perancangan dan implementasi sistem informasi pendukung

2

1. Pendahuluan CV. Solution Center merupakan perusahaan yang bergerak dibidang

pengadaan barang dan jasa distributor multi bidang. Dalam pengambilan

keputusan penentuan order seringkali tidak didasari parameter yang jelas. Hal ini

bias dipahami karena perusahaan tersebut masih berskala kecil menengah.

Paramater yang sering menjadi masalah adalah harga konsumen, sumber dana

konsumen, sistem pembayaran, harga produsen, biaya transportasi konsumen,

biaya transportasi produsen dan kepercayaan terhadap konsumen. Padahal kalau

ditelaah lebih dalam, beberapa parameter tersebut merupakan aspek vital untuk

mengetahui risk and reward dalam menentukan kelayakan order. Berdasarkan

permasalahan tersebut, diperlukan adanya sebuah sistem pendukung keputusan

yang dapat membantu dan mendukung dalam pengambilan keputusan. Sehingga

bisa dijadikan pertimbangan owner untuk menetapkan dan memutuskan kelayakan

order.

Sistem Pendukung Keputusan merupakan sistem informasi interaktif yang

menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem ini

digunakan untuk membantu pengambilan keputusan dalam situasi yang semi

terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara

pasti bagaimana keputusan seharusnya dibuat (Turban, 2005) [9]. Tahap-tahap

sistem pendukung keputusan meliputi: tahap pemahaman (inteligence phace),

tahap perancangan (Design Phace), tahap pemilihan (choice phace), tahap

implementasi (implementation phace). Pada tahap perancangan, data mining-nya

menggunakan teknik klasifikasi, karena dalam kasus ini dibutuhkan suatu model

untuk menggambarkan class atau konsep dari suatu data berupa parameter

keputusan. Proses pengklasifikasian bertujuan untuk mendeskripsikan data yang

penting serta dapat meramalkan kecenderungan data pada masa depan. Salah satu

algoritma yang mengimplementasikan klasifikasi yaitu algoritma ID3 (Iterative

Dichotomocer 3).

Melalui tahap-tahap sistem pendukung keputusan di atas dapat dihasilkan

sebuah perancangan dan implementasi sistem informasi pendukung keputusan

pengadaan barang dan jasa. Dengan demikian, sistem informasi ini diharapkan

dapat membantu pihak manajer perusahaan untuk memprediksi kelayakan order

pengadaan barang dan jasa pada CV. Solution Center.

2. Tinjauan Pustaka Sebagai bahan pertimbangan, akan disertakan beberapa hasil penelitian

terdahulu yang berkaitan dengan penelitian ini. Wahyudin (2009) “Metode

Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa

Baru”. Penelitian ini bertujuan untuk pengambilan keputusan dalam hal

penerimaan mahasiswa baru. Hasil penelitian ini akan memperlihatkan pemakaian

pohon keputusan untuk memudahkan pengambilan keputusan penerimaan

mahasiswa baru dalam suatu universitas [6]. Indrawaty (2012) “Pengembangan

Sistem Pendukung Keputusan Penerimaan Karyawan Menggunakan Metoda

Pohon Keputusan ID3”. Penelitian ini bertujuan membuat aplikasi berupa sistem

pendukung keputusan penerimaan karyawan menggunakan pohon keputusan ID3

untuk menghasilkan suatu pohon keputusan berupa aturan yang dapat digunakan

3

sebagai pendukung dalam proses penyeleksian calon karyawan. Berdasarkan hasil

pengujian, Metode Pohon Keputusan ID3 pada Sistem Pendukung Keputusan

Penerimaan Karyawan dapat disimpulkan bahwa pohon Keputusan ID3 dapat

digunakan sebagai pendukung dalam proses penyeleksian calon karyawan dan

pohon Keputusan ID3 tersebut sangat dipengaruhi oleh pengelompokan dan

pengambilan sampel-sampel data dari populasi data seluruhnya [7]. Dyah (2009)

“Sistem Pendukung Keputusan Perencanaan Strategis Kinerja Instansi Pemerintah

Menggunakan Metode AHP (Studi Kasus Di Deperindag)”. Penelitian ini

bertujuan untuk membantu menentukan perencanaan strategis bagi peningkatan

kualitas kinerja Departemen Perindustrian dan Perdagangan. Dari penelitian ini

dihasilkan aplikasi yang dapat membantu pihak pimpinan dalam menentukan

keputusan dalam perencanaan strategisberdasar pada skala prioritas dengan

metode AHP [8].

Dari beberapa penelitian terdahulu yang telah disebutkan, ada persamaan

dan perbedaan dengan penelitian ini. Persamaannya antara penelitan terdahulu

dengan penelitian ini adalah membahas tentang sistem pendukung keputusan.

Sedangkan perbedaannya, terletak pada aplikasi penggunaannya. Jika penelitian

terdahulu aplikasinya digunakan untuk penyeleksian penerimaan mahasiswa baru,

pendukung keputusan penerimaan karyawan dan pendukung keputusan

perencanaan strategis kinerja instansi, maka pada penelitian ini disertai dengan

pembuatan aplikasi yang digunakan untuk pendukung pengambilan keputusan

dalam menetapkan order pada perusahaan pengadaan barang dan jasa. Lebih

jelasnya, aplikasi ini menghasilkan suatu aturan pengambilan keputusan dalam

bentuk pohon keputusan.

Menurut Mulyanto (2009:213) sistem pendukung keputusan atau DSS

(Decision Suport System) merupakan salah satu jenis sistem aplikasi yang sangat

terkenal di kalangan manajemen organisasi. DSS dirancang untuk membantu

manajemen dalam proses pengambilan keputusan. DSS dibuat untuk

meningkatkan proses dan kualitas hasil pengambilan keputusan. DSS memadukan

data dan pengetahuan untuk meningkatkan efektivitas dan efisiensi dalam proses

pengambilan keputusan tersebut (Turban, 1995) [1].

Herbert A. Simon menyebutkan ada empat tahap yang harus dilalui dalam

proses pengambilan keputusan yaitu tahap pemahaman (Inteligence Phace), tahap

perancangan (Design Phace), tahap pemilihan (Choice Phace), tahap

implementasi (Implementation Phace). Tahap pemahaman merupakan proses

penelusuran dan pencarian informasi dari lingkup problematika serta proses

pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka

mengidentifikasikan masalah. Tahap perancangan merupakan proses

pengembangan dan pencarian alternatif tindakan atau solusi yang dapat diambil.

Tahap ini merupakan representasi kejadian nyata yang disederhanakan, sehingga

diperlukan proses validasi dan vertifikasi untuk mengetahui keakuratan model

dalam meneliti masalah yang ada. Pada tahap pemilihan dilakukan pemilihan

terhadap diantara berbagai alternatif solusi yang dimunculkan pada tahap

perencanaan agar ditentukan dengan memperhatikan kriteria – kriteria

berdasarkan tujuan yang akan dicapai. Tahap implementasi dilakukan penerapan

terhadap rancangan sistem yang telah dibuat pada tahap perancanagan serta

4

pelaksanaan alternatif tindakan yang telah dipilih pada tahap pemilihan

(Kadarsah, 2002:15-16 ) [4]

Pohon keputusan merupakan salah satu metode klasifikasi yang sangat

menarik yang melibatkan konstruksi pohon keputusan yang terdiri dari node

keputusan yang di hubungkan dengan cabang-cabang dari simpul akar sampai ke

node daun (akhir). Pada node keputusan attribut akan diuji, dan setiap hasil akan

menghasilkan cabang. Setiap cabang akan diarahkan ke node lain atau ke node

akhir untuk menghasilkan suatu keputusan (Larose, 2005) [12].

Algoritma ID3 membentuk pohon keputusan dengan cara pembagian dan

menguasai sampel secara rekursif dari atas ke bawah. Algoritma ID3 dimulai

dengan semua data yang ada sebagai akar dari pohon keputusan, sebuah atribut

yang dipilih akan menjadi pembagi dari sampel tersebut. Untuk setiap atribut dari

cabang yang telah dibentuk, semua sampel yang memiliki nilai yang sama dengan

atribut cabang akan masuk dalam anggotanya dan dinamakan anak cabang

(Nugroho, 2007) [13].

Adapun data sample yang digunakan oleh ID3 memiliki beberapa syarat,

yaitu:

1. Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap

contoh dan memiliki jumlah nilai yang sudah ditentukan.

2. Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus

sudah didefinisikan, karena mereka tidak dipelajari oleh ID3.

3. Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas

yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif,

misalnya saja metal dikategorikan menjadi “hard, quite hard, flexible,

soft, dan quite soft”.

4. Jumlah contoh (example) yang cukup. Karena pembangkitan induktif

digunakan, maka dibutuhkan test case yang cukup untuk membedakan

pola yang valid dari peluang suatu kejadian.

5. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang

disebut dengan information gain. Gain mengukur seberapa baik suatu

atribut memisahkan training example ke dalam kelas target. Atribut

dengan informasi tertinggi akan dipilih. Dengan tujuan untuk

mendefinisikan gain, pertama-tama digunakanlah ide dari teori

informasi yang disebut entropi. Entropi mengukur jumlah dari informasi

yang ada pada atribut.

Wahyudin (2009:6) menyatakan bahwa sebuah obyek yang diklasifikasikan

dalam pohon harus dites nilai entropinya [6]. Entropy adalah ukuran dari teori

informasi yang dapat mengetahui karakteristik dari impuryt ,dan homogenity dari

kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai information

gain (IG) masing-masing atribut.

Entropy(S) = - p+ log2p + -p -log2p-

dimana :

a. S adalah ruang (data) sample yang digunakan untuk training.

b. P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk

kriteria tertentu.

5

c. P- adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample

untuk kriteria tertentu.

Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S)

adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu

kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa

dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil

nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas.

Panjang kode untuk menyatakan informasi secara optimal adalah –log2p

bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang

diperkirakan untuk mengekstraksi S ke dalam kelas adalah

-p+log2 p+ - p- log2 p-

Catatan :

- Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama

- Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S

adalah sama

- 0 < Entropy(S) < 1, jika jumlah contoh positif dan jumlah contoh negatif dalam

S tidak sama

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat

mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran

efektifitas ini disebut information gain. Secara matematis, infomation gain dari

suatu atribut A,dituliskan sebagai berikut :

Gain(S,A) = Entropy(S) – ∑vE Value (A) |𝑆𝑣|

𝑆 Entropy(Sv) dimana :

a. A : atribut

b. V : suatu nilai yang mungkin untuk atribut A

c. Values (A) : himpunan yang mungkin untuk atribut A

d. |Sv| : jumlah sampel untuk nilai v

e. |S| : jumlah seluruh sampel data

f. Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v

Pengaruh teknologi komputer terhadap organisasi dan masyarakat terus

meningkat saat teknologi baru berkembang, dan teknologi saat ini makin luas.

Makin banyaknya aspek aktivitas organisasional ditandai dengan interaksi dan

kerjasama antara manusia dan mesin. Dari pemakaian tradisional dalam

penggajian dan fungsi tata buku, sistem komputerisasi saat ini memasuki berbagai

area manajerial yang kompleks, mulai dari desain dan manajemen pabrik

terotomatisasi, aplikasi metode kecerdasan tiruan, dan evaluasi terhadap usulan

merger dan akuisisi (Turban, Efraim, 2005:12) [9].

3. Metode Penelitian Metode penelitian yang digunakan dalam pembuatan sistem pendukung

keputusan ini adalah model prototype. Model prototype adalah suatu teknik

mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi

pengguna sacara cepat. Dengan menggunakan metode prototype ini pengembang

dan pelanggan dapat saling berinteraksi selama pembuatan sistem.

6

Gambar 1. Metode Prototype (Sommerville,2001)

Pada tahap listen to customer , pengguna dan pengembang bersama-sama

saling berkomunikasi untuk mengindentifikasikan kebutuhan sistem yang dapat

membantu pihak manajer dalam menentukan order pengadaan barang dan jasa.

Hasil dari tahap ini adalah berupa solusi konsep perancangan dan implementasi

sistem informasi pendukung keputusan barang dan jasa dengan menggunakan

algoritma ID3.

Tahapan prototype selanjutnya adalah melakukan perancangan secara cepat

dan sederhana yang akan dijadikan sebagai dasar pembuatan prototype

(build/revise mock-up). Perancangan dilakukan cepat dan rancangan mewakili

semua aspek sistem yang diketahui, dan rancangan ini menjadi dasar pembuatan

prototype. Hasil dari tahap ini adalah berupa gambaran perancangan sistem

informasi pendukung keputusan barang dan jasa dalam bentuk UML beserta

sampel aplikasi.

Gambar 2. Use Case Diagram Sistem pendukung Keputusan Barang dan Jasa

Insert Parameter Data

(from Use-Case Model)

Load Parameter Data


Update Parameter Data


Delete Parameter Data


View Parameter Data

ID3 ProcessManajer

(f rom Actors)

<<include>>

7

Pada gambar use case diagram sistem pendukung keputusan barang dan

jasa terdapat satu aktor yaitu manajer. Manajer dapat melakukan berbagai

aktivitas dalam sistem yaitu view parameter data, delete parameter data, update

parameter data, insert parameter data dan ID3 proccess. Untuk dapat melakukan

aktivitas ID3 proccess, manajer harus melakukan aktivitas load parameter data

terlebih dahulu, karena relasi keduanya adalah <<include>>, yaitu kelakuan yang

harus terpenuhi agar sebuah event dapat terjadi, dimana pada kondisi ini sebuah

use case adalah bagian dari use case lainnya.

Tahapan terakhir dari prototype adalah customer test-drives. Tahap ini

merupakan tahap pengujian sederhana yang dilakukan pengembang dengan

pengguna. Pengembang melakukan evaluasi terhadap penilaian pengguna tentang

prototype yang telah dibuat, bila pengguna menginginkan perubahaan maka,

pengembang akan merubah bagian mana saja yang akan diubah. Terdapat

berberapa perubahaan dan update yang dilakukan sesuai dengan perubahan yang

terjadi pada aplikasi. Versi dari awal hingga pada implementasi akhir terdapat tiga

versi update. Perubahan menu dan penambahan menu yang tepat menjadi masalah

pada perancangan prototype aplikasi.

Tabel 1. Tabel Update Versi Aplikasi

4. Hasil dan Pembahasan Setelah melihat hasil dari pembangunan prototype yang dirancang, maka

dari hasil perancangan tersebut kemudian diimplementasikan menjadi aplikasi

Sistem Informasi Pendukung Keputusan Pengadaan Barang dan Jasa

menggunakan algoritma Iterative Dichotomiser 3.

Versi

Tanggal

Update

Versi

01.2013

23 September 2011

Menambah, mengubah,

menghapus data parameter.

Menampilkan dan mengedit

tampilan tree view.

Versi

02.2013

06 November 2013

Memperbaiki eror yang terjadi

saat perhitungan proses

keputusan.

Versi

03.2014

04 Februari 2014

Memperbaiki tampilan pada

interface.

8

Perancangan dan implementasi Sistem Pendukung Keputusan Pengadaan

Barang dan Jasa menggunakan metode Iterative Dichotomiser 3 pada CV.

Solution Center menggunakan Microsoft Visual Studio 2010 dengan bahasa

pemrograman Visual Basic dan Microsoft Access sebagai media penyimpanan

data (database). Adapun spesifikasi yang digunakan untuk menjalankan aplikasi

ini adalah sebagai berikut :

Berikut merupakan spesifikasi minimal kebutuhan perangkat lunak sistem

terdiri dari:

a. Sistem Operasi Windows XP Service Pack 3 (SP3)

b. Microsoft Access 2007 + AccessDatabaseEngine.exe

c. Net Framework 4.0

Sementara itu spesifikasi minimal Kebutuhan sistem perangkat keras adalah

sebagai berikut:

a. Komputer dengan processor Pentium Core 2 Duo 2,20 Ghz

b. Ram 2GB

c. Monitor dengan resolusi minimal 1024 x 768 pixel

d. Standart keyboard dan optical mouse

Tampilan awal pada aplikasi yang dirancang dapat dilihat pada Gambar 3

Gambar 3. Form Utama

Pada form utama ini, manager dapat melakukan proses perhitungan

keutusan dengan syarat harus menampilkan data parameter terlebih dahulu. Untuk

menampilkan data parameter, manager dapat menekan tombol file kemudian load

data parameter pada tab sebelah kiri bagian atas. Setelah menampilkan data

parameter, tampilan form akan tampak seperti gambar 4. Berikut ini adalah kode

program untuk load data parameter.

9

Kode Program 1. load data parameter

Gambar 4. Load data parameter

Setelah menampilkan data paremeter, manager dapat menekan tombol

proses untuk melakukan proses perhitungan keputusan. Manajer juga dapat

menekan tombol lihat informasi gain untuk melihat hasil gain masing-masing

parameter. Hasil dari proses keputusan akan ditampilkan pada gambar 5.

Private Sub Form_Utama_Load(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles MyBase.Load

dtku = c.getAll("SELECT * FROM TableParameter")

End Sub

Private Sub Panggildata(ByVal data As DataTable)

DataGridParameter.DataSource = data

End Sub

Private Sub ToolStripMenuItem1_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles ToolStripMenuItem1.Click

Call Panggildata(dtku)

Open_btn.Enabled = True

End Sub

10

Gambar 5. Tampilan hasil dari proses keputusan

Terlihat pada gambar 5, form telah menunjukkan informasi berupa pohon

keputusan pada bagian layar sebelah kanan. Pada bagian Informasi Gain juga

telah ditampilkan nilai entropi dan nilai gain masing-masing parameter. Pada

pohon keputusan, jika atribut parameter berwarna merah menandakan keputusan

ditolak, jika atribut parameter berwarna biru menandakan keputusan diterima, dan

jika berwarna hitam maka proses perhitungan keputusan masih berlanjut. Untuk

melanjutkan proses perhitungan keputusan, manager dapat mengeklik atribut

keputusan yang berwara hitam pada pohon keputusan. Hasilnya dapat dilihat pada

gambar 6.

Gambar 6. Tampilan hasil dari proses keputusan

11

Kode Program 2. Koding Hitung Entropi

Kode Program 2 adalah kode program untuk menghitung entropi dimana

kode program ini digunakan untuk menghitung entropi dari masing-masing

parameter yang nantinya digunakan untuk menghitung gain parameter.

Kode Program 3. Koding Hitung Gain

Kode Program 3 adalah kode program untuk menghitung gain dimana kode

program ini digunakan untuk menghitung gain dari masing-masing parameter.

Gain terbesar dari parameter-parameter yang ada akan digunakan sebagai simpul

root pada pohon keputusan. Kode program pohon keputusan dapat dilihat pada

kode program 4.

Public Function HitungEntrophy(ByVal t_positif As Double, ByVal t_negatif As Double) As Double

If t_positif = 0 Or t_negatif = 0 Then Return 0

Dim logdua As Double, jum1 As Double, jum2 As Double, hasil As Double

logdua = Math.Log10(2)

jum1 = t_negatif / (t_negatif + t_positif)

jum2 = t_positif / (t_negatif + t_positif)

hasil = -(jum1) * (Math.Log10(jum1) / logdua) + (-(jum2)) *

(Math.Log10(jum2) / logdua)

Return hasil 'veriabel hasil yg akan dikembalikan ke button

End Function

Public Function hitung_gain (ByVal entropi As Double, ByVal pos1 As Double,

ByVal neg1 As Double, ByVal pos2 As Double, ByVal neg2 As Double, ByVal

param1 As Double, ByVal param2 As Double) As Double

Dim total As Double, hg As Double, gparam1 As Double, gparam2 As

Double

total = pos1 + neg1 + pos2 + neg2

gparam1 = ((pos1 + neg1) / total) * param1

gparam2 = ((pos2 + neg2) / total) * param2

hg2 = entropi - gparam1 - gparam2

Return hg

End Function

12

Kode Program 4. Kode program pohon keputusan

Private Sub FillTreeview(ByVal NodeParent As TreeNode, ByVal daftar As

ArrayList)

Try For Each g As GainInfo In daftar

Dim nd As New TreeNode

nd.Text = g.ParameterName

For Each p As ParameterEntrophyInfo In g.ParameterList

Dim child As New TreeNode

If p.IsNeedNextProcess Then

child.Text = p.NilaiParameter

Else

If p.NilaiYa = 0 Then

child.Text = p.NilaiParameter & ---> Ditolak"

child.ForeColor = Color.Red

Else

child.Text = p.NilaiParameter & "---> Diterima"

child.ForeColor = Color.Blue

End If

If p.NilaiYa = 0 And p.NilaiTidak = 0 Then

Dim kep As String = ""

Dim tr As Integer = 0

Dim tl As Integer = 0

If Not dtTemp Is Nothing Then

For Each d As DataRow In dtTemp.Rows

If d.Item("Keputusan").ToString.ToLower = "ditolak" Then

tl += 1

Else

tr += 1

End If

Next

If tr > tl Then

kep = "Diterima"

Else

kep = "Ditolak"

End If

If tr = tl Then kep = "Diterima/ditolak"

end If

child.Text = p.NilaiParameter & "---> " & kep

End If

End If

child.Tag = p

nd.Nodes.Add(child)

Next

NodeParent.Nodes.Add(nd)

NodeParent.Expand()

Next

Catch ex As Exception

Throw ex

End Try

If Me.treeViewResult.Nodes.Count = 0 Then

Me.treeViewResult.Nodes.Add(NodeParent)

Exit Sub

End If

For Each n As TreeNode In Me.treeViewResult.Nodes

If n.Text.ToUpper = NodeParent.Text Then

Me.treeViewResult.Nodes.Remove(n)

Me.treeViewResult.Nodes.Add(NodeParent) '

Exit For

End If

Next

End Sub

13

Jika ingin menambah, menghapus atau memodifikasi data, manager dapat

menekan tombol File kemudian pilih Modify Data Parameter. Tampilannya dapat

dilihat pada gambar 7.

Gambar 7. Form modifikasi data

Terlihat pada Gambar 7. adalah tampilan form modifikasi data. Pada form

ini manager dapat melakukan penambahan, menghapus atau mengedit data

parameter. Jika data parameter telah diubah, dihapus atau ditambah hasilnya akan

mempengaruhi pada proses perhitungan proses keputusan.

Pada pengujian sistem, metode yang digunakan adalah metode BlackBox.

Pengujian BlackBox merupakan metode pengujian yang berfokus pada

persyaratan fungsional perangkat lunak yang yang dibuat. Berikut adalah hasil

pengujian dengan menggunakan BlackBox.

Tabel 2. Tabel Operasi Hitung Proses Keputusan

Operation

ID Kondisi Respon Sistem

Hasil

01

Menekan tombol

proses sebelum

menampilkan data

parameter

Muncul pesan

peringatan untuk

menampilkan data

parameter.

Muncul pesan

peringatan untuk

menampilkan data

parameter.

02

Menekan tombol

load data

parameter.

Menampilkan data

parameter.

Data Parameter

ditampilkan

03

Menekan tombol

proses setelah

menampilkan data

parameter

Menampilkan hasil

perhitungan dan

keputusan keputusan

yang didapat

Hasil perhitungan dan

keputusan akan

ditampilkan

14

Tabel 2 menjelaskan setiap kondisi yang dapat terjadi jika pengguna akan

menghitung proses keputusan.

Tabel 3. Tabel Operasi Penambahan Data

Tabel 3. menjelaskan setiap kondisi yang akan terjadi saat pengguna

melakukan penambahan data.

Tabel 4. Tabel Operasi Penghapusan Data

Operation ID Kondisi Respon Sistem

Hasil

01

Data yang

dimasukkan

lengkap.

Data pada database

bertambah.

Data pada

database

bertambah.

02 Duplicate primary

key.

Menampilkan peringatan

error.

Data pada

database

tidak

bertambah.

03

Sudah mengisi data

pada tabel

Data dalam tabel

bertambah

Data pada

database

belum

bertambah

04

Sudah mengisi data

pada tabel

kemudian disimpan.

Data dalam tabel

bertambah

Data pada

database

bertambah.

Operation ID Kondisi Respon Sistem

Hasil

01

Belum mengklik

data yang akan

dihapus.

Data pada database tidak

dihapus.

Data pada

database

tidak

dihapus.

02

Data yang akan

dihapus sudah

dipilih.

Data dalam tabel

terhapus

Data pada

database

belum

terhapus

03

Data yang akan

dihapus sudah

dipilih kemudian

disimpan.

Data dalam tabel

terhapus

Data pada

database

terhapus

15

Tabel 4 menjelaskan setiap kondisi yang akan terjadi saat pengguna

melakukan penghapusan data.

Tabel 5. Tabel Operasi Pengubahan Data

Tabel 5 menjelaskan setiap kondisi yang akan terjadi saat pengguna

melakukan pengubahan data.

Hasil pengujian BlackBox yang telah dilakukan, menunjukkan bahwa sistem

ini sudah berjalan secara fungsional dan dapat menghasilkan output berupa

keputusan sesuai dengan yang diharapkan. Hasil pengujian sistem dilakukan

untuk memastikan bahwa sistem yang dibangun telah memenuhi uji kriteria

dengan penyesuaian terhadap peraturan yang berlaku dan membuktikan bahwa

setelah sistem diuji.

Pengujian penerimaan pengguna dilakukan dengan metode kuisioner kepada

pengguna sistem. Pengguna adalah manajer dari CV. Solution Center yang

mempunyai wewenang secara langsung dalam pengambilan keputusan pengadaan

barang dan jasa. Berikut ini merupakan tabel pengujian penerimaan pengguna

Operation

ID Kondisi Respon Sistem

Hasil

01 Sudah merubah data

pada table

Data pada tabel

telah berubah

Perubahan Tidak

tersimpan di di

database.

02

Sudah merubah data

pada tabel kemudian

menyimpannya

Data pada tabel

telah berubah

Perubahan tersimpan di

dalam database

16

Tabel 6. Tabel Pengujian Penerimaan Pengguna

Berikut ini adalah rumusan perhhitungan ID3 yang dilakukan secara

manual.

Tabel 7. Tabel Sampel Data Parameter

Id Operasi

Operasi Sistem

Respon pengguna

01 Apakah sudah sesuai dengan

kebutuhan pengguna?

Hasil keputusan sudah sesuai

dengan kebutuhan pengguna.

02

Apakah sistem informasi

pendukung keputusan yang

dirancang dapat diterapkan pada

perusahaan?

Sistem informasi pendukung

keputusan yang dirancang

dapat diterapkan pada

perusahaan

03

Apakah sistem informasi ini

mudah digunakan?

Sistem informasi ini mudah

digunakan karena simpel dan

user friendly

04

Bagaimana tampilan dari sistem

informasi pendukung keputusan

yang dirancang?

Tampilan yang dirancang

sudah cukup baik dan tidak

membingungkan.

05

Apakah sudah melakukan

perhitungan keputusan dengan

baik?

Perhitungan keputusan sudah

baik karena hasil keputusan

dapat divisualisasikan

melalui pohon keputusan

17

Pada sampel data di atas, terdapat sampel 20 (dua puluh) data permintaan

dengan memperhatikan 7 (tujuh) parameter atau atribut penilaian. Kombinasi

sampel data yang lengkap dari data tersebut berjumlah 3 x 2 x 2 x 3 x 3 x 3 x 2 =

648 Kombinasi..

Algoritma ID3 dimulai dari pertanyaan, "atribut mana yang pertama kali

harus dicek dan diletakkan pada root?”, Kemudian dijawab dengan mengevaluasi

semua atribut yang ada menggunakan suatu ukuran statistik yaitu information

gain untuk mengukur efektifitas suatu atribut dalam mengklasifikasian kumpulan

sampel data.

Untuk menghitung information gain, terlebih dahulu harus dipahami suatu

ukuran lain yang disebut dengan entropy. Entropy digunakan sebagai suatu

parameter untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan

sampel data. Nilai entropy semakin besar menunjukkan bahwa kumpulan sampel

data semakin heterogen.

Pencarian Nilai Entropy, Entropy(S) =

c

i 1

- pi log2 pi

Entropy(S) = - p+ log2p+ - p- log2p-

S adalah koleksi dari 20 contoh dengan 10 contoh positif dan 10 contoh

negatif, ditulis dengan notasi [10+,10-]. Positif di sini maksudnya value

Keputusan = Diterima sedangkan negatif maka value Keputusan = Ditolak.

Entropy [10+, 10+] = 1

Gain (S,A) a dalah ukuran dalam mengukur efektifitas suatu atribut dalam

mengklasifikasikan data .

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

||

AValuesv S

Sv Entropy(Sv)

1. Values (Harga_Konsumen) = Mahal, Sedang, Murah

Entropy (SMahal) = 0

Entropy (SSedang ) = 1

Entropy (SMurah) = 0

Gain (S, Harga_Konsumen) = 0.5

2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah

Entropy (SIndependen) = 0.9911

Entropy (SPemerintah) = 0.9940

Gain (S, Sumber_Dana_Konsumen) = 0.0073

3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit

Entropy (STunai) = 0.9940

Entropy (SKredit) = 0.9911

Gain (S, Sistem_Pembayaran_Konsumen) = 0.0073

18

4. Values (Harga_Produsen) = Mahal, Sedang, Murah

Entropy (SMahal) = 0.9852

Entropy (SSedang ) = 0.9911


Gain (S, Harga_Produsen) = 0.0092

5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah



Entropy (SMurah) = 0.9852

Gain (S, Biaya_Transportasi_Konsumen) = 0.0124

6. Values (Biaya_Transportasi_Produsen) = Mahal, Sedang, Murah




Gain (S, Biaya_Transportasi_Produsen) = 0.6979

7. Values (Kepercayaan) = Baik, Kurang Baik

Entropy (SBaik) = 0.9799

Entropy (SKurang Baik) = 0.9544

Gain (S, Kepercayaan) = 0.0303051

Setelah semua atribut diketahui nilai gainnya, maka diketahui atribut dengan

nilai gain terbesar yang mendekati 1 yaitu gain pada atribut

Biaya_Transportasi_Produsen. Dengan begitu atribut

Biaya_Transportasi_Produsen dapat dijadikan sebagai root utama.

Untuk menghitung node di bawahnya, dihitung berdasarkan atribut

Biaya_Transportasi_Produsen pada kategori sedang, karena sampel

Biaya_Transportasi_Produsen sedang, memiliki 2 keputusan diterima, dan 5

keputusan ditolak.

Entropi Biaya_Transportasi_Produsen (Sedang ) [2+, 5+]

= 0.8631

1. Values (Harga_Konsumen) = Mahal, Sedang, Murah

Hitung entropy SMahal , SSedang , SMurah dan Information Gain Untuk

nilai Harga_Konsumen adalah :

Entropy (S) = 0.8631


? Ditolak

Mahal Murah

Biaya_Transportasi_Produsen

Diterima

Sedang

19



Gain (S, Harga_Konsumen) = 0.8631

2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah

Entropy (SIndependen) = 0

Entropy (SPemerintah) = 0.9709

Gain (S, Sumber_Dana_Konsumen) = 0.1696

3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit

Entropy (STunai) = 0.9183

Entropy (SKredit) = 0.8113

Gain (S, Sistem_Pembayaran_Konsumen) = 0.0060

4. Values (Harga_Produsen) = Mahal, Sedang, Murah

Entropy (SMahal) = 0.8113



Gain (S, Harga_Produsen) = 0.0060

5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah




Gain (S, Biaya_Transportasi_Konsumen) = 0.2917

6. Values (Kepercayaan) = Baik, Kurang Baik

Entropy (SBaik) = 0.9709

Entropy (SKurang Baik) = 0

Gain (S, Kepercayaan) = 0.1696

Berdasarkan hasil dari perhitungan entropi berdasarkan atribut

Biaya_Transportasi_Produsen pada kategori sedang, didapat kesimpulan bahwa

node dibawah atribut Biaya_Transportasi_Produsen pada kategori sedang adalah

atribut Harga_Konsumen.

Berdasarkan proses perancangan dan implementasi di atas, dapat diberikan

sebuah pernyataan bahwa sistem pendukung keputusan pengadaan barang dan

Harga_Konsumen

Ditolak

Mahal

Murah

Biaya_Transportasi_Produsen

Diterima

Sedang

Diterima

Mahal Murah

Ditolak

Sedang

Ditolak

20

jasa mampu memberikan informasi berupa aturan dalam bentuk pohon keputusan.

Selanjutnya aturan tersebut akan menampilkan dua parameter yang paling

menentukan berupa atribut biaya transportasi produsen dan harga konsumen.

Berikut ini adalah aturan yang dihasilkan :

1. Jika Biaya_Transportasi_Produsen = Mahal = Ditolak

2. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Mahal

= Diterima

3. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen =

Sedang = Ditolak

4. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Murah

= Ditolak

5. Jika Biaya_Transportasi_Produsen = Murah = Diterima

Dengan adanya sistem informasi pendukung keputusan barang dan jasa ini

dapat mendukung pihak manajer dalam menentukan order yang menguntungkan

bagi perusahaan.

5. Kesimpulan Berdasarkan perancangan dan implementasi aplikasi sistem informasi

pengadaan barang dan jasa dengan metode Iterative dichotomiser 3 ( ID3 )

didapatkan kesimpulan sebagai berikut :

1. Dengan perpaduan metode prototype sebagai metode perancangan

pengembangan sistem, metode Iterative dichotomiser 3 ( ID3 ) sebagai metode

pengambilan keputusan, dan Unified Modeling Language (UML) sebagai

metode pemodelan dalam merancang sistem informasi ini, maka dapat menjadi

kesatuan sistem pendukung keputusan yang tepat guna. Karena perancangan

sistem informasi ini menghasilkan informasi keputusan yang sesuai dengan

kebutuhan pengguna.

2. Implementasi sistem informasi pendukung keputusan dengan perpaduan antara

metode prototype, metode Iterative dichotomiser 3 ( ID3 ), dan Unified

Modeling Language (UML) dapat dijalankan dengan baik sesuai dengan

parameter keputusan yang terdiri dari harga konsumen, sumber dana

konsumen, sistem pembayaran konsumen, harga produsen, biaya transportasi

konsumen, biaya transportasi produsen, dan kepercayaan yang telah ditentukan

di awal. Dengan demikian sistem ini mampu menjadi alat bagi perusahaan

untuk membantu pengambilan keputusan akhir dalam menentukan pengadaan

barang.

6. Daftar pustaka [1] Mulyanto, Agus, 2009, Sistem Informasi Konsep & Aplikasi. Yogyakarta

: Pustaka Pelajar.

[2] Dharwiyanti, Sri., & Romi Satria Wahono, 2003, Pengantar Unified

Moddeling Language (UML). http://ilmukomputer.com (diakses tanggal 2

Februari 2014)

[3] Jogiyanto, 2003, Konsep Dasar Sistem Informasi. Yogyakarta: Andi Offset

[4] Kadarsah, Ramdhani Ali 2002. Aplikasi Pendukung Keputusan. Bandung :

Remaja Rosdakarya

http://ilmukomputer.com/

21

[5] Lee, Michael. 2010. Perancangan Klarifikasi Penerimaan beasiswa

menggunakan Algoritma ID3 (Iterative Dichotomizer Three). Salatiga :

FTI UKSW

[6] Setiawan, Wahyudin. 2009. Iterative Dichotomizer Three (ID3) untuk

Menentukan Mahasiswa Baru

http://file.upi.edu./Direktori/FPMIPA/PRODI_ILMU_KOMPUTER/Wahy

udin/metode_ID3_untuk_mhs_baru.pdf (diakses tanggal 24 Desember

2013)

[7] Indrawaty, Youllia. 2012. Pengembangan Sistem Pendukung Keputusan

Penerimaan KaryawanMenggunakan Metoda Pohon Keputusan ID3.

Bandung : Institut Teknologi Nasional Bandung

[8] Dyah . 2009. Sistem Pendukung Keputusan Perencanaan Strategis Kinerja

Instansi Pemerintah Menggunakan Metode AHP (Studi Kasus di

Deperindag). Yogyakarta : UAD

[9] Efraim, Turban. 2005. Decision Support Systems and Intelligent System,

edisi Bahasa Indonesia jilid 1. Yogyakarta : Andi

[10] Kotler, Philip. dan Keller, Kevin Lane 201). Manajemen Pemasaran, Jilid

1, Edisi Ketiga Belas. Jakarta : Erlangga,

[11] Andriyadi , Anggi. 2013. Algoritma ID3. http://grumpy-

math.blogspot.com/2013/09/algoritma-id3.html (diakses taggal 23 Januari

2014).

[12] Larose , Daniel T. (2004). Discovering Knowledge in Data: An

Introduction to Data Mining, John Willey & Sons. Inc..

[13] Nugroho, Fanuel, kristanto, harianto, & Oslano, Yetli, 2007 : Validias

Suatu Alamat Menggunakan Decision Tree Dengan Algoritma ID3, Jurnal

Informatika 3:2

[14] Kusrini. 2007, Konsep dan Aplikasi Sistem Penunjang Keputusan,

Yogyakarta : Andi Offset

http://grumpy-math.blogspot.com/2013/09/algoritma-id3.html

http://grumpy-math.blogspot.com/2013/09/algoritma-id3.html

perancangan dan implementasi sistem informasi pendukung

Documents