BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan (SPK

7
BAB 2
LANDASAN TEORI
2.1 Sistem Pendukung Keputusan (SPK)
Konsep sistem pendukung keputusan (SPK) pertama kali di ungkapkan pada awal
tahun 1970 oleh Michael S. Scott Morton dengan istilah management decision system.
Morton mendefenisikan SPK sebagai “Sistem berbasis komputer interaktif, yang
membantu para pengambil keputusan untuk menggunakan data dan berbagai model
untuk membantu memecahkan masalah-masalah yang tidak terstruktur”. SPK
merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan
pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan
dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tidak
seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat.
SPK biasanya dibangun untuk mendukung solusi atas suatu masalah atau
untuk mengevaluasi suatu peluang. Aplikasi SPK menggunakan CBIS (Computer
Based Information System) yang fleksibel, interaktif, dan dapat di adaptasi, yang di
kembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak
terstruktur. Aplikasi SPK menggunakan data, memberikan antarmuka pengguna yang
mudah dan dapat menggabungkan pemikiran pengambil keputusan. SPK lebih
ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat
analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas.
SPK tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan tetapi
memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk
melakukan berbagai analisis menggunakan model-model yang tersedia.
2.1.1 Nilai Guna dan Karakteristik Sistem Pendukung Keputusan
Pada dasarnya SPK ini merupakan pengembangan lebih lanjut dari Sistem Informasi
Manajemen Terkomputerisasi (Computerized Management Information system), yang
dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Sifat
interaktif ini berguna untuk memudahkan integrasi antara berbagai komponen dalam
proses pengambilan keputusan seperti prosedur, kebijakan, teknik analisis, serta
Universitas Sumatera Utara
8
pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan
yang bersifat fleksibel. Sifat interaktif tersebut memiliki tujuan SPK (Turban, 2005):
1. Membantu dalam pengambilan keputusan atas masalah
yang
terstruktur.
2. Memberikan dukungan atas pertimbangan manajer dan bukan untuk
menggantikan fungsi manajer.
3. Meningkatkan efektivitas keputusan yang diambil lebih daripada
perbaikan efisiensinya.
4. Kecepatan komputasi, Komputer memungkinkan para pengambil
keputusan untuk melakukan banyak komputasi secara cepat dengan
biaya yang rendah.
5. Peningkatan produktivitas.
6. Dukungan kualitas.
7. Berdaya saing.
8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.
Aplikasi SPK yang dikembangkan untuk mendukung solusi atas masalah
manajemen spesifik yang tidak terstruktur memiliki ciri-ciri yaitu (Suryadi e.t al,
1998):
1. SPK ditujukan untuk membantu keputusan-keputusan yang kurang
terstruktur.
2. SPK merupakan gabungan antara kumpulan model kualitatif dan
kumpulan data.
3. SPK bersifat luwes dan dapat menyelesaikan dengan perubahanperubahan yang terjadi.
Berdasarkan ciri-ciri di atas, maka karakteristik yang membedakan SPK
dengan sistem informasi lainnya yaitu :
1. SPK dirancang untuk membantu pengambilan keputusan dalam
memecahkan masalah yang sifatnya semi terstruktur atau tidak
terstruktur dengan menambahkan kebijaksanaan manusia dan informasi
komputerisasi.
Universitas Sumatera Utara
9
2. Pada proses pengolahannya, SPK mengkombinasikan penggunaan
model model analisis dengan teknik pemasukan data konvensional
serta fungsi-fungsi pencari atau pemerikasa informasi.
3. SPK dapat digunakan atau dioperasikan dengan mudah oleh orangorang yang tidak memiliki dasar kemampuan pengoperasian komputer
yang tinggi, pendekatan yang digunakan biasanya model interaktif.
4. SPK dirancang pada aspek fleksibilitas serta kemampuan adaptasi yang
tinggi, sehingga mudah disesuaikan dengan berbagai perubahan
lingkungan yang terjadi dan kebutuhan pengguna.
Dalam membangun suatu SPK diperoleh beberapa manfaat atau keuntungan
bagi pemakainya. Keuntungannya adalah sebagai berikut :
1. SPK memperluas kemampuan pengambil keputusan dalam memproses
data/informasi bagi pemakainya.
2. SPK membantu pengambil keputusan dalam hal penghematan waktu
yang dibutuhkan untuk memecahkan masalah terutama bagi masalah
yang sangat kompleks dan tidak terstruktur.
3. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih
cepat serta hasilnya dapat di andalkan.
4. Suatu SPK mungkin saja tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun dapat menjadi stimulan
bagi pengambil keputusan dalam memahami persoalannya. Hal ini
dikarenakan SPK mampu menyajikan berbagai alternative.
2.1.2 Komponen-Komponen Sistem Pendukung Keputusan
SPK terdiri dari tiga subsistem utama yaitu sebagai berikut :
1. Subsistem Manajemen Database (Database Management Subsystem)
2. Subsistem Manajemen Basis Model (Model Base Management
Subsistem)
3. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation
and Management Software Subsystem)
Universitas Sumatera Utara
10
2.1.3 Subsistem Manajemen Database
Ada beberapa perbedaan antara database untuk SPK dan non-SPK. Sumber data SPK
lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam
karena proses pengambilan keputusan.
Perbedaan lain adalah proses pengambilan dan ekstraksi data dari sumber data
yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang
pengelolaannya cukup fleksibel untuk memungkinkan penambahan dan pengurangan
secara cepat. Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database
adalah:
1. Kemampuan untuk mengkombinasikan berbagai variasi data melalui
pengambilan dan ekstraksi data.
2. Kemampuan untuk menambahkan sumber data secara cepat dan mudah.
3. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan
pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan
dapat menentukan kebutuhan penambahan dan pengurangan.
4. Kemampuan untuk menangani data sehingga pemakai dapat mencoba
berbagai alternatif.
5. Kemampuan untuk mengelola berbagai variasi data.
2.1.4 Subsistem Manajemen Basis Model
Salah satu keunggulan SPK adalah kemampuan untuk mengintegrasikan akses data
dan model-model keputusan. Hal ini dapat dilakukan dengan menambahkan modelmodel keputusan kedalam sistem informasi dan komunikasi diantara model-model.
Karakteristik ini menyatukan kekuatan pencarian dan pelaporan data.
Salah satu persoalan yang berkaitan dengan model adalah bahwa penyusunan
model sering terikat pada struktur model yang mengasumsikan adanya masukan yang
benar dan cara keluaran yang tepat. Sementara itu, model cenderung tidak mencukupi
karena adanya kesulitan dalam mengembangkan model yang terintegrasi untuk
menangani sekumpulan keputusan yang saling berkaitan. Cara untuk menangani
persoalan ini dengan menggunakan koleksi berbagai model yang terpisah, dimana
setiap model digunakan untuk menangani bagian yang berbeda dari masalah yang
dihadapi. Komunikasi antara berbagai model digunakan untuk menangani bagian yang
berbeda dari masalah tersebut. Komunikasi antara berbagai model yang saling
Universitas Sumatera Utara
11
berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan
manual.
Salah satu pandangan yang lebih optimis diantaranya bisa menambah modelmodel kedalam sistem informasi dengan database sebagai mekanisme integrasi dan
komunikasi. Kemampuan yang dimiliki subsistem basis model meliputi hal-hal
sebagai berikut :
1. Kemampuan untuk menciptakan model-model baru secara cepat dan
mudah.
2. Kemampuan untuk mengakses dan mengintegrasikan model-model
keputusan.
3. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang
analog dan manajemen database (seperti mekanisme untuk menyimpan,
membuat dialog, menghubungkan, dan mengakses model).
2.1.5 Subsistem Perangkat Lunak Penyelenggara Dialog
Fleksibilitas dan kekuatan karakteristik SPK timbul dari kemampuan interaksi antara
sistem dan pemakai yang dinamakan subsistem dialog. Bennet mendefinisikan
pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari
sistem dialog sehingga subsistem dialog terbagi menjadi tiga bagian yaitu:
1. Bahasa aksi, meliputi apa yang dapat digunakan oleh pemakai dalam
berkomunikasi dengan sistem. Hal ini meliputi pemilihan-pemilihan seperti
papan ketik (keyboard), panel-panel sentuh, joystick, perintah suara dan
sebagainya.
2. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh
pemakai. Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan
layar, grafik, warna, plotter, keluaran suara, dan sebagainya
3. Basis pengetahuan, meliputi apa yang harus diketahui oleh pemakai agar
pemakaian sistem bisa efektif. Basis pengetahuan bisa berada dalam
pikiran pemakai, pada kartu referensi atau petunjuk dalam buku manual,
dan sebagainya.
Kombinasi dari kemampuan-kemampuan di atas terdiri dari apa yang disebut
gaya dialog misalnya pendekatan tanya jawab, bahasa perintah, menu-menu, dan
Universitas Sumatera Utara
12
mengisi tempat kosong. Kemampuan yang harus dimiliki oleh SPK untuk mendukung
dialog pemakai atau sistem adalah sebagai berikut :
1. Kemampuan untuk menangani berbagai variasi dialog, bahkan untuk
mengkombinasikan berbagai gaya dialog sesuai dengan pilihan pemakai.
2. Kemampuan untuk mengakomodasikan tindakan pemakai dengan berbagai
peralatan masukan.
3. Kemampuan untuk menampilkan data dengan berbagai variasi format dan
peralatan keluaran.
4. Kemampuan
untuk
memberikan
dukungan
yang
fleksibel
untuk
mengetahui.
5. Basis pengetahuan pemakai.
2.2 Beasiswa Universitas Sumatera Utara
Beasiswa dapat dikatakan sebagai pembiayaan yang tidak bersumber dari pembiayaan
sendiri atau orang tua, akan tetapi diberikan oleh pemerintah, perusahaan swasta,
kedutaan, universitas, serta lembaga pendidikan atau peneliti, dan juga dari kantor
tempat bekerja yang karena prestasi seorang karyawan dapat diberikan kesempatan
untuk meningkatkan kapasitas sumberdaya manusianya melalui pendidikan. Biaya
tersebut diberikan kepada yang berhak menerima, terutama berdasarkan klasifikasi,
kualitas, dan kompetensi si penerima beasiswa (Gafur, 2008).
Pemberian beasiswa kepada mahasiswa di perguruan tinggi merupakan wujud
dari partisipasi masyarakat, instansi, pemerintah, perusahaan-perusahaan swasta dalam
membangun bangsa khususnya dalam bidang pendidikan. Pada Universitas Sumatera
Utara terdapat beberapa instansi pemerintah (BUMN) dan perusahaan swasta yang
menyalurkan bantuan beasiswa kepada mahasiswa. Ada beberapa program beasiswa
yang ditawarkan di Unniversitas Sumatera Utara. Beasiswa diberikan kepada
mahasiswa yang berprestasi dan memerlukan bantuan ekonomi sehingga mahasiswa
tidak kesulitan dalam menyelesaikan kuliahnya. Banyak mahasiswa yang mendapat
beasiswa dari berbagai macam beasiswa yang di salurkan melalui Biro Administrasi
Kemahasiswaan Universitas Sumatera Utara. Oleh karena itu beasiswa harus
diberikan kepada mahasiswa yang berhak memperoleh beasiswa dan memang
membutuhkan beasiswa untuk menyelesaikan kuliahnya.
Universitas Sumatera Utara
13
2.2.1 Persyaratan Beasiswa di Universitas Sumatera Utara
Untuk dapat memproleh beasiswa harus memenuhi syarat sebagai berikut :
Adapun syarat-syarat umum untuk mendapatkan beasiswa adalah :
1. Terdaftar sebagai mahasiswa Universitas Sumatera Utara.
2. Berprestasi/berasal dari keluarga yang ekonominya kurang mampu.
3. Tidak menerima beasiswa dari sumber lain.
4. Belum bekerja dan belum berkeluarga
5. Aktif dalam mengikuti kegiatan kemahasiswaan (ekstrakurikuler).
6. Tidak akan mengambil PKA (Penundaan Kegiatan Akademik) selama
terdaftar sebagai penerima beasiswa.
7. Patuh pada peraturan yang ditetapkan oleh Universitas/Fakultas
8. Mempunyai No. Rekening pada PT.Bank Negara Indonesia Tbk Cabang
USU
2.2.2 Syarat Khusus
Persyaratan khusus penerima beasiswa pada Universitas Sumatera Utara disesuaikan
dengan jenis beasiswa. Jenis beasiswa pada Universitas Sumatera Utara berjumlah 18
yang ditawarkan untuk mahasiswa dan dapat diikuti dengan persyaratan khusus
sebagai berikut :
Tabel 2.1 Jenis dan Syarat Besiswa
No
Jenis Beasiswa
Persyaratan Khusus Beasiswa
1.
Beasiswa Peningkatan Prestasi
Akademik (PPA)
1. Terdaftar sebagai mahasiswa
Program S1 (Mahasiswa baru dan
lama).
2. Indeks Prestasi/Indeks Prestasi
Kumulatif (IP/IPK) minimal 3.00
untuk mahasiswa lama.
3. Nilai rata-rata STTB minimal 6.50
untuk mahasiswa baru.
2.
Beasiswa
Bantuan
Mahasiswa (BBM)
Belajar
1. Terdaftar sebagai mahasiswa
Program Diploma dan S1.
Universitas Sumatera Utara
14
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
Persyaratan Khusus Beasiswa
2. Minimal telah duduk di semester II
(dua).
3. Indeks
Prestasi
Kumulatif
(IPK)
minimal 2.50
3.
Beasiswa BANK INDONESIA
(BI)
1. Terdaftar sebagai mahasiswa Program
S1.
2. Minimal telah duduk di semester V
(lima) dan telah menempuh 90 SKS
3. Indeks Prestasi Kumulatif minimal
3.00
4. Usia Maksimal 25 tahun.
4.
Beasiswa Technological and
Professional Skills
Development Sector Project
(TPSDP)
1. Terdaftar sebagai mahasiswa Program
S1.
o Fakultas Teknik (Program studi
Kimia, Sipil, Elektro dan
Mesin).
o Fakultas MIPA (Program studi
Biologi, Kimia, Matematika,
Fisika dan Informatika/Ilmu
Komputer.
o Fakultas Pertanian (Program
studi Teknik Pertanian,
Pemuliaan Tanaman,
Hortikultura, Teknologi
Pengelolaan hasil Perikanan,
Teknologi pengelolaan hasil
Ternak, Pemanfaatan Sumber
Daya Kelautan).
2. Penghasilan
perbulan
orangtua
<Rp.2.000.000 (dua juta rupiah).
Universitas Sumatera Utara
15
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
Persyaratan Khusus Beasiswa
3. Mengisi formulir pengajuan
beasiswa.
5.
Beasiswa Yayasan Supersemar
1. Terdaftar sebagai mahasiswa
Program S1
2. Minimal telah duduk di semester III
(tiga)
3. Indeks Prestasi Kumulatif (IPK)
minimal 2.50
4. Mengisi formulir beasiswa Yayasan
Supersemar serta di tandatangani
oleh Pudek III Fakultas dan
Pimpinan Perguruan Tinggi bidang
Kemahasiswaan
6.
Beasiswa Yayasan Toyota Astra
1. Terdaftar sebagai mahasiswa
Program S1
o Fakultas Teknik
o Fakultas Pertanian
o Fakultas MIPA
2. Berada di semester V (lima) atau
VII (tujuh)
3. Indeks Prestasi Kumulatif (IPK)
minimal 2.80
4. Mengisi formulir pendaftaran
beasiswa Yayasan Astra serta di
tandatangani oleh Pudek III
Fakultas dan Pimpinan Perguruan
Tinggi bidang Kemahasiswaan
5. Menyerahkan pasfhoto ukuran 3 x 4
sebanyak 3 (tiga) lembar dan Surat
Keterangan Dokter.
Universitas Sumatera Utara
16
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
7.
Beasiswa Yayasan Jepang
Persyaratan Khusus Beasiswa
1. Terdaftar sebagai mahasiswa Program
S1.
2. Minimal telah duduk di semester VII
(tujuh).
3. Indeks Prestasi Kumulatif (IPK)
minimal 2.76
4. Memiliki surat keterangan sehat dari
Dokter
5. Mengisi Formulir riwayat hidup.
8.
Beasiswa PT.DJARUM
1. Terdaftar sebagai mahasiswa Program
S1
2. Berada di semester V (lima)
3. Indeks Prestasi Kumulatif (IPK)
minimal 3.00
4. Mengikuti Psikotest yang diadakan
oleh PT.Djarum
9.
Beasiswa
TANOTO
FOUNDATION
1. Terdaftar sebagai mahasiswa Program
S1
2. Usia maksimum 21 tahun
3. Indeks Prestasi Kumulatif (IPK)
minimal 3.00
4. Mengisi Formulir Pendaftaran
Beasiswa Tanoto Foundation
5. Mengikuti Psikotest yang diadakan
oleh Tanoto Foundation
10.
Beasiswa TJIPTA SARJANA
1. Terdaftar sebagai mahasiswa baru
USU Program S1
2. Berprestasi di sekolah (SMA)
3. Mengisi formulir pendaftaran Program
Tjipta Sarjana.
Universitas Sumatera Utara
17
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
Persyaratan Khusus Beasiswa
4. Menyerahkan 2 (dua) lembar
pasfhoto berwarna 4 x 6
5. Mengikuti wawancara yang diadakan
oleh Eka Tjipta Foundation.
11.
Beasiswa Konsorsium
Pendidikan BPMIGAS -KKKS
(Badan Pelaksanaan Minyak
dan Gas – Kontraktor Kontrak
Kerja Sama)
1. Terdaftar sebagai mahasiswa
Program Diploma (D3) dan S1.
2. Minimal telah duduk di semester III
(tiga).
3. Indeks Prestasi Kumulatif (IPK)
minimal 2.75
4. Telah menyelesaikan 25% dari
jumlah kredit yang disyaratkan untuk
program S1 atau D3 yang diambil.
5. Berusia maksimal 25 tahun.
6. Menyerahkan 2 (dua) lembar
pasfhoto hitam putih 4 x 6
7. Mengisi formulir khusus
yangdiberikan oleh pihak
Konsorsium Pendidikan BPMIGAS –
KKKS.
12.
Beasiswa Society of Petroleum
(SPE)
1. Terdaftar sebagai mahasiswa Program
S1 Fakultas Teknik, Jurusan Teknik
Kimia/Mesin/Elektro.
2. Sedang menjalani semester III (tiga)
(minimum) hingga semester VII
(tujuh) (maksimum).
3. Indeks Prestasi Kumulatif (IPK)
minimal > 3.00
4. Menyerahkan fotokopi Kartu
Penduduk.
Universitas Sumatera Utara
18
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
13.
Beasiswa Yayasan Salim
Persyaratan Khusus Beasiswa
1. Terdaftar sebagai mahasiswa Program
S1
2. Mahasiswa semester I (satu) s/d VII
(tujuh)
3. Nilai minimum:
o Untuk mahasiswa semester I
nilai rata-rata ujian Nasional
dan Rapor kelas terakhir di
SMU sederajat minimum 7.6
o Untuk mahasiswa semester III
ke atas, rata-rata Indeks
Prestasi Semester (IPS) dua
semester terakhir minimum
2.80, bukan Indeks Prestasi
Kumulatif (IPK).
4. Mengisi formulir permohonan
beasiswa Yayasan Salim.
5. Menyerahkan fotokopi Kartu
Penduduk dan pasfhoto 4 x 6
sebanyak 2 (dua) lemmbar.
14.
Beasiswa PT. Bank Rakyat
Indonesia (BRI) Persero Tbk
1. Terdaftar sebagai mahasiswa Program
S1
2. Indeks Prestasi Kumulatif (IPK)
minimal 2.50
3. Minimal telah duduk di semester III
(tiga)
4. Usia tidak lebih dari 23 tahun pada
saat mengajukan permohonan
15.
Beasiswa PT. Gudang Garam
1. Terdaftar sebagai mahasiswa Program
S1
2. Minimal telah duduk di semester III
(tiga).
Universitas Sumatera Utara
19
Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)
No
Jenis Beasiswa
Persyaratan Khusus Beasiswa
3. Indeks Prestasi Kumulatif (IPK)
minimal 2.50
16.
Beasiswa YKPP (Yayasan
1. M ahasiswa Program S1.
Kesejahteraan Pegawai
2. Telah duduk di semester II (dua) dan
Pertamina)
IV (empat).
3. Indeks Prestasi Kumulatif (IPK)
minimal 3.00
4. Mengikuti wawancara yang diadakan
oleh YKPP.
17.
Beasiswa PT. SUN LIFE
FINANCIAL INDONESIA
1. Terdaftar sebagai mahasiswa Fak.
MIPA Jurusan Matematika, Fak. ISIP,
dan Fak. Kesehatan Masyarakat USU.
2. Telah duduk di semester IV (empat).
3. Indeks Prestasi Kumulatif (IPK)
minimal 3.50
18.
Beasiswa Peningkatan Prestasi
Ekstrakurikuler (PPE)
1. Terdaftar sebagai mahasiswa program
Diploma dan S1.
2. Indeks Prestasi Kumulatif (IPK)
minimal 2.50
3. Mempunyai prestasi tinggi atau baik
sesuai dengan kegiatannya yang
dibuktikan dengan Sertifikat atau
Piagam Penghargaan yang diterbitkan
oleh Panitia Penyelenggara atau pihak
yang berwenang
4. Bukti Prestasi yang diusulkan
mahasiswa yangbersangkutan sudah
menjadi mahasiswa USU dan tidak
boleh lebih 3 (tiga) tahun sejak bulan
Januari pada tahun mengusulkan.
Universitas Sumatera Utara
20
2.2.3 Prosedur Untuk Mendapatkan Beasiswa
1. Mahasiswa harus mengajukan permohonan kepada Rektor Universitas
Sumatera Utara melalui Pembantu Dekan III masing-masing, dan dilampiri
dengan:
2. Rekomendasi dari Pembantu Dekan III.
3. Transkip Nilai dan fotokopi Kartu Hasil Ujian (KHS) yang di legalisir untuk
mahasiswa lama atau STTB SMU sederajat yang dilegalisir untuk mahasiswa
baru.
4. Fotokopi Kartu Keluarga (KK) yang dilegalisir.
5. Surat Keterangan Penghasilan Orang tua yang disahkan oleh pejabat yang
berwenang.
6. Surat pernyataan yang berisi:
o Belum memproleh beasiswa lain dan tidak sedang dalam proses
pengajuan beasiswa lain.
o Belum bekerja dan berkeluarga.
o Tidak akan mengambil penundaan kegiatan akademik.
7. Fotokopi NO. Rekening yang bersangkutan pada PT. Bank BNI Persero Tbk
cabang USU.
8. Fotokopi Kartu Tanda Mahasiswa (KTM).
9. Fotokopi pembayaran SPP yang terakhir.
10. Surat keterangan berkelakuan baik dari pimpinan Fakultas/Prodi.
2.3 Data Mining
Data mining adalah proses yang mempekerjakan suatu atau lebih teknik pembelajaran
computer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan
(knowledge) secara otomatis. Knowledge Discoveri in Database (KDD) adalah
penerapan metode saintifik pada data mining. Operasi data mining menurut sifatnya
dibedakan menjadi dua yaitu bersifat prediksi (prediction driven) untuk menjawab
pertanyaan “apa ?” dan sesuatu yang bersifat remang-remang atau transparan.
Penemuan (discovery driven) bersipat transparan dan untuk menjawab pertanyaan
“mengapa ?”.
Universitas Sumatera Utara
21
Tahapan proses dalam penggunaan data mining yang merupakan proses
knowledge Discovery in Database (KDD) seperti yang terllihat pada gambar 2.1 dapat
di uraikan sebagai berikut (Hermawati, 2009) :
1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal
serta apa sasaran pengguna.
2. Membuat target data-set yang meliputi pemililhan data dan fokus pada sub-set
data.
3. Pembersihan dan transformasi data meliputi eliminasi derau, outliers, missing
value serta pemilihan fitur dan reduksi dimensi.
4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial,
klasifikasi, klasterisasi, danlainnya.
5. Interpretasi, evaluasi dan visualisasi pola untuk melihatapakah ada sesuatu
yang baru dan menarik dan dilakukan iterasi jika diperlukan.
Interpretation/
Evaluation
Data Mining
Knowledge
Transformation
Preprocessing
selection
… … … ..
… … … ..
Data
Target
Data
Preprocessed
Data
Patterns
Transformed
Data
Gambar 2.1 Proses Knowledge Discovery in Database (KDD)
(Sumber : Hermawati, 2009)
Data mining berpotensi tinggi jika data yang tepat di kumpulkan dan disimpan
dalam sebuah gudang data (data warehouse). Data warehouse baik untuk
mengintegrasikan keseluruhan data sebuah perusahaan, tanpa memperhatikan lokasi,
format atau kebutuhan komunikasi yang memungkinkan untuk memasukkan informasi
tambahan atau ahli. Menghubungkan secara logis antara apa yang dilihat oleh manajer
dalam aplikasi sistem informasi pendukung keputusan dan aktifitas operasional
Universitas Sumatera Utara
22
perusahaan. Data warehouse menyediakan data yang siap di transformasi yang
disimpulkan sedemikian hingga membuat sesuai untuk aplikasi DSS dan SIM yang
efisien (Hermawati, 2009).
2.3.1 Teknik Data Mining
Beberapa teknik dan sifat data mining adalah Classification yaitu menentukan sebuah
record data baru ke salah satu dari beberapa kategori atau klas. Regresi yang
memprediksi nilai dari suatu variable kontinu yang diberikan berdasarkan nilai dari
variable yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau
non linier.
Clustering
mempartisi data-set menjadi beberapa sub-set atau kelompok
sedemikian rupa sehingga elemet-element dari suatu kelompok tertentu memuliki set
property yang di share bersama, dengan tingkat similaritas yang tinggi dalam satu
kelompok dan tingkat similaritas antar kelompok yang rendah. Jika diberikan
sejumlah titik data yang masing-masing mempunyai sejumlah atribut, dan dengan
menggunakan satu ukuran similaritas, dapat ditemukan klaster-klaster hingga titiktitik data dalam satu klaster mempunyai similaritas yang lebih besar dan titik-titik data
dalam klaster yang berbeda mempunyai similaritas yang kecil. Ukuran similaritas
yang digunakan adalah Euclidean Distance jika atributnya kontinu dalam
permasalahan lain dengan ukuran tertentu.
Kaidah asosiasi (Association Rules) mendeteksi kumpulan atribut-atribut yang
muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah
kaidah dari kumpulan-kumpulan tersebut. Pencarian pola sekuensial (sequence
mining) mencari sejumlah event yang secara umum terjadi bersama-sama. Jika
diberikan sekumpulan objek, dengan masing-masing objek dihubungkan dengan
waktu kejadiannya maka didapatkan pola yang akan memprediksi ketergantungan
sekuensial (sequential dependencis) yang kuat di antara kejadian-kejadian yang
beerbeda (Hermawati, 2009).
(A
B)
(C)
(D
E)
Pola-pola sekuensial pertama, pada dasarnya dibentuk dengan cara mencari semua
kemungkinan pola yang ada. Nilai-nilai kejadian dalam pola diatur berdasarkan urutan
waktu kejadian.
(A
B)
(C)
(D
E)
Universitas Sumatera Utara
23
2.4 Metode Clustering
Klastering (clustering) adalah salah satu analisis peubah ganda (multivariate analisys)
yang digunakan untuk mengelompokkan objek-objek sedemikian rupa sehingga objek
dalam satu cluster yang sangat mirip dan objek di berbagai cluster cukup berbeda.
Analisis cluster banyak digunakan dalam penelitian-penelitian di bidang social,
bidang kesehatan, bidang marketing, bidang akademik, dan bidang kewilayahan
(Santosa, 2007).
Metode analisis cluster (clustering methods) dibedakan menjadi dua yaitu
metode hierarki (hierarchical clustering methods) dan metode tak berhierarki (non
hierarchical clustering methods). Metode hierarki dibedakan menjadi dua yaitu
metode penggabungan (agglomerative/bottom up) dan metode pemecahan (devisive/
topdown). Prosedur yang digunakan dalam metode hierarki adalah prosedur pautan
tunggal (single linkage), pautan lengkap (complete linkage), dan pautan rata-rata
(average linkage). Hasil clustering metode berhierarki secara umum membentuk
diagram
pohon
(tree
diagram)
atau
dendrogram
yang
menggambarkan
pengelompokan objek berdasarkan jarak. Metode tak berhierarki disebut juga metode
partisi (partitional methods). Metode tak berhierarki yang banyak digunakan adalah
metode C-means Cluster. Yang membedakan fuzzy clustering dan non fuzzy clustering
adalah dalam fuzzy clustering, sebuah titik termasuk dalam setiap cluster dengan suatu
nilai bobot antara 0 dan 1, sedangkan yang non fuzzy jumlah dari bobot-bobot tersebut
sama dengan 1. Clustering probabilitas mempunyai karakteristik yang sama
(Hermawati, 2009).
2.4.1 Analisa Cluster
Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam suatu
kelompok sama (mempunyai hubungan) dengan yang lain dan berbeda (tidak
berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster
adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak anatar cluster.
Aplikasi dari analisa cluster dibedakan menjadi understanding yaitu kelompok
dokumen-dokumen yang saling berhubungan untuk proses browsing, pengelompokan
gen dan protein yang mempunyai fungsi sama atau pengelompokan stok dengan harga
yang fluktuatif. Summarization untuk menurunkan ukuran dari data-set yang besar.
Universitas Sumatera Utara
24
2.4.2 Clustering dengan C-Means
C-Means merupakan salah satu metode data Clustering non hierarki yang berusaha
mempartisi data yang ada kedalam bentuk satu atau lebih cluster (kelompok). Metode
ini mempartisi kedalam cluster (kelompok) sehingga data yang memiliki karakteristik
yang sama (High Intra Class Similarity) dikelompokkan kedalam satu cluster yang
sama dan yang memiliki karakteristik yang berbeda (Law Inter Class Similarity) di
kelompokkan pada kelompok yang lain (Giyanto, 2008).
C-means Cluster merupakan metode pengelompokan yang terkenal dan
banyak digunakan di berbagai bidang karena sederhana, mudah di implementasikan,
dan memiliki kemampuan untuk mengelompokkan data yang besar. C-means
digunakan untuk meng cluster data-data mahasiswa dan jumlah cluster bisa ditentukan
di awal (Khoiruddin, 2007).
Metode ini mengelompokkan secara partisi yang memisahkan data kedalam
kelompok yang berbeda. Dengan proses partisi secara iteratif, C-means Cluster
mampu meminimalkan jarak rata-rata setiap data ke kelompoknya. Metode ini
dikembangkan oleh MacQueen pada tahun 1967, yang merupakan pengembangan dari
Steinhaus tahun 1956. Kemudian dikembangkan terus sampai saat ini diberbagai
bidang. Langkah-langkah Clustering data dengan C-Means terdiri dari (Suryadi, e.t al,
1998):
1. Langkah Pertama : Menanyakan kepada pemakai algoritma C-Means, obyek
yang ada akan dibuat menjadi berapa kelompok, sebutlah sebanyak C cluster.
2. Langkah Kedua : Secara sembarang, pilihlah C buah obyek (dari sekian obyek
yang ada) sebagai pusat-pusat kelompok cluster awal.
3. Langkah Ketiga : Untuk setiap obyek, tentukan pusat cluster terdekatnya dan
tetapkan obyek tersebut sebagai anggota dari cluster yang terdekat pusat
clusternya. Hitung rasio antara Between Cluster Variation (BCV) dengan
Whiting Cluster Variation (WCV), lalu bandingkan rasio tersebut dengan rasio
sebelumnya (bila sudah ada). Jika rasio tersebut membesar, lanjutkan ke
langkah keempat. Jika tidak, hentikan prosesnya.
4. Langkah keempat : Perbaharui pusat-pusat cluster (berdasarkan cluster yang
didapat dari langkah ketiga) dan kembalilah ke langkah ketiga. Apabila nilai
rasio sudah tidak lagi membesar dibandingkan dengan rasio sejenis yang
didapatkan pada langkah sebelumnya, maka algoritma akan dihentikan.
Universitas Sumatera Utara
25
Diagram alir (flowchart) algoritma C-Means sesuai dengan langkah-langkah
diatas ditunjukkan dalam gambar 2.2. Terdapat 18 cluster pada aplikasi yang
dibangun. Cluster ditentukan dari banyaknya jenis beasiswa yang di tawarkan. Pusat
dari tiap-tiap cluster di tentukan dari jarak yang terkecil. Kemudian dihitung jarak
objek ke pusat cluster. Objek di kelompokkan berdasarkan jarak minimum, jika ada
objek yang harus dipindahkan, proses selanjutnya akan kembali ke penentuan pusat
pada objek yang dipindah. Jika tidak ada objek yang dipindah maka prosesnya selesai.
Gambar 2.2 Flowchart Algoritma C-Means
Universitas Sumatera Utara
26
2.4.3 Sifat Pengelompokan Clustering C-means
Data dibagi menjadi beberapa kelompok atau cluster hingga terbentuk beberapa
kelompok data.
Centroid 1 – Gabungan dari semua kelompok (set),
⋃
meliputi himpunan titik data X
)=1∀
(
Centroid 2 – Tidak ada yang overlap (bertimpa) antar Cluster
(
)∩
)=0∀
(
Centroid 3 – Cluster tidak boleh kosong, dan tidak dapat memuat semua titik
0< ∑
(
)< ∀
Matriks U = a c x P , matriks dari titik data dan cluster. Jika
=
(
) mewakili
ke anggotaan (0 atau 1) antara data titik j dan i, kemudian U adalah matriks dari
= 1, …, cj, J = 1, …, P). Jika
(i
menjadi partisi dari ‘c’ maka lokasi ke anggotaan (0
atau 1) setiap data berhubungan dengan satu kelas.
∈ {0,1}; ∑
= ∪|
= 1; 0 < ∑
<
Fungsi objektif adalah membedakan antara kualitas alokasi cluster yang
berbeda. Algoritma C-Means menggunakan jumlah jarak antara claster usulan dan
data terkait menunjukkan milik kelompok tersebut. Tujuannya adalah untuk
menemukan centroid terbaik dan alokasi titik data sedemikian rupa sehingga jarak
diminimalkan yaitu dengan rumus :
Dimana matriks
data k,
J (U, V) = ∑
∑
(
)
adalah jarak yang cocok menurut Euclidean norm, antara sampel
dan i pusat cluster
= (
−
)= |
−
| =
(
−
)
/
Setiap titik data terletak pada ruang dimensi ‘m’ untuk mengoptimalkan kombinasi
dari cluster (U*, V*) , meminimalkan J (U, V) atau :
J (U*, V*) = ∪∈
{ ( , )}
Universitas Sumatera Utara
27
2.4.4 Kelebihan dan Kekurangan C-Means Cluster
Kelebihan metode C-Means diantaranya adalah sebagai berikut :
1. Mampu mengelompokkan obyek yang besar.
2. Mampu mengecilkan obyek dengan cepat.
3. Mempercepat proses pengelompokan.
Adapun kekurangan yang dimiliki oleh C-Means diantaranya sebagai berikut :
1. Sangat sensitif pada pembangkitan titik pusat awal secara random.
2. Memungkinkan suatu gerombol tidak mempunyai anggota.
3. Hasil pengelompokan bersifat tidak unik terkadang selalu berubah-ubah.
4. Terkadang bagus, terkadang tidak bagus.
5. Menentukan jumlah gerombol sebelum kita mengetahui jumlah kelompok
yang optimal.
6. Semua obyek harus masuk kedalam satu cluster, dan sangat bergantung pada
inisialisasi cluster centers.
2.5 Pemrograman PHP dan MySQL
PHP (Hipertext Preprocessor) adalah bahasa pemrograman yang paling popular dan
banyak digunakan untuk pemrograman web. Pada umumnya PHP digunakan di server
namun juga dapat berdiri sendiri sebagai aplikasi graphical.
MySQL merupakan DBMS yang multithread, multi-user yang bersifat gratis
dibawah lisensi GNU General Public Licence (GPL). MySQL memiliki dua bentuk
lisensi, yaitu free software dan shareware. Sebagai software DBMS, MySQL
memiliki sejumlah fitur seperti multiplatform, andal (cepat dan mudah digunakan),
jaminan keamanan akses, dukungan SQL, adanya fasilitas API (Application
Programming Interface), MySQL terbukti kestabilannya karna digunakan oleh banyak
proyek besar (Lubis & Syahputra, 2011).
MySQL merupakan database multi-user yang menggabungkan bahasa
Structure Query Language (SQL). MySQL dalam operasi client-server, melibatkan
server-daemon MySQL disisi serverdan berbagai macam program, serta library yang
berjalan disisi client. MySQL mampu menangani data yang cukup besar. MySQL
adalah bahasa standar yang digunakan untuk mengakses sever database. Dengan
menggunakan SQL, proses akses database menjadi lebih friendly. Dalam konteks
Universitas Sumatera Utara
28
bahasa SQL, informasi umumnya tersimpan dalam tabel-tabel yang secara logis
merupakan struktur dua dimensi yang terdiri dari baris-baris data yang berada dalam
satu atau lebih kolom. Baris pada tabel sering disebut entitas dari data, sedangkan
kolom sering disebut atribut atau field. Keseluruhan tabel itu dihimpun dalam satu
kesatuan yang disebut database (Wirawan, 2009).
Dalam penerapan metode Clustering data dengan C-Means untuk rekomendasi
penerima beasiswa pada Universitas Sumatera Utara digunakan bahasa pemrograman
PHP dan database MySQL sebagai penyimpanan data dan basis pengetahuan.
Penggunaan PHP dan MySQL dipilih karena PHP dan MySQL memiliki beberapa
kelebihan, kelebihan yang dimaksud seperti (Nugroho, 2008) :
1. Bahasa pemrograman PHP adalah sebuah bahasa script yang tidak melakukan
sebuah kompilasi dalam penggunaannya.
2. Web server yang mendukung PHP dapat ditemukan dimana-mana dari mulai
IIS sampai dengan Apache, dengan konfigurasi yang relative mudah.
3. Dalam isi pengembangan lebih mudah, karena banyaknya milis-milis dan
developer yang siap membantu dalam pengembangan.
4. Dalam sisi pemahaman, PHP adalah bahasa scripting yang paling mudah
karena referensi yang banyak.
5. PHP adalah bahasa open source yang dapat digunakan diberbagai mesin
(Linux, Unix, Windows) dan dapat dijadikan secara runtime melalui console
serta juga dapat menjalankan perintah-perintah sistem.
Sedangkan database MySQL memiliki beberapa kelebihan yaitu (Lubis &
Syahputra, 2011) :
1. MySQL merupakan server tercepat dan mempunyai performa yang tinggi tapi
simple.
2. Bersifat Open Source.
3. Database MySQL mengerti bahasa SQL (Structured Query Language).
4. Memiliki kecepatan yang lebih baik dalam menangani query (perintah SQL).
5. Dapat berjalan dengan stabil pada berbagai sistem operasi.
6. Bersifat multiuser, MySQL dapat digunakan oleh beberapa user dalam waktu
yang bersamaan tanpa mengalami masalah.
Universitas Sumatera Utara
29
7. Scalability dan limits yaitu MySQL mampu menangani database dalam skala
besar, dengan jumlah records lebih dari 50 juta dan 60 ribu tabel serta 5
milyar baris. Selain itu batas indeks yang dapat ditampung mencapai 32
indeks pada tiap tabelnya.
8. Connectivity MySQL dapat melakukan koneksi dengan client menggunakan
protokol TCP/IP, Unix soket (UNIX), atau Named Pipes (NT).
9. Interface MySQL memiliki interface (antar muka) terhadap berbagai aplikasi
dan bahasa pemrograman dengan menggunakan fungsi API (Application
Programming Interface).
10. Clients dan tools MySQL dilengkapi dengan berbagai tool yang dapat
digunakan untuk administrasi database, dan pada setiap tool yang ada
disertakan petunjuk online.
11. Struktur tabel MySQL memiliki struktur tabel yang lebih fleksibel dalam
menangani ALTER TABLE, dibandingkan database lainnya semacam
PostgreSQL ataupun Oracle.
2.6 Data Flow Diagram (DFD)
Data Flow Diagram (DFD) adalah alat pembuatan model yang memungkinkan
professional sistem untuk menggambarkan sistem sebagai suatu jaringan proses
fungsional yang dihubungkan satu sama lain dengan alur data, baik secara manual
maupun komputerisasi. DFD merupakan alat perancangan yang berorientasi pada alur
data dengan konsep dekomposisi yang digunakan untuk menggambarkan analisa
maupun rancangan system yang mudah di komunikasikan oleh profesional sistem
kepada pemakai maupun pembuat program (Muchtar & Sani, 2011).
2.7 Flowchart
Flowchart adalah penggambaran secara grafik dari langkah-langkah dan urutan-urutan
prosedur dari suatu program. Flowchart mempermudah penyelesaian suatu masalah,
flowchart sistem merupakan bagan yang menunjukkan alur kerja atau apa yang sedang
dikerjakan di dalam sistem secara keseluruhan dan menjelaskan urutan dari prosedurprosedur yang ada di dalam sistem. Flowchart program dihasilkan dari flowchart
sistem (Muchtar & Sani, 2011).
Universitas Sumatera Utara