Upload
ngocong
View
260
Download
2
Embed Size (px)
Citation preview
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
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
5
Jurnal Nasional JMII 2017
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..
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
6
Jurnal Nasional JMII 2017
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]
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
7
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
8
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
9
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
10
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
11
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
12
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
13
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
14
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
15
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
16
Jurnal Nasional JMII 2017
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;
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
17
Jurnal Nasional JMII 2017
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 :
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
18
Jurnal Nasional JMII 2017
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 :
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
19
Jurnal Nasional JMII 2017
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
Task BT AT FT TAT NTAT
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)
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
20
Jurnal Nasional JMII 2017
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 :
Task BT AT FT TAT NTAT
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
Task BT AT FT TAT NTAT
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
21
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
22
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
23
Jurnal Nasional JMII 2017
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.
II. KAJIAN LITERATUR
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
24
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
25
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
26
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
27
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
28
Jurnal Nasional JMII 2017
PEMILIHAN FUNGSI AKTIVASI TERBAIK UNTUK
KLASIFIKASI MNIST
Siti Ratna Swari
Fakultas Teknik Informatika, Jurusan Teknik Informatika
Universitas Telkom
Jalan Telekomunikasi No 1, Bandung, Indonesia
Muhammad Hilmy An Nabhany
Fakultas Teknik Informatika, Jurusan Teknik Informatika
Universitas Telkom
Jalan Telekomunikasi No 1, Bandung, Indonesia
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
29
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
30
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
31
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
32
Jurnal Nasional JMII 2017
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%
Tabel 3 Nilai loss dan akurasi saat menggunakan
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%
Tabel 4 Nilai loss dan akurasi saat menggunakan
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
33
Jurnal Nasional JMII 2017
Tabel 5 Nilai loss dan akurasi saat menggunakan
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%
Tabel 6 Nilai loss dan akurasi saat menggunakan
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%
Tabel 7 Nilai loss dan akurasi saat menggunakan
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.
Tabel 8 Nilai loss dan akurasi saat menggunakan
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%
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
34
Jurnal Nasional JMII 2017
Tabel 9 Nilai loss dan akurasi saat menggunakan
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%
Tabel 10 Nilai loss dan akurasi saat menggunakan
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
35
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
36
Jurnal Nasional JMII 2017
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.)
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
37
Jurnal Nasional JMII 2017
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.
II. KAJIAN LITERATUR
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
38
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
39
Jurnal Nasional JMII 2017
Gambar 2. Big Picture Mapping Klinik Pratama
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
40
Jurnal Nasional JMII 2017
Gambar 3. Proses Bisnis Klinik Pratama
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
41
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
42
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
43
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
44
Jurnal Nasional JMII 2017
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.
II. KAJIAN LITERATUR
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
45
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
46
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
47
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
48
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
49
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
50
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
51
Jurnal Nasional JMII 2017
[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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
52
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
53
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
54
Jurnal Nasional JMII 2017
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.
II. KAJIAN LITERATUR
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
55
Jurnal Nasional JMII 2017
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)
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
56
Jurnal Nasional JMII 2017
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:
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
57
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
58
Jurnal Nasional JMII 2017
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
No Nama User ID User Opini Waktu
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
133 Bosco Januar @bosco_jp
Pos Indonesia maaf admin, paketnya sudah sampai
baru saja, tapi informasinya kok salah ya di situs web pos indonesia?
29-Apr-15
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
59
Jurnal Nasional JMII 2017
194 Desga @desga_ Pos Indonesia saya mohon secepatnya :) 22-Sep-15
276 eko_cand @eko_cand1
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
60
Jurnal Nasional JMII 2017
Tabel 4. Normalisasi Kedua
No Nama User ID User Opini Waktu
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
133 Bosco Januar @bosco_jp
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
276 eko_cand @eko_cand1
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,
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
61
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
62
Jurnal Nasional JMII 2017
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%
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
63
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
64
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
65
Jurnal Nasional JMII 2017
V. KESIMPULAN DAN SARAN
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
66
Jurnal Nasional JMII 2017
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
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
67
Jurnal Nasional JMII 2017
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”.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
68
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
69
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
70
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
71
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
72
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
73
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
74
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
75
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
76
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
77
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
78
Jurnal Nasional JMII 2017
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.
Keterangan Source code:
“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:
Keterangan Source code:
“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]));
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
79
Jurnal Nasional JMII 2017
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
80
Jurnal Nasional JMII 2017
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
V. KESIMPULAN DAN SARAN
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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
81
Jurnal Nasional JMII 2017
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.
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
82
Jurnal Nasional JMII 2017
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
Ari Purno Wahyu
Department of Informatics
Engineering
Widyatama University
Bandung, Indonesia
Azizah Zakiah
Department of Informatics
Engineering
Widyatama University
Bandung, Indonesia
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
83
Jurnal Nasional JMII 2017
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:
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
84
Jurnal Nasional JMII 2017
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
Initial Condition Log in form
Action Actors System Reaction
1. Lecturer Login 2. Go to the main page
3. Display the
quiz menu
4. Displays the quiz
page
Final Condition Displays material page
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
85
Jurnal Nasional JMII 2017
Tabel 3.Tabel Skenario Use Case Upload
Materi
Identification
Name Name
Aim Aim
Description
Actor Lecturer
Main Scenario
Initial Condition Initial Condition
Action Actors System Reaction
1. Lecturer
Login
2. Lecturer Login
3. Display the
quiz menu
4. Display the quiz
menu
Final Condition Final Condition
Tabel 4.Tabel Skenario Use Case Upload
Tugas
Identification
Name Upload Tasks
Aim Menampilkan Halaman Tugas
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 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
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 the
material page
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
86
Jurnal Nasional JMII 2017
Tabel 6.Tabel Skenario Use Case Nilai
Identification
Name View Grade List
Aim Displaying Grade 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. 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
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
87
Jurnal Nasional JMII 2017
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 .
JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/III/2017)
JMII Vol 2, No. 3, Juli-September 2017 ISSN: 2541-5093
88
Jurnal Nasional JMII 2017