Decision Tree

VOLUME 3 NOMOR 2 MARET 2017
JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
(JATISI)
Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan
Sistem Informasi (JATISI) merupakan media penyampaian hasil penelitian untuk semua
bidang yang ada pada rumpun teknik informatika dan sistem informasi, diharapkan hasil
penelitian yang ada pada jurnal ini dapat menjadi penghubung antara peneliti dan pihak yang
berkepentingan. ISSN 2407-4322, diterbitkan pertama kali pada tahun 2014
KETUA PENYUNTING
Muhammad Rizky Pribadi
DEWAN PENYUNTING
Gasim
Teguh Bharata Adji
Samsuryadi Sahmin
Achmad Nizar Hidayanto
Ermatita
STAF AHLI (MITRA BESTARI)
Bernard Renaldy Suteja
Aji prasetya wibawa
Hermawan Syahputra
Andi Wahju Rahardjo Emanuel
Bambang Sugiantoro
TATA USAHA
Yulistia
Mulyati
Usniawati Keristin
Nur Rachmat
Eva Rianti
PENANGGUNG JAWAB
Ketua STMIK Global Informatika MDP, Johannes Petrus, S.Kom., M.T.I
PENERBIT
Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika
MDP bekerjasama dengan IndoCEISS (Indonesian Computer, Electronics and
Instrumentation Support Society)
ALAMAT PENYUNTING & TATA USAHA
Gedung STMIK GI MDP, Jalan Rajawali No. 14 Palembang 30113
Telp. 0711-376400, Fax. 0711-376360,
Website : http://jatisi.mdp.ac.id, Email : [email protected]
Jatisi, Vol. 3 No. 2 Maret 2017
DAFTAR ISI
Perancangan Sistem Informasi Kelulusan Berdasarkan Tahun Akademik di
Yayasan SMP Makna Bakti
Achmad Irfan, Budi Arifitama
85-94
Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru
di PT WISE
Fandy Ferdian Harryanto, Seng Hansun
95-103
Analisis Pengaruh Penggunaan Internet Terhadap Minat Belajar Mahasiswa
(Studi Kasus:Perguruan Tinggi di Kota Palembang)
Desi Pibriana, Desy Iba Ricoida
104-115
Pengembangan Model Rantai Pasok Minyak Goreng Untuk Meningkatan
Produktivitas Menggunakan Sistem Dinamik pada PT XYZ
Donaya Pasha, Erma Suryani
116-128
Analisis Performa AES Untuk Sekuriti Jaringan Scada Berbasis ATMega16
Eka Puji Widiyanto
129-136
Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian
Pada Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung
Anisah, Nia Novianti
137-150
Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan
Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian
Dewi Sartika, Dana Indra Sensuse
151-161
Pengenalan Mobil pada Citra Digital Menggunakan HOG-SVM
Derry Alamsyah
162-168
Pengaruh Kualitas Sistem Informasi Cyber CampusTerhadap Kepuasan dan
Loyalitas Mahasiswa STIKOM Surabaya
Puspita Kartikasari
169-182
Pengembangan Simulasi Sinyal Radar dan Proses Interleaving Sebagai
Inputan pada Radar Detector
Norma Ningsih
183-195
Biodata Penulis
Indeks Penyunting/Mitra Bestari
Abstrak Volume 3 Nomor 1
Indeks Jurnal Volume 1 Nomor 1
Pedoman Penulisan Makalah JATISI
Form Penilaian Reviewer
196
198
200
204
205
208
Title of manuscript is short and clear, implies research results (First Author)
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5

Jatisi, Vol. 3 No. 2 Maret 2017
85
Perancangan Sistem Informasi Kelulusan Berdasarkan
Tahun Akademik di Yayasan SMP Makna Bakti
1,2
Achmad Irfan*1, Budi Arifitama2
Program Studi Teknik Informatika Universitas Trilogi;Jl.TMP Kalibata No.1 Kampus Trilogi
e-mail: *[email protected], [email protected]
Abstrak
Dalam perkembangan teknologi informasi pendataan kelulusan saat ini tidak terlalu
diperhatikan oleh pihak sekolah maupun pemerintah terutama sekolah swasta yang
berakreditasi cukup baik. Penggunaan data serta penyimpanan arsip yang digunakan saat ini
masih bersifat manual di Yayasan SMP Makna Bakti yang artinya penyimpanan arsip informasi
kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara langsung.
Berdasarkan permasalahan tersebut, dibangunlah perancangan sistem akademik serta
penyimpanan arsip menggunakan metode SDLC Waterfall (air terjun) untuk memperbaiki
sistem yang masih bersifat manual menjadi lebih terstruktur. Dalam membangun perancangan
sistem tersebut sangat bermanfaat untuk pihak sekolah maupun pemerintah sekali pun jika
membutuhkan arsip data kelulusan siswa sewaktu-waktu dibutuhkan, menjaga kestabilan sistem
yang sudah ada di Yayasan SMP Makna Bakti serta memberikan sebuah informasi kelulusan
siswa dengan akurat dan efisien.
Kata kunci: Perancangan Sistem Informasi, Sistem Informasi Sekolah, Sekolah.
Abstract
The development of data collection graduation based on information technology are
very less considered by the school and the government, especially accredited rivate schools. The
use of data and archival storage in use today is still manual in SmpYayasan Bakti Which means
archival storage academic graduation information still involves people as a means of delivering
it directly. Based on these problems, this research will developan academic system design built
archive storage using Waterfall SDLC (waterfall) to improve the system which still manual to
be more structured. The building of the system design would benefit the school and the
government for data archiving when needed, to maintain the stability of the existing system at
Yayasan Bakti SMP as well as providing a graduation information accurately and efficiently.
Keywords: Information System Design, School Information System, School.
1. PENDAHULUAN
erkembangan teknologi informasi sungguh memiliki kemajuan yang sangat pesat dalam
dunia pendidikan. Dalam sebuah pendataan kelulusan tahun akademik saat ini tidak terlalu
diperhatikan oleh pihak sekolah. Maka dari itu penerapannya sudah hampir menjadi dominan di
semua kegiatan yang melibatkan teknologi informasi. Perancangan sistem adalah penentuan
proses dan data yang diperlukan oleh sistem baru, jika sistem itu berbasis komputer,
perancangan dapat dinyatakan spesifikasi peralatan yang digunakan [1]. Untuk saat ini
penggunaan diterapkan untuk mendata dan menyimpan arsip kelulusan tahun akademik yayasan
SMP Makna Bakti, dimana masih bersifat manual yang artinya penyediaan serta penyimpanan
P
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
86
ISSN: 2407-4322
arsip informasi kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara
langsung. Pengembangan sistem idealnya dilaksanakan dalam suatu kerangka rancangan induk
sistem yang mengkoordinasikan proyek pengembangan sistem kedalam rancangan strategis
perusahaan [2].
Penelitian yang dilakukan disini adalah untuk merancang serta mengimplementasikan
sistem perancangan data kelulusan berdasarkan tahun akademik di SMP Yayasan Makna Bakti
oleh pihak tatausaha dengan menggunakan metodologi pengembangan SDLC Waterfall.
Metode SDLC Waterfall adalah suatu proses pengembangan perangkat lunak berurutan,
dimana kemajuan dipandang sebagai terus mengalir kebawah seperti air terjun melewati fasefase perencanaan, analisis, implementasi dan pengujian. Model waterfall adalah model klasik
yang bersifat sistematis, berurutan dalam membangun perangkat lunak [3]. Tahapan utama dari
waterfall model langsung mencerminkan aktifitas pengembangan dasar. Terdapat 5 tahapan
pada waterfall model, yaitu requirement analysis and definition, system and software design,
implementation and unit testing, integration and system testing, dan operation and maintenance
[4]. Model SDLC Waterfall (air terjun) juga biasa sering disebut model sekuensial atau alur
hidup klasik (classic life cycle). Adapun kegunaan utama dari SDLC adalah mengakomodasikan
beberapa kebutuhan, biasanya berasal dari kebutuhan pengguna akhir dan juga pengadaan
perbaikan sejumlah masalah yang terkait dengan pengembangan perangkat lunak tersebut.
Adapun keunggulan model pendekatan pengembangan perangkat lunak dengan model waterfall
adalah pencerminan kepraktisan rekayasa, yang membuat kualitas software tetap terjaga karena
pengembangannya yang terstruktur dan terawasi.
Didalam perancangan sistem hanya memaparkan data informasi kelulusan akademik di
Yayasan SMP Makna Bakti yang masih bersifat manual maka dari itu dikembangkan suatu
perancangan sistem untuk memberikan sebuah informasi kelulusan dengan efisien dan akurat.
Pada pengembangan perancangan sistem informasi sangat mempermudah pengelolaan kelulusan
siswa sehingga semua data yang sudah ada mudah disimpan dengan terstruktur yang disajikan
dalam bentuk informasi yang cukup akurat. Sehingga semua informasi ini akan sangat
bermanfaat untuk guru, staf tatausaha, siswa, orang tua, hingga pemerintah sekalipun dengan
meningkatkan kualitas pendidikan khususnya di Yayasan SMP Makna Bakti. Adapun
perancangan secara keseluruhan dari sistem informasi menggunakan flowchart dan Data Flow
Diagram (DFD). Pengertian Data Flow Diagram (DFD) adalah gambaran grafis yang
memperlihatkan aliran data dari sumbernya dalam obyek kemudian melewati suatu proses yang
mentransformasikan ketujuan yang lain, yang ada pada objek lain [5]. Diharapkan dengan
adanya penelitian yang sudah dilakukan, proses pencarian dan pengolahan data kelulusan siswa
berdasarkan tahun akademik di Yayasan SMP Makna Bakti, akan memberikan kemudahan bagi
guru maupun staf tatausaha untuk mencari data kelulusan siswa yang sudah terlampau dapat
diproses lebih efisien dan akurat.
Berdasarkan informasi diatas yang sudah di telaah maka penulis merumuskan judul
perancangan sistem informasi kelulusan siswa berdasarkan tahun akademik di Yayasan SMP
Makna Bakti.
2. METODE PENELITIAN
Sebagai upaya dalam penyelesaian permasalahan dari penelitian, metode yang akan
digunakan untuk perancangan sistem informasi akademik di SMP Makna Bakti yaitu metode
SDLC Waterfall dimana sebuah model yang melakukan pendekatan pada perkembangan
perangkat lunak secara sistematik dan sekuensial terbagi-bagi menjadi beberapa fase/tahapan,
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
87
dimulai dari tahapan user requirement, yang berfungsi sebagai proses pengambilan data awal
dari aplikasi, kemudian diteruskan dengan fase analisis design dimana dalam proses ini
dilakukan permodelan analisis berdasarkan data yang dihasilkan pada tahapan user requirement,
dimana pemodelan ditransformasikan pada beberapa model desain seperti yang pertama
kedalam sebuah flowchart, kedua Desain Flow Diagram (DFD). Desain Flow Diagram (DFD)
adalah model logika data atau proses yang dibuat untuk menggambarkan darimana asal data,
kemana tujuan data yang akan keluar dari sistem, dimana data disimpan, proses yang akan
dihasilkan oleh data tersebut dan interaksi antara data yang tersimpan hingga proses yang
dikenakan data tersebut. Desain ketiga adalah Entity Relationship Diagram (ERD). Dalam
rekayasa perangkat lunak sebuah ERD merupakan suatu abstrak dan konseptual representasi
data, juga sebuah metode pemodelan basis data yang digunakan untuk menghasilkan skema
konseptual dari sebuah sistem.
3. HASIL DAN PEMBAHASAN
Untuk lebih mendalam menjelaskan proses yang dijelaskan satu per satu dari proses
yang masing-masing secara rinci. Perancangan sistem informasi membutuhkan komponen data
valid dari penelitian yang sudah dilakukan, adapun perancangan data kelulusan siswa dari
implementasi flowchart, Desain Flow Diagram (DFD), dan Entity Relationship Diagram
(ERD) yang akan dijabarkan berdasarkan gambar dari masing-masing metode yang dilakukan
dengan cara mengambil langsung data kelulusan siswa di Yayasan SMP Makna Bakti
berdasarkan data yang valid. Adapun data yang sudah dapat dalam penelitian ini terdapat dua
kategori nilai yaitu nilai yang paling tertinggi sampai nilai yang paling terendah. Berikut gambar
tabel kategori nilai.
x1
Tabel 1. Kategori Nilai Siswa
Jumlah NilaiTertin
Nama
Nilai
ggi
Ade Irma
222,5
222.5
2
Genta
210,0
3
Chiko
203,5
4
Yesieka
202,5
5
NurAulia
200,5
6
Dindyasria
200,5
7
Akbar
200,5
No
8
9
Ade
Maulana
Muhammad
Havit
NilaiTere
ndah
123,5
199,0
198,5
3.1 Perancangan Sistem dengan Basic Flowchart
Perancangan sistem penyimpanan kelulusan akademik pada penelitian ini sangat
sederhana, dimana perancangan menggunakan flowchart.
Title of manuscript is short and clear, implies research results (First Author)
88
ISSN: 2407-4322
Gambar 1. Flowchart Guru
Pada flowchart ini hanya digunakan untuk memudahkan proses berjalannya sistem yang
dirancang untuk Guru, Siswa, serta Staf TU dalam pemrosesan pencarian data kelulusan siswa
dari seluruh aspek yang berkaitan didalam sistem. Pada gambar 1 terdapat flowchart guru,
dimana pengecekan dan penginputan nilai siswa harus sesuai dengan perencanaan awal yang
sudah dirancang dan juga guru memiliki user ID masing masing untuk login setelah itu proses
dapat berjalan sehingga penginputan nilai siswa kedalam sistem tidak ada kesalahan untuk
seterusnya. Masing-masing siswa memiliki user ID untuk dapat melihat nilai ujian yang sudah
keluar dalam sistem, selanjutnya siswa dapat mengeprint nilai jika nilai sudah keluar yang ada
dalam sistem seperti pada gambar 2.
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
89
Gambar 2. Flowchart Siswa
Staf TU adalah pusat dari seluruh aspek dalam sistem yang dirancang. Seluruh
pengolahan data kelulusan oleh pihak Staf TU sangat bepengaruh terhadap guru maupun siswa
dikarenakan informasi akan keluar dengan baik bergantung terhadap sistem kerja dari pihak Staf
TU yang mengolah dan memasukan data nilai kelulusan siswa oleh tahapan paling terakhir.
Secara bertahap proses penginputan nilai siswa kedalam sistem pihak Staf TU harus melakukan
monitoring rekapitulasi nilai siswa sebelum dimasukan kedalam sistem bertujuan untuk
menghasilkan sebuah informasi kelulusan siswa dengan efisien dan akurat. Tahapan
perancangan berikutnya adalah perancangan dengan context diagram. Untuk ilustrasi flowchart
dapat dilihat pada gambar 3 pada contoh dibawah ini.
Gambar 3. Flowchart Staf TU
Title of manuscript is short and clear, implies research results (First Author)
90
ISSN: 2407-4322
3.2 Perancangan Menggunakan Context Diagram
Context diagram digunakan sebagai model untuk memudahkan pembuatan siklus/alur
tahapan proses dari perkembangan sistem yang dikembangkan dari basic flowchart dan
menggambarkan ruang lingkup suatu sistem. Context diagram juga merupakan level tertinggi
dari DFD yang menggambarkan keseluruhan input ke dalam sistem atau output dari sistem,
yang dapat dilihat pada gambar 4.
Gambar 4. DFD Level 0
Ilustrasi dari diagram level 0 bertujuan untuk pendetailan dari masing masing proses
entitas yang menghubungkan dari entitas satu ke satu (one to one) yang lainnya. Tahapan ini
memang harus sedetail mungkin dari penjabaran hingga penggambaran alur proses masing
masing entitas jelas serta perancangan memenuhi sesuai dengan tujuan perancangan awal. Pada
tahapan ini juga merupakan pemecahan dari context diagram menuju diagram 0, didalam
diagram ini memuat penyimpanan data. Pembuatan model ini sering digunakan, khususnya bila
perancangan sistem merupakan bagian yang lebih penting dan kompleks dari pada yang
dimanipulasikan oleh sistem itu sendiri. Dengan kata lain, diagram level 0 ini adalah pembuatan
model yang memberikan penekanan hanya pada fungsi sistem. Penjabaran pada tahapan ini
merupakan alat perancangan sistem yang berorientasi terhadap alur data dengan konsep
dekomposisi yang dapat digunakan untuk penggambaran analisa maupun rancangan sistem yang
mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program.
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
91
Gambar 5. Diagram DFD Level 0
Gambar 6. ERD
3.3 Perancangan User Interface
Perancangan antarmuka merupakan perancangan halaman aplikasi yang berinteraksi
langsung dengan pengguna baik admin maupun pengunjung. User interface juga merupakan
bagian sistem komputer yang memungkinkan manusia berinteraksi langsung atau tidak
bergantung kepada sistem yang akan dibuat sesuai dengan perancangan maupun perencanaan
awal.
Title of manuscript is short and clear, implies research results (First Author)
92
ISSN: 2407-4322
Gambar 7. Rancangan Input Login Siswa
Gambar 8. Rancangan Input Login Guru
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
93
Gambar 9. Rancangan Staf TU
Gambar 10. Rancangan Input Menu Utama
4. KESIMPULAN
Setelah semua tahap penelitian dilakukan, dapat dikembangkan proses perkembangan
teknologi informasi pendataan kelulusan saat ini menggunakan aplikasi sistem agar lebih
terstruktur dalam penyimpanan maupun pendataan nilai siswa. Perancangan sistem yang akan
dibangun untuk memudahkan pihak sekolah khususnya dalam penyimpanan nilai serta
memperbaiki perancangan sistem bersifat manual menjadi lebih terstruktur sehingga
menghasilkan sebuah informasi yang efisien dan akurat.
Title of manuscript is short and clear, implies research results (First Author)
94
ISSN: 2407-4322
5. SARAN
Pengembangan yang dapat dilakukan untuk penelitian ini lebih lanjut yaitu mengukur
kualitas pengembangan sistem yang sudah ada dalam pihak internal dengan hasil penyeteraan
perkembangan dalam dunia pendidikan. Pemerintah pun juga harus memperhatikan lebih dalam
untuk pengembangan sistem mengenai media penyimpanan yang masih bersifat manual ini
untuk di tindak lanjuti.
UCAPAN TERIMA KASIH
Penulis mengucapkan terimakasih kepada pihak SMP Makna Bakti yang telah member
dukungan terhadap penelitian ini.
DAFTAR PUSTAKA
[1]
Mc. Leod, R., & Schell, G. P. , 2007, Management Information Systems, 10th ed, Pearson
Education, New Jersey.
[2]
Mardi, 2011, Sistem Informasi Akuntansi, Ghalia, Bogor.
[3]
Pressman, R.S., 2010, Software Engineering: A Practitioner’s Approach, McGraw-Hill,
New York.
[4]
Sommerville, Ian, 2011, Software Engineering (Rekayasa Perangkat Lunak), Erlangga,
Jakarta.
[5]
Wijaya, A. 2007, Penggunaan DFD dan ERD pada Analisis dan Perancang Sistem
Informasi Penjualan Suku Cadang dan Pelayanan Service pada PT. Mitra Maju
Mobilindo, Jurnal Teknik Industri: Media Keilmuan dan Kaitan Aplikasi Bidang Teknik
Industri.
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
95
Penerapan Algoritma C4.5 untuk Memprediksi
Penerimaan Calon Pegawai Baru di PT WISE
1,2
Fandy Ferdian Harryanto*1, Seng Hansun2
Universitas Multimedia Nusantara; Jl. Scientia Boulevard, Gading Serpong, Tangerang,
Banten-15811 Indonesia
e-mail: *[email protected],[email protected]
Abstrak
Perusahaan pada umumnya memerlukan pegawai yang memiliki kemampuan yang
baik, perilaku yang baik serta dapat menyelesaikan pekerjaan yang diberikan
kepadanya.Namun terdapat beberapa kesulitan untuk mengetahui kualitas orang-orang yang
memiliki potensi baik sebagai pegawai pada suatu perusahaan. Oleh karena itu diperlukan cara
atau metode untuk mengidentifikasi calon pegawai suatu perusahaan. Algoritma C4.5 dapat
digunakan untuk melakukan prediksi dan klasifikasi terhadap calon pegawai yang berpotensi
untuk masuk ke dalam perusahaan dengan cara membuat pohon keputusan berdasarkan datadata yang sudah ada dan melakukan prediksi terhadap calon pegawai baru yang ingin masuk
ke perusahaan. Berdasarkan metode pengukuran akurasi ten-fold cross validation telah
didapatkan hasil pengukuran tingkat keberhasilan prediksi calon pegawai baru sebesar 71%
dengan menggunakan aplikasi prediksi calon pegawai yang menerapkan algoritma C4.5.
Kata kunci: Algoritma C4.5, Calon Pegawai, Prediksi, Pohon Keputusan.
Abstract
A company in general needs employee that have good ability, good manners and also
can company. But there are difficulties in finding the qualities of people as a good employee
candicacy. That’s why we need a way or method to identify peoples with the potential to become
a new employee candidate. C4.5 algorithm can be used to predict and classify new employee
candidate that have the potential to get into a corporation by using decision tree according to
the data that we have and predict the new employee candidate qualities. According to the
testing method called ten-fold cross validation, the accuracy of the prediction for the new
employee candidate is 71% by using the built prediction application which implementing C4.5
algorithm.
Keywords: C4.5 Algorithm, Decision Tree, Employee Candidate, Prediction.
1. PENDAHULUAN
Pegawai merupakan sumber daya yang paling penting dalam suatu perusahaan dan
pegawai yang baik dan memenuhi standar perusahaan hanya dapat diperoleh melalui proses
penerimaan pegawai yang efektif [1]. Pegawai yang baik dan berkualitas tentu saja memiliki
dampak yang positif terhadap perusahaan tempat mereka bekerja. Oleh karena itu perusahaan
harus menyeleksi orang–orang yang ingin masuk dan bekerja ke dalam perusahaan itu dengan
baik.
Penerimaan calon pegawai baru merupakan sebuah tahap dimana sebuah perusahaan
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
96
ISSN: 2407-4322
melakukan rekrutmen terhadap orang–orang yang melamar ke perusahaan tersebut dan
menentukan apakah orang tersebut memenuhi kriteria dan kebutuhan unit kerja pada perusahaan
tersebut. Menurut Tjahyono dan Anggara [2] alasan dilakukannya penerimaan calon pegawai
baru adalah pengembangan unit usaha perusahaan tersebut yang mengakibatkan perlunya
penambahan pegawai baru dan kebutuhan perusahaan tersebut untuk mengisi posisi kosong
yang ditinggalkan oleh pegawai lama mereka.
Selain itu, Slamet [3] menyatakan bahwa proses rekrutmen ini berguna untuk
mendapatkan informasi mengenai kecakapan, kepribadian, dan kemampuan lain yang dimiliki
oleh tenaga kerja yang melamar ke perusahaan tersebut. Informasi tersebut dipandang sangat
diperlukan untuk menentukan apakah pekerja tersebut berkualitas dan pantas untuk masuk ke
dalam perusahaan. Tenaga kerja yang berkualitas tentunya akan membantu untuk meningkatkan
kinerja perusahaan.
Berdasarkan hasil wawancara dengan salah satu pekerja pada PT WISE, Bapak Paulus
Harryanto, dapat ditarik kesimpulan bahwa perusahaan ini masih membutuhkan bantuan
tambahan pada proses perekrutan calon pegawai. Menurut Bapak Paulus masih terdapat
beberapa pegawai kantor yang malas dan tidak kompeten. Hal ini berarti proses perekrutan
pegawai pada perusahaan ini tidak berjalan dengan baik. Selain itu, berdasarkan hasil
wawancara dengan Cendrawati selaku divisi Human Resource Development (HRD), ada
beberapa faktor yang menentukan apakah seseorang dapat diterima ke dalam perusahaan.
Faktor–faktor tersebut adalah: umur, pendidikan terakhir, pengalaman bekerja, jenis kelamin,
perilaku saat wawancara, permintaan gaji awal dan penyakit yang sedang diderita.
Algoritma C4.5 dapat digunakan untuk meneliti berbagai macam hal, diantaranya
adalah prediksi tingkat kemenangan pada pertandingan bola [4], mencari pola prediksi hujan
[5], hingga menentukan guru terbaik [6]. Sebelumnya juga telah ada yang melakukan penelitian
yang serupa dengan menggunakan algoritma ini, namun atribut yang digunakan untuk
mengklasifikasikan pohon keputusan berbeda. Adapun pembedanya lainnya adalah penelitian
tersebut dilakukan kepada calon pegawai negeri sipil. Penelitian tersebut dilakukan oleh
Kumara dan Supriyanto [7] dengan judul “Klasifikasi Data Mining untuk Penerimaan Seleksi
Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5”. Tingkat
akurasi yang didapatkan menggunakan algoritma C4.5 ini sudah cukup tinggi, oleh karena itu
dapat disimpulkan algoritma ini cocok untuk diimplementasikan pada penelitian yang
melibatkan proses perekrutan [7].
Algoritma C4.5 digunakan pada penelitian ini untuk memprediksi proses penerimaan
calon pegawai baru pada PT WISE. Menurut penelitian HSSINA, dkk.[8], algoritma C4.5
merupakan algoritma terkuat untuk proses pembuatan decision tree jika dibandingkan dengan
algoritma lain seperti ID3, C5.0, dan CART. Berdasarkan penelitian inilah algoritma C4.5
diputuskan untuk digunakan pada penelitian ini karena algoritma ini lebih kuat daripada
algoritma lainnya. Data pegawai yang bekerja sebagai pegawai lapangan (maintenance, service)
akan digunakan sebagai data training untuk pembuatan decision tree yang akan digunakan
untuk memprediksi penerimaan pegawai dan mengetes tingkat keberhasilan prediksi tersebut
menggunakan data testing terhadap pegawai yang memiliki jabatan pekerjaan yang sama.
2. LANDASAN TEORI
Beberapa literatur yang mendasari penelitian ini akan dibahas pada bab ini, meliputi
sistem pendukung keputusan, pohon keputusan, algoritma C4.5, dan validasi silang.
2.1 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah sebuah sistem yang dapat membantu manusia
untuk mengambil keputusan secara objektif. Konsep sistem seperti ini pertama kali dicetuskan
pada tahun 1970-an oleh Michael S.Scott Morton, Michael pertama kali menyebut sistem seperti
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

97
ini dengan nama Management Decision System. Maksud dan tujuan dari adanya sistem
pengambil keputusan adalah mendukung pengambil keputusan untuk memilih alternatif
keputusan menggunakan model-model pengambilan keputusan dan untuk menyelesaikan
masalah yang bersifat terstruktur, semi terstruktur, maupun tidak terstruktur [9].
Menurut Mengkepe [9], kerangka dasar pengambilan keputusan manajerial dalam tipe
keputusan dibagi menjadi beberapa bagian, yaitu:
1. Terstruktur: Berisi masalah yang sering terjadi, solusinya dapat berupa standar dan baku.
2. Tidak Terstruktur: Berisi masalah kompleks menggunakan pemecahan masalah yang tidak
standar, solusinya melibatkan intuisi manusia sebagai dasar pengambil keputusan.
3. Semi Terstruktur: Gabungan antara keputusan terstruktur dengan tidak terstruktur, solusinya
merupakan gabungan antara prosedur solusi standar dengan kemampuan individu manusia.
2.2 Pohon Keputusan
Manusia selalu dihadapkan dengan berbagai macam masalah dari berbagai bidang
kehidupan. Masalah ini juga memiliki variasi tingkat kesulitannya. Untuk menghadapi masalah
ini manusia mulai mengembangkan sebuah sistem untuk membantu mereka menyelesaikan
masalah-masalah ini, salah satu sistem tersebut adalah pohon keputusan [10].
Pohon keputusan adalah metode klasifikasi dan prediksi yang sudah terbukti powerfull
dan sangat terkenal. Metode ini berfungsi untuk mengubah fakta menjadi pohon keputusan yang
merepresentasikan aturan yang dapat mudah dimengerti dengan bahasa alami. Proses dari pohon
keputusan ini dimulai dari node akar hingga node daun yang dilakukan secara rekursif dimana
setiap percabangan menyatakan kondisi dan setiap ujung pohon akan menyatakan keputusan
[10].
Arsitektur pohon keputusan dibuat sedemikian rupa agar menyerupai pohon asli,
dimana terdapat beberapa bagian yaitu [11]:
- Root Node: Node ini terletak pada bagian paling atas dari pohon keputusan.
- Internal Node: Node ini merupakan percabangan dimana membutuhkan satu input dan
mengeluarkan maksimal dua output.
- Leaf Node: Node ini merupakan node yang terletak pada ujung pohon. Node ini hanya
memiliki satu input dan tidak memiliki output.
Menurut Triisant [11], pohon keputusan ini memiliki beberapa kekurangan dan
kelebihan, yakni:
1. Kelebihan Pohon Keputusan:
- Daerah pengambilan keputusan yang kompleks dapat diubah menjadi sederhana.
- Dapat menghilangkan perhitungan yang tidak penting karena proses pengujian hanya
berdasarkan kriteria yang diperlukan saja.
- Proses pemilihan fitur dari internal node yang berbeda lebih fleksibel. Fitur yang telah
dipilih ini akan menjadi pembeda antara kriteria yang satu dengan kriteria lainnya.
- Metode ini dapat menghindari munculnya permasalahan dengan cara menggunakan
kriteria dengan jumlah yang sedikit pada node internal tanpa mengurangi kualitas
keputusan yang dihasilkan.
2. Kekurangan Pohon Keputusan :
- Dapat terjadi overlap apabila hasil keputusan dan kriteria yang digunakan jumlahnya
sangat banyak. Hal ini juga dapat berakibat bertambahnya waktu yang digunakan untuk
pengambilan keputusan dan jumlah memori yang dibutuhkan semakin tinggi.
- Akumulasi jumlah error dari setiap tingkat pohon keputusan besar.
- Mendesain pohon keputusan yang optimal sulit.
- Kualitas keputusan yang didapatkan sangat tergantung dengan bagaimana pohon tersebut
didesain.
2.3 Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk melakukan proses
klasifikasi data dengan menggunakan teknik pohon keputusan. Algoritma C4.5 merupakan
Title of manuscript is short and clear, implies research results (First Author)
98
ISSN: 2407-4322
ekstensi dari algoritma ID3 dan menggunakan prinsip decision tree yang mirip [11]. Algoritma
ini sudah sangat terkenal dan disukai karena memiliki banyak kelebihan. Kelebihan ini misalnya
dapat mengolah data numerik dan diskret, dapat menangani nilai atribut yang hilang,
menghasilkan aturan-aturan yang mudah diinterpretasikan dan performanya merupakan salah
satu yang tercepat dibandingkan dengan algoritma lain [11].
Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan
atribut yang memiliki prioritas tertinggi atau dapat disebut memiliki nilai gain tertinggi
berdasarkan nilai entropy atribut tersebut sebagai poros atribut klasifikasi [12]. Kemudian
secara rekursif cabang-cabang pohon diperluas sehingga seluruh pohon terbentuk. Menurut
kamus IGI Global (International Publisher of Progressive Academic), entropy adalah jumlah
data yang tidak relevan terhadap informasi dari suatu kumpulan data [13]. Gain adalah
informasi yang didapatkan dari perubahan entropy pada suatu kumpulan data, baik melalui
observasi atau bisa juga disimpulkan dengan cara melakukan partisipasi terhadap suatu set data
[12].
Berdasarkan apa yang ditulis oleh Jefri [10], terdapat empat langkah dalam proses
pembuatan pohon keputusan pada algoritma C4.5, yaitu:
1. Memilih atribut sebagai akar
3. Membuat cabang untuk masing-masing nilai
4. Membagi setiap kasus dalam cabang
5. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang memiliki kelas
yang sama.
Menurut Jiandi [12] data yang dimiliki harus disusun menjadi sebuah tabel berdasarkan
kasus dan jumlah responden sebelum dilakukan perhitungan untuk mencari nilai entropy dan
gain.
‫∑ = )ܵ(ݕ݌݋ݎݐ݊ܧ‬௡௜ୀ଴ −‫ ∗݅݌‬logଶ ‫݅݌‬
(1)
Rumus (1) merupakan rumus yang digunakan dalam perhitungan entropy yang
digunakan untuk menentukan seberapa informatif atribut tersebut. Berikut keterangannya [10]:
ܵ : Himpunan kasus
݊ : Jumlah partisi ܵ
‫ ݅݌‬: Jumlah kasus pada partisi ke-i
|ௌ௜|
‫ܵ(݊݅ܽܩ‬, ‫ )ܵ(ݕ݌݋ݎݐ݊ܧ = )ܣ‬− ∑௡௜ୀଵ |ௌ| ∗ ‫)݅ܵ(ݕ݌݋ݎݐ݊ܧ‬
(2)
Rumus (2) merupakan rumus yang digunakan dalam perhitungan gain setelah
melakukan perhitungan entropy. Berikut keterangannya [10]:
ܵ
: Himpunan kasus
݊
: Jumlah partisi atribut A
|ܵ݅| : Jumlah kasus pada partisi ke-i
|ܵ| : Jumlah kasus dalam ܵ
Dengan mengetahui rumus–rumus diatas, data yang telah diperoleh dapat dimasukkan
dan diproses dengan algoritma C4.5 untuk proses pembuatan decision tree.
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
201
99
Gambar 1. Pseudocode Algoritma C4.5 [14]
Gambar 1 merupakan pseudocode dari algoritma C4.5 yang berfungsi untuk
pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut
dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan.
Selanjutnya akan dilakukan perhitungan entropy dan gain untuk menentukan leaf dari pohon
keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat
dibentuk berdasarkan nilai gain yang telah dihitung sebelumnya. Atribut dengan nilai gain
tertinggi akan terletak pada prioritas
prioritas yang lebih tinggi dan memiliki kedudukan yang lebih
tinggi juga pada pohon keputusan.
2.4 Validasi Silang
Validasi
lidasi silang merupakan metode statistika
tatistika yang digunakan untuk melakukan evaluasi
dan komparasi terhadap sebuah satu set data dengan cara membagikan
embagikan data tersebut menjadi
dua bagian, yaitu data training dan data testing.. Salah satu jenis validasi silang adalah ten-fold
cross validation [15]. Validasi ini dilakukan dengan cara membagi suatu set data menjadi
sepuluh segmen ݀1 – ݀10 yang berukuran sama besar dengan cara melakukan pengacakan data.
Kemudian ݀1 akan digunakan terlebih dahulu untuk proses training dan dilakukan validasi
menggunakan sisa dari data selain ݀1. Setelah itu ݀2 akan digunakan untuk training
training, sementara
sisa data selain ݀2 digunakan untuk validasi, dan seterusnya. Dengan melakukan validasi seperti
ini maka akurasi yang akan didapatkan akan lebih tinggi [15].
3. METODE PENELITIAN
Implementasi algoritma C4.5 untuk prediksi penerimaan calon pegawai baru
menggunakan langkah-langkah
langkah penelitian sebagai berikut:
1. Studi Pustaka
Penelitian dimulai dengan mempelajari informasi serta algoritma yang bersangkutan
dengan penelitian ini dengan cara
ca membaca e-book, e-journal,, serta beberapa referensi
pembelajaran lain. Pada tahapan ini konsep-konsep
ko
konsep yang dibutuhkan dalam penelitian akan
dimatangkan, seperti definisi dari algoritma C4.5 dan penerapannya.
2. Pengumpulan Sampel Data
Title of manuscript is short and clear, implies research results (First Author)
100
ISSN: 2407-4322
Pada tahap ini proses pengumpulan sampel data akan dilakukan dengan cara meminta
data pegawai langsung kepada perusahaan, yakni PT WISE. Data pegawai ini mencakup
berbagai macam informasi mulai dari nama, umur, gaji, alamat, dan atribut lain yang kemudian
akan diolah menggunakan algoritma C4.5. Jumlah data yang akan digunakan adalah 84 data
pegawai lapangan.
3. Analisis Sampel Data
Setelah data-data pegawai didapatkan, dilakukan pemilahan dan perhitungan atribut
data sesuai dengan parameter yang telah ditentukan untuk dilakukan perhitungan nilai entropy
dan gain untuk mendapatkan gambaran umum dari suatu set data.
4. Perancangan dan Pembangunan Aplikasi
Pada tahap ini, beberapa hal akan ditentukan, yakni prosedur dan proses apa saja yang
dapat dilakukan oleh aplikasi, alur proses, serta tampilan dasar aplikasi. Rancangan aplikasi
akan direpresentasikan dalam bentuk diagram yang akan menggambarkan alur proses dari
aplikasi. Setelah itu barulah aplikasi mulai dibangun menggunakan bahasa pemrograman yang
tepat.
5. Uji Coba Aplikasi
Pada tahap ini uji coba akan dilakukan terhadap aplikasi yang sudah dibuat terhadap
data-data yang telah dikumpulkan sebelumnya. Pengamatan apakah algoritma C4.5 dapat
terimplementasi dengan baik pada sistem serta dapat memiliki tingkat akurasi yang tinggi pada
proses prediksi calon pegawai baru juga dilakukan pada tahap ini.
6. Analisis Hasil Aplikasi
Setelah uji coba pada aplikasi berhasil dilakukan, selanjutnya akan dilakukan
pengukuran tingkat akurasi prediksi menggunakan validasi silang ten-fold cross validation.
Validasi silang digunakan agar akurasi pengukuran prediksi lebih tepat.
7. Penulisan Laporan
Pada tahap ini akan dilakukan proses pencacatan setiap kegiatan yang dilakukan selama
proses penelitian ini berlangsung dan menyalurkan informasi tersebut ke dalam bentuk laporan
sebagai bentuk dokumentasi.
4. HASIL DAN PEMBAHASAN
Bagian ini menjelaskan hasil dari pengukuran akurasi aplikasi yang telah dibangun
dalam penelitian. Uji coba dilakukan menggunakan data sample sebanyak 84 dan menggunakan
metode pengukuran ten fold cross validation. Data tersebut kemudian akan dibagi menjadi 10
buah kelompok data training dan data testing. Setelah itu barulah uji coba untuk mengukur
akurasi aplikasi dilakukan.
Analisis yang akan dilakukan pada aplikasi adalah perhitungan tingkat akurasi
menggunakan metode 10-fold cross validation, baik akurasi perkluster maupun secara
keseluruhan. Uji coba akan dilakukan pada 84 buah sampel data yang ada pada database secara
otomatis melalui sistem.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

101
Gambar 2. Hasil Pengukuran Akurasi
Gambar 2 menjabarkan hasil perhitungan dari cross validation yang dilakukan oleh
aplikasi. Dapat dilihat hasil perhitungan akurasi untuk tiap kluster dan secara keseluruhan.
Hasil pengukuran akurasi secara keseluruhan adalah 71%. Hasil prediksi tidak
mencapai angka 100% karena ada beberapa kasus dimana sampel data masih kurang banyak
sehingga hasil prediksi masih bersifat ambigu.
Gambar 3. Hasil Pengukuran Akurasi dengan Tambahan
Dapat dillihat pada Gambar 3 ketika perhitungan dilakukan dengan penambahan tiga
sampel data baru, maka perhitungan akurasi meningkat sebanyak 5%. Hal ini berarti beberapa
Title of manuscript is short and clear, implies research results (First Author)
102
ISSN: 2407-4322
sampel tambahan tersebut dapat memperbaharui pohon sehingga mengurangi tingkat kesalahan
prediksi.
5. KESIMPULAN
Implementasi algoritma C4.5 untuk melakukan prediksi terhadap calon pegawai baru
pada PT WISE telah berhasil dilakukan. Hasil tingkat keberhasilan prediksi calon pegawai baru
di PT WISE secara keseluruhan yang telah diukur menggunakan metode ten-fold cross
validation adalah sebesar 71%. Untuk penelitian selanjutnya, sebaiknya dilakukan uji coba
menggunakan sampel data yang lebih banyak agar tingkat akurasi aplikasi dapat ditingkatkan.
DAFTAR PUSTAKA
[1]
IGI
Global
Dictionary,
2015,
What
is
Information
Gain,
http://www.igiglobal.com/dictionary/information-gain/14407/, diakses tgl 10 Desember
2015.
[2]
Jiandi, R., 2016, Implementasi Algoritma C4.5 untuk Prediksi Potensi Mahasiswa
Sebagai Pengurus Organisasi Menggunakan Data Hasil PAPI KOSTICK (Studi Kasus:
Universitas Multimedia Nusantara), Universitas Multimedia Nusantara, Tangerang.
[3]
Jefri, 2013, Implementasi Algoritma C4.5 Dalam Aplikasi untuk Memprediksi Jumlah
Mahasiswa yang Mengulang Mata Kuliah STMIK Yogyakarta, STMIK AMIKOM,
Yogyakarta.
[4]
Kumara, R. dan Supriyanto, C., 2015, Klasifikasi Data Mining untuk Penerimaan Seleksi
Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5,
Universitas Dian Nuswantoro, Jawa Tengah.
[5]
Mengkepe, E., 2004, Sistem Pendukung Keputusan Pemberian Kredit Mobil PT. Astra
International tbk., Isuzu Division Makassar, Universitas Widyatama, Bandung.
[6]
Putri, S. U., 2015, Implementasi Metode C4.5 untuk Menentukan Guru Terbaik pada
SMK 1 Percut Sei Tuan Medan, STMIK Budi Darma, Medan.
[7]
HSSINA, B., dkk., 2014, A Comparative Study of Decision Tree ID3 and C4.5, Sultan
Moulay Slimane University, Morocco.
[8]
Raditya, A.,2012, Implementasi Data Mining Classification untuk Mencari Pola Prediksi
Hujan dengan Menggunakan Algoritma C4.5, Universitas Gunadarma, Depok.
[9]
Sulistiyani, T. dan Ambar, R., 2003, Manajemen Sumber Daya Manusia, Graha Ilmu,
Yogyakarta.
[10] Slamet, A.,2007, Manajemen Sumber Daya Manusia, Universitas Negeri Semarang,
Semarang.
[11] Tjahyono, A. dan Anggara, A. M., 2010, Sistem Pendukung Keputusan Penerimaan
Pegawai Baru pada PT. Kanasritex Semarang, Techno.com, Vol. 9 No.3.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

103
[12] Marwana, 2014, Algoritma C4.5 untuk Simulasi Prediksi Kemenangan Dalam
Pertandingan Sepakbola, STIMED, Nusa Palapa, Makassar.
[13] Triisant,
2015,
Pohon
Keputusan
dengan
Algoritma
http://dokumen.tips/documents/algoritma-c45.html, Diakses tgl 21 Maret 2016.
C4.5,
[14] Ruggieri, S., 2002, Efficient C4.5, IEEE Transaction on Knowledge and Data
Engineering 14(2), hal.438-444.
[15] Refaeilzadeh, P., Tang, L.,dan Liu, H., 2009, Cross-Validation, Encyclopedia of
Database Systems, hal.532-538.
Title of manuscript is short and clear, implies research results (First Author)
104
ISSN: 1978-1520
Analisis Pengaruh Penggunaan Internet Terhadap
Minat Belajar Mahasiswa
(Studi Kasus:Perguruan Tinggi di Kota Palembang)
Desi Pibriana*1, Desy Iba Ricoida2
STMIK GI MDP; Jalan Rajawali No 14 Palembang
12
Program StudiSistem Informasi
1
e-mail: * [email protected], [email protected]
1,2
Abstrak
Pemanfaatan Teknologi
informasi pada perguruan tinggi diharapkan dapat
meningkatkan kualitas pembelajaran mahasiswa antara lain dengan memberikan kemudahan
akses internet sehingga mahasiswa dapat dengan mudah mendapatkan informasi dari situssitus online. Akan tetapi pemanfaatan internet sering disalahgunakan dengan tidak
menggunakannya guna menunjang pembelajaran sebaliknya digunakan untuk mengakses media
jejaring online dan main game. Berdasarkan hal tersebut maka diperlukan pengujian untuk
mengetahui bagaimana pengaruh dari penggunaan internet terhadap minat belajar mahasiswa
pada Perguruan Tinggi yang ada di Kota Palembang dengan menggunakan konsep Model TRA
(Theory of Reasoned Action). Metode analisis pada penelitian ini dilakukan dengan
menggunakan metode Structural Equation Modeling (SEM) dengan bantuan software AMOS
22. Hasil dari penelitian ini terlihat bahwa norma subjektif tidak memiliki pengaruh terhadap
minat belajar mahasiswa sementara perilaku penggunaan Internet memiliki pengaruh terhadap
minat belajar mahasiswa. Hal ini dapat memberikan masukan bagi perguruan tinggi untuk
memaksimalkan penggunaan internet guna mendukung minat belajar mahasiswa.
Kata kunci: Mahasiswa, Minat, Theory of Reasoned Action, TRA, Structural Equation
Modeling.
Abstract
Information Technology in higher education are expected to be used to improve the
quality of student in learning, such as facilitating student to access the Internet easily by making
it easy to get the information from online sites. However, Internet is often misused by student,
they are using it to access social media and gamesinstead of support their learning process.
Based on this fact, we need to evaluate how Internet usage can affect students learning interest
and behavior in Palembang by using the concept of Theory Reasoned Action (TRA) Model.
Structural Equation Modeling (SEM) with software AMOS 22 is used to analyze this problem.
The result of this study show that the subjective norm have no effect on student interest on
learning while Internet Usage behavior has. Based on this result, it can provide an input for
universities to maximize Internet usage to support student interest on learning.
Keyword: Student, Interest, Behaviour, Theory of Reasoned Action, TRA, Structural Equation
Modeling.

Jatisi, Vol. 3 No. 2 Maret 2017
105
1. PENDAHULUAN
Perkembangan teknologi khususnya pada teknologi jaringan Internet saat ini secara
tidak langsung telah mengubah paradigma masyarakat dalam mendapatkan informasi dan
komunikasi. Salah satu bidang yang sangat membutuhkan teknologi Internet ini adalah dunia
pendidikan, khususnya perguruan tinggi dimana Internet dapat menjadi salah satu sumber
belajar yang dapat dimanfaatkan oleh mahasiswa.
Beberapa Perguruan Tinggi yang ada di Kota Palembang telah memanfaatkan teknologi
internet dalam proses pembelajaran yang dilakukan antara lain dengan membuat sistem
informasi akademik secara online, pemanfaatan sistem informasi akademik secara online juga
diikuti dengan memberikan fasilitas akses jaringan internet sehingga mahasiswa dapat bebas
mengakses internet kapanpun dan dimanapun di area gedung kampus.
Berdasarkan wawancara dan pengamatan yang dilakukan, mahasiswa menggunakan
Internet di lingkungan kampus untuk berbagai keperluan termasuk dalam hal pembelajaran,
tetapi tidak sedikit mahasiswa yang menggunakan Internet untuk kepentingan pribadi seperti
bermain games dan membuka situs-situs yang tidak memiliki hubungan dengan pembelajaran.
Seringkali juga ditemukan bahwa mahasiswa menyalin tugas dari Internet dan tidak dapat
menjelaskan maksud dari tugas yang diperolehnya dari Internet. Hal ini menunjukkan bahwa
mahasiswa tidak memahami materi dan informasi yang didapatkan dari Internet dengan baik.
Kehadiran Internet di perguruan tinggi bertujuan untuk menumbuhkan minat belajar
mahasiswa jika digunakan dengan tepat agar prestasi mahasiswa dapat meningkat. Berdasarkan
hal tersebut diperlukan pengujian apakah Internet dapat mempengaruhi minat belajar
mahasiswa. Salah satu pendekatan yang sering digunakan untuk mempelajari perilaku manusia
adalah Theory of Reasoned Action (TRA) [1]. TRA dimulai dengan melihat intensi/minat
berperilaku sebagai anteseden terdekat dari suatu perilaku. Dipercaya bahwa semakin kuat
minat seseorang untuk menampilkan suatu perilaku tertentu, diharapkan semakin berhasil orang
tersebut melakukannya [1].
1.1 Internet
Internet adalah alat penghubung antara organisasi dan pelanggannya, sehingga tercipta
sebuah organisasi baru secara virtual [2]. Menurut DeFleur & Dennis dalam Zin, Muda, &
Nordin, internet adalah sebuah sistem komputasi di seluruh dunia yang menggunakan sarana
umum untuk menghubungkan perangkat keras dan mentransmisikan informasi digital,
komunitas orang dengan menggunakan sebuah teknologi komunikasi yang umum dan
mendistribusikan sistem informasi secara global [3].
Sehingga dapat disimpulkan Internet memungkinkan satu individu untuk terhubung
dengan satu atau lebih individu lainnya baik untuk berkomunikasi, menerima serta menyebarkan
informasi.
1.2 Minat Belajar
Minat merupakan suatu keinginan seseorang untuk melakukan suatu perilaku tertentu
[4]. Dapat dikatakan bahwa seseorang akan melakukan suatu hal tertentu apabila memiliki
kemauan dari dalam diri untuk melakukannya. Salah satu pendukung yang berpengaruh dalam
memperoleh prestasi dalam belajar adalah minat belajar. Menurut Djamarah dalam [5] adalah
suatu penerimaan akan suatu hubungan antara diri sendiri dengan sesuatu di luar diri. Seseorang
memiliki minat terhadap subjek tertentu cenderung untuk memberikan perhatian yang lebih
besar terhadap subjek tertentu.
Sementara menurut Slameto (2003) dalam [6] menyatakan bahwa minat adalah suatu
rasa lebih suka (senang) dan rasa ketertarikan pada suatu hal atau aktivitas. Penelitian yang
dilakukan oleh Wardhani dalam skripsinya mengenai keterhubungan Internet dan minat belajar,
disimpulkan dalam skripsinya bahwa pemanfaatan internet sebagai sumber belajar merupakan
faktor yang berasal dari luar diri siswa sedangkan minat belajar merupakan faktor yang berasal
Title of manuscript is short and clear, implies research results (First Author)
106

ISSN: 1978-1520
dari dalam diri siswa. Keduanya berpengaruh secara tidak langsung terhadap peningkatan
belajar siswa [6]
1.3 Theory of Reasoned Action(TRA)
Teori tindakan beralasan (Theory of Reasoned Action) merupakan teori yang
menjelaskan tahapan-tahapan manusia melakukan perilaku. Pada tahap awal, perilaku
(behavior) diasumsikan ditentukan oleh minat (intention). Pada tahap berikutnya niat dapat
dijelaskan dalam bentuk sikap-sikap terhadap perilaku (attitudes towards the behavior) dan
norma-norma subyektif (subjective norm). Tahap-tahap ketiga dipertimbangkan sikap-sikap
(attitudes) dan norma-norma subjektif (subjective norm) dalam bentuk kepercayaan tentang
konsekuensi melakukan perilakunya dan tentang ekspektasi normatif dari orang yang direferensi
(referent) yang relevan [6].
Anis Fakhrunnisa menyatakan bahwa Model TRA ini menunjukkan bahwa sikap
(attitude) seseorang, misalnya sikap terhadap belajar, digabungkan dengan norma-norma
subjektif (subjective norm), misalnya kepercayaan-kepercayaan orang lain terhadap belajar,
akan mempengaruhi minat (behavioral intention) terhadap belajar dan pada akhirnya akan
menentukan seseorang untuk belajar atau tidak (behavioral) [7].
1.4 Penelitian Terdahulu
Berikut ini penelitian-penelitian terdahulu yang memiliki relevansi dengan penelitian
yang dilakukan.
1.4.1 Penelitian I Made Agus Ana Widiatmika dan Dana Indra Sensuse
Penelitian yang berjudul “Pengembangan Model Penerimaan Teknologi Internet Oleh
Pelajar Dengan Menggunakan Konsep Technology Acceptance Model (TAM)” oleh
Widiatmika & Sensuse [8], menyatakan bahwa Technology Acceptance Model (TAM)” yang
diusulkan secara umum dapat dijadikan sebagai model penerimaan teknologi internet oleh
pelajar khususnya pelajar sekolah menengah atas dengan fasilitas dan kondisi yang memenuhi.
Model TAM pada penelitian ini menggunakan 9 variabel laten dengan 33 buah indikator
sebagai variabel manifes.
Hasil penelitian ini menunjukkan bahwa 15 hipotesa yang diajukan dapat diterima dan
memberikan pengaruh positif terhadap manfaat yang dirasakan oleh pelajar dan juga
memberikan pengaruh positif terhadap tingkah laku atau kebiasaan pelajar dalam menggunakan
internet. Sikap atau tingkah laku pelajar dalam menggunakan internet seperti rasa senang yang
diperoleh akan memberikan dampak positif pada peningkatan keinginan untuk menggunakan
internet dan mendorong pelajar untuk selalu ingin mencoba berinternet yang tentunya akan
berpengaruh positif terhadap semakin lamanya waktu yang dihabiskan oleh pelajar untuk
berinternet.
Dorongan pelajar untuk selalu ingin mencoba berinternet yang berpengaruh positif
terhadap lamanya waktu yang dihabiskan untuk berinternet. Melalui penelitian ini diambil
variabel penggunaan internet (attitude toward using) sebagai indikator untuk mengukur sikap
penggunaan internet dan perhatian untuk menggunakan internet (behavioral intention to use)
sebagai indikator minat belajar. Sikap penggunaan ini akan dihubungkan dengan minat belajar
mahasiswa. Minat belajar mahasiswa ini akhirnya akan dihubungkan dengan perilaku belajar
mahasiswa.
1.4.2 Penelitian Astutik Nur Qomariyah
Berdasarkan penelitian yang telah dilakukan oleh A.N Qomariyah [9] yang berjudul
“Perilaku Penggunaan Internet pada Kalangan Remaja di Perkotaan” menyimpulkan bahwa
usia responden pertama kali mengenal dan menggunakan internet adalah 12 tahun. Berdasarkan
aspek intensitas penggunaan internet, sebagian besar remaja perkotaan lebih sering mengakses

Jatisi, Vol. 3 No. 2 Maret 2017
107
internet di warnet meskipun di sekolah mereka terdapat fasilitas internet yang dapat
dimanfaatkan secara gratis.
Penggunaan internet remaja perkotaan tergolong heavy user dimana menghabiskan
waktu lebih dari 40 jam sebulan. Kalangan remaja di perkotaan menggunakan internet untuk
empat dimensi kepentingan, yaitu informasi, aktivitas kesenangan, komunikasi dan transaksi.
Meskipun dari keempat kepentingan pengguna internet tersebut aktivitas-aktivitas internet yang
dilakukan kalangan remaja di perkotaan lebih banyak ditujukan untuk aktivitas kesenangan
daripada untuk kepentingan lainnya, namun aktivitas internet yang paling banyak dilakukan
para remaja tersebut adalah mencari sumber atau bahan terkait dengan tugas atau pelajaran
sekolah.
Dari penelitian ini penulis mengambil faktor sikap penggunaan internet dan norma
subjektif terhadap penggunaan internet.
1.4.3 Penelitian Vasilis Gialamas, Kleopatra Nikolopoulou & George Koutromanos
Penelitian yang dilakukan oleh Gialamas, Nikolopoulou, & Koutromanos [10] yang
berjudul “Student teachers’ perception about the impact of internet usage on their learning and
jobs” ditujukan untuk menginvestigasi persepsi mahasiswa fakultas pendidikan mengenai
dampak penggunaan internet terhadap pembelajaran dan pekerjaan mereka dimasa yang akan
datang. Persepsi mahasiswa pendidikan mengenai dampak penggunaan internet terhadap
pembelajaran dan pekerjaan mereka di masa yang akan datang secara umum adalah positif.
Kebanyakan mahasiswa percaya bahwa penggunaan internet pada studi universitas membuat
pembelajaran lebih menarik dan efektif, dan memiliki kemampuan menggunakan internet akan
membantu prospek pekerjaan mereka di masa mendatang. Penelitian ini telah menunjukkan
bahwa semakin tinggi pengalaman digital dan frekuensi penggunaan internet, semakin positif
persepsi para mahasiswa mengenai dampak internet terhadap pembelajaran dan pekerjaan
mereka dimasa mendatang.
Dari penelitian ini diambil variabel Internet Usage khususnya faktor perceived
enjoyment, internet usage, perceived usefullness, impact on general learning, impact
collaborative learning, impact on distance learning, serta social pressure sebagai indikator
untuk mengukur sikap penggunaan, norma subjektif dan minat belajar dengan menggunakan
internet.
2. METODE PENELITIAN
2.1 Tahapan Penelitian
Penelitian ini dilakukan dengan tahapan – tahapan berikut:
Gambar 1. Tahapan Penelitian
a. Perumusan masalah, pada tahapan ini merumuskan masalah yang akan digunakan
dalam topik penelitian dalam hal ini pengaruh pemanfaatan internet terhadap minat
belajar mahasiswa di kota Palembang.
b. Studi Literatur yaitu melakukan studi literatur untuk mendapatkan informasi baik yang
berkaitan dengan topik penelitian dari berbagai sumber antara lain jurnal, buku maupun
artikel.
Title of manuscript is short and clear, implies research results (First Author)
108

ISSN: 1978-1520
c. Perumusan model dan penyusunan instrumen adalah merumuskan model yang
digunakan yaitu konsep Model TRA (Theory of Reasoned Action). Kemudian
penyusunan instrumen penelitian. Instrumen penelitian ini merupakan kumpulan
pertanyaan-pertanyaan yang bersifat close ended question.
d. Pengumpulan Data dilakukan dengan melakukan penyebaran kuesioner terhadap
responden.
e. Pengolahan dan Analisis Data, menggunakan metode statistik dalam menganalisis
data yang berhasil dikumpulkan dari para responden. Teknik statistik yang
digunakan adalah teknik multivariate structural equation model (SEM) yang
diolah dengan program AMOS 22.
f. Penarikan kesimpulan dilakukan setelah
melakukan pengujian hipotesis dan
mengetahui hubungan antar setiap variabel. Kesimpulan merupakan jawaban dari
pertanyaan penelitian yang telah diajukan yang sesuai dengan hasil analisis dan
pengujian hipotesis.
2.2 Populasi dan Sampel
Sumber data dan instrumen yang akan digunakan dalam penelitian ini adalah data
kuantitatif dengan menggunakan metode convenience sampling yang dilakukan dengan cara
penyebaran kuesioner yang dibuat oleh peneliti dengan menyebarkannya dalam bentuk hard
copy. Pengambilan sampel secara acak ini ditujukan agar hasil penelitian bisa dijadikan ukuran
untuk mengestimasikan populasi, atau melakukan generalisasi.
Populasi dari penelitian ini adalah semua mahasiswa Perguruan Tinggi baik swasta
maupun negeri yang ada di kota Palembang dan telah memanfaatkan Teknologi Informasi
dalam proses pembelajaran. Akan diambil sejumlah sampel secara random sampling. Jumlah
sampel yang dianjurkan dalam menggunakan teknik SEM, dengan prosedur estimasi MLE
adalah 100 – 150 sampel [11]. Pendapat lain mengatakan bahwa jumlah sampel yang ideal
untuk MLE yaitu sebanyak lima kali jumlah indikator/pertanyaan [12] yaitu sebanyak 150. Pada
penelitian ini digunakan 273 sampel sehingga memenuhi asumsi tersebut.
2.3 Metode Pengumpulan Data
Pengumpulan data yang dilakukan dalam penelitian ini menggunakan kuisioner, dimana
pertanyaan yang diajukan telah memiliki pilihan jawaban dengan skala likert. Skala likert
merupakan salah satu skala yang paling banyak dilakukan pada penelitian sosial [13].
2.4 Model, Variabel, dan Indikator Penelitian
Berdasarkan teori dan temuan hasil penelitian sebelumnya, kemudian diusulkan suatu
model penelitian yang secara langsung menunjukkan hipotesis yang diajukan pada penelitian
ini. Selain itu, dari model penelitian yang diajukan dapat diketahui hubungan dari penggunaan
internet terhadap minat dan perilaku belajar mahasiswa. Model penelitian ini dapat dilihat pada
Gambar 2.
Gambar 2. Hipotesis dan Rancangan Model Penelitian
Jatisi, Vol. 3 No. 2 Maret 2017

109
Hipotesis pada penelitian ini adalah :
H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar
mahasiswa.
H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap minat
belajar mahasiswa.
Adapun indikator masing-masing variabel dan simbol-simbol untuk butir dalam
kuesioner ditunjukkan seperti pada Tabel 1.
Variabel
Sikap Penggunaan
Internet
Norma Subjektif
Penggunaan Internet
-
Minat Belajar
-
Tabel 1. Variabel dan Indikator Penelitian
Indikator
Interaksi dengan internet
Membagikan informasi di internet
Pengalih perhatian/ kesenangan menggunakan internet
Transaksi online
Komunikasi dan pertemanan menggunakan internet
Informasi dari internet
Pendapat tentang rujukan informasi dari internet
Pendapat tentang membagikan informasi pribadi di
internet
Pendapat tentang kesenangan yang berasal dari
internet
Pendapat tentang keamanan transaksi online
Pendapat tentang pertemanan di internet
Pendapat tentang pertanggungjawaban informasi di
internet
Keinginan belajar menggunakan internet
Ketidakjenuhan belajar dengan menggunakan internet
Belajar dengan materi yang dapat diakses melalui
internet
Internet suatu keharusan
Mengerjakan tugas dengan bantuan internet
Bertukar informasi dalam tugas
Sumber
[8], [9],
[10]
[8], [9],
[10]
[8], [9],
[10]
2.5 Pengujian Kuisioner
Pengujian validitas dan reliabilitas kuisioner dilakukan untuk mengukur valid atau
reliabel tidaknya suatu pernyataan dalam kuisioner yang akan digunakan pada penelitian ini.
2.6 Metode Analisis Data
Metode yang digunakan untuk menganalisis data adalah metode statistik dengan teknik
multivariate SEM (Structural Equation Modeling) menggunakan aplikasi AMOS 22. SEM merupakan
generasi kedua teknik analisis multivariate yang memungkinkan peneliti untuk menguji hubungan antara
variabel kompleks untuk memperoleh gambaran menyeluruh tentang suatu model. Data yang telah
diperoleh kemudian diolah menggunakan program Microsoft Excel 2010 dan program SPSS 16.0.
Selanjutnya, pengolahan dan analisis data dengan implementasi SEM menggunakan aplikasi AMOS 22.
3. HASIL DAN PEMBAHASAN
3.1 Perancangan Kuisioner
Berdasarkan indikator yang dihasilkan dari model penelitian yang diusulkan didapatkan
sebanyak 18 indikator dimana indikator ini menentukan jumlah pertanyaan yang akan
ditanyakan dalam kuisioner. Adapun indikator tersebut tercantum pada Tabel 2.
Title of manuscript is short and clear, implies research results (First Author)

110
Variabel
Sikap Penggunaan
Internet
Norma Subjektif
Minat Belajar
ISSN: 1978-1520
Tabel 2. Rancangan Kuesioner
Nomor
Indikator
Simbol
Pert.
1
Informasi dari internet
SP1
2
Interaksi dengan internet
SP2
3
Pengalih perhatian/ kesenangan menggunakan
SP3
internet
4
Transaksi online
SP4
5
Komunikasi dan pertemanan di internet
SP5
6
Membagikan informasi di internet
SP6
7
Pendapat tentang rujukan informasi dari internet
NS1
8
Pendapat tentang membagikan informasi
NS2
pribadi di internet
9
Pendapat tentang kesenangan yang berasal dari
NS3
internet
10
Pendapat tentang keamanan transaksi online
NS4
11
Pendapat tentang pertemanan di internet
NS5
12
Pendapat tentang pertanggungjawaban
NS6
informasi di internet
13
Keinginan belajar menggunakan internet
MB1
14
Ketidakjenuhan belajar dengan menggunakan MB2
internet
15
Belajar dengan materi yang dapat diakses MB3
melalui internet
16
Internet suatu keharusan
MB4
17
Mengerjakan tugas dengan bantuan internet
MB5
18
Bertukar informasi dalam tugas
MB6
3.2 Pengujian Kuisioner
Untuk menguji validitas, dilakukan perbandingan antara nilai correcteditemtotalcorrelation pada setiap indikator atau pertanyaan dengan nilai r tabel. Jika
correcteditem-totalcorrelation (r hitung) bernilai positif dan lebih besar dari nilai r tabel,
maka indikator atau pertanyaan pada variabel dapat dikatakan valid [14]. Nilai r tabel pada
penelitian ini untuk tingkat signifikansi sebesar 5% adalah 0,1187 dengan perhitungan sampel
sebesar 273 (df = 273-2 = 271) . Sehingga nilai corrected item-total correlation untuk setiap
indikator atau pertanyaan masing-masing variabel harus diatas 0,1187 agar indikator yang
digunakan pada penelitian ini dapat dikatakan valid. Hasil perhitungan pada penelitian ini,
didapatkan semua indikator memiliki nilai corrected item-total correlation diatas 0,1187
maka semua indikator pada penelitian ini dinyatakan valid.
Sedangkan untuk menguji reliabilitas data dilakukan dengan membandingkan
nilai Cronbach Alpha untuk 30 item indikator dan 273 responden. Standar batas
Cronbach’s Alpha yang ditetapkan para ahli berbeda- beda. Suatu basic research secara
umum direkomendasikan memiliki kisaran nilai cronbach’s alpha antara 0,7 - 0,8. Pada
penelitian ini dipilih batas Cronbach’s Alpha untuk semua indikator diatas 0,7. Hasil pengujian
reliabilitas pada penelitian ini diperoleh nilai Cronbach Alpha rata- rata di atas 0,7 sehingga ini
menunjukkan data reliabel.
3.3 Data Responden
Populasi dari penelitian ini adalah seluruh mahasiswa perguruan tinggi yang ada di kota
Palembang, dimana dari seluruh populasi mahasiswa diambil sampel yang dapat mewakili
keseluruhan populasi dengan teknik convenience sampling. Dari penyebaran sebanyak 300
Jatisi, Vol. 3 No. 2 Maret 2017

111
lembar kuesioner ke sampel yang mewakili populasi, terkumpul kembali sebanyak 273 lembar
yang layak untuk dianalisis. Adapun demografi responden dari sampel yang kembali adalah
sebagai berikut:
a. Jenis kelamin
Dari responden didapatkan 41% berjenis kelamin laki-laki dan 59% berjenis kelamin
perempuan.
b. Masa studi (Semester yang telah ditempuh)
Dari keseluruhan responden didapatkan hasil 26% mahasiswa yang memiliki rentang
semester satu sampai dengan semester 3, terdapat 45% mahasiswa rentang semester 4
sampai dengan semester 6, terdapat 10% dari semester 8 dan sisanya 4% telah
menempuh lebih dari delapan semester.
c. Lama mengenal dan menggunakan komputer
Dari keseluruhan responden 86% telah mengenal dan menggunakan komputer selama
lebih dari 5 tahun dan 14% mengenal kurang dari 5 tahun
d. Lama mengenal dan menggunakan internet
Dari keseluruhan responden 82% telah mengenal dan menggunakan internet selama
lebih dari 5 tahun dan 18% mengenal kurang dari 5 tahun
3.4 Hasil Penelitian
Pada penelitian ini digunakan metode teknik statistik yaitu teknik multivariate
Structural Equation Model (SEM) yang dapat diolah dengan program AMOS (Analysis Moment
of Structural) 22.
3.4.1 Pembuatan Path Diagram
Setelah model, variabel dan indikator dibuat, proses selanjutnya adalah membuat path
diagram menggunakan ikon-ikon yang ada tools AMOS yang merupakan representasi dari
model, indikator, dan variabel yang telah dibuat sebelumnya. Adapun path diagram pada
penelitian ini dapat dilihat pada gambar 3. Setelah dilakukan analisis konfirmatori maka
selanjutnya dilakukan pengujian struktural pada keseluruhan model penelitian, pengujian ini
dilakukan untuk mengetahui hubungan antar variabel laten beserta indikator – indikatornya.
Pada penentuan kriteria uji kecocokan beberapa kriteria yang umum digunakan dan telah
memiliki standar. Jika kriteria tersebut belum memperoleh model yang fit, maka dilakukan
modifikasi hingga menghasilkan model yang fit.
Gambar 3. Path Diagram Setelah Modifikasi untuk Uji Model Struktural
Title of manuscript is short and clear, implies research results (First Author)

112
ISSN: 1978-1520
Berdasarkan hasil modifikasi model yang dilakukan maka dilakukan pengukuran uji
kecocokan untuk model structural. Berikut adalah ringkasan hasil uji kecocokan atau goodness
of fit untuk model struktural dapat dlihat pada Tabel 3.
Tabel 3. Ringkasan Hasil Uji Goodness of Fit Model Struktural Setelah Modifikasi
Indikator
Standar
Hasil Keterangan
CMIN/DF
<2
1,972
Good Fit
>0,9 (good fit)
GFI
0,80 < GFI < 0,90 (marginal fit)
0,862 Marginal Fit
AGFI
PGFI
NFI
CFI
TLI
PRATIO
RMSEA
>0,9 (good fit)
0,80 < AGFI < 0,90 (marginal fit)
0,831
Marginal Fit
>0,60
>0,9 (good fit)
0,80 < NFI < 0,90 (marginal fit)
>0,9 (good fit)
0,80 < CFI < 0,90 (marginal fit)
>0,9 (good fit)
0,80 <TLI <0,90 (marginal fit)
0,705
Good Fit
0,841
Marginal Fit
0,914
Good Fit
0,902
Good Fit
Antara 0 - 1
<0,08 (good fit)
0,878
0,060
Good Fit
Good Fit
Berdasarkan data pada tabel 3 dapat disimpulkan bahwa model penelitian sudah fit
secara keseluruhan dengan data yang ada. Setelah uji kecocokan atau goodness of fit dari model
struktural terpenuhi, maka dapat dilakukan analisis hubungan antar konstruk.
3.4.2 Analisis hubungan antar konstruk
Menganalisis hubungan antar konstruk atau variabel yang menjadi hipotesis dilakukan
dengan melihat nilai Critical Ratio (CR) dan nilai probability (p) dari setiap hubungan antar
variabel laten. Nilai CR didapat melalui perbandingan dengan nilai t-table. Untuk sisa sampel
sebanyak 273 (df= 271) maka nilai t- table adalah 1,96. Sementara nilai probabilitas
dibandingkan dengan nilai 0,05. Apabila nilai CR lebih besar dari 1,96 dan nilai probabilitas
kurang dari atau sama dengan 0,05 maka hipotesis penelitian yang diajukan dapat diterima.
Nilai CR dan probability dapat diketahui melalui aplikasi AMOS dari keluaran Regression
Weight dan Covariances. Ringkasan hasil analisis hubungan antar konstruk atau pengujian
hipotesis dapat dilihat pada Tabel 4.
Tabel 4. Ringkasan Hasil Analisis Hubungan Antar Konstruk pada Model Penelitian
Hubungan Antar
Nilai Nilai p
Keterangan
Kesimpulan
Konstruk
C.R
H1 SP 
MB
9,551
0,00
Ada hubungan signifikan Hipotesis Diterima
Tidak ada hubungan
H2 NS 
MB
1,578
0,115
Hipotesis Ditolak
signifikan
Dari hasil analisis hubungan antar konstruk yang terdapat pada Tabel 4 menunjukkan
bahwa dari 2 hipotesis awal pada model penelitian, 1 hipotesis memiliki hubungan yang
signifikan sementara 1 hipotesis tidak memiliki hubungan yang signifikan. Adapun hipotesis
yang memiliki hubungan yang signifikan adalah hipotesis yang memiliki nilai CR lebih dari
1,96 dan nilai probability kurang dari atau sama dengan 0,05.

Jatisi, Vol. 3 No. 2 Maret 2017
113
Hipotesis yang diterima menunjukkan adanya hubungan yang signifikan antara sikap
penggunaan Internet terhadap minat belajar mahasiswa. Sementara dari hasil pengujian
menunjukkan bahwa Norma Subjektif penggunaan Internet tidak memiliki hubungan yang
signifikan terhadap minat belajar mahasiswa.
3.4.3 Kesimpulan Pengujian Hipotesis
Setelah melalui beberapa tahapan analisis data menggunakan teknik SEM berbasis
kovarians dengan memanfaatkan aplikasi AMOS 22, hasil akhir pengolahan data harus
diinterpretasikan untuk membuktikan hipotesis penelitian yang telah diajukan. Berikut
kesimpulan dari setiap hipotesis sebagai hasil dari analisis hubungan antar konstruk pada model
penelitian.
H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat
belajar mahasiswa
Hipotesis ini terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model
struktural, variabel sikap penggunaan internet memiliki hubungan yang signifikan terhadap
variabel minat belajar mahasiswa. Sikap mahasiswa dalam menggunakan internet dapat
menumbuhkan minat belajar mahasiswa. Kemudahan memperoleh informasi dari internet dapat
menjadi salah satu motivasi mahasiswa untuk menumbuhkan minat belajar.
H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap
minat belajar mahasiswa
Hipotesis ini tidak terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model
struktural, variabel norma subjekif penggunaan internet tidak memiliki hubungan yang
signifikan terhadap variabel minat belajar mahasiswa. Hal ini menunjukkan bahwa pendapat
orang disekitar tentang penggunaan internet tidak mampu untuk menumbuhkan minat belajar
mahasiswa.
4. KESIMPULAN
Adapun kesimpulan yang dapat diambil dalam pengaruh pemaanfaatan internet terhadap
minat belajar adalah:
1. Model penelitian yang diadopsi dari TRA adalah model dapat diterapkan untuk
mengetahui pengaruh penggunaan internet terhadap minat belajar mahasiswa.
2. Berdasarkan hasil pengujian, dapat dianalisis bahwa sikap responden dalam penggunaan
internet memiliki pengaruh terhadap minat belajar responden yang dalam hal ini adalah
mahasiswa. Dengan kata lain dapat disimpulkan bahwa sikap mahasiswa dalam
menggunakan internet dapat menumbuhkan minat belajar mahasiswa.
3. Dari hasil pengujian juga menunjukkan bahwa norma subjektif yang dalam hal ini adalah
pendapat orang di sekitar responden yang pendapatnya dipertimbangkan oleh responden
tidak mampu untuk menumbuhkan minat belajar responden.
5. SARAN
Adapun saran yang dapat disampaikan dalam penelitian ini yaitu penelitian ini diharapkan
model penelitian ini dapat dikembangkan lebih lanjut, dapat dengan cara menghubungkan antar
variabel yang telah dibangun di penelitian ini atau menambahkan variabel baru yang
memungkinkan berdasarkan teori yang kuat. Model juga dapat dikembangkan dengan
menggunakan model lain seperti Theory Planned Behavior (TPB) yang merupakan
pengembangan dari Theory Reasoned Action (TRA) mengingat TRA masih memiliki
Title of manuscript is short and clear, implies research results (First Author)
114

ISSN: 1978-1520
keterbatasan utama, yakni hanya digunakan untuk menjelaskan perilaku yang dikerjakan secara
sukarela, bukan perilaku yang diwajibkan.
UCAPAN TERIMA KASIH
Terima kasih kepada Ditjen Penguatan Riset dan Pengembangan Kementrian Riset,
Teknologi, dan Pendidikan Tinggi untuk dukungan dana penelitian.
DAFTAR PUSTAKA
[1]
Achmat, Zakarija., 2010, Theory of Planned Behaviour Masihkah Relevan.[Online],
Avalaible:http://zakarija.staff.umm.ac.id/files/2010/12/Theory-of-Planned-BehaviorMasihkah-relevan1.pdf .[Accessed 7 April 2016].
[2]
Fakhrunnisa, A., Astuti, E. S., & Susilo, H. (n.d.), Pengaruh Persepsi Kemanfaatan dan
Sikap Pengguna Terhadap Minat Menggunakan Internet (Studi pada Tenaga
Kependididkan di Fakultas Ilmu Administrasi Universitas Brawijaya Malang), Fakultas
Ilmu Administrasi Universitas Brawijaya, Malang.
[3]
Gialamas, V., Nikolopoulou, K., & Koutromanos, G. 2013, Student's Teacher
Perceptions About The Impact of Internet Usage on Their Learning and Jobs, Computers
& Education, 1-7.
[4]
Ghozali, I., 2007, Analisis Multivariate Dengan Program SPSS Edisi Kelima,
Universitas Diponegoro, Semarang.
[5]
Hair Jr, J., Black, W., Babin, B., & Anderson, R.2006, Multivariate Data Analysis (6th
edition), Upper Saddle River: NJ: Pearson Prentice Hall.
[6]
Jogiyanto, H.M., 2007, Sistem Informasi Keperilakuan, Edisi Revisi, Andi, Yogyakarta.
[7]
Mahatanankoon, P., & Igbaria, M. 2004, Impact of Personal Internet Usage on
Employee's Well-Being, Information Science Publishing, 246 - 263.
[8]
Morissan, et al. 2012, Metode Penelitian Survei, Kencana, Jakarta.
[9]
Pramono, B.S. 2013, Pengaruh Minat Belajar dan Kualitas Media Pembelajaran
Terhadap Prestasi Belajar Mahasiswa Pendidikan Akuntansi pada Mata Kuliah
Manajemen Keuangan Angkatan 2010,Strata 1, Fakultas Keguruan dan Ilmu Pendidikan
Universitas Muhammadiyah, Surakarta.
[10] Qomariyah, A. N. 2009, Perilaku Penggunaan Internet pada Kalangan Remaja di
Perkotaan, Fakultas Ilmu Sosial dan Ilmu Politik, Universitas Airlangga,Surabaya.
[11] Wardhani, R.A.S.K., 2013, Hubungan Pemanfaatan Internet Sebagai Sumber Belajar
dan Minat Belajar dengan Prestasi Belajar Sosiologi Siswa Kelas XI Ilmu Pengetahuan
Sosial SMA Negeri 4 Surakarta Tahun Ajaran 2012/2013, Strata 1, Fakultas Keguruan
dan Ilmu Pendidikan Universitas Sebelas Maret, Surakarta.
Jatisi, Vol. 3 No. 2 Maret 2017

115
[12] Widiatika, I., & Sensuse, D. 2008, Pengembangan Model Penerimaan Teknologi Internet
Oleh Pelajar dengan Menggunakan Konsep Technology Acceptance Model (TAM,.Jurnal
Sistem Informasi MTI - UI, 81-92.
[13] Wijanto, S. H. 2008, Strucktural Equation Modeling dengan Lisrel 8.8: Konsep dan
Tutorial, Graha Ilmu, Jakarta.
[14] Zin, N.H.M, Muda, M, & Nordin, M.Z. 2013, Uses and Gratification Of Internet Among
University Students In Malaysia,[online] Retrieved: [5 September 2013].
Title of manuscript is short and clear, implies research results (First Author)
116
ISSN: 2407-4322
Pengembangan Model Rantai Pasok Minyak Goreng
Untuk Meningkatan Produktivitas Menggunakan Sistem
Dinamik pada PT XYZ
Donaya Pasha*1,2, Erma Suryani2
Fakultas Teknologi Informasi; Kampus ITS Sukolilo Surabaya, Telp: (031) 599 9944
Jurusan Sistem Informasi, FTI ITS, Institut Teknologi Sepuluh Nopember, Surabaya
2
STMIK Teknokrat; Jalan ZA Pagar Alam No 9-11 Bandar Lampung, Telp: (0721) 702022
Jurusan Sistem Informasi, STMIK Teknokrat, Perguruan Tinggi Teknokrat, Lampung
e-mail: *[email protected], [email protected]
1,2
Abstrak
Elemen-elemen sistem penyusun rantai pasok PT XYZ pada penelitian ini terdiri dari
supplier, produsen, dan konsumen. Pada rantai pasok produsen, produksi minyak goreng
menglami deficit terhadap permintaan minyak goreng dalam negeri. Hal tersebut dikarenakan
adanya faktor penurunan produktivitas seperti pengaruh jenis bibit yang digunakan, umur
tanaman, curah hujan dan proses panen fraksi TBS yang tidak merata. Pada penelitian ini
diusulkan pengembangan model rantai pasok minyak goreng untuk meningkatan produktivitas
menggunakan sistem dinamik. Metode yang diusulkan terdiri dari tiga tahapan utama, tahap
pertama pemodel sistem untuk pembuatan model konsep causal loop diagram. Tahap kedua
adalah causal loop diagram untuk dijadikan model sistem dinamik. Tahap terakhir adalah
formulasi model untuk menentukan perilaku dinamis yang diakibatkan oleh asumsi-asumsi dari
model. Hasil dari penelitian ini adalah sebuah pengembangan model rantai pasok minyak
goreng untuk meningkatkan produktivitas menggunakan sistem dinamik. Hasil simulasi
skenario, metode yang diusulkan berhasil meningkatkan produktivitas TBS sebesar 28.3% (Ton)
per hektar per tahun dan produksi minyak goreng mengalami surplus dengan rata-rata 30.31%.
Kata kunci: Sistem Dinamik, Skenario, Rantai Pasok, Produktivitas TBS.
Abstract
Constituent elements of the supply chain system of PT XYZin this study consists of a
supplier, manufacturer, and consumers. On the supply chain manufacturers, the production of
cooking oil menglami deficit against the demand for cooking oil in the country. That is because
the existence of factors such as productivity decline in the influence of the type of seeds are
used, the age of the plant, and the process of rainfall harvesting faction TBS uneven. This
proposed research on the development model of the supply chain to improve the productivity of
cooking oil using dynamical systems. The proposed method consists of three main stages, the
first stage of the modelling system Modeler concept of causal loop diagrams. The second stage
is a causal loop diagram for the model of dynamic systems. The last stage is the formulation of
the model to determine the dynamic behavior caused by the assumptions of the model. The
results of this research are the development of a supply chain model of cooking oil to increase
productivity using dynamic systems. The results of the simulation scenario, the proposed
method is successfully increasing the productivity of the TBS of 17.6% (tons) per hectare per
year and the production of cooking oil are having a surplus with an average 30.31%.
Keywords: System Dynamic, Scenario, Supply Chain, Productivity TBS.
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
 117
Jatisi, Vol. 3 No. 2 Maret 2017
1. PENDAHULUAN
elapa sawit merupakan salah satu komoditi hasil perkebunan yang mempunyai peran cukup
penting dalam kegiatan perekonomian di Indonesia. Kelapa sawit juga salah satu
komoditas ekspor Indonesia yang cukup penting sebagai penghasil devisa negara sesudah
minyak dan gas. Indonesia merupakan negara produsen dan eksportir kelapa sawit terbesar
dunia. Selain peluang ekspor yang semakin terbuka, pasar minyak sawit dan minyak inti sawit
di dalam negeri masih cukup besar. Pasar potensial yang akan menyerap pemasaran minyak
sawit (CPO) dan minyak inti sawit (PKO) adalah industri fraksinasi/ranifasi (terutama industri
minyak goreng), lemak khusus (cocoa butter substitute), margarine/shortening, oleochemical,
dan sabun mandi. Dalam rangka menunjang peningkatan pembangunan industri minyak sawit di
Indonesia diperlukan informasi mengenai potensi kelapa sawit Indonesia [1].
Konsumsi minyak sawit dunia telah meningkat secara signifikan selama bertahun-tahun,
Indonesia telah mencatat nilai signifikan pencapaian pembangunan kelapa sawit dengan menjadi
negara yang memproduksi kelapa sawit di dunia, baik dari segi areal perkebunan dan total
produksi minyak kelapa sawit nasional [2]. Konsumsi minyak sawit dunia telah meningkat
secara signifikan dikemukakan juga oleh Widodo [3] menyatakan bahwa dalam penelitiannya
industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat puluh tahun
terakhir. Sejak tahun 2006 Indonesia telah menjadi produsen minyak sawit (Crude Palm Oil =
CPO) terbesar di dunia. Gabungan Pengusaha Kelapa Sawit Indonesia (GAPKI) mencatat
produksi minyak sawit mentah (Crude Palm Oil/CPO) dan turunannya termasuk biodiesel dan
oleochemical, mencapai 32, 5 juta (Ton) [4].
Sistem rantai pasok pada industri kelapa sawit memiliki batasan antara lain supplier
bahan baku, produsen minyak kelapa sawit, konsumen dan hutan Indonesia [3]. Beberapa
variabel yang perlu diperhatikan terkait dengan supplier yaitu luas lahan, lokasi, dan berapa
(Ton) hasil panen setiap tahunnya. Produsen minyak kelapa sawit merupakan pengolah kelapa
sawit yang berasal dari supplier menjadi minyak mentah. Konsumen sendiri terbagi menjadi
dua. Konsumen dalam negeri merupakan pengguna minyak mentah sebagai bahan baku produk
yang mereka olah, misalnya industri minyak goreng, sabun dan margarin. Sedangkan konsumen
luar negeri yaitu terkait ekspor kelapa sawit, tujuan ekspor utama kelapa sawit Indonesia yaitu
India, China, Belanda, Malaysia dan Singapura.
Menurut Rika Ampuh Hadiguna [5], penelitian sistem rantai pasok agro industri CPO
masih sangat jarang dilakukan. Beberapa penelitian yang pernah dilakukan sebelumnya hanya
sebatas menganalisis supply chain model, analisis sistem makro supply chain CPO dengan
pendekatan model dinamik yang mempertimbangkan aspek economical revenue, social welfare
dan environment, memetakan permasalahan supply chain CPO, serta perencanaan produksi
rantai pasok CPO. Penelitian ini menggunakan pendekatan sistem dinamik dengan
memperhatikan batasan-batasan sistem rantai pasok downstream CPO minyak goreng.
Pendekatan Supply Chain Management (SCM) diyakini oleh para akademisi, para peneliti,
kalangan bisnis dan birokrat mampu mengintegrasikan setiap rantai distribusi dari pemasok,
produsen, pengolah, pedagang besar dan eceran, serta menjamin adanya kualitas yang baik,
kuantitas yang sesuai yang dibutuhkan, waktu pengiriman sebagaimana yang dijanjikan dan
adanya kesinambungan dengan menganut prinsip minimisasi biaya [6]. Pendekatan Supply
Chain Management (SCM) telah banyak digunakan sebagai salah satu model untuk
meningkatkan keunggulan bersaing dalam industri [7].
Salah satu pemanfaatan sistem dinamik menurut Lembito [7] yaitu Model dinamik
mampu mensimulasi perilaku sistem supply chain CPO dan dapat meramalkan kondisi supply
chain CPO untuk waktu yang akan datang serta berorientasi pada aspek produksi, aspek
pendapatan usaha, aspek biaya usaha. Menurut Widodo [3] pendekatan sistem dinamik juga
dapat menerapkan simulasi sistem dinamik untuk mengetahui kondisi supply chain CPO dalam
kurun waktu 30 tahun mendatang serta berorientasi pada aspek economical revenue, social
K
Title of manuscript is short and clear, implies research results (First Author)
118
ISSN: 2407-4322
welfare dan environment. Pentingnya penelitian model dinamik sebagai analisa model rantai
pasok terkait ketersediaan kelapa sawit dikemukakan juga oleh [2].
Dengan pendekatan sistem dinamik penelitian ini akan memperoleh base model dan
skenario terbaik untuk dapat mampu meningkatkan produktivitas rantai pasok industri CPO
minyak goreng di PT Tunas Baru Lampung. Produktivitas rantai pasok dapat dilihat dari sub
model produksi TBS, sub model produksi CPO dan sub model produksi minyak goreng,
dikarnakan produksi CPO di Indonesia dari tahun ketahun selalu meningkat [3], menurut
Atmojo [8] produksi CPO dipengaruhi oleh jumlah produksi Tandan Buah Segar (TBS),
produksi Tandan Buah Segar (TBS) kelapa sawit tidak lepas dari produktivitas lahan, semakin
banyak per hektar lahan maka produksi TBS (Tandan Buah Segar) akan naik, semakin tinggi
produksi CPO akan mempengaruhi stok CPO, stok CPO dipengaruhi oleh pemanfaatan CPO
yang terdiri dari pengolahan CPO dan produksi CPO.
Berdasarkan skenario model Suryani [9] terdapat 6 fraksi untuk mendapatkan model
produktivitas yaitu fraksi 0 memiliki sifat fraksi mentah dengan rendemen minyak 16%, fraksi
kedua adalah fraksi 1 memiliki sifat fraksi mendekati mentah dengan rendemen minyak 21.4%,
fraksi ketiga adalah fraksi 2 memiliki sifat fraksi matang dengan rendemen minyak 22.1%,
fraksi keempat adalah fraksi 3 memiliki sifat fraksi matang dengan rendemen minyak 22.2%,
fraksi kelima adalah fraksi 4 memiliki sifat fraksi lewat matang dengan rendemen minyak
22.2%, fraksi keenam adalah fraksi 5 memiliki sifat fraksi terlalu matang dengan rendemen
minyak 21.9%. Maksimal rendemen tertinggi Indonesia sebesar 20% [10]. Selama ini
perusahaan memproduksi tandan buah segar dengan rata-rata produktivitas sebesar 8% setara
dengan 9 (Ton) tandan buah segar per hektar per tahun. Namum dari rata-rata produktivitas
tandan buah segar tersebut belum memenuhi standar rata-rata di Indonesia sebesar 12 - 27 (Ton)
per hektar per tahun. Penyebab rendahnya produktivitas tandan buah segar diakibatkan beberapa
faktor seperti pengaruh jenis bibit yang digunakan, umur tanaman, curah hujan dan proses
panen fraksi TBS yang tidak merata serta pada proses panen yang dilakukan oleh rantai pasok
supplier tidak dilakukan pensortiran kematangan berdasarkan fraksi yang dipanen sehingga nilai
Oil Extraction Rate (OER) belum optimal. Untuk mengetahui hasil peningkatan produktivitas
dari sub model rantai pasok minyak goreng CPO dapat pula diketahui dengan cara
membandingkan skenario simulasi dengan skenario Do Nothing. Dalam penelitian ini cakupan
rantai pasok industri CPO minyak goreng di PT Tunas Baru Lampung terdiri dari suppliers,
produsen, dan konsumen dalam negeri khususnya Provinsi Lampung.
Oleh karena itu, pada penelitian ini diusulkan pengembangan model rantai pasok
minyak goreng untuk meningkatan produktivitas menggunakan sistem dinamik. Kontribusi pada
penelitian ini adalah peningkatan produktivitas rantai pasok minyak goreng. Pada penelitian ini
juga dilakukan pendekatan sistem dinamik untuk mengetahui pola pemodelan rantai pasok
minyak goreng.
2. METODE PENELITIAN
Pada tahap pengumpulan data, penelitian ini menggunakan data primer pada PT Tunas
Baru Lampung. Data yang digunakan pada penelitian ini adalah berupa data luas lahan, data
produksi Tandan Buah Segar (TBS), data produksi Crude Palm Oil (CPO), data produksi
minyak goreng dan data permintaan minyak goreng. Data-data tersebut digunakan sebagai
variabel-variabel yang signifikan maupun variabel pembantu yang saling berpengaruh untuk
pemodelan sistem yang akan disimulasikan. Data yang terkumpul untuk selanjutnya dianalisis
dan akan digunakan sebagai bahan dalam tahapan selanjutnya yaitu pembuatan causal loop
diagram.
Berikut metode penelitian yang menggambarkan tahapan penelitian yang dilakukan,
metode dalam penelitian ini terdiri dari tiga tahapan utama yaitu: pemodelan sistem, causal loop
IJCCS Vol. x, No. x, July201x : first_page–end_page
 119
Jatisi, Vol. 3 No. 2 Maret 2017
diagram, dan formulasi model yang merupakan kontribusi pada penelitian ini (garis putus
berwarna merah), seperti ditunjukan pada Gambar 1.
Pengumpulan
Data
Pemodelan Sistem
Causal Loop Diagram
Formulasi Model
Validasi Data
Perlakuan Model
Dengan Skenario
Analisa Hasil Simulasi
Kesimpulan dan Saran
Gambar 1. Metode Penelitian
2.1 Pemodelan Sistem
Pemodelan sistem merupakan pembuatan model konsep untuk menggambarkan kondisi
awal pada tempat studi kasus sesuai dengan beberapa teori yang digunakan pada penelitian ini,
model tersebut dalam bentuk causal loop diagram (CLD) atau yang biasa disebut diagram
kausatik yang mengacu pada sumber pustaka utama. Diagram ini digunakan sebagai dasar
untuk pengembangan model sebelum dilakukan proses simulasi dengan menggunakan metode
sistem dinamik. Dari simulasi yang telah dilakukan, kemudian validasi untuk memastikan
bahwa model yang telah dibuat sudah sesuai dengan sistem yang sedang berjalan saat ini.
Dalam diagram kausatik tersebut terdapat beberapa variabel terkait rantai pasok industri
minyak goreng CPO di PT Tunas Baru Lampung, diantaranya luas lahan perkebunan kelapa
sawit, produksi TBS, produktivitas TBS, produksi CPO, dan produksi minyak goreng, serta
permintaan minyak goreng.
2.2 Causal Loop Diagram
Pada tahap ini pembuatan Causal Loop Diagram dengan menggunakan software simulasi
Vensim PLE x32, tahap ini dimulai dengan membuat causal loop diagram, selanjutnya, masih
menggunakan aplikasi yang sama, akan dilakukan konversi terhadap Causal Loop Diagram
yang telah dibuat di tahap sebelumnya untuk dijadikan model sistem dinamik.
2.3 Formulasi Model
Pada tahap formulasi model merupakan proses untuk mengubah konsep sistem atau
struktur model yang telah disusun kedalam bentuk persamaan-persamaan atau bahasan
komputer dan merupakan transformasi dari suatu pandangan konseptual informal ke pandangan
konseptual formal, atau representasi model secara kuantitatif. Tujuan dari usaha perumusan
model adalah agar memungkinkan model tersebut disimulasikan untuk menentukan perilaku
Title of manuscript is short and clear, implies research results (First Author)
120
ISSN: 2407-4322
dinamis yang diakibatkan oleh asumsi-asumsi dari model. Struktur dasar dalam permodelan
system dynamics terdiri dari persamaan level, persamaan rate, persamaan auxiliary, persamaan
sisipan, persamaan nilai awal, persamaan eksogen, aliran material, dan aliran informasi.
2.4 Validasi Data
Proses selanjutnya adalah validasi terhadap model yang sudah dibuat pada proses
sebelumnya dengan tujuan untuk memastikan bahwa model yang dibuat benar-benar dapat
mempresentasikan kondisi nyata. Proses verifikasi dilakukan dengan cara pengecekan pada
model dan unit dengan menggunakan fasilitas yang terdapat pada software simulasi Vensim.
Validasi model dilakukan untuk mengembangkan persamaan matematis yang telah dibuat
menjadi sebuah model yang merepresentasikan permasalahan yang sebenarnya. Validasi
dilakukan dengan cara mengkalibrasi hasil simulasi awal dengan data historis yang dimiliki.
Validasi model bisa dilakukan dengan dua cara, yaitu validasi model dengan statistik uji
perbandingan rata-rata (mean comparation) atau validasi model dengan cara uji perbandingan
variasi aplitudo (% error variance) [11]. Dengan demikian proses validasi model dilakukan
untuk menguji model yang dibuat apakah telah sesuai dengan sistem yang sebenarnya. Proses
kalibrasi dapat dilakukan dengan cara manual atau dengan menggunakan software simulasi
Vensim.
Dua cara validasi yaitu [11]: (a) Perbadingan rata-rata (mean comparison) dan (b)
Perbandingan variasi amplitudo (variance comparison). Perbandingan rata-rata (means
comparison) dengan formula sebagai berikut:
(1)
S  nilai _ rata  rata _ hasil _ simulasi
A  nilai _ rata  rata _ data
Model dianggap valid bila E1  5%
Selanjutnya melakukan perbandingan variasi amplitudo (Variance Comparison) dengan
formula sebagai berikut:
(2)
Ss = standard deviasi model
Sa = standard deviasi data
Model dianggap valid bila E2  30%
Setelah model valid maka langkah selanjutnya adalah membuat beberapa skenario
(eksperimen) untuk memperbaiki kinerja sistem sesuai dengan keinginan.
2.5 Perlakuan Model Dengan Skenario
Ditahapan ini, model yang sudah dibuat diuji coba dengan beberapa perlakuan model
dengan mencoba beberapa skenario untuk mendapatkan rekomendasi, beberapa rekomendasi
skenario tersebut nantinya bisa digunakan sesuai kebutuhan. Pada tahap percobaan diawali
dengan pembuatan skenario sesuai dengan kebutuhan yang ada ataupun untuk usulan rencana
perbaikan sistem. Spesifikasi skenario [12] meliputi:
a. Kondisi apa yang mungkin timbul dari lingkungan sistem
b. Kebijakan yang mempengaruhi sistem yang ada di dunia nyata, bagaimana
merepresentasikan dalam model.
c. Analisis sensitivitas, yaitu bagaimana pengaruh rekomendasi sistem perbaikan terhadap
kebijakan di bawah.
Menurut Barlas [11] membedakan jenis skenario yang akan digunakan dalam pemodelan
sistem dinamik, yaitu:
a. Skenario parameter
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017
 121
Dilakukan dengan cara mengubah nilai parameter dari model. Selanjutnya akan dilihat
dampaknya terhadap hasil keluaran model.
b. Skenario Struktur
Dilakukan dengan cara mengubah struktur dari model. Skenario jenis ini memerlukan
pengetahuan yang cukup mengenai sistem agar struktur baru yang diusulkan benar-benar
dapat memperbaiki kinerja sistem.
2.6 Analisa Hasil Simulasi
Setelah model divalidasi dan direkomendasikan dengan beberapa skenario, maka tahapan
yang selanjutnya dilakukan adalah melakukan analisa terhadap hasil simulasi dari
pengembangan awal model sistem yang telah dibuat, kemudian dilakukan perbaikan terhadap
model awal berdasarkan hasil skenario yang telah diuji coba.
2.7 Penyusunan Kesimpulan dan Saran
Tahap penyusunan kesimpulan dilakukan dengan menelaah secara keseluruhan terhadap
apa yang telah dilakukan pada penelitian ini. Kesimpulan dibuat berdasarkan hasil studi
literatur, desain metode penelitian, validasi data, analisis hasil simulasi dan penyusunan hasil
yang diperoleh dari pengembangan model dan sistem rantai pasok industri CPO berdasarkan
produk turunan minyak goreng kelapa sawit. Tahap terakhir dalam penelitian ini juga
menganalisis dan membahas temuan keseluruhan dalam penelitian, terkait dengan kesimpulan
hasil pengujian model sistem dinamik dan saran untuk peluang penelitian yang akan datang.
3. HASIL DAN PEMBAHASAN
Pengumpulan data didapat dari data primer yang ada pada PT XYZ seperti laporan
tahunan diperoleh data-data untuk periode 2007 sampai dengan 2016 serta hasil survei kegiatan
produksi minyak goreng mulai dari supplier, produsen, dan konsumen. Pada hasil pembahasan
simulasi pemodelan, rantai pasok pasok supplier terdiri dari sub model luas lahan. Rantai pasok
produsen terdiri dari sub model produksi Tandan Buah Segar (TBS), sub model produksi Crude
Palm Oil (CPO), dan sub model produksi minyak goreng yang langsung terhubung pada rantai
pasok konsumen.
3.1 Pemodelan Sistem
Untuk mengembangkan model sistem dinamik causal loop diagram diperlukan sebagai
kerangka kerja untuk pengembangan model. Selain itu, beberapa langkah sistem dinamik yang
dikembangkan adalah: 1) pemahaman sistem; 2) konseptualisasi sistem (pengembangan CLD);
3) mengkonversi CLD menjadi diagram alir untuk proses simulasi; 4) validasi model; 5)
pengembangan skenario.
3.1.1 Causal Loop Diagram
Diagram kausal pengembangan model rantai pasok minyak goreng untuk meningkatan
produktivitas menggunakan sistem dinamik pada saat ini dapat dilihat pada Gambar 2. Diagram
kausal menggambarkan hubungan antara supplier, produsen, dan konsumen. Diagram ini
menunjukan penyebab dan akibat dari struktur sistem. Dari masing-masing anak panah
menunjukkan penyebab atau akibat dari hubungan dua variabel. Tanda + memberikan
pengertian pengaruh positif atau kenaikan pada variabel yang dituju. Tanda – memberikan
pengertian pengaruh negatif atau penurunan pada variabel yang dituju.
Title of manuscript is short and clear, implies research results (First Author)
122
ISSN: 2407-4322
Variabel yang dicetak miring adalah variabel berdasarkan pemodelan yang telah
dilakukan pada penelitian terdahulu [2,3,9,13,14] dan sesuai dengan pengembangan model
rantai pasok minyak goreng pada PT Tunas Baru Lampung. Sedangkan yang tidak dicetak
miring adalah variabel baru yang ditambahkan pada sistem sesuai dengan kondisi rantai pasok
minyak goreng PT Tunas Baru Lampung.
Luas lahan
Nucleus
+
Luas lahan +
Sawit
+ Kelapa
+
Luas lahan
Plasma
+ Produktifitas
lahan
+
+
Pembukaan lahan
kelapa sawit baru
Manajemen
Input
Jumlah
tanaman
Luas lahan 3rd
Party
Kerusakan
lingkungan
+
Degradasi
lahan
Pemilihan bibit
+
Umur tanaman
Produktifitas +
TBS
+
Curah hujan
+
Produksi TBS
Pasokan TBS
Nilai Rendemen
OER
Pendapatan
industri
+ +
+
Fraksi mentah
panen
Produksi
CPO
+
+
Fraksi matang
panen
+
Penjualan
minyak goreng
+ Produksi minyak
+
+
Permintaan
minyak goreng
goreng
+
Permintaan minyak
goreng dalam negeri
Fraksi terlalu
matang panen
Gambar 2. Causal Loop Diagram Pengembangan Model Rantai Pasok Minyak Goreng untuk
Meningkatan Produktivitas Menggunakan Sistem Dinamik pada PT XYZ
3.2 Formulasi Model
Untuk mengubah konsep sistem atau struktur model yang telah disusun kedalam bentuk
persamaan-persamaan atau bahasan komputer dan merupakan transformasi dari suatu
pandangan konseptual informal ke pandangan konseptual formal, atau representasi model secara
kuantitatif. Pada tahap ini pengembangan model dilakukan, mengkonversi CLD menjadi
diagram alir untuk proses simulasi.
3.2.1 Sub Model Luas Lahan
Luas lahan kelapa sawit merupakan salah satu faktor yang mempengaruhi produksi CPO.
Dengan mengetahui luas lahan PT XYZ, dapat digunakan untuk menentukan produktivitas
lahan. Untuk menghitung total luas lahan perkebunan kelapa sawit (TLLPKS) digunakan
persamaan (3), dimana luas lahan perkebunan Nucleus (LLPN) dengan satuan (Ha) ditambah
luas lahan perkebunan Plasma (LLPP) dengan satuan (Ha) ditambah luas lahan perkebunan 3rd
Party (LLP3P) dengan satuan (Ha).
(3)
Hasil simulasi luas lahan dapat dilihat pada Gambar 3, dari Gambar 3 dapat dilihat bahwa
total luas lahan perkebunan mencapai 110.000 hektar pada tahun 2016.
Total luas lahan perkebunan
Total luas lahan dalamHa
200,000
168,000
135,000
103,000
70,000
2007
2008
2009
2010
2011 2012
Time (Year)
2013
2014
2015
2016
Total luas lahan perkebunan : base model
Gambar 3. Total Luas Lahan Perkebunan
IJCCS Vol. x, No. x, July201x : first_page–end_page
 123
Jatisi, Vol. 3 No. 2 Maret 2017
3.2.2 Sub Model Produktivitas Tandan Buah Segar (TBS)
Produktivitas TBS merupakan variabel penting yang mempengaruhi terhadap hasil
produksi TBS. Produktivitas TBS dipengaruhi oleh variabel produktifitas bibit berdasarkan jenis
bibit yang dipakai, variabel pengaruh umur tanaman berdasarkan umur tanaman, dan variabel
pengaruh curah hujan berdasarkan curah hujan. Rata-rata umur tanaman kelapa sawit PT XYZ
adalah 10 tahun dengan rata-rata produktivitas tandan buah segar Nucleus, Plasma, 3rd Party
sebesar 8% setara dengan 9 ton per hektar per tahun. Namun dari hasil rata-rata produktivitas
tersebut belum memenuhi standar rata-rata produktivitas di Indonesia sebesar 12-27 Ton per
hektar per tahun [15].
Untuk menghitung produktivitas tandan buah segar (PTBS) dengan satuan Ton per hektar
per tahun digunakan persamaan 4, dimana rate in (RI) dikurang rate out (RO).
(4)
Hasil simulasi produktivitas TBS dapat dilihat pada Gambar 4, dari Gambar 4 dapat
dilihat bahwa rata-rata produktivitas TBS dari tahun 2007-2016 sebesar 8% setara dengan 9 ton
per hektar per tahun.
Produktifitas TBS
Ton Perhektar Per Tahun
8
7.75
7.5
7.25
7
2007
2008
2009
2010
2011 2012
Time (Year)
2013
2014
2015
2016
Produktifitas TBS : base model
Gambar 4. Produktivitas Tandan Buah Segar (TBS)
3.2.3 Sub Model Produksi Tandan Buah Segar (TBS)
Produksi TBS di PT XYZ dari tahun ketahun memiliki kecendrungan meningkat.
Produksi TBS Nucleus, Plasma, dan 3rd Party dipengaruhi oleh luas lahan perkebunan Nucleus,
Plasma, dan 3rd Party dan produktivitas TBS Nucleus, Plasma, dan 3rd Party.
Berdasarkan data olahan PT XYZ, untuk mendapatkan total produksi TBS Nucleus
(TPTBSN) dengan satuan (Ton) per hektar per tahun digunakan persamaan 5, dimana luas lahan
perkebunan Nucleus (LLPN) dengan satuan (Ha) dikali produktifitas Nucleus (PN) dengan
satuan (Ton) per hektar per tahun.
(5)
Hasil simulasi produksi TBS Nucleus dapat dilihat pada Gambar 5 (a), dari Gambar 5 (a)
dapat dilihat bahwa rata-rata produksi TBS Nucleus dari tahun 2007-2016 sebesar 9 ton per
hektar per tahun.
Untuk menghitung total produksi TBS Plasma (TPTBSP) dengan satuan (Ton) per hektar
per tahun digunakan persamaan 6, dimana luas lahan perkebunan Plasma (LLPP) dengan satuan
(Ha) dikali produktifitas Plasma (PP) dengan satuan (Ton) per hektar per tahun.
(6)
Hasil simulasi produksi TBS Plasma dapat dilihat pada Gambar 5 (b), dari Gambar 5 (b)
dapat dilihat bahwa rata-rata produksi TBS Plasma dari tahun 2007-2016 juga sebesar 9 ton per
hektar per tahun.
Title of manuscript is short and clear, implies research results (First Author)
124
ISSN: 2407-4322
Sedangkan untuk menghitung total produksi TBS 3rd Party (TPTBS3P) dengan satuan
(Ton) per hektar per tahun digunakan persamaan 7, dimana luas lahan perkebunan 3rd Party
(LLP3P) dengan satuan (Ha) dikali produktifitas 3rd Party (P3P) dengan satuan (Ton) per hektar
per tahun.
(7)
Hasil simulasi produksi TBS 3rd Party dapat dilihat pada Gambar 5 (c), dari Gambar 5 (c)
dapat dilihat bahwa rata-rata produksi TBS 3rd Party dari tahun 2007-2016 sama sebesar 9 ton
per hektar per tahun.
(a)
(b)
Gambar 5. Produksi Tandan Buah Segar (TBS)
(c)
3.2.4 Sub Model Produksi Crude Palm Oil (CPO)
Total produksi CPO di PT XYZ memiliki rata-rata kenaikan produksi CPO sebesar 15%
(setara 0.012 per bulan). Total produksi CPO dipengaruhi oleh variabel produksi TBS Nucleus,
Plasma, 3rd Party dan variabel produksi CPO Nucleus, Plasma, 3rd Party.
Untuk menghitung total produksi CPO (TPCPO) dapat diketahui menggunakan
persamaan 8, dimana produksi CPO Nucleus (PCPON) dengan satuan (Ton) ditambah produksi
CPO Plasma (PCPOP) dengan satuan (Ton) ditambah produksi CPO 3rd Party (PCPO3P).
(8)
Hasil simulasi produksi Crude Palm Oil (CPO) dapat dilihat pada Gambar 6, dari Gambar
6 dapat dilihat bahwa rata-rata produksi CPO dari tahun 2007-2016 sebesar 15% per bulan
(Ton).
Total produksi CPO
Total produksi CPOdalamTon
300,000
225,000
150,000
75,000
0
2007
2008
2009
2010
2011 2012
Time (Year)
2013
2014
2015
2016
Total produksi CPO : base model
Gambar 6. Total Produksi Crude Palm Oil (CPO)
3.2.5 Sub Model Produksi Minyak Goreng
Total produksi minyak goreng diketahui rata-rata peningkatan minyak goreng setiap
tahun sebesar 12% (setara 0.010 per bulan).
Untuk menghitung total produksi minyak goreng (TPMG) Ton, dapat diketahui
menggunakan persamaan 9 dimana total produksi minyak goreng Nucleus (TPMGN) dengan
IJCCS Vol. x, No. x, July201x : first_page–end_page
 125
Jatisi, Vol. 3 No. 2 Maret 2017
satuan (Ton) ditambah total produksi minyak goreng Plasma (TPMGP) dengan satuan (Ton)
ditambah total produksi minyak goreng 3rd Party (TPMG3P) dengan satuan (Ton).
(9)
Hasil simulasi total produksi minyak goreng dapat dilihat pada Gambar 7, dari Gambar 7
dapat dilihat bahwa rata-rata produksi minyak goreng dari tahun 2007-2016 sebesar 12% (Ton).
Gambar 7. Total Produksi Minyak Goreng
3.3 Validasi Model
Validasi model diperlukan untuk memeriksa keabsahan model. Model dianggap berlaku
apabila tingkat kesalahan kurang dari 5% dan variance error kurang dari 30% [11]. Untuk
mengetahui tingkat kesalahan dan variance error didefinisikan dalam persamaan (10) dan (11):
(10)
(11)
Dimana:
Dimana:
S = nilai_rata-rata_hasil_simulasi
A = nilai_rata-rata_data
Ss = standard deviasi model
Sa = standard deviasi data
Model dianggap valid bila E1  5%
Model dianggap valid bila E2  30%
Tingkat kesalahan validasi model luas lahan, produksi Tandan Buah Segar (TBS),
produksi Crude Palm Oil (CPO), dan produksi minyak goreng digambarkan sebagai berikut:
Error rate luas lahan nucleus = (49500-49500)/49500 = 0%
Error rate luas lahan plasma = (19500-19500)/19500 = 0%
Error rate luas lahan 3rd Party = (30500-30500)/30500 = 0%
Error rate produksi TBS nucleus = (601414.09-620618.70)/620618.70 = 3%
Error rate produksi TBS plasma = (114985.83-120531.18)/120531.18 = 5%
Error rate produksi TBS 3rd Party = (187834.15-186185.61)/186185.61 = 1%
Error rate produksi CPO = (175532.11-172637.50)/172637.50 = 2%
Error rate produksi minyak goreng = (27624.92-27843.90)/27843.90 = 1%
Kesalahan variance validasi model luas lahan, produksi Tandan Buah Segar (TBS),
produksi Crude Palm Oil (CPO), dan produksi minyak goreng digambarkan sebagai berikut:
Error variance luas lahan nucleus = (1581.14-1581.14)/1581.14 = 0%
Error variance luas lahan plasma = (1581.14-1581.14)/1581.14 = 0%
Error variance luas lahan 3rd Party = (6851.60-6851.60)/6851.60 = 0%
Error variance produksi TBS nucleus = (139527.00-121936.16)/121936.16 = 14%
Error variance produksi TBS plasma = (26306.91-23822.18)/23822.18 = 10%
Error variance produksi TBS 3rd Party = (40245.63-36580.85)/36580.85 = 10%
Error variance produksi CPO = (60484.55-61160.75)/61160.75 = 1%
Error variance produksi minyak goreng = (22020.75-21596.30)/21596.30 = 2%
Berdasarkan perhitungan validasi model diatas kita dapat melihat bahwa semua tingkat
kesalah kurang dari 5% dan kesalahan varians kurang dari 30%, yang berarti model dianggap
valid.
Title of manuscript is short and clear, implies research results (First Author)
126
ISSN: 2407-4322
3.3 Skenario
Skenario diperlukan untuk meningkatkan kinerja sistem. Dalam hal ini skenario yang
dirancang untuk meningkatkan produktivitas rantai pasok minyak goreng seperti, skenario
produktivitas Tandan Buah Segar (TBS) dan skenario Oil Extraction Rate (OER).
3.3.1 Skenario produktivitas Tandan Buah Segar (TBS)
Skenario ini dilakukan perubahan struktur dan parameter variabel. Variabel-variabel
tersebut adalah produktivitas bibit (jenis bibit yang dipakai), pengaruh umur tanaman, dan
pengaruh curah hujan serta parameter yang diubah adalah lanju penambahan lahan perkebunan.
dengan penambah luas lahan Nucleus, Plasma, dan 3rd Party sebesar 1 (Ha), pemilihan jenis
bibit Socfin dengan produktifitas sebesar 28.8 (Ton) per hektar per tahun, dan memiliki tanaman
kelapa sawit pada umur produktif 8-12 tahun (Corley, 2003), serta pengaruh curah hujan yang
ideal untuk pertumbuhan tanaman kelapa sawit sebesar 2000-2500 mm/tahun dengan kebutuhan
air efektif kelapa sawit sebesar 1300-1500 mm/tahun (Lubis, 2008), maka berdasarkan hasil
simulasi dengan menggunakan variabel-variabel dan parameter diatas, hasil produktivitas
Tandan Buah Segar dapat ditingkatkan sebesar 28.3% (Ton) per hektar per tahun seperti yang
ditunjukkan pada Gambar 8 (a) skenario perbandingan peningkatan produktivitas Tandan Buah
Segar (TBS) Nucleus, Plasma, dan 3rd Party dan 8 (b) skenario perbandingan persentase
peningkatan produktivitas Tandan Buah Segar (TBS).
scn
base model
Produktifitas TBS
Produksi TBS Nucleus
2M
1.5 M
Ton Perhektar Per Tahun
30
1M
500,000
0
Luas lahan perkebunan Nucleus
60,000
55,000
50,000
45,000
40,000
Produktifitas Nucleus
40
30
20
10
0
2007
22.5
15
7.5
0
2007 2009
2011.8
2016.5
Time (Year)
2021.3
2026
2011 2013
2015 2017 2019
Time (Year)
2021 2023
2025
Produktifitas TBS : scn
Produktifitas TBS : base model
(a)
(b)
Gambar 8. Skenario Perbandingan Produktivitas Tandan Buah Segar (TBS) Sebelum dan
Setelah Disimulasikan.
4. KESIMPULAN
1.
2.
Penelitian ini menghasilkan kerangka kerja untuk pengembangan model rantai pasok
minyak goreng untuk meningkatkan produktifitas menggunakan sistem dinamik.
Pada hasil skenario produktivitas Tandan Buah Segar (TBS), dengan penambah luas
lahan Nucleus, Plasma, dan 3rd Party sebesar 1 (Ha), pemilihan jenis bibit Socfin dengan
produktifitas sebesar 28.8 (Ton) per hektar per tahun, dan memiliki tanaman kelapa sawit
pada umur produktif 8-12 tahun, serta pengaruh curah hujan yang ideal untuk
pertumbuhan tanaman kelapa sawit sebesar 2000-2500 mm/tahun dengan kebutuhan air
efektif kelapa sawit sebesar 1300-1500 mm/tahun, maka berdasarkan hasil simulasi
dengan menggunakan variabel-variabel dan parameter tersebut, hasil produktivitas
Tandan Buah Segar mampu meningkatkan sebesar 28.3% (Ton) per hektar per tahun dan
produksi minyak goreng mengalami surplus dengan rata-rata 30.31%.
IJCCS Vol. x, No. x, July201x : first_page–end_page
 127
Jatisi, Vol. 3 No. 2 Maret 2017
DAFTAR PUSTAKA
[1]
Ulum, Miftahul dan Hariyanto, SST, MSi, 2014, Indonesian Oil Palm Statistics 2014,
BPS- Statistics Indonesia Publishing, Diakses 23 Februari 2016, dari BPS Catalogue.
[2]
Lembito, H, 2013, Designing A Supply Chain System Dynamic Model Form Palm Oil
Agro-Industries, International Journal of Information Technology and Business
Management, Vol.12 No. 1.
Widodo, K.H., Abdullah, A, dan Arbita, K.P.D, 2010, Sistem Supply Chain Crude-PalmOil Indonesia dengan Mempertimbangkan Aspek Economical Revenue, Social Welfare
dan Environment, Jurnal Teknik Industri, Vol. 12, No.1, pp. 47-54.
[3]
[4]
GAPKI. 2016. Data Produksi CPO, Ekspor CPO, Nilai Ekspor CPO dan Turunannya
(Palm Oil Conference). Online. http://gapki.or.id/ diakses 22 Februari 2016.
[5]
Hadiguna, R. A., Machfud, 2008, Model Perencanaan Produksi pada Rantai Pasok
CrudePalm Oil dengan Mempertimbangkan Preferensi Pengambil Keputusan, Jurnal
Teknik Industri, Vol. 10, No. 1, pp. 38-49.
[6]
Daryanto, Arief, 2009, Dinamika Daya Saing Industri Peternakan, IPB Press, Bogor.
[7]
Lembito, H, 2012, Achieving Competitive Advantage for Agribusiness Through Supply
Chain Management A System Dynamics Simulation and SCOR Model Approach. Seminar
21- Modeling & Simulation (2) / Seminar (21)-04.
[8]
Atmojo, Suryo, 2015, Analisis Potensi Turunan CPO untuk Pemenuhan Kebutuhan
Produk Turunan (Minyak Goreng, Sabun, dan Biodiesel). Tesis Program Magister
Jurusan Sistem Informasi FTI ITS Surabaya: Diseminarkan.
[9]
Suryani, et al, 2015, The Development of System Dynamics Model To Analyze And
Improve The Production of CrudePalm Oil Derivatives, Jurnal Teknologi (Sciences &
Engineering), 77:18, pp. 87-91.
[10] Azrifirwan, STP, MEng, M. M., & Putri, STP, MP, R. E, 2008, Pengembangan Mesin
Sortasi Tandan Kelapa Sawit Otomatis Berbasis Teknik Pemeriksaan Non Destruktif
untuk Meningkatkan Produksi dan Kualitas CPO, Universitas Andalas.
[11] Barlas, Y, 1996, Formal Aspects of Model Validity and Validation in System Dynamics,
System Dynamics Review, 12, 183-210.
[12] Sterman, J. D, 2000, Business Dynamics: System Thinking and Modeling for A Complex
World, Publisher: Jeffrey J. Shelsfud.
[13] Marimin dan Rahadiansyah, N.M. 2011, Disain Penilaian Risiko Mutu Dalam Rantai
Pasok Minyak Sawit Kasar Dengan Pendekatan Sistem Dinamis. Guru Besar pada
Departemen Teknologi Industri Pertanian, Institut Pertanian Bogor.
[14] Wigena, I., H. S., Sudrajat, Sitorus, S.R. 2009, “Desain Model Pengolahan Kebun Kelapa
Sawit Plasma Berkelanjutan Berbasis Pendekatan Sistem Dinamis”, Jurnal Agro
Ekonomi, Volume 27 No. 1, 81-108.
Title of manuscript is short and clear, implies research results (First Author)
128
ISSN: 2407-4322
[15] Ir. Sunarko, M. 2014, Budi Daya Kelapa Sawit di Berbagai Jenis Lahan, Agromedia
Pustaka, Jakarta Selatan.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No.2 Maret 2017
 129
Analisis Performa AES Untuk Sekuriti Jaringan Scada
Berbasis ATMega16
Eka Puji Widiyanto1
AMIK MDP; Jl. Rajawali No.14, Palembang (0711) 376400, Fax: (0711) 376360
JurusanTeknik Komputer, AMIK MDP, Palembang
e-mail:[email protected]
1
Abstrak
SCADA sebagai tulang punggung sistem kendali modern telah menjadi bagian tak
terpisahkan dari berbagai sektor kehidupan, mulai dari sistem industri, ketenagaan, sampai
dengan sektor militer dengan cakupan yang bersifat global. Namun hal ini mengundang
kekhawatiran tersendiri disebabkan oleh sifat alami sistem SCADA yaitu bahwa semua sistem
SCADA konvensional memiliki celah keamanan yang amat besar karena pada dasarnya
keamanan bukan menjadi perhatian utama sebuah sistem SCADA. Untuk mengatasi hal
tersebut maka pada penelitian ini akan dikaji penerapan metode keamanan berbasis enkripsi
untuk menjamin keamanan transaksi data di dalam sebuah sistem SCADA. Penelitian ini akan
menerapkan penggunaan enkripsi dan dekripsi AES 128 bit pada mikroprosesor 8 bit yaitu AVR
ATMEGA16 dengan clock 11,0592MHz. Pada sistemnya, AES memerlukan waktu 40s untuk
mengenkripsi 16 byte data dan memerlukan waktu 60s untuk mendekripsinya kembali. Dengan
performa ini maka diharapkan penggunaan AES sebagai metode enkripsi data dapat diterapkan
secara menyeluruh sampai ke level terendah dari sistem SCADA yaitu pada level instrumen
kendali yang berada di lapangan yang pada akhirnya akan meningkatkan reliabilitas sistem
secara global.
Kata kunci: SCADA, AES, Mikroprosesor, Enkripsi, AVR.
Abstract
SCADA as the backbone for modern sontrol system has been unseparated part of
human daily life, from industrial system, powerline, to military system with its global and vast
scope. SCADA by nature is not safe, and because of that reason there is a big security hole in
every SCADA system that threatens its functionality. To overcome this, security concept must be
applied to existing SCADA system in the form on data encryption. AES 128 bit is used as the
encryption method on an 8 bit microprocessor AVR ATMEGA16 clocked at 11.0592MHz. Based
on this chip, AES executed with total time of 40s to encrypt 16 bytes block of data and require
60s for decryption. With this performance on an 8 bit chip architecture, using AES as
encryption for any field object in SCADA system is very advisable to achieve higher security
level.
Keywords: SCADA, AES, Microprocessor, Encryption, AVR.
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
130
ISSN: 1978-1520
1. PENDAHULUAN
Supervisory control and data acquisition (SCADA) merupakan suatu sistem jaringan
kontrol yang terintegrasi baik secara lokal maupun global. Sistem ini pada umumnya memegang
peranan penting dalam pengaturan dan manajemen infrastruktur vital suatu organisasi, misalnya
perusahaan, perkantoran, gedung, atau bahkan suatu negara [4][5]. SCADA memberikan
informasi waktu nyata yang berkaitan dengan proses produksi, pengendalian sistem dengan
metode yang lebih aman, ekonomis, namun lebih handal. Keuntungan ini diperoleh sebagai
hasil dari kombinasi sistem perangkat keras dan perangkat lunak dengan kemajuan sistem
komunikasi. Namun hal ini tidak diimbangi dengan sistem keamanan yang memadai sehingga
membuat sistem SCADA pada umumnya rentan terhadap gangguan keamanan, baik dari dalam
maupun luar.SCADA didefinisikan sebagai:
1. Suatu teknologi yang memungkinkan pengguna untuk mengumpulkan data dari satu atau
lebih tempat yang jauh dan atau mengirimkan perintah ke tempat tersebut. [1]
2. Suatu sistem operasi dengan sinyal komunikasi yang terkode melalui suatu kanal komunikasi
untuk memberikan akses kontrol terhadap suatu RTU (RemoteTerminalUnit) [2].
Menurut Krutz [3] dan Stouffer [7], sistem SCADA memiliki elemen-elemen yang
didefinisikan sebagai berikut:
1. Operator
Operator manusia yang melakukan pengawasan terhadap sistem SCADA dan pengendalian
terhadap sistem kendali yang berada di tempat yang jauh.
2. Human Machine Interface (HMI)
Subsistem yang berfungsi untuk merepresentasikan data kepada operator dalam bentuk yang
beragam seperti grafik, skematik, jendela informasi, menu, layar sentuh, dan bentuk lainnya.
3. Master Terminal Unit (MTU)
Subsistem yang bertugas mengumpulkan data dari satu atau lebih fasilitas yang jauh dan
menampilkan informasi kepada operator. MTU pada umumnya dipergunakan dalam sistem
SCADA berbasis masterslave.
4. Sistem Komunikasi
Merupakan metode komunikasi antara MTU dan RTU.
5. Remote Terminal Unit (RTU)
Subsistem yang berfungsi untuk mengirimkan sinyal ke berbagai peralatan yang berada di
lapangan, mengumpulkan data, dan mengirimkannya ke MTU melalui sistem komunikasi
yang telah ditentukan.
Penelitian mengenai keamanan pada sistem SCADA telah berkembang seiring dengan
perkembangan sistem komunikasi yang semakin pesat utamanya dengan perkembangan internet.
SANDIA [11] pada tahun 2002 telah mengembangkan sistem keamanan berbasis kunci
terdistribusi untuk SCADA. Metode yang dikembangkan menggunakan sistem yang terpisah
antara MTU dan RTU di mana kedua sisi ini memiliki kunci yang terpisah juga. MTU
memegang kunci semua RTU yang terkoneksi sedangkan semua RTU memiliki kunci yang
sama untuk melakukan proses enkripsi dan dekripsi pesan dari dan ke MTU. Pada tahun 2006
dikembangkan sistem SKMA [12]. Sistem ini mengharuskan MTU dan RTU menggunakan dan
menyimpan banyak kunci sejumlah RTU dan MTU yang terkoneksi ke dalam sistemnya. Pada
tahun 2008 Choi et al. [13] mengembangkan sistem manajemen kunci untuk SCADA berbasis
hierarki. Pada sistemnya maka MTU dan RTU dikonfigurasikan dalam konfigurasi bintang
sehingga mengakibatkan antara MTU, SUB-MTU, dan RTU tidak dapat saling berkomunikasi
satu sama lain secara langsung. Sistemnya mengharuskan MTU, SUB-MTU, dan RTU
menyimpan kunci dengan jumlah lebih banyak daripada skema yang telah dikemukakan
sebelumnya. Sistem keamanan untuk SCADA berbasis web menggunakan smartphone [8] juga
telah dikemukakan pada tahun 2011. Namun sistem ini hanya meliputi keamanan pada bagian
HMI saja, bukan pada komunikasi antara MTU dan RTU. Pada penelitian ini akan dirancang
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
131
dan diimplementasikan sistem SCADA residensial berbasis mikroprosesor 8 bit dengan
protokol komunikasi yang terenkripsi AES. Cakupan penelitian ini akan difokuskan pada level
yang paling rendah dari sistem SCADA yaitu level komunikasi antara MTU dan RTU yang
berada di lapangan. Hal ini diambil dari fakta bahwa level inilah yang pada umumnya tidak ada
proses keamanan apapun, baik otorisasi maupun enkripsi.
Karena sistem SCADA memegang peranan penting dalam pengendalian objek vital, maka
perlu dikembangkan sistem SCADA dengan tingkat keamanan yang tinggi, baik secara
perangkat keras, maupun perangkat lunak. Hal ini merupakan suatu spesifikasi yang harus
dipenuhi oleh sebuah sistem SCADA konvensional yang umumnya tidak terproteksi dan tidak
memiliki sistem logging apapun [10]. Selain itu banyaknya kelemahan sistem SCADA
konvensional seperti penggunaan port standar yang terbuka sebagai port perawatan, konfigurasi,
dan monitoring, penggunaan satu frekuensi standar dalam sistem komunikasinya, dan tidak
adanya sistem otentifikasi dan enkripsi semakin membuat sistemnya mudah sekali untuk
diserang. Dalam penelitian ini akan dikembangkan suatu sistem transmisi SCADA dengan
memanfaatkan enkripsi data berbasis AES[8]. Sistem SCADA akan diimplementasikan sebagai
pengendali peralatan residensial. Kunci untuk sistem ini akan diimplementasikan dalam bentuk
perangkat keras berbasis keping silikon dengan panjang kunci sebesar 64 bit. Masing-masing
perangkat RTU dalam sistem yang didesain akan memiliki kunci yang berbeda-beda dengan
kemungkinan kesamaan yaitu 1 berbanding 264.
2. METODE PENELITIAN
Dalam melakukan penelitian ini, dipergunakan metode Prototyping dengan tahap-tahapan
yaitu perencanaan, perancangan, evaluasi desain, pembangunan sistem, pengujian sistem, dan
implementasi sistem.
2.1 Perencanaan
Pada tahap ini maka disusun rancangan awal sistem, fitur yang akan dikembangkan,
perangkat keras dan lunak yang akan dipergunakan, representasi algoritma AES yang akan
diimplementasikan, serta proses evaluasi kinerja sistemnya. Untuk melakukan proses enkripsi
dekripsi AES pada sistem yang dirancang, maka dipergunakan flowchart seperti pada Gambar 1.
Pada setiap prosesnya maka akan dilakukan proses enkripsi dekripsi n-byte data dengan AES
untuk selanjutnya dibandingkan kinerjanya dalam hal waktu komputasi dan validitas datanya.
Title of manuscript is short and clear, implies research results (First Author)
132
ISSN: 1978-1520
Gambar 1. Flowchart Sistem
2.2 Perancangan
Pada tahap ini penerjemahan dari keperluan atau data yang telah dianalisis ke dalam bentuk
yang mudah dimengerti user, prototipe didesain dengan membuat perancangan sementara yang
berfokus pada penyajian sistem. Sebagai tahap awal maka disusun simulasi dari sistem yang
akan diimplementasikan sehingga didapatkan gambaran awal kelayakan operasional sistemnya,
apakah layak diimplementasikan secara riil ataukah tidak dalam sebuah sistem SCADA.
2.3 Evaluasi Desain
Pada tahap ini, dilakukan evaluasi terhadap desain sistemnya. Apakah rancangan sistem
yang dibuat sudah sesuai dengan yang diharapkan. Jika tidak, maka desain akan direvisi dengan
mengulang langkah sebelumnya.
2.4 Pembangunan Sistem
Dalam penelitian ini dirancang sistem SCADA berukuran kecil dengan mikroprosesor yaitu
ATMEGA16 dengan bahasa pemrogramannya yaitu C [6]. Sebagai identifikasinya maka
dipergunakan 1-Wiredevice yaitu keping silikon DS2401 yang memiliki nomor serial 64 bit
yang unik di dalamnya [9]. Guna melindungi datanya maka dipergunakan sistem enkripsi
berbasis AES 128 bit dengan kunci yang dibangkitkan dari nomor identifikasinya sendiri yang
diduplikasi 2 kali [10]. Sistem ini akan disimulasikan menggunakan ISIS Proteus. Dari simulasi
ini akan diukur performa AES 128 bit untuk berbagai ukuran data sehingga dapat diketahui
kelayakan AES pada mikroprosesor 8 bit. Enkripsi sebagai jantung dari keamanan datanya tidak
boleh menyebabkan terjadinya overhead baik dalam komputasi maupun komunikasinya [10].
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

133
Penggunaan kunci keamanan juga akan meningkatkan keamanan sistem transmisinya. Kunci
dapat mempergunakan sistem preshared maupun publickeyinfrastructure [10].
2.5 Pengujian Sistem
Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibangun. Pengujian yang
dilakukan adalah pengujian BlackBox meliputi pengujian algoritma dan kecepatan
komputasinya. Jika pada pengujian sesuai kebutuhan maka dilakukan langkah selanjutnya,
tetapi jika belum sesuai maka harus diulang kembali dari langkah sebelumnya.
2.6 Implementasi Sistem
Pada tahap ini telah dibangun sistem yang sesuai dengan kebutuhan melalui proses
pengujian yang dianggap telah berhasil dan sesuai. Kemudian dilakukan implementasi system
kedalam mikrokontroler yang telah ditentukan agar dapat dipergunakan dan diuji secara riil.
3. HASIL DAN PEMBAHASAN
Pengujian pertama dilakukan untuk mengetahui performa enkripsi AES pada sistem yang
dipergunakan yaitu pada ATMEGA16 dengan kecepatan detak 11,0592MHz. Untuk melakukan
proses enkripsi data 16 byte menggunakan kunci sepanjang 128 bit memerlukan waktu 400s
seperti pada Gambar 2. Sedangkan untuk mendekripsi kembali datanya maka dibutuhkan waktu
sebesar 600s seperti pada Gambar 3. Pengukuran waktunya dilakukan dengan mengukur lebar
pulsa yang dikeluarkan selama prosesnya menggunakan osiloskop yang disediakan pada
simulatornya.
Gambar 2. Pulsa Total Waktu Enkripsi Data Sebesar 16 Byte
Title of manuscript is short and clear, implies research results (First Author)
134
ISSN: 1978-1520
Gambar 3. Pulsa Total Waktu Dekripsi Data Sebesar 16 Byte
Pengujian kedua dilakukan untuk mengetahui konsistensi performa enkripsi AES untuk
memproses blok data yang banyak yaitu sebesar 1600 byte. Performa sistemnya tetap konsisten
yaitu total waktu enkripsinya sebesar 40ms dan untuk total waktu dekripsinya yaitu sebesar
60ms seperti pada Gambar 4 dan 5. Untuk data hasil dekripsi semuanya memiliki kesamaan
dengan data aslinya, sehingga proses enkripsi dekripsi AES telah berhasil dilakukan secara
sempurna.
Gambar 4. Pulsa Total Waktu Enkripsi Data Sebesar 1600 Byte
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
135
Gambar 5. Pulsa Total Waktu Dekripsi Data Sebesar 1600 Byte
4. KESIMPULAN
AES sebagai salah satu metode enkripsi yang kuat dapat dipergunakan pada pengamanan
data sistem SCADA. Dengan waktu eksekusi di bawah 1ms untuk 16 byte data pada
mikroprosesor 8 bit dengan clock 11,0592 MHz maka penggunaan AES pada sistem SCADA
tidak akan memperlambat respon sistem secara umum. Implementasi arsitektur sistem
keamanan komputer pada sistem SCADA modern akan meningkatkan reliabilitas sistem,
terutama pada bagian sekuritinya, yang mana merupakan suatu hal yang diabaikan dalam
arsitektur SCADA tradisional. Dengan adanya sistem SCADA yang memiliki level keamanan
yang tinggi, maka akan meminimalkan probabilitas kompromisasi sistem baik dari faktor
internal maupun eksternal.
5. SARAN
Untuk meningkatkan pengembangan system ini kedepannya maka dapat ditempuh
beberapa langkah berikut ini:
1. Mengimplementasikan system enkripsi dan dekripsi pada proses akuisisi riil berbasis
modbus.
2. Penggunaan mikroprosesor dengan kemampuan enkripsi dekripsi internal seperti AVR
XMEGA atau ARM.
3. Membangun modbus gateway berbasis enkripsi dekripsi AES sehingga tidak mengubah
secara signifikan terhadap plant yang sudah ada.
UCAPAN TERIMA KASIH
Penulis mengucapkan terimakasih kepada
a. Bapak Johannes Petrus, S.Kom., M.T.I, CFP, selaku Direktur AMIK MDP yang telah
memberikan kesempatan untuk pelaksanaan penelitian ini.
b. Bapak Abdul Rahman, S.SI., M.T.I, selaku Ketua Program Studi Teknik Komputer yang
telah memberikan kesempatan dan persetujuan untuk pelaksanaan penelitian ini.
Title of manuscript is short and clear, implies research results (First Author)
136
ISSN: 1978-1520
DAFTAR PUSTAKA
[1]
Beaver
et
al.
2002,
Key
Management
for
Available:http://www.sandia.gov/scada/documents/013252.pdf.
SCADA
[Online],
[2]
B. Linke, 2008, June 19, Overview of 1-Wire Technology and Its Use[Online], Available:
http://www.maxim-ic.com/app-notes/index.mvp/id/1796.
[3]
Dr. A. Goel and R.S. Mishra, 2009, “Remote Data Acquisition Using Wireless – SCADA
System,” International Journal of Engineering, Vol. 3, No. 1, pp. 58-64, March 15.
[4]
D. Choi et al.,2009, “Advanced Key Management Architecture for Secure SCADA
Communication,” IEEE Transactions on Power Delivery, Vol. 24,Nno. 3, pp. 1154-1163.
[5]
IEEE Standard, 1994, Definition, Specification, and Analysis of Systems Used for
Supervisory Control, Data Acquisition, and Automatic Control, IEEE.
[6]
K. Stouffer et al.,2011, Guide to Industrial Control System (ICS) Security, NIST U.S.
Department of Commerce, Gaithersburg.
[7]
R.L. Krutz, 2005, Securing SCADA System, Wiley, Indianapolis.
[8]
R.J. Robles et al., 2008, “Vulnerabilities in SCADA and Critical Infrastructure Systems,”
International Journal of Future Generation Communication and Networking, Vol. 1, No.
1, pp. 99-104.
[9]
R.J. Robles and T. Kim, 2011, “Scheme to Secure Communication of SCADA Master
Station and Remote HMI’s through Smart Phones,” Journal of Security Engineering, Vol.
8, No. 3, pp. 349-358.
[10] R. Dawson et al., 2006, ” SKMA A Key Management Architecture for SCADA Systems,”
Fourth Australasian Information Security Workshop, Vol. 54, pp. 138-192.
[11] S.F. Barret, 2009, Embedded System Design with the Atmel AVR Microcontroller,
Morgan & Claypool Publishers, California.
[12] S.A. Boyer, SCADA, 2009, Supervisory Control and Data Acquisition, The
Instrumentation, Systems, and Automation (ISA) Society, North Carolina.
[13] T. Amaio and T. Van, 2011,“IEEE 1711-2010 Security for Legacy SCADA Protocols,”
Presented at The Industrial Control Systems Joint Working Group (ICSJWG), Long
Beach, CA.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 1 No. 2 Maret 2017
 137
Analisa dan Perancangan Sistem Informasi
Administrasi Kepegawaian Pada Dinas Kebudayaan
dan Pariwisata Provinsi Kepulauan Bangka Belitung
Anisah*1,Nia Novianti2
1,2SistemInformasi, STMIKAtma Luhur Pangkalpinang
Jl.RayaSungailiat, Selindung Lama, PangkalanBaru-Bangka
Telp: (0717) 433506
*1
E-mail: [email protected], 2 [email protected]
Abstrak
Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung adalah
unsure pelaksana pemerintah dibidang kebudayaan dan pariwisata, yang dipimpin oleh
seorang kepala dinas. Salah satu unit kerja yang ada di sana adalah bagian kepegawaian yang
menangani masalah kepegawaian. Pada saat ini system pengolahan data pegawai yang
diterapkan Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung sudah
menggunakan komputer,menggunakan aplikasi Microsoft Word dan Microsoft Excel yang di
simpan pada folder,belum menggunakanbasis data (database) atau belum memanfaatkan
Database Management System(DBMS) sebagai tempat untuk menyimpan data yang berkaitan
dengan adminsitrasi kepegawaian, sehingga data tersebut masih berdiri sendiri-sendiri tanpa
adanya keterkaitan antara satu data dengan data yang lainnya. Sehingga pada saat pembuatan
laporan dan pencarian data adminsitrasi kepegawaian membutuhkan waktu yang lama, karena
harus di cek satu persatusetiap dokumen yang ada. Agar pencarian data dan pembuatan
laporan yang berkaitan dengan administrasi kepegawaian dapat dilakukan secara cepat,
sebuah sistem informasi yang terkomputerisasiperlu untuk diterapkan agar semua
permasalahan yang berkaitan dengan administrasi kepegawaian dapat teratasi. Sehingga
dibutuhkan analisa dan perancangan sistem informasi adminsitrasi kepegawaian,yang dalam
hal ini menggunakan metodologi berorientasi objek dengan menggunakan diagram Unified
Modelling Language(UML).
Kata kunci: Dinas Kebudayaan dan Pariwisata, Sistem Informasi Administrasi Kepegawaian,
Diagram Unified Modelling Language (UML).
Abstract
Department of Culture and Tourism Bangka Belitung province is implementing
elements of the government in the field of culture and tourism, handle by a Head Department .
One of the units of work that there is a personnel department that handles staffing issues. At this
time the data is processing system employee who applied the Department of Culture and
Tourism Bangka Belitung province is already using a computer, using Microsoft Word and
Microsoft Excel are stored in the folder, not to use a database (database) or not use the
Database Management System (DBMS) as a place to save the data was related administrative
personnel, so that the data is still standing on their own without the relationship between the
data with others. So that why , in the preparation of reports and personnel administration the
data takes a long time to search, because of it must be checked one by one every document was
ouput. In order to find the data and preparing reports relating to personnel administration can
be done quickly, a computerized information system needs to be applied to all issues relating to
personnel administration can be resolved. So it takes the analysis and design of information
138
ISSN: 1978-1520
systems personnel administration, which is in this case using object-oriented methodologies
usesDiagram Unified Modelling Language (UML).
Keywords: Department of Culture and Tourism, information system personnel administration,
Diagram Unified Modelling Language (UML).
1. PENDAHULUAN
Perkembangan sumber daya manusia yang semakin pesat menjadikan teknologi informasi
sangat dibutuhkan, khususnya perkembangan teknologi komputer sebagai alat pengolah dan
penyimpan data yang merupakan faktor utama untuk mendukung kemajuan teknologi dalam
suatu perusahaan tanpa terkecuali instansi-instansi pemerintah. Dibalik itu semua, pembangunan
sebuah sistem informasi di dalam suatu instansi pemerintahan selama ini masih beroperasi
secara manual dan harus dikembangkan lebih modern agar dapat beroperasi secara efektif dan
efisien dengan menggunakan sistem yang sudah terkomputerisasi.
Administrasi kepegawaian mencakup proses penyelenggaraan usaha kerjasama dalam
bidang kepegawaian yang meliputi proses pendataan pegawai, pendataan daftar hadir pegawai,
pengajuan kenaikan pangkat, pengajuan cuti, pengajuan kenaikan gaji berkala, serta hal-hal
yang berhubungan dengan kepegawaian. Adminstrasi kepegawaian disusun secara teratur serta
sebagai pemberi petunjuk bagi penyelenggara dan pengelola administrasi kepegawaian agar
terwujudnya kinerja yang efektif dan maksimal.
Seperti yang terjadi di Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka
Belitung, proses kegiatan administrasi kepegawaian sudah menggunakan komputer, namun
penggunaannya masih standar umum yaitu menggunakan Microsoft Word dan disimpan pada
folder, yang antara satu data dengan data yang lainnya tidak saling terkait. Belum menggunakan
konsep basis data (Database) dan belum memanfaatkan Database Management System
(DBMS). Karena masih menggunakan sistem yang manual dan belum menggunakan sistem
yang terkomputerisasi tersebut, pencarian data yang berkaitan dengan kepegawaian
membutuhkan waktu agak lama karena harus di cek satu persatu setiap dokumen yang ada.
Begitu juga halnya dengan pembuatan laporan, dibutuhkan waktu beberapa hari untuk
menyelesaikan laporan yang berkaitan dengan administrasi kepegawaian tersebut.Oleh karena
itu, dibutuhkan sebuah sistem yang terkomputerisasi, agar proses pencarian data yang berkaitan
dengan administrasi kepegawaian dapat diperoleh dengan cepat dan tepat, dan proses
pembuatan laporan bisa dilakukan dengan cepat yaitu dalam hitungan menit, tanpa harus
menunggu waktu beberapa hari.
Dalam hal ini, ruang lingkup penelitian meliputi proses pendataan pegawai, pengajuan
cuti, kenaikkan pangkat, kenaikan gaji berkala, pendataan presensi pegawai, surat perintah
tugas, surat perintah perjalanan dinas (SPPD), sehingga menghasilkan laporan berupa daftar
urut kepegawaian (DUK) yang akurat.
Untuk metode analisa dan perancangan sistem, menggunakan metodelogi berorientasi
objek yaitu menggunakan diagram Unified Modelling Language (UML).Untuk tahapan analisa
sistem yang berjalan menggunakan Activity Diagramuntuk mengetahui proses bisnis yang ada
serta menganalisa dokumen masukan dan dokumen keluaran pada sistem yang berjalan. Untuk
penggambaran kebutuhan sistem dari sudut pandang useryang diusulkan menggunakan usecase
diagram. Untuk perancangan sistem dengan melakukan perancangan user interface (rancangan
layar) dan class diagram (entity class).
Adapun penelitian sebelumnya yang sudah pernah dilakukan adalah penelitian yang
dilakukan oleh Putri Kurnia Handayani (2016) yang berjudul Sistem Informasi Administrasi
Data Kepegawaian Pada Bagian Personalia PT.XYZ dimana pada penelitian tersebut, untuk
perancangan sistem menggunakan Object Modelling Technique (OMT), dan perancangan basis
Jatisi, Vol. 1 No. 2 Maret 2017
 139
data menggunakan Entity Relationship Diagram (ERD) dan telah berhasil dibuat Sistem
Informasi Administrasi Data Kepegawaian pada PT.XYZ tersebut [1]. Selain itu penelitian yang
dilakukan oleh Hendri Irawan (September 2011) yang berjudul Analisa dan Perancangan Sistem
Informasi Administrasi Kepegawaian Direktorat Jenderal Pengembangan Ekspor Nasioanal
Kementrian Perdagangan R.Imenggunakan metode berorientasi objek. Pada penelitian tersebut
sebuah sistem terkomputerisasi mampu meminimalisir tingkat kesalahan yang terjadi pada
sistem manual dan sistem dapat menjadi lebih optimal dalam aktualitas dan keakuratan dengan
menggunakan konsep database[2].
Sistem merupakan suatu kumpulan atau himpunan dari unsur, komponen, atau variabel
yang terorganisir, saling berinteraksi, saling tergantung satu sama lain, terpadu[3]
Suatu informasi dapat dikatakan berkualitas apabila dilandasi oleh tiga hal:
a. Relevan (Relevance)
Informasi akan relevan jika memberikan manfaat bagi pemakainya.
b. Akurat (Accurate)
Informasi tersebut tidak bias atau menyesatkan, bebas dari kesalahan-kesalahan
dan harus jelas mencerminkan maksudnya.
c. Tepat Waktu (Timeline)
informasi yang datang kepada penerimanya tidak boleh terlambat, karena nilai yang sudah
usang tidak akan mempunyai nilai lagi karena informasi merupakan landasan dala
pengambilan keputusan.
Sistem Informasi adalah kombinasi teratur apa pun dari orang-orang, hardware, software,
jaringan komunikasi, dan sumber daya data yang mengumpulkan, mengubah, dan menyebarkan
informasi dalam sebuah organisasi. Selain itu, pengertian dari sistem informasi merupakan
sekelompok elemen yang saling berhubungan atau berinteraksi hingga membentuk satu
kesatuan [4].
Analisis berorientasi objek merupakan sebuah teknik yang model-driven yang
mengintegrasikan data dan proses ke dalam konstruksi yang disebut objek. Model-model
ObjekOriented Analysis (OOA) adalah gambar-gambar yang mengilustrasikan objek-objek
sistem dari berbagai macam perspektif, seperti struktur, kelakuan, dan interaksi objek-objek[5].
Object Oriented Design (OOD) merupakan sebuah pendekatan yang digunakan untuk
menentukan solusi perangkat lunak khususnya pada objek yang berkolaborasi, atribut mereka,
dan metode mereka[5].
Unified Modelling Language (UML) merupakan suatu kumpulan konvensi pemodelan
yang digunakan untuk menentukan atau menggambarkan sebuah sistem software yang terkait
dengan objek[5].
Unified Modelling Language (UML) merupakan salah satu alat bantu yang sangat handal di
dunia pengembangan sistem yang berorientasi obyek. UML menyediakan bahasa pemodelan
visual yang memungkinkan bagi pengembang sistem untuk membuat cetak biru atas visi misi
mereka dalam bentuk yang baku, mudah dimengerti serta dilengkapi dengan mekanisme yang
efektif untuk berbagi (sharing) dan mengkomunikasikan rancangan mereka dengan yang lain.
UML adalah hasil kerja konsorsium berbagai organisasi yang berhasil dijadikan sebagai standar
baku dalam OOAD (Object Oriented Analysis & Design). UML mempunyai elemen grafis yang
bisa dikombinasikan menjadi diagram[6].
Activity diagrammerupakansebuahteknik untuk mendeskripsikan logika prosedural, proses
bisnis dan aliran kerja dalam banyak kasus[6].
Activity diagram digunakan untuk menganalisis behaviour dengan use case yang lebih
kompleks dan menunjukkan interaksi interaksi diantara mereka satu sama lain. Activity diagram
biasanya digunakan untuk mengggambarkan aktivitas bisnis yang lebih kompleks, dimana
digambarkan hubungan antara satu use case dengan use case yang lainnya[7].
Use case diagram merupakan suatu diagram yang berisi use case, actor, relationship
diantaranya. Use case diagram merupakan titik awal yang baik dalam memahami dan
140
ISSN: 1978-1520
menganalisis kebutuhan sistem pada saat perancangan sistem yang diusulkan. Use case diagram
dapat digunakan untuk menentukan kebutuhan apa saja yang diperlukan dari suatu sistem[7].
Sebuah obyek memiliki keadaan sesaat (state) dan perilaku (behaviour). State sebuah
obyek merupakan kondisi obyek tersebut yang dinyatakan dalam attribute/properties.
Sedangkan perilaku suatu obyek merupakan bagaimana suatu obyek bertindak/beraksi dan
memberikan reaksi. Perilaku suatu obyek dinyatakan dalam operation.
Attribute merupakan sifat/karakteristik dari sebuah class. Operation merupakan sesuatu
yang bisa dilakukan oleh sebuah class.
Assicoation/asosiasi merupakan class-class yang terhubungkan satu sama lain secara
konseptual.“Class merupakan pembentuk utama dari system berorientasi obyek karena class
menunjukkan kumpulan obyek yang memiliki atribut dan operasi yang sama” [6]. Sebuah class
terdiri dari 3 area pokok yaitu nama, atribut, dan method. Nama menggambarkan nama dari
objek/class, atribut menggambarkan batas nilai yang mungkin ada pada obyek dari class dan
method adalah sesuatu yang bias dilakukan oleh sebuah class atau class yang lain dapat lakukan
untuk sebuah class.
Dalam class diagram terdapat association. Association/asosiasia dalah class-class yang
terhubung satu sama lain secara konseptual. Selain itu terdapat multiplicity yang mana pada
kasus asosiasi menunjukkan bahwa ada sebuah obyek pada sebuah class yang berhubungan
dengan sebuah obyek pada sebuah asosiasi class.
Objek entity merupakan sebuah objek yang berisi informasi yang berhubungan dengan
bisnis yang bersifat menetap dan disimpan pada sebuah database [5]
2. METODEPENELITIAN
Adapun langkah-langkah yang dilakukan dalam peneltian ini dapat dilihat pada gambar 1
berikut ini:
Gambar 1. Metodologi Penelitian
a. Memahami permasalahan
Tahapan ini merupakan tahap awal yang dilakukan dalam rangka untuk mengidentifikasikan
permasalahan yang dihadapi dengan melakukan wawancara langsung kepada narasumber
 141
Jatisi, Vol. 1 No. 2 Maret 2017
b.
c.
d.
e.
yang berkaitan dengan sistem administrasi kepegawaian yang ada pada dinas kebudayaan
dan pariwisata propinsi kepulauan Bangka Belitung.
Mempelajari proses bisnis sistem berjalan
Pada tahapan ini, melalui proses wawancara untuk mengetahui proses bisnis dari sistem
administrasi pegawai dari awal sampai dengan akhir proses, sehingga diketahui gambaran
sistem secara keseluruhan serta dapat diketahui semua dokumen masukan dan dokumen
keluaran sistem berjalan.
Analisa Sistem
Untuk menganalisa sistem berjalan, menggunakan Diagram Unified Modelling Language
(UML) dengan menggunakan Activity Diagram. Kemudian untuk menganalisa kebutuhan
sistem usulan dari sudut pandang user menggunakan use case diagram.
Perancangan Sistem
Pada tahapan ini, akan dirancang sistem usulan berdasarkan analisa sistem yang sudah
dilakukan dengan membuat perancangan User interface yang sesuai dengan kebutuhan
sistem dan menggambarkan hubungan antara satu class dengan class yang lainnya
(hubungan antara satu objek dengan objek yang lain) dengan menggunakan class Diagram
(Entity Class).
Pengujian Sistem
Pada tahapan ini dilakukan pengujian terhadap sistem usulan untuk memastikan sistem sudah
memenuhi kebutuhan yang sudah ditentukan.
3. HASIL DAN PEMBAHASAN
Proses bisnis yang terjadi pada sistem administrasi akademik yang ada pada dinas
kebudayaan dan pariwisata propinsi kepulauan Bangka Belitung meliputi: proses pendataan
pegawai, proses pengajuan cuti pegawai, kenaikan pangkat, kenaikan gaji berkala, proses
absensi pegawai, proses pembuatan SPT, proses pembuatan Surat Perintah Perjalanan Dinas
(SPPD), proses pembuatan Rincian Biaya Perjalan Dinas (RBPD), dan proses pembuatan
laporan DUK digambarkan dengan menggunakan diagram UML yaitu Activity Diagram.
Adapun activity Diagram untuk masing-masing proses bisnis dapat dilihat pada gambar di
bawah ini:
Ba g Kepe ga w a ian
Beri form data
pegawai
Input data pegawai
untuk arsip
Pe gaw ai
Isi form data
pegawai
Serah form data
pegawai
Gambar 2. Proses Pendataan Pegawai
142
ISSN: 1978-1520
Pegawai
Buat surat
permohonan ijin cuti
Terima Surat Permohonan Cuti
yang telah ditandatangani
Kepala Bagian
Kepala Dinas
Serah surat permohonan
ijin cuti
Setujui surat
permohonan ijin cuti
Bag Kepegawaian
Tandatangani Surat
Permohonan Cuti
Serah Surat Permohonan Cuti
yang telah ditandatangani
Terima Surat Permohonan
Cuti
Buat Surat Ijin
Cuti Pegawai
Catat ke Kartu
Cuti Pegawai
Terima Surat Ijin
Cuti
Gambar 3. Proses Pengajuan Cuti Pegawai
Serah Surat Ijin
Cuti
 143
Jatisi, Vol. 1 No. 2 Maret 2017
Pegawai
Bag Kepegawaian
BKD
Lengkapi Syarat kenaikan
pangkat reguler
Serahkan berkas
persyaratan
Terima berkas
pesyaratan
Kirim berkas
persyaratan
Terima Berkas
Setujui Berkas
Simpan dan beri
SK Pangkat
Terima SK
Pangkat
Serahkan SK
Pangkat
Gambar 4. Proses Kenaikan Pangkat
Bagian Kepegawaian
Serah Daftar
hadir pegawai
Pegawai
Isi daftar hadir
pegawai
[berhalangan hadir]
Terima
Informasi
Keuangan
Kasih Informasi
[tanpa informasi]
Terima Potongan
TPP 2%
Buat Rekapan
Absensi
Serah Rekapan
Absensi
Terima Rekapan
Absensi
Gambar 5. Proses Presensi Pegawai
144
ISSN: 1978-1520
Bag Kepegaw aian
Kepala Dinas
BKD
Baca Nota dinas pengusulan nama
pegawai yang akan naik gaji berkala
Proses agenda daftar tunggu
kenaikan gaji berkala
seleksi berkas
pegawai
Buat Surat pengantar pengajuan usulan nama
pegawai yang akan menerima kenaikan gaji berkala
Tandatangani surat pengantar
kenaikan gaji berkala
Antar Surat pengantar
kenaikan gaji berkala
Terima Surat pengantar
kenaikan gaji berkala
Buat SK Kenaikan
Gaji Berkala
Serah SK Kenaikan
Gaji Berkala
Terima SK Kenaikan
Gaji Berkala
Gambar 6. Proses Kenaikan Gaji Berkala
Pegaw ai
Kepala Dinas
Buat Nota Dinas
surat tugas
Terima Nota Dinas
Surat Tugas
Bag Kepegaw aian
Seleksi pegawai
Setujui Nota
Dinas
Serah Nota
Dinas
Terima Nota
Dinas
Buat SPT
Terima SPT
Gambar 7. Proses SPT
Serah SPT
 145
Jatisi, Vol. 1 No. 2 Maret 2017
Bagian Kepegaw aian
Pegaw ai
Berdasarkan nota
dinas dan SPT
[Kota]
[Luar kota/kab]
Buat SPPD
Serah SPPD
Terima SPPD
Gambar 8. Proses SPPD
Pegawai
Serah Bukti-bukti Pengeluaran
Selama Perjalanan Dinas
Bagian PPTK
Pejabat
Keuangan
Terima Bukti-bukti
Pengeluaran
Buat Laporan
Serah Laporan
Terima dan
menandatangani Laporan
Serah Laporan Yang
Telah Ditandatangani
Terima Laporan
Yang Ditandatangani
Mencairkan Uang
Perjalanan Dinas
Gambar 9. Proses RBPD
146
ISSN: 1978-1520
Bagian Kepegaw aian
Buat Laporan
DUK
Kepala BLH
BKD
Tanda Tangan
Laporan DUK
Serahkan
Laporan DUK
Terima Laporan
DUK
Gambar 10. Proses Pembuatan Laporan DUK
Berdasarkan analisa terhadap proses bisnis yang ada dan analisa terhadap dokumen
masukan dan dokumen keluaran pada sistem yang berjalan, maka dapat diidendifikasikan
kebutuhan sistem yang nantinya akan dibangun yaitu sebuah sistem yang terkomputerisasi
diantaranya adalah adalah untuk penggambaran kebutuhan system dari sudut pandang user
tersebut, penulis menggambarkannya dengan menggunakan use case diagram yang
penggambarannya dapat dilihat pada gambar di bawah ini:
Entry Surat Permohonan Izin Cuti
Entry Data Pegawai
Cetak Surat Izin Cuti
Bag Kepegawaian
Entry Rekap Daftar Hadir
Entry Data Biaya
Gambar 11. Use Case Diagram Master
Cetak Nota Dinas Surat Tugas
Cetak Surat PerintahTugas
Cetak Laporan DUK
Bag Kepegawaian
Cetak SPPD
Cetak Laporan Rekap Daftar Hadir
Cetak RBPD
Bag Kepegawaian
Cetak Laporan Cuti
Cetak Surat Pengantar Kenaikan
Gaji Berkala
Cetak Laporan Kenaikan Gaji
Berkala
Entry SK Kenaikan Gaji Berkala
Entry SK Kenaikan Pangkat
Cetak Laporan Kenaikan Pangkat
Gambar 12. Use Case Diagram Pembuatan Laporan
Gambar 13. Use Case Diagram Transaksi
Berdasarkan analisa terhadap sistem yang diusulkan, maka bentuk struktur tampilan
rancangan layar untuk sistem informasi administrasi akademik yang ada pada dinas kebudayaan
dan pariwisata provinsi kepulauan Bangka Belitung diusulkan sebagai berikut:
Jatisi, Vol. 1 No. 2 Maret 2017
 147
Gambar 14. Proses Pembuatan Laporan DUK
Berikut ini beberapa bentuk rancangan layar menu utama dan rancangan layar entry data
pegawai sistem usulan:
Gambar 15. Rancangan Layar Menu Utama
148
ISSN: 1978-1520
Gambar 16. Rancangan Layar Entry data Pegawai
Berdarkan analisa terhadap dokumen-dokumen yang ada pada sistem yang berjalan
berikut ini adalah bentuk rancangan class diagram (Entity Class) atau objek-objek yang terlibat
dalam pengembangan system informasi administrasi akademik, untuk penggambaran class
diagramnya dapat dilihat pada gambar dibawah ini:
GetAbsensi()
Simpan()
SKKGB
Isi
KET
Absensi
NoAbsen
TanggalAbsen
GetIsi()
Simpan()
*
*
SPKGB
No_SPKGB
TglSPKGB
BanyakBerkas
Ket_SPKGB
Dapat
1
1..*
GetSPKGB()
Simpan()
*
No_SKKGB
Tgl_SKKGB
Masa_Kerja
Gapok_Lama
Pjbt_Angkat
Tgl_SKGBL
No_SKGBL
Tgl_BerlakuGL
MasaKerja_GolLama
GaPok_Baru
MasaKerja_Baru
Gol_Baru
MulaiTgl_KGBBaru
1..*
Pegawai
Punya
JmlHadir
JmlTidakHadir
Ket
*
GetPunya()
Simpan()
SKKP
Peroleh
No_SKKP
1
Tgl_SKKP
TanggalKenaikanPangkat
1..*
Pangkat_Baru
GolBaru
GaPokBaru
MasaKerjaGolBaru
GetSKKP()
Simpan()
NIP
Nama
Tmpt_Lhr
Tgl_Lhr
Jen_Kel
Unit_Kerja
1
TMT_Kerja
Thn_MskKerja
Bln_MskKerja
Pendidikan_Terakhir
1
Thn_Lulus
Pangkat
Gol
Jabatan
Milik
Ajukan
1..*
SPC
No_SPC
Tgl_SPC
Lama_Cuti
Tgl_Mulai
Tgl_Selesai
Alasan_Cuti
1
Almt_SlmCuti
NoHP_SlmCuti
GetSKKGB()
Simpan()
SIC
No_SIC
Tgl_SIC
CatatanSIC
Hasil
1
GetSIC()
Simpan()
GetSPC()
Simpan()
GetPegawai()
Simpan()
Ubah()
Hapus()
*
*
Biaya
Kd_Biaya
Nm_Biaya
Lakukan
Keterangan
Buat
Ktrngn
GetBiaya()
Simpan()
Ubah()
Hapus()
GetLakukan()
Simpan()
GetBuat()
Simpan()
Ada
Jumlah
Ket_Biaya
*
GetAda()
Simpan()
*
NDST
No_NDST
Tgl_NDST
Sifat
Perihal
Lampiran
WaktuTugas
TglMulai
1
TglSelesai
TempatTugas
KetTugas
*
SPT
No_SPT
Tgl_SPT
Terima
1
GetSPT()
Simpan()
Keluar
1
1
GetNDST()
Simpan()
Gambar 17. Class Diagram
SPPD
NoSPPD
TglSPPD
TempatBerangkat
AlatAngkut
Cetak
PembebananAnggaran
1
MataAnggaran
KeteranganLain
GetSPPD()
Simpan()
*
RBPD
No_RBPD
Tgl_RBPD
1
GetRBPD()
Simpan()
 149
Jatisi, Vol. 1 No. 2 Maret 2017
Setelah tahapan analisa dan perancangan sistem dilakukan, maka dilakukan pengujian
terhadap sistem yang sudah dirancang dengan menggunakan aplikasi VB.Net 2008 dan
menggunakan DBMS MySQL, dengan hasil pengujiannya dapat dilihat pada tabel di bawah ini:
Tabel 1. Hasil Pengujian
Skenario Pengujian
Hasil Yang Diharapkan
Menjalankan tiap menu yang sistem akan menampilkan
terdapat pada sistem
form sesuai dengan menu
yang dipilih oleh user yang
dalam hal ini adalah bagian
kepegawaian
Usermelakukanpenginputan
Data akan tersimpan ke
data pegawai dan menekan database
tombol simpan
Hasil Pengujian
Sesuai
dengan
diharapkan
yang
Sesuai
dengan
diharapkan
yang
Usermelakukanpenginputan
Data akan
data biaya dan menekan database
tombol simpan
tersimpan
ke Sesuai
dengan
diharapkan
yang
User melakukan penginputan
data transaksi yang berkaitan
dengan
sistem informasi
akademik yang dirancang dan
menekan tombol simpan.
User melakukan pencetakan
dokumen data transaksi yang
berkaitan
dengan
sistem
informasi akademik yang
dirancang
dan
menekan
tombol cetak.
User melakukan pencetakan
laporan yang berkaitan dengan
sistem informasi akademik
yang dirancang dan menekan
tombol cetak.
tersimpan
ke Sesuai
dengan
diharapkan
yang
Output/cetakan
ditampilkan
akan Sesuai
dengan
diharapkan
yang
Output/cetakan
ditampilkan
akan Sesuai
dengan
diharapkan
yang
Data akan
database
4. KESIMPULAN
Berdasarkan hasil analisa dan rancangan yang telah dilakukan, dapat diambil beberapa
kesimpulan sebagai berikut :
a. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, proses pengolahan
data dan penyajian informasi dapat dilakukan dengan cepat dan lebih akurat.
b. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, pengarsipan
terhadap data dapat disimpan secara rapi dan aman dalam sebuah media penyimpanan
elekstronik dengan menggunakan database (DBMS).
c. Dengan sebuah sistem administrasi kepegawaian yang terkomputerisasi, proses pembuatan
laporan dapat dilakukan lebih cepat untuk membantu pimpinandalam pengambilan sebuah
keputusan.
150
ISSN: 1978-1520
5. SARAN
Beberapa saran yang dapat diberikan untuk penelitian selanjutnya adalah (1) penelitian ini
hanya sebatas analisa dan perancanganberbasis dekstopdan bisa dikembangkan menjadi berbasis
web, jadi user aktifnya bukan hanya bagian kepegawaian saja, akan tetapi bisa pegawainya
langsung yang menjadi user aktifnya.
6. DAFTAR PUSTAKA
[1]
Putri Kurnia Handayani, 2016,“Sistem Informasi Administrasi Data Kepegawaian Pada
Bagian Personalia PT.XYZ”, nama junal, edisi, nama penerbit, kota penerbit.
[2]
Hendri Irawan, 2011, “Analisa dan Perancangan Sistem Informasi Administrasi
Kepegawaian Direktorat Jenderal Pengembangan Ekspor Nasioanal Kementrian
Perdagangan R.I Menggunakan Metode Berorientasi Objek”, BIT Vol 8, September
2011,
[3]
Tata Sutabri, 2012, “Konsep Sistem Informasi”, Andi, Yogyakarta
[4]
Indrajani, 2014, “Bedah Kilat 1 Jam Pengantar dan Sitem Basis Data”, PT. Media Elex
Media Komputindo, Jakarta.
[5]
Jeffery L.Whitten, dkk,” Metode Desain & Analisis Sistem Edisi 6”, Andi and McGrawHill Education, Jakarta.
[6]
Munawar, 2005,“Pemodelan Visual dengan UML” ,Graha Ilmu,Yogyakarta.
[7]
Indrajani,S.Kom., M.Kom., 2011,”Perancangan Basis Data Dalam All in 1”, Elex Media
Komputindo, Jakarta.
Jatisi, Vol. 1 No. 2 Maret 2017

151
Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest
Neighbour, dan Decision Tree pada Studi Kasus
Pengambilan Keputusan Pemilihan Pola Pakaian
Dewi Sartika*1, Dana Indra Sensuse*2
Universitas Indo Global Mandiri
Fakultas Ilmu Komputer
[email protected]*1, [email protected]*2
Abstract
Data mining is a process of analysis of the large data set in the database so that the
information obtained will be used for the next stage. One technique commonly used data mining is
the technique of classification. Classification is an engineering modeling of the data that has not
been classified, to be used to classify new data. Classification included into any type of supervised
learning, meaning that it takes the training data to build a model of classification. There are five
categories of classification that is statistically based, distance-based, based on the decision tree,
neural network-based and rule-based. Each category has many options classification algorithms,
some algorithms are frequently used algorithms Naive Bayes, nearest neighbor and decision tree.
In this study will be a comparison of the three algorithms on case studies of electoral decision
making clothing patterns. The comparison showed that the decision tree method has the highest
level of accuracy than Naive Bayes algorithm and nearest neighbor, reaching 75.6%. Decision tree
algorithm used is J48 with pruned algorithm that produces models of decision tree with leaves as
many as 166 and 255 magnitude decision tree.
Keywords: Supervised Learning, Naive Bayes, Nearest Neighbor, Decision Tree, J48.
Abstrak
Data mining adalah suatu proses analisis terhadap sekumpulan data yang ada di dalam
basis data sehingga diperoleh informasi yang akan digunakan untuk tahap selanjutnya. Salah satu
teknik data mining yang umum digunakan yaitu teknik klasifikasi. Klasifikasi adalah suatu teknik
pembentukan model dari data yang belum terklasifikasi, untuk digunakan mengklasifikasi data
baru. Klasifikasi termasuk ke dalam tipe supervised learning, artinya dibutuhkan data pelatihan
untuk membangun suatu model klasifikasinya. terdapat 5 kategori klasifikasi yaitu berbasis
statistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringan syaraf, dan berbasis aturan.
Tiap kategori klasifikasi memiliki banyak pilihan algoritma, beberapa algoritma yang sering
digunakan adalah algoritma naive bayes, nearest neighbour, dan decision tree. Pada penelitian ini
akan dilakukan perbandingan dari ketiga algoritma tersebut pada studi kasus pengambilan
keputusan pemilihan pola pakaian. Hasil perbandingan menunjukkan bahwa metode decision tree
memiliki tingkat akurasi tertinggi dibandingkan algoritma naive bayes dan nearest neighbour yaitu
mencapai 75.6%. Algoritma decision tree yang digunakan ialah algoritma J48 dengan pruned
yang menghasilkan model decision tree dengan daun sebanyak 166 dan pohon keputusan yang
besarnya 255.
Kata kunci: Supervised Learning, Naive Bayes, Nearest Neighbour, Decision Tree, J48.
152
ISSN: 1978-1520
1. PENDAHULUAN
D
ata mining adalah proses yang memanfaatkan suatu metode untuk memperoleh pola
dari suatu data [1], sedangkan menurut Mirkin Data mining didefinisikan sebagai
suatu proses untuk mencari pola dari sekumpulan data yang terdapat di dalam
database untuk kemudian dianalisis sehingga menghasilkan suatu informasi tertentu
untuk dimanfaatkan pada proses selanjutnya [2]. Salah satu pendekatan yang dapat digunakan
untuk menganalisis sekumpulan data adalah klasifikasi. Klasifikasi merupakan salah satu teknik
data mining yang digunakan untuk membangun suatu model dari sampel data yang belum
terklasifikasi untuk digunakan mengklasifikasi sampel data baru ke dalam kelas-kelas yang
sejenis [3]. Klasifikasi termasuk ke dalam supervised learning karena menggunakan
sekumpulan data untuk dianalisis terlebih dahulu, kemudian pola dari hasil analisis tersebut
digunakan untuk pengklasifikasian data uji. Proses klasifikasi data terdiri dari pembelajaran dan
klasifikasi. Pada pembelajaran data training dianalisis menggunakan algoritma klasifikasi,
selanjutnya pada klasifikasi digunakan data testing untuk memastikan tingkat akurasi dari rule
klasifikasi yang digunakan. Teknik klasifikasi dibagi menjadi lima kategori berdasarkan
perbedaan konsep matematika, yaitu berbasis statistik, berbasis jarak, berbasis pohon keputusan,
berbasis jaringan syaraf, dan berbasis rule [4]. Ada banyak algoritma dari masing-masing
kategori tersebut, namun yang populer dan sering digunakan diantaranya yaitu naive bayes,
nearest neighbour dan decision tree. Pada penelitian ini peneliti akan mencoba membandingkan
algoritma klasifikasi nearest neighbor, naive bayes dan decision tree menggunakan tools
WEKA. Ketiga metode tersebut akan dibandingkan berdasarkan tingkat akurasinya. Studi kasus
yang digunakan pada penelitian ini adalah pengambilan keputusan pemilihan pola pakaian,
dimana datanya berupa kasus-kasus terdahulu yang telah memiliki label kelas solusi pola. Kasus
merupakan sekumpulan informasi atribut berupa kriteria-kriteria yang digunakan dalam
pengambilan keputusan pemilihan pola pakaian. Kriteria-kriteria tersebut diperoleh dari
wawancara expert. Perbedaan studi kasus pada penelitian ini dengan studi kasus pada
penelitian-penelitian terdahulu adalah banyaknya label kelas yang digunakan dalam
pengklasifikasian data.
2. METODE PENELITIAN
2.1. Data Mining
Saat ini kebutuhan terhadap analisis suatu data sangat dibutuhkan. Perkembangan
jumlah data yang semakin pesat mendorong untuk memanfaatkannya dalam penggalian
informasi maupun pengetahuan. Seperti sekumpulan data transaksi pada supermarket dapat
dianalisis sehingga diperoleh informasi terkait barang-barang apa saja yang sering dibeli oleh
konsumen, dengan mengetahui informasi tersebut dapat membantu dalam penentuan jumlah
stok barang untuk selanjutnya, dengan begitu diharapkan dapat meningkatkan keuntungan yang
diperoleh dan penumpukan stok barang karena supermarket mampu menentukan stok barang
dengan tepat sesuai dengan minat dan kebutuhan konsumen. Data mining diartikan sebagai
penentuan pola dari hasil analisis sekumpulan data [2]. Data mining juga dapat diartikan sebagai
suatu proses logikal yang digunakan untuk mencari dari sejumlah data untuk mendapatkan data
yang berguna [3].
Sebelum menerapkan algoritma data mining, harus dipahami terlebih dahulu bahwa
algoritma data mining terbagi dalam dua kategori yaitu deskriptif dan prediktif. Deskriptif
adalah mengukur kesamaan antar objek serta menemukan pola dan hubungan yang belum
diketahui di dalam sekumpulan data, sedangkan prediktif adalah penyimpulan rule prediksi dari
data pelatihan, yang selanjutnya rule tersebut digunakan pada data yang belum terprediksi [9].
Beberapa fungsi data mining yang termasuk deskriptif adalah clustering, summarization, dan

Jatisi, Vol. 1 No. 2 Maret 2017
153
sequence discover, sedangkan fungsi data mining yang termasuk prediktif adalah klasifikasi,
regresi, time series analysis, dan prediction.
2.2. Klasifikasi
Klasifikasi adalah salah satu pembelajaran yang paling umum di data mining.
Klasifikasi didefinisikan sebagai bentuk analisis data untuk mengekstrak model yang akan
digunakan untuk memprediksi label kelas [1]. Kelas dalam klasifikasi merupakan atribut dalam
satu set data yang paling unik yang merupakan variabel bebas dalam statistik [9]. Klasifikasi
data terdiri dari dua proses yaitu tahap pembelajaran dan tahap pengklasifikasian. Tahap
pembelajaran merupakan tahapan dalam pembentukan model klasifikasi, sedangkan tahap
pengklasifikasian merupakan tahapan penggunaan model klasifikasi untuk memprediksi label
kelas dari suatu data. Contoh sederhana dari teknik data mining klasifikasi adalah
pengklasifikasian hewan berdasarkan atribut jumlah kaki, habitat dan organ pernafasannya akan
diklasifikasikan ke dalam dua label kelas yaitu unggas dan ikan. Label kelas unggas adalah data
yang memiliki jumlah kaki dua, habitatnya di darat, dan organ pernafasannya menggunakan
paru-paru, sedangkan label kelas ikan adalah data yang memiliki jumlah kaki nol (tidak
memiliki kaki), habitat di air, dan organ pernafasannya menggunakan insang. Banyak algoritma
yang dapat digunakan dalam pengklasifikasian data, namun dalam penelitian ini hanya akan
membandingkan tiga algoritma saja, yakni naive bayes, nearest neighbour, dan decision tree.
2.2.1. Naive Bayes
Teorema bayes adalah perhitungan statistik dengan menghitung probabilitas kemiripan
kasus lama yang ada dibasis kasus dengan kasus baru. Teorema bayes memiliki tingkat akurasi
yang tinggi dan kecepatan yang baik ketika diterapkan pada database yang besar [1]. Naive
bayes termasuk ke dalam pembelajaran supervised, sehingga pada tahapan pembelajaran
dibutuhkan data awal berupa data pelatihan untuk dapat mengambil keputusan. Pada tahapan
pengklasifikasian akan dihitung nilai probabilitas dari masing-masing label kelas yang ada
terhadap masukan yang diberikan. Label kelas yang memiliki nilai probabilitas paling besar
yang akan dijadikan label kelas data masukan tersebut. Naive bayes merupakan perhitungan
teorema bayes yang paling sederhana, karena mampu mengurangi kompleksitas komputasi
menjadi multiplikasi sederhana dari probabilitas. Selain itu, algoritma naive bayes juga mampu
menangani set data yang memiliki banyak atribut [9]. Persamaan dari naive bayes sebagai
berikut:
P(Ci | X ) 
P( X | Ci ) P(Ci )
(1)
P( X )
Keterangan :
X
: Kriteria suatu kasus berdasarkan masukan
Ci
: Kelas solusi pola ke-i, dimana i adalah jumlah label kelas
P(Ci|X)
: Probabilitas kemunculan label kelas Ci dengan kriteria masukan X
P(X|Ci)
: Probabilitas kriteria masukan X dengan label kelas Ci
P(Ci)
: Probabilitas label kelas Ci
2.2.2. Nearest Neighbour
Nearest Neighbour adalah algoritma pengklasifikasian yang didasarkan pada analogi,
yaitu membandingkan data uji dengan data pelatihan yang berada dekat dengan dan memiliki
kemiripan dengan data uji tersebut [10]. Kemiripan data uji dengan data pelatihan didasarkan
pada jaraknya. Banyak persamaan yang dapat digunakan untuk menghitung jarak antara data uji
dan data pelatihan. Tiga diantaranya yang paling sering digunakan adalah:
1. Atribut yang bertipe numerik
154
ISSN: 1978-1520
Terdapat dua pendekatan perhitungan jarak/kemiripan yang umum digunakan untuk
atribut yang bertipe numerik, yaitu euclidean distance [10] dengan persamaan berikut:
Dist ( x1, x 2) 
n
 (x
1i
i 1
 x2i ) (2)
Keterangan:
n
: jumlah data
x1
: data uji
x2
: data pembelajaran
Persamaan yang kedua yaitu Manhattan distance [11] sebagai berikut :
Dist ( pi (an), pi (nc)) 
pi (an)  pi (nc)
(3)
max_ dist _ i
Keterangan:
pi
: atribut ke-i
an
: data pembelajaran
nc
: data uji
2. Atribut yang bertipe simbolik
Persamaan yang digunakan untuk atribut yang menggunakan istilah eksplisit yaitu ada
atau tidak ada, memiliki atau tidak memiliki, ya atau tidak dan sebagainya maka perhitungan
kemiripan atau jarak dapat dihitung dengan fungsi sebagai berikut [12]:
Sim( Ki (a ), Ki (b))  
0 Ki (a )  Ki (b)
1 Ki (a )  Ki (b)
(4)
Keterangan :
Ki(a)
: kriteria ke-i dari kasus a
Ki(b)
: kriteria ke-i dari kasus b
Sim(Ki(a),Ki(b) : nilai kemiripan kriteria ke-i antara kasus a dengan kasus b
Perhitungan selanjutnya adalah persamaan untuk mencari kemiripan dengan nearest neighbour
yaitu [13]:
n
Similarity (T , S ) 
 Sim( K (T ), K (S )) xw
i
i
i 1
n
w
i
(5)
i i
Keterangan:
T
S
n
w
: data uji
: data pembelajaran
: jumlah kriteria
: bobot kriteria
Sim( K i (T ), K i ( S )) : Nilai kemiripan/jarak kriteria kasus target dan target sumber
2.2.3.
Decision Tree
Algotirma decision tree merupakan algoritma yang umum digunakan untuk
pengambilan keputusan. Decision tree akan mencari solusi permasalahan dengan menjadikan
kriteria sebagai node yang saling berhubungan membentuk seperti struktur pohon [14]. Decision
tree adalah model prediksi terhadap suatu keputusan menggunakan struktur hirarki atau pohon
[8]. Setiap pohon memiliki cabang, cabang mewakili suatu atribut yang harus dipenuhi untuk
menuju cabang selanjutnya hingga berakhir di daun (tidak ada cabang lagi). Konsep data dalam

Jatisi, Vol. 1 No. 2 Maret 2017
155
decision tree adalah data dinyatakan dalam bentuk tabel yang terdiri dari atribut dan record.
Atribut digunakan sebagai parameter yang dibuat sebagai kriteria dalam pembuatan pohon.
Proses dalam decision tree adalah sebagai berikut [7]:
1. Mengubah bentuk data (tabel) menjadi model pohon
Hal yang dilakukan pada tahapan ini adalah menentukan atribut yang terpilih mulai dari
akar, cabang hingga menuju keputusan. Banyak pendekatan yang dapat digunakan untuk
menentukan atribut terpilih, pada penelitian ini akan menggunakan perhitungan gainratio dari
setiap kriteria dengan data sampel. Untuk menghitung nilai gainratio dapat dilakukan dengan
persamaan sebagai berikut:
Gainratio( S , A) 
Gain( S , A)
(6)
SplitInformation( S , A)
Dimana nilai information gain bermakna seberapa banyak informasi yang diperoleh
dengan mengetahui nilai suatu atribut sedangkan nilai split information digunakan untuk suatu
atribut yang memiliki banyak instance (lebih dari dua dan beragam)
2. Mengubah model pohon menjadi rule
Formula untuk membangkitkan rule didefinisikan sebagai berikut:
IF premis THEN konklusi (7)
Simpul akar dan cabang akan menjadi premis dari aturan, sedangkan simpul daun akan
menjadi bagian dari konklusinya (solusi). Tiap premis yang terdapat dalam satu atribut akan
dihubungkan dengan hubungan disjungsi, sedangkan premis yang memiliki lanjutan premis
pada cabang selanjutnya akan dihubungkan dengan konjungsi.
Gambar 1. Proses Model Pohon Menjadi Rule
3. Menyederhanakan rule (Pruning)
Pada proses penyederhanaan rule, tahapan-tahapan dilakukan sebagai berikut:
1. Membuat tabel distibusi terpadu dengan menyatakan semua nilai kejadian pada setiap rule.
2. Menghitung tingkat independensi antara kriteria pada suatu rule, yaitu antara atribut dengan
target atribut (perhitungan tingkat independensi menggunakan test of independency ChiSquare).
3. Mengeliminasi kriteria yang dianggap tidak perlu, yaitu yang memiliki tingkat independensi
tinggi.
Misalkan yang ingin dilihat adalah pengaruh jenis pakaian terhadap penentuan solusi
pola pakaian yang dapat dibuat, tentukan terlebih dahulu tingkat signifikansinya ( = 0.05),
sehingga dapat dihitung degree of freedom dengan persamaan berikut :
{0.05;(r-1)*(c-1)} (8)
Keterangan:
156
ISSN: 1978-1520
r : jumlah baris
c : jumlah kolom
Setelah diperoleh nilainya maka dapat dilihat pada tabel untuk memperoleh nilai X2tabel untuk
dibandingkan dengan X2hitung. X2hitung diperoleh melalui persamaan berikut :
r
c
X 2 hitung  
(nij  eij ) 2
i 1 j 1
eij
(9)
Keterangan:
nij : nilai record baris ke i kolom ke j dari tabel distribusi terpadu.
Sedangkan nilai eij diperoleh melalui persamaan berikut:
eij 
ni  n j
n
(10)
Keterangan:
ni : marjinal dari baris ke i
nj : marjinal dari kolom ke j
n : jumlah record data
Jika nilai X2hitung ≤ X2tabel artinya atribut tersebut tidak mempengaruhi atribut target,
sehingga rule dari atribut tersebut dapat dihilangkan. Namun sebaliknya jika nilai X2hitung >
X2tabel berarti atribut tersebut mempengaruhi atribut target, sehingga rule dari atribut tersebut
tidak dapat dihilangkan.
2.3.
WEKA
Waikato Environment for Knowledge Analysis (WEKA) merupakan perangkat lunak
pembelajaran mesin yang populer yang ditulis dalam bahasa pemrograman java. WEKA
dikembangkan di Universitas Waikato, Selandia Baru. WEKA berisikan kumpulan algoritma
beserta visualisasinya untuk analisis data dan pemodelan prediktif. Algoritma-algoritma
pembelajaran mesin pada WEKA dapat dimanfaatkan untuk pemecahan masalah dibidang data
mining. WEKA versi asli awalnya dirancang untuk menganalisis data dari domain pertanian,
tetapi WEKA versi lengkap berbasis java (versi 3), yang mulai dibangun pada tahun 1997, yang
sekarang dapat digunakan untuk menganalisis data dari berbagai domain, khususnya untuk
pendidikan dan penelitian. WEKA memiliki implementasi semua teknik pembelajaran untuk
klasifikasi dan regresi , yaitu decision trees, rules set, pengklasifikasian teorema bayes, Support
Vector Machines (SVM), logistik dan linier, multi layers perceptrons dan metode nearest
neighbour [15]
3. HASIL DAN PEMBAHASAN
3.1.
Pengujian Algoritma
Perangkat Lunak WEKA menyediakan 4 macam mode pengujian [19], yaitu:
1. Use Training Set: mengevaluasi seberapa baik algoritma mampu memprediksi kelas dari
instance setelah dilakukan pelatihan. Data pelatihan akan digunakan untuk data uji.
2. Supplied Test: mengevaluasi seberapa baik algoritma mampu memprediksi kelas dari set
instance yang diambil dari suatu file. Data pelatihan dan data uji berbeda file.
3. Cross-validation: mengevaluasi algoritma melalui cross-validation, menggunakan nilai folds
yang dimasukkan.
4. Percentage split: mengevaluasi seberapa baik algoritma mampu memprediksi persentase
tertentu dari data. Data set akan dibagi menjadi 2, data pelatihan dan data uji.
Mode pengujian yang dilakukan pada penelitian ini adalah mode 1, 3 dan 4. Evalusai
pengujian yang dilakukan terhadap algoritma klasifikasi naive bayes, nearest neighbour, dan
decision tree dalam penelitian ini yaitu seberapa besar tingkat akurasi yang dihasilkan algoritma

Jatisi, Vol. 1 No. 2 Maret 2017
157
dalam memprediksi solusi pola pakaian yang tepat. Pola pakaian yang tepat merupakan solusi
pola pakaian yang sama dengan keputusan solusi pola pakaian dari expert. Persentase tingkat
akurasi akan dihitung dengan persamaan sebagai berikut:
PA 
PB
x100% (11)
TB
Keterangan:
PA : Persentasi Akurasi
PB : Total prediksi benar
TB : Total instance keseluruhan
3.2. Perbandingan Decision Tree Pruned dan Unpruned
Pemangkasan (pruned) dalam algoritma klasifikasi decision tree merupakan tahapan
fundamental dalam mengoptimalkan efisiensi komputasi beserta akurasi pengklasifikasian [20].
Model pohon sebelum dan sesudah pemangkasan akan diuji dengan mode pengujian percentage
split dengan persentasi data pelatihan sebanyak 90, 80, 70 dan 60. Hasil perbandingan tingkat
akurasi yang dihasilkan oleh pohon yang terpangkas dan tidak dapat dilihat pada tabel 1:
Data
Pelatihan
90
80
70
60
Tabel 1. Hasil Perbandingan Pruned dan Unpruned Tree
Unpruned
Pruned
Prediksi
Prediksi
Akurasi
Prediksi
Prediksi
Benar
Salah
(%)
Benar
Salah
31
10
75.6
31
10
57
25
69.5
58
24
70
53
56.9
75
48
92
72
56
94
70
Akurasi
(%)
75.6
70.7
60.9
57.3
Berdasarkan hasil yang diperoleh pada Tabel 2 bahwa pohon keputusan yang dipanggas
menghasilkan tingkat akurasi yang lebih tinggi dibandingkan pohon keputusan yang tidak
dipanggas.
3.3. Eksperimen Pengujian
3.3.1. Mode Pengujian Use Training Test
Pada mode pengujian ini semua data set sejumlah 408 data akan dijadikan data
pelatihan dan data pengujian. Hasil dari mode pengujian ini akan mencapai nilai tingkat akurasi
yang besar hingga mencapai 100%, dikarenakan data pelatihan dan data uji yang digunakan
adalah data yang sama. Hasil dari mode pengujian ini dapat dilihat pada tabel berikut:
Tabel 2. Hasil Pengujian Mode Use Training Test
Algoritma
Prediksi Prediksi
Akurasi
No
Klasifikasi
Benar
Salah
(%)
1
Naive Bayes
367
41
89.9
2
IB1
408
0
100
3
J48
368
40
90.1
Pada Tabel 2 memperlihatkan bahwa pada mode pengujian ini, algoritma IB1 unnggul
dengan tingkat akurasi mencapai 100%, dari hasil analisis hal ini disebabkan algoritma IB1
hanya melakukan perhitungan kemiripan berdasarkan ekslipit suatu atribut kriteria, sehingga
nilai kemiripan antara data uji dan data training akan bernilai 1 karena menggunakan data yang
sama persis.
3.3.2. Mode Pengujian Percentage Split
158
ISSN: 1978-1520
Pada mode penelitian ini data set sebanyak 408 data akan dibagi menjadi data pelatihan
dan data uji sesuai persentase yang ditentukan. Persentase yang digunakan dalam mode
pengujian ini adalah dengan data pelatihan sebesar 90%, 80%, 70% dan 60% dari data set. Hasil
dari pengujian mode ini pada algoritma naive bayes, nearest neighbour dan decision tree dapat
dilihat pada tabel berikut:
Data
Training
(%)
90
80
70
60
Tabel 3. Hasil Pengujian Mode Percentage Split
Naive Bayes
IB1
J48
Prediksi Prediksi Akurasi Prediksi Prediksi Akurasi Prediksi Prediksi Akurasi
Benar
Salah
(%)
Benar
Salah
(%)
Benar
Salah
(%)
17
24
41.5
8
33
19.5
31
10
75.6
32
50
39
16
66
19.5
58
24
70.7
39
84
31.7
25
98
20.3
75
48
60.9
44
120
26.8
37
127
22.5
94
70
57.3
3.3.3. Mode Pengujian Supplied Test
Pada pengujian mode ini akan digunakan data uji diluar dari data set. Data uji tersebut
belum memiliki solusi pola pakaian dari expert. Guna dilakukannya mode pengujian ini adalah
melihat apakah algoritma klasifikasi naive bayes, nearest neighbour dan decision tree mampu
memberikan prediksi pola pakaian. Sebaran sub kriteria pilihan untuk data uji adalah semua sub
kriteria pilihan dari ketujuh kriteria akan muncul, sehingga total data uji sebanyak 13 data
dengan detail sebagai berikut:
Tabel 4. Data Uji Pengujian Supplied Test
Kategori
Jenis Bahan
Twistone
Katun Linen
Valvet
Saten
Drill
Wedges
Katun
2
Medium
Laki-laki
Dewasa
Kaos
3
Medium
Wanita
Dewasa
Formal
Atasan
Celana
Jumpsuit
Luaran
Kemeja
Atasan
Baju
Tidur
Baju
Muslim
Rok
Ukuran
Bahan
(meter)
2.5
2.5
3
1
1.5
2
Flanel
3.5
Extra Large
Wanita
10
Non Formal
Rok
Denim
1
Large
Wanita
11
Non Formal
Dress
Katun Rayon
1
Medium
Wanita
12
Formal
Kemeja
Batik
1
Medium
Laki-laki
13
Non Formal
Luaran
Spandex
1
Small
Wanita
Dewasa
Anakanak
Anakanak
Anakanak
Anakanak
No
Jenis
Pakaian
1
2
3
4
5
6
Formal
Non Formal
Non Formal
Non Formal
Formal
Formal
7
Non Formal
8
Non Formal
9
Ukuran
Badan
Jenis
Kelamin
Usia
Extra Large
Large
Large
Small
Small
Small
Laki-laki
Laki-laki
Wanita
Wanita
Wanita
Wanita
Dewasa
Dewasa
Dewasa
Dewasa
Dewasa
Dewasa
Hasil dari pengujian mode supplied test dengan data uji seperti pada Tabel 3 dan data
pelatihan menggunakan seluruh data set yaitu sebanyak 408 data. Hasil analisis yang diperoleh
dari hasil pengujian mode supplied test yang ditampilkan pada Tabel 4 bahwa:

Jatisi, Vol. 1 No. 2 Maret 2017
159
1. Naive Bayes: memberikan prediksi pola pakaian yang kurang tepat pada data 3,5,8,9 karena
tidak sesuai kategori, sedangkan pada data 7 tidak sesuai dengan jenis kelamin, dan pada
data 12 tidak sesuai dengan usia.
2. IB1: memberikan prediksi pola pakaian yang kurang tepat pada data 3,5,6,8 karena tidak
sesuai kategori, sedangkan pada data 1 dan 7 tidak sesuai dengan jenis kelamin, dan pada
data 12 tidak sesuai dengan usia.
3. J48: prediksi pola pakaian yang kurang tepat pada data 1,2,7 karena tidak sesuai dengan jenis
kelamin, sedangkan pada data 10,11,12 tidak sesuai dengan usia.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
Tabel 5. Hasil Pengujian Mode Supplied Test
Algoritma Klasifikasi
Naive Bayes
IB1
J48
Atasan Wanita Lengan
Atasan Wanita Lengan
Baju Koko
Panjang
Panjang
Kulot Panjang Laki-laki Kulot Panjang Laki-laki
Kulot Panjang Wanita
Rok Duyung Panjang
Rok Duyung Panjang
Jumpsuit Can see Panjang
Rompi Berkerah
Bolero Lengan A
Rompi Kutung
Rompi Kutung
Celana Panjang Wanita
Kemeja Lengan Panjang
Atasan Peplum Lengan
Atasan Wanita Formal
Dress Pendek
Pendek
Daster Can See
Daster Can See
Daster Can See
Rok Tulip Panjang
Atasan Lengan Batwing
Gamis Lipat
Gamis Lipat
Rok A Panjang
Rok Lipat Pendek
Rok Lipat Anak
Rok Lipat Anak
Rok Lipat Pendek
Dress Can see Anak
Dress Can see Anak
Dress Pendek
Kemeja Laki-laki
Kemeja Laki-laki Lengan
Kemeja Lengan Panjang
Lengan Pendek
Pendek
Blezer Anak
Blezer Anak
Rompi Kutung
4. KESIMPULAN
Kesimpulan yang diperoleh pada penelitian ini adalah dari hasil perbandingan algoritma
klasifikasi nearest neighbour, naive bayes dan decision tree yang digunakan pada studi kasus
pengambilan keputusan pemilihan pola pakaian menyatakan bahwa algoritma klasifikasi
decision tree merupakan algoritma klasifikasi yang memiliki tingkat akurasi paling tinggi
dibandingkan algoritma klasifikasi naive bayes dan nearest neighbour yaitu mencapai 75.6%
pada pengujian yang dilakukan dengan menggunakan mode pengujian percentage split.
Algoritma decision tree yang digunakan ialah algoritma J48 dengan pruned yang model pohon
keputusannya memiliki 166 daun dan ukuran pohon 225.
5. SARAN
Berdasarkan hasil temuan pada implikasi penelitian, maka saran untuk penelitian
selanjutnya adalah :
1. Penggunaan multiple expert dapat diterapkan untuk memperolah kriteria-kriteria yang lebih
bervariatif dan jumlah kasus lebih banyak.
2. Menspesifikasikan keriteria-keriteria yang dibuat umum, seperti ukuran bahan dan ukuran
badan.
160
ISSN: 1978-1520
3. Melanjutkan penelitian ini dengan mengimplementasikan metode yang terbaik sistem
pendukung keputusan pemilihan pola pakaian.
DAFTAR PUSTAKA
[1]
J. Iawe. Han, M. Kamber, and J. Pei, 2012, Data Mining Concept and Techniques.
[2]
B. Mirkin, 2011, “Data Analysis, Mathematical Statistics, Machine Learning, Data
Mining: Similarities and Differences,” 2011 Int. Conf. Adv. Comput. Sci. Inf. Syst., Vol.
2, pp. 1–8.
M. Ramageri, 2010, “Data Mining Techniques and Applications,” Indian J. Comput. Sci.
Eng., Vol. 1, No. 4, pp. 301–305.
[3]
[4]
M. Karim and R. M.Rahman, 2013, “Decision Tree and Naïve Bayes Algorithm for
Classification and Generation of Actionable Knowledge for Direct Marketing,” J. Softw.
Eng. Appl., Vol. 6, pp. 196–206.
[5]
F. Octaviani S, J. Purwadi, and R. Delima, “Implementasi Case Based Reasoning untuk
Sistem Diagnosis Penyakit Anjing.”
[6]
I. A. Mubarok, N. A. Wesiani, and A. Rusdiansyah, “Pengembangan Prototype
Knowledge Management System berbasis Case Based Reasoning bagi Peningkatan
Aksesibilitas UMKM Dalam Permodalan Usaha,” pp. 1–6.
[7]
V. Mandasari and B. A. Tama, 2011, “Analisis Kepuasan Konsumen Terhadap Restoran
Cepat Saji Melalui Pendekatan Data Mining: Studi Kasus XYZ,” J. Generic, Vol. 6, No.
1, pp. 25–28.
[8]
N. Jayanti, S. Puspitodjati, and T. Elida, 2008, “Teknik Klasifikasi Pohon Keputusan
untuk Memprediksi Kebangkrutan Bank Berdasarkan Ratio Keuangan Bank,” pp. 101–
107.
[9]
I. Yoo, P. Alafaireet, M. Marinov, K. Pena-Hernandez, R. Gopidi, J.-F. Chang, and L.
Hua, 2012, “Data Mining in Healthcare and Biomedicine: A Survey of The Literature,”
pp. 2431–2448,
[10] R. Entezari-Maleki, A. Rezaei, and B. Minaei-Bidgoli, “Comparison of Classification
Methods Based on The Type of Attributes and Sample Size.”
[11] S. Guessoum, M. T. Laskri, and M. T. Khadir, 2012, “Combining Case and Rule Based
Reasoning for The Diagnosis and Therapy of Chronic Obstructive Pulmonary Disease,”
Int. J. Hybrid Inf. Technol., vol. 5, no. 3, pp. 145–160.
[12] D. Gu, C. Liang, X. Li, S. Yang, and Z. Pei, 2010, “Intelligent Technique for Knowledge
Reuse of Dental Medical Records Based on Case-Based Reasoning,” pp. 213–222.
[13] S. H. Kang and S. K. Lau, 2002, “Intelligent Knowledge Acquisition with Case-Based
Reasoning Techniques 2. CASE-BASED REASONING SYSTEMS TECHNIQUES
Technical Report 2002 May 2002”.
Jatisi, Vol. 1 No. 2 Maret 2017

161
[14] S. H. Babic, P. Kokol, V. Podgorelec, M. Zorman, M. Sprogar, and M. M. Stiglic, 2000,
“The Art of Building Decision Trees,” J. Med. Syst., Vol. 24, No. 1, pp. 43–52.
[15] E. Frank, M. Hall, L. Trigg, G. Holmes, and I. H. Witten, 2003, “Data Mining in Bio
Informatics Using Weka,” pp. 1–2.
[16] F. Afiff, “Kewirausahaan dan Ekonomi Kreatif,” 2012, [Online]. Available:
http://id.wikipedia.org/wiki/Ekonomi_kreatif#cite_note-ekraf8-8. [Accessed: 27-May2015].
[17] E. Siregar and F. Hutapea, “Perbedaan Hasil Jahitan Blus Antara Pola Leeuw Van Rees
dengan Pola m.h Wancik untuk Wanita Bertubuh Gemuk,” pp. 23–27.
[18] A. Maula, 2013, “Perancangan dan Implementasi Aplikasi Pola Dasar Busana Wanita”.
[19] R. Kirkby, E. Frank, and P. Reutemann, 2007, “WEKA Explorer User Guide for Version
3-5-7”.
[20] S. Drazin and M. Montag, “Decision Tree Analysis Using Weka,” pp. 1–3.
162
ISSN: 1978-1520
Pengenalan Mobil pada Citra Digital Menggunakan
HOG-SVM
Derry Alamsyah
STMIK GI MDP Palembang
[email protected]
Abstract
The image data on a highway has been available on several online sites. It can be
used to pull some information such as traffic congestion, vehicle volume per day, etc. To obtain
this information required basic information such as the introduction of the vehicle, in this case
the car. The introduction of the car is done by utilizing the features that form the image
Histogram of Oriented Gradient (HOG). The introduction of a car based on this feature is done
by using a model of linear equations formed from the algorithm Support Vector Machine
(SVM), which is a binary classification. The accuracy of the results obtained in this study was
82, 5%.
Keywords: Car Recognition, HOG, SVM
Abstrak
Data citra pada jalan raya telah sedia pada beberapa online sites. Hal ini dapat
dimanfaatkan untuk menarik beberapa informasi seperti kemacetan, volume kendaraan perhari,
dll. Untuk mendapatkan informasi ini dibutuhkan informasi mendasar seperti pengenalan
kendaran, dalam hal ini mobil. Pengenalan mobil dilakukan dengan memanfaatkan fitur bentuk
pada citra yaitu Histogram of Oriented Gradient (HOG). Pengenalan mobil berdasarkan fitur
ini dilakukan dengan menggunakan suatu model persamaan linier yang dibentuk dari algoritma
Support Vector Machine (SVM) yang merupakan suatu klasifikasi biner. Hasil Akurasi yang
didapat pada penelitian ini adalah 82, 5%.
Kata kunci: Car Recognition, HOG, SVM
1.
PENDAHULUAN
Beberapa data citra digital dapat diperoleh dari online cites, salah satunya merupakan
citra digital pada jalan raya, atau pun pada wilayah parkir kendaraan. Data tersebut dapat
dimanfaatkan untuk memperoleh informasi mengenai keadaan yang terjadi seperti kemacetan,
volume kendaraan per hari. Untuk mendapat informasi tersebut diperlukan informasi yang lebih
mendasar seperti deteksi kendaraan atau lebih mendasar berupa pengenalan kendaraan.
Kendaraan yang dapat dikenali terdiri dari berbagai jenis yaitu Mobil, Bus, Motor, dll.
Beberapa penelitian terkait mengenai deteksi/pengenalan Mobil telah dilakukan, yaitu
segmentasi mobil melalui fitur ciri bentuk seperti SURF dan hough circle [1]. Selanjutnya
penggunaan fitur kontur [2], namun umumnya fitur ini rentan pada permasalahan iluminasi.
Fitur berikutnya yang memberikan hasil akurasi yang tinggi yaitu 95% dihasilkan melalui fitur
Haar-like dengan klasifikasi menggunakan ANN [3]. Meskipun hasil akurasi yang dihasilkan
tinggi, namun proses pelatihan dengan menggunakan fitur ini memerlukan komputasi yang
besar sesuai dengan jumlah data latih. Hal ini merupakan sifat alami dari penggunaan fitur
Haar-like, ditambah penggunaan ANN maka proses pencarian ciri yang terbaik membutuhkan
waktu yang lama. Pada umumnya penggunaan fitur Haar-Like memakan waktu beberapa hari,
 163
Jatisi, Vol. 1 No. 2 Maret 2017
namun hal ini dapat dikurangi dengan menggabungkan penggunaan memori RAM dan VGA.
Penggunaan kedua memori tersebut membutuhkan biaya yang tidak murah terutama pada VGA.
Fitur bentuk lain untuk mengenali sebuah objek dilakukan dengan memanfaatkan
informasi gradien pada citra [4] yaitu Histogram of Oriented Gradient (HOG). Fitur telah
digunakan untuk mendeteksi pejalan kaki [5] dan tulisan tangan [6]. Penggunaan fitur ini
didampingi oleh klasifikasi biner Support Vector Machine (SVM). Hasil akurasi yang
dihasilkan untuk mendeteksi objek dengan menggunakan HOG-SVM memiliki akurasi yang
tinggi. Proses pelatihan menggunakan fitur ini memiliki waktu yang cepat. Pada penelitian ini
pengenalan objek yang dilakukan berupa pengenalan mobil. Fitur yang digunakan adalah HOG
dengan algoritma klasifikasi biner yaitu SVM.
2. Histogram of Oriented Gradien (HOG)
HOG-Algorithm (I: Image)
Gradient Image:
Gradient
‫ܫ‬௫(‫ݎ‬, ܿ) = ‫ݎ(ܫ‬, ܿ+ 1) − ‫ݎ(ܫ‬, ܿ− 1)
‫ܫ‬௬ (‫ݎ‬, ܿ) = ‫ݎ(ܫ‬− 1, ܿ) − ‫ݎ(ܫ‬+ 1, ܿ)
Magnitude
ߤ = ට ‫ܫ‬௫ + ‫ܫ‬௬
Orientation
Cell Orientation Histogram:
Untuk bin‫ܤ‬dan cell‫ܥ‬:
ߠ=
180
൫tanିଵ
ଶ ൫‫ܫ‬௬ , ‫ܫ‬௫൯mod ߨ൯
ߨ
Votebin pada setiap cell
ఏ
ଵ
untuk bin݆= ቂ − ቃmod ‫ܤ‬
௪
ଶ
dengan batas bin[‫݅ݓ‬, ‫݅( ݓ‬+ 1))
dimana
ଵ଼଴
‫=ݓ‬
dan
஻
sebagai pusat masing-masing bin.
‫ݒ‬௝ = ߤ
ܿ௝ାଵ − ߠ
‫ݓ‬
1
ܿ௜ = ‫ ݓ‬൬݅+ ൰
2
Kemudian vote bin,
untuk bin (݆+ ݅)mod ‫ܤ‬
‫ݒ‬௝ାଵ = ߤ
ߠ − ܿ௝
‫ݓ‬
164
ISSN: 1978-1520
Block Normalization:
Normalisasi setiap block yang terdiri dari ܿ × ܿcell.
ܾ
ܾ=
ඥ|ܾ|ଶ + ߝ
Hog Feauture:
Normalisasi setiap fitur HOG dari setiap blok.
ℎ=
Return h[4].
ℎ
ඥ|ℎ|ଶ + ߝ
3. Support Vector Machine (SVM)
Support Vector Machine (SVM) merupakan metode klasifikasi biner yang memanfaarkan
suatu persamaan hyperplane (garis untuk bidang dua dimensi) yang ditunjukan oleh Gambar
1[7][8][9]. Persamaan umum SVM:
݂௦௩௠ (࢞) = ‫ ݓ‬. ‫ ݔ‬+ ܾ
dimana
dengan
‫ = ݓ‬෍ ߙ௜‫ݕ‬௜߶(࢞࢏)
௜∈ே
‫ܭ‬൫࢞࢏, ࢞࢐൯= ߶(࢞࢏)߶൫࢞࢐൯
merupakan fungsi kernel dan b nilai bias.
Gambar 1. SVM Hyperplane
SVM-Train Algorithm(ࢄ, ࢅ)
Feature vector (X):
࢞ࢊ ∈ ܺ dimana ݀ ∈ ܰ
Label (Y):
Gaussian Kernel:
ܻ = {1, −1}
ଶ
−ห࢞࢏ − ࢞࢐ห
‫ܭ‬൫࢞࢏, ࢞࢐൯= exp ൭
൱
2ߪଶ
 165
Jatisi, Vol. 1 No. 2 Maret 2017
Optimize:
1
‫ = ݀ܮ‬max ෍ ߙ௜ − ෍ ෍ ߙ௜ߙ௝‫ݕ‬௜‫ݕ‬௝‫ܭ‬൫‫ݔ‬௜, ‫ݔ‬௝൯
ఈ೔∈ோ
2
௜∈ே
dengan
0 ≤ ߙ௜ ≤ ‫ ܥ‬dan ∑௜∈ே ߙ௜‫ݕ‬௜ = 0
௜∈ே ௝∈ே
SVM-Model:
݂௦௩௠ (࢞) = ෍ ߙ௜‫ݕ‬௜‫࢏࢞(ܭ‬, ࢞) + ܾ
௜∈ே
Return݂௦௩௠
SVM-Classifier Algorithm(࢞, ࢌ࢙࢜࢓ )
݂௦௩௠ (‫ ≥ )ݔ‬0 ‫ܽݕ݈݊݅ܽ݁ݏ‬
1,
݈ܿܽ‫ =ݏݏ‬൜
−1,
Return class
Optimasi dilakukan dengan Sequential Minimal Optimization (SMO).
4. Pengenalan Mobil
Pengenalan mobil dibagi kedalam dua tahap yang ditunjukan oleh Gambar 2, yaitu tahap
melatih sistem (training phase) dan tahap pengenalan objek (testing phase) baik sebagai mobil
atau bukan. Dataset yang digunakan diperoleh dari UIUC Image Database for Car Detection.
Training Phase
Citra
Mobil
Dataset
Citra
HOG
Citra
Non- Mobil
SVM-Train
SVMModel
Citra
HOG
SVM-Classifier
Testing Phase
Gambar 2. Pengenalan Mobil
Hasil
166
ISSN: 1978-1520
Gambar 3. Dataset Mobil
Gambar 4. Dataset Non-Mobil
Jumlah dataset adalah 1000 citra dengan ukuran 40 × 100 piksel. Dataset dibagi menjadi dua
bagian yaitu dataset mobil (citra +) (Gambar 3) dan data set non-mobil (citra-) (Gambar 4).
5. HASIL DAN PEMBAHASAN
Pengujian sistem yang telah dibuat dilakukan dalam 3 cara yaitu:
Pengujian pertama dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–) dengan ratio1:1.
Hasil pada pengujian pertama memiliki tingkat akurasi yang baik yaitu diatas 70%. Peningkatan
akurasi didapat dengan menambakan jumlah data latih (Train Data) pada sistem. Hasil pengujian
pertama ditunjukan oleh Tabel 1.
Pengujian tahap pertama ini dibagi kedalam dua pengujian yaitu pengujian dengan
menggunakan data latih dan pengujian menggunakan data uji (Test Data). Pengujian untuk data latih
menghasilkan akurasi yang tepat yaitu 100%, namun belum menghasilkan akurasi yang optimal untuk
pengujian data uji. Hal ini dikarenakan sistem belum cukup banyak mendapatkan informasi mengenai
ciri mobil yang sebenarnya. Oleh karena itu dengan penambahan data latih pada sistem,
menghasilkan hasil akurasi yang optimal yaitu 82.5% pada 300 data latih untuk masing-masing citra
(+) dan citra (-).
Akan tetapi, penambahan data latih sejumlah 400 citra (+) dan citra (-) menurunkan tingkat
akurasi, hal ini dikarenakan terjadi overfitting pada proses pelatihan sistem.
Gambar 5. Deteksi Mobil
n-Train Data
(image)
100+, 100200+, 200-
Tabel 1. Pengujian Pertama
n-Test Data
Acc. Train Data
(image)
(percent)
100
100
100
100
Acc. Test Data
(percent)
74.5
78.5
 167
Jatisi, Vol. 1 No. 2 Maret 2017
300+, 300400+, 400-
100
100
100
100
82.5
76.5
Pengujian kedua dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–)
dengan ratio 1:0.5. Pengujian ini menghasilkan tingkat akurasi yang sama baik pada data latih
maupun data uji. Hasil pengujian kedua ditunjukan oleh Tabel 2.
n-Train
Data
(image)
100+,
50200+,
100300+,
150400+,
200-
Tabel 2. Pengujian Kedua
n-Test
Acc.
Acc. Test
Data
Train
Data
(image)
Data
(percent)
(percent)
100
100
50
100
100
50
100
100
50
100
100
50
Pengujian ketiga dilakukan berdasarkan perbandingan dataset citra (+) dan citra (–)
dengan ratio 1:0.75. Hasil pengujian ini ditunjukan oleh Tabel 3, dimana tingkat akurasi pada
data latih dan data uji sama.
n-Train Data
(image)
100+, 75200+, 150300+, 225400+, 300-
Tabel 3. Pengujian Ketiga
n-Test Data
Acc. Train Data
(image)
(percent)
100
100
100
100
100
100
100
100
Acc. Test Data
(percent)
50
50
50
50
Hasil akurasi yang sama pada pengujian kedua dan ketiga menunjukan bahwa sistem
tidak menemukan model yang tepat dari data latih yang diberikan.
Penerapan sederhana untuk permasalahan deteksi mobil dengan menggunakan sistem ini
ditunjukan oleh gambar 5.
6. KESIMPULAN
Akurasi pengenalan mobil yang terbaik didapatkan pada pelatihan sistem dengan
menggunakan ratio 1:1 untuk citra (+) dan citra (-) yaitu sebesar 82.5%. Dimana, jumlah data
latih berjumlah 300 untuk masing-masing jenis citra dataset. Sedangkan untuk semua proses
pelatihan sistem dengan menggunakan ratio yang tidak sebanding (1:0.5 dan 1:0.75) memiliki
nilai akurasi yang tidak baik, dengan semua nilai berjumlah 50%.
168
ISSN: 1978-1520
DAFTAR PUSTAKA
[1]
A. Naba, B. M. Pratama, A. Nadhir, and H. Harsono, “Haar-Like Feature Based RealTime Neuro Car Detection System,” pp. 67–70, 2016.
[2]
C. J. C. Junli and J. L. J. Licheng, “Classification Mechanism of Support Vector
Machines,” WCC 2000 - ICSP 2000. 2000 5th Int. Conf. Signal Process. Proceedings.
16th World Comput. Congr. 2000, Vol. 3, pp. 0–3, 2000.
[3]
N. Dalal and W. Triggs, “Histograms of Oriented Gradients for Human Detection,” 2005
IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. CVPR05, Vol. 1, No. 3, pp.
886–893, 2004.
[4]
N. Sapankevych and R. Sankar, “Time Series Prediction Using Support Vector
Machines: A Survey,”IEEE Comput. Intell. Mag., Vol. 4, No. 2, pp. 24–38, 2009.
[5]
L. Li, S. Yoon, J. Liu, and J. Yi, “Multi-Scale Car Detection and Localization Using
Contour Fragments,”2014 IEEE Int. Conf. Image Process. ICIP 2014, pp. 1609–1613,
2014.
[6]
P. Nskh, N. V. M, and R. R. Naik, “Principle Component Analysis Based Intrusion
Detection System Using Support Vector Machine,” pp. 1344–1350, 2016.
[7]
R. Singh, T. D. Biradar, M. Godse, M. E. S. Extc, A. P. Extc, and H. O. D. Biomedical,
“Improving Histograms of Oriented Gradients for Pedestrian Detection,” Vol. 2, No. 3,
pp. 195–199, 2013.
[8]
R. Ebrahimzadeh, “Efficient Handwritten Digit Recognition Based on Histogram of
Oriented Gradients and SVM,” Vol. 104, No. 9, pp. 10–13, 2014.
[9]
V. Vinoharan, A. Ramanan, and S. R. Kodituwakku, “A Wheel-Based Side-View Car
Detection Using Snake Algorithm,” ICIAFS 2012 - Proc. 2012 IEEE 6th Int. Conf. Inf.
Autom. Sustain., pp. 185–189, 2012.
Jatisi, Vol.3 No.2 Maret 2017
 169
Pengaruh Kualitas Sistem Informasi Cyber
CampusTerhadap Kepuasan dan Loyalitas Mahasiswa
STIKOM Surabaya
Puspita Kartikasari
Institut Bisnis dan Informatika Stikom Surabaya; Jalan Kedung Baruk 98 Surabaya,
Telp. 0318721731
e-mail: [email protected] / [email protected]
Abstrak
Kemajuan Teknologi Informasi yang terjadi memberikan berbagai sarana bagi
perguruan tinggi untuk meningkatkan kualitas pelayanan terhadap sivitas akademikanya. Salah
satu hal yang dilakukan untuk menunjang sistem informasi yang ada di lingkungan kampus
yaitu dengan membuat Website. Sehingga pada penelitian ini dikhususkan pada penggunaan
sistem informasi akademik berbasis web di Institut Bisnis dan Informatika Stikom Surabaya
yang dikenal dengan sebutan Sistem Informasi Cyber Campus (SICYCA). Melalui SICYCA,
mahasiswa dapat dengan mudah mendapatkan data mengenai berbagai macam layanan antara
lain Akademik, Keuangan, PPTA, Perpustakaan, E-Resource, Email, Komunitas. Dalam
penggunaannya SICYCA menghadapi beberapa kendala, akan tetapi SICYCA tetap digunakan
oleh mahasiswa untuk kepentingan berlangsungnya proses pembelajaran. Sehingga dalam
penelitian ini perlu dilakukan pengukuran pengaruh kualitas SICYCA terhadap kepuasan dan
loyalitas mahasiswa Stikom Surabaya untuk mengetahui hal apa saja yang mempengaruhi
kepuasan mahasiswa terhadap SICYCA. Penelitian ini menggunakan metode Webqual 4.0 yang
dimodifikasi dengan menambahkan dimensi kualitas antarmuka pengguna. Pengambilan data
dilakukan dengan menggunakan kuisioner, kemudian dilakukan deskripsi pada data yang
diperoleh dan dilakukan pengolahan data dengan menggunakan analisis Structural Equation
Modelling. Hasil yang diperoleh dari analisis menunjukkan bahwa variabel yang berpengaruh
signifikan terhadap kepuasan mahasiswa yaitu kualitas kegunaan dan kualitas desain
antarmuka pengguna, sedangkan kepuasan mahasiswa sangat berpengaruh signifikan terhadap
loyalitas mahasiswa.
Kata kunci: Sistem Informasi Cyber Campus, Kepuasan Mahasiswa, Loyalitas Mahasiswa
Webqual 4.0
Abstract
Development of Information Technology that occur provide various tools for
universities to improve the quality of service to its academic community. One of the things that
has been done to sustain the existing information systems in the campus environment is to
create a website. Therefore, this research is devoted to the use of web-based academic
information systems at the Institute of Business and Informatics Stikom Surabaya known as
Cyber Campus Information System (SICYCA). Through SICYCA, students can easily obtain
data on a wide range of services, such as Academic, Finance, PPTA, Library, E-Resource,
Email, Community. SICYCA has some constraints in the usage, but SICYCA is still used by
students for the benefit of the learning process. Thus, a study is required about measuring the
influence of the quality of SICYCA on satisfaction and loyalty of students Stikom Surabaya to
know what influences student satisfaction towards SICYCA. This study uses WebQual 4.0
modified by adding the dimension of the quality of the user interface. Data were collected using
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
170
ISSN: 1978-1520
questionnaires, then carried the description on the data obtained and the data processing is
done using Structural Equation Modelling analysis. The results of the analysis showed that the
variables that significantly influence student satisfaction is the quality of usability and the user
interface design quality, while student satisfaction has very significant effect on student loyalty.
Keywords: Information Systems Cyber Campus, Student Satisfaction, Loyalty Students,WebQual
4.0 modifications, Structural Equation Modelling.
1. PENDAHULUAN
emajuan Teknologi Informasiyang terjadi saat ini telah memberikan berbagai sarana
bagi perguruan tinggi untuk meningkatkan kualitas pelayanan terhadap sivitas
akademikanya. Suatu sistem yang didukung oleh Teknologi Informasi dapat
memberikan nilai tambah bagi perguruan jika didesain menjadi sistem informasi yang
efektif dan efisien [1]. Penggunaan sistem informasi yang efektif dan efisien merupakan tanda
bahwa sistem tersebut dapat mendukung tercapainya Visi dan Misi perguruan tinggi. Salah satu
hal yang dilakukan oleh Perguruan Tinggi untuk menunjang sistem informasi yang ada di
lingkungan kampus yaitu dengan membuat Website. Website merupakan salah satu media
penting dimana pengguna dapat menemukan semua jenis informasi yang berkaitan dengan
bidang mereka. Peranan website suatu universitas tidak hanya terbatas sebagai media informasi
namun juga merupakan salah satu barometer yang dipakai untuk mengukur kualitas perguruan
tinggi tersebut [2]. Sehingga dapat dikatakan bahwa domain yang paling banyak menggunakan
website saat ini adalah domain perguruan tinggi [3].
Objek penelitian ini dikhususkan pada penggunaan sistem informasi akademik berbasis
web di Institut Bisnis dan Informatika Stikom Surabaya yang dikenal dengan sebutan Sistem
Informasi Cyber Campus (SICYCA). SICYCA dibuat pada pertengahan tahun 2000, akan tetapi
mulai digunakan oleh sivitas akademika Institut Bisnis dan Informatika Stikom Surabaya sejak
Maret 2001. Hingga saat ini SICYCA telah digunakan selama lima belas tahun dengan adanya
perbaikan dan pengembangan secara berkala sesuai dengan perkembangan kebutuhan seluruh
sivitas akademika Institut Bisnis dan Informatika Stikom Surabaya terutama untuk kebutuhan
mahasiswa. SICYCA dibuat dengan tujuan untuk membantu mahasiswa agar memperoleh
informasi lebih mudah. Mahasiswa dapat dengan mudah mengakses SICYCA yang berbasis
web dimanapun dan kapanpun melalui situs www.sicyca.stikom.edu. Melalui SICYCA,
mahasiswa dapat dengan mudah mendapatkan data mengenai berbagai macam layanan antara
lain Akademik, Keuangan, PPTA, Perpustakaan, E-Resource, Email, Komunitas.
Layanan akademik menampilkan informasi mengenai akademik Institut Bisnis dan
Informatika Stikom Surabaya secara sekilas. Informasi yang ditampilkan pada menu akademik
antara lain jadwal kuliah minggu ini, kartu rencana studi, jadwal ujian, sisa matakuliah, materi
kuliah, nilai dan kalender akademik. Layanan keuangan menampilkan informasi mengenai halhal yang berhubungan dengan keuangan mahasiswa yang berupa SPP, SP dan denda. Layanan
PPTA (Pusat Pelayanan Tugas Akhir) menyediakan informasi yang berkaitan dengan tugas
akhir yang diambil oleh mahasiswa. Layanan perpustakaan menampilkan tentang informasi
yang berhubungan dengan peminjaman buku dan histori kunjungan ke perpustakaan Institut
Bisnis dan Informatika STIKOM Surabaya yang berupa rata-rata kunjungan, rata-rata pinjaman
dan peminjaman buku. Layanan E-Resource menyediakan materi kuliah yang berupa file
dokumen, video, audio, dan jurnal. Layanan Email berisi fasilitas email yang disediakan oleh
omega.stikom.edu yang kini dapat diakses melalui Sicyca. Layanan komunitas berisi fasilitas
untuk mencari data mahasiswa dan staf di Institut Bisnis dan Informatika Stikom Surabaya.
Dalam penggunaannya SICYCA menghadapi beberapa kendala pada pemakaiannya.
Meskipun hal tersebut terjadi, SICYCA tetap digunakan oleh mahasiswa untuk kepentingan
berlangsungnya proses pembelajaran. Sehingga dalam penelitian ini perlu dilakukan pengukuran
K
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
171
pengaruh kualitas SICYCA terhadap kepuasan dan loyalitas mahasiswa Stikom Surabaya untuk
mengetahui hal apa saja yang mempengaruhi kepuasan mahasiswa terhadap SICYCA.
Pengukuran kepuasan mahasiswa terhadap SICYCA dilakukan dengan menggunakan metode
Webqual 4.0 yang telah dimodifikasi dengan menambahkan dimensi kualitas antarmuka
pengguna (User Interface Quality) dengan tiga dimensi utama Webqual 4.0 yang meliputi
kualitas kegunaan (Usability Quality), kualitas informasi (Information Quality) dan kualitas
layanan interaksi (Service Information). Penambahan dimensi kualitas antarmuka adalah untuk
mengukur kualitas antarmuka website yang berkaitan dengan daya tarik visual website karena
pengguna akan melihat tampilan website sebagai interaksi pertama. Penelitian ini bertujuan
untuk mengukur seberapa besar dan bagaimana pengaruh kualitas SICYCA terhadap kepuasan
dan loyalitas mahasiswa penggunanya serta mengetahui perbaikan apa saja yang diharapkan
mahasiswa terhadap SICYCA.
2. METODE PENELITIAN
2.1
Lokasi Penelitian
Penelitian ini dilakukan di Institut Bisnis dan Informatika Stikom Surabaya yang
berlokasi di Jalan Kedung Baruk 98 Surabaya Jawa Timur. Obyek dari penelitian ini
dikhususkan pada mahasiwa Institut Bisnis dan Informatika Stikom Surabaya karena mahasiswa
merupakan pengguna aktif dari SICYCA.
2.2
Populasi dan Sampel
Populasi yang digunakan yaitu seluruh mahasiswa Institut Bisnis dan Informatika
Stikom Surabaya yang terhitung masih aktif dengan jumlah keseluruhan sebanyak 1797
mahasiswa. Dari populasi tersebut diambil sampel untuk mewakili mahasiswa keseluruhan,
sampel tersebut diambil berdasarkan rumus Slovin dikutip oleh [4] yaitu sebagai berikut:
ܰ
݊=
1 + (ܰ × ݁ଶ)
1797
݊=
1 + (1797 × (0,1)ଶ)
1797
݊=
1 + 17,97
1797
݊=
18,97
݊ = 94,7 (dibulatkan menjadi 95 mahasiswa)
Pengambilan jumlah sampel sebesar 95 mahasiswa didasarkan pada sampling
aksidental. Sampling aksidental adalah teknik penentu sampel berdasarkan kebetulan, yaitu
siapa saja yang secara kebetulan bertemu dengan peneliti itu cocok sebagai sumber data.
Kuesioner diberikan kepada mahasiswa yang datang ke perpustakaan Institut Bisnis dan
Informatika Stikom Surabaya.
2.3
Instrumen Penelitian
Pada penelitian ini, data diambil dengan cara membagikan kuisioner kepada mahasiswa.
Data yang tersedia dalam kuisioner tersebut disajikan dalam bentuk skala ordinal dengan
menggunakan skala likert. Cara perhitungan yang digunakan pada skala likert sendiri adalah
dengan menghadapkan seorang responden dengan beberapa pertanyaan dan kemudian diminta
untuk memberikan jawaban. Data yang berhasil dikumpulkan dari kuesioner selanjutnya akan
diukur dengan bobot hitung 1 sampai 5, dengan kategori:
1. Jawaban sangat setuju diberi bobot 5.
2. Jawaban setuju diberi bobot 4.
Title of manuscript is short and clear, implies research results (First Author)
172
ISSN: 1978-1520
3. Jawaban cukup setuju/netral diberi bobot 3.
4. Jawaban tidak setuju diberi bobot 2.
5. Jawaban sangat tidak setuju diberi bobot 1.
Skala Likert ini kemudian menskala individu yang bersangkutan dengan menambahkan bobot
dari jawaban yang dipilih.
2.4
Definisi Operasional Variabel
Digunakan beberapa istilah sehingga didefenisikan secara operasional agar menjadi
petunjuk dalam penelitian ini. Defenisi operasional tersebut adalah:
1. Layanan website adalah setiap kegiatan atau manfaat yang berhubungan dengan website
yang dapat diberikan oleh Institut Bisnis dan Informatika Stikom Surabaya.
2. Faktor kualitas layanan website adalah merupakan tingkat keunggulan pelayanan website
yang dapat memenuhi keinginan mahasiswa yang diberikan oleh Institut Bisnis dan
Informatika Stikom Surabaya.
3. Kualitas layanan adalah atribut-atribut dimensi pelayanan website yang diberikan oleh
Institut Bisnis dan Informatika Stikom Surabaya yang dengan menggunakan metode
Webqual 4.0 yang meliputi Usability Quality, Information Quality dan Service Information
serta dimodifikasi dengan menambahkan dimensi User Interface Quality. Variabel ini diukur
dengan menggunakan skala Likert.
4. Kualitas Kegunaan (X1), merupakan variabel independen yang berasal dari penelitian dalam
bidang Human Computer Interaction (HCI) atau interaksi antara manusia, komputer dan web
usability.
5. Kualitas Informasi (X2), merupakan variabel independen yang berasal dari penelitian
mengenai sistem informasi. Pertanyaan-pertanyaan yang dikembangkan di bagian ini
dibangun berdasarkan literatur yang berfokus pada kualitas informasi, data dan sistem.
6. Kualitas Layanan Interaksi (X3), merupakan variabel independen yang berasal dari
penelitian mengenai kualitas layanan marketing, e-commerce dan sistem informasi.
7. Kualitas Desain Antarmuka Pengguna (X4), merupakan variabel independen yang
merupakan dimensi baru yang ditambahkan ke dalam dimensi asal Webqual 4.0 yang
berfungsi untuk mengetahui kualitas antarmuka website yang berkaitan dengan daya tarik
visual dari user interface website.
8. Kepuasan mahasiswa terhadap pelayanan website Sistem Cyber Campus (SICYCA) Institut
Bisnis dan Informatika Stikom Surabaya merupakan variabel dependen yaitu faktor yang
mendasari rasa puas mahasiswa terhadap pelayanan website yang diberikan (Y1).
9. Loyalitas mahasiswa terhadap pelayanan website Sistem Cyber Campus (SICYCA) Institut
Bisnis dan Informatika Stikom Surabaya merupakan variabel dependen yaitu faktor yang
mendasari rasa loyal mahasiswa terhadap pelayanan website yang diberikan (Y2).
2.5
Kerangka Pemikiran
Penelitian ini melakukan analisis pengaruh kualitas layanan website SICYCA terhadap
kepuasan mahasiswa yang diukur berdasarkan dimensi kualitas kegunaan, kualitas informasi,
kualitas layanan interaksi, dan kualitas desain antarmuka pengguna. Kerangka pemikiran secara
rinci dijelaskan dalam Gambar 1 sebagai berikut:
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
173
Kualitas Layanan
(Dimensi Kualitas Layanan)
Kualitas
Kegunaan (X1)
Kualitas
Informasi (X2)
Kualitas
Layanan (X3)
Desain
Antarmuka (X4)
Kepuasan Mahasiswa Institut
Bisnis dan Informatika Stikom
Surabaya terhadap SICYCA (Y1)
Loyalitas Mahasiswa Institut
Bisnis dan Informatika Stikom
Gambarterhadap
1 Kerangka
Pemikiran
Surabaya
SICYCA
(Y2)
Gambar 1. Kerangka Pemikiran
2.6
Hipotesis Penelitian
Penentuan hipotesa dibuat berdasarkan model sukses yang telah dirancang, berikut
hipotesa yang digunakan:
H1 : Kualitas Kegunaan akan berkontribusi positif dan signifikan pada kepuasan mahasiswa.
H2 : Kualitas Informasi akan berkontribusi positif dan signifikan pada kepuasan mahasiswa.
H3 : Kualitas Layanan akan berkontribusi positif dan signifikan pada kepuasan mahasiswa.
H4 : Desain Antarmuka akan berkontribusi positif dan signifikan pada kepuasan mahasiswa.
H5 : Kepuasan Mahasiswa akan berkontribusi positif dan signifikan pada loyalitas mahasiswa.
2.7
Metode Analisis Data
Analisis yang dilakukan dalam penelitian ini meliputi analisis statistik deskriptif dan
analisis statistik inferensia. Analisis statistik deskriptif untuk menggambarkan objek penelitian
pada data sampel. Analisis ini berupa penggambaran sekumpulan data secara visual yang terdiri
dari deskripsi dan grafik karakteristik milik responden. Sedangkan analisis statistik inferensia
meliputi analisis SEM (Structural Equation Modelling) menggunakan Partial Least Square
(PLS) yang didalamnya termasuk uji reliabilitas, uji validitas, pengujian Model Struktural
(Inner Model), pengujian Model Struktural (Outer Model). Software yang digunakan dalam
penelitian ini yaitu SmartPLS. Pengolahan data memiliki tujuan untuk mengetahui seberapa
berpengaruhnya kualitas layanan website SICYCA terhadap kepuasan dan loyalitas mahasiswa
Institut Bisnis dan Informatika Stikom Surabaya.
3. ANALISIS DAN PEMBAHASAN
Pada bab ini dilakukan analisis dan pembahasan dari hasil pengambilan data
menggunakan kuisioner.
3.1
Analisis Statistik Deskriptif
Pengolahan menggunakan analisis statistik desktiptif dilakukan pada data yang
terhimpun dan memenuhi syarat, yaitu sebanyak 95 responden. Pengolahan ini dilakukan pada
profil responden dan variabel-variabel yang digunakan dalam penelitian yaitu variabel Jenis
Title of manuscript is short and clear, implies research results (First Author)
174
ISSN: 1978
1978-1520
kelamin, Umur dan Prodi. Pengelolahan ini disajikan dalam bentuk pie chart (diagram
lingkaran) dan bar chart (diagram batang).
batang)
3.1.1 Analisis
nalisis Statistik Deskriptif pada Variabel Jenis Kelamin
Berikut disajikan diagram lingkaran dari variabel Jenis Kelamin responden yang telah
disurvey.
Gambar 2.
2 Profil Responden Variabel Jenis Kelamin
Berdasarkan Gambar 2 dapat diketahui bahwa responden laki-laki
laki yang disurvey lebih
banyak daripada responden perempuan yaitu sebesar 67,73 %, sedangkan responden perempuan
sebesar 32,63 %.
3.1.2
Analisis Statistik Deskriptif pada Variabel Program Studi (Prodi)
Berikut disajikan diagram batang dari variabel prodi responden yang telah disurvey.
Gambar 3. Profil Responden Variabel Program Studi
Berdasarkan Gambar 3 dapat diketahui bahwa program studi responden yang paling
banyak disurvey adalah program studi S1 Sistem Informasi yaitu sebanyak 45 responden,
sedangkan untuk program studi S1 Desain Komunikasi Visual sebanyak 14 responden, program
studi S1 Sistem Komputer sebanyak 13 responden, program studi DIV Komputer Multimedia
sebanyak 7 responden,
en, program studi DIII Manajemen Informatika sebanyak 5 responden,
program studi S1 Manajemen sebanyak 3 responden, program studi DIII Desain Grafis
sebanyak 3 responden, prodi S1 Komputer Akuntansi sebanyak 2 responden, program studi DIII
Komputerisasi Perkantoran
rkantoran dan Kesekretariatan 2 responden dan program studi S1 Akuntansi
sebanyak 1 reponden.
IJCCS Vol. x, No. x, July201x : first_page–end_page
first_page

Jatisi, Vol. 3 No. 2 Maret 2017
175
3.2
Analisis Statistik Inferensia
Pengolahan data menggunakan analisis statistika inferensia ini berisi uji validitas,
reliabilitas, evaluasi model dan signifikansi setiap variabel menggunakan Software Smart PLS.
Berikut gambar Model Structural Equation Modelling yang terbaik dari data kuisioner yang
didapatkan.
Gambar 4. Model Structural Equation Modelling
3.2.1 Evaluasi Measurement (Outer) Model Terbaik
1. Uji Validitas
Suatu indikator dinyatakan valid apabila memiliki nilai loading factor di atas 0,5
terhadap nilai konstruk yang dituju. Hasil nilai loading factor dari output SmartPLS untuk
model terbaik adalah sebagai berikut:
Tabel 1.Nilai Outer Loading
Indikator
KK2
KK3
KK4
KK5
KK6
KK7
KI1
KI2
KI4
Kualitas
Kegunaan
Kualitas
Informasi
Kualitas
Layanan
Interaksi
Kualitas
Kepuasan
Loyalitas
Antarmuka
Mahasiswa Mahasiswa
Pengguna
0,767
0,686
0,728
0,710
0,716
0,638
0,752
0,669
0,758
Title of manuscript is short and clear, implies research results (First Author)
176
ISSN: 1978-1520
KI5
KI6
KI7
KLI1
KLI2
KLI3
KLI4
KLI5
KLI6
KAP1
KAP2
KAP3
KAP4
KAP5
KAP6
KAP7
KAP8
KP1
KP2
KP3
KP4
LP1
LP2
LP3
LP4
0,744
0,760
0,682
0,755
0,735
0,717
0,735
0,734
0,712
0,749
0,806
0,782
0,780
0,669
0,736
0,742
0,628
0,871
0,900
0,843
0,814
0,778
0,862
0,898
0,786
Tabel 1 menunjukkan bahwa nilai loading factor telah memenuhi nilai yang disarankan
yaitu sebesar 0,5. Nilai yang paling kecil adalah sebesar 0,628 untuk indikator KAP8.Hal ini
menunjukkan bahwa indikator yang digunakan dalam penelitian ini dapat dinyatakan sudah
valid atau telah memenuhi convergent validity. Cara lain untuk melihat discriminant validity
yaitu dengan melihat nilai Average Variance Extracted (AVE). Nilai tersebut disarankan di atas
0,5. Disajikan nilai AVE pada Tabel 2 dan Gambar 5 sebagai berikut:
Tabel 2. Nilai Average Variance Extracted
Average Variance
Extracted
0,502
Kualitas Kegunaan
0,531
Kualitas Informasi
0,535
Kualitas Layanan Interaksi
0,546
Kualitas Antarmuka Pengguna
0,735
Kepuasan Mahasiswa
0,693
Loyalitas Mahasiswa
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi,, Vol. 3 No. 2 Maret 2017

177
Gambar 5. Nilai Average Variance Extracted (AVE)
Tabel 2 menunjukkan bahwa nilai AVE untuk variabel kualitas kegunaan, kualitas
informasi, kualitas layanan interaksi,
interaksi, kualitas antarmuka pengguna, kepuasan mahasiswa dan
loyalitas mahasiswa melebihi nilai 0,5. Nilai AVE terendah dimiliki oleh variab
variabel kualitas
kegunaan yaitu sebesar 0,502.
0,502 Hal ini diperkuat juga pada Gambar 5,, gambar tersebut
menunjukkan diagram batang
ng berwarna hijau yang berarti bahwa nilai AVE telah berada di atas
0,5 yang berarti bahwa indikator-indikator
indikator indikator yang mewakili ketiga konstruk tersebut valid.
2. Uji Reliabilitas
Pengujian reliabilitas dilakukan dengan melihat nilai dari composite reliability dari
indikator-indikator
indikator yang mengukur masing-masing
masing
variabel. Nilai composite reliability akan
menunjukkan hasil yang reliabel jika nilainya lebih besar dari 0,7. Berikut disajikan nilai
composite reliability.
Tabel 3. Nilai Composite Reliability
Composite Reliability
0,858
Kualitas Kegunaan
0,871
Kualitas Informasi
Inform
0,873
Kualitas Layanan Interaksi
0,905
Kualitas Antarmuka Pengguna
0,917
Kepuasan Mahasiswa
0,900
Loyalitas Mahasiswa
Berdasarkan Tabel 3 dapat dilihat bahwa nilai Composite Reliability untuk semua
variabel menunjukkan di atas 0,7. Hal ini berarti bahwa semua variabel pada model yang
diestimasi memenuhi kriteria discriminant validity. Nilai compositereliability
reliability terendah dimiliki
oleh variabel
el kualitas kegunaan yaitu sebesar 0,858.. Selain menggunakan nilai Composite
Reliability,, uji reliabilitas juga bisa diperkuat dengan nilai Cronbach’s Alpha
Alpha, dimana nilai
tersebut disajikan pada Tabel 4 sebagai berikut:
Tabel 4.Cronbach’s Alpha
Cronbach’s Alpha
0,803
Kualitas Kegunaan
0,823
Kualitas Informasi
Inform
0,833
Kualitas Layanan Interaksi
0,880
Kualitas Antarmuka Pengguna
0,880
Kepuasan Mahasiswa
0,852
Loyalitas Mahasiswa
Nilai Cronbach’s Alpha yang disarankan adalah berada di atas 0,6 agar konstruk
tersebut dikatakan reliabel. Berdasarkan Tabel 4 menunjukkan bahwa nilai Cronbach’s
Title of manuscript is short and clear, implies research results (First Author)
178
ISSN: 1978-1520
Alphauntuk variabel kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, kualitas
antarmuka pengguna, kepuasan mahasiswa dan loyalitas mahasiswa berada di atas 0,7 dengan
nilai masing-masing 0,803, 0,823, 0,833, 0,880, 0,880 dan 0,852.
3.2.2
Pengujian Model Struktural (Inner Model) pada Model Terbaik
Setelah model yang diestimasi memenuhi kriteria Outer Model (Validitas dan
Reliabilitas) langkah selanjutnya yang dilakukan adalah melakukan pengujian model structural
(Inner Model). Berikut nilai R-Square untuk masing-masing konstruk yang diteliti.
Tabel 5. R-Square
R-Square
0,621
Kepuasan Mahasiswa
0,468
Loyalitas Mahasiswa
Tabel 5 menunjukkan bahwa nilai R-Square untuk variabel kepuasan mahasiswa adalah
sebesar 0,621, yang berarti bahwa variabel kepuasan mahasiswa mampu menjelaskan varians
kepuasan mahasiswa sebesar 62,1%. Nilai R-Square untk variabel loyalitas mahasiswa yaitu
sebesar 0,468, yang memiliki arti bahwa variabel loyalitas mahasiswa mampu menjelaskan
varians loyalitas mahasiswa sebesar 46,8%.
Untuk melihat pengaruh Kesesuaian Tugas dan Teknologi terhadap konstruk Pengaruh
Kinerja dan Utilisasi serta pengaruh konstruk Utilisasi terhadap Pengaruh Kinerja dapat
dilakukan dengan melihat nilai F-Square yang disajikan pada Tabel 6 sebagai berikut:
Tabel 6. F-Square
Indikator
Kualitas Kegunaan
Kualitas Informasi
Kualitas Layanan Interaksi
Kualitas Antarmuka
Pengguna
Kepuasan Mahasiswa
Kepuasan
Mahasiswa
Loyalitas
Mahasiswa
0,274
0,025
0,020
0,176
0,880
Berdasarkan Tabel 6 dapat dilihat bahwa pengaruh/efek dari variabel kualitas kegunaan
terhadap kepuasan mahasiswa kuat karena memiliki nilai 0,274 (lebih dari 0,15). Sedangkan
pengaruh/efek dari variabel kualitas informasi terhadap kepuasan mahasiswa lemah karena
memiliki nilai 0,025 (berkisar di nilai 0,02). Pengaruh/efek dari variabel kualitas layanan
interaksi terhadap kepuasan mahasiswa bersifat lemah karena memiliki nilai 0,020 (berkisar di
nilai 0,020). Pengaruh/efek dari variabel kualitas antarmuka penggguna terhadap kepuasan
mahasiswa bersifat kuat karena memiliki nilai 0,176 (lebih dari 0,15). Pengaruh/efek dari
variabel kepuasan mahasiswa terhadap loyalitas mahasiswa bersifat sangat kuat karena memiliki
nilai 0,880 (lebih dari 0,35).
Langkah selanjutnya yang dilakukan yaitu pengolahan menggunakan Bootstraping.
Bootstraping bertujuan melakukan pengujian hipotesis. Berikut disajikan gambar model
structural setelah dilakukan bootstraping.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

179
Gambar 6. Model Structural Bootstraping
Berdasarkan Gambar 6 dapat dilihat bahwa semua indikator yang mewakili variabel
kualitas kegunaan, kualitas informasi, kualitas layanan interaksi, kualitas desain antarmuka
pengguna, kepuasan mahasiswa dan loyalitas mahasiswa berpengaruh positif terhadap
variabelnya masing-masing. Hali ini terlihat dari nilai t-value yang lebih besar dari nilai 1,96.
Untuk hasil pengujian hipotesis variabel kualitas kegunaan, kualitas informasi, kualitas layanan
interaksi, kualitas desain antarmuka pengguna terhadap kepuasan mahasiswa serta hasil uji
hipotesis kepuasan mahasiswa terhadap loyalitas mahasiswa disajikan pada Tabel 7 sebagai
berikut:
Tabel 7. Uji Hipotesis
Standard
Original
Sample
T-Satistics
Deviation
P-Values
Sample (O) Mean (M)
(|O/STERR|)
(STDEV)
Kualitas Kegunaan
0,405
0,394
0,109
3,720
0,000
Kepuasan Mahasiswa
Kualitas
InformasiKepuasan
0,127
0,139
0,116
1,102
0,271
Mahasiswa
Kualitas Layanan Interaksi
0,113
0,117
0,081
1,397
0,163
 kepuasan Mahasiswa
Kualitas Desain Antarmuka
Pengguna  Kepuasan
0,332
0,334
0,100
3,322
0,001
Mahasiswa
Kepuasan Mahasiswa 
0,684
0,693
0,063
10,874
0,000
Loyalitas Mahasiswa
Berdasarkan Tabel 7 didapatkan lima hasil pengujian. Pengujian tersebut sebagai berikut:
1. Hubungan antara Kualitas Kegunaandengan Kepuasan Mahasiswa.
H0 : Tidak ada hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa
H1 : Terdapat hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa
Title of manuscript is short and clear, implies research results (First Author)
180
2.
3.
4.
5.
ISSN: 1978-1520
Tabel 7 menunjukkan bahwa hubungan antara Kualitas Kegunaan dengan Kepuasan
Mahasiswa memiliki nilai T-statistik sebesar 3,720 (>1,96). Nilai original sample estimate
merupakan nilai yang positif yaitu sebesar 0,405 yang menunjukkan arah hubungan antara
Kualitas Kegunaan dengan Kepuasan Mahasiswa adalah positif. Dengan demikian
hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang positif dan
signifikan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa.
Hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa.
H0 : Tidak ada hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa
H1 : Terdapat hubungan antara Kualitas Informasi dengan Kepuasan Mahasiswa
Tabel 7 menunjukkan bahwa hubungan antara Kualitas Informasi dengan Kepuasan
Mahasiswa memiliki nilai T-statistik sebesar 1,102 (<1,96). Nilai original sample estimate
merupakan nilai yang positif yaitu sebesar 0,127 yang menunjukkan arah hubungan antara
Kualitas Informasi dengan Kepuasan Mahasiswa adalah positif. Dengan demikian hipotesis
H0 dalam penelitian ini diterima yang artinya tidak terdapat hubungan yang signifikan
antara Kualitas Informasi dengan Kepuasan Mahasiswa.
Hubungan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa.
H0 : Tidak ada hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa
H1 : Terdapat hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa
Tabel 7 menunjukkan bahwa hubungan antara Kualitas Layanan Interaksi dengan
Kepuasan Mahasiswa memiliki nilai T-statistik sebesar 1,397 (<1,96). Nilai original
sample estimate merupakan nilai yang positif yaitu sebesar 0,113 yang menunjukkan arah
hubungan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa adalah positif.
Dengan demikian hipotesis H0 dalam penelitian ini diterima yang artinya tidak terdapat
hubungan yang signifikan antara Kualitas Layanan Interaksi dengan Kepuasan Mahasiswa.
Hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa.
H0 : Tidak ada hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan
Mahasiswa
H1 : Terdapat hubungan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan
Mahasiswa
Tabel 7 menunjukkan bahwa hubungan antara Kualitas Kegunaan dengan Kepuasan
Mahasiswa memiliki nilai T-statistik sebesar 3,322 (>1,96). Nilai original sample estimate
merupakan nilai yang positif yaitu sebesar 0,332 yang menunjukkan arah hubungan antara
Kualitas Desain Antarmuka Pengguna dengan Kepuasan Mahasiswa adalah positif. Dengan
demikian hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang
positif dan signifikan antara Kualitas Desain Antarmuka Pengguna dengan Kepuasan
Mahasiswa.
Hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa.
H0 : Tidak ada hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa
H1 : Terdapat hubungan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa
Tabel 7 menunjukkan bahwa hubungan antara Kepuasan Mahasiswa dengan Loyalitas
Mahasiswa memiliki nilai T-statistik sebesar 10,874 (>1,96). Nilai original sample
estimate merupakan nilai yang positif yaitu sebesar 0,684 yang menunjukkan arah
hubungan antara Kualitas Kegunaan dengan Kepuasan Mahasiswa adalah positif. Dengan
demikian hipotesis H0 dalam penelitian ini ditolak yang artinya terdapat hubungan yang
positif dan signifikan antara Kepuasan Mahasiswa dengan Loyalitas Mahasiswa.
Berdasarkan hasil penelitian ini, didapatkan pula hal-hal yang membuat mahasiswa
tidak puas terhadap kualitas dari website SICYCA. Hal-hal tersebut antara lain website
SICYCA sering down sehingga menyebabkan proses belajar mengajar terganggu, seringnya
perbaikan (maintenance) website yang dilakukan server di jam-jam perkuliahan sehingga
membuat mahasiswa mengalami kesulitan untuk mengakses website, website tidak disediakan
dalam bentuk mobile sehingga ketika mahasiswa merasa kesulitan ketika mengakses website di
IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
181
luar lingkungan kampus, website SICYCA sering mengalami loading yang sangat lama ketika
diakses oleh mahasiswa, website SICYCA belum memiliki fitur chatting antara mahasiswa
dengan dosen sehingga mahasiswa masih merasa kesulitan berhubungan dengan dosen
mengenai masalah perkuliahan, informasi yang disediakan oleh website kurang update, kurang
akurat dan kurang relevan sehingga mahasiswa merasa kesulitan ketika membutuhkan informasi
yang penting seperti informasi tentang jadwal perkuliahan, keuangan, dan lain-lain. Faktorfaktor ini yang menyebabkan kualitas informasi dan kualitas layanan interaksi tidak signifikan
terhadap kepuasan mahasiswa, sehingga server pihak Institut Bisnis dan Informatika Stikom
Surabaya perlu melakukan adanya perbaikan dengan mempertimbangkan saran-saran dari
mahasiswa yang didapatkan pada penelitian ini.
4. KESIMPULAN
1.
2.
3.
Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan sebagai berikut:
Variabel yang berpengaruh positif dan signifikan terhadap kepuasan mahasiswa adalah
variabel kualitas kegunaan dan variabel kualitas desain antarmuka pengguna. Hal ini
dibuktikan dengan nilai T-Statistik yang melebihi nilai 1,96 untuk kedua variabel dengan
masing-masing nilai T-Statistik uji sebesar 3,720 untuk variabelkualitas kegunaan dan
3,322 untuk variabel kualitas desain antarmuka pengguna.
Variabel Kepuasan Mahasiswa berpengaruh positif dan signifikan terhadap loyalitas
mahasiswa dengan nilai T-Statistik yang lebih besar dari 1,96 yaitu sebesar 10,874.
Variabel Kualitas Informasi dan Kualitas Layanan Interaksi tidak berpengaruh signifikan
terhadap Kepuasan Mahasiswa karena dari hasil pengujian menunjukkan bahwa nilai TStatistik kurang dari 1,96. Hal ini terjadi karena mahasiswa kurang puas terhadap layanan
dari website SICYCA terutama dalam hal jaringan (loading yang memakan waktu terlalu
lama dan server sering down saat proses belajar mengajar), selain itu website SICYCA
sangat susah ketika diakses di luar lingkungan Institut Bisnis dan Informatika Stikom
Surabaya, serta tidak adanya fitur chatting antara mahasiswa dengan dosen di website
SICYCA sehingga mengakibatkan mahasiswa merasa sulit untuk berkomunikasi dengan
dosen terkait perkuliahan.
5. SARAN
Berdasarkan kesimpulan di atas maka dapat diajukan beberapa saran untuk penelitian
selanjutnya yaitu sebaiknya peneliti menggali lebih dalam apa yang diinginkan oleh mahasiswa
sehingga website dapat diperbaiki lagi agar kebutuhan dan kepuasan mahasiswa ke depannya
terhadap website dapat terpenuhi. Selain itu, penelitian selanjutnya sebaiknya menggunakan
metode yang lebih baik dari penelitian ini untuk mengukur kepuasan dan loyalitas mahasiswa
terhadap website SICYCA.
DAFTAR PUSTAKA
[1]
Furukawa, M., Minami, A. 2013, A Study on The ‘Flexibility’ of Information System (Part
1): Why Do They Need to Be Flexible?,Int.J. Bus. Manag, Vol. 8(20): 48-61.
[2]
Puspitasari, D. 2013, Kajian Kepuasan Terhadap Website Universitas Airlangga: Studi
Komparasi Antara Pengguna Internal dan Pengguna Eksternal/Potensial, Thesis,
Universitas Gajah Mada, Yogyakarta.
Title of manuscript is short and clear, implies research results (First Author)
182
ISSN: 1978-1520
[3]
Kothainayaki, S., Sivakumaren, K.S. & Gophalakrisnan, S., 2012, User Preferences on
University Websites: A Study. Library Philosophy and Practice (e-journal), Paper 788.
[4]
[5]
Umar, H. 2005, Metode Penelitian, Salemba Empat, Jakarta.
Sutcliffe, A., 2001, Heuristic Evaluation of Website Attractiveness and Usability in
Interactive System: Design, Specification, and Verification. Springer Berlin Heidelberg,
pp. 183-198.
[6]
Hasan, L. 2014, Evaluating The Usability of Educational Websites Based on Students
Preferences of Design Characteristics, International Arab Journal of e-Technology, 3(3),
pp. 179-193.
[7]
Carlsson, T. & Kabir, M.H., 2010, Service Quality: Expectations, Perceptions and
Satisfaction About Service Quality at Destination Gotland – A Case Study. Thesis, Visby,
Sweden: Gotland University.
[8]
Loiacono, E.T., Watson, R.T. & Goodhue, D.L., 2002, Webqual: A Measure of Website
Quality, Marketing Theory and Applications, 13(3), pp. 432-438.
[9]
Oliver, R.L., 1980, A Cognitive Model of the Antecedents and Consequences of
Satisfaction Decision, Journal of Marketing Research, 17(4), pp. 460-469.
[10] Sari, N., 2013, Analisis Tingkat Kepuasan Mahasiswa Universitas Hasanudin Terhadap
Situs www.unhas.ac.id.Thesis. Universitas Hassanudin, Makassar.
[11] Bames, S.J., & Vidgen, R.T., 2005, Data Triangulation in Action: Using Comment
Analysis to Refine Web Quality Metrics, Proceedings of The 13th European Conference
on Information System (ECIS 2005), Paper 24.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017
 183
Pengembangan Simulasi Sinyal Radar dan Proses
Interleaving Sebagai Inputan pada Radar Detector
1
Norma Ningsih1
Jurusan Sistem Informasi. Fakultas Teknologi Informasi
STIKOM Surabaya
[email protected]
Abstrak
Dalam peperangan modern yang menggunakan elektronik, banyak dikembangkan
sistem deteksi sinyal radar. Radar adalah deteksi objek sistem yang dapat menggunakan
gelombang radio untuk mendeteksi, menentukan jarak dan mengukur kecepatan dari suatu
objek. Untuk dapat mengembangkan radar detector yaitu sistem yang dapat mendeteksi radar
sesuai dengan parameter yang dipancarkan sinyal radar berupa Pulse Descriptor Word
(PDW), diperlukan suatu simulator yang dapat menghasilkan berbagai macam karakteristik
sinyal radar sesuai dengan karakteristik yang sebenarnya dilapangan.Termasuk karakteristik
sinyal radar yang berfungsi untuk mengecoh radar detector, dengan cara mensimulasikan
berbagai macam tipe PRI dan frekuensi (hopping dan agility). Sinyal yang dipancarkan oleh
beberapa radar akan diterima disisi penerima dalam keadaan tumpang tindih (interleaving)
sesuai dengn nilai Time Of Arrival (TOA) dan PRI dari masing-masing sinyal radar. Pada sisi
penerima yaitu radar detector, sinyal yang mengalami interleaving akan diuraikan kembali
dengan menganalisa parameter PRI dari sinyal radar menggunakan metode sequence search.
Hal ini bertujuan agar penerima dapat mengenali apakah sinyal tersebut berasal dari radar
musuh atau tidak.Dengan menggunakan metode sequnce search, sinyal yang diterima pada
radar detector dapat dipisahkan sesuai dengan nilai PRI yang diinputkan yaitu PRI dengan
nilai 1 µs, 1.4 µs dan 2.23µs.
Kata kunci: Radar, Interleaving, Sequence Search.
Abstract
In modern warfare that use electronics, many developed radar signal detection system.
Radar is an object detection object that uses radio wave to detect, to determine the distance and
to measure the speed of an object. In order to develop a radar detector that can detect radar
system in accordance with the parameters of the transmitted radar signal in the form of Pulse
Descriptor Word (PDW), we need a simulator that can produce a wide range of radar signal
characteristics in accordance with the actual characteristics of the radar signal
characteristics.Including the function to outwit radar detector, a way to simulate various types
of PRI and frequency (hopping and agility). The signals emitted by multiple radars will be
received at the receiver in a state of overlapping (interleaving) in accordance with less value
Time Of Arrival (TOA) and the PRI of each radar signal. On the receiving side, namely radar
detector, signal suffered back interleaving will be described by analyzing the parameters of PRI
of radar signals using sequence search method. It is intended that the receiver can recognize
whether the signal came from enemy radar or not. By using sequnce search, the received signal
at the radar detector can be separated according to the value that the PRI. PRI is entered with
a value of 1 s, 1.4 μs and 2.23μs.
Keywords: Radar, Interleaving, Sequence Search.
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
ISSN: 1978-1520
184
ISSN: 1978-1520
1. PENDAHULUAN
Radar adalah deteksi objek sistem yang dapat menggunakan gelombang radio untuk
mendeteksi, menentukan jarak dan mengukur kecepatan dari suatu objek. Pada sistem radar
diperlukan beamwidth yang sempit sehingga didapatkan gain dan direktivitas yang tinggi untuk
menentukan resolusi sudut dari radar tersebut, sehingga dapat mendeteksi dan membedakan
objek-objek yang berdekatan [1]. Pada zaman teknologi inibanyak negara menyadari
keunggulan dari peperangan elektronik(Electronic Warfare). Radar merupakan bagian
perangkat dari elemen elektronik Electronic Warfare (EW) diklasifikasikan menjadi tiga
kategori yaitu Electronic Support Measure (ESM), Electronic Support (ES) dan Electronic
Attack (EA) [2]. Penelitian ini bertujuan untuk mengembangkan simulator yang berfungsi untuk
mensimulasikan sinyal radar yang berjenis pulsa radar dengan karakteristik elektromagnetinya
sehingga dapat mewakili karakteristik pulsa radar yang sebenarnya. Jenis – jenis sinyal radar
tersebut akan dibangkitkan secara serentak dan memiliki parameter sinyal yang berbeda antara
sinyal radar satu dengan sinyal radar lainnya. Parameter radar tersebut terdiri dari Frekuensi
(RF), Angle of Arrival (AOA), Time of Arrival (TOA), Pulse Width (PW) dan Pulse Repetition
Interval (PRI). Gambar 1 menunjukkan pulsa radar dengan parameter yang ada didalamnya.
Gambar 1. Deskripsi Pulsa Radar [3]
Radar Detektor menerima sinyal atau gelombang elektromagnetik dari banyak radar
dengan berbagai macam parameter [4]. Sistem radar terbaru dilengkapi dengan frekuensi
hopping dan agility serta menggunakan modulasi Pulse Repetition Interval (PRI) yang lebih
rumit seperti PRI berjenis stagger, sinusoidal dan triangular PRI. Sehingga simulator yang
dibuat tidak hanya mampu menghasilkan frekuensi carrier radar yang regular (monochromatic),
tetapi juga harus dapat menghasilkan keluaran dari radar dengan frekuency hopping. Parameterparemeter pada sinyal radar di desain dengan model parameter yang lebih rumit, bertujuan
untuk menghindari monitoring dari radar detektor. Dengan perkembangan teknologi yang
bertujuan untuk membangkitkan dan mengembangkan pemodelan sinyal radar, maka perlu
dikembangkan sistem radar detektor yang mampu untuk menganalisa perubahan frekuensi dan
PRI dari masing-masing sinyal radar yang diterima pada radar detektor pemodelan sinyal radar.
Performa radar sangat dipengaruhi oleh parameter yang ada pada pulsa radar, namun
salah satu parameter yang sangat penting pada pulsa radar adalah Pulse Repetition Interval
(PRI) dimana PRI adalah waktu dari leading edge (ujung tepi) dari satu pulsa radar ke leading
edge pulsa radar berikutnya [2]. Pada sisi penerima yaitu radar detektor proses analisa sinyal
dilakukan dengan menganalisa nilai TOA dari masing-masing pulsa. Nilai Time of Arrival
(TOA) dipengaruhi oleh jarak dan nilai PRI dari masing-masing radar. Pada [5] nilai PRI
diketahui menggunakan analisis histogram dari TOA yang berbeda antara deretan pulsa yang
diterima. Metode ini memiliki beberapa keterbatasan diantaranya adalah munculnya histogram
bins yang akan mengakibatkan kesalahan atau kesulitan untuk mengidentifikasi jenis radar.
Proses analisa sinyal pada radar detektor dilakukan dengan dua tahap yaitu dengan
metode clustering dan PRI detection [2]. Berdasrkan penjelasan yang dipaparkan tersebut, pada
penelitian ini mengusulkan metode sequence search untuk menganalisa sinyal yang saling
interleaving pada sisi penerima yaitu radar detektor. Metode sequence search melakukan analisa
berdasrkan nilai PRI dari masing-masing radar dengan tujuan untuk mengurutkan pulsa radar
berdasarkan kelompok nilai PRI.
IJCCSVol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
185
2. METODE PENELITIAN
Pada penelitian ini dibuat simulasi sinyal radar dan proses deinterleaving pada penerima
atau radar detektor
tor dengan membangkitan beberapa radar yang memiliki parameter berbeda satu
sama lain secara bersamaan. Parameter – parameter yang dibangkitkan untuk m
membuat
simulator ini diantaranya adalah TOA (Time
(
Of Arrival), PA (Pulse
Pulse Amplitudo
Amplitudo), Frekuensi,
AOA (Angle Of Arrival)) dan PW (Pulse Width).
). Radar simulator yang dibangkitkan selanjutnya
akan mengirimkan sinyal dari beberapa radar ke sisi penerima secara sserentak sesuai
karakteristik masing – masing sehingga dalam proses pengirimannya terjadi interleaving
(tumpang tindih) antara sinyal dari radar satu dan sinyal dari radar lainnya yang dipengaruhi
oleh TOA dari masing-masing
masing sinyal radar. Penerima dalam penelitian
penelitian ini berupa radar dete
detektor
yang memiliki fungsi utama yaitu untuk deteksi sinyal radar. Proses deteksi radar dapat
dilakukan dengan cara deinterleaving terhadap sinyal-sinyal
sinyal yang sampai pada sisi receiver
untuk pengelompokkan kembali parameter-paremeter
parameter
dari masing – masing radar yang
bersesuaian. Pada penelitian ini akan dilakukan proses pembangkitan beberapa sinyal radar dan
pengiriman pada sisi receiver sehingga terjadi interleaving,, kemudian dilakukan proses
deinterleaving yang dilakukan dengan metode sederhana berupa sequence search
search.
Gambar 2 menunjukkan flowchart sistem yang menjelaskan simulasi yang dilakukan pada
penelitian ini.
ANALISA TOA
Gambar 2. Flowchart Sistem
Gambar 3 menunjukkan parameter – parameter yang disimulasikan pada pulsa radar,
diantaranya adalah Frekuensi (RF), Time of Arrival (TOA), Pulse Width (PW) dan Angle of
Arrival (AOA).
Gambar 3. Parameter yang Disimulasikan pada Pulsa Radar
Title of manuscript is short and clear, implies research results (First Author)
ISSN: 1978-1520
ISSN: 1978-1520
2.1 Pembangkitan Sinyal
Sinyal dari beberapa radar yang memiliki parameter berbeda antara radar satu dengan
radar lainnya dibangkitkan secara. Salah satu parameter yang disimulasikan adalah Pulse
Repetition Interval (PRI). Pemodelan sinyal secara matematis dari masing-masing PRI dapat
dirumuskan sebagai berikut:
1. PRI Constant adalah tipe PRI yang sederhana. Pulsa di ulang secara constant dengan
interval T. Deretan TOA dan PRI constant yaitu:
‫ݐ‬௡௖௢௡௦ = ݊ܶ + ߮ + ߪ‫ݖ‬௡
(1)
௖௢௡௦
‫݌‬௡
= ܶ+ߪ
(2)
dimana : T adalah Interval
n adalah Deretan pulsa
‫ݖ‬௡ adalah Gaussian noise
σ adalah varians
φ adalah waktu antara pulsa yang diterima
2. PRI Jitter adalah variasi TOA secara random dari pulsa dibatasi dalam sebuah interval
dimana bias any anilai jitter maximum adalah 0.3T.
௃௜௧௧
‫݌‬௡ = ܶ + ‫ܬ‬
(3)
dimana ‫ܬ‬adalah nilai jitter
3. PRI Stagger memiliki M PRI level, ܶ௜, ݅= 0,1,2 … ‫ ܯ‬, dimana nilai M biasanya antara 2
hingga 8 level.
‫݌‬௡௖௢௡௦ = ܶ௡ ௠ ௢ௗ ெ
(4)
4. PRI Sliding yaitu modulasi yang meningkat secara berkala
‫݌‬௡௖௢௡௦ = ܶ௦௧௔௥௧ + ܶ௦௧௘௣ ((݊ − 1)݉ ‫) ܯ݀݋‬
(5)
5. PRI Dwell and Switch adalah PRI yang memiliki M PRI level, di aktifkan dari kelompok
pulsa satu ke yang lain
ܲ௡஽ௌ = ܶ௤(௡) + ߪ
186
2.2
Proses Interleaving
Proses interleaving dipengaruhi oleh nilai TOA (Time of Arrival) dari pulsa. Nilai TOA
dipengaruhi oleh jarak dan PRI (Pulse Repetition Interval) dari masing-masing radar. Pada
gambar 4 (a) menujukkan sinyal dari berbagai radar dengan parameter radar (PW, AOA,
Frekuensi dan PRI) yang berbeda. Salah satu parameter yang paling penting untuk deteksi sinyal
radar adalah mengidentifikasi nilai PRI dari masing-masing radar. Nilai PRI dapat diperoleh
dengan menganalisa nilai TOA yang diterima oleh receiver seperti halnya yang di jelaskan pada
gambar 4 (b).
(a)
(b)
Gambar 4. (a) Proses Interleaving pada Sinyal Radar dan (b) Proses Interleaving TOA Sinyal
Radar
Gambar 5 menunjukkan contoh dari deretan pulsa radar dengan beberapa parameter.
Dicontohkan terdapat tiga nilai TOA yang berbeda pada masing-masing sinyal, selanjutnya pada
proses transmisi akan terjadi interleaving antara sinyal satu dengan sinyal lainnya. Proses
interleaving ini tergantung dari nilai TOA dari sinyal/ pulsa. Pulsa yang tiba pada penerima
IJCCSVol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
187
mengekstrak parameter intra-pulse dari setiap pengukuran (TOA, Frekuensi, lebar pulsa,AOA,
Amplitudo dan sebagainya ). Pulsa dari satu atau lebih pemancar, kemungkinan akan terjadi
kerusakan akibat adanyanoise dan kesalahan perhitungan pada proses deinterleaving.
(a)
(b)
(c)
(d)
Gambar 5. Deretan Pulsa (a) Radar 1 (b) Radar 2 (c) Radar 3 (d) Hasil Interleaving
2.3 Sequence Search
Pada sisi penerima yaitu radar detektor, Sample TOA sinyal dari sumber yang berbeda
kemudian disorting sesuai dengan TOA dari masing-masing radar. Sequence search berfungsi
untuk mengidentifikasi PRI dari radar dengan berusaha mengurutkan deretan pulsa berdasarkan
kelompok nilai PRI yang sesuai (kelompok pulsa yang periodik). Pada gambar 6 menunjukkan
langkah-langkah untuk melakukan analisa pulsa radar menggunakan metode sequence search.
Berikut ini adalah langkah-langkah sequence search:
1. Mengasumsikan nilai inisialisasi estimasi PRI. Algoritma dimulai dari pulsa pertama (t1)
kemudian mencari pulsa yang lain (t1+PRI)
2. Jika pulsa tidak ditemukan, algoritma merestart dengan pulsa ke-2
3. Jika pulsa ditemukan, algoritma meneruskan dengan pulsa ini dan mencari pulsa berikutnya
4. Setelah menemukan pulsa ke-3, algoritma meneruskan dengan mencari pulsa berikutnya
dengan mengijinkan 1 missing pulse. (tlast+2*PRI), ketika pulsa berikutnya tidak
ditemukan.
5. Jika pulsa kedua missing, algoritma berhenti dan kembali dengan jumlah pulsa yang
berhasil ditemukan.
6. Jika jumlah pulsa lebih besar daripada nilai sebelumnya, PRI ini dianggap benar (b≥ ܲ)
7. Jika tidak ada pulsa yang ditemukan dengan PRI ini, algoritma direstart untuk PRI yang lain
Title of manuscript is short and clear, implies research results (First Author)
ISSN: 1978-1520
188
ISSN: 1978-1520
Gambar 6. Flowchart Sequence Search
3. HASIL DAN PEMBAHASAN
Hasil simulasi yang telah dilakukan dalam proses penyelesaian penelitian ini terdiri dari 3
tahapan yang telah dilakukan yaitu (1) pembangkitan sinyal radar dengan berbagai macam
parameter sinyal yang berbeda dan pembuatan database pada localhost untuk menyimpan nilai
parameter radar, (2) simulasi sinyal Transmisi radar berupa sinyal diskrit hingga terjadi
interleaving (tumpang tindih), dan (3) simulasi pada penerima yaitu berupa radar detektor untuk
melakukan deinterleaving terhadap sinyal yang diterima. Untuk simulasi sinyal radar dan sinyal
pada penerima digunakan program matlab.
Simulasi Sinyal Radar pada transmitter akan disimulasikan beberapa sinyal radar dengan
berbagai macam parameter yang berbeda. Parameter yang membedakan antara sinyal satu
dengan sinyal lainnya adalah jenis modulasi PRI (PRI constant, PRI jitter, PRI stagger, PRI
dwell&Switch, PRI Sliding), nilai PRI, Pulse Width danfrekuensi (Fix atau Hopping). Gambar
8adalah contoh dari spesifikasi radar Oborona “Tall King C” [6] dimana terdapat parameterparameter yaitu frekuensi, pulse repetition interval (PRT), lebar pulsa, waktu yang diterima,
range resolution, rotasi antenna dan hits per scan. Parameter tersebut dibutuhkan untuk
pembangkitan sinyal radar.
IJCCSVol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

189
Gambar 7. Parameter Oborona “Tall King C”
Sebagian dari parameter radar akan disimpan pada database. Untuk penelitian ini
database yang digunakan yaitu MySQL. Untuk parameter yang dapat di simpan pada database
merupakan parameter basic radar, seperti frekuensi,pulse width, dan AOA dan sebagainya.
Database akan dipanggil pada localhost. Localhost adalah sebutan untuk memanggil hosting
pada komputer lokal yang telah diinstal web server. Gambar 8merupakan contoh database yang
dibuat pada localhost. Dimana terdapat empat jenis radar yang memiliki parameter yang
berbeda-beda.
Gambar 8. Database Parameter Beberapa Radar
Gambar 9 meggambarkan sinyal pulsa radar yang memiliki 23 MHz dimana nilai
frekuensi diperoleh dari database yang sebelumnya sudah dibuat pada Microsoft Access.
SinyalPulsa
fc=cell2mat(frekuensi);
Gambar 9. Pembangkitan Sinyal dengan Parameter pada Database
Selanjutnya adalah membangkitkan sinyal radar dengan modulasi PRI yang berbedabeda. Gambar 10 merupakan simulasi dari beberapa tipe PRI yang berbeda yang terdiri dari
PRI Konstan, PRI Jitter, PRI Sliding dan PRI complex/ stagger.
Title of manuscript is short and clear, implies research results (First Author)
ISSN: 1978-1520
190
ISSN: 1978-1520
1
0.9
1
1
0.8
0.8
0.7
0.6
0.8
0.6
0.6
0.5
0.4
0.4
0.4
0.2
0.3
0.2
0.2
0
0.1
0
-0.2
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
0
1
2
3
4
5
6
7
8
2
x 10
-3
x 10
(a)
-3
-0.2
(b)
0
1
2
3
(c)
4
5
6
x 10
-3
PRI Stagger sinyal
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
0
1
2
3
4
5
0
1
2
3
4
5
(d)
6
4
x 10
-3
x 10
(e)
Gambar 10. Macam-macam modulasi PRI: (a) PRI Constant (b) PRI Sliding (c) PRI Jitter
(d) PRI Dwell&Switch (e) PRI Stagger
Pada gambar 11 (a) menggambarkan hasil interleaving dari dua jenis modulasi PRI
yaitu PRI jitter dan PRI sliding. Hal ini menunjukkan bahwa ada dua radar yang memancarkan
sinyal pulsa dengan PRI berbeda. Pada penerima sinyal tersebut akan saling interleaved atau
berselang-seling sesuai dengan waktu pengiriman pulsa (TOA). Pada bagian PRI yang saling
overlapping antara PRI satu dengan PRI yang lainnya akan mengalami penjumlahan amplitude
sesuai dengan nilai amplitude yang dimiliki masing-masing PRI.
Gambar 11 (b) menggambarkan hasil interleaving dari dua PRI yaitu PRI constant. Hal
ini menunjukkan bahwa ada dua radar yang memancarkan sinyal pulsa dengan PRI berbeda.
Pada penerima sinyal tersebut akan saling interleaved atau berselang-seling sesuai dengan
waktu pengiriman pulsa (TOA). Pada bagian PRI yang saling overlapping antara PRI satu
dengan PRI yang lainnya akan mengalami penjumlahan amplitude sesuai dengan nilai
amplitude yang dimiliki masing-masing PRI
1
0
-1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-4
x 10
1
0
-1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-4
x 10
amplitudo
2
0
-2
0
0.1
0.2
0.3
0.4
0.5
0.6
waktu(s)
0.7
0.8
0.9
1
-4
x 10
(a)
(b)
Gambar 11. Interleaving antara PRI jitter dan PRI Sliding: (a) PRI jitter, PRI sliding, Hasil
Interleaving dan (b) Interleaving antara PRI konstan.
Frekuensi hopping yang digunakan oleh radar dimaksudkan untuk mengecoh pihak
lawan agar sinyal yang dikirimkan susah untuk terdeteksi. Pada gambar 12 sinyal termodulasi
BPSK dan terdapat 6 frekuensi yang berbeda digunakan untuk mengirimkan sinyal. Spread atau
lompatan pada frekuensi hop bersifat acak. Pola hopping hanya dapat diketahui oleh pengirim
dan penerima sehingga pesan yang dikirim tidak dapat terdeteksi.
IJCCSVol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
191
(a)
(b)
(c)
(d)
Gambar 12. Frekuensi Hoppingpada Sinyal Pulsa : (a) Sinyal pula
(b) Sinyal Modulasi (c) Spread sinyal dengan 6 frekuensi (d) Frekuensi HopSpread
Spectrum Signal
Pada simulasi selanjutnya yaitu pada gambar 13 mensimulasikan jenis-jenis modulasi
PRI dengan masing-masing PRI memiliki frekuensi hopping dimana terdapat 6 frekuensi yang
berbeda digunakan untuk mengirimkan sinyal. Spread atau lompatan pada frekuensi hop bersifat
acak. Pertama yaitu mensimulasikan rectangular pulse sesuai dengan jenis modulasi PRI,
kemudian simulasi frekuensi hopping dengan 6 macam frekuensi yang berbeda. Hasil simulasi
rectangular pulse dan frekuensi hopping dimodalasi.
1
0
-1
0
500
1000
1500
(a)
2000
2500
3000
0
500
1000
1500
(b)
2000
2500
3000
0
500
1000
1500
(c)
2000
2500
3000
1
0
-1
1
0
-1
Gambar 13. Frekuensi Hopping pada PRI konstan : (a) Pulsa Radar (b) Spread sinyal dengan 6
Frekuensi (c) Frekuensi HopSpread Spectrum Signal
Simulasi pengiriman pulsa selanjutnya yaitu memancarkan pulsa dari berbagai jenis pulsa
dengan parameter berbeda seperti Pulse Width, frekuensi dan nilai PRI. Gambar 14
menunjukkan pulsa dengan nilai PW yang berbeda-beda dari masing-masing pulsa. Hal ini
menunjukkan bahwa terdapat 3 radar yang memancarkan sinyal pulsa dimana pada pulsa
pertama memiliki nilai PW 80 us, pulsa kedua memiliki nilai PW sebesar 40 us dan pulsa ketiga
memiliki nilai PW sebesar 20 us. Pada penerima terjadi interleaving antar sinyal pulsa.
Title of manuscript is short and clear, implies research results (First Author)
ISSN: 1978-1520
192
ISSN: 1978-1520
1
0.5
0
0
0.2
0.4
0.6
0.8
1
(a)
1.2
1
(b)
1.2
1
(c)
1.2
1
(d)
1.2
1.4
1.6
1.8
2
x 10
-3
1
0.5
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
x 10
-3
1
0.5
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
x 10
-3
1
0.5
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
x 10
-3
Gambar 14. Interleaving Pulsa dengan Beda PW (a) PW 80 us, (b) PW 40 us dan (c) hasil
Interleaving
1
0.5
0
0
0.2
0.4
0.6
0.8
1
(a)
1.2
1
(b)
1.2
1
(c)
1.2
1
(d)
1.2
1.4
1.6
1.8
2
-3
x 10
1
0.5
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
-3
x 10
1
0.5
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
-3
x 10
2
1
0
0
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
-3
x 10
Gambar 15. Interleaving Pulsa dengan Beda PW dan PRI (a) PW 80 us dan PRI 400 us, (b) PW
40 us dan PRI 200 us, (c) PW 20 us dan PRI 100 us dan (d) Hasil Interleaving
Gambar 15 menunjukkan tiga pulsa dengan dua nilai parameter yang berbeda yaitu nilai
PW dan PRI yang berbeda-beda dari masing-masing pulsa. Hal ini menunjukkan bahwa terdapat
3 radar yang memancarkan sinyal pulsa dimana pada pulsa pertama memiliki nilai PW 80 us
dan PRI 400 us, pulsa kedua memiliki nilai PW sebesar 40 us dan PRI 200us, dan pulsa ketiga
memiliki nilai PW sebesar 20 us dan nilai PRI 100us. Pada penerima terjadi interleaving antar
sinyal pulsa sehingga menyebabkan terjadi overlapping pada penerima yaitu ESM.
Hasil Penguraian pada Radar Detector
Inputan untuk setiap metode deteksi PRI
t1 = [0,1,2,….,10]
t2 = [1,1+√2, 1+2√2,…, 1+10√2]
t3 = [2,2+√5,2+2√5 ,…, 2+10√5]
t = sort(t1 ∪ t2 ∪ t3)
dimana t1 ∪ t2 menyatakan gabungan elemen t1 dan t2 dan sort (.) menyatakan pengurutan naik
terhadap semua elemen vector sehingga dihasilkan nilai TOA sesuai dengan waktu yang
dipancarkan.
Tabel 1 memberikan indek dari TOA (Time of Arrival) dan nilainya. Dari tabel dapat
perbedaan nilai setelah terjadi interleaving. Interleaving terjadi karena adanya perbedaan waktu
pemancaran sinyal dan nilai PRI pada masing-masing radar. Pada tabel ditunjukkan terdapat 3
radar dengan PRI konstan. Radar pertama memiliki nilai PRI 1us dan waktu pemancaran pada 0
μs. Pada radar kedua memiliki nilai PRI √2μs dengan waktu pemancaran pada detik ke-1 μs, hal
ini menunjukkan bahwa ketika radar pertama memancarkan pulsa kedua tetapi pada radar kedua
baru memancarkan pulsa pertama. Pada radar ketiga memiliki nilai PRI √5μs dengan waktu
pemancaran pada detik ke 2 μs.
IJCCSVol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

193
Deteksi PRI merupakan hal yang paling utama untuk melakukan deinterleaving pada
berbagai inputan sinyal radar karena PRI merupakan parameter yang mendasar untuk
mengelompokkan kembali sinyal radar. Deteksi PRI pada deretan sinyal yang diterima oleh
radar detektor dilakukan dengan menggunakan analisa TOA sehingga diperoleh nilai PRI untuk
masing-masing radar.
Sample TOA sinyal dari sumber yang berbeda kemudian disorting sesuai dengan TOA
dari masing-masing sumber (Radar). Sequence search berfungsi untuk mengidentifikasi PRI
dari radar dengan berusaha mengurutkan/construct deretan pulsa berdasarkan kelompok nilai
PRI yang sesuai (mencari kelompok pulsa yang periodik). Sequence search dilakukan setelah
nilai PRI yang mungkin sudah diidentifikasi sehingga sequence search perlu dikombinasikan
dengan metode deteksi PRI yang lain agar hasilnya lebih optimal. Proses pencarian akan terus
dilakukan hingga terdapat pulsa input yang cukup untuk membentuk PRI sequence. Penggunaan
Sequence search akan menghasilkan deteksi yang lebih akurat tetapi memerlukan waktu yang
lebih lama.
Sequence search ketika PRI yg dipilih bernilai 1
t1=1:3;
t4=7:18;
t5=22.5:37.5
Missing_pulse_max=3;
Title of manuscript is short and clear, implies research results (First Author)
ISSN: 1978-1520
194
ISSN: 1978-1520
Tabel 1. Nilai TOA Sebelum dan Sesudah Interleavin
Sebelum Interleaving
Setelah Interleaving
Nilai TOA
Nilai TOA
1
0
0
2
1
1
3
2
1
4
3
2
5
4
2
6
5
2.414
7
6
3
8
7
3.828
9
8
4
10
9
4.236
11
10
5
12
1
5.242
13
2.414
6
14
3.828
6.472
15
5.242
6.656
16
6.656
7
17
8.071
8
18
9.485
8.071
19
10.899
8.708
20
12.313
9
21
13.727
9.483
22
15.142
10
23
2
10.899
24
4.236
10.944
25
6.472
12.313
26
8.708
13.18
27
10.944
13.727
28
13.18
15.142
29
15.416
15.416
30
17.652
17.652
31
19.888
19.888
32
22.124
22.124
33
24.36
24.36
No.TOA
IJCCSVol. x, No. x, July201x : first_page–end_page

Jatisi, Vol. 3 No. 2 Maret 2017
195
4. KESIMPULAN
Kinerja simulator radar dapat mensimulasikan berbagai parameter yang berbeda dari
masing-masing radar, dimana parameter yang digunakan adalah Time of Arrival (TOA ),
Frekuensi yaitu frekuensi yang reguler dan frekuensi hopping, Pulse Width (PW) dan Pulse
Repetition Interval (PRI).
Metode Sequence Search sudah mampu untuk menentukan nilai aktual PRI dan jumlah
pulsa yang dipancarkan dimana pada penelitian bangkitkan tiga radar yang memiliki nilai PRI
pada masing-masing radar adalah 1µs, 1.4 µs dan 2.23 µs. Sequence search dilakukan setelah
nilai PRI yang mungkin sudah diidentifikasi sehingga sequence search perlu dikombinasikan
dengan metode deteksi PRI yang lain agar hasilnya lebih optimal dan akurat.
5. SARAN


Adapun saran pada penelitian selanjutnya yang perlu diperhatikan yaitu:
Pada parameter radar yang digunakan untuk melakukan simulasi pembangkitan sinyal radar
dapat menambah jumlah parameter yang digunakan yaitu Pulse Amplitudo (PA) yang
dipengaruhi oleh periode putaran antena radar dan pattern antena.
Dapat menggunakan metode analisa deteksi radar yang lain yang dapat mendeteksi
parameter lain dari sinyal radar seperti pendeteksian Pulse Amplitudo dari pulsa radar dan
metode yang mampu mendeteksi nilai PRI dengan medulasi yang berbeda (tidak hanya
pulsa dengan nilai PRI yang periodik)
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada instansi-instansi terkait yang telah membantu
penulis dalam menyelesaikan penelitian ini khususnya PT. Solusi 247 sebagai penyedia data
radar secara real kepada penulis.
DAFTAR PUSTAKA
[1]
Skolnik,M., 2011, Introduction to Radar System, International Edition, Mc Graw Hill.
[2]
Wiley, R.G., 2000, ELINT The Interception and Analysis of Radar Signal, Artech House,
London.
[3]
Mahafza, B.R., 2000, Radar System Analysis and Design Using Matlab, Chapman &
Hall/CRC
[4]
Alaydrus, M., 2011, Antena Prinsip & Aplikasi, ANDI, Yogyakarta.
[5]
Chan,Y.T., 2002, Performance Evaluation of ESM Deinterleaving Using TOA Analysis,
IEEE International Conference.
[6]
Wolf, C., 1997, Radar Obrona Talking C, http://www.radartutorial.eu/19.kartei/
11.ancient/karte042.en.html, Diakses Tanggal 22 Januari 2015.
Title of manuscript is short and clear, implies research results (First Author)
196
ISSN: 1978-1520
BIODATA PENULIS
Derry Alamsyah adalah dosen tetap Program Studi Teknik Informatika STMIK GI MDP.
Pendidikan Sarjana Sains telah diselesaikan pada tahun 2009 dari FMIPA Universitas
Sriwijaya dan Sarjana Komputer diselesaikan pada tahun 2012 dari Teknik Informatika
STMIK GI MDP. Pendidikan Pascasarjana ditempuh di Fakultas Ilmu Komputer Universitas
Indonesia dengan mengambil spesialisai Computer Vision, serta Pascasarjana Pendidikan
Matematika pada tahun 2011 di Universitas Sriwijaya. Saat ini mengasuh mata kuliah
pengenalan pola dan pembelajaran mesin, grafika komputer, pengolahan citra dan kalkulus I
dan II.
Dewi Sartika telah menyelesaikan pendidikan strata-1 Teknik Informatika di Universitas
Sriwijaya dengan pada tahun 2012 serta pendidikan strata-2 Ilmu Komputer di Universitas
Indonesia pada tahun 2015. Saat ini Dewi merupakan dosen program studi Informatika di
Universitas Indo Global Mandiri (UIGM) Palembang. Matakuliah yang pernah diampu
adalah Algoritma dan Pemrograman, Struktur Data, Pemrograman Berorientasi Objek,
Rekayasa Perangkat Lunak, Etika Profesi, dan Pemrograman Visual.
Desi Pibriana adalah seorang dosen tetap di Program Studi Sistem Informasi STMIK Global
Informatika Multi Data Palembang. Pendidikan Sarjana diselesaikan pada tahun 2012 dari
Jurusan Sistem Informasi Fakultas Ilmu Komputer Universitas Sriwijaya (Unsri) dan
mendapat gelar Sarjana Sistem Informasi. Pendidikan pascasarjana diselesaikan pada Tahun
2014 dari Program Magister Teknologi Informasi (MTI) Universitas Indonesia (UI) dan
mendapat Gelar Magister Teknologi Informasi (M.T.I). Desi Pibriana saat ini (semester
Genap Tahun Akademik 2015/ 2016) mengasuh mata kuliah Sistem Basis Data, Interaksi
Manusia dan Komputer serta Teori Keputusan.
Eka Puji Widiyanto adalah dosen tetap Program Studi Teknik Komputer AMIK Multi Data
Palembang. Pendidikan Sarjana Teknik diselesaikan pada tahun 2004 dari Teknik Elektro
Universitas Gadjah Mada. Pendidikan pascasarjana ditempuh di Fakultas Ilmu Komputer
Universitas Indonesia pada tahun 2011 dengan mengambil spesialisasi Arsitektur dan
Infrastruktur. Saat ini mengasuh mata kuliah robotika, pemrograman jaringan komputer,
fisika dasar, dan PLC.
Dien Novita adalah seorang dosen tetap di Program Studi Sistem Informasi STMIK Global
Informatika Multi Data Palembang. Pendidikan Sarjana diselesaikan pada tahun 2001 dari
Jurusan Matematika Fakultas MIPA Universitas Sriwijaya (Unsri) dan mendapat gelar S.Si.
Pendidikan pascasarjana diselesaikan pada Tahun 2011 dari Program Magister Teknologi
Informasi (MTI) Universitas Indonesia (UI) dan mendapat Gelar Magister Teknologi
Informasi (M.T.I). Dien Novita saat ini (semester Genap Tahun Akademik 2016/ 2017)
mengasuh mata kuliah E-Government, Matematika Komputasi dan Statistika.
Della Oktaviany merupakan dosen tetap Program Studi Sistem Informasi STMIK GI MDP
Palembang. Pada tahun 2012 menyelesaikan pendidikan Sarjana Komputer dari Program
Studi Sistem Informasi STMIK GI MDP dan melanjutkan jenjang perkuliahan di Fakultas
Ilmu Komputer Universitas Indonesia pada tahun 2014. Saat ini mengasuh matakuliah Basis
Data Terapan, Analisis Sistem Informasi, E-Business.
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
Jatisi, Vol. 3 No. 2 Maret 2017
 197
Dicky Pratama, memperoleh gelar S.Kom dari STMIK GI MDP Palembang, Indonesia tahun
2012. Kemudian memperoleh gelar M.T.I dari Universitas Indonesia, tahun 2014. Saat ini
bekerja sebagai dosen tetap pada program studi Sistem Informasi STMIK GI MDP
Palembang.
Dafid adalah dosen tetap Program Studi Sistem Informasi STMIK Global Informatika Multi
Data Palembang. Gelar Sarjana Sains (S.Si) diperoleh pada tahun 2004 dari Jurusan Ilmu
Komputer Universitas Padjajaran Bandung. Gelar Magister Teknologi Informasi (M.T.I)
diperoleh pada tahun 2010 dari Program Pasca Sarjana Magister Teknologi Informasi
Fasilkom Universitas Indonesia. Saat ini mengasuh mata kuliah Sistem Basis Data,
Algoritma dan Struktur Data, Administrasi dan Keamanan Basis Data
Hendri Sopryadi, memperoleh gelar S.Kom dari Bina Nusantara, Indonesia tahun 2002.
Kemudian memperoleh gelar M.T.I dari Universitas Indonesia, tahun 2010. Saat ini bekerja
sebagai dosen tetap pada program studi Teknik Informatika STMIK GI MDP Palembang.
IGN Mantra adalah sejak 1998 sebagai Dosen Tetap Program Studi Teknik Informatika,
Fakultas Teknologi Informasi, Perbanas Institute, Jakarta, disamping itu sebagai Kepala Lab.
Jaringan Komputer dan Keamanan Jaringan. Pasca Sarjana diselesaikan di Teknik
Informatika, Swiss German University (2013) dan STTIBI (2002), Banking Management
(2013) dan Sarjana Teknik Komputer, FTI, ITS Surabaya (1993) dengan spesialisasi
Computer Security dan Cryptography. Saat ini mengasuh mata kuliah Keamanan Jaringan,
IT Security, Keamanan Informasi, Jaringan Komputer, Arsitektur Komputer dan Ethical
Hacking.
Puspita Kartikasari adalah dosen tetap Program Studi Sistem Informasi, Institut Bisnis dan
Informatika Stikom Surabaya. Menyelesaikan Studi Sarjana Sains (S.Si.) pada jurusan
Statistika di Institut Teknologi Sepuluh Nopember Surabaya (ITS) pada tahun 2013 dan pada
tahun 2015 memperoleh gelar Magister Sains (M.Si.) dari jurusan Statistika di Institut
Teknologi Sepuluh Nopember Surabaya (ITS). Ketertarikan dibidang statistika bisnis,
statistika komputasi dan statistika terapan dalam mengevaluasi produk teknologi komputer
dan informasi, maka saat ini tengah meneliti tentang penerapan statistika untuk evaluasi
teknologi informasi berupa website yang dikelola oleh pihak kampus Institut Bisnis dan
Informatika Stikom Surabaya yaitu Sistem Informasi Cyber Campus (SICYCA).
Title of manuscript is short and clear, implies research results (First Author)
198
ISSN: 1978-1520
INDEKS PENYUNTING/MITRA BESTARI
Edy Winarno adalah dosen tetap di Program Studi Teknik Informatika Fakultas Teknologi
Informasi Universitas Stikubank Semarang. Menempuh pendidikan S1 (S.T.) di Jurusan
Teknik Elektro Fakultas Teknologi Industri Universitas Islam Sultan Agung (Unissula)
Semarang lulus tahun 2001, S2 (M.Eng.) di Jurusan Teknik Elektro Departemen Teknik
Elektro dan Teknologi Informasi Universitas Gadjah Mada Yogyakarta (2007-2009), dan S3
(Dr.) di bidang Computer Vision di Departemen Ilmu Komputer dan Elektronika Universitas
Gadjah Mada Yogyakarta (2011-2015). Aktif sebagai peneliti, penulis, reviewer, pembicara
dan sekarang menjabat sebagai Sekretaris Lembaga Penelitian dan Pengabdian Masyarakat
(LPPM) UNISBANK, dan menjadi salah satu pengurus APTIKOM JATENG (Asosiasi
Pendidikan Tinggi Informatika dan Komputer) sebagai Kepala Bidang Penelitian dan
Publikasi Ilmiah. Penulis beberapa buku IT terbitan Elexmedia Komputindo Jakarta sejak
2011, dan menulis beberapa paper ilmiah dalam jurnal bereputasi terindeks Scopus.
Enny Itje Sela adalah dosen tetap Program Studi Teknik Informatika STMIK AKAKOM
YOGYAKARTA. Pendidikan Sarjana Ilmu Komputer (S.Si) diselesaikannya pada tahun
1995 dari Program Studi Ilmu Komputer, Universitas Gadjah Mada. Pendidikan pascasarjana
(M.Kom) diperoleh dari Program Magister Ilmu Komputer, Universitas Gadjah Mada pada
tahun 2002. Kemudian pada tahun 2014 memperoleh gelar Doktor (Dr.) dari Program
Doktor Ilmu Komputer, Universitas Gadjah Mada. Bidang minat yang ditekuni adalah
pengolahan citra, pengenalan pola, data mining, kecerdasan buatan, jaringan syaraf tiruan
(JST)
Gasim adalah dosen tetap Program Studi Teknik Informatika STMIK Global Informatika Multi
Data Palembang. Pendidikan Sarjana Komputer diselesaikannya pada tahun 2000 dari Program
Studi Manajemen Informatika STMIK Bandung. Pendidikan pascasarjana (M.Si) diperoleh
dari Sekolah Pascasarjana Institut Pertanian Bogor (IPB) pada tahu 2006 dengan mengambil
bidang studi Ilmu Komputer. Kemudian pada tahun 2014 memperoleh gelar Doktor (Dr.)
dari program Doktor Universitas Gadjah Mada (UGM) Yogyakarta dengan spesialisasi
kecerdasan buatan. Saat ini mengasuh mata kuliah pemrograman, algoritma dan struktur
data, metodologi penelitian, dan kecerdasan buatan.
Kudang B. Seminar is a professor in the Department of Mechanical & Biosystem Engineering
& the Computer Science Department, Bogor Agricultural University (IPB. He was the
president of and is currently is an honorary board member of Asian Federation for
Information Technology in Agriculture (AFITA) http://www.afita.org/ and that of
Indonesian Society of Agriculture Informatics (HIPI). He received his master and doctoral
degrees in the field Computer Science at thew Brunswick, Canada. His research interests
include Computer-based Control Systems for Agriculture, Knowledge Management System
for Agriculture & Precision Agriculture, Distributed Artificial Intelligent System (Multi
agent Systems). He is also involved in the collaborative international research work with
George Mason University (USA), Ehime & Tsukuba Universities (Japan). He is an author of
national and international articles, a reviewer of International Agricultural Engineering
Journal (IAEJ). Currently, he is the head of Bioinformatics Engineering Laboratory at Bogor
Agricultural University (IPB).
Shofwatul ‘Uyun adalah dosen tetap Program Studi Teknik Informatika Universitas Islam
Negeri Sunan Kalijaga Yogyakarta. Pendidikan Sarjana Teknik (S.T) diselesaikannya pada
tahun 2004 dari Program Studi Teknik Informatika Universitas Islam Indonesia Yogyakarta.
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017

199
Pendidikan pascasarjana (M.Kom) diperoleh dari Program Pascasarjana Universitas Gadjah
Mada (UGM) pada tahun 2006 dengan mengambil bidang studi Ilmu Komputer. Kemudian
pada tahun 2014 memperoleh gelar Doktor (Dr.) dari program Doktor Universitas Gadjah
Mada (UGM) Yogyakarta dengan spesialisasi Sistem Cerdas dan Pengenalan Pola pada Citra
Medis. Saat ini mengasuh mata kuliah kecerdasan buatan, logika fuzzy, pengenalan pola,
pengolahan citra digital dan teori bahasa otomata
Title of manuscript is short and clear, implies research results (First Author)
200
ISSN: 1978-1520
ABSTRAK
JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
VOLUME 3 NOMOR 2, MARET 2017
Pengenalan Wajah Menggunakan Two Dimensional Linear Discriminant
Analysis Berbasis Optimasi Feature Fusion Strategy
Sahmanbanta Sinulingga, Chastine Fatichah, Anny Yuniarti
Abstract
The era of technology today,, research on biometric image is not common to do. One
well researched biometric image is a face recognition (face recognition). Problems on the
human face recognition is a diversity of features or shape between one another face to face.
Therefore, the need for facial feature extraction and classification using a particular method so
that the classification can be recognized correctly.In this study proposed feature extraction
method that can overcome the problems of non-linear automatic data contained in the face
image, called the Two Dimensional Linear Discriminant Analysis based on Feature Fusion
Strategy (TDLDA-FFS). Not stopping on feature extraction, classification methods proposed
also faces that can overcome the problems of the adaptive matrix which aims to study the
benefit of weight on each - each input with the method Relevanced Generalized Learning Vector
quantization (GRLVQ).This research integrates methods TDLDA-FFS and GRLVQ for face
recognition. With the combination of both methods are proven to provide optimal results with a
level of recognition accuracy ranged between 77.78% to 82.22% with a pilot using a database
ISSN: 1978-1520 JCCS Vol. x, No. x, July201x : first_page–end_page 2 ISSN PRINT : 24074322 ISSN ONLINE : 2503-2933 of facial images from the Institute of Business and Information
Stikom Surabaya. While the test uses a database derived from YaleB Database achieve accuracy
levels ranging from 88.89% to 94.44%.
Keywords: Non-Linier Data, Adaptive Matrix, TDLDA, FFS, GRLVQ 1.
The Modeling of Information Security Classification With Risk Value
Assesment Factor to Good Information Governance on
The Indonesia Higher Education Sector
IGN Mantra
Abstract
Digital information is currently dominating the turnover or circulation of information
in any institution, whether in government, private sector, universities, Social, Defense and
Security, Economy, Politics etc. Almost certainly the information is spearheading the movement
of the economy, "who holds the information then he will win the war". Today's Internet era,
which is highly sought after by the hackers or crackers and intruders is information, the heart of
the information in the database, computer and laptop is not worth more in the eyes of hackers
or crackers, hackers either individual or team will try to break through the defense and security
information in server , they are vying to be able to obtain important information, and even the
most sensitive secrets though. The purpose of the security classification of information is made
rating models on levels of sensitivity of the information, with the security classification of
IJCCS Vol. x, No. x, July201x : first_page–end_page
 201
Jatisi, Vol. 3 No. 2 Maret 2017
information would make the control of the security protection of data and information, the
classification will do with risk value assessment factor so that information can be saved away
from the hands of scavengers information especially in Indonesia higher education sector.
Keywords: Information Security Classification; Information Governance; Information
Security Policy; IT Security Risk Management, Risk Value Assessment Factor.
Process Capability Model Based on COBIT 5 Assessments (Case Study)
Johanes Fernandes Andry
Abstract
XYZ Company is Information and Communication Technology solutions provider in
Jakarta. Started in 2003 as reseller product IT and development software customized,
networking and other outsourcing project base. It has become imperative to strengthen IT
governance and audit processes, to ensure the integrity of information systems. COBIT helps
business and their IT achieves these, and builds a powerful, integrated framework for IT
governance, control and audit processes. COBIT 5 is not only a cost-efficient approach, but
also a conceptually easy framework for auditors to understand and communicate to the
management. COBIT 5 moves away from the "maturity models" in COBIT 4.1, to Process
Capability Model, they seek continuous improvement of business process. Assessing the value of
the information and identifying the assets which support the business process. Assessment
focused to domain Build Acquire and Implement (BAI). From the perspective of assessment
activity, control classification by action is the most usefull conceptualization and within that
context: preventive, detective, and corrective controls the most useful for analysis. Assessments
of Process Capability Model based on COBIT 5 in domain BAI, average was at 2.4 (managed)
until 3.0 (established).
Keywords: Process Capability Model, COBIT 5, BAI. ISSN: 1978-1520.
Kriptografi Menggunakan Hybrid Cryptosystem dan Digital Signature
Halim Agung, Ferry
Abstract
Security of information at this point becomes easier to be abused by another party when
that information is sent and stored. To overcome these problems then do research to create an
application that uses a hybrid method cryptosystem and digital signature. Methods in hybrid
cryptosystem is done by combining the RC4 and RSA. Digital signature method is done by using
a hash function SHA-512 with RSA algorithm approach. Applications that are built to perform
encryption and decryption on files as well as improving security in sending data by hybrid
cryptosystem and digital signature. Based on the research results of all the file types tested
successfully encrypted and decrypted as well as the larger the file size, the longer the encryption
and decryption process.
Keywords: Hybrid Cryptosystem, RC4, RSA, SHA-512, Digital Signature.
Title of manuscript is short and clear, implies research results (First Author)
202
ISSN: 1978-1520
Analisis Penerimaan Layanan Web Tracking dengan Penerapan
Technology Acceptance Model (TAM)
Dien Novita, Della Oktaviany
Abstract
Developments of technology allow businesses in Indonesia to develop its business
activities to maintain good relations with customers. Most of the business activities already
involve technology, both in terms of the use of hardware and software. In providing freight
services, PT XYZ provides additional services to its customers, by giving Web Tracking feature.
This feature is the media to check the position of shipments that have been submitted through
PT XYZ. Then it needs to be analyzed receipt Tracking Web services. With descriptive analysis
method with a sample of 235 respondents, analysis of acceptance of Web services Tracking for
delivery of goods in PT XYZ quite well, seen from a variable in the Technology Acceptance
Model (TAM) gained an average user agrees with Web services Tracking with percentages
ranging between 65,87% to 98.81%. The high attitude to use technology from the users of
98.81% the results of this study, PT XYZ should improve usability and ease of use of Web
Tracking service.
Keywords: Analysis, Web Tracking Service, TAM.
Pengaruh Pemanfaatan Kelas Elektronik Terhadap Efektifitas dan Efisiensi
Proses Belajar STMIK XYZ
Dicky Pratama, Hendri Sopryadi
Abstract
Electronic classrooms at STMIK XYZ for this is believed to contribute to the learning
process. Lecturers, students and all staff use the classroom to communicate remotely,
disseminate knowledge, information capture and so forth. It is not yet known whether the use of
electronic classrooms that can impact the efficiency and effectiveness of the learning process.
This study aims to measure whether the use of electronic classrooms significantly influence the
effectiveness and efficiency of the learning process. The method used is regression analysis to
test the normality, linearity and homogeneity. The test results show that a variety of electronic
classrooms affect the effectiveness and efficiency of the learning process.
Keywords: Regression, effectiveness, efficiency, classroom 1.
Analisis dan Perancangan Sistem Pendukung Keputusan Pemberian
Bonus Tahunan Karyawan dengan Metode SAW pada PT. XYZ
Triyana Widya Ningrum, Sherly Valentina, Dafid
Abstract
Employees are one of important things in PT. XYZ. Therefore, the company continually
give a reward to employee in the form of bonus based on employee performance in order to
motivate employee to work harder. PT. XYZ have difficulty to decide who employee that meet
IJCCS Vol. x, No. x, July201x : first_page–end_page
Jatisi, Vol. 3 No. 2 Maret 2017
 203
the criteria to receive bonus. This research intend to make company easier to select qualified
employee to receive annual bonus. Method of collecting data using study of literature, interview
and obervation. Methodology of system development is iterative. Method of decision support
system using Simple Additive Weighting to select employee that meet the criteria to receive
bonus. The system will be develop into employee data, criteria data, calculation of criteria,
assesment of employee performance and reporting of selected employee. The result of this
research is a design of desicion support system that easir company to decide the bonus
receiver’s qualified employee.
Keywords: Decision Support Systems, Bonus, Simple Additive Weighting (SAW).
Title of manuscript is short and clear, implies research results (First Author)
 204
Jatisi, Vol. 3 No. 2 Maret 2017
INDEKS JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
Vol
Judul
Halaman
Penulis
Vol 3 No 1
The Modeling of Information
Security Classification With
Risk Value Assesment Factor to
Good Information Governance
on The Indonesia Higher
Education Sector
1-11
Sahmanbanta Sinulingga,
Chastine Fatichah, Anny Yuniarti
The Modeling of Information
Security Classification With
Risk Value Assesment Factor to
Good Information Governance
on The Indonesia Higher
Education Sector
12-22
IGN Mantra
Process Capability Model Based
on COBIT 5 Assessments
(Case Study)
23-33
Johanes Fernandes Andry
Kriptografi Menggunakan
Hybrid Cryptosystem dan
Digital Signature
34-45
Halim Agung, Ferry
Analisis Penerimaan Layanan
Web Tracking dengan
Penerapan Technology
Acceptance Model (TAM)
46-60
Dien Novita, Della Oktaviany
Pengaruh Pemanfaatan Kelas
Elektronik Terhadap Efektifitas
dan Efisiensi Proses Belajar
STMIK XYZ
61-72
Dicky Pratama, Hendri Sopryadi
Analisis
dan
Perancangan
Sistem Pendukung Keputusan
Pemberian Bonus Tahunan
Karyawan dengan Metode
SAW pada PT. XYZ
73-84
Triyana Widya Ningrum, Sherly
Valentina, Dafid
Pedoman Penulisan Makalah
Jurnal Teknik Informatika dan Sistem Informasi (JATISI)
1. Topik penelitian yang akan dipublikasikan oleh jurnal JATISI adalah yang berhubungan dengan
teknologi informasi, komunikasi dan komputer yang berbentuk kumpulan/akumulasi pengetahuan
baru, pengamatan empirik atau hasil penelitian, dan pengembangan gagasan atau usulan baru.
2. Naskah ditulis dalam Bahasa Indonesia baku atau Bahasa Inggris, belum pernah dipublikasikan
serta bebas dari unsur plagiat. Naskah dilengkapi surat pernyataan tertulis dikirim melalui email
ke [email protected]
3. Naskah diketik dengan komputer menggunakan perangkat lunak Microsoft Word. Ukuran kertas
21 cm x 29,7 cm (A4). Batas atas, bawah, kanan, dan kiri 3 cm. Jarak antar baris 1 spasi.
Menggunakan jenis huruf Times New Roman dengan ukuran font untuk judul artikel adalah 18
point, dan font pada isi makalah 11 point. Naskah ditulis dengan layout 1 kolom.
4. Jumlah halaman antara 10 sampai 14 halaman, dan jumlah gambar tidak boleh melebihi 30% dari
seluruh tulisan.
5. Judul makalah maksimal 12 kata dalam bahasa Indonesia atau 10 kata dalam Bahasa Inggris.
Judul harus mencerminkan masalah yang dibahas, dengan menggunakan kata-kata yang ringkas,
lugas, tepat, jelas dan mengandung unsur-unsur yang dibahas.
6. Nama penulis ditulis di bawah judul sebelum abstrak tanpa disertai gelar akademik atau gelar lain
apapun, asal lembaga tempat penulis bernaung, dan alamat email untuk korespondensi, dengan
ukuran 11 point bold.
7. Sistematika penulisan naskah, terdiri dari:
a. Abstrak dan kata kunci
Abstrak ditulis dalam bahasa Indonesia dan bahasa Inggris dengan panjang masing-masing
150 - 200 kata dan dicetak miring dengan Times New Roman 11 point diketik dengan jarak 1
spasi. Abstrak disusun dengan kalimat-kalimat ringkas, jelas, runtut, dan sistematis dan
dapat menggambarkan apa dan mengapa penelitian dikerjakan, bagaimana dikerjakan, dan
apa hasil yang dicapai dari penelitian.
b. Pendahuluan
Pendahuluan ditulis dengan Times New Roman 11 point. Pendahuluan menguraikan latar
belakang permasalahan, tujuan penelitian, batasan penelitian, metode yang digunakan dalam
penelitian, hasil penelitian yang diperoleh sebelumnya, dan kontribusi yang diberikan dari
makalah ini.
Selain itu pendahuluan juga berisi tinjauan pustaka yang memuat uraian sistematis tentang
informasi hasil-hasil penelitian yang pernah dilakukan oleh peneliti sebelumnya yang relevan
dengan penelitian yang akan dilakukan. Bagian ini memuat kelebihan dan kelemahan yang
mungkin ada pada penelitian terdahulu yang dapat dijadikan argumen bahwa penelitian yang
akan dikerjakan ini bersifat menyempurnakan atau mengembangkan penelitian terdahulu.
Bagian ini juga memuat landasan teori berupa rangkuman teori-teori yang diambil dari
pustaka yang mendukung penelitian, serta memuat penjelasan tentang konsep dan prinsip
dasar yang diperlukan untuk pemecahan permasalahan. Landasan teori dapat berbentuk uraian
kualitatif, model matematis, atau tools yang langsung berkaitan dengan permasalahan yang
diteliti. Sumber pustaka yang dirujuk pada bagian ini harus dicantumkan dalam kalimat/
pernyataan yang diacu dan dalam Daftar Pustaka, misalnya [1].
Judul tabel ditulis dalam Times New Roman 11 point, ditempatkan di atas tabel, tanpa
diakhiri tanda titik. Tabel tidak boleh dipenggal, kecuali kalau tidak mungkin diketik dalam
satu halaman. Pada halaman lanjutan tabel dicantumkan nomor tabel dan ditulis kata Lanjutan
tanpa judul. Bagan, grafik, peta, foto, semuanya disebut gambar. Judul gambar dalam Times
New Roman 11 point, tepat di bawah gambar, tanpa diakhiri oleh tanda titik. Keterangan
gambar dituliskan pada tempat yang kosong pada halaman yang sama. Skala dan satuan pada
grafik harus dibuat sejelas mungkin. Setiap tabel dan gambar harus dirujuk dalam makalah.
c. Metode Penelitian
Bagian ini memuat penjelasan secara lengkap dan terinci tentang langkah-langkah yang
dilakukan dalam melakukan penelitian ini. Selain itu, langkah penelitian juga perlu
ditunjukkan dalam bentuk diagram alir langkah penelitian atau framework secara lengkap dan
terinci termasuk di dalamnya tercermin algoritma, rule, pemodelan-pemodelan, desain dan
lain-lain yang terkait dengan aspek perancangan sistem.
d. Hasil dan Pembahasan
Bagian Hasil dan Pembahasan merupakan bagian yang memuat semua temuan ilmiah yang
diperoleh sebagai data hasil penelitian. Bagian ini diharapkan memberikan penjelasan ilmiah
yang secara logis dapat menerangkan alasan diperolehnya hasil-hasil tersebut yang
dideskripsikan secara jelas, lengkap, terinci, terpadu, sistematis, serta berkesinambungan.
Pemakalah menyusun secara sistematis disertai argumentasi yang rasional tentang informasi
ilmiah yang diperoleh dalam penelitian, terutama informasi yang relevan dengan masalah
penelitian. Pembahasan terhadap hasil penelitian yang diperoleh dapat disajikan dalam bentuk
uraian teoritik, baik secara kualitatif maupun kuantitatif. Dalam pelaksanaannya, bagian ini
dapat digunakan untuk memperbandingkan hasil-hasil penelitian yang diperoleh dalam
penelitian yang sedang dilakukan terhadap hasil-hasil penelitian yang dilaporkan oleh peneliti
terdahulu yang diacu pada penelitian ini. Secara ilmiah, hasil penelitian yang diperoleh dalam
penelitian dapat berupa temuan baru atau perbaikan, penegasan, atau penolakan interpretasi
suatu fenomena ilmiah dari peneliti sebelumnya.
Hasil penelitian disajikan secara cermat agar mudah dipahami, misalnya dapat ditunjukkan
dalam bentuk tabel, kurva, grafik, gambar, foto, atau bentuk lainnya sesuai keperluan secara
lengkap dan jelas. Perlu diusahakan agar saat membaca hasil penelitian dalam format tersebut,
pembaca tidak perlu mencari informasi terkait dari uraian dalam pembahasan. Akhir dari
bagian ini memuat keterangan tentang kelebihan dan kelemahan sistem, yang dideskripsikan
secara terinci.
e. Kesimpulan
Kesimpulan merupakan pernyataan singkat, jelas, dan tepat tentang apa yang diperoleh,
memuat keunggulan dan kelemahan, dapat dibuktikan, serta terkait langsung dengan tujuan
penelitian. Uraian pada bagian ini harus merupakan pernyataan yang pernah dianalisis/dibahas
pada bagian sebelumnya, bukan pernyataan yang sama sekali baru dan tidak pernah dibahas
pada bagian sebelumnya, serta merupakan jawaban atas permasalahan yang dirumuskan.
Bagian ini tidak perlu ada uraian penjelasan lagi.
f. Saran
Saran memuat berbagai usulan atau pendapat yang sebaiknya dikaitkan oleh penelitian
sejenis. Saran dibuat berdasarkan kelemahan, pengalaman, kesulitan, kesalahan, temuan baru
yang belum diteliti dan berbagai kemungkinan arah penelitian selanjutnya.
g. Daftar Pustaka
Daftar Pustaka hanya memuat pustaka yang benar-benar diacu dalam makalah, ditulis
menggunakan jenis huruf Times New Roman 11 point, dan disusun sbb:
1) Urutan Daftar Pustaka berdasarkan berdasarkan urutan kemunculan rujukan.
2) Tulisan untuk suatu sumber pustaka diketik satu spasi. Jarak di antara sumber pustaka
tetap dua spasi.
3) Sumber refernsi dari Internet harus berasal dari artikel ilmiah-resmi.
4) Setiap pustaka ditulis menurut:
a) Buku: nama pengarang, tahun penerbitan, judul, edisi (jika perlu), jilid (jika perlu),
nama penerbit, kota penerbit
b) Majalah/Jurnal Ilmiah/Prosiding: nama penulis, tahun penerbitan, judul, nama
majalah/jurnal ilmiah/prosiding, edisi (jika perlu), nama penerbit, kota penerbit
c) Laporan Penelitian: nama peneliti, tahun, judul, jenis penelitian, nama lembaga,
kota
d) Internet: nama penulis, tanggal akses, judul artikel, alamat URL secara lengkap.
Publikasi di web selain e-book, e-journal, dan e-proceeding tidak diperbolehkan
untuk dijadikan rujukan penelitian ilmiah.
8. Tabel dan gambar harus diberi identitas yang berupa nomor urut dan judul tabel atau gambar
yang sesuai dengan isi tabel atau gambar, serta dilengkapi dengan sumber kutipan.
9. Persamaan harus diberi nomor urut dan diacu dalam naskah.
10. Daftar pustaka disusun menurut urutan kemunculan rujukan. Urutan dimulai dengan penulisan
nama penulis, tahun, judul, penerbit, dan kota terbit. Penulisan nama penulis adalah nama
keluarga diikuti nama kecil. Kutipan dari internet berisi nama penulis, judul artikel, alamat
website, dan tanggal akses.
11. Bagian akhir makalah disertakan biodata penulis mencakup nama lengkap, tempat tanggal lahir,
alamat koresponden (rumah/kantor dan email), tahun lulus dan bidang ilmu unutk S1, S2 atau S3
spesialisasi dan minat keilmuan serta hal-hal lain yang dianggap perlu dicantumkan.
12. Redaksi berhak menolak naskah yang tidak memenuhi kriteria/persyaratan teknis, mengadakan
perubahan susunan naskah, memperbaiki bahasa dan berkonsultasi dengan penulis sebelum
naskah dimuat.
FORM PENILAIAN REVIEWER
JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
(JATISI)
NO
1
2
UNSUR
KETERANGAN
MAKS
Keefektifan Judul
Artikel
Maksimal 12 (dua belas) kata
dalam Bahasa Indonesia atau
10 (sepuluh) kata dalam Bahasa
Inggris
2
Pencantuman
Nama Penulis dan
Lembaga Penulis
KETERANGAN
a. Tidak lugas dan tidak ringkas (0)
b. Kurang lugas dan kurang ringkas (1)
c. Ringkas dan lugas (2)
1
a. Tidak lengkap dan tidak konsisten
(0)
b. Lengkap tetapi tidak konsisten (0,5)
c. Lengkap dan konsisten (1)
3
4
Abstrak
Kata Kunci
Dalam Bahasa Indonesia dan
Bahasa Inggris yang baik,
jumlah 150-200 kata. Isi terdiri
dari latar belakang, metode,
hasil, dan kesimpulan. Isi
tertuang dengan kalimat yang
jelas.
2
Maksimal 5 kata kunci
terpenting dalam paper
1
a. Tidak dalam Bahasa Indonesia dan
Bahasa Inggris (0)
b. Abstrak kurang jelas dan ringkas,
atau hanya dalam Bahasa Inggris, atau
dalam Bahasa Indonesia saja (1)
c. Abstrak yang jelas dan ringkas
dalam Bahasa Indonesia dan Bahasa
Inggris (2)
a. Tidak ada (0)
b. Ada tetapi kurang mencerminkan
konsep penting dalam artikel (0,5)
c. Ada dan mencerminkan konsep
penting dalam artikel (1)
5
6
Sistematika
Pembaban
Pemanfaatan
Instrumen
Pendukung
Terdiri dari pendahuluan,
tinjauan pustaka, metode
penelitian, hasil dan
pembahasan, kesimpulan dan
saran, daftar pustaka
Pemanfaatan Instrumen
Pendukung seperti gambar dan
tabel
1
c. Lengkap dan bersistem (1)
1
a. Tak termanfaatkan (0)
b. Kurang informatif atau
komplementer (0,5)
7
Cara Pengacuan
dan Pengutipan
1
8
Penyusunan
Daftar Pustaka
9
Peristilahan dan
Kebahasaan
2
10
Makna
Sumbangan bagi
Kemajuan
4
Penyusunan Daftar Pustaka
a. Tidak lengkap (0)
b. Lengkap tetapi tidak sesuai sisetm
(0,5)
1
c. Informatif dan komplementer (1)
a. Tidak baku (0)
b. Kurang baku (0,5)
c. Baku (1)
a. Tidak baku (0)
b. Kurang baku (0,5)
c. Baku (1)
a. Buruk (0)
b. Cukup (1)
c. Baik (2)
a. Tidak ada (0)
b. Kurang (1)
c. Sedang (2)
d. Cukup (3)
e. Tinggi (4)
ISSN: 1978-1520
NO
UNSUR
11
Dampak Ilmiah
12
Nisbah Sumber
Acuan Primer
berbanding
Sumber lainnya
KETERANGAN
MAKS
7
Sumber acuan yang langsung
merujuk pada bidang ilmiah
tertentu, sesuai topik penelitian
dan sudah teruji. Sumber acuan
primer dapat berupa: tulisan
dalam makalah ilmiah dalam
jurnal internasional maupun
nasional terakreditasi, hasil
penelitian di dalam disertasi,
tesis, maupun skripsi
Derajat Kemutakhiran Pustaka
Acuan
3
c. > 80% (3)
13
Derajat
Kemutakhiran
Pustaka Acuan
14
Analisis dan
Sintesis
Analisis dan Sintesis
4
15
Penyimpulan
Sangat jelas relevasinya dengan
latar belakang dan pembahasan,
dirumuskan dengan singkat
3
16
Unsur Plagiat
TOTAL
Catatan: Nilai minimum untuk diterima adalah 25 poin
–
KETERANGAN
a. Tidak ada (0)
b. Kurang (1)
c. Sedang (3)
d. Cukup (5)
e. Besar (7)
a. < 40% (1)
b. 40-80% (2)
3
0
36
a. < 40% (1)
b. 40-80% (2)
c. > 80% (3)
a. Sedang (2)
b. Cukup (3)
c. Baik (4)
a. Kurang (1)
b. Cukup (2)
c. Baik (3)
a. Tidak mengandung plagiat (0)
b. Terdapat bagian-bagian yang
merupakan plagiat (-5)
c. Keseluruhannya merupakan plagiat
(-20)