jurnal masyarakat informatika indonesia vol 2 no 1 2017/jmiivol2no32017.pdf · jurnal masyarakat...

JURNAL MASYARAKAT INFORMATIKA INDONESIA

Vol 2, No 3, Tahun 2017

E-PASAR KOTA CIMAHI BERBASIS ANDROID

Mamay Syani, Fitri Yulianti

PERBANDINGAN NILAI KUANTUM YANG LEBIH EFEKTIF MENGGUNAKAN FUZZY LOGIC

DAN CHANGABLE TIME QUANTUM PADA ALGORITMA PENJADWALAN ROUND ROBIN

Patrick Hendriantoro, Aji Cakra Kusuma

PENENTUAN PERUBAHAN CALON PENERIMA RASTRA (BERAS SEJAHTERA) DI DESA HUIDU

MENGGUNAKAN METODE WEIGHT PRODUCT

T.P.Handayani

PEMILIHAN FUNGSI AKTIVASI TERBAIK UNTUK KLASIFIKASI MNIST

Siti Ratna Swari, Muhammad Hilmy An Nabhany

ANALISIS BIG PICTURE MAPPING DALAM IMPLEMENTASI SISTEM ERP PADA KLINIK

KESEHATAN TINGKAT PRATAMA

Nissa Syifa Puspani

APLIKASI PENGOLAHAN DATA PESERTA DAN CALON PENERIMA PENSIUN PADA PT.

TASPEN (PERSERO) CABANG KUPANG BERBASIS CLIENT SERVER

Emerensiana Ngaga, Yulianti P. Bria, Muhamad W. Suwandi

TEXT MINING DENGAN METODE LEXICON BASED UNTUK SENTIMENT ANALYSIS

PELAYANAN PT. POS INDONESIA MELALUI MEDIA SOSIAL TWITTER

Febrilien Matresya Matulatuwa, Eko Sediyono, Ade Iriani

BUSINESS INTELLIGENT PADA SISTEM INVENTORY DESINFEKTAN DI PT.ROHTO

LABORATORIES INDONESIA

Ahmad Ramdani

SISTEM DETEKSI OBJEK BERGERAK DENGAN MENGGUNAKAN TEKNIK ROI DAN

ALGORITMA KALMAN FILTER

Lilis Diana, Mukhlish Amarullaah

MOBILE LEARNING SUPPORT SYSTEM VPL-SCM BASE ON ANDROID

Azizah Zakiah,Adityo Suma Pratama, Ari Purno Wahyu

ISSN: 2541-5093

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 4 kali dalam setahun, setiap bulan

Maret, Juni, September, dan Desember.

Ketua Redaksi

Feri Sulianta

Dewan Redaksi

Fajri Rakhmat Umbara

Agung Santoso Pribadi

Afief Dias Pambudi

Edward Daniel Maspaitella

Iqbal Yulizar

Editor Pelaksana

Farhan Ferdian Mulyadi

Vito Hafiz

Ricko Firmansyah

Reviewer

Prof The Houw Liong (Institut Teknologi Bandung)

Hengky Honggo (STMIK MDP Palembang)

Bahar Riand Passa (Nanyang Technological University)

Dwi Aryanta (ITENAS)

Eko Cahyanto (Universitas Gunadarma)

Cholid Fauzi (ST Inten)

Wawan Hendrawan (ASMTB)

Titan Halim (Universitas BINUS)

Muksin Wijaya (STMIK LIKMI)

Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT

TIM KOMUNIKA INFORMATIKA

Jl. Gatot Subroto 153 C, Bandung 40273

e-mail: / [email protected]

website: http://www.e-jmii.org

mailto:[email protected]

http://www.e-jmii.org/

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk

menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII)

yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat

Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami

untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk

mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun

ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi,

Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan,

Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan

Teknologi Informasi dan lainnya.

Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi

dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami

pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini

pada edisi – edisi selanjutnya.

Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan

berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat

Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)

JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093

4

Jurnal Nasional JMII 2017



5


E-PASAR KOTA CIMAHI BERBASIS ANDROID

Mamay Syani, S.ST.,M.Kom1 , Fitri Yulianti2

1Program Studi Teknik Informatika - Politeknik TEDC Bandung

email: [email protected]

2 Program Studi Teknik Informatika - Politeknik TEDC Bandung

email: [email protected]

Abstrak

Bahan pokok merupakan kebutuhan pangan yang

sangat penting dan di perlukan oleh seluruh

masyarakat. Harga Bahan Pokok kerap mengalami

kenaikan yang signifikan. Dengan begitu, perlunya

bagi masyarakat untuk mengawasi, memantau serta

mengetahui informasi harga yang semestinya, namun

tidaklah mungkin jika masyarakat harus melakukan

hal tersebut dengan mendatangi pasar disetiap hari.

Tujuan yang hendak dicapai oleh penulis adalah

membangun sebuah aplikasi yang berjalan pada

smartphone dengan sistem operasi Android yang

berguna untuk memudahkan masyarakat kota Cimahi

dalam mengetahui harga bahan pokok. Aplikasi E-

Pasar Kota Cimahi ini dirancang dengan

menggunakan teknologi Client-Server dengan

aplikasi client berbasis android dan aplikasi server

berbasis PHP dengan database MySQL.

Perintah dijalankan dengan PHP dan client

melakukan permintaan kepada webserver sehingga

menerima JSON. Metode yang digunakan dalam

pengujian adalah black box testing, digunakan untuk

menguji kesesuaian kebutuhan pengguna dengan

aplikasi yang rancang. Pengujian dilakukan melalui

observasi dengan menggunakan kuisioner terhadap

15 sample responden yang diambil secara acak.

Penelitian ini menghasilkan sebuah aplikasi

Smartphone berbasis Android untuk mempermudah

dalam mengetahui informasi harga bahan pokok di

Pasar Kota Cimahi, dengan memantau Pasar Atas,

Pasar Cimindi dan Pasar Melong. Hasil pengujian

terhadap aplikasi E-Pasar Kota Cimahi yang

dibangun telah sesuai dengan apa yang diperlukan

oleh pengguna (86%). Dalam hal ini kebutuhan

tersebut mencakup 3 aspek yaitu desain, fitur dan

kepuasan pengguna.

Kata kunci: Kata kunci: E-Pasar, Harga, Bahan

pokok, Android, Smartphone.

Abstract

Staple food needs is extremely important and in

need by the whole community. The price of the

Staple often experienced a significant increase. Thus,

the need for the community to supervise, monitor and

find out the proper price information, but it is not

possible if the public should do so with came up to

the market every day.

The goals achieved by the author is to build an

application that runs on Smartphones with Android

operating system which is useful to facilitate

community Cimahi in knowing the price of a staple.

The application of E-Markets Cimahi is designed by

using the Client-Server technology with android-

based client applications and server-based

applications PHP with a MySQL database.

The command is executed with PHP and client

requests to a webserver so that accept JSON. The

methods used in testing, black box testing is used to

test the suitability of the user needs with the

application design. Testing is done through

observation by using a detailed questionnaire against

15 sample respondents drawn randomly.

This research resulted in an Android-based

Smartphone applications to simplify the information

in knowing the price of a staple in the market town of

Cimahi, by monitoring the market up, Market and

market Cimindi Melong. The results of testing

against application of the E-Market Cimahi built

were in accordance with what is required by the users

(86%). In this case the requirement includes 3 aspects

of the design, the features and user satisfaction..

mailto:[email protected]



6


Keywords: Keywords: E-Market, Price, Staple,

Android, Smartphone

I PENDAHULUAN

Pasar merupakan suatu tempat dimana pada hari

tertentu para penjual dan pembeli dapat bertemu

untuk jual beli barang dan jasa. (Gilarso, 2004) Pasar

mempunyai peranan dalam mendorong kegiatan

perekonomian masyarakat baik itu konsumen,

produsen maupun pemerintahan. Terlebih di kota

Cimahi, peranan pasar sangat penting terutama bagi

ibu rumah tangga dalam melakukan pembelian bahan

pokok yang diperlukan sehari-hari. Bagi pemerintah,

melalui pasar pemerintah dapat memperoleh

pendapatan dari pajak dan restribusi.

Harga adalah sejumlah uang yang ditukarkan untuk

sebuah produk atau jasa. Keadaan normal permintaan

dan harga mempunyai hubungan yang negatif atau

terbalik. Artinya semakin tinggi harga ditetapkan

semakin kecil permintaan. Sedangkan hubungan

antara harga dengan keputusan pembelian yaitu harga

mempengaruhi keputusan konsumen dalam

melakukan pembelian, semakin tinggi harga maka

keputusan pembelian semakin rendah dan sebaliknya

jika harga rendah keputusan pembelian berubah

menjadi tinggi. (Kotler, Philip, & Amstrong, 2010)

Kenaikan harga bahan pokok dipicu oleh beberapa

faktor, yaitu : karena musiman, sumber pasokan dari

luar pulau atau luar negeri, tingginya permintaan

konsumen, kebijakan pemerintah, kenaikan harga

BBM, tanggal-tanggal muda dan musim THR serta

ulah spekulan yang memanfaatkan momen-momen

tertentu seperti hari raya karena pada saat itu

kebutuhan pokok akan meningkat jika dibandingkan

hari-hari biasa. Dalam mengantisipasi hal tersebut

baik itu masyarakat maupun pemerintah diperlukan

pengawasan dengan memantau harga-harga bahan

pokok yang ada dipasar disetiap harinya. Namun

tidaklah mungkin jika masyarakat harus memantau

harga-harga tersebut dengan mendatangi pasar setiap

hari.

Berdasarkan hal tersebut maka penulis tertarik untuk

membuat alat bantu praktis dalam memberikan

informasi harga bahan pokok untuk masyarakat

khususnya di Kota Cimahi. Aplikasi dikembangkan

berbasiskan mobile karena teknologi mobile phone

atau smartphone mempermudah para pengguna untuk

menjangkau informasi secara cepat dan mudah.

Sistem operasi mobile yang digunakan adalah

Android karena merupakan salah satu sistem operasi

telepon seluler pintar berbasis Linux dan sudah

merambah pasaran dunia (Priyanta, 2011).

Dalam kajian Penelitian ini penulis mengangkat

judul yaitu “E-Pasar Kota Cimahi Berbasis Android”

dengan memantau harga bahan pokok di pasar yang

ada di kota Cimahi, diantaranya yaitu Pasar Atas,

Pasar Cimindi dan Pasar Melong.

II LANDASAN TEORI

A. Pasar

Pasar dalam arti sempit adalah suatu tempat

dimana pada hari tertentu para penjual dan pembeli

dapat bertemu untuk jual beli barang. Sedangkan

pengertian pasar dipakai dalam arti yang lebih luas

yaitu dimana pertemuan antara penjual dan pembeli

untuk melaksanakan transaksi jual beli tidak lagi

terbatas pada suatu tempat tertentu saja maupun pada

hari tertentu. .Pendapat lain dikemukakan oleh

(Miller et al., 2000), yang mengatakan pasar dalam

arti luas adalah suatu pasar tidaklah harus suatu

tempat, tapi suatu institusi yang menjadi ajang

operasi kekuatan-kekuatan yang menentukan harga,

dengan kata lain dalam pasarlah pemasokan dan

permintaan beroperasi.[1]

B. Aplikasi

Program aplikasi (sering kali hanya disebut aplikasi)

adalah program yang dibuat oleh pemakai yang

ditujukan untuk melakukan suatu tugas khusus.

(Abdul Kadir, 2003)

Menurut (Jogiyanto, 2004), aplikasi merupakan

program yang berisikan perintah-perintah untuk

melakukan pengolahan data. Aplikasi secara umum

yaitu suatu proses dari cara manual yang

ditransformasikan ke komputer dengan membuat

sistem atau program agar data diolah lebih berdaya

guna secara optimal.

Dari pengertian di atas, dapat disimpulkan bahwa

aplikasi adalah Program siap pakai yang dapat

digunakan untuk menjalankan perintah-perintah atau

melakukan berbagai bentuk pekerjaan atau tugas-

tugas tertentu seperti penerapan, penggunaan dan

penambahan data.[2]



7


C. Harga

Menurut (Kotler et al., 2010) harga merupakan

sejumlah uang yang dibebankan atas suatu produk

atau jasa atau jumlah dari nilai yang ditukar

konsumen atas manfaat-manfaat karena memiliki

atau menggunakan produk atau jasa tersebut. Jadi

harga adalah sejumlah uang yang dibutuhkan atau

ditukarkan kekonsumen untuk mendapatkan atau

memiliki suatu barang yang memiliki manfaat serta

penggunaannya. Indikator yang mencirikan harga

yaitu:

1. Keterjangkauan harga.

2. Kesesuaian harga dengan kualitas produk.

3. Daya saing harga.

4. Kesesuaian harga dengan manfaat produksi.

5. Harga mempengaruhi daya beli beli konsumen.

6. Harga dapat mempengaruhi konsumen dalam

mengambil keputusan.

Menurut (Kotler et al., 2010) dalam keadaan normal

permintaan dan harga mempunyai hubungan yang

negatif atau terbalik. Artinya semakin tinggi harga

diteapkan semakin kecil permintaan. Sedangkan

hubungan antara harga dengan keputusan pembelian

yaitu harga mempengaruhi keputusan konsumen

dalam melakukan pembelian, semakin tinggi harga

maka keputusan pembelian semakin rendah dan

sebaliknya jika harga rendah keputusan pembelian

berubahmenjadi tinggi. Hal ini berarti bahwa harga

berpengaruh positif terhadap keputusan pembelian.

Hipotesis untuk penelitian ini berdasarkan uraian di

atas, yaitu:

H1 : Harga berpengaruh signifikan terhadap

keputusan konsumen dalam pembelian.[3]

D. Metode Pengembangan Sistem

Menurut Pressman (2015), System Develoment Life

Cycle (SDLC) ini biasanya disebut juga dengan

model waterfall dengan nama lain adalah Model Air

Terjun kadang dinamakan siklus hidup klasik (classic

life cyle), dimana hal ini menyiratkan pendekatan

yang sistematis dan berurutan (sekuensial) pada

pengembangan perangkat lunak. Pengembangan

perangkat lunak dimulai dari spesifikasi kebutuhan

pengguna dan berlanjut melalui tahapan-tahapan

perencanaan (planning), pemodelan (modeling),

konstruksi (construction), serta penyerahan sistem

perangkat lunak ke para pelanggan/pengguna

(deployment), yang diakhiri dengan dukungan

berkelanjutan pada perangkat lunak yang di hasilkan.

Tahapan metode waterfall dapat dipaparkan sebagai

berikut:

Gambar 1. Metode Waterfall .[4]

E. Pemrograman Barbasis Web

Program berbasis web adalah sebuah program yang

dijalankan menurut prinsip kerja web yaitu dengan

software web server dan web browser yang bekerja

seperti sistem client dan server dengan tugas sebagai

berikut:

1. Web browser: Sebagai client untuk

menginterpresentasikan dan melihat informasi

web.

2. Web server: Sebagai server untuk menerima

informasi yang diminta oleh browser. Merupakan

Software yang digunakan untuk mejadikan

sebuah komputer menjadi server yang dapat

menangani semua kegiatan yang berhubungan

dengan protokol HTTP. Komputer yang

dilengkapi software ini akan dapat diakses oleh

komputer lain dengan mudah menggunakan web

browser dengan cara menuliskan nama server

(host name) atau dengan menuliskan IP dari

komputer server. (Gustamam, 2009)

Sistem kerja program berbasi web adalah sebagai

berikut :

1.Informasi web disimpan dalam dokumen yang

disebut dengan halaman -halaman web (web pages).

2. Web pages adalah file-file yang disimpan dalam

komputer yang disebut dengan server-server web

(web server).

3.Komputer-komputer membaca web pages disebut

web client.

Web client menampilkan page dengan menggunakan

program yang disebut browser web (web browser).[5]

F. PHP

PHP (Hypertext Preprocessor) bahasa pemrograman

yang berjalan dalam sebuah webserver dan berfungsi

sebagai pengelolah data pada sebuah server.Untuk



8


membuat website yang dinamis dan mudah untuk

diupdate setiap saat dari browser, dibutuhkan sebuah

program yang mampu mengelolah data dari komputer

client atau dari komputer server itu sendiri sehingga

mudah dan nyaman untuk disajikan di browser. Salah

satu program yang dapat dijalankan di server dan

cukup handal adalah PHP. Dengan menggunakan

program PHP, sebuah website akan lebih interaktif

dan dinamis. (Andi & Madcoms, 2012).[6]

G. HTML

HTML (Hyper Text Markup Language) adalah suatu

format data yang digunakan untuk membuat

dokumen hypertext yang dapat dieksekusi dari satu

platform komputer ke platform komputer lainya

tanpa perlu melakukan suatu perubahan apapun

dengan suatu alat tertentu.(Junaedi, 2005).[7]

H. JavaScripts

JavaScript adalah suatu bahasa script yang di-

interpreter oleh browser (client side). Sintaks

penulisan JavaScript memiliki kemiripan dengan

bahasa pemrograman Java dan juga C sehingga

banyak aturan-aturan dari bahasa Java atau C yang

biasa diterapkan dalam JavaScript, tetapi perlu

diingat JavaScript tidak sama dengan Java.

(Madcoms, 2008).[8]

I. CSS

CSS adalah sebuah fitur yang diperkenalkan sejak

HTML versi 4.0 dan berfungsi untuk menangani

masalah tampilan pada HTML seperti jenis, ukuran,

dan warna font, posisi text, batas tulisan atau margin,

warna background, dan sebagainya. (Madcoms,

2008).[9]

J. Notepad++

Menurut Benefit Nugroho (2004) “Notepad ++

adalah sebuah software bawaan windows sebagai

editor dasar”. Notepad ++ merupakan software yang

dapat membantu kita membuat HTML pada Web

Satu hal yang harus diperhatikan dalam membuat

HTML menggunakan Notepad ++ yaitu menentukan

Tipe file saat penyimpanan. Notepad++ mendukung

banyak bahasa pemrograman.

Dukungan dalam hal ini adalah dimengerti dan

diterjemahkan menjadi teks oleh Notepad++.

Misalnya pada C++, fungsi-fungsinya akan di

masukan kedalam daftar fungsi dan kata-katanya

akan berubah warna sesuai dengan makna kata

tersebut di C++.[10]

K. JSON

JSON adalah JSON (JavaScript Object Notation)

adalah format pertukaran data (lightweight data-

interchange format), mudah dibaca dan ditulis oleh

manusia, serta mudah diterjemahkan dan dibuat

(generate) oleh komputer. Format ini dibuat

berdasarkan bagian dari Bahasa Pemprograman

JavaScript, Standar ECMA-262 Edisi ke-3 –

Desember 1999. JSON merupakan format teks yang

tidak bergantung pada bahasa pemprograman apapun

karena menggunakan gaya bahasa yang umum

digunakan oleh programmer keluarga C termasuk C,

C++, C#, Java, JavaScript, Perl, Python dll. Oleh

karena sifat-sifat tersebut, menjadikan JSON ideal

sebagai bahasa pertukaran-data. (Safaat, 2012).[11]

L. Basis Data

Basis data terdiri dari 2 kata yaitu Basis dan Data.

Basis kurang lebih dapat di artikan sebagai markas

atau gudang, tempat, bersarang / berkumpul.

Sedangkan Data adalah representasi fakta dunia nyata

yang mewakili suatu obyek seperti manusia

(pegawai, siswa, pembel, pelanggan) baran, hewan

peristiwa, konsep keadaan dan sebagainya yang

direkam dalam bentuk angka, huruf, teks, gambar,

bunyi atau kombinasinya. (Ilyas, 2011) .

Konsep dasar dari basis data adalah kumpulan dari

catatan-catatan, atau potongan dari pengetahuan.

Sebuah basis data memiliki penjelasan terstruktur

dari jenis fakta yang tersimpan di dalamnya,

penjelasan ini disebut skema. Skema

menggambarkan obyek yang diwakili suatu basis

data, dan hubungan di antara obyek tersebut[12]

M. XAMPP

XAMPP adalah aplikasi web server instan yang

dibutuhkan untukmembangun aplikasi. Fungsi

XAMPP adalah sebagai server yang berdiri sendiri

(localhost), yang terdiri atas program Apache, http

server, MySQL database, dan penterjamah bahasa

yang ditulis dengan bahasa pemrograman PHP dan

Perl. (Nugroho, 2008).[13]

N. Client-Server

Client server adalah untuk menghubungkan aplikasi

dengan database Mysql. Dimana pengguna aplikasi

akan berinteraksi dengan database yang ada diserver



9


melalui internet/ jaringan dan PHP. dilihat pada

gambar dibawah ini :

Gambar 2. Skema Client Server Aplikasi Android

Keterangan untuk gambar 2.2 di atas adalah :

1. Perangkat android akan melakukan request

(get/post) ke server melalui internet.

2. Setelah setelah sukses koneksi ke internet.

Selanjutnya data dikirim ke web server.

3. Database memproses request dari perangkat

android dan akan melakukan query ke database

(Arthana, 2013).[14]

O. Android

Android adalah sebuah sistem operasi untuk

perangkat mobile berbasis linux yang mencakup

sistem operasi, middleware dan aplikasi. Android

menyediakan platform terbuka bagi para pengembang

untuk menciptakan aplikasi. Pada bulan Agustus

2005, akhirnya Android Inc diakuisisi Google Inc.

Yang merupakan pendatang baru yang membuat

peranti lunak untuk smartphone.

Saat itulah mereka mulai menggunakan platform

linux untuk membuat sistem operasi bagi mobile

phone. Kemudian untuk mengembangkan Android,

dibentuklah Open Handset Alliance, konsorsium dari

beberapa perusahaan peranti keras, peranti lunak, dan

telekomunikasi, termasuk Google, HTC, Intel,

Motorola, Qualcom, T-Mobile, dan Nvidia. Pada saat

perilisan perdana Android, 5 November 2007,

Android bersama Open Handset Alliance menyatakan

mendukung pengembangan open source pada

perangkat mobile. di lain pihak, Google merilis kode-

kode Android dibawah lisensi Apache, sebuah lisensi

perangkat lunak dan open platform untuk system

operasi bagi mobile phone.

Pada masa saat ini sebagian besar perusahaan

smartphone sudah memproduksi smartphone berbasis

android, perusahaan itu antara lain Broadcom

Corporation, Google, HTC, Intel, LG, Marvell

Technology Group, Motorola, Nvidia, Qualcomm,

Samsung Electronics, Sprint Nextel, T-Mobile dan

Texas Instruments. Mereka sepakat untuk membuat

standar bagi mobile phone. Pada hari yang sama,

mereka mengumumkan produk pertama mereka,

yaitu Android yang berbasis Linux kernel versi 2.6

Tidak hanya menjadi sistem operasi di smartphone,

saat ini Android menjadi pesaing utama dari Apple

pada sistem operasi Tablet PC. Android itu sendiri

adalah platform yang sangat lengkap baik itu sistem

operasinya, Aplikasi dan Tool Pengembangan, serta

dukungan yang sangat tinggi dari komunitas Open

Source dunia sehingga Android terus berkembang

pesat (Nazarudin Safaat, 2012).[15]

P. Android Studio

Android Studio merupakan sebuah Integrated

Development Environment (IDE) untuk platform

Android. Android Studio ini diumumkan pada

tanggal 16 Mei 2013 pada Konferensi Google I/O

oleh Produk Manajer Google, Ellie Powers. Android

Studio bersifat free dibawah Apache License 2.0.

Android Studio awalnya dimulai dengan versi 0.1

pada bulan Mei 2013, Kemudian dibuat versi beta 0.8

yang dirilis pada bulan Juni 2014. Yang paling stabil

dirilis pada bulan Desember 2014, dimulai dari versi

1.0. Berbasiskan JetBrainns' IntelliJ IDEA, Android

Studio di design khusus untuk Android Development.

Ini sudah bisa di download untuk Windows, Mac OS

X, dan Linux. (Syahputra, 2014).[16]

Q. DISKOPINDAGTAN

Dinas Koperasi, UMKM, Perindustrian, Perdagangan

dan Pertanian (Diskopindagtan) merupakan salah satu

SKPD yang ada di Pemerintah Kota Cimahi.

Keberadaan Diskopindagtan diatur secara legal-

formal dalam Peraturan Daerah No. 2 tahun 2011

tentang Dinas Daerah. Berdasarkan peraturan

tersebut Diskopindagtan memiliki tugas pokok

melaksanakan urusan bidang Koperasi, UMKM,

Perindustrian, Perdagangan, Pertanian, Peternakan,

Perikanan, Kebudayaan dan Pariwisata. Sebuah

tugas pokok yang variatif bidang kerjanya dan



10


tentunya memiliki tanggungjawab yang luas dan

kompleks, mengingat urusan dan masalah publik

terkait bidang-bidang tersebut juga sangat banyak

dan kompleks pula. Meskipun demikian, sudah

menjadi kewajiban bagi semua jajaran dalam

organisasi untuk melaksanakan tugas pokok tersebut.

Pada konteks tersebut, menurut Perda yang sama,

ditegaskan maka Diskopindagtan mempunyai

beberapa fungsi utama dan strategik, yaitu:

1. Perumusan kebijakan teknis bidang Koperasi,

UMKM, Perindustrian, Perdagangan, Pertanian,

Peternakan, Perikanan, Kebudayaan dan Pariwisata.

2. Penyelenggaraan sebagian urusan pemerintahan

dan pelayanan umum di bidang Koperasi, UMKM

3. Perindustrian, Perdagangan, Pertanian, Peternakan,

Perikanan dan Kebudayaan;

4. Pembinaan dan pelaksanaan tugas bidang

Koperasi, Usaha Mikro, Kecil dan Menengah,

Perindustrian, Perdagangan, Kebudayaan dan

Pariwisata, Pertanian yang meliputi KOperasi, Usaha

Mikro, Kecil dan Menengah, Perindustrian,

Perdagangan, Kebudayaan dan Pariwisata dan

Pertanian;

5. Pelaksanaan urusan kesekretariatan;

6. Pelaksanaan tugas lain yang diberikan oleh

Walikota sesuai dengan tugas pokok dan

fungsinya.[17]

R. Pengujian Black Box

Testing software adalah proses mengoperasikan

software dalam suatu kondisi yang di kendalikan,

untuk verifikasi apakah telah berlaku sebagaimana

telah ditetapkan (menurut spesifikasi), mendeteksi

error, dan validasi apakah spesifikasi yang telah

ditetapkan sudah memenuhi keinginan atau

kebutuhan dari pengguna yang sebenarnya. Verifikasi

adalah adalah pengecekan atau pengetesan entitas-

entitas, termasuk software, untuk pemenuhan dan

konsistensi dengan melakukan evaluasi hasil terhadap

kebutuhan yang telah ditetapkan.

Validasi adalah melihat kebenaran sistem, apakah

proses yang telah dilakukan adalah apa yang

sebenarnya diinginkan atau dibutuhkan oleh user.

Jadi, dapat disimpulkan bahwa testing merupakan

tiap-tiap aktifitas pengumpulan informasi yang

dibutuhkan untuk melakukan evaluasi atau mengukur

suatu atribut dari software. (Romeo, 2003).[18]

S. Sistem Perhitungan UAT

User Acceptance Test (UAT) atau Uji Penerimaan

Pengguna adalah suatu proses pengujian oleh

pengguna yang dimaksudkan untuk menghasilkan

dokumen yang dijadikan bukti bahwa software yang

telah dikembangkan telah dapat diterima oleh

pengguna, apabila hasil pengujian (testing) sudah

bisa dianggap memenuhi kebutuhan dari pengguna.

Hasil dari UAT adalah dokumen yang menunjukkan

bukti pengujian, berdasarkan bukti pengujian inilah

dapat diambil kesimpulan, apakah software yang

diuji telah dapat diterima atau tidak. (Mutiara,

2015)[19]

T. Teori Flowchart

Flowchart merupakan diagram alir yang menguraikan

langkah-langkah penyelesaian suatu masalah. Sistem

flowchart merupakan diagram alir yang

menggambarkan suatu sistem peralatan komputer

yang digunakan dalam proses pengolahan data serta

hubungan antar peralatan tersebut. Sistem flowchart

tidak digunakan untuk menggambarkan urutan

langkah untuk memecahkan masalah, tetapi hanya

untuk menggambarkan prosedur dalam sistem yang

dibentuk. (Ananda et al., 2009).[20]

U. UML

UML yang merupakan singkatan dari Unified

Modelling Language adalah sekumpulan pemodelan

konvensi yang digunakan untuk menentukan atau

menggambarkan sebuah sistem perangkat lunak

dalam kaitannya dengan objek. (Whitten, Bentley, &

Dittman, 2006)

UML dapat juga diartikan sebuah bahasa grafik

standar yang digunakan untuk memodelkan

perangkat lunak berbasis objek. UML pertama kali

dikembangkan pada pertengahan tahun 1990an

dengan kerjasama antara James Rumbaugh, Grady

Booch dan Ivar Jacobson, yang masing-masing telah

mengembangkan notasi mereka sendiri di awal tahun

1990an.[21]

III PEMBAHASAN

A. Analisis Sistem Yang Sedang Berjalan

Pasar tradisional kota Cimahi merupakan tempat

usaha berupa toko dan ruko yang dikelola oleh



11


pedagang kecil dan menengah dengan jual beli

melalui tawar menawar. Harga merupakan sejumlah

uang yang ditukarkan untuk memperoleh sebuah

produk yang di akan dibeli oleh seorang pembeli di

sebuah pasar. Pasar Kota Cimahi sering mengalami

fluktuasi dengan beberapa faktor yang di hadapi.

Adapun fluktuasi dengan naik turunnya harga di

pengaruhi oleh beberapa faktor. Untuk faktor

kenaikan harga yang di alami oleh Pasar Kota Cimahi

yaitu:

1.Hari Raya

2.Kenaikan BBM

3.Karena Musiman

4.Pasokan berkurang

5.Sumber pasokan dari luar pulau atau luar negeri

6.Tingginya permintaan konsumen.

7.Ulah Spekulan

Faktor penurunan atau faktor harga tetap yaitu

kebalikan dari faktor-faktor dari kenaikan harga.

Dengan fluktuasi yang di alami yang oleh Pasar Kota

Cimahi, Pemerintahan Kota Cimahi, melalui

DISKOPINDAGTAN membentuk suatu UPT Pasar

yang bertugas untuk memantau harga bahan pokok di

setiap Pasar Kota Cimahi, yaitu Pasar Atas, Pasar

Cimindi, dan Pasar Melong. Dengan melakukan

survey ke setiap ruko untuk mengampil sempel harga

bahan pokok, kemudian hasil survey diinputkan ke

server E-Pasar Kota Cimahi, agar masyarakat dapat

melihat, mengetahui serta memantau harga bahan

pokok Pasar Kota Cimahi tanpa harus pergi ke pasar.

Tinjauan E-Pasar yang sedang berjalan berbasis

Website dapat dilihat pada tabel berikut.

Tabel 1 Tinjauan Aplikasi Yang Sedang Berjalan

B. Analisis Yang Akan Dikembangkan

Sistem yang akan dibangun adalah mengembangkan

aplikasi e-pasar yang akan mempermudah

memberikan informasi kepada user dalam

mengetahui harga-harga bahan pokok di pasar kota

Cimahi.

Portal aplikasi E-pasar kota Cimahi yang akan di buat

terdiri atas dua bagian.

1. Pertama, sisi server terdiri atas pembuatan website

dan database, serta penyimpanan file PHP. Server

terdiri atas dua bagian, yaitu :

a. Web server (PHP) : berfungsi untuk memanipulasi

data pada database dan menghasilkan dokumen untuk

transfer data antar client Android, dengan

mengguanakan JSON

b. Database server : Database server berfungsi

sebagai media penyimpanan data.

2. Kedua, sisi client merupakan aplikasi berbasis

Android yang di akses menggunakan smartphone

Android, dimana smartphone android di gunakan

untuk menampilkan data dari hasil transfer data dari

web server berupa tampilan daftar data bahan pokok

yang bertujuan memudahkan user dalam

mendapatkan informasi harga bahan pokok dengan

menggunakan jaringan internet karena aplikasi ini

dibuat dengan fitur online.

Berdasarkan analisis sistem yang akan dibangun

maka dibuatlah sebuah flowchart untuk

mendeskripsikan alur proses aplikasi yang

menggambarkan hubungan antara pengguna dengan

sistem, seperti yang terlihat pada Gambar berikut

Gambar 3 Flowchart Sistem Aplikasi Yang Akan

Dikembangkan



12


C. Perancangan Sistem

Use Case Diagram digunakan untuk menjalankan dan

menjelaskan kegiatan yang dapat dilakukan oleh

aktor. Admin adalah pihak yang mengelola data di

server agar dapat menghasilkan data bahan pokok

yang akan ditampilkan di aplikasi android. User

adalah pihak yang secara langsung berinteraksi

dengan aplikasi android untuk mendapatkan

informasi data bahan pokok Pasar Kota Cimahi.

Berikut Use Case Diagram E-Pasar Kota Cimahi

yang akan di rancang :

1. Use Case Admin

Use Case Admin menjelaskan proses yang dapat

dilakukan oleh admin pada saat mengakses website.

Untuk lebih jelas dapat dilihat pada gambar berikut

Gambar 4 Use Case Diagram Admin E-Pasar

Kota Cimahi

2. Use Case User

Use Case User menjelaskan proses yang dapat

dilakukan pada saat user membuka aplikasi android.

Untuk lebih jelas dapat dilihat pada gambar berikut.

Gambar 5 Use Case Diagram User E-Pasar Kota

Cimahi

Skenario setiap bagian pada Use Case menunjukan

proses apa yang terjadi pada setiap bagian dalam Use

Case tersebut, dimana user memberikan perintah

pada setiap bagian dan respon apa yang diberikan

oleh sistem kepada user setelah user memberikan

perintah pada setiap bagian-bagian Use Case.

D. Instalasi Aplikasi

Aplikasi Android dapat dipasang melalui file e-pasar

kta cimahi.apk yang di-copy ke perangkat, kemudian

aplikasi tersebut dijalankan. Aplikasi tersebut secara

otomatis akan terpasang ke dalam perangkat.

Berikut cara instalasi aplikasi Android melalui file:

a. Copy file apk yang telah dibuat ke dalam

perangkat, dapat melalui kabel data atau

Bluetooth.

b. Sebelum melakukan instalasi, pastikan

perangkat dapat melakukan instalasi dari

aplikasi Non-Market, caranya dengan masuk

ke menu Settings kemudian ke Security, lalu

beri tanda centang pada pilihan Unknown

sources.

c. Setelah itu masuk ke File Manager dan

buka Folder tempat menyimpan file

englishtenses.apk, Pilih file tersebut.

d. Pilih tombol Install, dan perangkat akan

melakukan pemasangan aplikasi secara

otomatis. Tunggu sampai proses

pemasangan selesai.



13


IV KESIMPULAN DAN SARAN

1) Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan,

maka dapat disimpulkan bahwa :

1. Merancang aplikasi E-Pasar Kota Cimahi dalam

memudahkan masyarakat dalam mengetahui harga

bahan pokok.

2. Mengembangkan sebuah aplikasi Smartphone

berbasis Android untuk mempermudah dalam

mengetahui informasi harga bahan pokok di Pasar

Kota Cimahi tanpa harus pergi ke pasar dalam

memantau harga-harga bahan pokok.

3. Berdasarkan hasil uji aplikasi E-Pasar kota Cimahi

yang dirancang secara keseluruhan (86%) telah

sesuai dengan kebutuhan pengguna dalam

memudahkan masyarakat dalam menggunakan

aplikasi E-Pasar Kota Cimahi

2) Saran

Diharapkan pada aplikasi e-pasar ini membawa

perbaikan sehingga pada aplikasi e-pasar ini dapat

menunjang proses penyajian informasi yang tepat,

cepat dan akurat. Untuk implementasi dan

pengembangan di masa yang akan datang, diusulkan

saran-saran sebagai berikut :

1. Aplikasi ini akan menjadi lebih baik jika dapat

menampilkan informasi harga bahan pokok pada

tanggal-tanggal sebelumnya.

2. Menampilkan perbandingan harga bahan pokok

dari ketiga pasar.

3. Dalam pengembangan aplikasi e-pasar ini agar

menjadi lebih baik yaitu dengan cara administrator

dapat menambah informasi harga bahan pokok dari

pasar-pasar lainnya.

4. Penambahan fitur filter dan searching agar dapat

lebih mempermudah pengguna mencari data bahan

pokok yang disajikan dalam aplikasi.

5. Dalam fitur komentar, di harapkan administrator

dapat membalas komentar dengan menambahkan

fitur notifikasi pemberitahuan pembalasan komentar

dari admin kepada user.

V REFERENSI

[1]. Miller, LeRoy, Meiners, & Roger, E. (2000).

Teori Mikroekonomi Intermediate. (Haris

Munandar, Ed.). Jakarta: PT. Raja Grafindo

Persada.

[2]. Jogiyanto. (2004). Teori Dan Aplikasi

Komputer. Yogyakarta: Andi.

[3]. Kotler, Philip, & Amstrong, G. (2010).

Manajeman Pemasaran . Jilid 1. Jakarta:

Ghalia Indonesia.

[4]. Pressman, R. S. (2015). Rekayasa Perangkat

Lunak. Yogjakarta: Andi and Mc GrawHill

Book,Co,.

[5]. Gustamam, D. (2009). Sistem Informasi

Manajemen Koperasi Berbasis Web Pada

jaringan LAN Di MTs Negeri tanggeung.

[6]. Andi, & Madcoms. (2012). Adobe

Dreamweaver Cs6 Dan Php-Mysql Untuk

Pemula. Jakarta: Andi Yogyakarta dan

Madcoms.

[7]. Junaedi, F. (2005). Panduan Lengkap

Pemrograman HTML. Yogyakarta: Devisi

Percetakan dan Penerbitan PD.Anindaya.

[8]. Madcoms. (2008). Teknik Mudah

Membangun Website dengan HTML, PHP,

& Mysql. Yogyakarta: ANDI.

[9]. Madcoms. (2008). Teknik Mudah

Membangun Website dengan HTML, PHP,

& Mysql. Yogyakarta: ANDI.

[10]. Nugroho, B. (2004). Aplikasi Pemograman

Web Dinamis dengan PHP dan MYSQL.

Yogyakarta: Gava Media.

[11]. Safaat, N. (2012). Pemrograman Aplikasi

Mobile, Smatphone, Dasar. Jakarta:

Gunadarma..

[12]. Ilyas, Y. (2011). Pembuatan Aplikasi

Penerbitan Surat Keterangan Catatan

Kepolisian (SKCK).

[13]. Nugroho, B. (2008). Latihan Membuat

Aplikasi Web PHP dan MySQL dengan

Dreamweaver. Yogyakarta: Andi.

[14]. Arthana, I. K. R. (2013). Modul

Pengembangan Aplikasi Android Berbasis



14


Client-Server Membangun aplikasi android

untuk mengambil dan posting data ke

database server ( MySQL ). studi kasus :

tabel mahasiswa Versi 1 . 0 Disajikan dalam

mata kuliah Pemrograman Sistem

Terdistribusi Ju (pp. 1–16).

[15]. Safaat, N. (2012). Pemrograman Aplikasi

Mobile, Smatphone, Dasar. Jakarta:

Gunadarma.

[16]. Syahputra, R. (2014). Belajar Android

Studio. Belajar Android Srudio, XXXIII(2),

81–87. http://doi.org/10.1007/s13398-014-

0173-7.2

[17]. Link Internet

http://diskopindagtan.cimahikota.go.id/page/

detail/5

[18]. Romeo. (2003). Testing dan Implementasi

Sistem, Edisi Pertama. Surabaya: STIKOM.

[19]. Mutiara, A. B. (2015). Testing implementasi

website rekam medis elektronik

opeltgunasys dengan metode acceptance

testing, 8(Kommit 2014), 1–7.

[20]. Ananda, D., Suryan, A., Mayadewi, P.,

Rasiana, L., Kusmayadi, H., & Hendraputra,

A. (2009). Algoritma dan Pemrograman.

Bandung: Politeknik Telkom.

[21]. Whitten, J. L., Bentley, L. D., & Dittman, K.

C. (2006). Metode Desain dan Analisis

Sistem. Terjemahan oleh Tim Penerjemah

ANDI. Yogyakarta: Andi.



15


PERBANDINGAN NILAI KUANTUM YANG LEBIH EFEKTIF

MENGGUNAKAN FUZZY LOGIC DAN CHANGABLE TIME

QUANTUM PADA ALGORITMA PENJADWALAN ROUND

ROBIN

1)Patrick Hendriantoro, 2)Aji Cakra Kusuma

Fakultas Teknik Informatika, Jurusan Teknik Informatika

Universitas Telkom

Jalan Telekomunikasi No. 1, Bandung, Indonesia 1)[email protected], 2)[email protected]

Abstrak

Penjadualan CPU merupakan tugas utama dari

sebuah sistem operasi. Algoritma yang digunakan

oleh penjadualan CPU disebut dengan algoritma

penjadualan. Terdapat beberapa algoritma

penjadualan, salah satunya adalah algoritma

penjadualan Round Robin. Algoritma Round Robin

sangat tergantung pada time quantum yang

digunakan. Pada Round Robin terdapat berbagai cara

untuk menentukan time quantum, diantaranya

menggunakan Fuzzy Logic dan Changable Time

Quantum. Setelah mendapatkan time quantum dari

Fuzzy Logic dan Changable Time Quantum, akan

didapatkan nilai rata-rata NTAT untuk

membandingkan metode yang lebih baik.

Kata kunci: Penjadualan CPU, Algoritma Round

Robin, Fuzzy Logic, Changable Time Quantum

Abstract

Data mining approach is used as a technique to

obtain important information that can be used as

supporting material in a decision. in this study, the

association method is implemented to obtain

relationship existing on population data, especially to

get the relationship patterns of crime events related

to characteristics of the population. In this case,

invalid data and missing values must be handled

carefully before building association rules. Apriori

algorithm is applied to this method, since the

algorithm is proven to generate rules with high

degree of accuracy in establishing the pattern of

connectivity between attributes. Association rules

will be used as a basis for making policy related to

the population problem.

Keywords:

apriori, association rule, data mining,demographics,

crime, populations

I. PENDAHULUAN

Salah satu topik yang menarik dibahas yang

berkaitan dengan sistem operasi adalah Penjadualan

CPU. Penjadualan CPU berhubungan dengan alokasi

CPU ke proses yang akan dieksekusi pada sebuah

sistem komputer. Penjadualan CPU merupakan tugas

utama dari sebuah sistem operasi [1].

Sebuah komputer yang bersifat

multiprogramming seringkali memiliki proses yang

banyak yang saling bersaing untuk CPU pada waktu

yang bersamaan. Ketika jumlah proses yang berada

pada status ready berjumlah lebih dari satu dan hanya

ada satu CPU yang tersedia maka sistem operasi

harus bisa memutuskan proses mana yang akan

dijalankan terlebih dahulu. Pada saat seperti itulah

peran dari penjadualan CPU sangat penting [5].

Algoritma yang digunakan oleh penjadualan

CPU disebut dengan algoritma penjadualan. Terdapat

beberapa algoritma penjadualan yang masing-masing



16


algoritma tersebut memiliki properti yang berbeda.

Ada beberapa kriteria yang digunakan untuk

membandingkan algoritma penjadualan CPU.

Beberapa kriteria yang digunakan antara lain adalah

fairness, penggunaan CPU, throughput, turn-around

time, waiting time, dan response time. Sangat penting

untuk memaksimalkan penggunaan CPU dan

throughput, meminimalkan turn-around time, waiting

time, dan response time dan untuk menghindari

starvation dari setiap proses [2][3].

Salah satu algoritma penjadualan adalah

algoritma Round Robin (RR). Konsep dasar dari RR

adalah sebuah penggunaan time-sharing [4]. Setiap

proses akan mendapatkan waktu kuantum yang

berfungsi sebagai batasan dari lama proses yang

jangkanya adalah 1-100 milidetik. Setelah waktu

kuantum untuk suatu proses selesai, maka proses

akan berhenti dieksekusi, dimasukkan ke antrian

ready dan CPU akan mengeksekui proses

selanjutnya. Langkah tersebut akan berjalan beberapa

kali sampai semua proses dilayani oleh CPU. Waktu

kuantum yang terlalu besar akan mengakibatkan

response time suatu proses yang tidak bisa ditolelir

oleh pengguna. Jika waktu kuantum terlalu kecil,

maka akan menyebabkan sering terjadinya context

switch yang seharusnya tidak terjadi sehingga

menghasilkan banyak overheads yang berujung pada

kecilnya nilai throughput.

Pada penelitian sebelumnya oleh peneliti lain

telah diakukan eksperimen pencarian waktu kuantum

terbaik dengan menggunakan beberapa metode.

Beberapa penelitian tersebut diantaranya dilakukan

oleh Bashir Alam, M.N. Doja, R. Biswas [5] dan

Samih M. Mostafa, S. Z. Rida & Safwat H.

Hamad[10]. Pada pustaka [5], peneliti mengusulkan

algoritma baru untuk pencarian waktu kuantum

dengan menggunakan metode Fuzzy Logic. Dalam

penelitian tersebut dirancang sebuah FIS (Fuzzy

Inference System) yang dapat menghitung kuantum

yang cocok untuk suatu skenario penjadualan CPU.

Sedangkan pada pustaka [10], peneliti melakukan

riset tentang Algoritma Round Robin menggunakan

Changable Time Quantum untuk mencari time

quantum yang tepat untuk penyeimbangan

permasalahan response time dan overhead.

Pada jurnal ini akan dibandingkan dua metode

pencarian kuantum yang sesuai untuk penjadualan

CPU menggunakan algoritma RR. Dua metode

tersebut adalah Fuzzy Logic dan Changable Time

Quantum.

II. KAJIAN LITERATUR

Penjadualan pada komputer membahas tentang

bagaimana proses-proses yang ada dalam ready

queue yang akan dialokasikan pada CPU. Terdapat

beberapa algoritma penjadwalan CPU salah satunya

adalah algoritma Round Robin. Algoritma Round

Robin menentukan pergantian pemrosesan suatu

proses yang akan mendapat jatah sebesar time

quantum yang telah di tentukan. Pergantian

pelaksanaan proses akan terus menerus di lakukan

hingga suatu proses selesai, dan akan di gantikan oleh

proses lainnya yang menunggu giliran proses.

Dengan adanya konsep penjadwalan Round Robin ini

setiap proses yang ada mendapat perlakuan yang adil

untuk tiap prosesnya.

Keefektifan Algoritma Round Robin bergantung

pada besarnya time quantum. Ketika time quantum

terlalu besar, maka proses mendapatkan jatah

pemrosesan yang banyak pula sehingga Algoritma

Round Robin lebih mirip algoritma First Come First

Served (FCFS). Jika terlalu kecil, akan semakin

banyak peralihan proses namun tidak banyak proses

yang terselesaikan dan akan berakibat Overhead pada

CPU.

Fuzzy logic atau logika fuzzy adalah salah satu

komponen pembentuk soft computing, Logika fuzzy

pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh

pada tahun 1965. Dasar logika fuzzy adalah teori

himpunan fuzzy. Pada teori himpunan fuzzy, peranan

derajat keanggotaan sebagai penentu keberadaan

elemen dalam suatu himpunan sangatlah penting.

Nilai keanggotaan atau derajat keanggotaan atau

membership function menjadi ciri utama dalam

penalaran dengan logika fuzzy tersebut. Logika fuzzy

dapat dianggap sebagai kotak hitam yang

berhubungan antara ruang input menuju ruang output

[6]. Kotak hitam tersebut berisi cara atau metode

yang dapat digunakan untuk mengolah data input

menjadi output dalam bentuk informasi yang baik.

Secara umum dalam sistem logika fuzzy terdapat

empat buah elemen dasar, yaitu:

1. Basis kaidah (rule base), yang berisi aturan-

aturan secara linguistik yang bersumber dari

para pakar;



17


2. Suatu mekanisme pengambilan keputusan

(inference engine), yang memperagakan

bagaimana para pakar mengambil suatu

keputusan dengan menerapkan pengetahuan

(knowledge);

3. Proses fuzzifikasi (fuzzification), yang

mengubah besaran tegas (crisp) ke besaran

fuzzy;

4. Proses defuzzifikasi (defuzzification), yang

mengubah besaran fuzzy hasil dari inference

engine, menjadi besaran tegas (crisp).

Terdapat berbagai metode defuzzifikasi

dianataranya adalah Centroid

Method(penetapan nilai crisp dengan cara

mengambil titik pusat daerah fuzzy), Height

Method, First(or Last) of Maxima, Mean-

Max Method, dan Weighted Average.

Terdapat dua model aturan fuzzy yang

digunakan secara luas dalam berbagai aplikasi, yaitu

model Mamdani dan model Sugeno. Pada model

Mamdani, aturan fuzzy didefinisikan adalah :

IF x1 is A1 AND…AND xn is An THEN y is B

Dimana :

1. A1, …, An, dan B adalah nilai-nilai linguistik

(atau fuzzy set)

2. x1 is A1 menyatakan bahwa nilai x1 adalah

anggota fuzzy set A1.

Sedangkan model Sugeno merupakan suatu

varian dari model Mamdani. Model Sugeno

menggunakan aturan yang berbentuk:

IF x1 is A1 AND…AND xn is An THEN y =

f(x1,…,xn)

Dimana :

1. f bisa sembarang fungsi dari variabel-

variabel input yang nilainya berada

dalam interval variabel output.

Biasanya, fungsi ini dibatasi dengan

menyatakan f sebagai kombinasi linier

dari variabel-variabel input f(x1,…,xn)

= w0 + w1x1 + …+wnxn, dimana w0,

w1,…,wn adalah konstanta yang berupa

bilangan real yang merupakan bagian

dari spesifikasi aturan fuzzy [8].

Metode Changable Time Quantum

menggabungkan keuntungan dari rendahnya

overhead dari Round Robin, dengan rendahnya

waktu tunggu rata rata yang keduanya bergantung

kepada nilai kuantum, sehingga Changable Time

Quantum dapat beradaptasi untuk masing-masing

proses kuantum terbaik yang akan di pilih [9].

Penjadwalan CTQ ini di lakukan dengan beberapa

langkah yaitu :

1. Pengambilan task berdasarkan

algoritma FIFO.

2. Mulai dari awal antrian, jalankan

masing masing antrian untuk time

quantum yang sama.

3. Hitung burst time untuk setiap tasks

yang tersisa dan implementasikan

persamaan untuk menentukan kandidat

time quantum.

4. Ulangi langkah 3 hingga tidak ada task

dalam antrian [9].

Berikut merupakan rumus yang digunakan

dalam changable time quantum :

Rumus untuk mencari Residual Time [9] adalah

sebagai berikut :



18


Equation 1 adalah rumus untuk NTQ [9] :

Equation 2 adalah rumus untuk SLTQ proses ke i

[9] :

Equation 3 adalah rumus untuk menetukan

WT(Ti), TWT, dan AVGWT [9] :

Dimana WT(Ti) adalah waiting time dari task /

proses ke i, dan TWT adalah total waiting time dari

semua task dan AVGWT adalah rata-rata waktu

tuggu dari semua task. Berikut merupakan tabel

keterangan rumus pada Changable Quantum Time :

Ti Task i

NTQ(Ti) = NTQi Jumlah proses i dengan

menggunakan time quantum

BT[Ti] = BTi Burst Time proses ke i

TQ Time Quantum

SLTQ[Ti] Nilai awal mulai Time Quantum

RST[Ti] Residual Time pada proses ke i

III. ANALISIS DAN PERANCANGAN

Pengolahan pada penelitian kali ini menggunakan

dua metode yaitu Fuzzy Logic dan Changable Time

Quantum. Penolahan pertama yang dilakukan

menggunakan Fuzzy Logic. Peneliti sebelumnya

telah menentukan fungsi keanggotaan dan rule base.

Berikut adalah fungsi keanggotaan dan rule base

yang sudah ditetapkan[5] :

1. Fungsi Keanggotaan untuk N

Type-Triangular, Range:1-10, low-[0,2,4],

medium-[3,5.5,8] High[7,8.5,10]

2. Fungsi Keanggotaan untuk Average Burst

Time(ABT)/ rata-rata burst time

Type-Triangular, Range:0-10, low-[-4,0,4],

medium-[3,5,7] High:-[6,10,16]

3. Fungsi Keanggotaan untuk Waktu Kuantum

Type-Triangular, Range:1-5, low-[0,1,2],

medium-[1,2.5,4] High :-[3,5,7]

No N ABT Time Quantum

1. Low Low Low

2. Low Medium Medium

3. Low High High

4. Medium Low Low

5. Medium Medium Medium

6. Medium High High

7. High Low Low

8. High Medium Medium

9. High high High

Fuzzy Inference System untuk menemukan

waktu kuantum ini memiliki 2 masukan dan satu

keluaran[5]. Masukan yang pertama adalah N yang

menspesifikasikan jumlah dari proses pada sistem

dan masukan yg kedua adalah rata-rata dari burst

time proses yang berada di antrian ready. Untuk

keluaranny sendiri adalah waktu kuantum.

Contoh data yang kami gunakan berasal dari

penelitian sebelumnya tertera pada tabel berikut ini :



19


Process Burst Time

P1 24

P2 3

P3 3

Dari data yang kami gunakan, dapat diketahui

bahwa jumlah proses (N) bernilai 3 dan rata-rata

burst time (ABT) bernilai 10. Berdasarkan fungsi

keanggotaan yang tertera diatas dapat disimpulkan

bahwa nilai masukan N berada pada range bersifat

low dan masukan ABT berada pada range yang

bersifat high. Selanjutnya data diolah menggunakan

logika fuzzy sehingga didapatkan bahwa N bersifat

low dengan derajat keanggotaan sebesar 0,5 dan ABT

bersifat high dengan derajat keanggotaan sebesar 1.

Untuk mendapatkan keluaran berupa nilai waktu

kuantum, berdasarkan rule base yang sudah

ditetapkan, dapat disimpulkan bahwa nilai waktu

kuantum berada pada range yang bersifat high

dengan nilai sebesar 4.357, nilai tersebut didapatkan

setelah dilakukan perhitungan dengan model

Mamdani.

1. Fuzzy Logic dengan Arrival time yang sama

dan TQ yang digunakan adalah TQ = 16

Arrival time = 0

Task Burst Time

T1 24

T2 3

T3 3

Round 1

T1 T2 T3

0 16 19 22

Task 2 dan 3 selesai dalam 1 putaran , task

yang tersisa hanya T1 Task Residual Time

T1 21

Round 2 dengan TQ = 16 T1

22 30

Diperoleh :

Task BT AT FT TAT NTAT

T1 24 0 30 30 1.25

T2 3 0 19 19 6.33

T3 3 0 22 22 7.33

Mean 4.97

Pada Fuzzy Logic dengan arrival time yang

sama, didapatkan rata-rata NTAT adalah 4,97.

2. Fuzzy Logic dengan arrival time yang

berbeda dan TQ = 16

TQ = 16 , asumsi AT berbeda ; 0, 2, 4

Task Burst Time Arrival Time

T1 21 0

T2 3 2

T3 3 4

Round 1

T1 T2 T3

0 16 19 22

Task tersisa

Task Residual Time

T1 8

Round 2

T1

22 30

Hasil


T1 24 0 0 30 1.25

T2 3 2 2 17 5.67

T3 3 4 4 18 6

Mean 4.30

Pada Fuzzy Logic dengan arrival time yang

berbeda, didapatkan rata-rata NTAT adalah 4,30.

Pada pengolahan data kedua menggunakan

Changable Time Quantum. Percobaan dengan

Changable Time Quantum menggunakan data testing

yang sama dengan data testing yang dipakai pada

Fuzzy Logic. Pada percobaan ini akan dilakukan

perbandingan antara menggunakan arrival time yang

sama dan menggunakan arrival time yang berbeda.

1. CTQ dengan Arrival Time yang sama

Arrival Time = 0

Task Burst Time

T1 24

T2 3

T3 3

Round 1 dengan TQ1 = 3 ( TQ1

ditentukan dengan melihat nilai burst

time terkecil)



20


T1 T2 T3

0 3 6 9

Task 2 dan 3 selesai dalam satu

putaran, task yang tersisa hanya task 1

Task Residual Time

T1 21

Round 2 dengan TQ2 = 21

T1

9 21

Diperoleh :


T1 24 0 21 21 1.25

T2 3 0 6 6 2

T3 3 0 9 9 3

Mean 2.083

Pada CTQ dengan arrival time yang sama,

didapatkan rata-rata NTAT adalah 2,083.

2. CTQ dengan Arrival Time yang berbeda

Arrival Time Berbeda yaitu : 0, 2, 4

Task Burst Time Arrival Time

T1 21 0

T2 3 2

T3 3 4

Round 1 TQ1 = 3

T1 T2 T3

0 3 6 9

Task Tersisa

Task Residual Time

T1 21

Hasil


T1 24 0 30 30 1.25

T2 3 2 6 4 1.33

T3 3 4 9 5 1.67

Mean 1.417

Pada CTQ dengan arrival time yang berbeda,

didapatkan rata-rata NTAT adalah 1,417.

IV. KESIMPULAN DAN SARAN

Dari pengolahan data yang telah dilakukan

dengan logika Fuzzy dapat disimpulkan bahwa untuk

3 proses dengan burst time yang tertera pada Tabel 2.

nilai waktu kuantum yang sebaiknya digunakan agar

meminimalkan rata-rata waktu tunggu adalah waktu

kuantum yang berada pada range high. Dan

pengimplementasian waktu kuantum yang di peroleh

dari Fuzzy Logic diterapkan pada algoritma Round

Robin. Dapat di temukan bahwa rata-rata NTAT

dengan arrival time yang sama yaitu 0 adalah 4,97.

Jika arrival time berbeda maka rata rata NTAT nya

lebih kecil yaitu 4,3. Pada Changeable Time

Quantum dengan data yang sama diterapkan pula

pada algoritma Round Robin, di peroleh rata-rata

NTAT dengan arrival time yang sama yaitu 0 adalah

2,083. Sedangkan jika arrival time berbeda maka di

dapatkan rata-rata NTAT adalah 1,417.

Dari data testing yang telah di olah

menggunakan Fuzzy Logic dan Changable Time

Quantum, maka diperoleh rata-rata NTAT paling baik adalah dengan menggunakan Changable Time

Quantum dengan arrival time yang berbeda.

REFERENSI

[1]. Noon, A. K. 2011. A new Round Robin

based scheduling algorithm for operating

systems:Dynamic quantum using the mean

average. International Journal of Computer

Science Issues,224-229.

[2]. Silberschatz, A., Peterson, J. L., and Galvin,

P.B.2006.Operating System Concepts,

Addison Wesley,7th Edition.

[3]. Andrew S. Tanenbaum , and Albert S.

Woodfhull.2005Operating Systems Design

and Implementation,Second Edition.

[4]. Sugiantoro, B. 2010. Handout for Operating

System’s Lecture. Yogyakarta: Handout’s

lecture of Informatics Department, Faculty

of Science and Technology, State Islamic

University Sunan Kalijaga.

[5]. Bashir Alam, MN.Doja,

R.Biswas.2008.Finding Time Quantum of

Round Robin CPU Scheduling Algorithm

Using Fuzzy Logic. International

Conference on Computer and Electrical

Engineering.

[6]. Kusumadewi. S dan H. Purnomo.(2004).

Aplikasi Logika Fuzzy Untuk Mendukung

Keputusan.Graha Ilmu, Yogyakarta.

[7]. Ensiklopedia Fuzzy System. Retrieved from

http://digilib.tes.telkomuniversity.ac.id/inde



21


x.php?view=article&catid=20%3Ainformati

ka&id=506%3Afuzzy-

system&tmpl=component&print=1&page=

&option=com_content&Itemid=14

[8]. Sri Kusumadewi, (2003). Artificial

Intelligence (Teknik dan Aplikasinya), edisi

pertama.Penerbit Graha Ilmu, Jakarta.

[9]. Zagloul S. Rida, Helmy S. Hamad, Samih

M. Mostafa. 2008. Improving Waiting Time

of Tasks Scheduled Under Preemptive

Round Robin Using Changeable Time

Quantum.

[10]. Samih M. Mostafa , S. Z. Rida & Safwat H.

Hamad. 2010. Finding ime Quantum of

Round Robin CPU Scheduling Algorithm in

General Computing Systems using Integer

Programming.

[11]. Siregar,Maria Ulfah.2012.A New Approach

to CPU Schedulling Algorithm: Genetic

Round Robi.International Journal of

Computer Applications.



22


PENENTUAN PERUBAHAN CALON PENERIMA RASTRA (BERAS

SEJAHTERA) DI DESA HUIDU MENGGUNAKAN METODE WEIGHT

PRODUCT

T.P.Handayani

Sistem Informasi, Fakultas Sains dan Teknologi

Universitas Muhammadiyah Gorontalotyle

Jl. Prof. Dr.Mansoer Pateda, Pentadio Timur, Kabupaten Gorontalo

E-Mail : [email protected]

Abstrak

Tujuan penelitian ini adalah menerapkan

algoritma Weight product dalam kasus penentuan

perubahan calon revisi calon penerima Rastra (Beras

Sejahtera) di Desa Huidu Kabupaten Gorontalo.

Algorima Weight Product (Produk Pembobotan)

adalah salah satu algorima sistem pendukung

keputusan yang mampu mendukung proses

pengambilan keputusan yang dikategorikan sebagai

multi kriteria decision making (MADM) atau

pengambilan keputusan yang melibatkan banyak

kriteria. Metode ini terdiri dari beberapa tahap.

Pertama Matriks alternatif dibuat terlebih dahulu.

Matriks alternatif merupakan matriks yang berisi

alternatif alternatif yang akan dirangking pada akhir

tahapan.

Dalam kasus ini alternatif adalah nama – nama

calon penerima Rastra yang akan dievaluasi pada

rapat musyawarah desa. Kedua Matriks kriteria

dibuat untuk menjadi indikator prioritas dalam

mendukung keputusan. Tahap ketiga adalah

penentuan atribut biaya dan atribut keuntungan dari

kriteria yang telah ditetapkan. Tujuannya adalah

membedakan kriteria yang bersifat keuntungan dan

kriteria yang bersifat biaya. Jika kriteria merupakan

atribut biaya, maka dalam perhitungan akan diberikan

tanda minus (-). Keempat adalah penentuan bobot

dari kriteria yang telah ditetapkan. Pada kasus ini

diambil bobot bernilai 4 sebagai bobot yanng

terringgi dan bobot bernilai 1 sebagai bobot yang

terendah. Penentuan nilai bobot pada kasus ini

berdasarkan hasil wawancara dengan aparat desa.

Kelima, melakukan normalisasi bobot dengan

menggunakan persamaan 2. Keenam, menentukan

preferensi alternatif terbobot. Sehingga didapatkanlah

matriks keputusan. Dari hasil penelitian

menunjukkan algoritma ini mampu memberikan

ranking kelayakan calon Rastra.

Kata kunci : Weight Product, SPK, Rastra

Abstract

The aims of this research is to implement Weight

Product (WP) methode to decide the revision of

candidate of Rastra (Rice for prosperity) in Huidu

Village in Gorontalo District. WP algorithm is one of

multicriteria decision making making method which

can support of decision making and can also support

multiple criterias attributes. This method consist of

several steps. Firstly, the alternative decision matriks

is made. This matriks is a matriks which is consist of

the name of Ranstra recipient candidates. These

names will be ranked at the end of the process.

In this case the alternatives is the names of candidate

which will be revised in the annual meeting of the

village. Secondly, a criteria matriks is made in order

to make prioritize candidates to support the decision

making. Thirdly, the cost and the benefit attributes

are made in order to differenciate which are the cost

and which are the benefit attributes. If it is a cost

attributes then the minus sign is needed to be used in

the front of value. Fourtly, the weight of each

criteria is made. In this case the value of 4 is given as



23


the biggest weight dan the value of 1 is the smallest

weight. The weight of the value of each criteria are

based on the interviewed with the village of office

staff. Fiftly, the given weight are needed to be

normalized. Sixly, the weighting of alternative

references is decided. Lastly, from the previous

calculation the decision matrx is obtained and is

ranked to get the final decision matrix.

Keywords : MADM, Weight Product, Rastra

I. PENDAHULUAN

Latar belakang penelitian ini adalah untuk mencari solusi alternatif bagi masalah penentuan revisi calon penerima Rastra (Beras Sejahtera). Program subsidi pangan (beras) Rastra adalah untuk masyarakat berpendapatan rendah.Tujuan Program Rastra adalah mengurangi beban pengeluaran KPM (Keluarga Penerima Manfaat) melalui pemenuhan sebagian kebutuhan pangan beras [3]. Sasaran Program Rastra adalah berkurangnya beban pengeluaran KPM dalam mencukupi kebutuhan pangan beras melalui penyaluran beras bersubsidi dengan alokasi sebanyak 15 kg/KPM/ bulan atau sesuai dengan kebijakan Pemerintah Pusat. Keluarga yang berhak menerima beras dari Program Rastra yaitu keluarga yang terdapat dalam DPM-1 (Daftar Penerima Manfaat-1) Rastra. Melalui Musyawarah desa (Musdel) ditetapkan keluarga yang diganti/ dikeluarkan dari DPM dan keluarga pengganti/masuk ke dalam DPM sebagai calon penerima Rastra. KPM Rastra yang dapat diganti/dikeluarkan dari DPM adalah KPM yang pindah alamat ke luar desa/kelurahan/pemerintah setingkat, KPM yang seluruh anggota keluarganya sudah meninggal, dan KPM yang dinilai oleh Mudes/Muskel sudah tidak layak sebagai penerima Rastra Revisi DPM dilakukan melalui Rapat Musyawarah Desa dan hasilnya kemudian diajukan ke Dinas Terkait. Dalam Musdel inilah sistem pendukung keputusan dapat di implementasikan, untuk memberikan pendukung keputusan dalam kelayakan penerima Rastra. Penelitian ini mengambil studi kasus di Desa Huidu yang berada pada kecamatan Limboto Barat Kabupaten Gorontalo. Solusi ini dicari melalui penggunaan Algoritma Weight Product (Produk Pembobotan). Penelitian ini sangat penting karena memiliki manfaat yaitu membantu aparat desa untuk mempercepat dan menjaga keobjektivitasan hasil keputusan.


Beberapa penelitian sebelumnya telah

menggunakan algoritma sistem pendukung keputusan

(SPK) dalam proses seleksi penerima Rastra, yang

pada tahun – tahun sebelumnya dinamai dengan

Raskin (beras miskin). Diantaranya adalah [2] yang

menggunakan algoritma SAW (Simple Additive

Weigting) pada studi kasus kelurahan Jamsaren di

Kota Kediri. Perbedaan dengan penelitian yang

dilakukan sekarang adalah pada penelitian ini

menggunakan algoritma Weight Product. Penelitian

yang dilakukan juga bebeda tempat penerapan studi

kasus, yaitu pada desa huidu.

[4] menggunakan basis data fuzzy dalam sistem

pendukung keputusan penentuan penerima beras

miskin. Perbedaannya dengan penelitian yang

diajukan adalah penelitian ini menggunakan

algoritma weight product dan bukan basis data fuzzy

karena metode basis data fuzzy terbilang cukup

kompleks sehingga memerlukan aplikasi khusus

untuk mengolah datanya. Sedangkan algoritma

weight product bisa di jalankan dengan menggunakan

microsoft excel tanpa harus menggunakan aplikasi

khusus.

[1] menggunakan algoritma Simple Additive

Weighting (SAW) dalam seleksis penerima beras

untuk keluarga miskin (Raskin) pada Desa

Golantelpus. Perbedaan dengan penelitian ini adalah

penelitian ini menggunakan algoritma WP dan di

implementasikan pada Desa Huidu.

[6] menggunakan sistem pendukung keputusan

dalam penentuan kelayakan penerimaan bantuan

beras miskin dengan metode Weighted Product di

kelurahan karikil kecamatan mangkubumi kota

tasikmalaya. Perbedaanya dengan penelitian ini

adalah pada studi kasus desanya. Dimana penelitian

ini mengambil studi kasus di Desa Huidu.

Metode Weighted Product adalah salah satu

metode penyelesaian pada masalah Multi atributte

decision making (MADM). Metode ini terdiri dari

beberapa tahap. Pertama Matriks alternatif dibuat

terlebih dahulu. Matriks alternatif merupakan matriks

yang berisi alternatif alternatif yang akan dirangking

pada akhir tahapan. Dalam kasus ini alternatif adalah

nama – nama calon penerima beras miskin (Raskin)

yang akan dievaluasi pada rapat musyawarah desa.

Kedua Matriks kriteria dibuat untuk menjadi

indikator prioritas dalam mendukung keputusan.

Tahap ketiga adalah penentuan atribut biaya dan

atribut keuntungan dari kriteria yang telah ditetapkan.



24


Tujuannya adalah membedakan kriteria yang bersifat

keuntungan dan kriteria yang bersifat biaya. Jika

kriteria merupakan atribut biaya, maka dalam

perhitungan akan diberikan tanda minus (-). Keempat

adalah penentuan bobot dari kriteria yang telah

ditetapkan. Pada kasus ini diambil bobot bernilai 4

sebagai bobot yanng terringgi dan bobot bernilai 1

sebagai bobot yang terendah. Penentuan nilai bobot

pada kasus ini berdasarkan hasil wawancara dengan

aparat desa. Tahap ke 5, menentukan bobot dari

setiap kriteria. Keenam, melakukan normalisasi bobot

dengan menggunakan persamaan 2. Ketujuh,

menentukan preferensi alternatif terbobot

menggunakan persamaan 1. Sehingga didapatkanlah

matriks keputusan.

.................................

....(1)

.................................

...(2)

.................................

...(3)

Dimana

S = menyatakan preferensi alternatif dianalogikan

sebagai vector S

X = menyatakan nilai kriteria

W = menyatakan bobot kriteria

I = menyatakan alternatif

J = menyatakan kriteria

n = menyatakan banyaknya kriteria

Wj adalah pangkat bernilai positif untuk atribut

keuntungan, dan bernilai negatif untuk atribut

V = menyatakan preferensi alternatif dianalogikan

sebagai vector V

III. HASIL DAN PEMBAHASAN

Tabel 1 merupakan daftar nama revisi calon Rastra yang akan dirangking dari yang paling layak sampai ke yang kurang kelayakannya. Data hasil rangking ini selanjutnya akan digunakan sebagai data revisi calon Rastra yang akan dikirim ke data pusat.

Terdapat 10 revisi calon Rastra ditampilkan pada Tabel 1.

Tabel 1. Nama Revisi Calon Penerima Rastra A1 AKRON LAPASI

A2 YUSUF YADI

A3 RAHMAN AMUNTU

A4 YUSUF MUHDIN

A5 NURDIN HADI

A6 HARIYANTO HUSAIN

A7 ABD. WAHID YADI

A8 ABDULLAH MIUNGO

A9 HAMIZAH MOHUNE

A10 MANSUR LADAWO

Tabel 2. Tabel Kriteria

C1 Jumlah Tanggungan

C2 Total Balita dan Anak Usia Sekolah

C3 Kepala Keluarga Wanita

C4 Kondisi Kelayakan Rumah

C5 Jumlah Penghasilan

C6 Kepemilikan Rumah

Sebelum alternatif dan kriteria diolah menggunakan algoritma WP, maka perlu ditentukan terlebih dahulu atribut biaya dan keuntungan. Tabel 3 dapat ditampilkan bahwa atribut biaya adalah jumlah penghasilan, sedangkan atribut yang lain adalah atribut keuntungan.

Tabel 3. Penentuan atribut biaya dan

keuntungan

Nama Kriteria Jenis Atribut

Jumlah Tanggungan Keuntungan (+)

Total Balita dan Anak Usia

Sekolah

Keuntungan (+)

Kepala Keluarga Wanita Keuntungan (+)

Kondisi Kelayakan Rumah Keuntungan (+)

Jumlah Penghasilan Biaya (-)

Pekerjaan Keuntungan (+)

Tabel 4 adalah tabel penentuan bobot dari

atribut yang diperoleh dari hasil wawancara dengan

aparat desa. Dapat dilihat bahwa jumlah tanggungan,

total balita, kepala keluarga wanita dan jumlah

penghasilan memiliki bobot paling tinggi yaitu 4.

Sedangkan yang lain memiliki bobot 3 dan 2.



25


Tabel 4. Penentuan Bobot atribut

Kriteria Atribut Bobot

C1 Jumlah Tanggungan 4

C2 Total Balita dan Anak Usia

Sekolah

4

C3 Kepala Keluarga 4

C4 Kondisi Kelayakan Rumah 2

C5 Jumlah Penghasilan 4

C6 Jenis Pekerjaan 3

Tabel 5 adalah pembobotan untuk atribut

jumlah tanggungan dan total balita dan anak usia

sekolah. Jika memiliki 4 anak atau lebih diberikan

bobot paling tinggi yaitu 4.

Tabel 5. Bobot atribut jumlah tanggungan

dan total balita dan anak usia sekolah

Jumlah Tanggungan Bobot

4 anak atau lebih 4

3 anak 3

2 anak 2

1 anak atau tidak punya 1

Tabel 6 adalah tabel untuk bobot kepala

keluarga, dimana jika kepala keluarganya seorang

wanita maka diberikan bobot 4 dan kepala keluarga

laki – laki diberikan bobot 1.

Tabel 6. Bobot Kepala keluarga

Atribut Bobot

Kepala Keluarga Wanita 4

Kepala Keluarga laki - laki 1

Tabel 7 adalah bobot untuk kondisi rumah,

dimana rumah bambu anyam memiiki bobo tertinggi

yaitu 4 dan rumah permanen dari batu memiliki

bobot 1

Tabel 7. Bobot untuk kondisi rumah

Jenis Rumah Bobot

Bambu anyam 4

Kayu semi permanen (kayu) 3

Permanen (batu dan semen) 1

Tabel 8 adalah bobot untuk jumlah penghasilan

dimana penghasilan dibawah Rp.500.000 berbobot

paling tinggi yaitu 4 dan penghasilan diatas

Rp.1.500.000 memilikii bobot paling rendah.

Tabel 8 . bobot untuk jumlah penghasilan

Jumlah Penghasilan Bobot

< 500.000 4

500.000 s/d 1.000.000 3

1.000.000 s/d 1.500.000 2

>1.500.000 1

Tabel 9. Adalah bobot untuk pembobotan untuk

jenis pekerjaan yaitu pengguran diberikan bobot 4

dan Buruh diberikan bobot 3 dan pedangan memiliki

bobot 2.

Tabel 9.Bobot untuk jenis pekerjaan

Jenis Pekerjaan Bobot

Pengangguran 4

Buruh 3

Pedangang 2

Tabel 10 merupakan alternatif penerima raskin

yang telah diberikan nilai pembobotan berdasarkan

tabel bobot diatas.

Tabel 10. Alternatif yang telah diberikan

pembobotan

C1 C2 C3 C4 C5 C6

A1 4 4 2 4 2 3

A2 3 3 2 4 2 3

A3 2 3 4 3 3 2

A4 2 3 3 2 2 3

A5 3 4 3 3 2 4

A6 2 1 3 2 2 2

A7 3 2 4 4 1 2

A8 3 3 4 4 1 4

A9 2 3 2 2 2 1

A10 3 3 4 3 2 3

Bobot pada tabel 4 dinormalisasi terlebih dahulu

menggunakan rumus 2. Hasil normalisasi

ditampilkan pada tabel 11



26


Tabel 11. Normalisasi Bobot

Bobot Awal Normalisasi Bobot

w1 4 0,190476

w2 4 0,190476

w3 4 0,190476

w4 2 0,095238

w5 4 0,190476

w6 3 0,142857

Kemudian matriks preferensi alternatif terbobot

dibuat dengan menggunakan rumus 2. Hasilnya dapat

ditampilkan pada tabel 12.

Tabel 12. Preferensi alternatif terbobot

C1 C2 C3 C4 C5 C6

A

1

1,302

20

1,302

20

1,141

14

1,14

114

0,87

631

1,16

993

A

2

1,232

76

1,232

76

1,141

14

1,14

114

0,87

631

1,16

993

A

3

1,141

14

1,232

76

1,302

20

1,11

029

0,81

118

1,10

409

A

4

1,141

14

1,232

76

1,232

76

1,06

824

0,87

631

1,16

993

A

5

1,232

76

1,302

20

1,232

76

1,11

029

0,87

631

1,21

901

A

6

1,141

14

1 1,232

76

1,06

824

0,87

631

1,10

409

A

7

1,232

76

1,141

14

1,302

20

1,14

114

1 1,10

409

A

8

1,232

76

1,232

76

1,302

20

1,14

114

1 1,21

901

A

9

1,141

14

1,232

76

1,141

14

1,06

82

0,87

63

1

A

10

1,232

765

1,232

765

1,302

201

1,11

02

0,87

63

1,16

99

Nilai Matriks preferensi alternatif yang di tampilkan

pada Tabel 12 di olah menggunakan rumus 3, untuk

mendapatkan vektor keputusan yang ditampilkan

pada Tabel 13.

Dari tabel 14 dapat di urutkan dari nilai tertinggi ke

nilai yang terendah, sehingga menjadi sebuah

rangking yang ditampikan pada tabel 10.

Dari hasil rangking, di dapatkan urutan calon

penerima Rastra dari nilai keputusan yang tertinggi

yaitu 0,133 sampai yang terendah yaitu 0,0070474.

Hal ini menjadi indikator bahwa yang paling layak

menerima Rastra adalah A8 dan yang kurang layak

adalah A6.

Tabel 13.Vektor Keputusan

Tabel 14. Hasil Rangking paling layak ke

kuran layak

Alternatif Vektor

Keputusan

A8 0,133433

A5 0,113769

A7 0,111871

A1 0,109731

A10 0,109188

A2 0,098341

A4 0,092059

A3 0,088295

A9 0,072839

A6 0,070474

IV. KESIMPULAN

Metode WP (Weight Product) dapat digunakan

sebagai alternatif solusi untuk penentuan revisi calon

penerima Rastra pada studi kasus Desa Huidu.

Alternatif Vektor

keputusan

A1 0,109731

A2 0,098341

A3 0,088295

A4 0,092059

A5 0,113769

A6 0,070474

A7 0,111871

A8 0,133433

A9 0,072839

A10 0,109188



27


DAFTAR PUSTAKA

[1] Andrianto, R. Sistem Pendukung Keputusan

Seleksi Penerima Beras Untuk Keluarga Miskin

(Raskin) Pada Desa Golantepus Dengan Metode

Simple Additive Weighting (SAW). Laporan Skripsi

Universitas Muria Kudus. 2013.

[2] Fahmi, M,. Implementasi Sistem Pendukung

Keputusan Seleksi Penerima Beras Miskin

Menggunakan Metode Simple Additive Weighting

(Studi Kasus Kel. Jamsaren Kota Kediir). Artikel

Skripsi Universitas Nusantara PGRI Kediri. 2015.

[3] Kementrian Koordinator Bidang

Pembangunan Manusia Dan Kebudayaan Republik

Indonesia.. Pedoman Umum Subsidi Rastra. 2017.

[4] Oci, S.. Sistem Pendukung Keputusan Untuk

Penentuan Penerima Beras Muskin Menggunakan

Basis Data Fuzzy. Seminar Nasional Teknik

Informatika. 2012.

[5] Riyanto, K.. Sistem Pendukung

Pengambilan Keputusan Seleksi Penerima Beras

Untuk Keluarga Miskin (RASKIN) Studi Kasus Desa

Dalangan Kabupaten Klaten. Tugas Akhir Sarjana

Muda Teknik Elektro Universitas Muhammadiyah

Surakarta. 2009.

[6] Suryani, E.. Sistem Pendukung Keputusan

Kelayakan Penerimaan Bantuan Beras Miskin

Dengan Metode Weighted Product Di Kelurahan

Karikil Kecamatan Mangkubumi Kota Tasikmalaya.

Konferensi Nasional Sistem & Informatika 2015.

2015



28


PEMILIHAN FUNGSI AKTIVASI TERBAIK UNTUK

KLASIFIKASI MNIST

Siti Ratna Swari


Universitas Telkom

Jalan Telekomunikasi No 1, Bandung, Indonesia

[email protected]

Muhammad Hilmy An Nabhany


Universitas Telkom

Jalan Telekomunikasi No 1, Bandung, Indonesia

[email protected]

Abstrak

Convolutional Neural Network (CNN) adalah

salah satu metode yang terdapat dalam deep learning

yang banyak digunakan untuk menyelesaikan

permasalahan yang berkaitan dengan pengenalan

gambar (image recognition) dan klasifikasi. Salah

satu klasifikasi yang menarik adalah klasifikasi

mengenai pengenalan tulisan tangan. Pada penelitian

ini penulis mencari fungsi aktivasi yang terbaik untuk

klasifikasi MNIST.

Fungsi aktivasi yang dibandingkan adalah

Rectified Linear Units(ReLU), Leaky

ReLU(LReLU), dan Exponential Linear Unit(ELU).

Selama ini, ELU dianggap sebagai fungsi aktifasi

terbaik. Selain itu, ELU dan LeakyReLU mengatasi

masalah dead neuron yang ada pada ReLU.

Dataset yang digunakan adalah dataset The

MNIST Database of Handwritten Digit yang

berjumlah 70000. Evaluasi hasil dilakukan dengan

menggunakan Cross Entropi Loss untuk setiap epoch

ReLU, LeakyReLU, dan ELU.

Kata kunci: Klasifikasi, fungsi aktivasi, deep

learning.

Abstract

Convolutional Neural Network (CNN) is one of the

methods found in deep learning that is widely used to

solve problems related to image recognition and

classification. One interesting classification is the

classification of handwriting recognition. In this

study the author looks for the best activation function

for MNIST classification.

The comparative activation functions are Rectified

Linear Units (ReLU), Leaky ReLU (LReLU), and

Exponential Linear Unit (ELU). During this time,

ELU is considered as the best activation function. In

addition, ELU and LeakyReLU overcome the dead

neuron problem in ReLU.

The dataset used is the dataset of The MNIST

Database of Handwritten Digits totaling 70000. The

results evaluation is done by using Cross Entropy

Loss for each epoch ReLU, LeakyReLU, and ELU.

Keywords :Classification, activation function, deep

learning

I PENDAHULUAN

Convolutional Neural Network (CNN) adalah salah

satu metode yang terdapat dalam deep learning yang

banyak digunakan untuk menyelesaikan

permasalahan yang berkaitan dengan pengenalan

gambar (image recognition) dan klasifikasi. Salah

satu klasifikasi yang menarik adalah klasifikasi

mengenai pengenalan tulisan tangan. CNN sering



29


digunakan karena memiliki tingkat akurasi yang

relatif tinggi. Banyak hal yang dapat mempengaruhi

tingginya tingkat akurasi CNN. Salah satu faktor

yang dapat mempengaruhinya adalah jenis fungsi

aktivasi yang digunakan. Ada beberapa jenis fungsi

aktivasi yang dapat digunakan pada CNN, yaitu :

sigmoid, tanh, Rectified Linear Unit(ReLU),

LeakyReLU, maxout, dan Exponential Linear Unit

(ELU).

Penelitian ini akan membahas tentang pencarian

fungsi aktifasi yang terbaik untuk klasifikasi MNIST.

Dengan membandingkan beberapa fungsi aktivasi

yang ada, akan didapatkan nilai akurasi yang

berbeda – beda. Adapun fungsi aktifasi yang akan

dibandingkan adalah ReLU, LeakyReLU, dan ELU.

Arsitektur dan parameter yang digunakan untuk

klasifikasi MNIST ini adalah sama. Fungsi aktivasi

dapat dikatakan lebih baik apabila memberikan nilai

akurasi yang lebih tinggi. Dataset yang digunakan

adalah dataset The MNIST Database of Handwritten

Digit yang berjumlah 70000. Evaluasi hasil dilakukan

dengan menggunakan Cross Entropi Loss untuk

setiap epoch ReLU, LeakyReLU, dan ELU. Dalam

pembangunan program klasifikasi MNIST ini,

penulis menggunakan python 3.5 beserta library

keras. Arsitektur penelitian ini menggunakan 5 layer

dan 3 jenis Gradient Descent Optimizer.

I. KAJIAN LITERATUR

Penelitian mengenai perbandingan beberapa fungsi

aktivasi sebelumnya telah dilakukan pada penelitian

Fast and Accurate Deep Network Learning

Exponential Linear Units (ELUS) (Clevert et al.,

2015). Dalam penelitian tersebut fungsi aktivasi yang

digunakan adalah ReLU, ELU, dan LeakyReLU.

Dataset yang digunakan adalah dataset CIFAR-

10(gambar berwarna dalam 10 kelas, 50000 untuk

data training, dan 10000 untuk testing) , MNIST

(gambar keabuan dalam 10 kelas, 60000 untuk data

training dan 10000 untuk testing), CIFAR-

100(gambar berwarna dalam 100 kelas, 50000 untuk

data training, dan 10000 untuk testing), dan

ImageNet(gambar berwarna dalam 1000 kelas, 1,3

Milyar data training, dan 100000 untuk testing).

Perbandingan dilakukan dengan dan tanpa

menggunakan batch normalization.

Pada proses learning, setiap jaringan memiliki

delapan hidden layers dari 128 unit, dan telah dilatih

untuk 300 epoch menggunakan stochastic gradient

descent dengan learning rate 0.01 dan ukuran mini-

batchesnya adalah 64. Weight telah diinisialisasi

sesuai dengan (He et al.,2015).

ELU menghasilkan nilai training loss dan test

error yang lebih rendah daripada ReLUs,

LeakyReLUs, dan SreLUs. Adapun performansi

training dan testing ELU pun lebih baik daripada

fungsi aktivasi yang lainnya. Batch Normalzation

meningkatkan ReLU dan LeakyReLU namun tidak

meningkatkan ELU dan SreLU. Kekurangan ELU

adalah memungkinkan jaringan untuk membuat rata

– rata aktivasi mendekati nol. Namun, ELU

mengurangi perbedaan diantara normal gradient dan

unit natural gradient, dan dengan itu ELU

mempercepat proses learning. Penelitian ini

menunjukkan bahwa ELU secara signifikan

mengungguli fungsi aktivasi lainnya dengan

menggunakan dataset vision yang berbeda.

I.1 Fungsi Aktivasi

Fungsi aktivasi adalah salah satu faktor penentu

tingkat performansi dalam CNN. Ada beberapa jenis

fungsi aktivasi, yaitu sigmoid, tanh, ReLU,

LeakyReLU, Maxout, dan ELU. Namun, dalam

penelitian ini hanya ReLU, ELU, dan LeakyReLU

yang digunakan.

I.1.1 RECTIFIED LINEAR UNIT(RELU)

Rectified Linear Unit (ReLU) adalah sebuah fungsi

aktifasi yang memiliki formula perhitungan yang

terdapat pada formula 1.

Pada penelitian tentang Imagenet Classification

with Deep Convolutional Neural Network

(Krizhevsky et al., 2012), menunjukkan bahwa ReLU

sangat efisien secara komputasi. ReLU juga lebih

cepat daripada fungsi aktifasi sigmoid atau tanh.

Nilai bobot yang ada tidak akan diperbaharui.

Namun, ReLU juga memiliki beberapa kekurangan.

Adapun kekurangan ReLU adalah output yang

dihasilkan tidak terpusat pada nilai 0 dan 10% – 20%

neuron dari ReLU biasanya mati. Nilai ReLU yang

mati ini tidak akan aktif kembali dan tidak akan

diperbaharui. Hal ini disebabkan karena inisialisasi

bobot yang tidak tepat atau nilai learning rate yang



30


terlalu tinggi. Kekurangan ini biasanya diatasi dengan

menginisialisasi nilai bias secara positif. Misalnya

dengan menggunakan nilai 0.01 untuk bias tersebut.

I.1.2 LEAKY RELU

Leaky ReLU merupakan fungsi aktifasi

pengembangan dari ReLU yang memiliki formula

perhitungan sebagai berikut :

Pada penelitian Delving Deep into Rectifiers :

Surpassing Human-Level Performance on ImageNet

Classification (He et al., 2015) dan (Mass et al.,

2013), menunjukkan bahwa Leaky ReLU tidak

terlalu berbeda dengan ReLU. Kelebihan yang

dimilikinya pun hampir sama, yaitu efisien dalam

komputasi dan lebih cepat daripada fungsi aktifasi

sigmoid atau tanh. Namun, Leaky ReLU mencoba

untuk memperbaiki nilai neuron yang mati yang

terdapat pada ReLU.

I.1.3 EXPONENTIAL LINEAR UNITS (ELU)

Exponential Linear Unit(ELU) merupakan

fungsi aktifasi yang memiliki formula perhitungan

sebagai berikut :

Semua kelebihan ReLU terdapat dalam fungsi

aktifasi ELU (Clevert et al., 2015). Pada fungsi

aktifasi ELU, tidak ada neuron yang mati. Nilai

output yang dihasilkan pun mendekati nol. Namun,

ELU memiliki kekurangan, yaitu perhitungannya

membutuhkan nilai eksponen(exp).

I.2 Keras

Keras adalah library tingkat tinggi pada neural

network yang ditulis dalam bahasa python dan dapat

dijalankan dengan baik pada TensorFlow atau

Theano [5]. Keras awalnya dikembangkan sebagai

bagian dari penelitian pada proyek ONEIROS (Open-

ended Neuro-Electroic Intelligent Robot Operating

System). Keras dibangun dengan berfokus pada

pengembangan eksperimen yang cepat. Kunci untuk

melakukan penelitian yang baik adalah menghasilkan

ide secara cepat. Dengan ini keterlambatan dalam

penyelesaian masalah yang ada dalam penelitian pun

dapat berkurang. Keras memiliki beberapa

keuntungan, yaitu :

a) Memungkinkan untuk membuat prototype

yang cepat dan mudah (melalui keseluruhan

modularitas, minimalis, dan dapat

diperpanjang)

b) Mendukung convolutional network dan

recurrent network, serta kombinasi dari

kedua jaringan tersebut

c) Mendukung skema arbitary connectivity

(termasuk training dengan multi-input dan

multi-output)

d) Dapat berjalan dengan baik pada CPU dan

GPU

I.3 AdaDelta Update

AdaDelta adalah pengembangan dari Adagrad

yang bertujuan untuk mengurangi keaktifan yang

berlebih, dan penurunan nilai learning rate yang

monoton [6]. AdaDelta membatasi jumlah gradien

yang telah digunakan sebelumnya untuk beberapa

nilai bobot (weight) yang tetap. Penyimpanan nilai

bobot pada squared gradients yang sebelumnya tidak

efisien. Sehingga jumlah gradien secara rekursif

didefinisikan sebagai kerusakan rata – rata dari

semua squared gradients sebelumnya.

(6)

(7)

I.4 RMSProp

RMSProp adalah metode adaptive learning rate

yang ditemukan oleh Geoff Hinton pada perkuliahan

6e di Coursera Class. RMSProp dan AdaDelta

dikembangkan secara independen pada waktu yang

sama untuk mengatasi permasalahan pengurangan

keseluruhan nilai learning rate pada Adagrad [6].

RMSProp membagi learning rate dengan rata – rata

eksponensial kerusakan dari squared gradients.



31


I.5 Adaptive Moment Estimation (Adam)

Adam adalah salah satu metode yang menghitung

adaptive learning rate untuk setiap parameter. Selain

menyimpan nilai eksponensial data – rata kerusakan

dari past squared gradients, Adam juga menyimpan

rata – rata eksponensial kerusakan past gradient.

Metode ini seperti kombinasi antara RMSProp

dengan momentum. Adam bekerja sedikit lebih baik

dari RMSProp.

I.6 Softmax dan Cross Entropi Loss

Softmax biasa digunakan dalam klasifikasi sebuah

permasalahan yang ada dalam dunia komputasi.

Dalam perhitungan loss, softmax menggunakan

metode cross-entropy loss yang memiliki formula

matematika seperti yang ditunjukkan pada formula 9.

II. ANALISIS DAN PERANCANGAN

Pada penelitian mengenai pemilihan fungsi

aktivasi terbaik untuk klasifikasi MNIST ini, program

dibuat menggunakan bahasa pemrograman python

versi 3.5. Selain itu, program ini dibuat menggunakan

library keras. Program ini dibangun dengan

menerapkan prinsip Convolutional Neural Network

(CNN). Peneliti membuat program yang

menggunakan 3 fungsi aktivasi yang berbeda. Setiap

program memiliki arsitektur yang sama kecuali

fungsi aktivasi yang digunakan. Dalam penelitian ini,

fungsi aktivasi yang digunakan adalah Rectified

Linear Unit (ReLU), LeakyReLU, dan Exponential

Linear Unit (ELU).

Tabel 1 Arsitektur Program

No Layer Tipe Layer Parameter Dimensi Data

Input Output

Layer 1 Convolution Layer 32 3x3 filter,

pad 0

28x28x1 26x26x32

Layer 2 Convolution Layer 32 3x3 filter,

pad 0

26x26x32 24x24x32

Layer 3 Pooling Layer 2x2 filters 24x24x32 12x12x32

Layer 4 FC Layer - 4608 128

Layer 5 FC Layer Scoring - 128 10

Tabel 1 menunjukkan arsitektur yang digunakan

dalam penelitian ini. Program yang dibuat dalam

penelitian ini menggunakan 5 layer yang terdiri dari

2 convolution layer, 1 pooling layer, 1 FC Layer, dan

1 FC Layer Scoring. Jumlah epoch yang digunakan

adalah 5. Scoring Layer yang digunakan adalah

softmax. Perhitungan loss dalam penelitian ini

menggunakan cross entropi. Adapun Gradient

Descent Optimizer yang digunakan adalah AdaDelta,

RMSProp, dan Adam. Gradient Descent Optimizer

digunakan sebagai pengganti learning rate. Setiap

fungsi aktivasi dijalankan dengan menggunakan 3

Gradient Design Optimizer tersebut. Jadi, total

keseluruhan program yang dibuat dalam penelitian

ini adalah 9 program. Hasil dari beberapa program



32


tersebut kemudian dibandingkan nilai akurasi dan

nilai loss-nya.

II.1 Hasil Penelitian Menggunakan AdaDelta

Hasil penelitian menggunakan AdaDelta dapat

dilihat pada tabel 2, tabel 3, dan tabel 4. Estimasi

waktu yang diperlukan untuk menjalankan program

ini adalah 181 detik. Hasil penelitian ini berupa nilai

loss dan nilai akurasi untuk setiap training dan

validation. Jumlah epoch yang digunakan adalah 5.

Tabel 2 Nilai loss dan akurasi saat menggunakan

fungsi aktivasi ReLU pada AdaDelta

E Loss Accuracy

T V T V

1 0.3836 0.0856 88.14% 97.41%

2 0.1342 0.0618 96.00% 97.97%

3 0.1053 0.0533 96.83% 98.32%

4 0.0873 0.0450 97.32% 98.57%

5 0.0790 0.0413 97.65% 98.69%


fungsi aktivasi ELU pada AdaDelta

E Loss Accuracy

T V T V

1 0.3414 0.1090 89.88% 96.62%

2 0.1333 0.0628 95.95% 97.99%

3 0.0976 0.0560 97.07% 98.21%

4 0.0811 0.0449 97.56% 98.51%

5 0.0720 0.0428 97.77% 98.59%


fungsi aktivasi LeakyReLU pada AdaDelta

E Loss Accuracy

T V T V

1 0.3774 0.0850 88.29% 97.37%

2 0.1322 0.0612 96.04% 98.00%

3 0.1035 0.0541 96.92% 98.24%

4 0.0869 0.0449 97.37% 98.55%

5 0.0788 0.0416 97.66% 98.63%

E yang berada dalam tabel menunjukkan jumlah

epoch, T menunjukkan proses training dan V

menunjukkan proses validation.

Adapun grafik loss yang dihasilkan pada saat

percobaan menggunakan AdaDelta terdapat pada

grafik 1. Grafik tersebut menggambarkan

perbandingan nilai loss yang dihasilkan oleh fungsi

aktivasi ReLU, ELU, dan LeakyReLU pada

AdaDelta.

II.2 Hasil Penelitian Menggunakan Adam

Hasil penelitian menggunakan Adam dapat dilihat

pada tabel 5, tabel 6, dan tabel 7. Estimasi waktu

yang diperlukan untuk menjalankan program ini lebih

singkat daripada AdaDelta, yaitu 179 detik.

Grafik 1 Nilai perbandingan loss antara ReLU, ELU,

dan LeakyReLU pada AdaDelta



33



fungsi aktivasi ReLU pada Adam

E Loss Accuracy

T V T V

1 0.2738 0.0555 91.57% 98.32%

2 0.0969 0.0419 97.07% 98.73%

3 0.0751 0.0367 97.70% 98.78%

4 0.0616 0.0306 98.11% 99.01%

5 0.0545 0.0334 98.33% 98.97%


fungsi aktivasi ELU pada Adam

E Loss Accuracy

T V T V

1 0.2538 0.0752 92.38% 97.56%

2 0.1028 0.0507 96.79% 98.35%

3 0.0838 0.0447 97.45% 98.63%

4 0.0680 0.0415 97.84% 98.70%

5 0.0598 0.0402 98.17% 98.72%


fungsi aktivasi LeakyReLU pada Adam

E Loss Accuracy

T V T V

1 0.2652 0.0550 91.86% 98.29%

2 0.0910 0.0378 97.28% 98.73%

3 0.0687 0.0346 97.95% 98.84%

4 0.0563 0.0307 98.27% 98.93%

5 0.0501 0.0316 98.46% 98.92%

Grafik loss yang dihasilkan pada saat percobaan

menggunakan Adam dapat dilihat pada grafik 2.

Grafik tersebut menggambarkan perbandingan nilai

loss yang dihasilkan oleh fungsi aktivasi ReLU, ELU,

dan LeakyReLU pada Adam.

Grafik 2 Nilai perbandingan loss antara ReLU,

ELU, dan LeakyReLU pada Adam

II.3 Hasil Penelitian Menggunakan RMSProp

Hasil penelitian menggunakan RMSProp dapat

dilihat pada tabel 8, tabel 9, dan tabel 10. Estimasi

waktu yang diperlukan untuk menjalankan program

ini adalah 180 detik. RMSProp membutuhkan waktu

yang lebih singkat daripada AdaDelta dan Adam.


fungsi aktivasi ReLU pada RMSProp

E Loss Accuracy

T V T V

1 0.2484 0.0656 92.34% 98.01%

2 0.0905 0.0414 97.32% 98.66%

3 0.0715 0.0378 97.93% 98.67%

4 0.0604 0.0367 98.18% 98.74%

5 0.0559 0.0349 98.40% 98.84%



34



fungsi aktivasi ELU pada RMSProp

E Loss Accuracy

T V T V

1 0.2311 0.0792 93.00% 97.33%

2 0.1055 0.0542 96.82% 98.24%

3 0.0875 0.0551 97.37% 98.43%

4 0.0720 0.0443 97.82% 98.57%

5 0.0662 0.0459 98.00% 98.67%


fungsi aktivasi LeakyReLU pada RMSProp

E Loss Accuracy

T V T V

1 0.2355 0.0644 92.80% 97.99%

2 0.0850 0.0389 97.45% 98.65%

3 0.0676 0.0435 98.04% 98.55%

4 0.0592 0.0342 98.23% 98.87%

5 0.0547 0.0340 98.38% 98.90%

Grafik loss yang dihasilkan pada saat percobaan

menggunakan RMSProp dapat dilihat pada grafik 2.

Grafik tersebut menggambarkan perbandingan nilai

loss yang dihasilkan oleh fungsi aktivasi ReLU, ELU,

dan LeakyReLU pada Adam.

Grafik 3 Nilai perbandingan loss antara ReLU,

ELU, dan LeakyReLU pada RMSProp

III. KESIMPULAN DAN SARAN

Dari hasil percobaan penelitian ini, setiap fungsi

aktivasi dibandingkan berdasarkan nilai akurasi dan

loss yang ada. Hasil akurasi yang dibandingkan

adalah hasil akurasi yang dihasilkan pada epoch

pertama. Hasil perbandingan penelitian ini dapat

dilihat pada tabel 11.

Tabel 11 menunjukkan bahwa fungsi aktivasi yang

menghasilkan nilai akurasi terbaik pada proses

training untuk semua Gradient Descent Oprimizer

yang digunakan adalah ELU. Sedangkan fungsi

aktivasi yang menghasilkan nilai akurasi terbaik pada

proses validation adalah ReLU. Pada epoch pertama,

ELU langsung menghasilkan nilai akurasi yang

sangat tinggi pada proses training dibandingkan

dengan yang lainnya meskipun pergerakan akurasi

untuk epoch selanjutnya cenderung lambat. Jadi,

dapat disimpulkan bahwa fungsi aktivasi yang terbaik

untuk proses training adalah ELU. Sedangkan fungsi

aktivasi yang terbaik untuk proses validation adalah

ReLU.



35


Tabel 11 Nilai fungsi aktivasi terbaik untuk

training dan validation

Optimizer Fungsi Aktivasi Accuracy

T V T V

AdaDelta ELU ReLU 89.88% 97.41%

Adam ELU ReLU 92.38% 98.32%

RMSProp ELU ReLU 93.00% 98.01%

REFERENSI

[1] Krizhevsky, Alex, Ilya Sutskever, and

Geoffrey E. Hinton. 2012. "ImageNet

Classification with Deep Convolutional

Neural Network." Neural Information

Processing System Proceedings

[2] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and

Jian Sun. 2015. "Delving Deep into

Rectifiers: Surpassing Human-Level

Performance on ImageNet Classification."

Computer Vision and Pattern Recognition.

[3] n.d. "CS231n: Convolutional Neural Networks for

Visual Recognition." Stanford. Accessed

December 6, 2016.

http://cs231n.stanford.edu/slides/winter1516

_lecture5.pdf.

[4] Djork-Arne Clevert, Thomas Unterthiner, Sepp

Hochreiter. 2016. "Fast and Accurate Deep

Network Learning by Exponential Linear

Units (RELUS)." ICLR.

[5] n.d. Keras Documentation. Accessed December

15, 2016. https://keras.io/.

[6] Ruder, Sebastian. 2016. An overview of gradient

desent optimization algorithms. January 19.

Accessed December 18, 2016.

http://sebastianruder.com/optimizing-

gradient-descent/index.html#adadelta.

[7] Hinton, Geoffrey, Nitish Srivastava, and Kevin

Swesky. n.d. "Computer Science University

of Toronto." Accessed December 18, 2016.

http://www.cs.toronto.edu/~tijmen/csc321/sl

ides/lecture_slides_lec6.pdf.

[8] Zeiler, Matthew D., and Rob Fergus. 2013.

"Visualizing and Understanding

Convolutional Networks." arxiv.



36


ANALISIS BIG PICTURE MAPPING DALAM IMPLEMENTASI

SISTEM ERP PADA KLINIK KESEHATAN TINGKAT

PRATAMA

Nissa Syifa Puspani

Fakultas Teknik, Program Studi Teknik Industri

Universitas Widyatama

Jl. Cikutra No.204A, Bandung

Email: [email protected]

Abstrak

Industri kesehatan saat ini memiliki potensi

yang besar dalam mengembangkan bisnisnya.

Berbagai kriteria pengembangan bisnis dalam

industri kesehatan salah satunya adalah perencanaan

manajemen dan sistem informasi data yang baik.

Pengelolaan sistem dan data yang ada dalam industri

kesehatana akan menentukan keandalan manajemen

dan kecepatan pelayanan yang diberikan.

Salah satu cara dalam mengidentifikasi

manjemen sistem dalam sebuah perusahaan adalah

dengan mengidentifkasi gambaran pengelolaan

manajemen dengan metode Big Picture Mapping

(BPM), metode ini akan memberikan gambaran

mengenai informasi manajemen yang dilihat secara

menyeluruh baik dari sistem maupun waktu kerja.

Kata kunci: big picture mapping, sistem informasi,

kesehatan.

Abstract

Currently, healthcare industry has a great potential

in developing its business. In that effort, one of the

criteria must be fulfill is to have a good information

system and data management. Good information

system and data management will determined the

reliability provided services.

One the methods in identifying the current

information system and data management within an

organization is by using Big Picture Mapping (BPM)

method. This method will provide holistic view of

current information system and data management,

such that improvement initiatives can be taken more

thoroughly.

Keywords: big picture mapping, information system,

healthcare.

I. PENDAHULUAN

Perkembangan kesehatan Indonesia saat ini

semakin meningkat diiringi dengan pertumbuhan

jumlah rumah sakit, puskesmas dan klinik kecil

diberbagai daerah di Indonesia. Klinik merupakan

pelayanan kesehatan medis dasar atau spesialis yang

dikelola oleh perorangan atau spesialis tertentu.

Klinik merupakan pilihan kesehatan yang saat ini

telah menjadi pertimbangan masyarakat dalam

melakukan pemeriksaan kesehatan dasar ataupun

rujukan. Badan Statistik Indonesia menyebutkan

bahwa untuk daerah Jawa Barat pada tahun 2009-

2014, sebanyak 22% masyarakat memilih klinik

sebagai pilihan yang diminati masyarakat (lihat

Gambar 1.)



37


Gambar 1. Data Kunjungan Pasien Jawa Barat

Tahun 2019-2014

(Sumber: Badan Statistis Indonesia)

Menurut Badan Penyelenggara Kesehatan Sosial

(BPJS) klinik pratama merupakan klinik yang

menyediakan pelayanan dasar medik. Klinik pratama

saat ini sudah menyebar diseluruh wilayah kecil di

Indonesia khususnya Jawa Barat. Hal tersebut

menjadi landasan bahwa klinik menjadi salah satu

pilihan masyarakat menjadi tempat pemeriksaan

kesehatan dengan akses lokasi yang mudah dicapai.

Untuk terus meningkatkan jumlah pasien pada

klinik, keunggulan pelayanan menjadi sangat relevan

untuk terus diperbaiki. Pada dasarnya beberapa klinik

di kawasan Jawa Barat masih menggunakan metode

klasik atau manual input untuk memasukan data

pasien. Oleh sebab itu kajian ini bertujuan untuk

memberikan gambaran identifikasi manajemen

sistem yang berlangsung dalam bisnis kesehatan,

khususnya Klinik Pratama.

Metode Big Picture Mapping (BPM) merupakan

salah satu metode yang mendasar pada prinsip Lean

thinking. Metode BPM merupakan langkah awala

untuk mengidentifikasi seluruh proses dan sistem

yang ada dalam area perusahaan. BPM sangat

penting digunakan untuk meningkatakan atau

mengidentifikasi permasalahan atau kegiatan yang

memiliki nilai guna atau tidak. Dengan metode BPM

diharapkan dapat meningkatkan sistem informasi

yang ada di Klinik Pratama untuk memberikan

pelayan yang efektif dan efisien.


Untuk dapat memahami keterkaitan metode Big

Picture Mapping dan ERP sistem berikut ini landasan

literatur yang dapat menjelaskan kedua pemahaman

tersebut:

A. Big Picture Mapping (BPM)

Metode big picture mapping merupakan

gambaran atau pemetaan kondisi awal yang

terjadi di perusahaan. BPM merupakan tahapan

awal sebagai identifikasi aliran atau kegiatan yang

memberikan informasi apakah ada kegiatan yang

tidak diperlukan atau kurang bermanfaat atau

tidak bagi perusahaan. dalam penerapannya

metode ini banyak sekali digunakan dengan

prinsip lean thinking (Puspani, 2016).

Big picture mapping adalah tahapan dalam

menggambarkan kondisi awal yang terjadi dalam

sebuah sistem. Dengan metode big picture

mapping waktu setiap aktivitas akan terukur

dengan jelas (Singgih & Kristian, 2010).

B. Sistem Enterprise Resource Planning (ERP)

Enterprise Resource Planning (ERP) merupakan

paket sistem informasi yang mengintegrasikan

informasi dalam suatu area fungsional dan antar area

fungsional dalam perusahaan (Kumar &

Hillegersberg, 2000 dalam Yulizar, 2016).

ERP adalah tulang punggung dari sistem

informasi suatu enterprise. Inti dari software ini

adalah basis data terpusat yang mendapatkan dan

memberikan data kepada berbagai aplikasi modular

yang dioperasikan dalam sistem komputer yang

sama. ERP mencakup berbagai fungsi-fungsi dalam

bisnis, seperti manufaktur, manajemen rantai suplai,

keuangan, proyek, sumber daya manusia, dan

manajemen hubungan pelanggan. Modul-modul

dalam paket ERP ini dapat disesuaikan dengan

kebutuhan spesifik organisasi. Menggunakan ERP,

data yang redundan dapat dihindari karena data hanya

perlu dimasukkan satu kali ke dalam basis data.

Sistem ini menyediakan konsistensi dan transparansi

pada keseluruhan enterprise sehingga memberikan

akses informasi yang terpercaya dan terintegrasi.

III. PENGUMPULAN DATA

Pengumpulan data yang digunakan pada penelitian

ini adalah metode observasi yang langsung dilakukan

di lokasi penelitian.



38


Indentifikasi Proses Bisnis yang terjadi

Pada tahapan identifikasi proses bisnis yang

ada di lingkungan Klinik tersebut peneliti

mendapatkan beberpa kategori proses, yaitu sebagai

berikut:

1. Administrasi

Proses administrasi merupakan proses pertama

yang dilakukan pada saat pasien datang. Dalam

proses adminitrasi dilakukan pengecekan data

apakah pasien lama atau baru. Semua proses

dilakukan secara manual tanpa ada proses input

data ke komputer.

2. Pemerikasaan

Proses pemeriksaan merupakan aktivitas

pelayanan kesehatan yang dilakukan oleh dokter.

3. Farmasi

Proses yang terjadi pada proses ini adalah pasien

memberikan resep obat yang telah diperoleh dari

hasil pemeriksaan kepada perawat. Perawat

mencari obat yang telah tertulis pada resep serta

mengkonfirmasi ketersediaan stock obat secara

manual. Pada proses ini penelitian berlangsung

cukup lama, sehingga pasien menunggu dengan

waktu yang cukup lama. Setelah melakukan

konfirmasi obat dan stock yang ada, kemudian

perawat memberikan obat tersebut kepada pasien

dan segera melakukan proses pembayaran.

4. Pembayaran

Proses ini merupakan aktivitas terakhir yang

dilakukan pasien. Pada proses tersebut pasien

melakukan pembayaran dengan sejumlah total

pembayaran tertentu sesuai dengan pemeriksaan

dan jenis obat yang diberikan. Perolehan data

mengenai proses bisnis yang terjadi dapat dillihat

pada Gambar 3.

IV. PENGOLAHAN DAN ANALISIS

DATA

Berdasarkan hasil pengumpulan data maka proses

pengolahan data adalah memindahkan observasi

proses menjadi tahapan metode Big Picture Mapping

(BPM) seperti pada Gambar 2 dibawah ini. Dari

hasil gambaran big picture mapping awal tersebut

total lead time yang diperoleh adalah 580 detik

dengan dengan value added time 1975 detik. Pada

waktu tersebut menujukan bahwa banyak waktu

terbuang dalam kegiatan administrasi dan verifikasi

stock obat.

Perolehan waktu yang cukup tinggi menyebabkan

pasien menunggu dengan waktu yang cukup lama.

Manajemen klinik perlu mempertimbangkan waktu

tunggu yang terdapat pada hasil penelitian ini. Resiko

yang paling fatal adalah pada proses administrasi

yang merupakan dasar dokter dalam menentukan

tindakan yang harus dilakukan oleh dokter, yang

terjadi dalam manajemen klinik tersebut adalah

perawat masih menggunakan input secara manual,

sehingga data tidak tersimpan dengan baik. Proses

tersebut sangat berbahaya bagi pasien sendiri. Jika

dilihat dari hasil big picture mapping, proses

adminitrasi merupakan value added time, dimana

proses yang value added merupakan proses atau

aktivitas yang akan memberikan nilai tambah bagi

perusahaan (Puspani et.al, 2010). Oleh karena itu

keberadaan proses ini harus memiliki waktu yang

singkat namun teliti.



39


Gambar 2. Big Picture Mapping Klinik Pratama



40


Gambar 3. Proses Bisnis Klinik Pratama



41


Adopsi dari sistem ERP diharapkan mampu

menurunkan waktu value added pada porses

sebelumnya. Dengan adanya implementasi dari ERP

sistem akan lebih mudah digunakan dan divalidasi,

sehingga akan memudahkan operator dalam

melakukan aktivitasnya. Adopsi sistem ERP yang

disarankan berada pada beberapa titik penting proses

bisnis klinik tersebut (lihat Gambar 4).

Faktor-faktor yang memiliki dampak positif

terhadap pencapaian manfaat pada sistem bisnis

klinik tersebut diberikan improvement seperti pada

Gambar 4. Hal-hal yang memberikan manfaat

diberikan improvement dengan tambahan sistem.

Diharapkan dengan adanya sistem akan mempercepat

waktu proses dalam setiap aktivitas.

Gambar 4. Big Picture Mapping Adopsi ERP

V. KESIMPULAN

Analisa menggunakan metoda big picture

mapping yang dilakukan dalam penelitian ini

menunjukkan proses bisnis yang dijalankan saat ini

masih belum efisien. Untuk itu, perlu dilakukan

upaya yang dapat meningkatkan efisiensi dari proses

bisnis tersebut. Adopsi sistem informasi menjadikan

pilihan yang efektif dan efisien yang dapat diambil.

Dari seluruh proses yang ada, sistem informasi

menjadi

Dari hasil penelitian tersebut menghasilkan

beberapa kesimpulan:

1. Aktivitas yang terjadi selama proses bisnis

memilki waktu siklus yang panjang. Tidak adanya

sistem yang baik menjadi salah satu penyebab

lamanya waktu.

2. Dari penggunaan metode big picture mapping,

aktivitas yang memiliki waktu lama dan

merupakan aktivitas yang memberikan nilai

tambah pada perusahaan adalah adminitrasi dan

pengambilan resep obat.

3. Aktivitas yang memiliki nilai bagi perusahaan

namun memiliki waktu yang lama diberikan

improvment berupa pengadopsian sistem ERP.

Secara sederhana adopsi tersebut bisa berupa

penambahan perangkat kerja seperti seperangkat

komputer dan software ERP yang dapat

membantu pelaksanaan proses.



42


VI. SARAN

Penelitian ini hanya melihat secara umum

aktivitas yang terjadi di setiap proses bisnisnya.

Gambaran tersebut digambarkan dengan baik dengan

metode big picture mapping. Pada big picture

mappping yang telah dilakukan, banyak aktivitas inti

dari pelayanan memiliki waktu proses yang cukup

lama, sehingga menyebabkan terjadinya waktu

tunggu yang lama. Mengingat proses tersebut

berlangsung pada bidang kesehatan, maka efisiensi

waktu yang dilakukan akan banyak memiliki manfaat

bagi perusahaan dan aktivitas yang dilakukan.

REFERENSI

Moses, L Singgih & Kristian, Richard. (2010).

Peningkatan Produktivitas Divisi Produksi

Peralatan Industri Proses Pada PT. Barata

Indonesia Dengan Value Stream Mapping.

ITS, Surabaya.

Puspani, NS. (2016). Identifikasi Value Stream

Mapping Dalam Meningkatkan Waktu

Aktivitas Logistik Poslog Distribution Cente.

IDEC, UNS, Surakarta.

Puspani, Nissa Syifa, et.al (2014). Identifikasi

Kinerja Rantai Pasok Pada PT Pos Logistik

Indonesia Studi Kasus Poslog Distribution

Center Tambun. Prosiding Seminar Nasional

TEKNOIN, UII. Yogyakarta.

Setyawan, Danang Triagus, et. al (2013).

Minimasi Waste Untuk Perbaikan Proses

Produksi Kantong Kemasan Dengan

Pendekatan Lean Manufacturing. JEMIS,

Universitas Brawijaya, Malang.

Yulizar, I. (2016). Analisis Pencapaian Manfaat

Dalam Penggunaan ERP Di Perusahaan

Indonesia. Jurnal Masyarakat Indonesia.

Bandung.



43


APLIKASI PENGOLAHAN DATA PESERTA DAN CALON

PENERIMA PENSIUN PADA PT. TASPEN (PERSERO)

CABANG KUPANG BERBASIS CLIENT SERVER

Emerensiana Ngaga, Yulianti P. Bria, Muhamad W. Suwandi

Program Studi Teknik Informatika, Fakultas Teknik

Universitas Katolik Widya Mandira Kupang

Jalan A. Yani No. 50-52 Kupang, NTT

[email protected], [email protected], [email protected]

Abstrak

Sistem pengolahan data merupakan salah satu

cara yang dipakai dalam setiap lembaga untuk

memaksimalkan sumber daya agar dapat

menghasilkan output yang sesuai dengan kebutuhan.

Dalam mengolah data dibutuhkan sumber daya

manusia yang sesuai agar dalam pelaksanaan

pengolahan data setiap output yang dihasilkan harus

sesuai berdasarkan hasil inputan awal. PT Taspen

(Persero) merupakan salah satu lembaga yang

menggunakan sistem pengolahan data berbasis

komputer dalam mengolah data peserta dan calon

penerima pensiun. Sistem ini dibangun dengan tujuan

untuk membantu para peserta dan calon penerima

taspen dalam mempermudah mengolah data sehingga

tidak terjadi penumpukan data karena semua data

telah tersimpan dalam basis data sehingga

mengurangi sumber daya.

Penelitian ini menggunakan metode UP

(Unified Process) yang terdiri dari 4 tahapan yaitu :

inception, elaboration, construction dan transition

dengan menggunakan tool bahasa pemrograman Java

Netbeans dan MySql sebagai basis data. Hasil dari

pembuatan aplikasi ini mampu memberikan

kemudahan dalam pengolahan data khususnya data

peserta dan calon penerima pensiun sehingga lebih

efektif dan efisien.

Kata kunci :

Aplikasi, Pengolahan Data, PT. TASPEN Cabang

Kupang, Client Server.

Abstract

Data processing system is one of the ways used

in each institution to maximize resources in order to

produce output that suits the needs. In data

processing required human resources appropriate for

the implementation of data processing each output

produced should be appropriate based on the results

of the initial input. PT Taspen (Persero) is one of the

institutions that use computer-based data processing

system in processing data of participants and

potential recipients of pensions. The system is built

with the aim to help the participants and recipients

Taspen in facilitating the processing of data so there

is no accumulation of data for all of the data has

been stored in the database, thereby reducing

resources.

This research uses UP (Unified Process)

method which consists of 4 stages: inception,

elaboration, construction and transition using tool

Java Netbeans programming language and MySql as

the database. The results of making this application

is able to provide convenience in data processing,

especially data of participants and prospective

recipients of pensions so that more effective and

efficient.

Keywords :

Application, Data processing, PT. TASPEN Cabang

Kupang, Client Server.



44


I. PENDAHULUAN

PT.TASPEN (PERSERO) adalah BUMN yang

berada di bawah pengawasan negara. Tugas yang

dijalankan adalah program asuransi sosial yang

terdiri dari program dana pensiun dan tabungan hari

tua (THT). Pada setiap wilayah provinsi, terdapat

sebuah cabang PT yang berfungsi untuk mengatur

THT PNS dalam provinsi.

Menurut data statistik provinsi daerah NTT

jumlah PNS pada tahun 2015 mencapai 12.419 jiwa.

Jumlah ini merupakan jumlah data peserta yang

menjadi tanggung jawab PT.TASPEN (PERSERO)

Cabang Kupang dalam pengaturan THT setiap

peserta, dan belum termasuk dalam data calon

penerima hak waris dana pensiun. Oleh sebab itu

dapat disimpulkan bahwa pengolahan data yang

sangat banyak ini akan memakan waktu dan tenaga

serta biaya yang banyak pula.

Data peserta pensiun dimasukkan oleh setiap

PNS ke kantor dinas masing-masing pada bidang

sekretariat. Data peserta yang telah masuk akan

dikirimkan ke PT.TASPEN (Persero) Cabang

Kupang. Data yang dikirim berupa kertas dan dikirim

melalui transportasi udara. Data peserta kemudian

diterima oleh PT.TASPEN dan dimasukkan ke dalam

komputer melalui aplikasi Sistem Informasi

Pelayanan Cabang. Output yang dihasilkan kemudian

diunggah ke website pusat PT.TASPEN

(PERSERO).

Sistem pengiriman, pendataan peserta dan calon

penerima dana pensiun yang berjalan pada

PT.TASPEN (PERSERO) Cabang Kupang memakan

waktu dan biaya yang banyak, karena jarak antara

sumber data yang berada pada setiap kabupaten

dengan PT.TASPEN sangat jauh. Selain jarak yang

jauh, untuk memasukkan data kedalam komputer

membutuhkan waktu dan tenaga karena jumlah data

peserta dan calon penerima dana pensiun yang sangat

banyak.

Seiring kemajuan teknologi yang begitu pesat

maka berkembang pula sistem manajemen

pengolahan data dan sistem jaringan komputer

terdistribusi yang dapat membantu manusia dalam

mengelola data secara baik dan cepat. Dengan sistem

jaringan komputer yang terdistribusi maka jarak

antara sumber dan penerima data tidak lagi menjadi

masalah karena dapat saling bertukar data melalui

jaringan. Sistem ini biasa disebut client server

dimana kantor pusat sebagai server (penyedia) dapat

melayani permintaan dan pemberian data dari kantor

cabang sebagai client (nasabah).

Berdasarkan permasalahan yang ada, perlu

adanya aplikasi pengolahan data berbasis client

server yang dapat mempermudah PT.TASPEN

(PERSERO) Cabang Kupang untuk mengolah data

secara efektif dan tidak memakan waktu serta biaya

yang banyak pada saat pengiriman data.


Sistem informasi akan lebih efektif dan efisien

dengan komputerisasi yang tepat. Semua pekerjaan

dapat dilakukan dengan cepat dan mudah untuk

pengolahan dan pentransferan data, terlebih untuk

proses tranfer data berbasis client server. Beberapa

penelitian terkait aplikasi berbasis client server telah

banyak dilakukan sebelumnya.

Penelitian [1] menghasilkan sebuah sistem

pengolahan data siswa berbasis client server SMP

Negeri 3 Gamping yang dapat meningkatkan

pelayanan kepada siswa baik dari segi kuantitas

maupun kualitas yang tentunya akan berdampak pada

kenaikan jumlah siswa. Penelitian [2] menghasilkan

sebuah sistem informasi akademik berbasis client

server dengan LAN untuk mengelola data siswa,

guru, nilai yang bisa diakses oleh beberapa user.

Selain itu user dapat berkirim pesan melalui fasilitas

chat client yang disediakan. Penelitian [3] membuat

suatu sistem informasi nilai mahasiswa berbasis

mobile client server yang mampu memberikan

informasi nilai kepada seluruh mahasiswa dan dosen

hanya dengan mengakses website dan dapat pula

melalui handphone. Penelitian [4] membahas tentang

kriptografi RSA pada aplikasi file transfer berbasis

client server untuk meningkatkan keamanan pada file

dalam suatu jaringan komputer walaupun file tersebut

ditransfer dalam jaringan publik.

Pada penelitian ini, aplikasi yang

dikembangkan adalah pengolahan data berbasis client

server yang dapat menghubungkan seluruh kantor

dinas yang berada di NTT dengan kantor

PT.TASPEN (PERSERO) Cabang Kupang yang

memanfaatkan jaringan internet dengan VPN (Virtual

Private Network) sebagai penghubung client dan

server.



45


Sistem Informasi

Sistem informasi merupakan sistem yang

mempuyai kemampuan untuk mengumpulkan

informasi dari semua sumber dan menggunakan

berbagai media untuk menampilkan informasi.

Sistem informasi adalah suatu sistem manusia / mesin

yang terpadu untuk menyajikan informasi guna

mendukung fungsi operasi, manajemen dan

pengambilan keputusan dalam organisasi. Sistem

informasi adalah (kesatuan) formal yang terdiri dari

berbagai sumber daya fisik maupun logika. Dari

organisasi ke organisasi, sumber daya ini disusun

atau distrukturkan dengan beberapa cara yang

berlainan, karena organisasi dan sistem informasi

merupakan sumber daya yang bersifat dinamis [5].

Pengertian Client Server

Client server adalah komputer database yang

berada di pusat yang informasinya bisa dipakai

bersama-sama oleh beberapa user yang menjalankan

aplikasi di dalam komputer lokal yang disebut

client.[6].

Pengertian VPN (Virtual Private Network)

VPN atau Virtual Private Network adalah suatu

koneksi antara satu jaringan dengan jaringan lainnya

secara private melalui jaringan publik (Internet).

VPN disebut Virtual network karena menggunakan

jaringan publik (Internet) sebagai media perantaranya

atau bukan koneksi langsung. Dan disebut Private

network karena jaringannya bersifat private, dimana

hanya orang tertentu saja yang bisa mengaksesnya.

Data yang dikirimkan pun terenkripsi sehingga aman

dan tetap rahasia meskipun dikirim melalui jaringan

publik. [7].

III. ANALISIS DAN PERANCANGAN

Analisis Sistem

Analisis kebutuhan sistem dilakukan untuk

mengetahui fasilitas yang harus disediakan atau

dimiliki oleh sistem agar dapat melayani kebutuhan

pengguna sistem. Peran penting dari aplikasi ini

adalah untuk membantu pegawai PT. TASPEN

(PERSERO) dalam proses penilaian kinerja dan

pengolahan data hasil penilaian. Pada penelitian ini

kebutuhan sistem client-server yang akan dibangun

menggunakan VPN (Virtual Private Network) yang

memanfaatkan ISP (Internet Service Provider)

sehingga biaya yang dikeluarkan menjadi optimal

dan manfaat sistem yang akan dibangunpun menjadi

lebih besar.

Peran dari sistem yang dibangun adalah sebagai

berikut:

1. Sistem yang dibangun dapat meng-input data-

data yakni data kabupaten, data instansi, data

peserta Taspen, dan data calon penerima

pensiun.

2. Sistem yang dibangun dapat merekam seluruh

data yang dimasukkan. Semua data yang

dimasukkan direkam ke dalam database yang

kemudian ditampilkan kembali ke tabel-tabel

dalam form.

3. Sistem yang dibangun dapat membantu proses

pengecekan dan perubahan data peserta, dan

calon penerima pensiun.

4. Sistem yang dibangun dapat mencetak data

peserta dan calon penerima pensiun.

Perancangan Sistem

a. Use Case

Use case adalah urutan kejadian-kejadian

yang terdapat pada suatu sistem yang dapat

memberikan penyelesaian proses pada aktor. Use

case digunakan untuk memodelkan dan

menyatakan unit fungsi/layanan yang disediakan

oleh sistem. Use case berisi sesuatu yang

dikerjakan oleh sistem atau berdasarkan perintah

yang dilakukan oleh aktor.



46


Mengolah Data User

Mengolah Data Kelurahan

Mengolah Data Kecamatan

Mengolah Data Kabupaten

Mengolah Data Keluarga

Mengolah Data Pegawai

Mengatur Koneksi Database

Mengolah Data Departemen

Mengolah Data Bagian

Mengolah Data Biro

Login

Admin

<<in

clu

de>>

<<in

clu

de>>

<<include>

>

<<include>

>

<<include>>

<<include>>

<<include>>

<<include>>

<<includ

e>>

<<includ

e>>

Mengolah Data Instansi

Mengolah Data Gaji

Mengolah Data Tanda Tangan

<<in

clu

de>>

<<in

clu

de>>

<<in

clu

de>>

Mencetak Data Calon Peserta

<<in

clu

de>>

Gambar 1. Use Case Diagram Admin

Mengolah Data Peserta

Mencetak Data Peserta

Mengolah Data KeluargaLogin

User client

<<include>>

<<include>>

<<include>>

Gambar 2. Use Case Diagram Client



47


b. Entity Relationship Diagram

Departemen

Kelurahan

Kecamatan

Pegawai

Instansi

Keluarga

Tanda Tangan

Gaji

Kabupaten

Kd_keluarga

No_taspen

NIP

Nama

Hubungan

Agama

No_KTP

Tgl_lahir

Tgl_wafat

Jenis_kelamin

Status_kawin

Kd_instansiNama_instansiKd_departemen

Nama_depart

Kd_kelurahan Nama_kelurahan Kd_kecamatan

Kd_kecamatan

Nama_kecamatan

Kd_kelurahan

Kd_kabupaten

Kd_wilayah

Nama_kabupaten

Kd_kecamatan

Id Nippejabat Namapejabat ttd

Kd_biro Nama_biro

Badan

Biro

Kd_biro

Nama_biro

Kd_badan

Nama_badan

pangkat

nama

jabatan

Kd_biro

Kd_instansi

NIP

Kd_kabupaten

Kd_kecamatan

alamat

Kd_keluarga

Kd_kelurahan

Satuan_kerja

Gaji

Golongan

Status_pegawai

npwp

Status_kawin

Kd_badan

Memiliki

N

1

Memiliki

N

1

Memiliki

N

1

Memiliki

N

1

Memiliki N1

Memiliki

N

1

Memiliki

N

1

Memiliki

N

1Memiliki

N

1

Memiliki

N

1

Gambar 3. Entity Relationship Diagram



48


IV. IMPLEMENTASI SISTEM

Antar Muka Sistem Dari Sisi Administrator

1). Tampilan Form Kabupaten

Form kabupaten ini berguna untuk mengelola

data kabupaten. Dalam form kabupaten terdapat juga

form kecamatan dan form kelurahan yang berguna

untuk mengolah data kecamatan dan kelurahan pada

suatu kabupaten.

Gambar 4. Tampilan Form Kabupaten

2). Tampilan Form Departemen

Di dalam menu depertemen terdapat 3 buah

menu yang masing-masing menu mempunyai form

yang akan membentuk sebuah totalitas dari suatu

dapartemen

Gambar 5. Tampilan Form Departemen

3). Tampilan Form Data Badan

Form badan digunakan untuk mengelola data

badan pada suatu dapartemen.

Gambar 6. Tampilan Form Data Badan

4). Tampilan Form Biro

Form biro digunakan untuk mengelola data biro

pada suatu badan dapertemen.



49


Gambar 7. Tampilan Form Biro

5). Tampilan Form Instansi

Form ini dibuat untuk menginput data–data

instansi. Didalam menu instansi ini terdapat juga 3

buah menu yang masing-masing menu memnpunyai

form yang akan membentuk sebuah totalitas dari

suatu instansi

Gambar 8. Tampilan Form Instansi

6). Tampilan Form Gaji

Form ini digunakan untuk menginput data gaji

pokok dari peserta.

Gambar 9. Tampilan Form Gaji

Antar Muka Sistem Dari Sisi Client

7). Tampilan Form Data Peserta

Form ini digunakan untuk menginput data

peserta PT. TASPEN.

Gambar 10. Tampilan Form Data Peserta

8). Tampilan Form Data Keluarga

Form data keluarga digunakan untuk mengelola

data keluarga calon penerima pensiun.



50


Gambar 11. Tampilan Form Data Keluarga

9). Tampilan Output Kartu Peserta

Kartu peserta merupakan hasil proses dari form

peserta. Digunakan sebagai output dari form peserta.

Gambar 16. Tampilan Output Kartu Peserta

V. KESIMPULAN DAN SARAN

Dari hasil penelitian ini dapat diambil beberapa

kesimpulan yaitu :

1. Aplikasi ini mampu melakukan proses pengolahan

data, membuat laporan-laporan serta mencetak

dalam waktu yang cepat.

2. Aplikasi ini memiliki basis data yang mampu

menyimpan data-data administrasi PT. Taspen

dengan kapasitas yang cukup besar.

3. Aplikasi ini dapat mempermudah pegawai PT.

Taspen dalam proses pembaharuan data yakni

mampu menampilkan kembali data melalui proses

pencarian data dengan membutuhkan waktu yang

sangat cepat dan menjamin keamanan data serta

kenyamanan kepada admin untuk

mengoperasikannya karena aplikasinya user-

friendly.

Disarankan kedepannya sistem ini

dikembangkan lebih lanjut dengan menambahkan

1. Membuat cache aplikasi, agar pada saat aplikasi

berjalan dan jaringan terputus, sistem mampu

menyimpan kegiatan sebelum jaringan terputus.

2. Meningkatkan keamanan data peserta dengan cara

menambah password pada saat akan melakukan

pengolahan data. Password pada setiap unit kerja

harus berbeda.

REFERENSI

[2] Maulana, Hasby, Muharom, M. D, Husada, S.

A., “Sistem Pengalohan Data Siswa Berbasis

Client Server SMP Negeri 3 Gamping”,

Naskah Publikasi, Sekolah Tinggi Manejemen

Informatika dan Komputer Amikom :

Yokyakarta, 2011.

[3] Jamaliah, “Sistem Informasi Akademik

Berbasis Client Server”, Skripsi, Program

Studi Teknik Informatika Fakultas Sains dan

Teknologi Universitas Islam Negri Syarif

Hidayatullah Jakarta, 2011.

[4] Idmayanti, Rika, “Sistem Informasi Nilai

Mahasiswa Berbasis Mobile Client Server”

Jurnal TEKNOIF, Volume 2, Nomor 2, ISSN :

2338-2724, 2014.

[5] Arief, Muhammad, Fitriyani, Ikhsan, Nurul,

“Kriptografi RSA Pada Aplikasi File Transfer

Client-Server Based”, Jurnal Ilmiah Teknologi

Informasi Terapan, Volume 1, Nomor 3,

ISSN: 2407-3911, Agustus 2015.

[6] Husda, Elfi, Nur, Pengantar Teknologi

Informasi, Cetakan Pertama, Jakarta :

Boduose, 2012.



51


[7] Irawan, Budi, Jaringan Komputer, Yogyakarta:

Graha ilmu, 2005.

[8] Winarno, Edy, Zaki, Ali, Community,

SmitDev, Jaringan di Windows 7,8 dan 8.1 :

Cara Membuat dan Mengoptimalkannya,

Jakarta : PT ELEX MEDIA KOMPUTINDO,

2014.

[9] Pressman, R., S., Software Engineering,

Sevent Edition, Mc Graw-Hill International

Edition, 2010.

[10] Huda, Miftakhul, Nugroho, Bunafit, Membuat

Aplikasi Database dengan MySQL dan

Netbeans, Jakarta : PT Elex Media

Komputindo, 2010.

[11] (2016) Netbeans website. [Online]. Available:

http://www.netbeans.org/

[12] Nugroho, Adi, Perancangan dan Implementasi

Sistem Basis Data, Yogyakarta : Andi, 2011.

[13] Kurniawan, Eko, Belajar Java Dasar, Jakarta:

PT Elex Media Komputindo, 2011.



52


TEXT MINING DENGAN METODE LEXICON BASED UNTUK

SENTIMENT ANALYSIS PELAYANAN PT. POS INDONESIA

MELALUI MEDIA SOSIAL TWITTER

Febrilien Matresya Matulatuwa, Eko Sediyono, Ade Iriani

Fakultas Teknologi Informasi, Program Studi Magister Sistem Informasi

Universitas Kristen Satya Wacana

Jalan Diponegoro 52-60, Salatiga, Indonesia

[email protected], [email protected], [email protected]

Abstrak

PT. POS Indonesia atau lebih dikenal dengan

Kantor Pos adalah salah satu Badan Usaha yang

bergerak di bidang jasa khususnya pengiriman barang

dan surat menyurat. Fenomena meningkatnya

penggunaan media sosial yang begitu pesat

memudahkan perusahaan untuk mengevaluasi

produk-produknya berdasarkan sentimen-sentimen

yang diposting di media sosial tersebut.

Analisis sentimen merupakan suatu tugas yang

melakukan polarisasi dokumen berupa

pengklasifikasian dokumen ke dalam sentimen

positif dan negatif. Salah satu media sosial yang

banyak digunakan adalah Twitter. Dengan jumlah

postingan mencapai ribuan tweet perdetik

ketersediaan sentimen untuk suatu produk sangat

melimpah. Permasalahan yang muncul adalah

bagaimana melakukan klasifikasi terhadap sentimen

tersebut agar berguna untuk mengevaluasi produk

dan pelayanan kepada pelanggan.

Penelitian ini menggunakan metode Lexicon

Based untuk menganalisa opini pelanggan terhadap

pelayanan PT. POS Indonesia. Penggunaan metode

Lexicon Based ditunjukkan mampu untuk menangkap

informasi sentimen dari media sosial seperti twitter.

Hasil dari penelitian ini dapat membantu kantor pos

untuk mengetahui sejauh mana tingkat pelayanan

yang diberikan kepada pelanggan dan hal apa saja

dari pelayanan yang perlu ditingkatkan.

Kata kunci :

Pt. Pos Indonesia, Sentiment Analysis, Lexicon

Based, Twitter.

Abstract

PT. POS Indonesia or known as the POST Office is

one of the Business Entity engaged in service delivery

and in particular correspondence. The phenomenon

of increasing social media usage that is so rapidly

allows companies to evaluate products based on

sentiments that are posted on social media.

A sentiment analysis task performing polarization

documents such as documents classification into

positive and negative sentiment. One of the widely

used social media is Twitter. Through the number of

posts to reach thousands of tweets per second the

availability of sentiment for a product is very rich.

The problem that arises is how to do classification of

such sentiment to be useful for evaluating the product

and service for customer.

This research uses Lexicon Based method to analyze

consumer opinion on services of PT. POS Indonesia.

Use of Lexicon Based method is shown able to

capture sentiment information from social media

such as twitter. The result of this research can help

the post office to understand the extent of the services

provided to customers and anything of services that

needs to be improved.

Keywords :

Pt. Pos Indonesia, Sentiment Analysis, Lexicon

Based, Twitter.



53


I. PENDAHULUAN

Informasi dapat diibaratkan sebagai darah yang

mengalir di dalam tubuh manusia, seperti halnya

informasi di dalam sebuah perusahaan yang sangat

penting untuk mendukung kelangsungan

perkembangannya, sehingga terdapat alasan bahwa

informasi sangat dibutuhkan bagi sebuah perusahaan.

Perolehan informasi yang tepat dan cepat akan

membantu dalam kemajuan dari suatu organisasi

untuk dapat melakukan perubahan yang menjawab

permasalahan yang dihadapi.

Informasi bisa didapatkan dari Media Sosial.

Data dari media sosial misalnya twitter dapat

dimanfaatkan untuk mengetahui sentimen positif atau

negatif dari suatu produk layanan. Kata sentimen

positif digunakan untuk mengekspresikan beberapa

keadaan yang diinginkan sementara kata sentimen

negatif digunakan untuk mengekspresikan beberapa

keadaan yang tidak diinginkan. Contoh kata sentimen

positif yaitu baik, indah, sangat bagus, dan

menakjubkan. Contoh kata sentimen negatif yaitu

buruk, mengerikan, malas dan miskin [1].

Penelitian dalam analisis sentimen didorong

oleh suatu pemikiran bahwa informasi memiliki nilai

sentimen positif atau negatif yang merupakan hal

penting dan dibutuhkan. Sentimen berhubungan

dengan penilaian terhadap suatu konteks atau

wacana. Sentimen positif menyatakan pemberian

nilai yang baik pada konteks dalam teks dan sentimen

negatif menyatakan kebalikannya. Sebagai contoh,

analisis sentimen dapat diaplikasikan pada

perusahaan yang mengeluarkan suatu produk dan

menyediakan layanan untuk menerima pendapat

(feedback) dari konsumen untuk produk dan layanan

tersebut. Analisis sentimen diaplikasikan untuk

mengelompokkan feedback positif dan negatif dari

konsumen sehingga mempercepat dan mempermudah

tugas perusahaan untuk meninjau kembali

kekurangan produk dan layanan mereka, berdasarkan

feedback negatif yang diterima dari konsumen, atau

untuk mengetahui tingkat penerimaan konsumen

terhadap produk tersebut [2].

Opini pelanggan adalah hal penting karena

mempunyai kekuatan yang dapat mempengaruhi citra

perusahaan yang erat sekali kaitannya dengan

kualitas pelayanan dari perusahaan itu sendiri.

Kualitas pelayanan jasa kantor pos dapat

mempengaruhi persepsi individu yang kemudian

mempengaruhi opini publik. Oleh karena itu, kualitas

pelayanan sebuah perusahaan harus terus

diperhatikan dan dijaga sehingga menimbulkan opini

yang positif dan tidak membuat citra perusahaan

merosot atau menjadi buruk.

PT. POS Indonesia sebagai penyedia layanan

pengiriman paket dan surat banyak dikomentari oleh

pelanggannya melalui media sosial, ada opini yang

positif dan juga yang negatif. Contoh opini negatif

dari pelanggan kantor pos di media sosial seperti

terlihat pada Gambar 1.

Gambar 1. Opini Negatif tentang PT. Pos

Indonesia [3]

Gambar 1 adalah opini negatif tentang kiriman

EMS luar negeri Pos Indonesia yang sudah satu bulan

belum sampai dan yang sudah seminggu belum

sampai.

Salah satu media sosial media sosial yang

digunakan PT. Pos Indonesia adalah twitter. Contoh

opini positif dan negatif di twitter terkait layanan



54


kantor pos seperti terlihat pada Gambar 2. Gambar 2

adalah opini positif dan negatif di twitter terkait

pelayanan kantor pos. Opini positif dari Tas Kulit

Polos, sedangkan opini negatif dari Putri Wanasita.

Gambar 1. Opini Positif dan Negatif di twitter PT.

Pos Indonesia (Pos Indonesia. 2016) [4]

Kebutuhan informasi terkait opini pelanggan

yang mendorong penelitian analisis sentimen,

sekaligus yang memotivasi penelitian ini. Karena

banyaknya opini pelanggan terkait pelayanan PT.

POS Indonesia terutama pada keterlambatan

pengiriman paket/surat, sehingga mendorong

penelitian untuk melakukan analisis sentimen

terhadap pelayanan PT. POS Indonesia melalui media

sosial twitter. Untuk mempermudah analisa sentimen

tersebut digunakan metode lexicon based. Metode

lexicon based adalah metode yang sederhana, layak

dan praktis untuk analisis sentimen dari data Twitter.

Penelitian analisis sentimen dengan metode lexicon

based ini diharapkan dapat membantu dalam

menjawab kebutuhan informasi sentimen yang

memperkaya ketersediaan informasi bagi PT. POS

Indonesia untuk pengembangan pelayanan kepada

pelanggan.


A. Penelitian Terdahulu

Penelitian pertama dengan judul Lexicon Based

Methods for Sentiment Analysis membahas tentang

pendekatan berbasis leksikon untuk mengekstraksi

sentimen dari teks. Penelitian ini menghasilkan

beberapa hal, yaitu yang pertama The Semantic

Orientation CALkulator (SO-CAL) menggunakan

kamus dari kata-kata yang dijelaskan dengan

orientasi semantic yang menggabungkan intensifikasi

dan negasi, yang kedua yaitu gambaran proses

penciptaan kamus yang penggunaannya dari

Mechanical Turk sampai memeriksa kamus untuk

konsistensi dan kehandalan, yang ketiga yaitu kamus

secara manual yang memberikan dasar yang kuat

untuk pendekatan berbasis leksikon yang diperlukan

untuk mendapatkan manfaat penuh dari sistem SO-

CAL, dan yang keempat yaitu menghasilkan statistik

signifikan perbaikan dari instansiasi sebelumnya dari

sistem SO-CAL. Sistem SO-CAL pada penelitian ini

diterapkan pada tugas klasifikasi polaritas, proses

untuk menempatkan label positif atau negatif

terhadap teks [5].

Penelitian kedua dengan judul Text Mining

dengan metode Naïve Bayes Clasifier dan Support

Vector Machines untuk Sentiment Analysis

membahas klasifikasi opini sebagai opini positif dan

opini negatif pada data berbahasa Inggris dan data

berbahasa Indonesia menggunakan metode Naïve

Bayes Classifier (NBC) dan Support Vector Machine

(SVM). Baik metode NBC maupun metode SVM

memberikan unjuk kerja yang baik dalam sentiment

analysis pengklasifikasian opini berbahasa Inggris

dan berbahasa Indonesia. Hasil percobaan

menunjukkan bahwa metode SVM memberikan

unjuk kerja yang lebih baik daripada metode NBC

untuk mengklasifikasikan opini berbahasa Inggris

dan opini positif berbahasa Indonesia. Sedangkan

NBC memberikan unjuk kerja yang lebih baik dalam

mengklasifikasikan data uji opini negatif berbahasa

Indonesia [6].

Penelitian ketiga dengan judul Analisis

Sentimen Berbasis Ontologi di Level Kalimat untuk

Mengukur Persepsi Produk, dibahas Penggunaan

kerangka ontologi untuk pencarian data di twitter.

Tujuan dari penelitian ini adalah untuk melakukan

analisis sentimen pada data di twitter dengan

menggunakan algoritma klasifikasi naïve bayes.

Penelitian ini didasarkan pada kebiasaan pengguna

twitter yang sering menulis opini, ekspresi, atau

sentimen tentang suatu produk, terutama smartphone.

Dari 14.437 tweets yang diteliti ditemukan 13 tweets

yang tidak terkait dengan domain pembahasan.

Penggunaan algoritma klasifikasi naïve bayes

terbukti mampu untuk mengklasifikasi tweets dengan

tingkat akurasi yang tinggi. Hal ini dibuktikan

dengan hasil rata-rata uji di masing-masing lapisan

klasifikasi. Juga untuk rata-rata keseluruhan sistem.

Hasil akurasi yang bisa dicapai berada pada kisaran

84.16% sampai dengan 87.54% [7].

Perbedaan penelitian ini dengan penelitian yang

pertama adalah pada hasil sentimennya, sentimen



55


yang dihasilkan dalam penelitian ini ada empat yaitu

sentimen positif, negatif, netral dan nihil. Perbedaan

penelitian ini dengan penelitian yang kedua adalah

pada metode yang digunakan dan opini yang diuji,

penelitian ini menggunakan metode lexicon based

dan opini yang diuji berbahasa Indonesia. Perbedaan

penelitian ini dengan penelitian ketiga adalah pada

metode yang digunakan, penelitian ini menggunakan

metode lexicon based.

Penelitian ini akan dibahas tentang text mining

untuk analisis sentimen terhadap pelayanan PT. POS

Indonesia melalui media sosial twitter dengan

menggunakan metode lexicon based, dimana dapat

diketahui klasifikasi opini pelanggan ke dalam

setimen positif, negatif, netral dan nihil terhadap

pelayanan kantor POS Indonesia, sehingga dapat

membantu untuk mengetahui sejauh mana tingkat

pelayanan yang diberikan kepada pelanggan dan hal

apa saja dari pelayanan yang perlu diperhatikan untuk

pengembangan pelayanan kepada pelanggan.

B. Text Mining

Text mining memiliki defenisi menambang data

yang berupa teks dimana sumber data biasanya

didapatkan dari dokumen, dengan tujuannya adalah

mencari kata-kata yang dapat mewakili isi dari

dokumen sehingga dapat dilakukan analisa

keterhubungan antar dokumen [8]. Tahapan yang

dilakukan secara umum dalam text mining

ditunjukkan seperti pada Gambar 3.

Gambar 3. Tahapan dalam Text Mining [8]

Tahap tokenizing adalah tahap pemotongan

string input berdasarkan tiap kata yang

menyusunnya. Tahap filtering adalah tahap

mengambil kata-kata penting dari hasil token yang

biasanya menggunakan algoritma stop list

(membuang kata yang kurang penting) atau word list

(menyimpan kata penting). Tahap stemming adalah

tahap mencari root kata dari tiap kata hasil filtering.

Tahap tagging adalah tahap mencari bentuk

awal/root dari tiap kata lampau atau kata hasil

stemming. Tahap analyzing merupakan tahap

penentuan seberapa jauh keterhubungan antar kata-

kata antar dokumen yang ada [8].

C. Sentiment Analysis

Sentiment analysis/opinion mining merupakan

sebuah cabang penelitian didomain text mining yang

mulai marak pada tahun 2003. Opinion mining atau

sentiment analysis adalah riset komputasional dari

opini, sentimen dan emosi yang diekspresikan secara

tekstual. Jika diberikan satu set dokumen teks yang

berisi opini (atau sentimen) mengenai suatu objek,

maka opinion mining bertujuan untuk mengekstrak

atribut dan komponen dari objek yang telah

dikomentari pada setiap dokumen dan untuk

menentukan apakah komentar tersebut positif, atau

negatif [9]. Opinion mining adalah bagian pekerjaan

yang melakukan review yang berkaitan dengan

perlakuan komputasional opini, sentimen dan

subjektifitas dari teks [10].

D. Lexicon Based

Metode Lexicon Based dipilih dalam penelitian

ini karena metode ini sederhana, layak dan praktis

untuk analisis sentimen dari data media sosial. Data

yang cocok dengan metode lexicon based yaitu data

kuesioner, data twitter, data facebook, atau media

sosial lainnya yang berupa opini pelanggan tentang

suatu produk atau pelayanan jasa.

Lexicon based didasarkan pada asumsi bahwa

orientasi sentimen kontekstual adalah jumlah dari

orientasi sentimen setiap kata atau frase. Metode

leksikon dapat digunakan untuk mengekstrak

sentimen dari blog dengan mengkombinasi lexical

knowledge dan klasifikasi teks [11]. Metode leksikon

dapat dibuat secara manual [5] atau diperluas secara

otomatis dari seed of words [12].

Kamus adalah komponen penting dalam sistem

yang menggunakan metode lexicon based. Kamus

digunakan dalam proses normalisasi kalimat dan

ekstraksi kata kunci. Berikut adalah contoh kamus

dan isinya [13]:

1. Positive keywords: baik, banyak, bisa, ok,

best, pintar, lancar, cepat, bagus, senang.

2. Negative keywords: bangkrut, banjir, bodoh,

gagal, kurang, susah, lambat, parah, bohong.

3. Negation keywords: belum, bukan, tidak

4. Emoticon: (nilainya: 1), (nilainya: -1)



56


5. Kamus konversi bahasa gaul: bgmn =

bagaimana, bgs = bagus, beud = banget

Algoritma metode lexicon based secara umum,

seperti terlihat pada Gambar 4.

Gambar 4. Algoritma Metode Lexicon Based [13]

Penjelasan dari algoritma diatas adalah [13]:

1. Data Acquisition. Pada proses ini dilakukan

pengambilan data dari media sosial

berbahasa Indonesia. Hasil dari proses ini

adalah daftar opini pembaca serta metadata

seperti: username dan waktu.

2. Load Dictionary. Pada proses ini dilakukan

me-load kamus. Kamus yang digunakan

adalah positive keyword, negative keyword,

negation keyword, kamus emoticon dan

kamus bahasa gaul/alay.

3. Preprocessing. Proses ini bertujuan untuk

menyiapkan kalimat sebelum dilakukan

ekstraksi kata kunci dan penentuan

sentimen. Yang dilakukan dalam proses ini

adalah Normalisasi Kalimat dan Tokenisasi.

4. Extract Keyword. Proses ini bertujuan untuk

mengekstraksi kata kunci penentu sentimen

positif dan negatif.

5. Determine Sentiment. Proses ini bertujuan

untuk menentukan sentimen suatu kalimat

opini. Penentuan sentimen dilakukan dengan

menghitung probabilitas kemunculan kata

kunci positif dan kata kunci negatif.

Alur Proses Ekstrasi Kata Kunci dan Emoticon

seperti ditunjukan Gambar 5 dan Gambar 6.

Gambar 5. Alur Proses Ekstrasi Kata Kunci [13]

Setelah kalimat dinormalisasi, selanjutnya

kalimat dipecah kedalam token-token menggunakan

pembatas. Terdapat 3 jenis token yaitu [13]:

Unigrams: yaitu token yang terdiri dari

hanya satu kata, contohnya: kantor.

Bigrams: yaitu token yang terdiri dari dua

kata, contohnya: kantor pos.

Trigrams: yaitu token yang terdiri dari tiga

kata, contohnya: kantor pos masohi.

Setelah terbentuk unigram, bigram, dan trigram,

selanjutnya diekstrak kata kunci dari kalimat

menggunakan ketiga jenis token tersebut dicocokkan

dengan kamus untuk mendapatkan kata kunci positif,

negatif dan netral.

Gambar 6. Alur Proses Ekstrasi Emoticon [13]

Gambar 6 merupakan alur proses ekstraksi

Emoticon. Dari kalimat awal dicari emoticonnya.

Untuk mengekspresikan persetujuan atau

pertidaksetujuan dalam suatu kalimat biasanya

digunakan emoticon. Maka dari itu, emoticon dalam

kalimat dianggap penting dan memiliki kontribusi

dalam menentukan nilai sentimen suatu kalimat.

Ekstraksi emoticon ini dilakukan dengan

menggunakan referensi kamus emoticon yang

mengandung nilai sentimen dari setiap emoticon [13].

Contoh isi kamus emoticon, seperti terlihat pada

Tabel 1 berikut:



57


Tabel 1. Kamus Emoticon

Emoticon Nilai Sentimen

1

-1

:D 1

:P -1

-_-‘ -1

III. METODE PENELITIAN

Alur proses sentiment analysis menggunakan

metode lexicon based, seperti pada Gambar 7.

Gambar 7. Algoritma Lexicon Based

Gambar 7 merupakan algoritma proses

sentiment analysis menggunakan metode lexicon

based. Penjelasan dari algoritma pada gambar 7

sebagai berikut:

1. Tahap pertama adalah Data Acquisition.

Dalam tahapan ini dilakukan pengambilan

teks dari media sosial twitter PT. Pos

Indonesia. Hasil dari proses ini adalah data

user seperti nama user, id user, opini dan

waktu.

2. Tahap kedua adalah Load Dictionary

pertama. Dalam tahapan ini dilakukan load

kamus yaitu Kamus Bahasa Indonesia (KBI)

dan Kamus Normalisasi Bahasa Gaul/Alay.

3. Tahap ketiga adalah Preprocessing. Proses

yang dilakukan dalam tahapan ini yaitu

Normalisasi kalimat dan Tokenisasi. Pada

penelitian ini, proses normalisasi kalimat

dilakukan dua kali. Proses normalisasi yang

pertama yaitu menghilangkan simbol selain

alfabet, menghilangkan huruf yang berulang

dan mengubah kalimat menjadi Bahasa

Indonesia yang benar. Sedangkan yang

proses normalisasi yang kedua yaitu

menghilangkan tanda baca dan mengubah

kalimat menjadi huruf kecil. Dalam proses

tokenisasi dilakukan pemecahan kalimat ke

dalam token-token menggunakan pembatas.

Evaluasi token dalam penelitian ini yaitu

unigrams, bigrams dan trigrams.

4. Tahap keempat adalah Load Dictionary

kedua. Dalam tahapan ini dilakukan load

kamus yaitu positive keyword, negative

keyword dan negation keyword.

5. Tahap kelima adalah Extract Keyword.

Dalam tahapan ini dilakukan ekstrak kata

kunci dari kalimat menggunakan ketiga jenis

token yang dicocokkan dengan kamus untuk

mendapatkan kata kunci positif dan negatif.

Kemudian dihitung nilai sentimen untuk

setiap kata kunci positif dan negatif.

6. Tahap keenam adalah Determine Sentiment.

Penentuan sentimen dilakukan dengan

menghitung probabilitas kemunculan kata

kunci positif dan kata kunci negatif, mana

yang lebih dominan. Jika nilai sentimen

positif lebih dominan, maka nilai sentimen

untuk kalimat tersebut adalah positif.

Namun jika nilai sentimen negatif lebih

dominan, maka nilai sentimennyaadalah

negatif. Jika nilainya sama antara sentimen

negatif dan positif, maka nilai sentimennya

adalah netral. Dan jika tidak ada nilai untuk

sentimen positif maupun negatif, maka nilai

sentimennya adalah nihil.

IV. HASIL DAN PEMBAHASAN

A. Data Acquisition

Data acquisition seperti terlihat pada Tabel 2.

Tabel 2 merupakan sebagian data acquisition dari

data twitter PT. Pos Indonesia yang menampilkan

data user yaitu nomor, nama, id, opini dan waktu

pelanggan berkomentar. Data diambil secara acak

dan di-filter terlebih dahulu, sehingga yang masuk

pada data acquisition hanya data berupa opini

pelanggan tentang layanan kantor pos.

B. Load Dictionary 1

Setelah proses data acquisition, proses

selanjutnya adalah load dictionary 1. Dalam proses

load dictionary yang pertama ini, dilakukan load



58


kamus yaitu kamus Bahasa Indonesia (KBI) dan

kamus normalisasi bahasa gaul/alay.

C. Preprocessing

1. Normalize Sentences

a) Normalisasi Pertama

Normalisasi pertama seperti terlihat pada Tabel

3. Tabel 3 merupakan sebagian dari data twitter PT.

Pos Indonesia yang menampilkan hasil dari proses

normalisasi pertama. Pada proses normalisasi

pertama ini, simbol selain alfabet dihilangkan, huruf

yang berulang juga dihilangkan dan kalimatnya

diubah menjadi Bahasa Indonesia yang benar

berdasarkan load dictionary pertama.

Tabel 2. Data Acquisition

No Nama User ID User Opini Waktu

93 ferdi @GreenDesign_jkt @PosIndonesia astaga, saya di jakarta. Masa harus ke sby? Ga profesional banget sih

02-Mar-15

107 Dessy Framita Sari @DessyFramita @PosIndonesia makasih Pos Indonesia, ngirim motor dari Lombok dateng tepat waktu, good job! Thank you!

03-Mar-15

133 Bosco Januar @bosco_jp

@PosIndonesia maaf min, paketnya udah nyampe

barusan, tapi info nya kok salah ya di web nya pos

indonesia?

29-Apr-15

194 Desga @desga_ @PosIndonesia saya mohon secepatnya ya :) 22-Sep-15

276 eko_cand @eko_cand1

@PosIndonesia met siang sampe saat ini kok belum

sampe kiriman paket nya ya

28-Nov-16

291 Putra Elbert Shop @PutraElbertShop @PosIndonesia sudah bisa. Terima kasih banyak :) 01-Des-16

* * * * *

318 Mega @vipxxmega

@PosIndonesia min nomer resi 15474561782. Belum

sampe juga udah 4 hari. Biasa nya 2 hari sampe.

02-Feb-17

Tabel 3. Normalisasi Pertama


93 ferdi @GreenDesign_jkt Pos Indonesia astaga, saya di jakarta. Masa harus ke

surabaya? tidak profesional banget

02-Mar-15

107 Dessy Framita Sari @DessyFramita Pos Indonesia terima kasih Pos Indonesia, kirim motor

dari Lombok datang tepat waktu, good job! Thank you!

03-Mar-15


Pos Indonesia maaf admin, paketnya sudah sampai

baru saja, tapi informasinya kok salah ya di situs web pos indonesia?

29-Apr-15

https://twitter.com/GreenDesign_jkt


https://twitter.com/PosIndonesia

https://twitter.com/DessyFramita



https://twitter.com/bosco_jp



https://twitter.com/desga_



https://twitter.com/eko_cand1



https://twitter.com/PutraElbertShop



https://twitter.com/vipxxmega














59


194 Desga @desga_ Pos Indonesia saya mohon secepatnya :) 22-Sep-15


Pos Indonesia selamat siang sampai saat ini kok belum sampai kiriman paketnya ya

28-Nov-16

291 Putra Elbert Shop @PutraElbertShop Pos Indonesia sudah bisa. Terima kasih banyak :) 01-Des-16

* * * * *

318 Mega @vipxxmega Pos Indonesia admin nomor resi 15474561782 Belum

sampai juga sudah empat hari. Biasanya dua hari sampai.

02-Feb-17

b) Normalisasi Kedua

Normalisasi kedua seperti terlihat pada Tabel 4.

Tabel 4 merupakan sebagian data twitter PT. Pos

Indonesia yang menampilkan hasil dari proses

normalisasi kedua. Pada proses normalisasi kedua ini,

tanda baca dihilangkan dan kalimat dijadikan huruf

kecil dan emoticon di hilangkan.

2. Tokenization

Setelah kalimat dinormalisasi, selanjutnya

kalimat dipecah kedalam token-token menggunakan

pembatas. Hasil proses tokenisasi seperti pada Tabel

5. Tabel 5 merupakan sebagian data twitter PT. Pos

Indonesia yang menampilkan hasil proses tokenisasi

dalam unigram, bigram dan trigram. Dalam tabel 5

ditampilkan calon keyword-nya dan juga hasil load

dictionary kedua. Untuk dapat membedakannya

digunakan Bold, Italic, dan Underline. Kata yang di-

Bold merupakan positive keyword, kata yang di-italic

merupakan negative keyword dan kata yang di-

underline merupakan negation keyword.

D. Load Dictionary 2

Setelah proses tokenisasi, selanjutnya dilakukan

proses load dictionary 2. Dalam proses load

dictionary yang kedua ini, dilakukan load kamus

yaitu kamus kata kunci sentimen positif, negatif dan

negasi. Hasil dari load dictionary yang kedua bisa

dilihat pada Tabel 5 yaitu pada kata yang di-bold,

italic, dan underline.

E. Extract Keyword

Setelah terbentuk unigram, bigram, dan trigram,

selanjutnya diekstrak kata kunci dari kalimat

menggunakan ketiga jenis token dan dicocokkan

dengan kamus untuk mendapatkan kata kunci positif

dan negatif. Hasil proses extract keyword seperti

pada Tabel 6. Tabel 6 merupakan sebagian data

twitter PT. Pos Indonesia yang menampilkan hasil

proses extract keyword dalam positive keyword,

negation keyword dan negative keyword. Dalam

Tabel 6 terlihat positive keyword yang di-

strikethrough (profesional, profesional banget, sampai).

Ketiga keyword ini awalnya adalah kata kunci positif,

tapi karena sebelumnya diikuti kata negasi yaitu tidak

dan belum, maka ketiga keyword tersebut berubah

menjadi kata kunci negatif.















60


Tabel 4. Normalisasi Kedua


93 ferdi @GreenDesign_jkt pos indonesia astaga saya di jakarta masa harus ke

surabaya tidak profesional banget 02-Mar-15

107 Dessy Framita Sari @DessyFramita pos indonesia terima kasih pos indonesia kirim motor

dari lombok datang tepat waktu good job thank you 03-Mar-15


pos indonesia maaf admin paketnya sudah sampai

baru saja tapi informasinya kok salah ya di situs web pos

indonesia

29-Apr-15

194 Desga @desga_ pos indonesia saya mohon secepatnya 22-Sep-15


pos indonesia selamat siang sampai saat ini kok belum

sampai kiriman paketnya ya 28-Nov-16

291 Putra Elbert Shop @PutraElbertShop pos indonesia sudah bisa terima kasih banyak 01-Des-16

* * * * *

318 Mega @vipxxmega pos indonesia admin nomor resi belum sampai juga sudah empat hari biasanya dua hari sampai

02-Feb-17

Tabel 5. Hasil Tokenization

No Unigrams Trigrams Bigrams

93 pos, indonesia, astaga,

saya, di, jakarta, masa, harus,

ke, surabaya, tidak, profesional, banget

pos indonesia, indonesia astaga,

astaga saya, saya di, di jakarta,

jakarta masa, masa harus, harus ke, ke surabaya, surabaya tidak, tidak

profesional, profesional banget

pos indonesia astaga, indonesia astaga

saya, astaga saya di, saya di jakarta, di jakarta

masa, jakarta masa harus, masa harus ke, harus ke surabaya, ke surabaya tidak, surabaya

tidak profesional, tidak profesional banget

107 pos, indonesia, terima,

kasih, pos, indonesia, kirim,

motor, dari, lombok, datang,

tepat, waktu, good, job, thank, you

pos indonesia, indonesia terima,

terima kasih, kasih pos, pos

indonesia, indonesia kirim, kirim

motor, motor dari, dari lombok, lombok datang, datang tepat, tepat

waktu, waktu good, good job, job

thank, thank you

pos indonesia terima, indonesia terima

kasih, terima kasih pos, kasih pos indonesia,

pos indonesia kirim, indonesia kirim motor,

kirim motor dari, motor dari lombok, dari lombok datang, lombok datang tepat, datang

tepat waktu, tepat waktu good, waktu good

job, good job thank, job thank you

133

pos, indonesia, maaf,

admin, paketnya, sudah, sampai, baru, saja, tapi,

informasinya, kok, salah, ya,

di, situs, web, pos, indonesia

pos indonesia, indonesia maaf,

maaf admin, admin paketnya,

paketnya sudah, sudah sampai, sampai baru, baru saja, saja tapi, tapi

informasinya, informasinya kok, kok

salah, salah ya, ya di, di situs, situs

web, web pos, pos indonesia

pos indonesia maaf, indonesia maaf

admin, maaf admin paketnya, admin paketnya

sudah, paketnya sudah sampai, sudah sampai baru, sampai baru saja, baru saja tapi,

saja tapi informasinya, tapi informasinya kok,

informasinya kok salah, kok salah ya, salah ya

di, ya di situs, di situs web, situs web pos,

































61


situs web pos indonesia

194 pos, indonesia, saya,

mohon, secepatnya, ya

pos indonesia, indonesia saya, saya mohon, mohon secepatnya,

secepatnya ya

pos indonesia saya, indonesia saya mohon, saya mohon secepatnya, mohon

secepatnya ya

276

pos, indonesia,

selamat, siang, sampai, saat,

ini, kok, belum, sampai, kiriman, paketnya, ya

pos indonesia, indonesia

selamat, selamat siang, siang sampai,

sampai saat, saat ini, ini kok, kok

belum, belum sampai, sampai kiriman, kiriman paketnya, paketnya

ya

pos indonesia selamat, indonesia

selamat siang, selamat siang sampai, siang

sampai saat, sampai saat ini, saat ini kok, ini

kok belum, kok belum sampai, belum sampai kiriman, sampai kiriman paketnya, kiriman

paketnya ya

291 pos, indonesia, sudah,

bisa, terima, kasih, banyak

pos indonesia, indonesia sudah,

sudah bisa, bisa terima, terima

kasih, kasih banyak

pos indonesia sudah, indonesia sudah

bisa, sudah bisa terima, bisa terima kasih,

terima kasih banyak

* * * *

318

pos, indonesia, admin,

nomor, resi, belum, sampai,

juga, sudah, empat, hari, biasanya, dua, hari, sampai

pos indonesia, indonesia admin,

admin nomor, nomor resi, resi belum,

belum sampai, sampai juga, juga

sudah, sudah empat, empat hari, hari biasanya, biasanya dua, dua hari, hari

sampai

pos indonesia admin, indonesia admin

nomor, admin nomor resi, nomor resi belum,

resi belum sampai, belum sampai juga, sampai

juga sudah, juga sudah empat, sudah empat hari, empat hari biasanya, hari biasanya dua,

biasanya dua hari, dua hari sampai

F. Determine Sentiment

Hasil determine sentiment seperti terlihat pada

Tabel 7. Tabel 7 merupakan merupakan sebagian

data twitter PT. Pos Indonesia yang menampilkan

hasil proses determine sentimen yang terdiri dari

jumlah nilai kata kunci positif (∑PK), jumlah nilai

kata kunci negatif (∑NK) dan penentuan

sentimennya. Dari Tabel 8 terlihat opini 93 bernilai

negatif karena nilai sentimen negatif lebih dominan

dari positif, opini 107 bernilai positif karena nilai

sentimen positif lebih dari negatif, opini 133 bernilai

netral karena nilainya sama antara sentimen positif

dan negatif dan opini 194 bernilai nihil karena tidak

ada nilai sentimennya.















62


Tabel 6. Hasil Extract Keyword

No Positive Keyword Negation

Keyword

Negative

Keyword

93 profesional,

profesional banget

Tidak tidak

profesional, tidak profesional

banget

107 terima, datang,

tepat, good, tepat

waktu, good job,

datang tepat waktu

- -

133 sudah, sampai,

baru, sudah sampai, paketnya

sudah sampai

- salah, kok salah,

salah ya, informasinya

kok salah, kok

salah ya

194 - - -

276 selamat, sampai,

sampai

belum kok belum,

belum sampai,

kok belum

sampai

291 sudah, bisa, terima,

sudah bisa, bisa terima, sudah bisa

terima

- -

* * * *

318 sampai, sudah, sampai

belum belum sampai, belum sampai

juga

Tabel 7. Hasil Determine Sentiment

No

Opini ∑PK ∑NK

Sen

Pos

Sen

Net

Sen

Neg

Sen

Nih

93 0 2

107 7 0

133 5 5

194 0 0

276 2 3

291 6 0

* * * * * * *

318 2 2

Tabel 8. Hasil Pengolahan Data

No Sentimen Jumlah (Angka)

Jumlah (%)

1 Sentimen Positif

99 31%

2 Sentimen Negatif

184 58%

3 Sentimen Netral

32 10%

4 Sentimen Nihil

3 1%

Total Opini 318 100%



63


Tabel 8 merupakan hasil pengolahan data

twitter PT. Pos Indonesia dari 185 user, ditemukan

318 Opini pelanggan, dimana Sentimen Positif

sebanyak 99 opini, Sentimen Netral sebanyak 32

opini, Sentimen Negatif sebanyak 184 opini dan

Sentimen Nihil sebanyak 3 opini. Hasil pengolahan

data ini menunjukan bahwa sentimen positif 31%,

sentimen negatif 58%, sentimen netral 10% dan

sentimen nihil 1%. Sentimen positif sebesar 31%

artinya hanya sebagian kecil dari pelanggan yang

merasa puas dengan pelayanan jasa yang diberikan

PT. Pos Indonesia. Hal ini bisa dilihat dari keyword

opini positif pelanggan, seperti nyaman, good job,

paketnya sudah sampai dan lain sebagainya.

Sentimen negatif sebesar 58% artinya masih banyak

pelanggan yang mengeluhkan pelayanan yang

diberikan oleh PT Pos Indonesia.

Hal ini bisa dilihat dari keyword opini negatif

pelanggan, seperti hilang, unsuccesfull delivery,

barang tidak sampai dan lain sebagainya. Sentimen

netral sebesar 10% artinya adanya kesamaan antara

opini positif dan opini negatif pelanggan. Sentimen

nihil senilai 1% artinya hanya beberapa pelanggan

yang tidak berargumen tentang pelayanan kantor pos.

Hasil analisis opini pelanggan terkait pelayanan

jasa PT. Pos Indonesia dapat dilihat pada Gambar 8

G. Analisis Emoticon

Hasil analisis emoticon seperti terlihat pada

Tabel 9. Tabel 9 merupakan sebagian data hasil

analisis emoticon dari opini pelanggan PT. Pos

Indonesia di media sosial twitter. Pada Tabel 9, opini

pelanggan nomor 1 mengandung emoticon positif,

Gambar 8. Sentimen Pelanggan PT. POS

Indonesia



64


Tabel 9. Hasil Analisis Emoticon

No Opini Pelanggan Simbol Emo Emo Pos Emo Neg Nilai Sentimen

1 pos indonesia terima kasih kakak admin pos indonesia :) :) 1

2 pos indonesia bisa tolong cek barangnya sudah sampai

mana nomor resi dan pos indonesia barangnya belum sampai :(

:( -1

32 pos indonesia terima kasih pos indonesia, kirim motor dari

lombok datang tepat waktu good job thank you

1

34 pos indonesia terus biar dapat informasi yang update

bagaimana om

-1

50 pos indonesia admin cek resi kirim tanggal sampai sekarang

tanggal belum sampai juga bekasi bali bagaimana

-1

* * * * * *

61 pos indonesia selamat pagi saya mau tanya tentang kiriman

saya dengan nomor receipt apakah sudah sampai alamat tujuan

1

66 pos indonesia nomor telpon tidak bisa dihubungi T_T T_T -1

Tabel 10. Hasil Pengolahan Data Emoticon

No Sentimen Jml (Angka)

Jml (%) Total Nilai Emo

1 Emo Positif 40 61% 40

2 Emo Negatif 26 39% -26

Total Opini Emo 66 100%

Tabel 10 merupakan hasil pengolahan data

twitter PT. Pos Indonesia terkait emoticon dari opini

pelanggan. Berdasarkan hasil pengolahan data ini,

ditemukan 66 Emoticon, dimana Emoticon Positif

sebanyak 40 dengan nilai sentimennya 40 dan

Emoticon Negatif sebanyak 26 dengan nilai

sentimennya -26. Hasil ini menunjukkan bahwa

Emoticon Positif sebesar 61% dan Emoticon Negatif

sebesar 39%. Hasil tersebut menggambarkan bahwa

pelanggan yang beropini positif lebih besar dari

pelanggan yang beropini negatif. Hasil opini

pelanggan terkait pelayanan PT. Pos Indonesia

berdasarkan Emoticon pelanggan dapat dilihat pada

Gambar 9.

Gambar 9. Emoticon dari Opini Pelanggan

PT. POS Indonesia








65



Dari hasil analisis dan pembahasan, dapat

disimpulkan bahwa hasil opini positif sebesar 31%,

opini negatif sebesar 58%, opini netral sebesar 10%

dan opini nihil sebesar 1%. Hal ini menunjukan

bahwa sentimen negatif lebih besar dari sentimen

positif. Hasil analisisnya lebih banyak opini negatif

karena lebih banyak keluhan pelanggan.

Hal ini dikarenakan beberapa faktor, yaitu

keterlambatan pengiriman paket, paket yang

dibongkar, karyawan yang bersikap kurang sopan

dalam melayani pelanggan, website yang kadang-

kadang error membuat lambatnya pelayanan yang

diberikan sehingga membuat pelanggan harus

menunggu, pelanggan harus ke kantor pos untuk

mengambil paketnya, dan lain sebagainya.

Sebaliknya dari hasil analisis emoticon, opini

positif sebesar 61% dan opini negatif sebesar 39%.

Saran untuk penelitian selanjutnya adalah pada

proses tokenisasi, bisa ditambahkan dengan jenis

token lainnya. Selain itu juga analisisnya bisa

dikombinasikan dengan metode pengukur analisis

sentimen yang lain, sehingga bisa dibandingkan

hasilnya, mana yang memberikan hasil yang lebih

baik.

REFERENSI

[1]. Liu, B. 2012. Sentiment Analysis and Opinion

mining. Synthesis Lectures on Human

Language Technologies. Morgan & Claypool

Publishers.

[2]. Frangky. 2008. Analisis Sentimen pada Data

Tekstual menggunakan Dokumen Review dalam

Domain Film. Tugas Akhir, Fasilkom.

[3]. Firdaus, M. & Sari, N. 2017. Media Konsumen.

Diperoleh 27 Februari 2017, dari

https://mediakonsumen.com/2016/11/14/surat-

pembaca/kiriman-ems-luar-negeri-pos-

indonesia-sudah-satu-bulan-belum-sampai.

[4]. Pos Indonesia. 2016. Twitter Pos Indonesia.

Diperoleh 8 Desember 2016, dari

http://twitter.com/PosIndonesia.

[5]. Taboada, M., Brooke, J., Tofiloski, M., Voll, K.

& Stede, M. 2011. Lexicon-based methods for

sentiment analysis. Computational Linguistics.

Volume 37, No. 2, pp. 267–307, MIT Press.

[6]. Saraswati, N. W. S. 2011. Text Mining dengan

Metode Naïve Bayes Classifier dan Support

Vector Machines untuk Sentiment Analysis.

Tesis. Program Studi Teknik Elektro, Program

pasca Sarjana, Universitas Udayana, Bali,

Indonesia.

[7]. Kaji, N., Kitsuregawa, M. 2007. Building

lexicon for sentiment analysis from massive

collection of HTML documents. Proceedings of

the joint conference on empirical methods in

natural language processing and computational

natural language learning (EMNLP-CoNLL),

pp. 1075–1083. Association for Computational

Linguistics.

[8]. Iwan, A. 2009. Text Mining. Diperoleh 16

September 2016, dari http://lecturer.eepis-

its.edu/~iwanarif/kuliah/dm/6Text%20Mining.p

df.

[9]. Liu, B. 2010. Sentiment Analysis and

Subjectivity. Handbook of Natural Language

Processing. N. Indurkhya and F.J. Damerau,

eds.

[10]. Pang, B. & Lee, L. 2008. Opinion Mining and

Sentiment Analysis. Foundations and Trends in

Information Retrieval 2, 1-2, 1–135.

[11]. Melville, P., Gryc, W. & Lawrence, D, R. 2011.

Sentiment analysis of blogs by combining

lexical knowledge with text classification.

Proceedings of the 15th ACM SIGKDD

international conference on Knowledge

discovery and data mining, pp. 1275–1284.

ACM.

[12]. Kaji, N., Kitsuregawa, M. 2007. Building

lexicon for sentiment analysis from massive

collection of HTML documents. Proceedings of

the joint conference on empirical methods in

natural language processing and computational

natural language learning (EMNLP-CoNLL),

pp. 1075–1083. Association for Computational

Linguistics.

[13]. Nurfalah, A., Adiwijawa. & Suryani, A. A.

2017. Analisis Sentimen Berbahasa Indonesia

dengan Pendekatan Lexicon-Based pada Media

Sosial Twitter. Telkom University, Bandung.

Jurnal Masyarakat Informatika Indonesia, Vol

2, No. 1, Januari-Maret, Hal 1-8.



66


BUSINESS INTELLIGENT PADA SISTEM INVENTORY

DESINFEKTAN DI PT.ROHTO LABORATORIES INDONESIA

Ahmad Ramdani

Fakultas Teknis, Jurusan Teknik Informatika

Universitas Widyatama

Jalan Cikutra No. 204A, Bandung, Indonesia

[email protected]

Abstrak

Pengendalian persediaan desinfektan pada suatu

perusahaan sangat berperan dalam menentukan

efisiensi fungsi gudang. Informasi yang tidak pasti

tentang ketersediaan desinfektan di gudang

mempengaruhi keputusan yang akan diambil dalam

menentukan jumlah pemesanan barang yang sesuai

dengan kebutuhan permintaan produksi. Kekurangan

persediaan desinfektan mengakibatkan terhambatnya

proses produksi sedangkan kelebihan persediaan

desinfektan merupakan pemborosan sehingga dapat

dikatakan sebagai suatu beban yang harus

dihilangkan.

Metode penelitian yang digunakan yaitu metode

analisis dan metode perancangan sistem.Metode

analisis mengarah pada pengumpulan data, penerapan

informasi dalam kenyataan sesuai dengan keinginan

kebutuhan, dan melakukan survei perusahaan.

Sedangkan metode perancangan sistem

dikonsentrasikan pada perancangan data mart yaitu

dengan cara pembagunan data mart yang disesuaikan

dengan kebutuhan perancangan sistem business

intelligence ini memungkinkan untuk manajemen

tingkat atas mengetahui secara jelas dalam gambaran

yang mudah dimengerti seperti chart untuk melihat

perkembangan perusahaan, dengan menerapkan

pendekatan multidimensional modeling (MDM) dari

data warehouse yang dibangun berdasarkan metode

OLAP (Online Analytical Processing) dan dapat

ditampilkan dengan star schema design, untuk

menghasilkan informasi yang menganalis mengenai

data persediaan di PT.Rohto Laboratories Indonesia.

Jadi manajemen tingkat atas lebih mudah untuk

mengambil keputusan strategis perusahaan.

Kata kunci: Data warehouse Data Mart, Business

Intelligence, multidimensional modeling (MDM),

OLAP, star schema design, persediaan.Abstract

Abstract

Disinfectant inventory control in a company is very

important in determining efficiency of warehouse

function. Uncertain information about the availability

of disinfectants in the warehouse affect the decision

to be taken in determining the amount of ordering of

goods in accordance with the needs of production

demand. Disinfectant stock deficiency leads to

inhibition of the production process while excess

inventory disinfectant is a waste so it can be said as a

burden that must be removed.

The research method used is the method of analysis

and method of system design. The method of analysis

leads to data collection, the application of

information in reality in accordance with the wishes

needs, and conduct a survey company.

While the design method of the system is

concentrated in the design of data mart that is by way

of data mart assembly that is tailored to the needs of

business intelligence system design it allows for

upper level management to know clearly in the

picture that is easy to understand such as chart to see

the development of the company, by applying

multidimensional modeling approach MDM) of data

warehouses built on OLAP (Online Analytical

Processing) method and can be displayed with star

schema design, to produce analytical information

about inventory data in PT.Rohto Laboratories



67


Indonesia. So upper management is easier to take

strategic decision of company.

Keywords: Data Mart Data warehouse, Business

Intelligence, multidimensional modeling (MDM),

OLAP, star schema design, inventory.

I PENDAHULUAN

Persediaan desinfektan selalu diperlukan dalam

aktivitas sterilisasi proses produksi.Terutama jika

perusahaan tersebut bergerak di bidang farmasi.

Tanpa adanya persediaan di bagian gudang maka

akan mengalami kendala dalam proses sterilisasi,

karena tidak dapat memenuhi kebutuhan pesanan

produksi. Penyelesaian untuk masalah ini sangat

penting untuk diperhatikan. Oleh karena itu

diperlukan suatu metode yang dapat diaplikasikan

dalam pengendalian persediaan desinfektan.

Departemen steril membutuhkan suatu

pengembangan basis data yang akan menyediakan

informasi terutama di bidang persediaan

desimfektan, menjadi suatu kumpulan data yang

terhubung (interrelated data) yang disimpan secara

bersama-sama pada suatu media, sehingga mudah

digunakan atau dimanfaatkan kembali.Proses

persediaan diperiksa secara manual oleh bagian

gudang, apabila stok barang yang ada digudang

dibawah batas minimal, maka bagian gudang akan

menginformasikan kebagian kepala untuk melakukan

pembelian barang supaya stok tidak sampai habis

Kondisi seperti ini menyebabkan data-data penting

yang dibutuhkan perusahaan disimpan dalam bentuk

berkas sehingga mengakibatkan lambatnya pencarian

data, dan juga pembuatan laporan seringkali tidak

tepat waktu karena masih menggunakan cara manual,

sehingga laporan sering telat sampai ke pimpinan.

Oleh karena itu dibutuhkan suatu alat bantu berupa

rancangan sistem basis data yang baik yaitu basis

data yang mampu mengorganisir data persediaan

desinfektan dan perangkat lunak atau aplikasi yang

dapat membantu memudahkan dan memaksimalkan

kinerja pegawai administrasi gudang perusahaan

dalam pengolahan data jumlah barang yang harus di

pesan ke suplier untuk periode berikutnya.

Dengan analis dan perancangan sistem

inventory desinfektan diharapkan dapat membantu

menentukan perencanaan dan juga membantu

memudahkan dalam melakukan kegiatan persediaan

desinfektan dan menentukan jumlah pemesanan

barang yang sesuai dengan kebutuhan permintaan

produksi.Dengan demikian dapat mengefisienkan

fungsi gudang, menghindari kekurangan atau

kelebihan persediaan barang digudang.

Dalam penelitian ini menggunakan metode

analisis dan metode perancangan sistem.Metode

analisis mengarah pada pengumpulan data, penerapan

informasi dalam kenyataan sesuai dengan keinginan

kebutuhan, dan melakukan survei perusahaan.

Sedangkan metode perancangan sistem

dikonsentrasikan pada perancangan data mart yaitu

dengan cara pembagunan data mart yang disesuaikan

dengan kebutuhan perancangan business intelligence,

sistem business intelligence ini memungkinkan untuk

manajemen tingkat atas mengetahui secara jelas

dalam gambaran yang mudah dimengerti seperti chart

untuk melihat perkembangan perusahaan, dengan

menerapkan pendekatan multidimensional modeling

(MDM) dari data warehouse yang dibangun

berdasarkan metode OLAP (Online Analytical

Processing) dan dapat ditampilkan dengan star

schema design, dengan menggunakan bahasa

pemrograman berbasis web PHP dengan aplikasi

manajemen basis data MySQL.

Untuk meningkatkan kinerja sistem persediaan

desinfektan perusahaan diperlukan pengembangan

sistem yang mampu mengolah data yang baik dan

terstruktur, serta mampu memberikan laporan yang

akurat dan cepat. Sehingga sistem Perancangan basis

data ini dapat memenuhi informasi yang berisikan

kebutuhan-kebutuhan pemakai atau pengguna basis

data terebut,serta mendukung kebutuhan dalam

pemrosesan data persediaan desinfektan dan

Informasi yang dibutuhkan juga sangat penting bagi

manajemen perusahaan.Dalam penelitian ini penulis

ingin meneliti kebutuhan desinfektan yang

merupakan salah satu Sterilisasi dalam proses

produksi di PT Rohto Laboratories Indonesia.Karena

desinfektan adalah bahan kimia yang digunakan

untuk mencegah terjadinyainfeksi dengan jalam

membunuh mikroorganisme pathogenatau kuman

penyakit lainnya.Sedangkan kegunaan desinfektan

bagi proses produksi untuk Sterilisasi yang bertujuan

menghilangkan dan membebaskan semua alat dan

media dari gangguan organisme mikrobia, termasuk

virus, bakteria.Maka berdasarkan paparan diatas

penulis mengambil judul Tugas Akhir dengan judul

“ Business Intelligent pada Sistem Inventori

Desinfektan di PT.Rohto Laboratories indonesia”.



68


II KAJIAN LITERATUR

Data warehouse adalah database yang berisi data

dari beberapa sistem operasional yang terintegrasi,

teragregasi, dan terstruktur sehingga dapat digunakan

untuk mendukung analisa dan proses pengambilan

keputusan. Data warehouse suatu konsep dan

kombinasi teknologi yang memfasilitasi organisasi

untuk mengelola dan memelihara data historis yang

diperoleh dari sistem atau aplikasi operasional

(Ferdiana, 2008).

Data warehouse mempunyai karakteristik, berikut

karakteristik data warehouse (inmon, 2002) adalah :

a.Subject-Oriented

Mempelajari persoalan berdasarkan persoalan yang

diinginkan saja. Setiap subjek utama secara fisik

diimplementasikan sebagai serangkaian tabel yang

terkait di data warehouse.

b.Integrated

Dari semua aspek data warehouse, integrasi

merupakan karakteristik yang paling penting. Dalam

integrasi data disuplai dari beberapa sumber yang

berbeda kedalam data warehouse. Integrasi data pada

sumber diubah, diformat ulang, dirangkum dan

sebagainya sesuai dengan kebutuhan data warehouse.

Data yang dimasukan kedalam data warehouse

adalah data yang memiliki konsistensi. Sehingga data

pada tingkat aplikasi atau data sumber yang tidak

memiliki konsistensi akan dibatalkan. Contohnya

adalah penyimpanan data pada jenis kelamin. Jenis

data pada jenis kelamin adalah pria dan wanita. Akan

tetapi pada prakteknya format data berupa P/L atau

1/0 atau P/W dan lain sebagainya. Perbedaan format

penamaan pada jenis kelamin tersebut harus

dikonversi menjadi sebuah format yang sama.

Sehingga data yang dipindahkan kedalam data

warehouse konsisten. Konsistensi data berlaku untuk

semua, seperti konversi penamaan, struktur kunci,

pengukuran atribut, dan karakteristik fisik data.

c.Nonvolatile

Data diperbaharui atau diubah dalam lingkungan

operasional merupakan hal yang biasa. Namun data

pada data warehouse memiliki karakteristik yang

berbeda. Data warehouse dapat dimuat dan diakses

tetapi tidak dapat diperbaharui. Maksudnya adalah

data tidak dapat diubah, dihapus atau ditambah. Data

pada data warehouse bersifat read only.

d.Time Variant

Time variant atau rentang waktu menyiratkan bahwa

setiap unit data dalam data warehouse akurat pada

beberapa waktu. Dalam beberapa kasus, record

ditandai oleh waktu. Dalam kasus lain, record

memiliki tanggal transaksi. Tapi dalam setiap kasus,

ada beberapa bentuk penandaan waktu untuk

menunjukan waktu selama record data akurat.

Berbeda dengan database operasional yang

dapat melakukan update, insert, delete terhadap data

yang mengubah isi dari database. Sedangkan pada

data warehouse, hanya ada dua kegiatan

memanipulasi data yaitu load data (mengambil data)

dan akses data (mengakses data warehouse seperti

melakukan query atau menampilkan laporan yang

dibutuhkan, tidak ada kegiatan updating data).Data

warehouse juga mempunyai tugas yang bisa

dilakukan (Kimball dan Caserta, 2004) yaitu :

a. Pembuatan Laporan

Yaitu proses pembuatan laporan merupakan salah

satu kegunaan data warehouse yang paling umum

dilakukan. Dengan menggunakan query

sederhana didapatkan laporan dengan jangka

waktu yang diinginkan.

b. OLAP

Yaitu dengan adanya data warehouse, semua

informasi baik detail maupun hasil summary yang

dibutuhkan dalam proses analisa mudah didapat.

c. Data Mining

Yaitu merupakan proses untuk menggali

pengetahuan dan informasi baru dari data yang

berjumlah banyak pada data warehouse, dengan

menggunakan kecerdasan buatan (artificial

intelligence), statistika dan matematika.

d. Proses Informasi Eksekutif

Yaitu data warehouse dapat membuat ringkasan

informasi yang penting dengan tujuan membuat

keputusan bisnis tanpa harus menjelajahi

keseluruhan data. Dengan data warehouse segala

laporan telah diringkas dan mempermudah untuk

proses pengambilan keputusan.



69


Adapun arsitektur dari data warehouse (Conolly dan

Begg, 2005 : 1157) adalah seperti berikut :

Gambar 1. Arsitektur Data Warehouse

(Sumber: Connolly, 2005. Database Systems 4th

Edition.)

Sebelum sebelum data warehouse dibuat dan

mendapatkan informasi BI, data mentah harus proses

terlebih dahulu, yang mencakup transformassi data,

OLAP,ETL dengan menggunakan tool pentaho

terhadap data warehouse serta mengkonstruksi

atribut.

Dalam proses ETL diperlukan pemetaan

dalam membangun sistem data warehouse. Ada dua

jenis yaitu :

a.Relational to Relational

Yaitu, tabel operasional dipetakan ke tabel data

warehouse dengan jenis tabel fakta atau dimensi dan

kolom operasional dipetakan ke kolom data

warehouse.

Gambar 2. Relational to Relational Mapping

(Sumber: Chaudhuri, 1997. An Overview of Data

Warehousing and OLAPTechnology)

b.Relational to Multidimensional

Jadi, tabel fisik berupa tabel fakta dan dimensi

dijadikan cube dalam database OLAP.

Gambar 3. Relational to Multidimensional

Mapping

(Sumber: Chaudhuri, 1997. An Overview of

Data Warehousing and OLAPTechnology)

ETL (Extract, Transform, Load)

ETL atau Extract, Transform, Load merupakan

sebuah proses untuk menghasilkan data warehouse.



70


ETL merupakan sistem yang dapat membaca data

dari satu data store, merubah bentuk data, dan

menyimpan ke data store yang lain. Data store yang

dibaca ETL disebut data source sedangkan data store

yang disimpan ETL disebut target.

Proses ETL (Extract, Transform, Load) yaitu :

a.Extraction

Ekstraksi data adalah proses pengambilan data dari

satu database atau beberapa database yang berbeda.

Proses ekstraksi mencakup tugas memvalidasi data

dan membuang data yang tidak cocok dengan pola

yang diharapkan.Terdapat beberapa fungsi ekstraksi

data, yaitu :

• Ekstraksi data secara otomatis dari aplikasi sumber.

• Penyaringan atau seleksi data hasil ekstraksi.

• Pengiriman data dari berbagai platform aplikasi ke

sumber data.

• Perubahan format layout data dari format aslinya.

• Penyimpanan dalam file sementara untuk

penggabungan dengan hasil ekstraksi dari sumber

lain.

b.Transformation

Taransformasi adalah proses mengubah data dari data

operasional menjadi format data warehouse. Proses

transformasi berupa tugas-tugas seperti

mengkonversi tipe data, melakukan beberapa

perhitungan, penyaringan data yang tidak relevan,

dan meringkasnya.

Langkah-langkah dalam transformasi data

adalah sebagai berikut :

• Memetakan data input dari skema data aslinya ke

skema data warehouse.

• Melakukan konversi tipe data atau format data.

• Pembersihan serta pembuangan duplikasi dan

kesalahan data.

• Penghitungan nilai-nilai derivate atau mula-mula.

• Penghitungan nilai-nilai agregat atau rangkuman.

• Pemeriksaan integritas referensi data.

• Pengisian nilai-nilai kosong dengan nilai default.

• Penggabungan data.

c.Load

Merupakan proses terakhir yang perlu dilakukan

adalah proses pemuatan data yang didapatkan dari

hasil transformasi ke dalam data warehouse. Cara

untuk memuat data adalah dengan menjalankan SQL

script secara periodik.

Untuk dapat lebih memahami bagaimana proses

ETL dilakukan, bisa dilihat pada gambar 2.7 berikut

ini :

Gambar 4. Contoh Proses ETL dengan

Pentaho Data Integration (PDI)

III ANALISIS DAN PERANCANGAN

Analisis kebutuhan data warehouse yaitu

melakukan identifikasi mengenai kebutuhan data

warehouse yang akan digunakan untuk membuat

dashboard. Ada empat hal yang dibutuhkan untuk

membuat sebuh dashboard yaitu:

Gambar 5. Data kebutuhan stock

desinfektan



71


Analisis kebutuhan antarmuka sistem adalah

proses menganalisa tampilan antarmuka sistem sesuai

dengan kebutuhan pengguna. Sistem yang akan

dibuat ialah sistem dashboard yang dapat

menampilkan berbagai informasi dalam bentuk grafik

dan tabular. Penyajian informasi kedalam bentuk

grafik dan tabular ini dapat memberikan kemudahan

dan efesiensi waktu pada proses pengambilan

keputusan. Sebuah dashboard harus dapat melakukan

drill-down informasi, sehingga pengguna dapat

melihat grafik atau tabular informasi dari level

tertinggi hingga ke level terendah. Berikut ini

merupakan contoh dari tampilan drill-down:

Gambar 6. Contoh Tampilan Drill Down

Pada Data Tabular

Sumber

:devexpress.com/Products/VCL/ExPivotGrid/i/featur

es/drilldown.png

Gambar 7. Contoh tampilan drill down pada

grafik

Sumber :

http://dashboardxcelsius.blogspot.co.id/2012/07/tutor

ial-xcelsius-2-drilldown.html

Tampilan antarmuka sistem akan dibuat

semenarik mungkin, namun dengan tetap

mengedepankan kesederhanaan penggunaan fungsi

dan proses penyajian infomrasi sehingga dapat

memudahkan pengguna saat melakukan analisis.

Extract Data

Pada tahap proses extract data, data operasional yang

diperlukan untuk membuat data warehouse akan

melalui proses pembersihan data. Pada proses

pembersihan data, data yang memiliki kesalahan pada

proses input seperti redudansi data, nilai pada suatu

field tidak sesuai, atau data yang tidak konsisten akan

dibersihkan.

Transform Data

Setelah melewati proses extract data, langkah

selanjutnya ialah proses transform data. Pada tahap

ini akan dilakukan perubahan format data yang

berasal dari data operasional menjadi format data

yang sesuai dengan data warehouse yang akan

dibangun, atau perpindahan data dari struktur data

operasional kedalam struktur data warehouse yang

aka dibangun.

Load Data

Tahap ini merupakan tahap terakhir dalam proses

membangun data warehouse. Pada tahap ini, data

yang telah melalui proses extract dan transform data

akan disimpan pada data warehouse. Data yang

disimpan di dalam data warehouse dapat dilakukan

penambahan data secara berkala.

IV KESIMPULAN DAN SARAN

SIMPULAN

Berdasarkan perancangan dan pembangunan

data warehouse pada PT Bloods Industries yang telah

dilakukan, maka dapat dikemukakan beberapa

kesimpulan berikut :

1. Dengan diimplementasikannya dashboard

data warehouse pada PT Bloods Industries dapat

memudahkan pimpinan perusahaan dalam

memperoleh informasi dan melakukan analisa data

penjualan.

2. Dengan dibuatkannya dashboard data

warehouse pada PT Bloods Industries dapat dijadikan



72


sarana pendukung saar proses pengambilan

keputusan yang dilakukan pimpinan perusahaan.

3. Dengan menggunakan data warehouse

membuat pimpinan perusahaan lebih mudah dan

efisien dalam proses menganalisa, dibandingkan

dengan menganalisa database operasional secara

langsung.

SARAN

Dalam penyusunan tugas akhir ini masih

belum mencapai sempurna. Karena keterbatasan

waktu dan sumber daya yang dimiliki, penyusunan

tugas akhir ini masih banyak kekurangan. Penulis

berharap dari penyusunan tugas akhir ini dapat

memberikan hasil melalui pengembangan dan

inovasi. Untuk pengembangan lebih lanjut, penulis

memberikan saran sebagai berikut :

1. Pengguna dapat membuat laporan dalam

bentuk pivot tabel.

2. Meningkatkan tingkat keamanan sistem

dashboard agar dapat terhindar dari hal-hal yang

tidak diinginkan.

3. Melakukan pengitegrasian database

transaksional dengan database data warehouse.

Dengan menambah atribut yang lebih banyak,

diharapkan akan bertambah pula usulan yang bisa

diajukan kepada pemerintahan.

REFERENSI

[1]. Rainardi, V.2002. Building a Data Warehouse,

With Examples in SQL Server. New York :

Springer.

[2]. Immon, William H. 2005. “Building The Data

Warehouse (4th ed)”. Indianapolis : Wiley

Publishing, Inc.

[3]. Golfarelli, M., Hill, M.G., dan Rizzi, S .2009.

Data Warehouse Design, Modern Principles and

Methodologies. New York: Mc Graw Hill.

[4]. Kimball, Ralph, and Margy Ross.2002. “The

data warehouse toolkit: the complete guide to

dimensional modelling”. New York : Wiley.

[5]. Mulyana JRP. 2005. “Pentaho : Solusi Open

Source untuk Membangun Data Warehouse”.

Penerbit Andi, Yogyakarta.

[6]. Asbartanov Lase. 2009. “Pembangunan Data

Warehouse Penjualan Barang Pada PT. Simpati

Intan Permata”. Universitas Komputer Indonesia.

[7]. Radityo Adi Nugroho. 2008. “Aplikasi Data

Warehouse untuk Analisis Penjualan Mobil

Berbasis Multidimensional Modeling (MDM) :

Studi Kasus PT. Asco Automotive”. Universitas

Lambung Mangkurat

[8]. Peter Pin-shan C, “The Entity-Relationship

Model-Toward a Unified View of

[9]. Data”, Massachusetts Institite of Technology,

Vol.1, march. 1976.

[10]. Saputra,Agus, 2011, “Pemrograman CSS

Untuk Pemula”. PT. Gramedia, Jakarta.

[11]. Stephen Few, 2006, “Information Dashboard

Design: The Effective Visual

[12]. Communication of Data”. O'Reilly Media.



73


SISTEM DETEKSI OBJEK BERGERAK DENGAN MENGGUNAKAN

TEKNIK ROI DAN ALGORITMA KALMAN FILTER

Lilis Diana ( [email protected] ) Mukhlish Amarullaah ( [email protected] )

Program Studi Teknik Informatika

STMIK “AMIKBANDUNG”

Jln. Jakarta No. 28 Bandung 40272 INDONESIA

Abstrak

Sistem CCTV yang diimplementasikan di kampus STMIK

“AMIKBANDUNG” ini, masih bersifat umum dimana

kerja sistem ini hanya merekam dan menampilkan gambar

pada layar monitor belum difungsikan sebagai alat

pelacakan objek bergerak. Teknik yang digunakan dalam

membangun sistem deteksi objek ini dengan

menggunakan teknik ROI (Region Of Interest) yang

merupakan salah satu teknik dari Computer Vision yang

termasuk disiplin ilmu perpanjangan dari pengolahan

citra digital dan kecerdasan buatan.

Tujuan dari Computer Vision adalah meniru fungsi mata

dan otak pada manusia. Salah satu proses yang

penting dalam menghasilkan kemampuan setara dengan

penglihatan manusia adalah pengenalan benda bergerak.

Untuk mengenali objek bergerak dalam suatu video,

dilakukan pemrosesan segmentasi dan penentuan batas

ROI.

Untuk mengenali objek yang telah terdeteksi, metode

yang digunakan adalah Teknik ROI (Region Of Interest).

Sedangkan untuk pelacakan objek bergerak

menggunakan Algoritma Kalman Filter. Sistem deteksi

objek bergerak ini telah dapat diimplementasikan ke

dalam sistem CCTV kampus sehingga sistem CCTV yang

ada dapat mendeteksi dan memberi tanda pada objek-

objek yang bergerak.

Kata Kunci: CCTV, Computer Vision, Objek Bergerak,

ROI, Kalman Filter.

Abstract

CCTV system implemented on campus STMIK

"AMIKBANDUNG" is still general in which the work of

this system only record and display images on the monitor

screen has not been functioned as a moving object

tracking tool. The technique used in building this object

detection system using the technique of ROI (Region Of

Interest) which is one of the techniques of Computer

Vision which includes the extension discipline of digital

image processing and artificial intelligence.

The purpose of Computer Vision is to imitate the

function of the eyes and the brain in humans. One of the

most important processes in producing the equivalent of

human vision is the introduction of moving objects. To

recognize moving objects in a video, segmentation

processing and ROI limits are performed.

To recognize objects that have been detected, the

method used is the ROI (Region Of Interest) Technique.

As for moving object tracking using Kalman Filter

Algorithm. This mobile object detection system can be

implemented into the campus CCTV system so that

existing CCTV systems can detect and mark the moving

objects.

Keywords: CCTV, Computer Vision, Moving

Objects, ROI, Kalman Filter.



74


I. PENDAHULUAN

1.1. LATAR BELAKANG

lmu dan teknologi komputer sudah

berkembang dengan pesat dalam berbagai

bidang keahlian. Hampir setiap individu

memerlukan bantuan komputer dalam

memecahkan permasalahan yang dihadapinya.

Keunggulan memanfaatkan teknologi komputer

ini dikarenakan sistem komputerisasi lebih mudah

dalam pengontrolan. Salah satu ilmu dan

teknologi yang berkembang pada saat ini adalah

pengolahan citra digital deteksi objek dengan

menggunakan teknik ROI (Region Of Interest).

Keamanan dan kenyamanan lingkungan

kampus menjadi hal yang begitu penting bagi

setiap instansi pendidikan. Keamanan dan

kenyamanan lingkungan kampus memang sudah

seharusnya terintegrasi dengan baik, sehingga

akan menghasilkan suasana akademis yang sangat

ideal. Dengan keamanan dan kenyamanan

lingkungan kampus yang baik otomatis juga akan

meningkatkan kualitas dari kampus tersebut. Lain

halnya jika tingkat keamanan dan kenyamanan

lingkungan kampus masih sangat minim bahkan

kurang, hal ini akan berimbas kurang baik

terhadap proses akademis di kampus tersebut.

Sistem keamanan akses masuk di STMIK

“AMIKBANDUNG” ini masih dirasakan belum

cukup baik, hal ini dapat dilihat dari bebasnya

akses keluar masuk kampus bagi siapapun tanpa

tanda pengenal. Hal ini memungkinkan terjadinya

tindakan kriminal yang dapat di lakukan oleh

oknum tertentu. Ada beberapa aspek yang

mengakibatkan ketidakamanan kampus.

Diantaranya Aspek Fasilitas, Aspek Unit

Keamanan Kampus (UKK), Aspek Mahasiswa

dan Aspek Kebijakan[ HYPERLINK \l "Luk14"

1 ].

Melalui penelitian deteksi objek bergerak

dengan teknik ROI ini diharapkan dapat

memecahkan permasalahan dalam menjaga

keamanan lingkungan kampus dengan cara

mendeteksi objek – objek yang bergerak yang

berada dalam kawasan kamera sehingga dapat

manambah keamanan lingkungan kampus.

Berdasarkan pada latar belakang di atas,

maka Penulis bermaksud mengkaji secara

mendalam mengenai sistem keamanan melalui

sebuah penelitian yang berjudul “SISTEM

DETEKSI OBJEK BERGERAK DENGAN

MENGGUNAKAN TEKNIK ROI (REGION

OF INTEREST) DAN ALGORITMA

KALMAN FILTER’’

1.2. RUMUSAN MASALAH

1. Bagaimana cara mendeteksi objek bergerak

dan memberikan tanda atau mark pada objek

yang bergerak yang bersumber dari video?

2. Bagaimana cara menggunakan algoritma dan

teknik tertentu dalam pendeteksian objek

bergerak ?

1.3. BATASAN MASALAH

1. Penelitian ini hanya mendeteksi objek

bergerak yang terekam dalam sample video

dengan memberikan suatu mark terhadap

objek yang di deteksi sebagai objek bergerak

tanpa ada proses lanjutan.

2. Teknik yang digunakan dalam penelitian ini

adalah sistem pengenalan objek dengan

menggunakan teknik ROI (Region Of

Interest) dan dengan menggunakan algoritma

Kalman Filter.

3. Kamera yang di gunakan menggunakan

kamera handphone dengan resolusi kamera

640 x 480 pixel pada siang hari dengan pola

RGB.

4. Untuk sistem deteksi objek bergerak yang

Penulis rancang tidak terkoneksi CCTV

secara real-time dikarenakan keterbatasan

dari hardware yang digunakan untuk

simulasi.

1.4. TUJUAN PENELITIAN

1. Sebagai dasar pengembangan sistem CCTV

keamanan di kampus

STMIK”AMIKBANDUNG”

2. Membangun sistem deteksi objek benda

bergerak agar dapat didefinisikan dalam citra

digital.

II. LANDASAN TEORI

2.1. PENGOLAHAN CITRA

Pengolahan citra adalah bentuk pengolahan

sinyal dimana input nya adalah gambar, seperti

foto atau video bingkai, sedangkan output dari

I



75


pengolahan gambar dapat berupa gambar atau

sejumlah karakteristik atau parameter yang

berkaitan dengan gambar 2]}. Kebanyakan

gambar-teknik pemrosesan melibatkan atau

memperlakukan foto sebagai dimensi dua sinyal

dan menerapkan standar-teknik pemrosesan sinyal

untuk itu, biasanya hal tersebut mengacu pada

pengolahan gambar digital,tetapi dapat juga

digunakan untuk optik dan pengolahan gambar

analog. Akuisisi gambar atau yang menghasilkan

gambar input di tempat pertama disebut sebagai

pencitraan.

2.2. MATLAB (MATRIX LABORATORY)

MATLAB adalah bahasa pemrograman

level tinggi yang dikhususkan untuk komputasi

teknis. Bahasa ini mengintegrasikan

kemampuan komputasi, visualisasi, dan

pemrograman dalam sebuah lingkungan yang

tunggal dan mudah digunakan. MATLAB

memberikan sistem interaktif yang

menggunakan konsep array sebagai standar

variabel elemennya tanpa membutuhkan

pendeklarasian array seperti pada bahasa

pemrograman lain.

2.3. LIBRARY OPENCV

OpenCv adalah suatu library gratis yang

dikembangkan oleh developer-developer Intel

Corporation. Library ini terdiri dari fungsi-fungsi

computer vision dan API (Aplication

Programming Interface) untuk image processing

high level maupun low level dan sebagai optimasi

aplikasi realtime.

OpenCv sangat disarankan untuk

programmer yang akan berkutat pada bidang

computer vision, karena library ini mampu

menciptakan aplikasi yang handal, kuat dibidang

digital vision, dan mempunyai kemampuan yang

mirip dengan cara pengolahan visual pada

manusia.

III. METODE, ANALISIS DAN PERANCANGAN

3.1. KERANGKA PENELITIAN

3.1.1. INPUT DATA OBJEK

Data objek yang diinput disini

merupakan sebuah sample file video.

Pada proses pengambilan data, alat

yang digunakan Penulis untuk

perekaman objek menggunakan kamera

handphone dengan spesifikasi sebagai

berikut:

a. Merk handphone Lenovo

b. Type S820 ROW

c. Resolusi kamera untuk merekam

640 x 480 pixel.



76


3.1.2. DETEKSI OBJEK

Setelah sample data diinput,

selanjutnya data yang berupa file video

tersebut akan mengalami proses

pendeteksian.

3.1.3. ALGORITMA KALMAN FILTER

DAN ROI

Untuk proses pendeteksian dan

pelacakan objek bergerak ini, Penulis

menggunakan algoritma Kalman Filter

dan Teknik ROI. Dalam penerapan

algoritma ini, Penulis menggunakan

sebuah software pendukung yaitu

MATLAB (Mathematich Laboratory)

dengan versi R2014a, dimana bahasa

pemrogramannya menggunakan bahasa

C.

3.1.4. PROSES PENGNALAN OBJEK

Merupakan tahap dimana data

sample tersebut diolah dan selanjutnya

akan didefinisikan objek mana yang

termasuk objek bergerak dan objek

diam (tidak bergerak).

3.1.5. OBJEK TERDETEKSI

Yang dimaksud objek terdeteksi

disini adalah objek yang dapat

didefinisikan sebagai objek yang

bergerak yang telah dieliminasi oleh

sistem.

3.1.6. OBJEK DIBERI TANDA

Proses ini merupakan hasil akhir

dari penelitian mengenai sistem deteksi

objek bergerak yang dilakukan oleh

Penulis. Pemberian tanda pada objek

ini dimaksudkan agar sistem dapat

membedakan mana benda yang

bergerak dan mana benda yang tidak

bergerak (diam).

3.1.7. OBJEK TIDAK TERDETEKSI

Bila tidak ada benda yang

terdeteksi sebagai objek bergerak maka

pada penelitian ini proses pendeteksian

akan dianggap selesai.

3.2. ANALISIS

3.2.1. KEBUTUHAN SOFTWARE

N

O

Perangk

at Lunak Keterangan

1 OS Windows 7

2 MATLA

B

R2014a

3 Video

Convert

Video Convert

Master

3.2.2. KEBUTUHAN HARDWARE

N

O

Perangkat

Keras Keterangan

1 Processor QuadCore

2 Memory(R

AM)

6GB

3 Graphic AMD Radheon

Graphic

4 Kamera Lenovo VGA

dengan resolusi 640 x 480

piksel

5 Tripod Excell PROMOSS

3.3. PERANCANGAN

Berikut ini akan dijelaskan tahapan

perencanaan sistem deteksi objek bergerak dari

awal proses hingga menghasilkan sistem deteksi

objek bergerak yang diharapkan.

A. RECORDING VIDEO

Proses awal dari sistem ini

yaitu recording video. Recording

video diperlukan karena pada

penelitian ini objek yang akan di

deteksi bersumber dari sample

video. Recording video dalam

penelitian ini menggunakan kamera

handphone dengan kapasitas kamera

VGA resolusi 640 x 480 pixel.

B. PEMROGRAMAN BAHASA C

Bahasa yang digunakan dalam

penelitian yaitu menggunakan

bahasa pemrograman C, yang



77


diimplementasikan dengan

menggunakan software MATLAB .

Alasan Penulis menggunakan

software MATLAB dikarenakan

dalam software MATLAB ini dapat

memberikan kemudahan bagi

programmer / developer, hal

tersebut dapat dilakukan karena

library dari MATLAB sudah

mendukung berbagai flatform untuk

memproses citra digital.

C. PENENTUAN BATAS ROI

Penentuan batas ROI

digunakan agar setiap objek yang

akan di deteksi memiliki klasifikasi

tertentu sehingga objek yang di

teliti sesuai dengan apa yang

diharapkan dalam penelitian ini.

Dalam penelitian ini Penulis

menentukan batas ROI dengan

rumus seperti di bawah ini:

roi = [ xmin ymin

width hight]

dan bila di implementasikan

ke dalam MATLAB, maka source

code nya seperti di bawah ini:

roi = [ 100 80 112

240]

D. ALGORITMA KALMAN

FILTER

Algoritma Kalman Filter ini di

fungsikan sebagai eliminasi proses

prediksi dan koreksi dari suatu

objek yang di anggap bergerak yang

terdapat di dalam sample video.

E. TRESHOLDING

I.1.1 THRESHOLDING MERUPAKAN

TEKNIK YANG SEDERHANA

DAN EFEKTIF UNTUK

SEGMENTASI CITRA

SEHINGGA ADANYA

PERBEDAAN YANG JELAS

ANTARA BACKGROUND DAN

OBJEK YANG DI DETEKSI.

IV. PEMBAHASAN DAN HASIL

4.1. PEMBAHASAN

Sistem deteksi objek ini akan mendeteksi

setiap objek yang bergerak selama objek tersebut

berada dalam daerah tangkap kamera.

Gambar 5.1 Flowchart Sistem Deteksi Objek

Bergerak

4.1.1. INPUT DATA OBJEK

Memanggil data video yang akan

digunakan dalam sistem deteksi objek

bergerak ini pada MATLAB dengan

menggunakan source code sebagai berikut:

Keterangan source code:

“hVideoScr” adalah perintah

dalam bahasa C untuk mengambil format

video yang diambil dari sample video.

“vision.VideoFileReader” adalah

perintah untuk membaca format video

dengan memanggil library yang ada di

MATLAB “VideoOutputDataType”

memangggil perintah video dalam satu

inputan.

4.1.2. DETEKSI OBJEK

Untuk memaksimalkan jumlah objek

yang di tracking mengunakan source code

di bawah ini dengan setting max objek 200

frame:

hVideoSrc =

vision.VideoFileReader;

hVideoSrc.Filename =

'example.avi';

hVideoSrc.VideoOutputDataTy

pe = 'single';

maxNumObj =

200



78


Untuk mengatur jumlah objek

prediksi yang nantinya akan diabaikan jika

ada objek lainnya yang bergerak maka di

setting batas perubahan maximum di

daerah objek dalam objek centroid dengan

rasio minimum antara jumlah frame di

mana suatu objek terdeteksi dan jumlah

frame untuk objek yang akan dilacak yang

dihitung dalam persen dengan memberikan

source code sebagai berikut:

Keterangan Source code:

Deteksi objek dalam sistem ini

menggunakan teknik blob, dimana teknik

ini mendeteksi beberapa kumpulan titik

pixel yang memiliki warna berbeda dari

latar belakang objek tersebut dan

mengkombinasikannya dalam suatu region.


“hBlob” untuk menampilkan

tampilan dari sebuah objek dengan

memanggil tampilan objek yang di hitung

dengan memangggil perintah

MaximumCount dan ExcludeBorderBlob

sehingga objek yang di deteksi bisa

dipisahkan dengan kotak berwarna hijau

dengan variable true “hBlob.MinimumBlobAreaSou

rce” pengaturan property dari objek

“hBlob.MinimumBlobArea”

untuk membatasi area objek yang di

deteksi hingga 100 pixel. “hBlob.MaximumBlobAreaSou

rce” pengaturan property dari objek “hBlob.MaximumBlobArea”

untuk membatasai area objek yang di

deteksi hingga 2500 pixel.

4.1.3. ROI (REGION OF INTEREST)

Dari proses di atas, maka untuk hasil

transformasi tiap ROI nya di dapat dari

proses persamaan matematis di bawah ini:

Keterangan rumus:

p(b) adalah nilai transformasi dari

ROI

n adalah pixel pixel dalam ROI

Perbandingan luas ROI dengan luas

keseluruhan image, dengan ditujukan

dengan persamaan matematis di bawah ini:

V. PL =

Untuk menggambar kotak dalam

video input asli dengan memberikan source

code seperti di bawah ini:


“PtsOffset” untuk setting objek

berdasarkan variabel ROI dan pengulangan

data matriks antara objek (1) dan objek

ROI yang ke (2), kemudian objek akan di

atur berulang-ulang.

4.1.4 OBJEK TRA TRACKING

Untuk memberikan hasil akhir dari

sistem deteksi objek ini dengan

memberikan source code seperti di bawah

ini:

hBlob =

vision.BlobAnalysis('MaximumCou

nt', maxNumObj,

'ExcludeBorderBlobs', true);

hBlob.MinimumBlobAreaSource

= 'Property';

hBlob.MinimumBlobArea = 100;

hBlob.MaximumBlobAreaSource

= 'Property';

hBlob.MaximumBlobArea =

2500;

maxConsecutiveMiss = 4;

areaChangeFraction = 13;

centroidChangeFraction =

18;

minPersistenceRatio =

0.7;

PtsOffset =

int32(repmat([roi(1), roi(2), 0,

0],

[maxNumObj 1]));



79


Keterangan table source code:

“pos” pengaturan objek batas yang

di deteksi dengan teknik ROI

“hAbandonedObjects” objek yang

tidak bergerak tidak dihitung atau tidak di

deteksi dan akan dianggap sebagai

background.

“pos(1)” memindahkan objek

yang bergerak dalam satu frame dalam

waktu yang bersamaan.

“hThresholdDisplay”

menampilkan video player sebuah objek

yang sudah diatur ebelumnya

menggunakan variable name pengaturan

treshold dan posisi dari objek

Untuk mendeteksi objek pada proses

looping maka source code yang

digunakan:

Keterangan source code:Fungsi algortima while

untuk memproses frame atau objek yang di baca

secara berulang-ulang dengan lokasi objek yang di

tracking dan pemberian label blob pada objek

yang terdeteksi.

4.2 HASIL

Berikut ini merupakan hasil dari deteksi

objek bergerak secara keseluruhan objek yang

terdeteksi.

GAMBAR. 6.7 DETEKSI KESELURUHAN

pos = [10 300 roi(3)+25

roi(4)+25];

hAbandonedObjects =

vision.VideoPlayer('Name',

'Abandoned Objects', 'Position',

pos);

pos(1) = 46+roi(3); % move the

next viewer to the right

hAllObjects =

vision.VideoPlayer('Name', 'All

Objects', 'Position', pos);

pos = [80+2*roi(3) 300 roi(3)-

roi(1)+25 roi(4)-roi(2)+25];

hThresholdDisplay =

vision.VideoPlayer('Name',

'Threshold', 'Position', pos);

. . . .

firsttime = true;

while ~isDone(hVideoSrc)

Im = step(hVideoSrc);

% Select the region of

interest pada gambar camera

asli

OutIm = Im(roi(2):end,

roi(1):end, :);

YCbCr =

step(hColorConv, OutIm);

CbCr =

complex(YCbCr(:,:,2),

YCbCr(:,:,3));

% seleksi data pertama

pada area background

if firsttime

firsttime = false;

BkgY =

YCbCr(:,:,1);

BkgCbCr = CbCr;

end

. . . .

Objek yang

di anggap bergerak

Batas area

yang menjadi

daerah deteksi

objek bergerak



80


Objek Yang Dianggap Bergerak

Berikut ini merupakan hasil pengujian

terhadap objek yang dianggap bergerak oleh

sistem deteksi objek dan akan diberikan tanda

berupa kotak berwana merah.

GAMBAR 6.8 OBJEK YANG DIANGGAP

BERGERAK

Objek tersebut akan dianggap objek

bergerak karena adanya pergerakan dari objek

tersebut, baik pergerakan karena perubahann dari

intensitas cahaya maupun terhadap perubahan

lainnya.

Area Threshold Deteksi Objek Bergerak

Bagian ini merupakan batas area deteksi

objek bergerak yang akan men-tracking objek

yang bergerak selama objek tersebut berada dalam

daerah deteksi tersebut dalam tampilan treshold.

GAMBAR 6.9 GAMBAR OBJEK BERGERAK

TERDETEKSI DENGAN MODE THRESHOLD


5.1. KESIMPULAN

Berdasarkan penelitian yang dilakukan

oleh Penulis maka dapat disimpulkan bahwa.

a. Algoritma Kalman Filter dan Teknik ROI

(Region Of Interest) ini dapat

diimplementasikan sebagai teknik dalam

pendeteksian objek bergerak yang terdapat

dalam sebuah video, namun dalam

pendekteksian dengan menggunakan

algoritma dan tekni tersebut masih terdapat

noise yang disebabkan oleh beberapa

faktor, diantaranya.

1. Intensitas cahaya

Intensitas cahaya dapat

berpengaruh terhadap sistem deteksi

objek ini sehingga bila ada perubahan

intensitas cahaya maka akan dianggap

sebagai pergerakan dari objek tersebut.

2. Posisi Kamera

Posisi kamera yang tidak stabil

atau bergerak – gerak dapat

menimbulkan noise.

b. Dengan menggunakan teknik ROI (Region

Of Interest) dan algoritma Kalman Filter

ini dapat memberikan tanda atau mark

pada objek bergerak yang terdeteksi dalam

jangkauan tangkap kamera.

5.2. SARAN

Berdasarkan sistem deteksi objek yang

Penulis bangun, maka untuk perkembangan dan

perbaikan sistem deteksi objek bergerak

selanjutnya Penulis memberikan saran yang

mungkin dapat menyempurnakan sistem deteksi

objek tersebut, diantaranya.

1. Ditambahkan spesifikasi khusus terhadap

objek – objek yang bergerak sehingga dapat

di definisikan kedalam objek tertentu.

2. Ditambahkan fitur recognize dalam sistem

deteksi objek bergerak ini sehingga objek

yang terdeteksi dapat dikenali dan

menampilkan data detail dari objek

tersebut.

VI. DAFTAR PUSTAKA

[

[1]

Lukman. (2014, May) Kajian Seputar Kampus Ipb..

https://kaskusbemkmipb.wordpress.com/2014/06/25/op

timalisasi-sistem-keamanan-demi-meningkatkan-

Objek

bergerak

yang di

tracking



81


kesejahteraan-kampus/ [Diakses: 31 Januari 2015,

pukul 20.08 WIB]

[

[2]

Jihan Faruq Bamukrah. (2010, May) Pengertian

Pengolahan CItra. [Diakses: 31 Januari 2015, pukul

20.11 WIB].

http://jihanfaruqbamukrah.blogspot.com/2010/05/penge

rtian-pengolahan-citra-image.html

[

[3]

M. Zen Samsono Hadi, Moh. Hasbi Assidiqi Ossi Aini,

"Analisis Penggunaan Filter Pada Sistem Pengenalan

Plat Nomor Menggunakan Phase Only Correlation," p.

1.

[

[4]

Aniati Murni, Pengantar Pengolahan Citra. Jakarta,

Inonesia: Elex Media Komputindo, 1992.

[

[5]

Iqbal Saputra F14051886, "Pengembangan Sensor

Warna Daun untuk Pemetaan kepadatan Serangan

Gulma pada Lahan Terbuka," Iqbal Saputra, p. 11,

2011.

[

[6]

Agus Harjoko Hadi Santoso, "Haar Cascade Classifier

Dan Algoritma Adaboost Untuk Deteksi Banyak Wajah

Dalam Ruang Kelas," Jurnal Teknologi, vol. VI, no. 2,

pp. 108-115, December 2013.

[

[7]

-. (2010, Juni) Makalah Citra. [Diakses: 31 Januari

2015, pukul 20.20 WIB].

http://webcache.googleusercontent.com/search?q=cach

e:nuf89g4POeUJ:https://komputernrecipe.files.wordpre

ss.com/2010/06/makalah-

citra.doc+&cd=6&hl=en&ct=clnk

[

[8]

Rafdimilzano. (2011, Nopember) Edge Detection.

[Diakses: 31 Januari 2015, pukul 20.25 WIB].

https://rafdimilzano.wordpress.com/2011/11/11/edge-

detection/

[

[9]

Angga Tri Hendratno. (2009, Desember)Deteksi Tepi

Suatu Citra Atau Gambar. [Diakses: 31 Januari 2015,

pukul 20.08 WIB].

https://joyhomework.wordpress.com/2009/12/04/deteks

i-tepi-suatu-citra-atau-gambar/

[

[10]

Aceng Sambas. (2013, July)Implementasi Region Of

Interest. [Diakses: 31 Januari 2015, pukul 20.35 WIB].

http://komputasirobotic.blogspot.com/2013/07/impleme

ntasi-region-of-interest-roi.html

[

[11]

Derry Alamsyah, "Sistem Pelacakan Ujung - Ujung Jari

Untuk Interaksi Antara Manusia dan komputer Serta

Untuk Membantu Penangkapan Gerak Jemari Tangan

Guna Pembuatan Animasi 3D," Thesis, vol. I, no. 1, pp.

11-13, 2012.

[

[12]

Dhani Taqim. (2012, Desember) Metode Deteksi Tepi

pada Citra dalam Matlab. [Diakses: 31 Januari 2015,

pukul 20.10 WIB].

http://ngawurski.blogspot.com/2012/12/metode-

deteksi-tepi-pada-citra-dalam.html

[

[13]

Prof. Anil R. Karwankar Bhavana C. Bendale, "Moving

Object Tracking in Video Using MATLAB,"

International Journal of Electronics, Communication &

Soft Computing Science and Engineering, vol. II, no. 1,

pp. 5-8.

[

[14]

Wiwien Hadikurniawati dan Zuli Budiarso Eka

Ardhianto, "Implementasi Metode Image Subtracting

dan Metode Regionprops untuk Mendeteksi Jumlah

Objek Berwarna RGB pada File Video," Jurnal

Teknologi Informasi DINAMIK, vol. 18, no. 2, pp. 91-

100, July 2013.

[

[15]

Pratibha Singh Shubham Srivastava, "Real-Time

Object Tracking Using Colour Feature," International

Journal of Innovative Technology and Exploring

Engineering (IJITEE), vol. III, no. 8, pp. 56-57, january

2014.

[

[16]

Didha Dewannanta, Tujuan, Riisiiko dan Ancaman

pada, 1st ed. Jakarta, DKI Jakarta: Ilmu Komputer,

2009.

[

[17]

M. Dwisnanto Putro, "Sistem Deteksi Wajah dengan

Menggunakan Metode Viola-Jones," Seminar Nasional

“Science, Engineering and Technology”, p. 1, 2012.

[

[18]

Teguh Bharata Adji, Bondhan Winduratna M.

Dwisnanto Putro, "Sistem Deteksi Wajah dengan

Menggunakan Metode Viola-Jones," Seminar Nasional

“Science, Engineering and Technology”, pp. TIF09-1,

2012.



82


MOBILE LEARNING SUPPORT SYSTEM VPL-SCM BASE ON

ANDROID

ABSTRACT

Mobile learning is a learning model that utilizes

information and communication technology. In the

concept of learning, mobile learning brings the

benefits of the availability of teaching materials that

can be accessed at any time and interesting material

visualization. Mobile learning application is the

development of e-learning system that already exist is

e learning based moodle. In the development stage,

Object-based design using UML and implemented

with Android-Based Programming. This mobile

application is able to optimize existing e-learning.

Keywords— mobile, learning, support system,

android, VPL-SCM I.

I INTRODUCTION

The development of smartphones and tablet PCs

based on android is so amazing, it is evident that

almost all smartphone vendors are already producing

android based smartphones. The enthusiasm of

vendors to produce android smartphone is android is

os open mobile platform because android itself is the

operating system for linux-based mobile devices that

covers the middleware operating system and

application.

One of the benefits of android in the world of

education is as a medium of information, either for

students or lecturers. Android users in the world of

education is an example of mobile learning (m-

learning). Utilization of the android has the efficiency

of time and speed penyampain desired information.

Not limited by time and scope of campus only.

With the m-learning the students will gain

insight and knowledge not only come to campus, but

also can access internet from home and place that

provides internet service. M-learning application

itself includes some features that become

standardization in the learning process such as

distribution of materials, discussion forums or

assignments that can be done by lecturers and

students.

Problem Formulation

The problems that exist today are as follows:

1. User interface contained in e-learning is

currently less flexible when accessed using

mobile devices.

2. There is not yet an android based application

about m-learning.

Purposes

The goal to be achieved, namely:

1. Maximize mobile devices on the user

interface contained in e-learning today.

2. Maximize mobile devices on the user

interface contained in e-learning today. and

can support activities between lecturers and

students in learning.

Adityo Suma Pratama

Department of Informatics

Engineering

Polytechnic Pos Indonesia

Bandung, Indonesia

[email protected]

Ari Purno Wahyu


Engineering

Widyatama University

Bandung, Indonesia

[email protected]

Azizah Zakiah


Engineering

Widyatama University

Bandung, Indonesia

[email protected]



83


I. STUDY OF LITERATURE

A. Android

. Understanding Android is a Linux-based operating

system that is used as a manager of hardware

resources, both for mobile phones, smartphones and

tablet PCs. In general, Android is an open platform

for developers to create their own applications for

use by mobile devices. The first phone to use the

Android operating system is the HTC Dream, which

was released on October 22, 2008. At the end of the

year 2009 is estimated in the world at least there are

18 types of mobile phones that use Android

(Siswoutomo, 2006).

B. Mobile Learning

Mobile learning is defined by Clark Quinn

[Quinn 2000] as: The intersection of mobile

computing and e-learning: accessible resources

wherever you are, strong search capabilities, rich

interaction, powerful support for effective learning,

and performance-based assessment. ELearning

independent of location in time or space.

The term mobile learning (m-Learning) refers to

the use of mobile and mobile information devices

(PD) devices, such as PDAs, mobile phones, laptops

and tablet PCs, in teaching and learning. Mobile

Learning (m-Learning) is part of electronic learning

(e-Learning) so that, by itself, is also part of distance

learning (d-Learning) (Sukarno, 2006).

Based on these definitions, mobile learning

is a learning model that utilizes information and

communication technology. In the concept of

learning mobile learning brings the benefits of the

availability of teaching materials that can be accessed

at any time and the visualization of interesting

material. It is important to note that not every

teaching material is suitable for mobile learning.

C. UML

According to Nugroho (2010: 6), UML (Unified

Modeling Language) is the 'language' modeling for

systems or software that are 'object-oriented'

paradigm.

Modeling is actually used for simplifying complex

issues in such a way that it is easier to learn and

understand. the collaboration between Booch, OMT

(Object Modeling Technique) and OOSE (Object

Oriented Software Enggeringering) methods and

other methods is the most commonly used

methodology for system analysis and design with

object-oriented methodologies to adapt the use of

"programming language" object-oriented "(OOP)

(Suardika, 2012).

D. Moodle

Moodle allows students to enter digital

classrooms, where teaching and learning activities

can be done. Teaching and learning activities can be

a material discussion, giving quis, exam and so forth.

To be able to use moodle, an educational institution

or individual must understand the tools or tools

needed to build a system with learning. Tools used

not only from the software side but also the hardware

needed.

Excess Moodle is a network system and its

security can be set itself, Access space that can be

limited in accordance with the network created,

learning system that can be tailored to the needs

(because it is Open source), a complete feature for a

distance learning process (Rumimpunu, 2015).

E. VPL-SCM

Virtual Programming Laboratory (VPL) is a

web-based laboratory that can be used to perform

programming practices, to support the practical

learning process (Zakiah, 2017) (Zakiah, 2011)

(Zakiah, 2016). While Source Code Managament

(SCM) is a web-based source code repository

(Zakiah, 2016).

II. RESULT

A. Analysis.

System analysis is the decomposition of a

complete information system into its component parts

with a view to identifying and evaluating the

problems, opportunities, constraints and expected

needs, so that proposals can be proposed.

The current system is as follows:



84


Flowap yang sedang berjalan

DosenAdmin

Phas

e

Start

Login

Pendaftaran

Lihat Daftar Nilai

Login

Username dan Password dosen

Username dan Password dosen

Halaman Utama

Buat Materi

Logout

Membuat Kuis

Upload materi

Pilih Menu

Pilih Menu

End

Ya

Tidak

Tidak

Ya

Figure 1. Current system is running.

The system to be built is illustrated below using

the use case diagram.

System

Dosen

Buat Materi

Upload Materi

Upload tugas

Buat kuis

Lihat Nilai

Login

<<include>>

<<include>>

<<include>>

<<include>>

<<include>>

Figure 2. Diagram Use Case

B. Design

User function scenarios

This function is used for permissions to

lecturers who will use the system by entering a

username and password. In this login function

scenario created for lecturers login function that can

be created for authentication level function is:

Tabel 1. Table Use Case Use Case Scenario

Identification

Name Create Matter

Aim Displaying Material Page

Description

Actor Lecturer

Main Scenario

Initial Condition Log in form

Action Actors System Reaction

1. Lecturer

Login

2. Go to the main

page

3. Displays

material

menu

4. Displays the

material page

Final Condition Displays material page

Tabel 2.Tabel Skenario Use Case Upload

Materi

Identification

Name Upload Content

Aim Displaying Material Page

Description

Actor Lecturer

Main Scenario



1. Lecturer Login 2. Go to the main page

3. Display the

quiz menu

4. Displays the quiz

page

Final Condition Displays material page



85



Materi

Identification

Name Name

Aim Aim

Description

Actor Lecturer

Main Scenario

Initial Condition Initial Condition


1. Lecturer

Login

2. Lecturer Login

3. Display the

quiz menu

4. Display the quiz

menu

Final Condition Final Condition


Tugas

Identification

Name Upload Tasks

Aim Menampilkan Halaman Tugas

Description

Actor Lecturer

Main Scenario




3. Displays material

menu

4. Displays the task

page

Final Condition Displays the task

page

Tabel 5. Table Scenario Use Case Quiz

Identification

Name Make the quiz

Aim Displaying Quiz Page

Description

Actor Lecturer

Main Scenario


Action Actors System

Reaction

1. Lecturer Login 2. Go to the main

page

3. Displays material menu 4. Displays the

material page

Final Condition Displays the

material page



86


Tabel 6.Tabel Skenario Use Case Nilai

Identification

Name View Grade List

Aim Displaying Grade Page

Description

Actor Lecturer

Main Scenario




3. Display the Grade

menu

4. Displaying Grade

Page

Final Condition Displaying Grade

Page

Class Diagram of Mobile Learning is as

follows:

Halaman Utama

+Form Materi+Form Tugas+Form Kuis+Form Nilai

+Pilih Menu()

Login

+Username+Password

+Input Username()+Input Password()+Validasi Database()

Form Materi

+Matakuliah+Pertemuan+Sub bab

+Buat materi()+pilih matakuliah()+pilih bab()+tampil data()+Upload Materi()

Form Tugas

+Matakuliah

+pilih matakuliah()+Upload Tugas()

Form Nilai

+Matakuliah+Kelas

+pilih matakuliah()+pilih kelas()+View Nilai()

Koneksi

+Database+Username+Password

Form Kuis

+Mulai Kuis+Selesai Kuis

+Buat Kuis()+mulai kuis()+selesai kuis()+upload kuis()

Figure 3. Class Diagram

C. Implementations

User Interface for Login

Figure 4. User Interface Login

User Interface Lecturer Home Page

Figure 5. User Interface Lecturer Home Page



87


User Interface Upload Materi

Figure 6. User Interface Upload Materi

III. CONCLUSION

Based on the results of design and

implementation of mobile learning applications can

be summarized as follows:

1. Mobile learning application is able to

optimize e-learning that exist today.

2. Android-based mobile learning applications

can support activities between lecturers and

students in learning.

IV. ACKNOWLEDGMENT

Thanks to Ristek Dikti who has funded this

research. Thanks also to LP2M Widyatama

University.

V. REFERENCES

[1]. Zakiah, A., 2011. Perancangan dan

Implementasi Laboratorium Virtual untuk

Pemrograman C. Bandung: Thesis, ITB.

[2]. Zakiah, A., 2016. Collaborative Learning Of

Software Engineering Using Github for

Informatics Student. Jakarta, UIN.

[3]. Zakiah, A., 2016. Smart Laboratorium.

Informatics Research Development, pp. 65-

70.

[4]. Rumimpunu, G. A. (2015). Aplikasi Mobil

Android.

[5]. Siswoutomo, W. (2006). Kiat Jitu

MendesainUser Interface Software. .

Jakarta:: PT Elex Media Komputindo.

[6]. Suardika, E. T. (2012). Step By Step UML

Diagram. yogyakarta: CV.ANDI OFFSET.

Retrieved from Step By Step DesainProyek

Menggunakan UML.

[7]. Sukarno, M. (2006). Membangun Website

Dinamis Interaktif dengan PHP MySQL. .

Jakarta:: Gramedia .



88


jurnal masyarakat informatika indonesia vol 2 no 1 2017/jmiivol2no32017.pdf · jurnal masyarakat...

Documents