[revisi terperiksa]

[revisi terperiksa]

NIM	: 1322476037
NAMA	: RIZAL LOA WANDA

 

Disusun Oleh :

NIM	: 1322476037
Nama	: Rizal Loa Wanda
Jenjang Studi	: Strata Satu
Jurusan	: Teknik Informatika
Konsentrasi	: Software Engineering

 

 

Ketua					Kepala Jurusan
STMIK RAHARJA					Jurusan Teknik Informatika
(Ir. Untung Rahardja, M.T.I.)					(Junaidi, M.Kom)
NIP : 000594					NIP : 001405

 

Dibuat Oleh :

NIM	: 1322476037
Nama	: Rizal Loa Wanda

 

Pembimbing I			Pembimbing II
(Henderi, M.Kom)			(Sugeng Santoso, M.Kom)
NID : 02019			NID : 03009

 

Dibuat Oleh :

NIM	: 1322476037
Nama	: Rizal Loa Wanda

Ketua Penguji		Penguji I		Penguji II
(_______________)		(_______________)		(_______________)
NID :		NID :		NID :

 

Disusun Oleh :

NIM	: 1322476037
Nama	: Rizal Loa Wanda
Jenjang Studi	: Strata Satu
Jurusan	: Teknik Informatika
Konsentrasi	: Software Engineering

 

(Rizal Loa Wanda)

NIM : 1322476037

 

BAB I

PENDAHULUAN

Latar Belakang

Rumusan Masalah

Ruang Lingkup Penelitian

Tujuan dan Manfaat Penelitian

Tujuan Penelitian

Manfaat Penelitian

Metode Penelitian

Metode Pengumpulan Data

Metode Analisa dan Perancangan

Metode Purwarupa (Prototype)

Metode Testing

Sistematika Penulisan

BAB II

LANDASAN TEORI

Untuk mendukung pembuatan laporan ini, maka perlu dikemukakan hal-hal atau teori-teori yang berkaitan dengan permasalahan dan ruang lingkup pembahasan sebagai landasan dalam pembuatan laporan ini.

Teori Umum

Konsep Dasar Data Warehouse

Definisi Data Warehouse

Menurut Hutahaean (2014:97)^[1] "Datawarehouse adalah kumpulan dari komponen-komponen perangkat keras dan perangkat lunak yang dapat digunakan untuk mendapatkan analisa yang lebih baik dari data yang berjumlah sangat besar sehingga dapat membuat keputusan yang baik."

Suraya (2011:68)^[2] berpendapat bahwa data warehouse adalah basis data yang menyimpan data sekarang dan data masa lalu yang berasal dari berbagai sistem operasional dan sumber yang lain (sumber eksternal), atau sebuah proses evolusi yang mencakup pencarian sumber, penyimpanan dan penyediaan data yang digunakan untuk mendukung pengambilan keputusan.

Widyawati (2012:1)^[3] berpendapat bahwa, data warehouse merupakan salah satu bentuk basis data yang memiliki data berskala besar. Data warehouse bukan merupakan basis data operasional, melainkan basis data yang berisi data dalam dimensi waktu tertentu yang sangat berguna untuk keperluan evaluasi, analisis dan perencanaan yang dilakukan oleh pihak manajemen dalam sebuah perusahaan.

Dari beberapa pendapat diatas, dapat di tarik kesimpulan bahwa Data Warehouse merupakan salah satu bentuk basis data untuk menyimpan data berskala besar baik data sekarang dan data masa lalu yang menjadi sumber data yang telah terintegrasi serta dapat digunakan untuk mendukung pengambilan keputusan.

Manfaat Data Warehouse

Data Warehouse biasanya digunakan untuk : (Hutahaean, 2014:97)^[1]

1. Memahami trend bisnis dan membuat perkiraan keputusan yang lebih baik.
2. Menganalisa informasi mengenai penjualan harian dan membuat keputusan yang cepat dalam mempengaruhi performance perusahaan.

Konsep Dasar Purwarupa (Prototyping)

Menurut Djahir (2014:78)^[4], "Prototype memberikan ide bagi pembuat maupun pemakai potensial tentang cara sistem akan berfungsi dalam bentuk lengkapnya. Proses menghasilkan sebuah prototype disebut prototyping." (selanjutnya purwarupa akan disebut prototipe atau prototyping).

Menurut A.S Rosa (2013:29)^[5], "Model prototipe dapat digunakan untuk menyambungkan ketidakpahaman pelanggan mengenai hal teknis dan memperjelas spesifikasi kebutuhan yang diinginkan pelanggan kepada pengembang perangkat lunak".

Sehingga dapat disimpulkan bahwa prototipe adalah sebuah model yang memberikan informasi tentang bagaimana cara sistem tersebut berfungsi agar pelanggan atau pemakai paham tanpa perlu mengetahui hal teknisnya dan memperjelas spesifikasi kebutuhan yang diinginkan pelanggan kepada pengembang perangkat lunak.

Konsep Dasar UML (Unified Modeling Language)

Definisi UML (Unified Modeling Language)

Dalam bukunya, Yasin (2012:268)^[6] mengemukakan UML merupakan bahasa standar untuk penulisan blueprint software yang digunakan untuk visualisasi, spesifikasi, pembentukan dan pendokumentasian alat – alat dari sistem perngkat lunak. UML disebut sebagai bahasa pemodelan bukan metode. Bahasa pemodelan (sebagian besar grafik) merupakan notasi dari metode yang digunakan untuk mendesain secara cepat. Bahasa pemodelan merupakan bagian terpenting dari metode. Tujuan UML diantaranya adalah :

1. Memberikan model siap pakai, bahasa pemodelan visual yang ekspresif untuk mengembangkan sistem dan yang dapat saling menukar model dengan mudah dan dimengerti secara umum.
2. Memberikan bahasa pemodelan yang bebas dari berbagai Bahasa pemrograman dan dimengerti secara umum.
3. Menyatukan praktek–praktek terbaik yang terdapat dalam pemodelan.

Diagram UML

Menurut Xu dalam Dictionary of Information Science and Technology karya Khosrow-Pour (2012:916)^[7], "UML Diagram: a graphical design notation for communication and understanding". Yang artinya UML Diagram adalah sebuah notasi desain grafis untuk komunikasi dan pemahaman. Biasanya, didalam diagram UML meliputi activity diagram, class diagram, collaboration diagram, component diagram, deployment diagram, sequence diagram, state diagram, dan use case diagram.

Pada UML 2.3 terdiri dari 13 macam diagram yang dikelompokkan dalam 3 kategori (A.S Rosa 2013:140)^[5]. Pembagian kategori dan macam-macam diagram tersebut dapat dilihat pada gambar dibawah :

Gambar 2.1 UML 2.3 Diagram

Sumber: http://www.uml-diagrams.org/

Berikut ini penjelasan singkat dari pembagian kategori tersebut :

• Structure diagrams yaitu kumpulan diagram yang digunakan untuk menggambarkan suatu struktur statis dari sistem yang d imodelkan.
• Behaviour yaitu kumpulan diagram yang digunakan untuk menggambarkan kelakuan sistem atau rangkaian perubahan yang terjadi pada sebuah sistem.
• Interaction diagrams yaitu kumpulan diagram yang digunakan utuk menggambarkan interaksi sistem dengan sistem lain maupun interaksi antar subsistem pada suatu sistem.

Karena pada penulisan penelitian ini menggunakan 4 diagram UML diantaranya Use Case diagram, Activity diagram, Sequence diagram, dan Class diagram, maka diagram yang dijelaskan adalah 4 diagram tersebut.

1. Use Case Diagram

Menurut Yasin (2012:198)^[6] Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem yang ditekankan adalah “apa” yang diperbuat sistem dan bukan “bagaimana”. Sebuah use case mempresentasikan sebuah interaksi antara actor dengan sistem.

2. Activity Diagram

Menurut Yasin (2012:201)^[6], Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing – masing alir berawal, decision yang mungkin terjadi dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses parallel yang mungkin terjadi pada beberapa eksekusi.

3. Sequence Diagram

Menurut Yasin (2012:201)^[6], Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atas dimensi vertical (waktu) dan dimensi horizontal (objek-objek terkait). Sequence diagram biasa digunakan untuk menggambarkan scenario atau rangkaian langkah – langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu.

4. Class Diagram

Menurut Yasin (2012:198)^[6], Class diagram adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class diagram menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain, seperti containment, pewarisan, asosiasi dan lain – lain.

Konsep Dasar Elisitasi

Definisi Elisitasi

Menurut Guritno (2011:302)^[8], “Elisitasi merupakan rancangan yang dibuat berdasarkan sistem baru yang diinginkan oleh pihak manajemen terkait dan disanggupi oleh penulis untuk dieksekusi.”

Tahap-Tahap Elisitasi

Konsep Dasar Testing

Definisi Testing

Menurut A.S. Rosa (2013:272)^[5], Testing atau Pengujian adalah satu set aktivitas yang direncanakan dan sistematis untuk menguji atau mengevaluasi kebenaran yang diinginkan. Aktivitas pengujian terdiri dari satu set atau sekumpulan langkah dimana dapat menempatkan desain kasus uji yang spesifik dan metode metode pengujian.

Metode Black Box Testing

Black box testing yaitu menguji perangkat lunak dari segi spesifikasi fungsional tanpa menguji desain dan kode program. Pengujian dimaksudkan untuk mengetahui apakah fungsi–fungsi, masukan dan keluaran dari perangkat lunak sesuai dengan spesifikasi yang dibutuhkan. Pengujian blackbox dilakukan dengan membuat kasus uji yang bersifat mencoba semua fungsi dengan memakai perangkat lunak apakah sesuai dengan spesifikasi yang dibutuhkan. Kasus uji yang dibuat untuk melakukan pengujian blackbox harus dibuat dengan kasus benar dan kasus salah. (A.S Rosa 2013:275)^[5].

 

Teori Khusus

Konsep Dasar Model Sistem

Sebelum mengetahui konsep dasar dari model sistem, maka harus diketahui terlebih dahulu definisi dari model dan sistem.

Menurut Tran et al dalam Dictionary of Information Science and Technology karya Khosrow-Pour (2012:608)^[7], model adalah “Representasi abstrak dari sistem struktur, fungsi, atau perilaku”.

Makna model lebih khusus lagi yang sesuai dengan pendekatan penelitian ini dijelaskan oleh Prasetyo (2012:45)^[9] yaitu, Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam, dimana ada suatu model yang menerima masukan, kemudian mampu melakukan pemikiran terhadap masukan tersebut dan memberikan jawaban sebagai keluaran dari hasil pemikirannya.

Menurut G.Murdick yang dikutip Djahir (2014:6)^[4], “Sistem adalah seperangkat elemen yang membentuk kegiatan suatu prosedur/bagan pengolahan yang mencari suatu tujuan atau tujuan-tujuan bersama dengan mengoprasikan data dan atau barang pada waktu rujukan tertentu untuk menghasilkan informasi dan atau energi dan atau barang”.

Menurut L. Ackof yang dikutip Djahir (2014:6)^[4], “Sistem adalah setiap kesatuan secara konseptual atau fisik yang terdiri dari bagian-bagian dalam keadaan saling tergantung satu sama lainnya.”

Sehingga dari definisi model dan sistem yang telah dikemukakan oleh para ahli, model sistem merupakan suatu representasi abstrak dari kesatuan kegiatan atau suatu prosedur dalam kasus ini adalah memberikan jawaban sebagai keluaran dari hasil pemikiran kedalam sistem.

Konsep Dasar Peramalan (Forecasting)

Definisi Peramalan

Menurut Forgionne & Russell dalam buku karya Khosrow-Pour (2012:354)^[7], peramalan atau forecasting adalah “Tindakan memprediksi kemungkinan dari suatu peristiwa atau nilai yang terjadi di masa depan berdasarkan data historis yang tersedia”.

Menurut Fahmi (2016)^[10], “Analisis forecasting adalah analisis peramalan penjualan yang mungkin bisa terjadi di masa yang akan datang.

Berbeda dengan rencana, ramalan (forecast) hanya memberikan pengetahuan apa yang akan terjadi di masa depan, tapi belum tentu bisa dilaksanakan hasil dari peramalan tersebut. Sehingga peramalan bisa disebut juga sebagai alat bantu dalam perencanaan.

Perbedaan Peramalan dengan Prediksi

Dikutip dari jawaban seoarang president of Strategic Affairs Forecasting LLC di forum diskusi, menurut Shostak (2011)^[11], Ramalan atau Forecasts adalah seperangkat kemungkinan masa depan yang mencakup estimasi probabilitas yang terjadi. Seluruh rangkaian skenario harus memiliki probabilitas titik waktu yang lebih umum (misalnya, lima tahun ke depan, dekade berikutnya, mid-range masa depan, dll). Ada kemungkinan bahwa kelompok perkiraan dapat terdiri dari satu set prediksi dengan probabilitas yang terkait. Sedangkan Prediksi merupakan perkiraan posisi dari peristiwa tertentu di masa depan; biasanya pada titik waktu tertentu. Contohnya pada kasus gambling : Who will win the World Series this year? Kentuky Derby? Etc.

Prediksi yang paling sering berfokus pada hasil (yang menang, penjualan, keuntungan, dan lain-lain). Peramalan cenderung berfokus pada faktor proses (apa faktor dapat mempengaruhi masa depan dan apa hasil potensinya).

Definisi Kedisiplinan

Untuk mengetahui arti dari kata kedisiplinan, yang harus diketahui adalah dasar dari kata kedisiplinan, yaitu disiplin. Menurut Suharso dan Ana (2014:124)^[12] disiplin adalah “Latihan batin dan watak dengan maksud supaya segala perbuatannya selalu mentaati tata tertib”. Dan dalam KBBI Daring (http://badanbahasa.kemdikbud.go.id/kbbi) arti di-sip-lin ialah :

Dari keterangan diatas maka arti disiplin merupakan sikap mentaati peraturan atau tata tertib yang berlaku. Dan jika dilihat dari fungsi imbuhan Ke-an berdasarkan kata sifat, maka dapat ditarik kesimpulan pengertian Kedisiplinan merupakan kondisi yang tercipta melalui proses dari serangkaian perilaku individu yang mentaati peraturan dan ketertiban yang berlaku.

Knowledge Discovery in Database (KDD)

Definisi Knowledge Discovery in Database

Knowledge Discovery in Database (KDD) adalah proses menentukan informasi yang berguna serta pola-pola yang ada dalam data. Informasi ini terkandung dalam basis data yang berukuran besar yang sebelumnya tidak diketahui dan potensial bermanfaat. Istilah data mining dan knowledge discovery in database sering kali digunakan secara bergantian untuk menjelasakan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan dengan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining (Nofriansyah 2014:8)^[13].

Proses Knowledge Discovery in Database

Proses KDD secara garis besar dapat dijelaskan sebagai berikut: (Nofriansyah, 2014:8-10)^[13].

Gambar 2.2 Proses Knowledge Discovery in Database

a. Data Selection

Pada proses ini dilakukan pemilihah himpunan data, menciptakan himpunan data target, atau memfokuskan pada subset variabel (sampel data) dimana penemuan (discovery) akan dilakukan. Hasil seleksi disimpan dalam suatu berkas yang terpisah dari basis data operasional.

b. Preprocessing dan Cleaning Data           

Preprocessing dan Cleaning Data dilakukan membuang data yang tidak konsisten dan noise, duplikasi data, memperbaiki kesalahan data, dan bisa diperkaya dengan data eksternal yang relevan.

c. Transformation

Proses ini mentransformasikan atau menggabungkan data ke dalam yang lebih tepat untuk melakukan proses mining dengan cara melakukan peringkasan (agregasi).

d. Data Mining

Proses data mining yaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik, metode atau algoritma tertentu sesuai dengan tujuan dari proses KDD secara keseluruhan.

e. Interpretation / Evaluasi

Proses untuk menerjamahkan pola-pola yang dihasilkan dari data mining. Mengevaluasi (menguji) apakah pola atau informasi yang ditemukan bersesuaian atau bertentangan dengan fakta atau hipotesa sebelumnya. Pengetahuan yang diperoleh dari pola-pola yang terbentuk dipresentasikan dalam bentuk visualisasi.

Konsep Dasar Data Mining

Definisi Data Mining

Tan dalam buku karya Prasetyo (2012:2)^[9] mendefinisikan data mining sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan.

Menurut Daryl Pregibon dalam buku karya Prasetyo (2014:1)^[14] , "Data mining adalah campuran dari statistik, kecerdasan buatan, dan riset basis data"

Sehingga berdasarkan pendapat-pendapat diatas, dapat ditarik kesimpulan bahwa data mining merupakan proses penggalian pengetahuan dari bongkahan data yang besar untuk mendapatkan sebuah informasi yang baru sehingga dapat bermanfaat untuk membantu dalam pengambilan keputusan.

Akar Bidang Ilmu Data Mining

Jika dilacak dari akar keilmuannya, ternyata data mining mempunyai empat akar bidang ilmu sebagai berikut: (Prasetyo, 2014:2-3)^[14]

Gambar 2.3 Akar Ilmu Data Mining

Pekerjaan Dalam Data Mining

Pekerjaan yang berkaitan dengan data mining dapat dibagi menjadi 4 kelompok (Prasetyo 2014:5)^[14], yaitu diantaranya adalah model prediksi (prediction modelling), analisis cluster (cluster analysis), analisis asosiasi (association analysis), dan deteksi anomali (anomaly detection).

Model Prediksi (Prediction Modelling)

Model prediksi ini berkaitan dengan pembuatan sebuah model yang dapat melakukan pemetaan dari setiap himpunan variabel ke setiap targetnya, kemudian menggunakan model tersebut untuk memberikan nilai target himpunan baru yang didapat. Ada 2 jenis model prediksi, yaitu klasifikasi dan regresi. Klasifikasi digunakan untuk variabel target diskret, sedangkan regresi digunakan untuk variabel target kontinu (Prasetyo 2014:5)^[14].

Proses Data Mining

Secara sistematis dikemukakan oleh Gorunescu dalam buku karya Prasetyo (2014:7)^[14], ada 3 langkah utama dalam data mining diantaranya adalah :

1. Eksplorasi / pemrosesan awal data

Eksplorasi atau pemrosesan awal data terdiri dari pembersihan data, normalisasi data, transformasi data, penanganan data yang salah, reduksi dimensi, pemilihan subset fitur, dan sebagainya.

2. Membangun model dan melakukan validasi terhadapnya

Membangun model dan melakukan validasi terhadapnya berarti melakukan analisis berbagai model dan memilih model dengan kinerja prediksi yang terbaik. Dalam langkah ini digunakan metode-metode seperti klasifikasi, regresi, analisis kluster, deteksi anomali, analisis asosiasi, analisis pola sekuensial, dan sebagainya. Dalam beberapa referensi, deteksi anomali juga masuk dalam langkah eksplorasi. Akan tetapi, deteksi anomali juga dapat digunakan sebagai algoritma utama, terutama untuk mencari data-data yang spesial.

3. Penerapan

Penerapan berarti menerapkan model pada data yang baru untuk menghasilkan perkiraan/prediksi masalah yang diinvestigasi.

Metode-Metode Data Mining

Terdapat 3 metode data mining yang umum digunakan dalam penelitian seperti klasifikasi, analisis kelompok (klaster), dan asosiasi, namun pada penelitian ini yang akan dijelaskan hanya metode klasifikasi yang sebagai berikut:

Klasifikasi (Classification)

Prasetyo (2012:45)^[14] berpendapat bahwa klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan utama yang dilakukan yaitu:

1. Pembangunan model, sebagai prototype untuk disimpan sebagai memori.
2. Penggunaan model, untuk melakukan pengenalan / klasifikasi / prediksi pada suatu objek data lain agar diketahui dkelas mana objek data tersebut dalam model yang sudah disimpannya.

Klasifikasi dapat didefinisikan sebagai pekerjaan yang melakukan pelatihan/pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur) x ke satu dari label kelas y yang tersedia.

Gambar 2.4 Proses Pekerjaan Klasifikasi

Set Data (Dataset)

Set data (dataset) merupakan kumpulan data-data yang akan diproses dalam penggalian pengetahuan baru dan set data dapat juga dipandang sebagai kumpulan objek data. Untuk merepresentasikan data ada bermacam-macam cara salah satunya adalah penggunaan atribut. Atribut digunakan untuk mengambarkan jenis objek yang bisa berupa kuantitatif atau kualitatif. Set data dapat mempunyai karakteristik yang berbeda, misalnya ada set data yang menggunakan nilai deret waktu (time series) atau sebuah nilai angka, bahkan berupa objek dengan hubungan khusus di dalamnya (Prasetyo 2012:9)^[9].

Set data itu sendiri juga sering menjadi hal yang harus diperhatikan diawal sebelum melakukan proses penggalian informasi. Masalah yang sering muncul pada data mentah adalah duplikasi data, ketidak-konsistenan data, kelainan (outlier), data yang salah, dan sebagainya. Untuk masalah ini, sebelum set data diproses dalam proses utama data mining, pemrosesan awal data menjadi penting dilakukan agar kualitas data menjadi lebih baik.

Pemrosesan Awal (Preprocessing)

Set data yang akan diproses dengan metode-metode dalam data mining sering kali harus melalui pekerjaan awal yang secara keseluruhan terpisah dari metode dalam data mining. Munculnya istilah pemrosesan awal atau preprocessing dipicu oleh masalah-malasah yang timbul dalam set data seperti terlalu besarnya jumlah populasi data, banyaknya data yang menyimpang, dimensi data yang terlalu tinggi, banyaknya atribut atau fitur yang tidak berkontribusi besar, dan sebagainya. Inilah mengapa perlu dilakukan pemrosesan awal pada set data sebelum akhirnya dilepaskan untuk diproses dalam data mining (Prasetyo 2012:31)^[9].

Beberapa pekerjaan yang umum dilakukan sebagai pemrosesan awal pada set data adalah sebagai berikut : (Prasetyo 2012:31)^[9]

Konsep Dasar Pohon Keputusan (Decision Tree)

Definisi Pohon Keputusan

Menurut Susan Welch dan John C.Comer dalam buku karya Fahmi (2016)^[10], Pohon keputusan sebagai "suatu diagram yang cukup sederhana yang menunjukan suatu proses untuk merinci masalah-masalah yang dihadapinya ke dalam komponen-komponen, kemudia dibuatkan alternatif-alternatif pemecahan beserta konsekuensi  masing-masing alternatif.

Menurut John dalam buku Usman (2015:204)^[15], “Struktur simbolik node (simpul), berupa daun dan cabang adalah pohon keputusan”. Menurut Usman (2015:204)^[15] “Ini adalah salah satu standar teknik klasifikasi pembelajaran data mining yang digunakan untuk membuat prediksi berdasarkan pengalaman masa lalu”.

Menurut Pentreath (2015:126)^[16], Pohon keputusan adalah model yang powerful, non-probabilistik teknik, yang dapat menangkap pola non-linear yang lebih kompleks dan interaksi fitur-fitur. Pohon keputusan telah terbukti melakukan dengan baik pada banyak tugas, relatif mudah untuk dipahami dan ditafsirkan, dapat menangani fitur kategoris dan numerik, dan tidak memerlukan input data yang harus diskalakan atau distandarisasi.

Berdasarkan definisi pohon keputusan diatas oleh para ahli, dapat disimpulkan bahwa pohon keputusan atau decision tree adalah model yang merepresentasikan pengetahuan berdasarkan data atau pengalaman masa lalu dalam bentuk pohon yang terdapat simpul daun dan cabang.

Algoritma Pohon Keputusan

Menurut Pentreath (2015:127)^[16], Algoritma pohon keputusan menggunakan pendekatan top-down yang dimulai pada simpul akar (atau fitur), dan kemudian memilih fitur terbaik disetiap partisi dari dataset. Hal tersebut diukur dengan information gain dari partisinya. Information Gain dihitung dari pengurangan kemurnian atribut (Entrophy).

Banyak algoritma pohon keputusan yang telah ada dalam kepustakaan seperti CART, ID3, C4.5, SPRINT, Fuzzy C4.5 dan lainnya (Usman 2015:204)^[15]. Pada penelitian ini yang akan dijelaskan hanya algoritma C4.5.

Algoritma C4.5

Menurut Earl dkk dalam buku Usman (2015:204)^[15], Algoritma C4.5 adalah pengembangan dari algoritma Interative Dichotomizer 3 (ID3) yang dikembangkan oleh Quinlan, dibuat pada Concept Learning System (CLS) algorithm. Algoritma ini paling sering digunakan di pohon keputusan dalam bidang data mining untuk prediksi masa depan dengan menggunakan data historis; itu terkenal karena efektivitas dan kemudahan untuk digunakan.

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:

1. Pilih atribut sebagai akar
2. Buat cabang untuk masing-masing nilai
3. Bagi kasus dalam cabang
4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.

Sebelum membahas rumus yang ada di algoritma C4.5, yang harus diketahui adalah pada algoritma ID3 untuk memilih atribut sebagai akar didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti berikut:

(Rumus 2.1)

Dimana:

S : Himpunan kasus

A : Atribut

n : Jumlah partisi atribut A

|Si| : Jumlah kasus pada partisi ke i

|S| : Jumlah kasus dalam S

Dan untuk mencari nilai Entropy, dapat menggunakan rumus sebagai berikut:

(Rumus 2.2)

Dimana:

S : Himpunan Kasus

A : Fitur

n : Jumlah partisi S

pi : Proporsi dari Si terhadap S

Karena algoritma C4.5 adalah suksesor dari ID3, maka  pada C4.5 memakai gain ratio untuk memperbaiki information gain dengan rumus gain ratio sebagai berikut: (Makhabel 2015:88)^[17]

(Rumus 2.3)

Dimana:

S = ruang data sampel yang dipakai untuk training

A = atribut

Gain(S,A) = information gain pada atribut A

SplitInfo(S,A) = split information pada atribut A

Atribut dengan nilai Gain Ratio tertinggi dipilih sebagai atribut test untuk simpul, dengan gain adalah information gain. Pendekatan ini menerapkan normalisasi pada information gain dengan memakai apa yang disebut split information. SplitInfo menyatakan entropy atau informasi potensial dengan rumus sebagai berikut:

(Rumus 2.4)

Dimana:

S = ruang data sampel yang dipakai untuk training

A = atribut

Si = jumlah sampel untuk atribut i

K-Fold Cross Validation

K-fold Cross Validation merupakan salah satu metode yang digunakan untuk mengetahui rata-rata keberhasilan dari suatu sistem dengan cara melakukan perulangan dengan mengacak atribut masukan sehingga sistem tersebut teruji untuk beberapa atribut input yang acak. Pal (2016:92)^[18] menjelaskan dalam K-fold Cross validation, kami partisi data secara acak ke dalam K lipatan yang berbeda dari ukuran yang kira-kira setara. Data yang digunakan untuk training model adalah K - 1 fold dan data untuk testing pada lipatan yang tersisa, dan mengulanginya hingga K dari jumlah iterasi.

Confusion Matrix

Menurut Shmueli, dkk (2016:109)^[19], “Dalam prakteknya, sebagian besar pengukuran akurasi berasal dari matriks klasifikasi, yang juga disebut confusion matrix. Matriks ini merangkum klasifikasi yang benar dan yang tidak benar dari classifier yang diproduksi untuk dataset tertentu”. Evaluasi dengan confusion matrix menghasilkan nilai accuracy, precision, dan recall.  Menurut Han dalam Penelitian Andriani (2013:166)^[20], “Nilai accuracy merupakan persentase jumlah record data yang diklasifikasikan secara benar oleh sebuah algoritma dapat membuat klasifikasi setelah dilakukan pengujian pada hasil klasifikasi tersebut”. Nilai precision atau dikenal juga dengan nama confidence merupakan proporsi jumlah kasus yang diprediksi positif yang juga positif benar pada data yang sebenarnya. Sedangkan nilai dari recall atau sensitivity merupakan proporsi jumlah kasus positif yang sebenarnya yang diprediksi positif secara benar (Menurut Powers dalam penelitian Andriani 2013:166)^[20].

Literature Review

Literature Review dilakukan untuk menunjang metode observasi yang telah dilakukan. Dari sekian banyak penelitian sebelumnya yang dilakukan mengenai decision tree, dalam penelitian ini mengambil beberapa penelitian lain yang berkaitan dengan penulisan ini, diantaranya yaitu:

Penelitian yang membandingkan hasil akurasi dari algoritma decision tree yang digunakan, diantaranya membandingkan algoritma ID3 dengan C4.5. Penelitian tersebut diantaranya telah dilakukan oleh Adhatrao, et al (2013)^[21], Rao dan Yashwant (2013)^[22], Lesmana (2012)^[23], serta  HSSINA, et al (2014)^[24]. Studi kasus penelitian Adhatrao, et al (2013)^[21] yaitu untuk memprediksi kinerja pelajar dengan menggunakan algoritma ID3 dan C4.5. Dalam penelitiannya, evaluasi dari hasil algoritma dibagi menjadi 2, yaitu Bulk Evaluation dan Singular Evalueation. Bulk Evaluation dari kedua algoritma yang digunakan menghasilkan tingkat akurasi yang sama yaitu 75.145% dari data total 173 siswa. Yang berbeda adalah waktu yang diperlukan untuk mengeksekusi bulk evaluation tersebut. Algoritma C4.5 mengeksekusi lebih cepat 8.5 mili-detik dibanding algoritma ID3. Pada hasil Singular Evaluation juga menghasilkan tingkat akurasi yang sama antara algoritma ID3 dan C4.5 yaitu 77.778% . Berbeda dengan Adhartrao, et al (2013)^[21], penelitian Rao dan Yashwant (2013)^[22] meneliti tentang decision tree untuk mendeteksi penipuan keuangan. Hasil dari penelitiannya yaitu membandingkan algoritma ID3 dan C4.5 biasa dan algoritma ID3 dan C4.5 yang menggunakan Genetic Algorithm (GA). Dari hasil tersebut dibuktikan bahwa algoritma menggunakan GA tingkat akurasinya menjadi lebih baik. Selain itu hasil dari penelitian Rao menunjukan bahwa algoritma C4.5 lebih menghasilkan tingkat akurasi yang lebih tinggi yaitu 76.67% dibandingkan ID3 yang hanya berbeda 2% yaitu 74.67%. Selaras dengan hasil dari 2 penelitian sebelumnya, penelitian Lesmana (2012)^[23] yang mengenai perbandingan kinerja decision tree J48 (serupa dengan C.45, selanjutnya akan disebut C4.5) dan ID3 dalam pengklasifikasian diagnosis penyakit diabetes melitus, dapat dibuktikan bahwa dalam penelitian Lesmana (2012)^[23], algoritma C4.5 memberikan akurasi yang lebih tinggi terhadap diagnosis DM sebesar 74.72%, sebaliknya akurasi decision tree ID3 hanya mencapai 72.64%. Selain dari tingkat akurasinya, algoritma C4.5 juga unggul dalam kecepatan waktu eksekusi yang dibuktikan dalam penelitian HSSINA, et al (2014)^[24]. Dalam penelitiannya, HSSINA, et al (2014)^[24] melakukan percobaan beberapa ukuran dataset yang berbeda, lalu dilakukan perbandingan waktu eksekusi dengan hasil yang konsisten yaitu algoritma C4.5 selalu lebih cepat dibanding ID3.

Setelah empat penelitian diatas yang membandingkan tingkat akurasi dari 2 algoritma yaitu ID3 dan C4.5, penelitian berikutnya membandingkan 3 algoritma diantaranya ID3, C4.5 dan CART, serta ada pula yang membandingkan ID3, C4.5 dengan Naïve bayes. Penelitian tersebut dilakukan oleh Lavanya dan K.Usha (2011)^[25], Lakshmi, et al (2013)^[26], Mohankumar, et al (2016)^[27], dan Rajalakshm dan Sivaranjani (2015)^[28]. Studi kasus penelitian Lavanya dan K.Usha (2011)^[25] yaitu mengenai Evaluasi Kinerja Classifiers Decision Tree Dengan Datasets Medis. Dari 5 datasets medis yang dilakukan percobaan, hasil akurasinya pun berbeda-beda, namun konsisten menghasilkan bahwa akurasi algoritma CART lebih baik dibanding C4.5 dan ID3 yang berada pada tingkat akurasi paling rendah. Berbanding terbalik dengan tingkat akurasinya, ID3 memproses lebih cepat dibanding C4.5 dan CART yang membutuhkan waktu lebih lama untuk membangun modelnya. Dan selaras dengan hasil akurasi dari penelitian Lavanya dan K.Usha (2011)^[25], penelitian Lakshmi, et al (2013)^[26], mengenai Analisis Kinerja Algoritma Decision Tree menggunakan data kualitatif pelajar pun menghasilkan tingkat akurasi CART lebih baik dibanding C4.5 dan ID3 yang berada diurutan paling rendah. Berbeda dari 2 penelitian diatas, pada penelitian Mohankumar, et al (2016)^[27] mengenai “Comparative Analysis Of Decision Tree Algorithms For The Prediction Of Eligibility Of A Man For Availing Bank Loan”, algoritma C4.5 tingkat akurasinya melebihi CART. Dan pada penelitian Rajalakshm dan Sivaranjani (2015)^[28] yang membandingkan ID3, C4.5 dengan Naïve bayes, hasilnya Naïve bayes mengasilkan tingkat akurasi yang lebih baik daripada C4.5 dan ID3. Kesimpulan dari 4 penelitian diatas, seperti yang disimpulkan oleh Mohankumar, et al (2016)^[27] dalam penelitiannya, bahwa algoritma akan memberikan hasil terbaik pada jenis dataset tertentu.

Penelitian terkait lainnya adalah penelitian yang dilakukan oleh Yunus dkk (2014)^[29] mengenai Desain model sistem prediksi kelulusan mahasiswa dengan algoritma deicision tree. Penelitiannya terkait dengan penelitian saat ini yaitu lebih fokus pada faktor yang mempengaruhi dalam memprediksi (peramalan), hasilnya pada penelitian ini yaitu hasil akhir uji coba sistem menunjukkan bahwa tingkat kelulusan mahasiswa diprediksi sangat dipengaruhi oleh beberapa faktor yaitu kompetensi yang diambil sekitar 33,58 %, kemudian jenis kelamin 20,88 %; Jurusan SMA 13,81 %, Program Studi 13,21 %; IPK 8,14 %; asal sekolah 6, 14 %; dan agama 4,26 %.

Penelitian berikutnya adalah penelitian mengenai decision tree itu sendiri, bagaimana membangun model dan teknik yang akan digunakan terkait pada penelitian saat ini. Penelitan tersebut diantaranya dilakukan oleh  Azmi dan Dahria (2013)^[30], serta Seema, et al (2012)^[31]. Pada penelitian Azmi dan Dahria (2013)^[30] dijelaskan mengenai langkah-langkah yang dipelukan dalam membuat sistem pohon keputusan seperti preprocessing data yang telah dilakukan di penelitian saat ini. Selain itu sesuai dengan penelitian saat ini yaitu berfokus pada faktor-faktor yang mempengaruhi kedisiplinan, Azmi dan Dahria (2013)^[30] berpendapat dengan pohon keputusan, manusia dapat dengan mudah melihat mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut. Sedangkan penelitian Seema, et al (2012)^[31] lebih membahas bagaimana model dari decision tree dapat dibangun, seperti algoritma yang digunakan, pengukuran pemilihan atribut, dan metode pemangkasan pohon (Tree Pruning) yang memang langkah-langkah tersebut akan diterapkan pada penelitian saat ini agar model yang terbentuk dari data training terbebas dari anomali yang disebabkan noise atau outliers.

Terkait dengan algoritma yang digunakan pada penelitian saat ini, berikut adalah penelitian sebelumnya yang telah dilakukan menggunakan algoritma C4.5. Penelitian tersebut telah dilakukan oleh Ginting, dkk (2014)^[32], dan Andriani (2013)^[20] yang keduanya meneliti berkaitan dengan akademik mahasiswa. Penelitian Ginting, dkk (2014)^[32] mengenai memprediksi masa studi mahasiswa sedangkan Andriani (2013)^[20] mengenai pendukung keputusan pemberian beasiswa untuk mahasiswa. Pada penelitian Ginting, dkk (2014)^[32] atribut yang digunakan adalah nilai dari beberapa mata kuliah yang mereka asumsikan berpengaruh terhadap atribut tujuannya yang di klasifikasikan menjadi 2 yaitu “kurang” dan “lebih” (dari 5 tahun masa studinya). Sedangkan Andriani (2013)^[20] menggunakan atribut prestasi akademik / IPK dan prestasi non-akademik yang hasilnya di klasifikasikan menjadi “Dapat beasiswa” atau “Tidak dapat beasiswa”. Dalam penelitiannya, Andriani (2013)^[20] menggunakan Confusion Matrix dan Kurva ROC untuk mengevaluasi hasil klasifikasi. Berbeda dengan Ginting dkk (2014)^[32] yang menghitung akurasi hanya dari presentasi kecocokan data test dengan data training. Menurut Ginting dkk (2014)^[32] “… jumlah data training mempengaruhi persentase kecocokan atau keakurasian”. Sedangkan menurut saran Andriani (2013)^[20], menerapkan teknik penyeleksian atribut yang paling berpengaruh dengan chi-square dapat meningkatkan akurasi lebih tinggi.

Selain dari bidang yang mengenai akademik mahasiswa, decision tree dengan algoritma C4.5 pun digunakan dalam bidang kesehatan atau kedokteran. Penelitian tersebut dilakukan oleh Fakhrurrifqi dan Anifuddin (2013)^[33] dan Himawan, dkk (2015)^[34]. Penelitian Fakhrurrifqi dan Anifuddin (2013)^[33] mengenai pendukung keputusan untuk mendiagnosis diabetes, menggunakan 768 sampel kasus data diabetes yang selanjutnya dibagi menjadi 75% dari sampel kasus untuk data training dan sisanya sebagai data testing. Sedangkan Himawan, dkk (2015)^[34] menggunakan data pasien yang berjumlah 70 kasus penyakitBronkhitis dan dalam penelitiannya hanya sampai mengubah data menjadi bentuk tree, sehingga pada penelitiannya fokus terhadap atribut yang mempengaruhi atribut target. Dari kedua penelitian tersebut tidak ada yang menggunakan evaluasi hasil klasifikasi seperti confusion matrix yang biasa digunakan oleh penelitain sebelum-sebelumnya.

Agar dapat mempermudah dalam melihat pendekatan ataupun algoritma yang digunakan oleh penelitian sebelumnya, maka berikut pada gambar 2.5 adalah gambar mapping literature review.

Gambar 2.5 Mapping Literature Review

Terlihat pada Gambar 2.5, berisi pendekatan decision tree, naïve bayes, evaluasi klasifikasi dan test options. Pada pendekatan decision tree terdapat 3 algoritma yang digunakan oleh penelitian-penelitian sebelumnya, diantaranya algoritma ID3, C4.5, dan CART. Sedangkan pada evaluasi klasifikasi berisi metode untuk mengevaluasi atau menghitung akurasi dari hasil klasifikasi, terdapat 2 pendekatan yang dilakukan oleh beberapa penelitian sebelumnya, diantaranya Confusion Matrix, dan Kurva ROC. Dalam klasifikasi, untuk membagi data menjadi data training dan data testing dapat dilakukan dalam beberapa cara, diantaranya yang telah dilakukan oleh penelitian sebelumnya yaitu Split Test atau Split of (10-100%) dan K-fold cross validation.

BAB III

OBJEK DAN METODOLOGI PENELITIAN

Gambaran Umum Perusahaan

Perguruan Tinggi Raharja merupakan kampus modern, komprehensif, terbuka, multi budaya, dan humanis yang saat ini secara simultan selalu berusaha menjadi salah satu Perguruan Tinggi riset. Upaya-upaya pencapaian tertinggi dalam hal penemuan, pengembangan dan difusi pengetahuan secara regional dan global selalu dilakukan.

Telah menjadi tekad para pendiri perguruan tinggi ini untuk membantu pemerintah dan masyarakat Kota Tangerang dalam Perguruan Tinggi Raharja yang diselenggarakan oleh Yayasan Nirwana Nusantara dan merupakan pendidikan yang terbaik dalam bidang ilmu komputer.

Sejarah Singkat Perguruan Tinggi Raharja

Perguruan Tinggi Raharja berdiri pada tahun 1994 berawal dari Yayasan Nirwana Nusantara yang mendirikan Lembaga Pendidikan dan Pelatihan Komputer (LPPK) Raharja yang diresmikan oleh Walikota Tangerang pada waktu itu Drs.H.Djakaria Machmud dan lembaga inilah yang mempelopori penggunaan Operating System Windows dan aplikasinya di wilayah Tangerang dan sekitarnya. Pada tahun 1999, Raharja berkembang menjadi Akademi Manajemen Informatika dan Komputer (AMIK) Raharja Informatika dan selang waktu 2 tahun, terwujudlah Sekolah Tinggi Manajemen dan Ilmu Komputer (STMIK) Raharja pada tahun 2001, STMIK Raharja menjadi Perguruan Tinggi Komputer yang memiliki program studi terlengkap di Propinsi Banten.

Pada tahun 2008, kini seluruh Program Studi yang ada pada AMIK Raharja Informatika dan STMIK Raharja statusnya telah terakreditasi, serta dicapainya keberhasilan Perguruan Tinggi Raharja pada tahun 2009 dalam Verifikasi dan Tersertifikasi ISO 9001:2008 (Sistem Manajemen Mutu Raharja) dari Lloyd Register Quality Assurance (LRQA-UKAS). Dalam rangka meningkatkan mutu pembelajaran, Perguruan Tinggi Raharja membuat terobosan baru dengan membuka perkuliahan iLearning pada tahun 2011 dan membuka perkuliahan iLearning Plus serta kelas Executive pada tahun 2014 dengan memberikan kesempatan kepada masyarakat yang ingin bergabung bersama Perguruan Tinggi Raharja karena keterbatasan waktu kuliah. Sampai sekarang, Perguruan Tinggi Raharja secara kontinyu melanjutkan peran pentingnya di level nasional.

Visi dan Misi Perguruan Tinggi Raharja

Visi Perguruan Tinggi Raharja

Visi Perguruan Tinggi Raharja ialah menjadi Perguruan Tinggi swasta yang secara berkesinambungan meningkatkan kualitas pendidikan,memberikan pelayanan dalam menciptakan sumber daya manusia yang tangguh,memiliki daya saing yang tinggi dalam era globalisasi terutama yang terkait dan ditunjang oleh berbagai bentuk penerapan dibidang teknologi informasi dan komputer. Menjadikan Pribadi Raharja sebagai sumber daya manusia terampil dan ahli,mampu bersaing dalam dunia bisnis maupun non bisnis, menghasilkan tenaga intelektual dan profesional, serta mampu berkembang dalam cakrawala yang lebih luas.

Misi Perguruan Tinggi Raharja

Dalam rangka mencapai visi yang digariskan, Perguruan Tinggi Raharja senantiasa akan berupaya untuk melaksanakan misinya sebagai berikut:

Struktur Organisasi

Sebuah organisasi harus mempunyai suatu sktruktur organisasi yang digunakan untuk memudahkan pengkoordinasian dan penyatuan usaha untuk menunjukkan kerangka – kerangka hubungan diantara fungsi, bagian – bagian maupun tugas dan wewenang serta tanggung jawab.

Sama halnya dengan Perguruan Tinggi Raharja yang mempunyai struktur organisasi sebagai berikut:

Gambar 3.1 Struktur Organisasi

Tugas dan Tanggung Jawab

Metode Analisa

Dalam penelitian ini, untuk  menganalisis  data  dalam  penerapan  data mining digunakan proses dari tahapan Knowledge Discovery in  Databases  (KDD)  yang terdiri dari data selection, pre-processing data, data tranformation, data mining, evaluation, dan hingga menghasilkan knowledge atau pengetahuan.

Data Selection

Data yang didapat dalam penelitian ini adalah hasil dari observasi  di Perguruan Tinggi Raharja dengan menganalisa data Absensi Online (selanjutnya akan disebut AO). Data AO tersebut akan diproses sehingga dapat menghasilkan nilai rata-rata kedisiplinan dari mahasiswa. Set data yang dipilih yaitu AO pada semester genap 2014/2015, dengan mengambil data perkuliahan teori yang memiliki bobot 2 sks dan 3 sks. Set data tersebut berisi 338 kelas teori dengan tenaga pengajar sebanyak 119 dosen.

Tabel 3.1 Sampel Kelas Pada Set Data AO

Tabel 3.1 adalah contoh sampel kelas pada set data Absensi Online Perguruan Tinggi Raharja Semester Genap 2014/2015, yang berisi kelas-kelas perkuliahan teori dengan waktu absensi di setiap pertemuannya, dengan maksimal 14 kali pertemuan pada setiap kelas perkuliahan.

Pre-Processing Data

Variabel Y (Kedisiplinan Mahasiswa)

A. Pembersihan Kelas         

Sebelum masuk pada tahap perhitungan variabel Y, hal yang perlu diperhatikan adalah kelas yang diduga abnormal (Gambar 3.2) dimana pada kelas tersebut terdapat keanehan yaitu absensi penuh disetiap pertemuan, atau berturut-turut absensi penuh dan pada waktu yang sama.

Tabel 3.2 Contoh Kelas Abnormal

Perhatikan Tabel 3.2, yang bergaris warna merah atau kelas dengan kode AL101B tidak digunakan pada tahap selanjutnya dikarenakan kelas tersebut sangat abnormal. Selain kelas AL101B, pada set data yang dibersihkan terdapat 2 kelas lain yang dihapus yaitu AL101A, dan AK111A dikarenakan alasan yang sama dan juga terdapat 1 kelas Independent Study (IL101A) yang memang di kelas tersebut tidak ada perkuliahan di kelas. Sehingga dari total 338 kelas teori, setelah tahap pembersihan kelas menjadi 334 kelas yang akan diolah.

B. Pengenalan Variabel dan Penghapusan Record Mahasiswa

Variabel Y yaitu nilai kedisiplinan mahasiswa. Untuk mengetahui nilai kedisiplinan mahasiswa, yang harus diketahui adalah jumlah mahasiswa tersebut hadir dalam kelas dan target kehadiran dari kelas tersebut. Untuk mempermudah perhitungan, jumlah pencapaian kehadiran mahasiswa dikelas diwakilkan dengan variabel a dan target kehadiran kelas diwakilkan dengan variabel b.

Tabel 3.3 Pencapaian Kehadiran dan Target Kehadiran

Dapat dilihat pada Tabel 3.3, pada kelas SK132D variabel b atau target kehadiran kelas adalah 13 sedangkan kelas BI102D target kehadirannya 14. Dan variabel a adalah jumlah pencapaian kehadiran mahasiswa pada kelas disetiap pertemuan. Agar set data lebih berkualitas, maka jika nilai dari variabel a sama dengan 0 atau dengan kata lain mahasiswa tersebut tidak hadir satu kali pun dalam kelas, maka baris data mahasiswa tersebut akan dihapus dan tidak digunakan.

Tabel 3.4 Penghapusan Record Variabel a = 0

Perhatikan Tabel 3.4, record yang berwarna merah adalah yang nilai pencapaian kehadirannya 0 atau record yang akan dihapus. Terdapat 188 record yang dihapus atau tidak digunakan pada tahap selanjutnya.

C. Penggabungan Record Mahasiswa

Seorang mahasiswa dapat mengambil banyak mata kuliah (kelas) pada setiap semester, sehingga hal yang perlu dilakukan yaitu penggabungan (Grouping) dari setiap kehadiran mahasiswa di kelas-kelas mata kuliah sesuai dengan NIM dan nama mahasiswa.

Tabel 3.5 Contoh Record Mahasiswa Sebelum Penggabungan

Dari Tabel 3.5 dapat dilihat bahwa, disetiap record adalah record mahasiswa yang terdapat di 1 kelas mata kuliah. Sebagai contoh mahasiswa dengan nim 1322475733 memiliki 8 variabel a dan b, dengan kata lain mahasiswa tersebut pada semester ini mengambil 8 mata kuliah. Sehingga setelah proses grouping maka hasilnya adalah setiap mahasiswa memiliki nilai rata-rata pencapaian kehadiran / rata-rata target kehadiran.

Tabel 3.6 Hasil Penggabungan Record Mahasiswa

Di Tabel 3.6 adalah contoh beberapa record hasil dari grouping dan tidak ada lagi nim mahasiswa yang berulang. Terdapat 1836 record mahasiswa yang terdaftar dari hasil tahap ini.

D. Perhitungan Varibel Y

Setelah diketahui rata-rata dari variabel a dan variabel b, maka hasilnya dapat diketahui nilai kedisiplinan per mahasiswa (variabel Y). Berikut adalah rumus untuk mencari nilai variabel Y:

(Rumus 3.1)

Keterangan :

Y = Kedisiplinan mahasiswa

a = Rata-rata pencapaian kehadiran mahasiswa

b = Rata-rata target kehadiran mahasiswa

 

Tabel 3.7 Variabel Y

Pada Tabel 3.7 dapat dilihat setiap record mahasiswa memiliki nilai Y atau kedisiplinan mahasiswa yang nantinya nilai tersebut menjadi pengukuran bahwa mahasiswa tersebut disiplin atau tidak disiplin.

Variabel X

A. Pemilihan Atribut (Variabel X)

Pemilihan atribut atau variabel X harus sesuai dengan pertimbangan bahwa atribut tersebut terdapat pengaruh dan relevan terhadap variabel Y. Dalam penulisan ini, telah dipilih beberapa atribut yang diasumsikan berpengaruh terhadap tingkat kedisiplinan mahasiswa, diantaranya Jejang kuliah, program studi, shift kuliah, status pekerjaan, status ilearning, jenis kelamin, umur, angkatan, dan asal sekolah. Namun saat penarikan data untuk atribut status pekerjaan, dan asal sekolah, data yang didapat kurang mencukupi, sehingga atribut tersebut tidak digunakan.

Tabel 3.8 Variabel X

X	Keterangan
X1	Jenjang Kuliah
X2	Program Studi
X3	Shift Kuliah
X4	Status Ilearning
X5	Jenis Kelamin
X6	Umur
X7	Angkatan

Perhatikan Tabel 3.8, terdapat 7 atribut predictor yang diasumsikan memiliki pengaruh terhadap atribut target yaitu kedisiplinan mahasiswa (variabel Y).

Hubungan Antar Variabel Y Dengan Variabel X

Setelah diketahui data dari variabel Y dan variabel X, maka yang selanjutnya adalah menggambarkan hubungan antar variabel Y dengan variabel X.

Gambar 3.3 Hubungan Variabel Multivariat

Jika dilihat dari Gambar 3.3, hubungan yang terlihat adalah hubungan asimetris lebih dari dua variabel atau dapat disebut hubungan variabel multivariat.

Hasil Pre-processing Data

Setelah melewati tahap-tahap dalam pre-processing dengan tujuan untuk mendapatkan set data yang siap diolah sebelum masuk ke dalam data mining, maka hasil dari proses ini adalah set data baru yang berisi 1836 record mahasiswa.

Tabel 3.11 Hasil Pre-processing Data

Hasil ini (Tabel 3.11) berupa record mahasiswa yang memiliki Nim, Nama, 7 atribut predictor (yang diasumsikan memiliki pengaruh terhadap variabel Y) dan atribut target (variabel Y) yaitu kedisiplinan mahasiswa pada Perguruan Tinggi Raharja.

Dataset Transformation

Dataset transformasi merupakan perubahan format set data dari bentuk tabel dalam berkasexcel menjadi format data CSV (Comma Separated Values). Perubahan format ini dimaksudkan agar set data dapat diekstraksi oleh sistem atau aplikasi yang digunakan untuk mengolah data mining. Format CSV lebih mudah dan dapat diekstraksi diberbagai Bahasa pemrograman. Selain itu untuk mengubah berkas excel ke bentuk CSV hanya perlu mengubah file type pada saat menyimpan berkas excel.

Data Mining

Klasifikasi

Permasalahan dari klasifikasi adalah menentukan class atau atribut dari suatu yang sebelumnya belum diketahui. Class itu sendiri adalah kesimpulan dari setiap data dan setiap data biasanya hanya memiliki 1 class. Studi kasus pada penelitian ini adalah menentukan class dari variabel Y. Dalam penelitian ini, telah ditentukan pembagian class berlandaskan dari buku tentang Himpunan Peraturan Akademik (selanjutnya disebut HPA) di Perguruan Tinggi Raharja Nomor:443/SK-Peraturan/PT/VIII/2014, Pasal 27 poin 2 yang berisi “Memenuhi persyaratan kehadiran 75% (tatap muka minimal 75%) dan persyaratan akademik lainnya yang ditetapkan dalam tata tertib ujian.”, sehingga jika kehadiran mahasiswa 75% atau lebih sudah dianggap disiplin dan jika kurang dari 75% dianggap tidak disiplin. Maka dari itu telah ditentukan bahwa ada 2 class yang terbentuk dari variabel Y dengan keterangan sebagai berikut:

Tabel 3.12 Keterangan Class Sesuai HPA

Class	Kondisi
Disiplin	0.75 >= Y <= 1.00
Tidak Disiplin	Y < 0.75

Pada Tabel 3.12 menyatakan bahwa Y adalah nilai kedisiplinan mahasiswa dan dimana jika Y lebih besar sama dengan 0.75 dan kurang dari sama dengan 1.00 maka termasuk class Disiplin. Sedangkan jika Y kurang dari 0.75 maka termasuk class Tidak Disiplin.

Namun pada nyatanya dilapangan, persyaratan yang berlaku untuk persyaratan agar dapat mengikuti ujian adalah memenuhi minimal 4 kali kehadiran tatap muka untuk dapat mengikuti UTS dan minimal 8 kali kehadiran untuk dapat mengikuti UAS (terdapat dalam lampiran). Jika dikonversikan kedalam persen dengan maksimal kehadiran adalah 14 kali, maka syarat minimal kehadiran adalah sekitar 57%. Berikut adalah tabel class berdasarkan persyaratan yang berjalan dilapangan (aktual):

Tabel 3.13 Keterangan Class Sesuai Data Aktual

Class	Kondisi
Disiplin	0.57 >= Y <= 1.00
Tidak Disiplin	Y < 0.57

Pada Tabel 3.13 menyatakan bahwa Y adalah nilai kedisiplinan mahasiswa dan dimana jika Y lebih besar sama dengan 0.57 dan kurang dari sama dengan 1.00 maka termasuk class Disiplin. Sedangkan jika Y kurang dari 0.57 maka termasuk class Tidak Disiplin.

Pembagian Data Training dan Data Testing

Pada penelitian ini set data AO dibagi menjadi 2 bagian yaitu data training dan data testing. Salah satu metode pembagian datanya menggunakan metode K-Fold Cross Validation dimana set data dibagi menjadi K-set partisi secara acak. K-fold cross validation dipilih karena dibandingkan dengan metode lain seperti Spli Test, metode cross validation menghasilkan akurasi yang lebih akurat karena set data dibagi menjadi beberapa iterasi dan hasilnya adalah rata-rata dari seluruh iterasi yang diuji.

Penerapan Algoritma C4.5 (Decision Tree)

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:

1. Pilih atribut sebagai akar
2. Buat cabang untuk masing-masing nilai
3. Bagi kasus dalam cabang
4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.

Evaluation

Evaluation atau pengujian kinerja sistem dilakukan setelah model klasifikasi terbentuk. Pengujian dilakukan dengan menggunakan metode Confusion Matrix. Perhitungan dengan metode confusion matrix diterapkan pada keseluruhan data testing disetiap partisi atau iterasi yang terbentuk dari metode K-Fold Cross Validation.

Tabel 3.14 Confusion Matrix (sumber: Shmueli,dkk 2016:111)^[19]

Pada tabel 3.14 adalah contoh confusion matrix yang berisi matriks jumlah dari klasifikasi yang benar maupun klasifikasi yang salah. Ini bertujuan untuk mendeteksi bias atau penyimpangan. Pada penelitian ini yang ingin diketahui adalah accuracy keseluruhan serta nilai precision dan recall dari class “Disiplin” dan “Tidak Disiplin”.

Permasalahan yang dihadapi dan Alternatif Pemecahan Masalah

Permasalahan yang dihadapi

Dari hasil analisa, maka permasalahan yang dihadapi oleh Perguruan Tinggi Raharja mengenai tingkat kedisiplinan mahasiswa adalah sebagai berikut:

Alternatif Pemecahan Masalah

Setelah mengamati dan meneliti dari beberapa permasalahan yang terjadi, terdapat beberapa alternatif pemecahan dari masalah yang dihadapi, antara lain :

 

User Requirement

Elisitasi Tahap I

Elisitasi tahap I merupakan daftar kebutuhan yang diperoleh dari hasil pengumpulan data baik dengan cara observasi dan wawancara. Berikut lampiran Elisitasi Tahap I yang telah dibuat :

Tabel 3.15 Elisitasi Tahap I

Functional
Analisa Kebutuhan
Saya ingin sistem dapat
No	Uraian
1	Menampilkan halaman utama tentang sistem peramalan
2	Menampilkan halaman demo peramalan
3	Menampilkan halaman FAQ (Frequently Asked Questions)
4	Menampilkan menu Login
5	Menampilkan menu registrasi pengguna baru
6	Memiliki fitur lupa sandi?
7	Manajemen User
8	Manajemen User Group
9	Manajemen Dynamic Menubar
10	Memiliki fasilitas publikasi peramalan
11	Memiliki fitur upload/import data training dalam bentuk berkas .CSV
12	Memiliki fasilitas menyeleksi features (atribut) data training
13	Menampilkan nama dan deskripsi peramalan
14	Menampilkan logo instansi (studi kasus logo perguruan tinggi)
15	Memiliki fasilitas update dan unpublish peramalan
16	Menampilkan counter pageviews peramalan
17	Memiliki fitur data testing peramalan/prediksi dalam bentuk form
18	Memiliki fitur upload bulk data testing dalam bentuk berkas .CSV
19	Menampilkan diagram pohon keputusan
20	Menampilkan rules dari pohon keputusan
21	Menampilkan waktu pemrosesan peramalan
22	Menampilkan akurasi dari hasil peramalan
23	Menampilkan detail akurasi peramalan dalam bentuk confusion matrix
24	Memiliki fitur fullscreen dalam melihat diagram pohon keputusan
25	Memiliki fitur zoom-in dan zoom-out dalam melihat diagram pohon keputusan
26	Memiliki fitur cetak (print) hasil peramalan
27	Memiliki fasilitas share ke sosial media
28	Memiliki fasilitas search engine peramalan
29	Memiliki halaman peramalan/prediksi terpopuler
30	Menampilkan peramalan yang diutamakan/diunggulkan pada halaman depan
31	Memiliki halaman hubungi kami (contact us)
32	Memiliki halaman dashboard monitoring jumlah peramalan yang dibuat, dan page views
Non Functional
Saya ingin sistem dapat
1	Mampu berjalan di hampir semua web browser
2	Memiliki tampilan yang menarik dan mudah dipahami
3	Memiliki tampilan yang responsive
Penyusun,   (Rizal Loa Wanda)

Elisitasi Tahap II

Merupakan hasil pengklasifikasian dari elisitasi tahap I berdasarkan metode MDI. Metode MDI ini bertujuan untuk memisahkan antara rancangan sistem yang penting dan harus ada pada sistem baru dengan rancangan yang disanggupi oleh penulis untuk dieksekusi. Berikut lampiran Elisitasi Tahap II yang telah dibuat :

Tabel 3.16 Elisitasi Tahap II

No	Functional	M	D	I
	Saya ingin sistem dapat
1	Menampilkan halaman utama tentang sistem peramalan	√
2	Menampilkan halaman demo peramalan	√
3	Menampilkan halaman FAQ (Frequently Asked Questions)		√
4	Menampilkan menu Login	√
5	Menampilkan menu registrasi pengguna baru	√
6	Memiliki fitur lupa sandi?	√
7	Manajemen User	√
8	Manajemen User Group	√
9	Manajemen Dynamic Menubar	√
10	Memiliki fasilitas publikasi peramalan	√
11	Memiliki fitur upload/import data training dalam bentuk berkas .CSV	√
12	Memiliki fasilitas menyeleksi features (atribut) data training	√
13	Menampilkan nama dan deskripsi peramalan	√
14	Menampilkan logo instansi (studi kasus logo perguruan tinggi)		√
15	Memiliki fasilitas update dan unpublish peramalan	√
16	Menampilkan counter pageviews peramalan		√
17	Memiliki fitur data testing peramalan/prediksi dalam bentuk form			√
18	Memiliki fitur upload bulk data testing dalam bentuk berkas .CSV	√
19	Menampilkan diagram pohon keputusan	√
20	Menampilkan rules dari pohon keputusan	√
21	Menampilkan waktu pemrosesan peramalan	√
22	Menampilkan akurasi dari hasil peramalan	√
23	Menampilkan detail akurasi peramalan dalam bentuk confusion matrix	√
24	Memiliki fitur fullscreen dalam melihat diagram pohon keputusan		√
25	Memiliki fitur zoom-in dan zoom-out dalam melihat diagram pohon keputusan		√
26	Memiliki fitur cetak (print) hasil peramalan		√
27	Memiliki fasilitas share ke sosial media		√
28	Memiliki fasilitas search engine peramalan		√
29	Memiliki halaman peramalan/prediksi terpopuler		√
30	Menampilkan peramalan yang diutamakan/diunggulkan pada halaman depan	√
31	Memiliki halaman hubungi kami (contact us)		√
32	Memiliki halaman dashboard monitoring jumlah peramalan yang dibuat, dan page views	√
No	Non Functional	M	D	I
	Saya ingin sistem dapat
1	Mampu berjalan di hampir semua web browser	√
2	Mampu berjalan di mobile web browser		√
3	Memiliki tampilan yang menarik dan mudah dipahami	√
4	Memiliki tampilan yang responsive	√
Penyusun,   (Rizal Loa Wanda)

 

Elisitasi Tahap III

Merupakan hasil penyusutan dari elisitasi tahap II dengan cara mengeliminasi semua requirement yang optionnya I pada metode MDI. Selanjutnya semua requirement yang tersisa diklasifikasikan kembali melalui metode TOE. Berikut lampiran Elisitasi Tahap III yang telah dibuat:

Tabel 3.17 Elisitasi Tahap III

No	Functional	T			O			E
	Saya ingin sistem dapat	L	M	H	L	M	H	L	M	H
1	Menampilkan halaman utama tentang sistem peramalan	√			√				√
2	Menampilkan halaman demo peramalan		√			√			√
3	Menampilkan halaman FAQ (Frequently Asked Questions)	√				√		√
4	Menampilkan menu Login		√		√				√
5	Menampilkan menu registrasi pengguna baru		√			√			√
6	Memiliki fitur lupa sandi?		√			√			√
7	Manajemen User		√			√			√
8	Manajemen User Group		√		√				√
9	Manajemen Dynamic Menubar		√			√			√
10	Memiliki fasilitas publikasi peramalan		√			√			√
11	Memiliki fitur upload/import data training dalam bentuk berkas .CSV		√			√			√
12	Memiliki fasilitas menyeleksi features (atribut) data training			√		√			√
13	Menampilkan nama dan deskripsi peramalan	√			√			√
14	Menampilkan logo instansi (studi kasus logo perguruan tinggi)	√			√			√
15	Memiliki fasilitas update dan unpublish peramalan		√		√				√
16	Menampilkan counter pageviews peramalan	√			√			√
17	Memiliki fitur upload bulk data testing dalam bentuk berkas .CSV		√			√			√
18	Menampilkan diagram pohon keputusan		√			√			√
19	Menampilkan rules dari pohon keputusan		√			√			√
20	Menampilkan waktu pemrosesan peramalan	√				√			√
21	Menampilkan akurasi dari hasil peramalan	√				√			√
22	Menampilkan detail akurasi peramalan dalam bentuk confusion matrix			√		√			√
23	Memiliki fitur fullscreen dalam melihat diagram pohon keputusan		√		√				√
24	Memiliki fitur zoom-in dan zoom-out dalam melihat diagram pohon keputusan		√			√			√
25	Memiliki fitur cetak (print) hasil peramalan		√		√				√
26	Memiliki fasilitas share ke sosial media	√			√			√
27	Memiliki fasilitas search engine peramalan		√			√			√
28	Memiliki halaman peramalan/prediksi terpopuler		√		√				√
29	Menampilkan peramalan yang diutamakan/diunggulkan pada halaman depan		√			√			√
30	Memiliki halaman hubungi kami (contact us)	√			√			√
31	Memiliki halaman dashboard monitoring jumlah peramalan yang dibuat, dan page views		√			√			√
No	Non Functional	T			O			E
	Saya ingin sistem dapat	L	M	H	L	M	H	L	M	H
1	Mampu berjalan di hampir semua web browser		√			√			√
2	Memiliki tampilan yang menarik dan mudah dipahami	√			√			√
3	Memiliki tampilan yang responsive		√			√			√
Penyusun,   (Rizal Loa Wanda)

 

 

Final Draft Elisitasi

Merupakan hasil akhir yang dicapai dari suatu proses elisitasi yang dapat digunakan sebagai dasar pembuatan suatu sistem. Berikut lampiran Final Draft Elisitasi yang telah dibuat :

Tabel 3.18 Final Draft Elisitasi

Functional
Analisa Kebutuhan
No	Saya ingin sistem dapat
1	Menampilkan halaman utama tentang sistem peramalan
2	Menampilkan halaman demo peramalan
3	Menampilkan halaman FAQ (Frequently Asked Questions)
4	Menampilkan menu Login
5	Menampilkan menu registrasi pengguna baru
6	Memiliki fitur lupa sandi?
7	Manajemen User
8	Manajemen User Group
9	Manajemen Dynamic Menubar
10	Memiliki fasilitas publikasi peramalan
11	Memiliki fitur upload/import data training dalam bentuk berkas .CSV
12	Memiliki fasilitas menyeleksi features (atribut) data training
13	Menampilkan nama dan deskripsi peramalan
14	Menampilkan logo instansi (studi kasus logo perguruan tinggi)
15	Memiliki fasilitas update dan unpublish peramalan
16	Menampilkan counter pageviews peramalan
17	Memiliki fitur upload bulk data testing dalam bentuk berkas .CSV
18	Menampilkan diagram pohon keputusan
19	Menampilkan rules dari pohon keputusan
20	Menampilkan waktu pemrosesan peramalan
21	Menampilkan akurasi dari hasil peramalan
22	Menampilkan detail akurasi peramalan dalam bentuk confusion matrix
23	Memiliki fitur fullscreen dalam melihat diagram pohon keputusan
24	Memiliki fitur zoom-in dan zoom-out dalam melihat diagram pohon keputusan
25	Memiliki fitur cetak (print) hasil peramalan
26	Memiliki fasilitas share ke sosial media
27	Memiliki fasilitas search engine peramalan
28	Memiliki halaman peramalan/prediksi terpopuler
29	Menampilkan peramalan yang diutamakan/diunggulkan pada halaman depan
30	Memiliki halaman hubungi kami (contact us)
31	Memiliki halaman dashboard monitoring jumlah peramalan yang dibuat, dan page views
Non Functional
Saya ingin sistem dapat
1	Mampu berjalan di hampir semua web browser
2	Memiliki tampilan yang menarik dan mudah dipahami
3	Memiliki tampilan yang responsive

BAB IV

HASIL DAN PEMBAHASAN

Rancangan Sistem Usulan

Dalam membuat rancangan sistem usulan pada penelitian ini digunakan program Visual Paradigm for UML Community Edition 12.1 untuk menggambarkan use case diagram, activity diagram, sequence diagram dan class diagram yang sekaligus menggambarkan rancangan database.

Use Case Diagram Yang Diusulkan

Gambar 4.1 Use Case Diagram

Pada Gambar 4.1 terdapat 4 actor yaitu Visitor, Decision Maker, dan dimana 2 actor lainnya yaitu Administrator dan Members digeneralisasi menjadi Registered User. Untuk menjelaskan Use Case Diagram pada Gambar 4.1, digunakan Use Case Glossary yang menjelaskan deskripsi secara singkat use case yang sudah ditentukan (biasanya berupa tujuan), dan Actor Glossary yang menjelaskan siapa actor tersebut serta apa tujuan actor tersebut terhadap sistem. Selain itu Use Case Glossary dan Actor Glossary juga dapat menjelaskan prosedur sistem yang diusulkan serta hak akses sistem.

Use Case Glossary

Berikut adalah Use Case Glossary yang berisi deskripsi singkat dari use case dan actor yang berkaitan dengan use case tersebut:

Tabel 4.1 Use Case Glossary

No	Use Case Name	Description	Actors
1	Login	Use case ini berfungsi untuk masuk ke dalam sistem dan sebagai kunci untuk beberapa use case yang mengharuskan use case ini dilakukan.	Administrator, Members
2	Register	Use case ini berfungsi untuk mendaftarkan diri sebagai members agar dapat berinteraksi dengan beberapa use case yang mengharuskan untuk actor masuk kedalam sistem.	Visitor
3	Lupa Sandi	Use case ini berjalan ketika ada actor yang lupa password/sandi yang mengharuskan member memasukkan identitas dan akan dikirim email oleh sistem untuk mendapatkan password yang baru.	Administrator, Members
4	Logout	Use case ini memungkinkan member untuk keluar dari sistem.	Administrator, Members
5	Mengelola Data Member	Use case ini berfungsi untuk memanajemen pengguna yang terdaftar dalam sistem. Terdapat 3 use case turunan dalam use case ini. (dijelaskan pada 3 use case dibawah).	Administrator
6	Menambah Member	Use case ini berfungsi sama dengan use case registrasi, namun actor yang melakukannya berbeda.	Administrator
7	Mengupdate Data Member	Use case ini memungkinkan actor untuk memperbarui data member yang telah terdaftar dalam sistem.	Administrator
8	Mengaktifkan / Menonaktifkan Member	Use case ini memungkinkan actor untuk mengaktifkan atau menonaktifkan member yang dipilih. Jika member statusnya non-aktif maka member tersebut tidak menjalankan use case “Login”.	Administrator
9	Membuat Peramalan	Use case ini memungkinkan actor untuk mempublikasikan peramalan yang akan dibuat. Terdapat 3 use case turunan yang dijelaskan pada 3 use case dibawah.	Administrator, Members
10	Mengisi Form Keterangan Peramalan	Use case ini berfungsi untuk memberikan keterangan pada peramalan yang akan dibuat seperti judul, deskripsi, dan logo dari peramalan yang dibuat.	Administrator, Members
11	Mengunggah File Data Training	Use case ini mengharuskan actor untuk mengunggah file data training peramalan yang telah disiapkan diluar sistem.	Administrator, Members
12	Menyeleksi Atribut	Use case ini berfungsi untuk menyeleksi atribut yang akan digunakan sebagai.	Administrator, Members
13	Mencoba Sisem Peramalan	Use case ini berfungsi untuk actor melakukan tes / mencoba sistem peramalan yang sudah terpublikasi.	Administrator, Members, Visitor
14	Mengunggah File Data Testing	Use case ini berfungsi untuk melakukan tes pada peramalan yang terpublikasi dan diproses oleh algoritma dengan membandingkan data training dengan data testing.	Administrator, Members, Visitor
15	Mengelola Daftar Peramalan	Use case ini memungkinkan actor untuk memanajemen daftar peramalan yang sudah terpublikasi maupun tidak. Terdapat 3 use case turunan yang dijelaskan pada 3 use case dibawah.	Administrator, Members
16	Mengupdate Peramalan	Use case ini berfungsi untuk memperbarui peramalan seperti judul, deskripsi, ataupun logo peramalan.	Administrator, Members
17	Mengupdate Status Publish/Unpublish	Use case ini berfungsi untuk mengubah status peramalan menjadi terpublikasi atau tidak.	Administrator, Members
18	Menghapus Peramalan	Use case ini memungkinkan actor untuk menghapus peramalan yang telah tersimpan dalam sistem secara permanen dan tidak dapat ditampilkan kembali.	Administrator
19	Mengelola menu	Use case ini memungkinkan actor untuk mengelola menu dinamis yang telah tersimpan disistem. Terdapat 3 use case turunan yang dijelaskan pada 3 use case dibawah.	Administrator
20	Menambah Menu	Use case ini memungkinkan actor dapat menambah menu dinamis yang akan tampil pada sistem.	Administrator
21	Mengupdate  Menu	Use case ini memungkinkan actor untuk memperbaharui menu dinamis yang sudah tersimpan dalam sistem. Seperti mengubah label, link, icon, atau menjadikan menu tersebut menjadi submenu atau sebaliknya.	Administrator
22	Menghapus Menu	Use case ini memungkinkan actor untuk menghapus menu secara permanen.	Administrator
23	Membuat Keputusan	Use case ini memungkinkan actor  “Member” untuk memberikan hasil peramalan kepada actor “Decision Maker” yang berwenang untuk membuat keputusan dari hasil peramalan yang diberikan. Ini terjadi diluar sistem.	Members, Decision Maker

 

Actor Glossary

Berikut adalah Actor Glossary yang mendeskripsikan secara singkat actor yang telah ditentukan serta use cases yang berkaitan dengan actor tersebut:

Tabel 4.2 Actor Glossary

No	Actor Name	Description	Use Cases
1	Administrator	Actor ini merupakan super user dalam sistem yang memiliki privilege untuk mengelola member, mengelola seluruh peramalan dan mengelola menu pada sistem.	Semua Use Case atau fungsional yang ada pada sistem.
2	Members	Actor ini merupakan pengguna yang terdaftar dalam sistem dan dapat melakukan beberapa use case yang memerlukan akses sebagai pengguna terdaftar seperti use case utama membuat peramalan, dan mengelola peramalan yang dibuat.	Login Lupa Sandi Logout Membuat Peramalan Mengisi Form Keterangan Peramalan Mengunggah File Data Training Menyeleksi Atribut Mencoba Peramalan Mengunggah File Data Testing Mengelola Daftar Peramalan Mengupdate Keteranganan Peramalan Mengupdate Status Publish/Unpublish Menghapus Peramalan
3	Visitor	Actor ini adalah tingkatan yang paling rendah. Tidak dapat masuk ke inti sistem, hanya dapat mencoba peramalan yang sudah terpublikasi. Untuk dapat terdaftar dalam sistem, actor harus melakukan registrasi.	Registrasi Mencoba Peramalan Mengunggah File Data Testing
4	Decision Maker	Actor ini adalah yang mempertimbangkan dan membuat keputusan dari hasil peramalan yang telah dilakukan oleh actor “Member”	Membuat Keputusan

Actor “Decision Maker” dalam Tabel 4.2 adalah yang paling berwenang dalam membuat keputusan. Pada objek penelitian ini, yang berperan sebagai “Decision Maker” atau yang paling berwenang dalam membuat keputusan adalah Direktur Perguruan Tinggi Raharja. Sedangkan Asisten Direktur atau Kepala Jurusan atau Sekretaris Jurusan yang paling mengerti mengenai kegiatan akademik dapat berperan sebagai actor “Members” untuk dapat membuat peramalan dan mengusulkan keputusan kepada actor “Decision Maker”.

Activity Diagram Yang Diusulkan

Activity diagram yang akan dibahas hanya dari 7 use case utama, berikut adalah activity diagram dari sistem yang diusulkan:

Activity Diagram Login

Gambar 4.2 Activity Diagram Login

Berdasarkan Gambar 4.2 actor diharuskan sudah terdaftar dalam sistem, actor yang sudah terdaftar dalam sistem adalah Member dan Administrator. Decision node pada Gambar 4.2 berfungsi sebagai validasi untuk mencocokan username dan password yang terdaftar di sistem.

Activity Diagram Register

Gambar 4.3 Activity Diagram Register

Pada Gambar 4.3 actor yang melakukan kegiatan yaitu visitor dimana actor tersebut belum terdaftar dalam sistem. Pada Gambar 4.3, Terdapat 3 decision node, dimana dari ke 3 decision node tersebut yang pertama adalah validasi untuk mengecek jika username tidak tersedia atau sudah digunakan oleh member lain. Decision node kedua adalah validasi untuk mengecek jika email sudah terdaftar, dan decision node ketiga adalah untuk mencocokan password dengan konfirmasi password.

Activity Diagram Membuat Peramalan

Gambar 4.4 Activity Diagram Membuat Peramalan

Pada Gambar 4.4, actor yang terlibat adalah yang sudah terdaftar dalam sistem dan telah login. Dan pada Gambar 4.4 terdapat 6 action state dimana saat berada di action state “Mengunggah File Data Training” actor sudah menyiapkan file tersebut dalam bentuk file format .csv yang dapat dibuat diluar sistem ini. Dan untuk dapat menyeleksi fitur/atribut, file data training yang diunggah harus valid sesuai format yang ditentukan.

Activity Diagram Mencoba Sistem Peramalan

Gambar 4.5 Activity Diagram Mencoba Sistem Peramalan

Pada Gambar 4.5 actor yang terlibat merupakan yang sudah terdaftar dalam sistem maupun yang belum terdaftar. Perhatikan Gambar 4.5 pada action state “Mengunggah File Data Testing”, actor sebelumnya harus sudah menyiapkan file tersebut dalam bentuk file format .csv yang dapat dibuat diluar sistem ini. Dan decision node digunakan untuk memvalidasi jika format file yang diunggah tidak sesuai.

Activity Diagram Mengelola Daftar Peramalan

Gambar 4.6 Activity Diagram Mengelola Daftar Peramalan

Pada Gambar 4.6, actor yang terlibat merupakan Administrator. Perhatikan Gambar 4.6, terdapat 3 decision node dimana decision node yang pertama adalah pilihan dari 3 action state yang dapat dilakukan secara bergantian (non-parallel). Dan pada action state “Mengupdate Peramalan” terdapat decision node kedua yang memiliki 3 cabang action state dimana dari 3 action state tersebut dapat dilakukan salah satu atau semua kegiatan, dan diakhiri dengan penggabungan (merge node).

Activity Diagram Mengelola Data Member

Gambar 4.7 Activity Diagram Mengelola Data Member

Pada Gambar 4.7, actor yang terlibat merupakan Administrator. Selain itu terdapat 3 decision node dimana decision node yang pertama adalah pilihan dari 3 action state yang dapat dilakukan secara bergantian. Perhatikan Gambar 4.7 pada action state “Mengupdate Data Member”, terdapat decision node kedua yang memiliki 5 cabang action state dimana dari 5 action state tersebut dapat dilakukan salah satu atau semua kegiatan, dan diakhiri dengan penggabungan (merge node). Dan pada action state “Aktif/Non-Aktifkan Member”, decision node ketiga berupa tombol toggle dimana kondisi decision terbalik dengan action state yang akan dilakukan / keadaan yang akan disimpan.

Activity Diagram Mengelola Menu Sistem

Gambar 4.8 Activity Diagram Mengelola Menu Sistem

Pada Gambar 4.8, actor yang terlibat merupakan Administrator dan terdapat  2 decision node dimana decision node yang pertama adalah pilihan dari 3 action state yang dapat dilakukan secara bergantian. Perhatikan Gambar 4.8 pada action state “Mengupdate Menu”, terdapat decision node kedua yang memiliki 4 cabang action state dimana dari 4 action state tersebut dapat dilakukan salah satu atau semua kegiatan, dan diakhiri dengan penggabungan (merge node).

Sequence Diagram Yang Diusulkan

Sequence Diagram Login

Gambar 4.9 Sequence Diagram Login

Pada Gambar 4.9, actor yang terlibat adalah Registered User dimana actor tersebut sebagai generalisasi dari actor Administrator dan Members yang sudah terdaftar dalam sistem. Perhatikan Gambar 4.9 pada message 2.2.2 Menyimpan session login, ini dimaksudkan agar informasi pengguna yang telah login disimpan sementara oleh sistem, sehingga jika pengguna mengunjungi berbagai halaman didalam sistem, pengguna tersebut masih dalam keadaan login selama pengguna tidak melakukan logout.

Sequence Diagram Register

Gambar 4.10 Sequence Diagram Register

Perhatikan Gambar 4.10 pada message 2.Verifikasi via email, dalam message tersebut actor melakukan verifikasi bahwa telah melakukan registrasi dengan email yang valid, sehingga actor diharuskan menginputkan email yang valid dan email yang digunakan belum terdaftar dalam sistem. Dan dengan melakukan verifikasi, sistem melakukan cek kecocokan token yang didapat dari email dengan yang ada di dalam database, jika cocok maka actor telah terdaftar dan dapat masuk ke dalam inti sistem.

Sequence Diagram Membuat Peramalan

Gambar 4.11 Sequence Diagram Membuat Peramalan

Perhatikan Gambar 4.11 pada message 1.2.Menyimpan file logo, dan 2.3.Menyimpan file data training pada lifeline storage, ini dimaksudkan file yang diunggah oleh actor akan disimpan di media penyimpanan (storage) di host yang sama dengan sistem, dan pada message 2.3 hanyapath file (string lokasi) nya saja yang disimpan dalam database.

Sequence Diagram Mencoba Sistem Peramalan

Gambar 4.12 Sequence Diagram Mencoba Sistem Peramalan

Perhatikan Gambar 4.12 pada message 2.2.Mengirim data testing, pada bagian tersebut file format .csv yang diunggah oleh actor telah diproses dan diekstraksi oleh sistem yang diwakili oleh lifeline Halaman Peramalan, sehingga dapat diproses oleh algoritma c45 yang digunakan pada penelitian ini.

Sequence Diagram Mengelola Peramalan

Gambar 4.13 Sequence Diagram Mengelola Peramalan

Pada Gambar 4.13, sebenarnya terdapat 3 aktivitas utama yang dilakukan. 3 aktivitas tersebut diwakili oleh lifeline: update peramalan, update status publikasi, dan hapus peramalan. Message 1 hingga 2.2.1.2.1 merupakan aktivitas update peramalan, sedangkan message 3 sampai 3.1.2 adalah aktivitas dari update status publikasi. Dan message 4 sampai 4.1.1.2.1 adalah aktivitas untuk menghapus peramalan.

Sequence Diagram Mengelola Data Member

Gambar 4.14 Sequence Diagram Mengelola Data Member

Pada Gambar 4.14, sama seperti sequence diagram mengelola peramalan, terdapat 3 aktivitas utama yang dilakukan. 3 aktivitas tersebut diwakili oleh lifeline: tambah member, update data member, dan update status aktif/non-aktif member. Message 1 hingga 2.2.1.1 merupakan aktivitas tambah member, sedangkan message 3 sampai 4.2.1.1 adalah aktivitas dari update data member. Dan message 5 sampai 5.2.2.1.1.1 adalah aktivitas untuk update status aktif/non-aktif member.

Sequence Diagram Mengelola Menu Sistem

Gambar 4.15 Sequence Diagram Mengelola Menu Sistem

Pada sequence diagram diatas (Gambar 4.15), juga terdapat 3 aktivitas utama yang dilakukan. 3 aktivitas tersebut diwakili oleh lifeline: tambah menu, update menu, dan hapus menu. Message 1 hingga 2.2.1.1 merupakan aktivitas tambah menu, sedangkan message 3 sampai 4.2.1.1 adalah aktivitas dari update data member. Dan message 5 sampai 6.2.1.1 adalah aktivitas untuk hapus menu.

Rancangan Basis Data

Class Diagram Yang Diusulkan

Gambar 4.16 Class Diagram Yang Diusulkan

Terlihat pada Gambar 4.16, terdapat 6 Class untuk sistem peramalan yang diusulkan diantaranya yaitu users, users_groups, groups, forecast, forecast_status, dan menu. Pada class “users” terdapat relasi terhadap class “forecasts” dimana relasi tersebut adalah 1 user (actor) boleh tidak membuat peramalan atau dapat membuat 1 bahkan lebih peramalan. Perhatikan class “forecasts” dengan “forecast_status” pada Gambar 4.16, kedua class tersebut terhubung namun dalam bentuk dependency (digambarkan garis putus-putus), yang artinya class “forecasts_status” bergantung pada class “forecasts” sehingga jika dilakukan suatu operations pada class “forecasts”, maka akan terjadi trigger dan berpengaruh terhadap class “forecasts_status”. Begitu pula hubungan dependency pada class “users_groups” dan “groups”.

Spesifikasi Basis Data

Spesifikasi database merupakan desain basis data yang dianggap telah normal. Spesifikasi ini menjelaskan nama tabel, akronim tabel, tipe tabel, fungsi, media penyimpanan yang digunakan, dan, primary key. Spesifikasi database yang digunakan dalam sistem yang akan dibangun adalah sebagai berikut :

1.	Nama Tabel	: Users
	Akronim	: users
	Tipe	: Master
	Fungsi	: Menyimpan detail data user (pengguna).
	Media	: Harddisk
	Primary Key	: id

Tabel 4.3 Struktur Tabel Users

Nama Field	Tipe Data	Panjang	Keterangan
id (PK)	Int	11	Id Pengguna
ip_address	Varchar	15	Alamat IP
Username (U)	Varchar	30	Nama Pengguna
Password	Varchar	60	Sandi
Email (U)	Varchar	40	Surat Elektronik
activation_code	Varchar	40	Kode Aktivasi via Email
forgotten_password_code	Varchar	40	Kode Lupa Sandi
forgotten_password_time	Int	11	Waktu Lupa Sandi
remember_code	Varchar	40	Kode Ingat Login
created_on	Int	11	Tanggal Registrasi
last_login	Int	11	Waktu Terakhir Login
active	Tinyint	1	Status Aktif
first_name	Varchar	40	Nama Depan
last_name	Varchar	40	Nama Belakang
company	Varchar	100	Nama Perusahaan
phone	Varchar	14	Nomor Telp

 

2.	Nama Tabel	: Groups
	Akronim	: groups
	Tipe	: Master
	Fungsi	: Menyimpan Keterangan Grup Pengguna.
	Media	: Harddisk
	Primary Key	: id

Tabel 4.4 Struktur Tabel Groups

Nama Field	Tipe Data	Panjang	Keterangan
id (PK)	Mediumint	3	Id Grup
name	Varchar	20	Nama Grup
description	Varchar	100	Deskripsi Grup

 

3.	Nama Tabel	: Users Groups
	Akronim	: users_groups
	Tipe	: Transaksi
	Fungsi	: Menghubungkan tabel users dengan groups.
	Media	: Harddisk
	Primary Key	: id

Tabel 4.5 Struktur Tabel Users Groups

Nama Field	Tipe Data	Panjang	Keterangan
id (PK)	Int	11	Id Grup Pengguna
users_id (FK)	Int	11	Id Pengguna
group_id (FK)	Mediumint	3	Id Grup

 

4.	Nama Tabel	: Forecasts
	Akronim	: forecasts
	Tipe	: Master
	Fungsi	: Menyimpan detail peramalan.
	Media	: Harddisk
	Primary Key	: forecast_id

Tabel 4.6 Struktur Tabel Forcasts

Nama Field	Tipe Data	Panjang	Keterangan
forecast_id (PK)	Mediumint	5	Id Peramalan
forecast_user (FK)	Int	11	Id Pengguna
forecast_title	Varchar	140	Judul Peramalan
forecast_description	Varchar	240	Deskripsi Peramalan
forecast_image	Varchar	36	Logo Peramalan
forecast_url	Varchar	100	Url Peramalan
forecast_temp_file	Varchar	36	Nama file data training sementara
forecast_training_file	Varchar	36	Nama file data training
foreacast_features	Varchar	255	Atribut Peramalan
forecast_target	Varchar	32	Target Peramalan
forecast_date_created	Timestamp		Tanggal Buat Peramalan
forecast_last_updated	Timestamp		Tanggal Terakhir Update

 

5.	Nama Tabel	: Forecast Status
	Akronim	: forecast_status
	Tipe	: Transaksi
	Fungsi	: Menyimpan Status peramalan.
	Media	: Harddisk
	Primary Key	: id

Tabel 4.7 Struktur Tabel Forcast Status

Nama Field	Tipe Data	Panjang	Keterangan
id (PK)	Mediumint	5	Id Status Peramalan
forecast_id (FK)	Mediumint	5	Id Peramalan
status_publish	Tinyint	1	Status Publikasi
log	Varchar	100	Keterangan Peramalan
forecast_views	Int	11	Penayangan Peramalan
forecast_tested	Int	11	Jumlah Peramalan Diuji

 

6.	Nama Tabel	: Menu
	Akronim	: menu
	Tipe	: Master
	Fungsi	: Menyimpan Menu / Submenu Dinamis.
	Media	: Harddisk
	Primary Key	: id

Tabel 4.8 Struktur Tabel Menu

Nama Field	Tipe Data	Panjang	Keterangan
id (PK)	Mediumint	3	Id Menu
label	Varchar	30	Nama Menu
link	Varchar	100	Tautan Menu
icon	Varchar	30	Icon Menu
visible (FK)	Mediumint	3	Id Groups
is_parent	Mediumint	3	Induk Menu

 

 

Rancangan Prototype

Prototype Halaman Utama

Gambar 4.17 Prototype Halaman Utama

Pada Gambar 4.17 ini adalah halaman utama saat pertama kali pengguna mengunjungi sistem peramalan online. Pada halaman ini terdapat menu-menu yang dapat dikunjugi seperti About untuk mengetahui penjelasan mengenai sistem, Forecast untuk melihat daftar peramalan yang sudah terpublikasi, FAQ untuk melihat pertanyaan yang sering diajukan mengenai sistem, dan menu lain seperti Register, dan Login. Pada halaman ini juga terdapat sub-halaman yang menampilkan peramalan yang diutamakan atau yang diunggulkan, ini adalah highlight peramalan tingkat kedisiplinan mahasiswa pada Perguruan Tinggi Raharja.

Prototype Form Login

Gambar 4.18 Prototype Form Login

Prototype Halaman Register

Gambar 4.19 Prototype Halaman Register

Perhatikan Gambar 4.19, untuk menyimpan data pengguna ke dalam database, didalam rancangan dibagi menjadi 2, yaitu user input dan by system. User input dimaksudkan pengguna mengisi langsung form yang telah disediakan, sedangkan by system informasi pengguna yang terdekteksi oleh sistem diambil dan disimpan dalam database, contohnya Ip Address, pengguna tidak perlu mengisi ip address mereka karena sudah ditangani oleh sistem.

Prototype Form Lupa Sandi

Gambar 4.20 Prototype Form Lupa Sandi

Prototype Halaman Mengelola Menu

Gambar 4.21 Prototype Halaman Mengelola Menu

Pada Gambar 4.21, merupakan halaman untuk mengelola menu dinamis, yaitu menu yang tampil pada seluruh halaman sistem dikelola dalam halaman ini. Pada halaman ini juga dapat melakukan pengaturan untuk menampilkan menu sesuai level dari actor yang sudah dijelaskan pada Actor Glossary. Berikut adalah prototype dari bagian yang terdapat dalam mengelola menu:

1. Prototype Halaman Menambah dan Meng-update Menu

Gambar 4.22 Prototype Halaman Menambah/Meng-Update Menu

Form pada Gambar 4.22 selain digunakan untuk menambah/membuat menu, form tersebut digunakan juga untuk meng-update menu, teknik tersebut dinamakan form reuse. Perhatikan pada bagian by system, Id unik yang disimpan sebagai Primary Key dalam database, otomatis dibuat oleh sistem sehingga administrator tidak perlu memasukkan id menu.

2. Prototype Pesan Konfirmasi Hapus Menu

Gambar 4.23 Prototype Konfirmasi Hapus Menu

Pada Gambar 4.23 terlihat ada pesan konfirmasi untuk menghapus menu yang telah dipilih, sebelum dilakukan proses hapus.

Prototype Halaman Mengelola Member

Gambar 4.24 Prototype Halaman Mengelola Member

Pada Gambar 4.24 terdapat tombol disetiap baris dalam daftar member yang memiliki fungsinya masing-masing. Tombol pada kolom status berfungsi untuk mengaktifkan atau menon-aktifkan member sedangkan pada kolom action berfungsi untuk mengupdate data member. Untuk tombol Create New Account akan dialihkan ke halaman Register karena fungsinya sama dengan Register. Berikut adalah prototype bagian dari mengelola member:

1. Prototype Meng-update Data Member

Gambar 4.25 Prototype Meng-Update Data Member

2. Prototype Meng-Update Status Keaktifan Member

Gambar 4.26 Prototype Meng-Update Status Keaktifan Member

Prototype Halaman Mengelola Peramalan

Gambar 4.27 Prototype Halaman Mengelola Peramalan

Pada Gambar 4.27 terdapat tabel yang merupakan daftar dari peramalan yang telah dibuat oleh members. Setiap baris berisi keterangan peramalan dan 3 tombol aksi diantaranya detail peramalan, update peramalan dan hapus peramalan. Berikut adalah prototype dari bagian mengelola peramalan:

1. Prototype Membuat Peramalan

Dalam membuat peramalan, terdapat 3 step yang perlu dilakukan, yaitu mengisi keterangan peramalan, mengunggah file data training, dan menyeleksi atribut dari data training yang telah diunggah.

Gambar 4.28 Prototype Form Keterangan Peramalan

Sama seperti sebelumnya, pada Gambar 4.28 input untuk forecast_id ditangani oleh sistem sehingga pengguna tidak perlu memasukkan id peramalan. Untuk forecast_url akan otomatis ter-input berdasarkan field forecast_title yang dimasukkan oleh pengguna.

Gambar 4.29 Prototype Menggunggah File Data Training

Gambar 4.30 Prototype Menyeleksi Atribut

2. Prototype Detail Peramalan

Gambar 4.31 Prototype Detail Peramalan

Pada Gambar 4.31 berisi seluruh informasi mengenai peramalan yang telah dibuat. Terdapat pula tombol toggle untuk Unpublish/Publish peramalan.

Prototype Halaman Mencoba Peramalan

Gambar 4.32 Prototype Halaman Mencoba Peramalan

Pada Gambar 4.32 dibagian yang berwarna hijau adalah keterangan yang menampilkan logo, judul, dan deskripsi peramalan dari peramalan yang dipilih. Selain itu terdapat 2 bagian pada halaman ini, yaitu tab Testing yang berisi tombol untuk menggunggah file data testingserta hasil dari testing jika telah berhasil mengunggah file data testing (Gambar 4.33), dan tab Diagram & Rules yang berisi informasi pohon keputusan yang terbentuk oleh data training peramalan (Gambar 4.34).

Gambar 4.33 Prototype Tab Testing

Pada Gambar 4.33, Terdapat detail akurasi dalam bentuk tabel confusion matix, dan tabel yang menunjukan perbedaan antara prediksi dengan data aktual.

Gambar 4.34 Prototype Tab Diagram & Rules

Pada Gambar 4.34, adalah model klasifikasi yang dihasilkan dalam bentuk rules dan diagram pohon keputusan.

Prototype Halaman Dashboard

Gambar 4.35 Prototype Halaman Dashboard

Pada Gambar 4.35 menunjukan halaman yang berisi informasi jumlah dari peramalan yang dibuat, peramalan yang telah publish / unpublish, dan total keseluruhan views dan tested dari peramalan yang dibuat. Halaman dashboard ini pula menjadi halaman singgah saat pengguna berhasil login.

Sedikit berbeda dengan halaman dashboard diatas (Gambar 4.35) dashboard untuk administrator (Gambar 4.36) memiliki informasi tambahan seperti jumlah member yang telah terdaftar.

Gambar 4.36 Prototype Halaman Dashboard Administrator

 

Konfigurasi Sistem Usulan

Spesifikasi Hardware

Perangkat keras (hardware) minimal yang diusulkan untuk pengguna yang menggunakan sistem ini adalah sebagai berikut :

a.	Processor	:	Intel Pentium Dual Core
b.	Monitor	:	14 Inci
c.	Mouse	:	Standard Mouse
d.	Keyboard	:	Standard 180 Key
e.	RAM	:	2 GB
f.	Harddisk	:	80 GB
g.	Printer	:	Inkjet / Laserjet (Opsional)

 

Spesifikasi Software

Perangkat lunak (software) minimal yang diusulkan untuk pengguna yang menggunakan sistem ini adalah sebagai berikut :

 

Testing

Untuk tahap pengujian penulis membagi menjadi 2 bagian yaitu pengujian terhadap model klasifikasi yang dihasilkan dalam bentuk pohon keputusan dan pengujian terhadap sistem yang diusulkan. Pengujian terhadap sistem yang diusulkan menggunakan metode Black Box testing, sedangkan untuk pengujian terhadap model dan algoritma menggunakan K-fold cross validation untuk membagi datanya dan Confusion matrix untuk mengetahui detail akurasi yang dihasilkan oleh algoritma.

Pengujian Model Sistem Peramalan Tingkat Kedisiplinan Mahasiswa

Pengujian terhadap model klasifikasi yang dihasilkan dalam bentuk pohon keputusan, diperlukandata training dan data testing. Data tersebut didapat dari keseluruhan set data yang sebelumnya telah olah. Metode K-fold cross validation dipilih karena selain membagi data menjadi beberapa iterasi, output yang akan dihasilkan berupa rata-rata dari jumlah iterasi yang dilakukan pengujian, sehingga hasil yang didapat lebih akurat. K-fold yang diuji adalah dimana K=2, K=4, dan K=6.

Pengujian Model Dengan Klasifikasi Sesuai Persyaratan HPA

Pengujian dilakukan pada seluruh set data dengan class yang ditetapkan sesuai dengan persyaratan HPA yang telah dijelaskan pada bab sebelumnya.

1. 2-Fold Cross Validation Set Data HPA

Terdapat 2 iterasi pada 2-fold cross validation, masing-masing iterasi memiliki data dengan perbandingan 50% untuk data training, dan 50% sisanya untuk data testing.

Tabel 4.9 2-fold Cross Validation set data HPA

2-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	39	424	44	77.34
Iterasi 2	63	410	41	72.98
Rata-Rata	51	417	42.5	75.16

Dapat dilihat pada Tabel 4.9, rata-rata akurasi dari ke-dua iterasi adalah 75.16%.

Tabel 4.10 Confusion Matrix dari 2-fold set data HPA

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1376	412	1788	76.96%
Tidak Disiplin	44	4	48	8.33%
Actual Overall	1420	416	1836
Class Recall	96.90%	0.96%

Pada Tabel 4.10, adalah rata-rata confusion matrix dari setiap iterasi.

2. 4-Fold Cross Validation Set Data HPA

Terdapat 4 iterasi pada 4-fold cross validation, masing-masing iterasi memiliki data dengan perbandingan 75% untuk data training, dan 25% sisanya untuk data testing.

Tabel 4.11 4-fold Cross Validation set data HPA

4-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	43	656	58	76.25
Iterasi 2	67	700	64	79.96
Iterasi 3	67	900	54	76.91
Iterasi 4	86	695	50	69.5
Rata-Rata	65.75	737.75	56.5	75.655

 Dapat dilihat pada Tabel 4.11, rata-rata akurasi dari ke-empat iterasi adalah 75.65%.

Tabel 4.12 Confusion Matrix dari 4-fold set data HPA

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1385	412	1797	77.07%
Tidak Disiplin	35	4	39	10.26%
Actual Overall	1420	416	1836
Class Recall	97.54%	0.96%

Pada Tabel 4.12, adalah rata-rata confusion matrix dari setiap iterasi.

3. 6-Fold Cross Validation Set Data HPA

Terdapat 6 iterasi pada 6-fold cross validation, masing-masing iterasi memiliki data dengan perbandingan 83% untuk data training, dan 17% sisanya untuk data testing.

Tabel 4.13 6-fold Cross Validation set data HPA

6-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	67	812	45	79.08
Iterasi 2	43	733	45	86.27
Iterasi 3	67	749	38	76.47
Iterasi 4	68	749	41	78.43
Iterasi 5	68	765	51	74.84
Iterasi 6	82	794	44	65.36
Rata-Rata	65.83	767	44	76.7416

Dapat dilihat pada Tabel 4.13, rata-rata akurasi dari ke-enam iterasi adalah 76.74%. Lalu perhatikan jumlah rules dan persentase accuracy pada setiap iterasi, hasilnya menunjukan lebih cendrung jumlah rules berbanding terbalik dengan accuracy. Semakin sedikit rules yang terbentuk, accuracy semakin tinggi, sebaliknya semakin sebanyak rules yang terbentuk maka accuracy menjadi rendah.

 Tabel 4.14 Confusion Matrix dari 6-fold set data HPA

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1404	411	1815	77.36%
Tidak Disiplin	16	5	21	23.81%
Actual Overall	1420	416	1836
Class Recall	98.87%	1.20%

Pada Tabel 4.14, adalah rata-rata confusion matrix dari setiap iterasi.

Dari hasil pengujian diatas yang telah dilakukan pada set data HPA, diketahui bahwa jika semakin banyak folds atau iterasi yang diuji maka hasilnya akan selalu meningkat, baik dari accuracy, recall ataupun precision. Namun berbanding terbalik dengan model construction speed, semakin sedikit folds maka semakin cepat dalam menkonstruksi model klasifikasi. Dan Akurasi yang dihasilkan pada model klasifikasi menggunakan persyaratan HPA berkisar 75.16% – 76.74% atau rata-ratanya adalah 75.85% . Selain itu pada model ini lebih dapat mengklasifikasikan data ke dalam class “Disiplin” dibandingkan denganclass “Tidak Disiplin”. Ini dibuktikan pada persentase Recall dan Precision yang tinggi pada class “Disiplin” dibandingkan dengan class “Tidak Disiplin”.

Pengujian Model Dengan Klasifikasi Sesuai Persyaratan Aktual

Pengujian dilakukan pada seluruh set data dengan class yang ditetapkan sesuai dengan persyaratan yang berjalan dilapangan (aktual) yang telah dijelaskan pada bab sebelumnya.

1. 2-Fold Cross Validation Set Data Aktual

Tabel 4.15 2-fold Cross Validation set data Aktual

2-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	39	473	75	90.96
Iterasi 2	63	470	62	89.87
Rata-Rata	51	471.5	68.5	90.415

 Dapat dilihat pada Tabel 4.15, rata-rata akurasi dari ke-dua iterasi adalah 90.41%.

 Tabel 4.16 Confusion Matrix dari 2-fold set data Aktual

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1659	154	1813	91.51%
Tidak Disiplin	22	1	23	4.35%
Actual Overall	1681	155	1836
Class Recall	98.69%	0.65%

Pada Tabel 4.16, adalah rata-rata confusion matrix dari setiap iterasi.

2. 4-Fold Cross Validation Set Data Aktual

Tabel 4.17 4-fold Cross Validation set data Aktual

4-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	64	776	52	88.67
Iterasi 2	69	793	47	93.68
Iterasi 3	67	700	63	90.41
Iterasi 4	83	786	53	89.32
Rata-Rata	70.75	763.75	53.75	90.52

Dapat dilihat pada Tabel 4.17, rata-rata akurasi dari ke-empat iterasi adalah 90.52%.

 Tabel 4.18 Confusion Matrix dari 4-fold set data Aktual

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1659	152	1811	91.61%
Tidak Disiplin	22	3	25	12.00%
Actual Overall	1681	155	1836
Class Recall	98.69%	1.94%

Pada Tabel 4.18, adalah rata-rata confusion matrix dari setiap iterasi.

3. 6-Fold Cross Validation Set Data Aktual

Tabel 4.19 6-fold Cross Validation set data Aktual

6-fold	Rules	Model Construction Speed (ms)	Model Usage Speed (ms)	Accuracy (%)
Iterasi 1	72	1051	60	91.83
Iterasi 2	65	901	43	96.08
Iterasi 3	69	896	45	91.83
Iterasi 4	68	855	39	91.18
Iterasi 5	68	837	44	91.83
Iterasi 6	85	872	43	86.27
Rata-Rata	71.16	902	45.66	91.503

 Dapat dilihat pada Tabel 4.19, rata-rata akurasi dari ke-enam iterasi adalah 91.50%.

 Tabel 4.20 Confusion Matrix dari 6-fold set data Aktual

	Disiplin	Tidak Disiplin	Predicted Overall	Class Precision
Disiplin	1679	154	1833	91.60%
Tidak Disiplin	2	1	3	33.33%
Actual Overall	1681	155	1836
Class Recall	99.88%	0.65%

Pada Tabel 4.20, adalah rata-rata confusion matrix dari setiap iterasi.

Dari hasil pengujian diatas yang telah dilakukan pada set data aktual atau yang sesuai dilapangan, diketahui bahwa jika semakin banyak folds atau iterasi yang diuji maka hasilnya akan selalu meningkat, baik dari accuracy, recall ataupun precision. Dan Akurasi yang dihasilkan pada model klasifikasi menggunakan set data sesuai persyaratan aktual dilapangan berkisar 90.41% – 91.50% atau rata-ratanya adalah 90.81% . Selain itu pada model ini juga lebih dapat mengklasifikasikan data ke dalam class “Disiplin” dibandingkan denganclass “Tidak Disiplin” sama seperti model klasifikasi sesuai HPA.

Perbandingan Pengujian Model HPA dengan Aktual

Tabel 4.21 Perbandingan Pengujian Model HPA dengan Aktual

Perhatikan Tabel 4.21, jika dilihat dari rata-rata Accuracy, selisih persentase antara HPA dengan Aktual adalah sekitar 15%. Begitu juga dengan Class Precision “Disiplin”, selisih antara HPA dengan aktual sekitar 14-15%. Pada kedua pengujian tersebut, model lebih dapat mengklasifikasikan data ke dalam class “Disiplin”. Ini dibuktikan pada class recall “Disiplin” yang menunjukan persentase tinggi yaitu diatas 96% baik itu HPA maupun Aktual. Sedangkan pada class recall “Tidak Disiplin” menunjukan hasil yang sebaliknya, yaitu hanya sekitar 1%.

Selain itu pada pengujian ini lebih cendrung jumlah rules berbanding terbalik dengan accuracy. Semakin banyak rules yang terbentuk maka accuracy semakin rendah, sedangkan semakin sedikit rules yang terbentuk maka accuracy semakin tinggi. Dan untuk speed atau kecepatan dalam konstruksi model ataupun penggunaan model, nilainya berubah-ubah. Namun yang pasti, untuk konstruksi model memerlukan waktu yang lebih lama dibandingkan penggunaan modelnya.

Pengujian Untuk Mengetahui Atribut Yang Paling Mempengaruhi

Pengujian dilakukan pada set data klasifikasi sesuai dengan persyaratan HPA dan persyaratan yang berlaku dilapangan (aktual). Pengujian dilakukan dengan cara me-rangking setiap atribut dengan  information gain yang dihasilkan oleh algoritma. Atribut tersebut diantaranya Jenjang, Program Studi, Shift Kuliah, Status Ilearning, Jenis Kelamin, Umur, dan Angkatan.

1. HPA

Gambar 4.37 Log Pembuatan Model Klasifikasi HPA

Pada Gambar 4.37, terlihat bahwa best feature yang pertama dan yang dijadikan root adalah Angkatan, lalu diikuti oleh atribut Umur dan Jenis Kelamin.

2. Aktual

Gambar 4.38 Log Pembuatan Model Klasifikasi Aktual

Pada Gambar 4.38, terlihat bahwa best feature yang pertama dan yang dijadikan root adalah Angkatan, lalu diikuti oleh atribut Umur dan Jenis Kelamin. Hasilnya hampir sama dengan set data klasifikasi dengan persyaratan HPA, namun yang berbeda pada bagian atribut dibawahnya.

Pada penelitian ini tidak sampai menganalisa atau menghilangkan atribut yang tidak relevan, hanya mengetahui bahwa atribut yang memiliki information gain tinggi adalah Angkatan, diikui oleh Umur dan Jenis kelamin.

Pengujian Sistem Yang Diusulkan

Metode Black Box testing merupakan pengujian program yang mengutamakan pengujian terhadap kebutuhan fungsi dari suatu program. Tujuan dari metode Black Box testing untuk menemukan kesalahan fungsi pada program. Pengujian dengan menggunakan metode Black Box testing dilakukan hanya mengamati hasil eksekusi melalui data uji dan memeriksa fungsional dari software dan fungsionalitasnya tanpa mengetahui yang terjadi dalam proses detail, melainkan hanya mengetahui input dan output.

Tabel 4.22 Pengujian Black Box

Pada Tabel 4.22, pengujian lebih kepada error handling atau penanganan galat pada saat input tidak sesuai dengan ketentuan yang berlaku. Output-nya dapat berupa pesan ataupun input tidak dapat diproses.

Evaluasi

Pengujian terhadap model klasifikasi telah dilakukan menggunakan metode k-folds cross validation dan confusion matrix. Baik dengan menggunakan set data HPA atau aktual, hasilnya menunjukan model cendrung lebih dapat mengklasifikasikannya kedalam class disiplin dibandingkan dengan class tidak disiplin. Dengan menggunakan 2-folds, 4-folds, dan 6-folds untuk mengetahui validasi yang terbaik, pengujian menunjukan semakin banyak folds yang diuji, hasilnya seperti akurasi, recall dan precision pun semakin meningkat. Dan dari hasil pengujian menunjukan semakin sedikit rules yang terbentuk dalam model semakin tinggi akurasinya, ini dibuktikan pada tabel perbandingan setiap iterasi pada k-folds cross validation.

Selain itu pengujian sistem dilakukan dengan metode Black box dengan cara memberikan sejumlah input pada program seperti contoh pengujian pada menu login, membuat peramalan, mencoba peramalan dan register. Jika input tidak lengkap maka sistem akan menampilkan pesan sehingga membantu pengguna mengetahui kesalahan saat input data yang tidak lengkap. Dari 10 pengujian yang dilakukan menggunakan metode black box, seluruhnya menunjukan pengujian yang valid atau berhasil.

Schedule Penelitan

Penelitian dan perancangan sistem yang diusulkan diperkirakan memakan waktu kurang lebih 4 bulan, dan kegiatan yang dilakukan adalah :

Tabel 4.23 Schedule Penelitian

No	Kegiatan	Waktu
		Oktober  2016				November 2016				Desember  2016				Januari 2017
		1	2	3	4	1	2	3	4	1	2	3	4	1	2	3	4
1	Observasi
2	Pengumpulan Data
3	Pengolahan Data
4	Pembuatan Model
5	Desain Program
6	Pembuatan Program
7	Evaluasi Program
8	Testing Model
9	Implementasi
10	Dokumentasi

 

Pada Tabel 4.23, penelitian dilakukan sejak bulan Oktober 2016 hingga Januari 2017, meliputi 10 kegiatan utama yang tertera pada tabel.

 

Estimasi Biaya

Biaya penelitian penulis rinci sesuai kebutuhan penelitian antara lain :

Tabel 4.24 Rancangan Biaya Penelitian yang diusulkan

No	Uraian Kegiatan	Volume	Harga Satuan	Biaya (Rp)
1	Pengumpulan Dan Analisa Data
	Pengumpulan Data			100,000
	Pengolahan Data			500,000
	Pembuatan Model			600,000
	Desain dan Pembuatan Sistem			950,000
	Testing Model, dan Testing Sistem			1,200,000
				3,350,000
2	Implementasi Sistem
	Sewa Cloud Hosting + Domain	1 Tahun	1,620,000	1,620,000
				1,620,000
3	Bahan Habis Pakai
	Kertas A4	2 Rim	40,000	80,000
	Tinta Printer	2 Buah	60,000	120,000
				200,000
4	Lain-lain
	Ongkos Transportasi	5 Trip	20,000	120,000
	Fotocopy	2 Paket	20,000	40,000
	Laporan Penyelesaian Tugas	2 Bundel	35,000	70,000
				230,000
	Jumlah Estimasi Biaya		Rp.	5,400,000

Pada Tabel 4.24 merupakan estimasi biaya yang digunakan dalam penelitian ini, total keseluruan adalah Rp.5,400,000,-.

BAB V

PENUTUP

Kesimpulan

Berdasarkan hasil penelitian dan pengamatan yang telah  dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut:

Saran

Saran yang dapat diberikan penulis untuk pengembangan selanjutnya dimasa yang akan datang adalah sebagai berikut:

DAFTAR PUSTAKA

1. ↑ ^{1,0 1,1} Hutahaean, Jeperson. 2014. Konsep Sistem Informasi. Yogyakarta: Deepublish.
2. ↑ Suraya, Ignatius. 2011. Olap Pendukung Sistem Keamanan Data Warehouse. Jurnal Manajemen Dan Teknologi Informatika Vol.2, No.1.
3. ↑ Widyawati, Dewi Kania. 2012. Perancangan Struktur Data Warehouse Untuk Mendukung Perencanaan Pemasaran Produk Menggunakan Star Schema. Jurnal Ilmiah ESAI Vol.6 No. 3.
4. ↑ ^{4,0 4,1 4,2} Djahir, Y., dan Dewi Pratita. 2014. Bahan ajar sistem informasi manajemen. Yogyakarta: Deepublish.
5. ↑ ^{5,0 5,1 5,2 5,3} A. S., Rosa dan Shalahuddin, M. 2013. Rekayasa Perangkat Lunak Terstruktur Dan Berorientasi Objek. Bandung: Informatika.
6. ↑ ^{6,0 6,1 6,2 6,3 6,4} Yasin, Verdi. 2012. Rekayasa Perangkat Lunak Berorientasi Objek. Jakarta: Mitra Wacana Media.
7. ↑ ^{7,0 7,1 7,2} Khosrow-Pour, Mehdi. 2012. Dictionary of information science and technology. United States: Information Science Reference.
8. ↑ ^{8,0 8,1} Guritno, Suryo, Sudaryono, dan Untung Rahardja. 2011. Yogyakara: C.V ANDI OFFSET
9. ↑ ^{9,0 9,1 9,2 9,3 9,4} Prasetyo, Eko. 2012. DATA MINING - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: C.V ANDI OFFSET.
10. ↑ ^{10,0 10,1} Fahmi, Irham. 2016. Teori dan Teknik Pengambilan Keputusan: Kualitatif dan Kuantitatif. Depok: Rajawali Pers.
11. ↑ Shostak, Daniel I. 2011. Difference between Prediction and Forecasting Diambil dari: www.analyticbridge.com/forum/topics/difference-between-prediction (24 Oktober 2016).
12. ↑ Suharso, dan Ana Retnoningsih. 2014. Kamus Besar Bahasa Indonesia Edisi Lux. Semarang: Widya Karya.
13. ↑ ^{13,0 13,1} Nofriansyah, Dicky. 2014. Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta: Deepublish.
14. ↑ ^{14,0 14,1 14,2 14,3 14,4 14,5} Prasetyo, Eko. 2014. DATA MINING - Mengelolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: C.V ANDI OFFSET.
15. ↑ ^{15,0 15,1 15,2 15,3} Usman, Muhammad. 2015. Improving Knowledge Discovery through the Integration of Data Mining Techniques. Pennsylvania US: IGI Global.
16. ↑ ^{16,0 16,1} Pentreath, Nick. 2015. Machine Learning with Spark. Birmingham UK: Packt Publishing Ltd.
17. ↑ Makhabel, Bater. 2015. Learning Data Mining With R. Birmingham UK: Packt Publishing Ltd.
18. ↑ Pal, Ranadip. 2016. Predictive Modeling of Drug Sensitivity. London UK: Academic Press.
19. ↑ ^{19,0 19,1} Shmueli, Galit, C. Bruce, Mia L. Stephens, and Nitin R. Patel. 2016. Data Mining for Business Analytics: Concepts, Techniques, and Applications With JMP PRO. Hoboken: John Wiley & Sons.
20. ↑ ^{20,0 20,1 20,2 20,3 20,4 20,5 20,6} Andriani, Anik. 2013. Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus: AMIK
21. ↑ ^{21,0 21,1 21,2} Adhatrao, Kalpesh, Aditya Gaykar, Amiraj Dhawan, Rohit Jha and Vipul Honrao. 2013. Predicting Students' Performance Using ID3 and C4.5 Classification Algorithms. Internasional Journal of Data Mining & Knowledge Management Process (IJDKP). Vol.3,No.5:39-52.
22. ↑ ^{22,0 22,1} Rao, Vijayalakshmi Mahanra, and Yashwant Prasad Singh. 2013. Decision Tree Induction for Financial Fraud Detection Using Ensemble Learning Techniques. Langkawi: Proceeding of the International Conference on Artificial Intelligence in Computer Science and ICT (AICS). 321-328.
23. ↑ ^{23,0 23,1 23,2} Lesmana, Putu Dody. 2012. Perbandingan Kinerja Decision Tree J48 dan ID3 Dalam Pengklasifikasian Diagnosis Penyakit Diabetes Mellitus. Jurnal Teknologi Dan Informatika (TEKNOMATIKA). Vol.2, No.2:155-164.
24. ↑ ^{24,0 24,1 24,2} HSSINA, Badr, Abdelkarim Merbouha, Hanane Ezzikouri, and Mohammed Erritali. 2014. A Comparative Study of Decision Tree ID3 and C4.5. International Journal of Advanced Computer Science and Applications (IJACSA). 13-19 Diambil dari: http://thesai.org/Publications/ViewPaper?Volume=4&Issue=2&Code=SpecialIssue&SerialNo=3 (5 September 2016)
25. ↑ ^{25,0 25,1 25,2} Lavanya, D, and K.Usha Rani. 2011. Performance Evaluation of Decision Tree Classifiers on Medical Datasets. International Journal of Computer Applications. Vol.26,No.4.
26. ↑ ^{26,0 26,1} Lakshmi, T.Miranda, A.Martin, R.Mumtaj Begum, and V.Prasanna Venkatesan. 2013. An Analysis on Performance of Decision Tree Algorithms using Student’s Qualitative Data. I.J.Modern Education and Computer Science 2013,5, 18-27.
27. ↑ ^{27,0 27,1 27,2} Mohankumar, M., S.Amuthakkani, and G.Jeyamala. 2016. Comparative Analysis of Decision Tree Algorithms For The Prediction of Eligibility of a Man For Availing Bank Loan. International Journal of Advanced Research in Biology Engineering Science and Technology (IJARBEST). Vol.2,Special Issue 15:360-366.
28. ↑ ^{28,0 28,1} Rajalakshmi, A., and K.Sivaranjani. 2015. A Comparative Study on Student Performance Prediction. International Conference on Engineering Trends and Science & Humanaties (ICETSH). ISSN:2348-8387: 53-56.
29. ↑ Yunus, Muhammad, Dadang Priyanto, dan Kartarina. 2014. Desain Model Sistem Prediksi Kelulusan Mahasiswa Dengan Algoritma Decision Tree. Mataram: Jurnal Matrik. Vol.2,No.13.
30. ↑ ^{30,0 30,1 30,2} Azmi, Zulfian, dan Muhammad Dahria. 2013. Decision Tree Berbasis Algoritma Untuk pengambilan Keputusan. Medan: Jurnal Saintikom. Vol.12,No.3:157-164.
31. ↑ ^{31,0 31,1} Seema, Monika Rathi, Mamta. 2012. Decision Tree: Data Mining Techniques. International Journal of Latest Trends in Engineering and Technology (IJLTET). Vol.1,Issue.3:150-155.
32. ↑ ^{32,0 32,1 32,2 32,3 32,4} Ginting, Selvia Lorena Br, Wendi Zarman, dan Ida Hamidah. 2014. Analisis Dan Penerapan Algoritma C4.5 Dalam Data Mining Untung Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik. Yogyakarta: Prosiding Seminar Nasional Sains & Teknologi (SNAST). ISSN:1979-911X, 263-272.
33. ↑ ^{33,0 33,1} Fakhrurrifqi, Muhammad, dan Anifuddin Aziz. 2013. Sistem Pendukung Keputusan Untuk Mendiagnosis Diabetes Menggunakan C4.5. Jurnal Rekam Medis. Vol.7,No.2:102-107.
34. ↑ ^{34,0 34,1} Himawan, Hidayatulah, Oliver S.Simanjuntak, dan Agus Triawan. 2015. Diagnosa Tingkat Kesehatan Pasien Menggunakan Metode Decision Tree. Yogyakarta: Seminar Nasional Informatika (semnasIF). ISSN: 1979-2328, 178-181.

DAFTAR LAMPIRAN