab seringkali terjadi bahwa seseorang memperlihatkan tindakanyang bertentangan dengan sikapnya. Sikap seseorang dapat berubah dengan diperolehnya tambahan informasi tentang obyek tersebut, melalui persuasi serta tekanan dari kelompok sosialnya (Sarwono, 1998) [6]. 1.4 Efektivitas Efektifitas adalah suatu ukuran yang menyatakan seberapa jauh target (kuantitas, kualitas dan waktu) telah tercapai. Dimana makin besar presentase target yang dicapai, makin tinggi efektifitasnya”.(Hidayat, 1986) [7] 2.1 Teori-teori Penerimaan Teknologi 2.1.1

Theory of Reasoned Action (TRA) Fishbein dan Ajzen pada tahun 1975 mencetuskan sebuah teori yaitu Theory of Reasoned Action (TRA) (Jogiyanto, 2007) [8]. Berdasarkan teori TRA, Fishbein dan Ajzen menyatakan bahwa perilaku seseorang dipengaruhi oleh kecenderungan perilaku orang tersebut. Model TRA ini dapat digambarkan seperti yang bisa dilihat pada Gambar 1.

Gambar 1. Theory of Reasoned Action (TRA) (FishbeindanAjzen, 1975) [9] 2.1.2

Theory of Planned Behaviour (TPB) Teori perilaku rencanaan (Theory of Planned Behaviour) merupakan pengembangan lebih lanjut dari Theory of Reasoned Action (TRA). Teori ini dikembangkan oleh Ajzen pada tahun 1988 (Jogiyanto, 2007) [8]. Terdapat satu perbedaan antara TRA dan TPB yaitu adanya Perceived Behavioural Control (PBC). PBC merefleksikan pengalaman masa lalu dan juga mengantisipasi halangan-halangan yang ada. Kriterianya yaitu semakin menarik sikap dan norma subyektif terhadap suatu perilaku, dan semakin besar PBC, semakin kuat minat seseorang untuk melakukan perilaku yang sedang dipertimbangkan. Berikut adalah gambaran mengenai Theory of Planned Behaviour (TPB).

96

ISSN: 2407-4322

Gambar 2. Theory of Planned Behaviour (TPB) (Ajzen, 1988) 2.1.3

Theory Acceptance Model (TAM) TAM (Technology Acceptance Model) merupakan pengembangan dari TRA (Theory of Reasoned Action) oleh Davis et al.(1989) dalam Jogiyanto (2007) [8]. Model TRA dapat diterapkan karena keputusan yang dilakukan oleh individu untuk menerima suatu teknologi sistem informasi merupakan tindakan sadar yang dapat dijelaskan dan diprediksi oleh minat pelakunya (Jogiyanto, 2007) [8].

Gambar 3. Theory Acceptance Model (TAM) (Davis et al., 1989) [10] Berdasarkan gambar Theory Acceptance Model (TAM), persepsi kegunaan (perceived usefulness) dan persepsi kemudahan (perceived ease of use) mempunyai pengaruh ke minat perilaku (behavioral intention). Pengguna teknologi akan mempunyai minat menggunakan teknologi (minat perilaku) jika merasa sistem teknologi bermanfaat dan mudah digunakan. Persepsi kegunaan (perceived usefulness) juga mempengaruhi persepsi kemudahan (perceived ease of use). Pengguna sistem akan menggunakan sistem jika sistem bermanfaat baik sistem itu mudah digunakan atau tidak mudah digunakan. Sistem yang sulit digunakan akan tetap digunakan jika pemakai merasa bahwa sistem masih berguna dalam pemanfaatannya.

3. METODE PENELITIAN 3.1 Cara Pengambilan Sampel Penelitian ini dilakukan di UKM Kota Palembang, yaitu pada toko-toko komputer yang telah menggunakan penjualan Online. Populasi dalam penelitian ini adalah seluruh pengguna di empat toko komputer tersebut. Pengambilan sampel dilakukan secara acak sederhana dengan jumlah populasi sekitar 100 orang pengguna, diperkirakan jumlah sampel yang dibutuhkan


97

mencapai sekitar 110 sampel. Hal ini didasarkan perhitungan jumlah sampel menggunakan pendekatan Solvin dengan margin of error sebesar 5%. 3.2

Cara Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data primer. Kuesioner terdiri atas tiga bagian pertanyaan dimana setiap bagian pertanyaan mewakili sebuah variabel penelitian. Kuesioner menggunakan skala linked 1 sampai dengan 5 dengan ukuran dari angka terendah mempunyai arti sangat tidak setuju (STS) sampai angka tertinggi yang mempunyai arti sangat setuju (SS). 3.3

Variabel Penelitian

3.3.1 Variabel Bebas Berdasarkan pada rancangan penelitian maka terdapat dua variabel bebas yakni perceived usefulness dan perceived ease of use. Perceived usefulness diartikan sebagai tingkat dimana seseorang percaya bahwa menggunakan sistem tertentu dapat meningkatkan kinerjanya dan perceived ease of use diartikan sebagai tingkat dimana seseorang percaya bahwa menggunakan sistem tidak diperlukan usaha apapun. Persepsi kegunaan (perceived usefulness) juga mempengaruhi persepsi kemudahan (perceived ease of use). Pengguna sistem akan menggunakan sistem jika sistem bermanfaat baik sistem itu mudah digunakan atau tidak mudah digunakan. 3.3.2 Variabel Terikat Prestasi didefinisikan sebagai ukuran peningkatan dari perubahan sikap dan perilaku pengguna dalam menggunakan aplikasi E-Commerce. 3.4 Analisis Data Cara analisis data pada penelitian ini menggunakan teknik analisis regresi linier berganda.

4. HASIL DAN PEMBAHASAN 4.1 Data Penelitian Pada bab ini melakukan pengolahan data yang akan menentukan hasil dari penelitian tersebut. Pada penelitan ini jumlah kusioner yang dibagikan berjumlah 200 lembar. Dari jumlah kusioner yang disebarkan yang kembali berjumlah 180. Dengan keterangan15 hilang dan tak dikembalikan dan sisanya tidak dapat diolah karena rusak. Sebelum diolah lebih lanjut, data yang diperoleh melalui kuesioner terlebih dahulu dikodekan. Dengan asumsi setiap jawaban item pertanyaan diwakili oleh lima point skala linkert. Jawaban sangat setuju diwakili oleh angka 1, kurang setuju diwakili angka 2, netral diwakili angka 3, setuju diwakili angka 4 dan sangat setuju diwakili angka 5. Peneltian ini menggunakan dua variable X dan satu variabel Y. Tabel 1. Profil Responden ProfilResponden Jumlah JenisKelamin Laki-laki 38 Perempuan 68 Total 180

98

ISSN: 2407-4322

4.2 UjiValiditas dan Reliabilitas 4.2.1 Uji Validitas Pada Uji Validitas digunakan untuk mengetahui kelayakan butir-butir dalam suatu daftar pertanyaan dalam mendefinisikan suatu variabel. Menurut Kuncoro (2003:231) [11] bahwa untuk menentukan validitas digunakan teknik korelasi product moment dengan bantuan perangkat lunak SPSS versi 17.0. Pengujian validitas variabel dengan software Statistical Product and Service Solutions (SPSS) Versi 17.0 nilai validitas terdapat pada kolom Corrected Item-Total Corelation. Uji signifikansi untuk melihat valid tidaknya data dapat dilakukan dengan membandingkan nilai r hitung dengan t 98aria untuk degree of freedom (df) = n – k, dalam hal ini n adalah jumlah sampel dan k adalah jumlah konstruk. Jika r hitung (untuk r tiap butir data dilihat pada kolom Corrected Item-Total Correlation) lebih besar dari r table dan nilai r positif, maka butir atau pertanyaan tersebut dinyatakan valid. Dari hasil pengujian didapat bahwa nilai corrected item-total correlation (r hitung), semuanya lebih dari 0.1743 (r tabel untuk jumlah sampel 125, jadi df = 123), sehingga dapat disimpulkan bahwa semua butir pernyataan tersebut valid. 4.2.2 Uji Reliabilitas Uji Reliabilitas dilakukan untuk mengukur apakah instrumen yang digunakan benarbenar bebas dari kesalahan (error). Nilai koefisien Cronbach Alpha, Menurut Nunnaly dalam (Ghozali, 2007, h.46) [12], suatu konstruk atau variabel dapat dikatakan reliabel jika nilai Cronbach’s Alpha > 0,6. Dari tabel 5.3 diatas, terlihat bahwa variabel memiliki nilai Cronbach’s Alpha lebih besar dari 0,6 maka dapat disimpulkan bahwa variabel dalam penelitian ini adalah reliabel. 4.3

Uji Normalitas Pengujian normalitas dan pendekatan data akan diasumsikan berdistribusi normal apabila signifikansi K-S Z > 0,05 (asymptotic significance). Hasil pengujian pada gambar 4. menunjukkan bahwa semua variabel penelitian terdistribusi normal yang ditunjukkan dengan nilai asymptotic significance untuk masing-masing variabel > 0,05

Gambar 4. Hasil Uji Normalitas 4.4

UjiHeteroskedastisitas Heteroskedastisitas adalah situasi tidak konstannya varians. Uji Glesjer dilakukan dengan cara meregresi nilai absolut residual dari model yang diestimasi terhadap variabelvariabel bebas. Pengujian heteroskedastisitas di dalam penelitian ini dilakukan dengan cara melakukan regresi antara variabel independen dengan nilai residual absolut. Apabila variabel independen berpengaruh secara signifikan terhadap nilai residual absolut, maka terjadi heteroskedastisitas.


99

Gambar 5. Hasil Uji Heteroskedastisitas Hasil pengujian heteroskedastisitas menunjukkan bahwa tidak ada variabel independen yang berpengaruh secara signifikan (nilai signifikan < 0,05) terhadap nilai residual absolut. Dengan demikian dapat dikatakan bahwa tidak terjadi heteroskedastisitas. Berikutnya pengujian validitas, reliabilitas, dannormalitas yang telah dilakukan maka seluruh variabel dapat digunakan dalam penelitan yang berindikasi pada sahnya persamaan regresi. 4.5 Hasil Uji Regresi Berganda Berdasarkan hasil pengujian hipotesis untuk uji regresi maka hasil regresi linear berganda maka dapat dibuat persamaan regresinya. Dari hasil tabel berikut ini tedapat hasil sebagai berikut: Tabel 2. Hasil Analisis Regresi Berganda Persamaan Regresi Adjusted Nilai Kesimpulan R2 P Y = 3.144 + 0,867 0,000 Diterima 0.382X1 + 0.13X2 Didasarkan pada hasil perhitungan tabel diatas diperoleh angka signifikan sebesar 0,000, yang lebih kecil dari 0,05. Oleh karena itu H0 ditolak dan Hi diterima.

5. KESIMPULAN Berdasarkan hasil analisis data dari pengujian empiris yang telah dilakukan oleh peneliti didapatkan bahwa:

1. Perceived Usefulness berpengaruh signifikan terhadap Pemanfaatan E-Commerce di UKM Kota Palembang. Artinya responden menganggap dengan menggunakan aplikasi E-Commerce tersebut mereka percaya bahwa dengan menggunakan sistem tersebut dapat membantu responden untuk mendapatkan keuntungan – keuntungan kienerja didalam pekerjaannya. (Jogiyanto : 2007) [8] 2. Perceived ease of use memberikan pengaruh yang signifikan atas Pemanfaatan ECommerce terhadap manfaat E-Commercetersebut. Pengaruh yang signifikan ini di

100

ISSN: 2407-4322 Pengguna Palembang relatif mudah digunakan dan berdasarkan hasil wawancara singkat dengan responden diperoleh informasi bahwa sebagian besar responden telah memiliki keahlian/pengalaman menggunakan komputer. 3. Variabel Pemanfaatan E-Commerce Pengguna Palembang berpengaruh positif dan signifikan, sehingga dapat disimpulkan bahwa variabel Perceived Usefulness, Perceived ease of use terdukung dalam penelitian ini dapat menentukan manfaat dan efektivitas ECommerce di UKM Kota Palembang khususnya pada toko komputer.

DAFTAR PUSTAKA [1]

Molla, A. and Licker, P.S. 2001, E-Commerce Systems Success: An Attempt to Extend and Respecify the DeLone and McLean model of IS Success, Journal of Electronic Commerce Research

[2]

Haag, S., Cummings, M., & Dawkins, J. 1998, ‘Management Information Systems for The Information Age’, McGraw-Hill, USA

[3]

Hoffman, D.L. & Novak, T.H. 1997, ‘A New Marketing Paradigm for Electronic Commerce’, The Information Society, vol.13.

[4]

Siregar, Riki R. 2010, “Strategi Meningkatkan Persaingan Bisnis Perusahaan dengan Penerapan E-Commerce”. http://blog.trisakti.ac.id, Diakses tanggal 5 September 2017.

[5]

Rahmati. 2009, Pemanfaatan E-Commerce Dalam Bisnis Di Indonesia, http://citozcome.blogspot.com/2009/05/pemanfaatan-e-commerce-dalambisnis-di.html, Diakses tanggal 4 September 2017

[6]

Sarwono, Sarlito Wirawan, 1998, “Teori-teori Psikologi Sosial”: Raja Grafindo Persada, Jakarta.

[7]

Hidayat. 1986, Teori Efektifitas Dalam Kinerja Karyawan, Gajah Mada University Press, Yogyakarta.

[8]

Hartono, Jogiyanto, 2007, Sistem Informasi Keperilakuan, Edisi Revisi, Andi, Yogyakarta.

[9]

Ajzen, I., & Fishbein, M., 1975, Belief, Attitude, Intention, and Behavior: An Introduction to Theory and Research, 129-385, Addison-Wesley, Reading, MA.

[10] Davis, F. D. 1989, Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology, MIS Quarterly. [11] Kuncoro, Mudrajad. 2003, Metode Riset untuk Bisnis, Erlangga, Jakarta. [12] Ghozali, Imam. 2007, Analisis Multivariate Dengan Program SPSS, Cetakan Empat, Badan Penerbit Universitas Diponegoro, Semarang.


101

Perancangan dan Implementasi Sistem Informasi Pembayaran pada Perguruan Tinggi Menggunakan Web Services Metode H2H dari Perbankan Iis Pradesan STMIK GI MDP: Jl. Rajawali No. 14 Palembang, 0711-376400/0711376360 Jurusan Sistem InformasiSTMIK GI MDP, Palembang e-mail: [email protected] Abstrak Teknologi telah berpengaruh besar di segala aspek kehidupan manusia dari kebutuhan komersial, hingga dimanfaatkan sebagai alat hiburan semata. Teknologi tersebut juga telah mempengaruhi aktivitas perbankan, nasabah tidak lagi harus bertatap muka dengan teller, cukup dengan smartphone dan koneksi internet maka semua aktivitas perbankan terselesaikan saat itu juga. Salah satu bentuk perkembangan teknologi perbankan yang telah dirilis saat ini adalah sistem pembayaran Host to Host (H2H), sistem ini akan terhubung melalui jaringan internet langsung dengan server (host) yang dimiliki sebuah institusi, sehingga request yang dilakukan terhadap data trasaksi perbankan dapat diresponse secara realtime. Salah satu institusi yang dapat memanfaatkan H2H antara lain perguruan tinggi terkait aktivitas pembayaran yang dilakukan mahasiswa. Namun H2H harus dijembatani sebuah interface/aplikasi yang berfungsi sebagai web services yang tentunya mempermudah dalam melakukan komunikasi dengan H2H. Untuk itu penelitian ini bertujuan melakukan perancangan dan pengimplementasian Web Service dengan metode H2H dari perbankan, adapun metode penelitian yang digunakan adalah deskriptif dengan metodologi pengembangan sistem informasi RUP dan UML sebagai tool dalam pemodelannya dan berbasis web application menggunankan framework Laravel dalam tahap pengembangannya. Kata kunci: H2H, Web Services, Perguruan Tinggi, Sistem Informasi, RUP, UML, Web Application.

Abstract Technology has great influence in all aspects of human life from commercial needs, to be used as a mere entertainment tool. The technology has also affected the banking activity, the customers no longer have to face to face with the teller, simply with a smartphone and internet connection then all banking activities are resolved on the spot. One form of development of banking technology that has been released at this time is the payment system Host to Host (H2H), this system will be connected through the internet network directly with the server (host) owned by an agency, so that the request made to the data banking transactions can be responded realtime. One of the institutions that can utilize H2H among other universities related to the payment activities conducted by the students. But H2H must be bridged an interface/application that serves as a web services that certainly facilitate in communication with H2H. Therefore, this research is aimed at designing and implementing Web Service with H2H method from banking, while the research method used is descriptive with RUP and UML information system development methodology as a tool in modeling and web-based application using Laravel framework in its development stage. Keywords: H2H, WebServices, University, Informatin System,RUP, UML, Web Application.

Revised June25th, 2012; Accepted July 10th, 2012

102


Kemajuan teknologi pada masa sekarang ini sudah merambah ke berbagai lini industri, termasuk di dalamnya adalah industri perbankan yang dengan berbagai instrument teknologinya telah mempermudah nasabah dalam melakukan transaksi,Perkembangan teknologi juga membuat sistem pembayaran mengalami perkembangan dari awalnya menggunakan uang tunai sebagai alat pembayaran hingga menjadi pembayaran non tunai [1], yang tadinya melayani nasabah dengan harus datang ke kantor cabang namun kini cukup menggunakan smartphone, dengan layanan SMS Banking atau InternetBanking maka seketika itu juga kebutuhan transaksi terselesaikan. Lini lainnya yang memanfaatkan kemajuan teknologi adalah perguruan tinggi, pemanfaatan tersebut bukan sekedar prestise pendidikan tinggi modern, namun memang merupakan kebutuhan yang sangat mendesak karenamengingat kondisi saat ini yang berhadapan dengan kompleksitasnya data yang harus diolah yang tentu saja tidak memungkinkan lagi diselesaikan dengan sistem konvensional yang tidak terkomputerisasi. Adapun wujud dari pemanfaatan tersebut adalah Sistem Informasi Akademik (SIAKAD).SIAKAD adalah sistem yang dibangun untuk melakukan sentralisasi data akademik secara elektronik / online sehingga memudahkan semua aktor yang terlibat dalam kegiatan akademik tersebut. Secara spesifik, SIAKAD memiliki beberapa karakter yang cukup luas, yaitu [2]: a. SIAKAD bermakna sebagai pendekatan-pendekatan dalam melakukan proses manajemen. b. Komputer hanya merupakan komponen, atau alat bukan fokus sentral dari sistem informasi akademik. c. Pimpinan berperan aktif dalam rangka sistem sebagai pengguna informasi bukan sebagai tenaga teknis ataupun operator komputer. d. Esensi sistem informasi administrasi terletak pada sistem terpadu dan sistem terencana, bukan hanya urusan mekanisme pengolahan data. Adapun lingkup dari SIAKAD yaitu dapat dilihat pada gambar 1 berikut:

Gambar 1. Lingkup SIAKAD Dari gambar lingkup SIAKAD di atas dapat dijelaskan beberapa hal sebagai berikut: a. AcademicManagement meliputi absensi, jadwal, nilai, dan materi. b. Finance meliput pembayaran biaya pendaftaran, biaya bangunan, sks, wisuda dan pembayaran lainnya. c. Online Registration berkaitan dengan proses penerimaan mahasiswa baru dan proses seleksi d. Human Resource meliputi penerimaan beasiswa, profil jenjang dosen dll. e. Digital Library meliputi proses pendataan dan peminjaman buku/jurnal dll. f. Asset Management berkaitan dengan pengelolaan asset yang dimiliki kampus seperti komputer, server, meja, kursi dll. g. Career Center berkaitan dengan informasi lowongan pekerjaan. h. PDDIKTI Integration berkaitan dengan proses sinkronisasi Academic Management dengan sistem yang dimiliki PDDIKTI dalam hal ini aplikasi Feeder. Jika ditinjau dari sisi perbankan, kebutuhan akan layanan-layanan perbankan yang bersifat korporat/industri/institusi yang dalam hal ini terkait perguruan tinggi menjadi

IJCCS Vol. x, No_page–end_page


103

kesempatan untuk dikembangkan teknologinya, maka munculah teknologi Host to Host (H2H) yang dibuat untuk menciptakan jembatan data perbankan dengan institusi khususnya perguruan tinggi. Menurut Peraturan Otoritas Jasa Keuangan Nomor 19/POJK.3/2014 yang dimaksud dengan H2H adalah “sistem elektronik terenkripsi yang terhubung secara dua arah dan realtime online diantara dua institusi yang melakukan kerjasama”. Metode ini merupakan pendeketan terbaru dari dunia perbankan, yang salah satu alasan terciptanya metode ini adalah kebutuhan institusi atau dalam hal ini perguruan tinggi yang memiliki intensitas pembayaran yang bersifat masif sehingga tidak memungkinkan lagi menggunakan cara-cara konvensional, metode ini menekankan pada akuntabilitas dalam proses pembayaran. H2H akan menghubungkan infrastruktur pembayaran perguruan tinggi sebagai pengguna layanan H2H dengan infrastruktur perbankan dengan perantara penyedia layanan H2H. Karena bersifat transaksional dan terhubung dengan sistem perbankan maka dalam hal ini lembaga pengguna H2H bersifat pasif dalam arti hanya menyediakan request untuk “ditulis” oleh H2H dan menyediakan response untuk “dibaca” oleh H2H dengan menerapkan token yang terenkripsi yang diketahui oleh masing-masing pihak. Sebagai Ilustrasi dari proses H2H dapat dilihat pada gambar 2 di bawah ini.

Gambar 2. Arisitektur H2H Awal proses H2H dimulai dari infrastuktur SIAKAD, operator keuangan akan memasukan data tagihan beserta identitas mahasiswa yang akan menerima tagihan tersebut, kemudian mahasiswa memasukKan identitas pembayaran pada channel pembayaran bank maka secara realtime juga H2H akan melakukan request dan menerima response dari SIAKAD terkait data tagihan/pembayaran dari mahasiswa bersangkutan, sehingga data pasca pembayaran murni sepenuhnya dikendalikan oleh pihak perguruan tinggi. Berikut adalah beberapa keuntungan menggunakan layanan H2H: a. Bagian keuangan tidak perlu sibuk mencatat serta melayani padatnya antrian mahasiswa yang akan melakukan pembayaran. b. Semua data pembayaran termonitoring secara realtime. c. Sistem yang dikembangkan dibangun dengan standar kemanan yang tinggi. Standar operasi yang baku menjamin semua proses terkontrol dengan baik. d. Mahasiswa dapat melakukan pembayaran kuliah kapanpun. e. Mahasiswapun dapat melakukan pembayaran melalui channel pembayaran apapun. f. Memberikan rasa aman kepada mahasiswa pada saat melakukan pembayaran biaya kuliah karena mahasiswa tidak perlu membawa uang cash ke kampus Dari penjelasan di atas maka adapun tujuan dari penelitian ini adalah melakukan perancangan dan implementasi Sistem Informasi pembayaran pada perguruan tinggi menggunakan webservices metode H2H dari perbankan.


104

ISSN: 2407-4322 2. METODE PENELITIAN

Metode penelitian yang digunakan pada penelitian ini adalah metode penelitian deskriptif yaitu sebuah penelitian yang bertujuan untuk memberikan gambaran fakta suatu permasalahan yang terjadi saat ini dan berusaha memecahkannya menggunakan pendekatan prosedur/kaedah ilmiah. 2.1Metodologi Penelitian Metodologi adalah tahapan yang dilakukan dalam melakukan sebuah penelitian, dari identifikasi masalah sampai pada implementasi solusi, adapun metodologi dalam penelitian ini dapat dilihat pada gambar 1 di bawah ini:

Gambar 3. Metodologi Penelitian a. Identifikasi Masalah Proses pengenalan terhadap lingkungan objek penelitian harus dilakukan guna mengidentifkasi berbagai macam keluhan atau permasalahan yang dialami semua resources yang ada pada objek penelitian, baik dari sisi sistem berjalan maupun dari manusia yang terlibat. b. Studi Literatur Penyelesaian masalah harus memiliki landasan teori yang kuat, guna memangkas kesalahankesalahan yang timbul ketika solusi dijalankan, tahapan ini dapat berupa melakukan literasi dari bestpractice yang pernah dilakukan terhadap permasalahan serupa. c. Analisa Proses Bisnis Setelah mendapatkan prioritas permasalahan yang akan ditangani, tahap berikutnya melakukan analisa yang lebih mendalam terhadap berbagai hal yang menyebabkan permasalahan tersebut timbul dan dampaknya bagi permasalahan lain, analisa dapat berupa melakukan klasifikasi pengguna dan klasifikasi tugas dan wewenang dalam sistem. d. Perancangan Sistem Setelah mendapatkan kata sepakat terhadap solusi tersebut maka tahap berikutnya adalah mulai menerapkan kaedah pengembangan sistem, yaitu menggunakan pendekatan RUP, pada tahap ini juga dilakukan pengujian/debugging terhadap aplikasi secara menyeluruh. e. Implementasi Sistem Tahap akhir dari penelitian ini adalah melakukan impelementasi sistem. 2.2 Metodologi Pengembangan Sistem Pada penelitian ini digunakan metedologi RUP adalah proses rekayasa perangkat lunak yang bersifat iteratif, arsitektur-sentris dan use-case-driven yang terdefinisi dan terstruktur dengan baik.



105

Gambar 4. Proses Iterasi Dalam RUP [3] Requirement, analysis dan design menjadi fokus terbesar dalam proses awal iterasi, kemudian implementasi dan pengujian ditahap berikutnya. Proses iterasi menyebabkan respon terhadap perubahan/kesalahan jauh lebih fleksibel untuk diperbaiki dibandingkan model waterfall, sehingga perangkat lunak yang dihasilkan jauh lebih berkualitas, adapun tahapan yang digunakan pada RUP adalah: a. Inception, tahap ini meliputi penentuan ruang lingkup, Business Case. b. Elaboration, tahap ini melakukan analisa kebutuhan dan resiko. c. Construction, tahap ini melakukan analisis perancangan, implementasidan testing. d. Transition, tahap ini melakukan persiapan untuk kemudian sistem diserahkan kepada client dalam hal ini melakukan pembuatan buku manual, pelatihan dll. 2.3 Unified Modeling Language (UML) UML adalah pemodel yang digunakan untuk mengkomunikasikan sistem melalalui diagram dan teks pendukung, adapun tiga aspek dalam UML [4] yaitu: a. Language, adalah cara berkomunikasi antara sistem dengan anggota tim pengembang (subjek) sehingga masing-masing anggota tetap dapat saling berkolaborasi untuk keberhasilan sistem. b. Model, aspek ini akan mengkonversikan Language kedalam sebuah model yang merepresentasikan sistem secara keseluruhan, sehingga anggota tim dapat dengan mudah memahami dampak ketika terjadi perubahan saat sistem sedang dikembangkan. c. Unified, aspek ini mengistilahkan UML sebagai pemersatu antara Sistem Informasi dengan kebutuhan bisnis sehingga keduanya dapat saling berkontribusi dalam proses pengembangan. Pemodel UML dibutuhkan dikarenakan sifat dari metodologi RUP berorientasi pada Object dimana proses pengembangan akan dikonversi kedalam class-class, adapun diagram yang akan digunakan pada tahapan ini adalah Usecase, Activity, Sequence, dan Class Diagram 2.5 Web Services Web services adalah teknologi berbasis website yang disiapkan untuk proses pertukaran data dengan sistem/platform lain [5], Web services dibangun atas 5 [6] dasar standar: a. Extensible Markup Language (XML) adalah format data standar yang digunakan dalam proses pertukaran data. b. Hypertext Transfer Protocol (Secure) HTTP (S) adalah Protokol pertukaran data berbasis teks yang saat ini telah menjadi protocol standar pengaksesan internet melalui browser dan media lainnya. c. Web Services Definition Language (WSDL) adalah Standar Web service yang menyediakan aturan fungsi dan object. d. Simple Object Application Protocol (SOAP) yaitu protokol yang mengemas fungsi dan objek pada saat proses pertukaran data. e. Universal Description, Discovery, and Integration (UDDI) yaitu penampung registry web services yang telah dikembangkan agar dapat diakses dan diintegrasikan.


106

ISSN: 2407-4322

2.6 Laravel Laravel merupakan framework PHP yang digunakan dalam tahap Construction, dengan programming pattern Model View Controller (MVC) dapat memudahkan dalam proses konversi dari tahap Elaboration. Selain menyediakan fitur Application Programming Interface (API) yang memungkinkan berinteraksi dengan bahas pemrograman dan platform lainnya, Laravel juga menyediakan fungsi Cross-Site Request Forgery (CRSF) pada fitur keamannanya, fungsi ini melakukan enkripsi dua arah ketika terdapat request oleh user, sehingga hanya enkripsi yang terbentuk oleh sistem saja yang dianggap valid. Kedua fitur ini menjadi penting karena terkait interaksi dengan aplikasi/platform lain dengan kebutuhan kemanan akan data pembayaran/ keuangan di dalam sistem H2H. Laravel bukan sekedar framework, keseluruah tools telah dikembangkan untuk membuat aplikasi PHP lebih cepat dan nyaman [7].

3. HASIL DAN PEMBAHASAN Pengidentifikasian kebutuhan pada penelitian ini dilakukan dengan bantuan PIECES yang membagi kebutuhan kedalam 5 kategori yaitu Performance, Information, Control, Economy dan Service. Dalam hasilnya Diagram PIECES ini digunakan untuk mendapatkan inti permasalahan yang ada saat ini, hal ini dilakukan untuk mendapatkan solusi dari permasalahan yang sedang terjadi saat ini, adapun kesimpulan permasalahan yang didapat dari hasil wawancara yang telah dilakukan yaitu berupa kesimpulan dari diagram PIECES yaitu:

P I C E S

Tabel 1. PIECES Kesederhanaan proses Informasi yang realtime Centralisasi instrumen pembayaran Akuntabilitasdata keuangan feedbackinformasi terhadap user

3.1 Usecase Terdapat 2 aktor utama dalam sistem ini yaitu operator keuangan dan mahasiswa itu sendiri, keduanya terhubung melalui SIAKAD untuk aktivitas tagihan dan channel perbankan sebagai media pembayaran. Sementara usecase yang digunakan adalah tagihan dan pembayaran, adapun usecase tagihan merupakan tanggungjawab dari operator keuangan dalam pengelolaannya, seperti menentukan jenis, tanggal awal dan akhir, besaran nominal dan mahasiswa-mahasiswa yang dibebankan tagihan tersebut.

Gambar 5. Usecase Diagram 3.2 Activity Diagram Activity Diagram pada gambar 6 dimulai dari mahasiswa memasukan nomor pembayaran pada channel-channel pembayaran yang dimiliki Bank terkait, untuk kemudian nomor pembayaran tersebut divalidasi oleh H2H, jika dinyatakan valid maka sistem akan langsung melakukan pengecekan pada data tagihan, jika terdapat tagihan aktif maka sistem akan menampilkan deskripsi beserta nominal tagihan, untuk kemudian dilakukan pembayaran.



107

Gambar 6. Activity Diagram Pembayaran 3.2 Class Diagram Pada gambar 7 di bawah ini, terdapat 4 class utama yaitu Mahasiswac, Tagihanc, Tagihandetailc, Pembayaranc, dan Jenistagihanc, yang merupakan subclass dari class Controller yang terdapat pada gambar x. Class Tagihanc dan class Pembayaranc adalah class yang digunakan sebagai API untuk H2H, dengan attribute allowed_collecting dan allowed_channels bertipe data array yang menyimpan nama Bank dan pilihan channel seperti via sms, teller, mbank, atm dll, serta juga memiliki attribute api_token bertipe data Uuid yang terenkripsi.

Gambar 7. Class Diagram H2H Dikarenakan terhubung melalui web service maka dibutuhkanlah pemetaan data atau XML Key yang telah dimasukan pada class diagram di atas, XML Key tersebut dapat dilihat pada tabel 2 di bawah ini. Tabel 2. XMLKey Tagihan Request Nomor pembayaran Kode Bank Kode Channel Kode Terminal

Response Nomor pembayaran Id tagihan Deskripsi Nominal

Pembayaran Request Response Nomor pembayaran Nomor pembayaran Id Tagihan Id tagihan Kode Bank Nomor Induk Kode Channel Nama


108

ISSN: 2407-4322 Nomor Induk Nama Jurusan Fakultas

Kode Terminal Id Transaksi

Jurusan Fakultas

3.3 Sequence Diagram Setelah memetakan sistem kedalam bentuk AcitivityDiagram maka pemodelan berikutnya dilakukan dengan menggunakan Sequence Diagram Tagihan yang menjelaskan seperti terlihat pada gambar 8 di bawah ini. Operator keuangan akan berinteraksi dengan halaman Tagihanv yang berisikan data dari model Tagihan dengan Controller Tagihanc sebagai drivernya, methodstore akan dieksekusi ketika operator menambahkan tagihan baru beserta mahasiswa tertagih di dalamnya, methodstore akan mengeksekusi methodsave ke model mahasiswa dan model tagihan.

Gambar 8. Sequence Diagram Tagihan Setelah proses pengaktifan status tagihan maka secara otomatis tagihan tersebut akan langsung terkoneksi dengan channel-channel pembayaran perbankan, itu artinya Mahasiswa akan berinteraksi dengan H2H Interface (Channel), untuk melakukan validasi nomor tagihan oleh controller Tagihanc terhadap model tagihan. Jika data mahasiswa valid maka dilanjutkan melakukan pembayaran oleh controller pembayaran dan terakhir data pembayaran tersimpan pada model pembayaran dengan status pembayaran “Lunas”. Proses tersebut dapat dilihat pada gambar 9 di bawah ini.

Gambar 9. Sequence Diagram Pembayaran 3.4 Struktur Data Struktur data yang dibutuhkan terdiri dari 5 tabel yaitu mahasiswa, jenis tagihan, tagihan, tagihan detail dan pembayaran dengan 2 tabel yang terkoneksi secara langsung dengan H2H,



109

yaitu tabel tagihan dan tabel pembayaran. Untuk lebih jelasnya dapat dilihat pada gambar 10 Struktur tabel H2H di bawah ini.

Gambar 10. Struktur Tabel H2H 3.6 Antarmuka Sistem ini diimplementasikan berbasis web application dibangun menggunakan bahasa pemgrograman PHP dengan framework Laravel. Adapun antarmukanya yaitu: a. Jenis Tagihan, halaman ini berkaitan dengan pengolahan jenis tagihan seperti: SKS, Registrasi, Bangunan, SPP, Wisuda dan lain-lain. Penambahan jenis tagihan dapat dilakukan dengan menekan tombol “Tambah Jenis Tagihan”, sementara untuk melakukan modifikasi data dapat dilakukan dengan menekan tombol pada kolom “Kontrol”. Untuk lebih jelasnya dapat dilihat pada Gambar 11 di bawah ini.

Gambar 11. Dashboard Jenis Tagihan b. Tagihan, operator keuangan akan melakukan pendataan tagihan yang akan dipublish ke mahasiswa dengan cara memilih jenis tagihan, nama tagihan, tanggal awal dan akhir tagihan serta nominal yang ditagihkan. Ketika tagihan berhasil dibuat maka secara default status dibuat non aktif, untuk kemudian diubah menjadi aktif sesuai kebutuhan, dan tagihan pun secara realtime terhubung dengan H2H. Antarmuka tagihan dapat dilihat pada Gambar 12 di bawah ini.


110

ISSN: 2407-4322

Gambar 12. Dashboard Tagihan c. Tagihan Detail, proses penambahan mahasiswa yang tertagih dapat dilakukan pada antarmuka tagihan detail seperti pada Gambar 13 di bawah ini, dimana pencarian identitas mahasiswa dapat berupa nama atau nim kemudian menekan tombol “tambah”, maka akan secara otomatis masuk kedalam daftar mahasiswa tertagih. Informasi seperti jumlah mahasiswa tertagih, jumlah mahasiswa yang telah melunasi, serta jumlah nominal uang dari mahasiswa yang telah melunasi juga tertera pada halaman tersebut.

Gambar 13. Dashboard Pembayaran d. Channel ATM, setelah status tagihan diubah menjadi “aktif” maka secara otomatis tagihan tersebut akan langsung dapat diakses melalui channel pembayaran yang disediakan Bank terkait, adapun caranya dengan memasukan kode Bank dan nomor pembayaran, kemudian akan tertera identitas mahasiswa dan nominal tertagih, untuk kemudian dilakukan proses



111

pembayaran. Gambar 14 merupakan antarmuka dari proses pembayaran tagihan melalui channel ATM BCA untuk pembayaran pada H2H Bank Syariah Mandiri. e.

Gambar 14. Antarmuka Pembayaran pada Channel ATM BCA

4. KESIMPULAN Penelitian ini telah berhasil menghasilkan output sebuah sistem informasi pembayaran pada perguruan tinggi menggunakan webservice metode H2H dengan menggunakan kaedahkaedah ilmiah penelitian dan pengembangan sistem informasi, dan penelitian ini juga telah berhasil diimplementasikan baik pada sisi perguruan tinggi hingga sampai pada channelchannel perbankan. Diharapkan penelitian ini dapat membantu perguruan tinggi mengelolah traksaksi pembayaran dengan lebih maksimal.

5. SARAN

H2H merupakan proses pembayaran yang disiapkan oleh lembaga perbankan untuk institusi-institusi yang memiliki jumlah transaksi yang besar dan rutin, itu artinya tidak hanya sebatas dapat diterapkan di perguruan tinggi saja seperti yang dilakukan pada penelitian ini. Diharapkan kedepan terdapat penelitian/pembuatan sistem informasi yang memiliki lingkup yang lebih luas dan umum, sehingga H2H dapat dimanfaatkan diberbagai kebutuhan institusi/perusahaan. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada semua pihak yang telah memberi dukungan baik moral dan finansial terhadap penelitian ini.


112

ISSN: 2407-4322 DAFTAR PUSTAKA

[1] Adiyanti, A.I. and Pudjihardjo, M., 2014, Pengaruh Pendapatan, Manfaat, Kemudahan Penggunaan, Daya Tarik Promosi, dan Kepercayaan Terhadap Minat Menggunakan Layanan E-money, Jurnal Ilmiah Mahasiswa FEB, 3(1). [2] Indrayani, E., 2011, Pengelolaan Sistem Informasi Akademik Perguruan Tinggi Berbasis Teknologi Informasi Dan Komunikasi (TIK), Jurnal Penelitian Pendidikan, 12(1), p.1. [3] Kroll, P. and Kruchten, P., 2003, The Rational Unified Process Made Easy: A Practitioner's Guide to The RUP, Addison-Wesley Professional. [4] Alhir, S.S., 2003, Learning Uml," O'Reilly Media, Inc.". [5] Josuttis, N.M., 2007, SOA in Practice: The Art of Distributed System Design," O'Reilly Media, Inc.". [6] Firmansyah, A., 2017, Implementasi Services Oriented Architecture (SOA) Dalam Sistem Transaksi Perbankan di Perguruan Tinggi Studi Kasus: Universitas Padjadjaran, Konferensi Nasional ICT-M Politeknik Telkom. [7] Bean, M., 2015, Laravel 5 Essentials, Packt Publishing Ltd.


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)

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.

VOLUME 4 NOMOR 1 SEPTEMBER 2017 JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI) KETUA PENYUNTING Muhammad Rizky Pribadi

Recommend Documents