3. data maning dan database system

Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012) ISBN 978‐602‐19837‐0‐6

Data Maning dan Database System 3-1

Pengukuran Kadar Kepekatan Asap pada Lahan Gambut

Arif Gunawan1, Moch. Rivai 2, dan Eko Setijadi3 1Teknik Telekomunikasi Politeknik Caltex Riau

2,3Intitut Teknologi Sepuluh Nopember (ITS) Email : [email protected] [email protected] Email : [email protected] [email protected]

Abstrak

Dalam beberapa dekade belakangan ini Indonesia merupakan derah sebagai pengeksport asap terbesar , dimana asap tersebut berasal dari berapa daerah di pulau sumatera. Ini terbukti dengan beberapa keberatan dan dari negara tetangga akan asap yang berasal dari hasil terbakarnya lahan gambut salah satunya dipropinsi Riau. Asap hasil terbakarnya lahan gambut tentunya memiliki karakteristik kandungan partikel yang berbeda dengan terbakarnya lahan lain. Dalam penelitian ini dilakukan degan 2 buah pengujian , yang pertama mengambil sempel lahan gambut dan dilakukan pembakaran didalam ruang isolator dan mengukur kadar partikel dengan 5 bua sensor, yaitu TGS2442 (CO), TGS2201(Metana),TGS 4161(Co2) dan TGS2612(Gas Oil), serta LM35 sebagai sensor suhu. Pengujian ke dua adalah pengukuran langsung dengan meletakan sensor dan sistem di sekitar daerah yang terbakar (dilakukan pada saat masyarakat membuka lahan untuk perkebunan sawit) .Setelah itu hasil data sensor diinputkan ke mikrokontroller dan selanjutnya ditransmisikan ke PC/Laptop via RS232 dan untuk selanjutnya ditampilkan dalam bentuk grafik untuk mengetahui kandungan asap dari hasil pembakaran lahan gambut.

Kata kunci : transmitter, receiver, sensor 1. Pendahuluan

Kebakaran hutan di Indonesia pada saat ini dapat dipandang sebagai bencana regional dan global. Hal ini disebabkan karena hasil pembakaran yang dilepas ke atmosfer salah satu contoh CO2, berpotensi menimbulkan pemanasan global. Pembukaan lahan gambut berskala besar dengan membuat saluran/parit telah menambah resiko terjadinya kebakaran di lahan gambut pada musim kemarau.

Gambar 1. karakteristik Lahan gambut (Suwido H.

Limin, edisi 7 mei 2003) Kejadian kebakaran hutan dan lahan di provinsi riau memiliki pengaruh yang besar terhadap terjadinya polusi kabut asap yang melintas batas negara. Pada umumnya kebakaran yang terjadi di provinsi riau berada di lahan gambut yang mendominasi wilayah ini sebesar 60 %, oleh karena itu, kabut asap merupakan fenomena alam yang umum terjadi pada saat musim kebakaran dan memberikan dampak terhadap negara tetangga seperti malaysia dan Singapore elias ( Inyoman jaya wistara,2009). Untuk itu penting kiranya di lakukan suatu penelitian untuk mengetahui kandungan partikel dari hasil pembakaran lahan gambut di propinsi riau. Untuk mengetahui kandungan partikel maka digunakan beberapa buah sensor yaitu sensor suhu (LM35), sensor TGS2201 ( gas oline), TGS4161(gas Co2), TGS2442 (gas CO), dan sensor TGS2612 ( gas methan). 2. Tinjauan Pustaka

Adapun sistem sensor yang di gunakan

adalah:

2.1. Sensor TGS2442

TGS2442 menggunakan struktur multilayer sensor. Menampilkan TGS2442 baik selektivitas untuk karbon monoksida, sehingga ideal untuk memonitoring kandungan CO. Pada gambar grafik



dibawah sumbu y mengindikasikan rasio dari resistansi sensor (Rs/Ro) dimana : Rs = Resistansi sensor gas yang ditampilkan pada

berbagai konsentrasi. Ro = Resistansi sensor pada 100ppm CO. Gambar karakteristik rangkian TGS 2442

Gambar 2. Karakteristik rangkaian TGS2442

2.2. Sensor TGS2201 TGS2201 dapat mendeteksi 2 kandungan pada

1 substrate dan menghasilkan 2 keluaran secara terpisah untuk merespon kandungan gas pembuangan diesel dan gas pembuangan bensin. Rs = Resistansi sensor gas yang ditampilkan pada

berbagai konsentrasi. Ro = Resistansi sensor pada saat udara bersih. Setelah dilakukan perhitungan berdasarkan karakteristik rangkaian

Gambar 3. Karakteristik sensor 2201

2.3. Sensor TGS2612 Sensor TGS2612 mempunyai sensitifitas yang

tinggi terhadap kandungan methane, propane, dan buthane sehingga membuat,. Fitur-fitur yang terdapat pada sensor TGS2612 adalah sedikit mengkonsumsi daya, Sensitifitas yang tinggi terhadap kandungan methane dan LP gas. Pada gambar grafik sumbu y mengindikasikan rasio dari resistansi sensor (Rs/Ro) dimana : Rs = Resistansi sensor gas yang ditampilkan pada

berbagai konsentrasi. Ro = Resistansi sensor pada 5000ppm CO. Rangkaian karakteristik TGS2612

Gambar 4. karakteristik rangkaian TGS2612

2.4. Sensor LM 35 Sensor suhu menggunakan LM35 ini

mempunyai presisi yang tinggi dengan lineraritas +10.0 mV terhadap suhu Celcius. Suhu yang dapat diukur cukup lebar yakni antara –55°C sampai dengan 150°C.

2.5. Mikrokontroler ATMega8535

Mikrokontroler AVR memiliki arsitektur RISC 8 bit, dimana semua instruksi dikemas dalam kode 16-bit (16-bits word) dan sebagian besar instruksi dieksekusi dalam 1 (satu) siklus clock, berbeda dengan instruksi MCS51 yang membutuhkan 12 siklus clock. AVR berteknologi RISC. Modul sensor dan ruang pengujian

Gambar 5. Ruang pengukuran dan module Sensor

yang di gunakan

Gambar 6. PC monitor Sensor Gas



3. Blok Diagram Sistem Secara Keseluruhan dan Prinsip Kerja Sistem

Pada rangkaian diatas mengunakan 5 buah sensor suhu (LM35), sensor TGS2201 (gas oline), TGS4161(gas Co2), TGS2442 (gas CO), dan sensor TGS2612 (gas Metan). Hasil pembacaan sensor diproses oleh mikrokontroler dan kemudian hasilnya di tampilkan dalam LCD , untuk terkoneksi dengan Port serial pada PC hasil pembacaan di teruskan ke komunikasi serial yaitu MAX 232 dan hasil pembacaanya di tampilkan di PC

Gambar 7. Blok diagram Rangkaian Sensor

3.1. Rangkaian sensor

Gambar 8. Rangkaian sensor

Pada gambar 8 terdapat 3 buah rangkaian, yaitu rangkaian sensor TGS2612, rangkaian sensor TGS2442, dan rangkaian sensor TGS2201. Pada setiap sensor mempunyai RH (tahanan heater) dan RS. RH berfungsi sebagai tahanan untuk tegangan heater, adapun tegangan heater berfungsi untuk memanaskan sensor agar dapat membaca kandungan partikel gas. Dan RS berfungsi sebagai tahanan untuk tegangan circuit,adapun tegangan circuit befungsi untuk memberi tegangan pada

sensor agar dapat membaca kandungan partikel gas tentunya setelah dipanaskan oleh tegangan heater. 3.2. Flow Chat Pengukuran

Dalam pembuatan sistem ini dilakukan dengan beberapa cara salah satunya adalah perancangan system sensor,berikut perancangan system sensor.

Gambar 9. Flowchat sensor

Pada sistem diatas dapat dilihat sinyal hasil pembacaan dari sensor-sensor yang berupa tegangan dari 0 – 5 Volt masuk kedalam sistem mikrokontroler , Mikro sendiri memiliki ADC internal dan hasil dapat diolah didalam mikrokontroler. Hasil yang telah diolah oleh sistem mikrokontroler di teruskan melalui port TX/RX sebagai komunikasi serial ke IC MAX232 dan diterskan ke PC melalui port DB9. Sedangkan perancangan dalam sistem pengolahan data adalah sebagai berikut

4. Analisa

4.1. Pengujian tanpa asap Pengujian yang dilakukan tanpa asap di ruang

simulasitor, dengan hasil pembacaan sensor adalah dalam pengujian ini gambut yang sudah diambil hutan akan di bakar di dalam ruang simuator adapun ruang simulator yang di buat adalah berdiameter 120 cm x 50 cm x 40 cm sepertigambar di bawah ini



Gambar 10. Ruang simulator ukur asap

Kemudian di lakukan pembakaran sampah gambut dan masukan kedalam ruang simulator ,sampah yang diambil sebelumnya di timbang memiliki berat 1.5 kg, dan sensor mendeteksi perubahan yang terjadi. Untuk mendapatkan data yang Valid pertama di lakukan pengukuran mendeteksi kondisi normal ruangan tanpa asap gambut. Dan hasil pengukuranya seperti di bawah ini.

Tabel 1. Pengukuran ruangan tanpa asap

Data ke Suhu Metana Gas oline CO Co2 50 31.37 1.00 41.00 14.60 97.00

100 31.39 1.00 42.40 14.60 97.00 150 31.41 1.00 43.10 14.60 97.00 200 31.44 1.00 43.18 14.60 97.00 250 31.46 1.00 43.25 14.60 97.00 300 31.49 1.00 43.33 14.60 97.00 350 31.51 1.00 43.40 14.60 97.02 400 31.54 1.00 43.48 14.60 97.05 450 31.56 1.00 43.55 14.60 97.07 500 31.59 1.00 43.63 14.60 97.07 550 31.61 1.00 43.70 14.60 97.07 600 31.63 1.00 43.78 14.63 97.07 650 31.66 1.00 43.85 14.65 97.07 700 31.68 1.00 43.93 14.66 97.07 750 31.71 1.00 43.98 14.68 97.07 800 31.73 1.00 44.00 14.70 97.07 850 31.76 1.00 44.57 14.73 97.07 900 31.78 1.00 45.00 14.75 97.07

Dalam pengambilan data sensor dilakukan sampai dengan 900 data dan telah di rata-ratakan memilikihasil seperti tabel1. Terlihat di dalam ruangan memiliki suhu tertinggi 31.78 oC, methan 1 ppm, gas oline 45ppm, gas CO 14,75 ppm, dan CO2 97.07 ppm. 4.2. Pengujian dengan asap

Pengukuran kedua adalah dengan membakar sampah gambut dan meletakan di dalam ruang simulator , dan sensor mendeteksi perubahan perubahan di dalam ruang simulator. Dan hasilnya seperti tabel di bawah ini.

Tabel 2. Pengukuran dengan asap

Data ke suhu Metana Gas oline CO Co2 1000 32.75 5 91.5 15 96 1050 33 5.25 92.25 15 96 1100 33 5.5 92.5 15 96 1150 33 5.75 92.75 15.25 96 1200 33 6 93.25 15.5 96 1250 33 6 93.5 15.75 96 1300 33 6 93.75 16 96 1350 33 6 94 18.75 96.75 1400 33 6 94 19 97 1450 33 6 94 19 97.25 1500 33 6 94 19 97.5 1550 33 6 94 19 97.5 1600 33 6 94 19 97.75 1650 33.25 6 94 19 97.75 1700 33.5 6 94 19 98.25 1750 33.75 6 94 19 98.5 1800 34 6 94 16.5 98.75 1850 34 6 94 17 99 1900 34 6.25 94 17.5 99 1950 34 6.25 94.25 18.5 99 2000 34 6.5 94.25 18.5 99 2050 34 6.5 94.5 18.25 99 2100 34 6.75 94.5 19 99 2150 34 6.75 94.75 18 99 2200 34 7 94.75 19.5 99.25 2250 34 7 95 18 99.5 2300 34 7 95 18 99.5 2350 34 7 95 18 99.75 2400 34 7 95 18 100 2450 34 7 95 18 100 2500 34 7.25 95 20 100 2550 34 7.5 95 20 100 2600 34 7.5 95 20 100 2650 34 7.75 95 19.5 100 2700 34 8 95 19 100.25 2750 34 8.25 95 18.5 100.5 2800 34 8.5 95 20 100.75 2850 34 8.5 95 20 101 2900 34 8.75 95 20 101 2950 34 9 95 20 101 3000 34 9 95 20 101 3050 34 9 95 20 101

Dari tabel diatas dapat kita lihat pada suhu tertinggi yaitu 34 oC mengandung unsur metan tertinggi 9 ppm, gas oline 95 ppm, CO 20ppm, dan CO2 adalah 101 ppm. 4.3. Pengujian dengan asap dilokasi

pembukaan lahan sawit

Adapun tujuan pengukuran ini adalah untukmendapatkan data sebenarnya pada saat warga melakukan pembukaan lahan sawit. Walapun sulit mendapatkan kondisi yang konstan konsentrasi dari asap gambut yang terbakar karena beberapa hal yaitu: 1. Sulitnya menjangkau daerah yang terbakar

karena medan yang sulit



2. Kondisi cuaca angin yang membuat sulit mendapatkan konsentrasi yang luas

3. Luasnya areal yang terbakar 4. Sulit memetakan luas daerah yang terbakar

sebagai acuan ukur. 5. Sulitnya mengindetifikasi lokasi hotspot/ titik

apai karena proses terbakarnya sangat singkat Sebagai pembanding maka diambil data

kondisi kualitas udara daerah setelah selesai terjadinya pembakaran untuk adapun data nya adalah sebagai berikut .

Tabel 3. Kondisi sesudah kualitas udara setelah terjadinya kebakaran

Data ke suhu Methan Gas Oline

CO CO2

5050 32.00 0.40 49.00 14.00 95.00 5100 32.00 0.65 49.00 14.00 95.00 5150 32.00 0.74 49.00 14.00 95.00 5200 32.00 0.77 49.00 14.00 95.00 5250 32.00 0.89 49.00 14.00 95.00 5300 32.00 0.89 49.00 14.00 95.00 5350 32.00 0.90 49.00 14.00 95.00 5400 32.00 0.91 49.00 14.00 95.00 5450 32.03 0.96 49.00 14.00 95.00 5500 32.09 1.00 49.00 14.00 95,7 5550 32.17 1.00 49.00 14.00 95,7 5600 32.26 1.00 49.00 14.00 95,7 5650 32.40 1.00 49.00 14.00 95,7 5700 32.49 1.00 49.00 14.00 95,7 5750 32.74 1.00 49.00 14.00 95,7 5800 32.91 1.00 49.00 14.00 95,7 5850 33.00 1.00 49.00 14.00 95,7 5900 33.00 1.00 49.00 14.00 95,7 5950 33.00 1.12 49.00 14.00 95,7

Berdasarkan data di dapatkan kondisi normal pada saat telah terjadinya proses pembakaran dengan konsentarsi gas methan 1.12 ppm, gas oline 49 ppm, gas CO 14 ppm dan gas CO2 95,7 ppm

Dengan hal-hal tersebut untuk mendapatkan perbandingan dari kondisi pengukuran skala laboratorium maka pengukuran sebenarnya , akan perlu dilakukan secara langsung di lapangan. Pengambilan data di lakukan di daerah kandis propinsi riau pada tanggal 12 juli 2011 dengan kondisi pembakaran dalam upaya pembukaan lahan perkebunan sawit. Adapun data yang di dapat dari pngukuran lapangan adalah :

data ke suhu Methan Gas oline CO CO2 4000 32.60 1.00 65.17 15.00 96.00 4050 32.77 1.00 67.74 15.00 96.11 4100 32.91 1.00 67.86 15.00 96.14 4150 32.93 1.00 68.00 15.00 96.17 4200 32.94 1.00 68.83 15.00 96.26 4250 33.09 1.00 69.00 15.00 96.27 4300 33.74 1.11 69.50 15.00 96.46 4350 33.74 1.14 69.09 15.00 96.49 4400 33.76 1.40 69.09 15.00 96.54

4450 33.77 1.89 69.51 15.00 96.57 4500 33.82 2.00 70.29 15.00 96.60 4550 33.82 2.37 71.09 15.00 96.73 4600 33.83 2.54 71.66 15.00 96.74 4650 33.83 2.66 71.91 15.00 96.77 4700 33.86 2.74 72.09 15.00 96.89 4750 33.86 2.89 72.86 15.00 97.00 4800 33.87 2.91 73.00 15.00 97.00 4850 33.90 2.94 73.17 15.00 97.00 4900 33.91 3.00 74.26 15.00 97.00

Dari data yang diperoleh menunjukan bahwa hasil pembakaran lahan gambut menghasilkan beberapa partikel gas diantaranya adalah methan dengan konsentrasi 3 ppm, gas oline dengan konsentrasi 74,26 , gas CO ( karbon monoksida ) 15 ppm , dan gas CO2 adalah 97 ppm. 5. Kesimpulan

Berdasarkan data yang di peroleh bahwa asap hasail pembakaran lahan gambut di ruang terbuka mengandung banyak unsur CO (15 ppm), CO2(97ppm) , Methan( 3 ppm), gas oline (74,26 ppm). Dengan demikian pembakaran lahan gambut turut menyumbang dampak polusi di kota pekanbaru.



Referensi [1] Farukh NADEEM, Erich LEITGEB, Radio

Engineering Vol.19. No.2 Dense maritime Fog Attenuation Prediction From measured Visibility data, Institute of Broadband Communication, Graz University Of Technology, Graz, Austria, June 2010

[2] Edward E. Altshuer ,Fellow, IEEE Transaction On Antennas and Propagation , Vol.AP-32 , No.7 A simple Expression For Estimating attenuation By Fog at Millimeter Wavelengths , july 1984

[3] C.C. Chen ,Attenuation of Elektromagnetic Radiation by haze, Fog, Clauds, and Rain United State Air Force Project Rand , april 1975



Analisis Efektivitas Algoritma C4.5 dalam Menentukan Peserta Pemenang Tender Projek

Jose Augusto Duarte Guterres, Paulus Mudjihartono, Ernawati

1Magister Teknik Informatika Universitas Atma Jaya Yogyakarta 2,3Universitas Atma Jaya Yogyakarta

[email protected] , [email protected], [email protected]

Abstrak Pemilihan kontraktor yang tepat dalam

menangani sebuah projek dapat pula mempengaruhi kualitas kerja. Keputusan Pemenang tender projek merupakan keputusan yang dilakukan oleh panitia penyelenggara tender projek yang bersifat transparan yang dapat memberikan nilai riil sesuai dengan ketentuan dalam menentukan pemenang tender projek. Saat ini dalam penentuan pemenang tender projek masih bersifat manual sehingga informasi-informasi yang merupakan kriteria penentuan pemenang tender projek terkadang terabaikan.

Kriteria penilaian yang peneliti gunakan dalam menentukan pemenang tender projek meliputi evaluasi administasi, evaluasi teknis, evaluasi harga dan evaluasi kualifikasi. Empat kriteria tersebut, peneliti gunakan untuk mengklasifikasikan pemenang tender projek menggunakan algoritma C4.5 dengan mencari nilai Entropy dan Gain yang mana dapat membentuk pohon keputusan dalam menentukan pemenang tender projek. Penentuan pemenang tender projek ini setelah dianalisa dengan menggunakan algoritma C4.5 dapat memberikan informasi yang efektif dalam menentukan peserta pemenang tender projek. Kata Kunci : Algoritma C4.5, Entropy, Gain,

Pemenang tender projek, Pohon Keputusan.

1. Pendahuluan

Menurut [1] menyampaikan bahwa Pemilihan kontraktor yang tepat dalam menangani sebuah projek dapat pula mempengaruhi kualitas kerja dalam kemajuan pembangunan yang didasarkan pada evaluasi multi-atribut. Penilaian dalam berbagai atribut untuk dipertimbangkan dalam pemilihan kontraktor dapat membantu meningkatkan proses seleksi dalam mendapatkan

keputusan yang terbaik dalam memilih kontraktor [1].

Penentuan pemilihan terhadap kontraktor bertujuan untuk mengetahui kemampuan secara teknis oleh panitia penyelenggara tender projek akan pentingnya suatu perencanaan pembangunan untuk tahapan projek selanjutnya. Persaingan usaha yang semakin ketatpun melatarbelakangi perlunya sistem penilaian sebagai alat evaluasi kinerja konsultan perencana dalam menangani suatu projek perencanaan, sehingga tercipta suatu produk perencanaan yang optimal, sebagai acuan pelaksanaan pekerjaan konstruksi dan sebagai suatu keunggulan [3] dalam pendukung keputusan.

Pembuatan sistem pendukung keputusan menurut [2] untuk prakualifikasi kontraktor yang dalam pembuatan model base-nya dilakukan dengan mengidentifikasi variabel-variabel pembeda terhadap kinerja kontraktor dari segi Evaluasi administrasi, evaluasi teknis, evaluasi harga, dan evaluasi Kualifikasi. Hal tersebut dapat dilihat dari validasi eksternal yang dilakukan terhadap data yang tidak dipergunakan dalam pembuatan model base yang memberikan keakuratan cukup tinggi [2]. Sistem pendukung keputusan digunakan dalam memadukan data dan pengetahuan untuk meningkatkan efektivitas dan efisiensi dalam proses pengambilan keputusan [4]. Dalam sistem pendukung keputusan terdapat informasi-informasi yang perlu ditelaah lebih dalam lagi sehingga informasi-informasi yang dibutuhkan dalam pemecahan sebuah masalah dapat diselesaikan dengan baik. Dalam sistem pendukung keputusan, terdapat pula sebuah teknik penggalian data atau yang dikenal dengan penambangan data (data mining) untuk menyelesaikan suatu masalah dalam memberikan informasi-informasi yang dibutuhkan, metode penggalian data tersebut biasa dikenal dengan teknik penambangan data.

Penambangan data merupakan proses analisis data untuk menemukan suatu pola dari kumpulan data-data. Penambangan data mampu menganalisa data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan.



Salah satu teknik yang ada pada penambangan data adalah klasifikasi. Beberapa kelompok klasifikasi, di antaranya adalah pohon keputusan, Bayesian dan jaringan saraf. Salah satu klasifikasi penambangan data dalam pohon keputusan adalah Algoritma C4.5. Dalam algoritma C4.5 pemilihan atribut dilakukan dengan menggunakan Gain Ratio dengan mencari nilai entropy. Algoritma C4.5 menggunakan pendekatan induksi dimana, dalam pendekatan ini, algoritma C4.5 membagi-bagi data berdasarkan kirteria yang di pilih untuk membuat sebuah pohon keputusan. Algoritma C4.5 ini juga menggunakan pendekatan secara top-down [5]. 2. Metode

Metode yang digunakan untuk analisis adalah metode Klasifikasi, menggunakan konsep penambangan data klasifikasi algoritma C4.5 yaitu dengan mencari nilai information gain dan entroopy sehingga dari metode ini dapat membentuk sebuah pohon keputusan dalam menangani peserta pemenang tender projek yang mana secara umum algoritma C4.5 dapat membangun pohon keputusan [10] adalah sebagai berikut: 1. Pilih atribut sebagai akar 2. Buat cabang untuk masing-masing nilai 3. Bagi kasus dalam cabang 4. Ulangi proses untuk masing-masing cabang

sampai semua kasus pada cabang memiliki kelas yang sama.

3. Pembahasan

Algoritma C4.5 adalah pengembangan dari algoritma ID3. Oleh karena pengembangan tersebut algoritma C4.5 mempunyai prinsip dasar kerja yang sama dengan algoritma ID3, hanya saja Algoritma C4.5 menggunakan pendekatan induksi dimana, dalam pendekatan ini, algoritma C4.5 membagi-bagi data berdasarkan kirteria yang di pilih untuk membuat sebuah pohon keputusan. Algoritma C4.5 ini juga menggunakan pendekatan secara top-down [5] dalam algoritma C4.5 ([7] [9] [8] [6] 2007) pemilihan atribut dilakukan dengan menggunakan Gain Ratio dengan rumus :

Entropy(S ) = ........(1) Atribut dengan nilai Gain Ratio tertinggi dipilih sebagai atribut test untuk simpul. Dengan gain adalah information gain dengan rumus : Gain(S,A) = Entropy(S) - .........(2)

Di mana : S = Himpunan kasus A = Atribut i = Jumlah Partisi Atribut Si = Jumlah Kasus pada partisi ke i S = Jumlah Kasus dalam S

Gambar 1. Pohon Keputusan Lengkap (Abidin., A.

Z. Z., 2011)

Gambar 1 menunjukan pohon keputusan dalam pemberian rekomendasi ajar [11]. Jumlah simbol lingkaran sebagai node menunjukkan jumlah atribut sebagai atribut sumber kognitif, minat dan nilai awal. Sedangkan atrinut tujuan berupa rekomendasi ajar yang bernilai induktif dan nondirektif.

4. Hasil dan Pembahasan

Analisis efektivitas algoritma C4.5 dalam menentukan pemenang tender projek seperti pada tabel 1, data penetuan pemenang tender projek merupakan tahap pengambilan keputusan berdasarkan kriteria evaluasi administrasi, evaluasi teknis, evaluasi harga dan evaluasi kulaifikasi untuk dijadikan sebagai modal pengetahuan dalam membentuk sebuah pohon keputusan. Analisis dan perancangan sistem yang dapat membantu memberikan keputusan kepada panitia penyelenggara tender projek akan kemungkinan perserta tender projek yang akan menerima atau tidaknya sebuah projek diantaranya menentukan pohon keputusan, menentukan aturan, model data, fungsionalitas sistem dan perancangan struktur halaman. Implementasi sistem menggunakan bahasa pemrograman Visual studio dan MySQL sebagai database-nya.

Sebagai langkah awal untuk melakukan perhitungan pencarian nilai gain dan entropy dapat dilihat pada kasus di bawah ini (Tabel 1). Misalkan ditampilkan 54 dataset pengujian untuk klasifikasi C4.5



Peserta Evaluasi Evaluasi Evaluasi Evaluasi Keputusan PenawaranTender Trojek (P) Adminstrasi Teknis Harga Kualifikasi (Diterima Atau Tidak)

P1 Baik Tinggi Tinggi Lengkap NoP2 Baik Tinggi Tinggi Tidak Lengkap NoP3 Baik Tinggi Sedang Lengkap YesP4 Baik Tinggi Sedang Tidak Lengkap NoP5 Baik Tinggi Rendah Lengkap YesP6 Baik Tinggi Rendah Tidak Lengkap NoP7 Baik Sedang Tinggi Lengkap YesP8 Baik Sedang Tinggi Tidak Lengkap NoP9 Baik Sedang Sedang Lengkap YesP10 Baik Sedang Sedang Tidak Lengkap NoP11 Baik Sedang Rendah Lengkap YesP12 Baik Sedang Rendah Tidak Lengkap NoP13 Baik Rendah Tinggi Lengkap NoP14 Baik Rendah Tinggi Tidak Lengkap NoP15 Baik Rendah Sedang Lengkap YesP16 Baik Rendah Sedang Tidak Lengkap NoP17 Baik Rendah Rendah Lengkap YesP18 Baik Rendah Rendah Tidak Lengkap NoP19 cukup Tinggi Tinggi Lengkap NoP20 cukup Tinggi Tinggi Tidak Lengkap NoP21 cukup Tinggi Sedang Lengkap YesP22 cukup Tinggi Sedang Tidak Lengkap NoP23 cukup Tinggi Rendah Lengkap YesP24 cukup Tinggi Rendah Tidak Lengkap NoP25 cukup Sedang Tinggi Lengkap YesP26 cukup Sedang Tinggi Tidak Lengkap NoP27 cukup Sedang Sedang Lengkap YesP28 cukup Sedang Sedang Tidak Lengkap NoP29 cukup Sedang Rendah Lengkap YesP30 cukup Sedang Rendah Tidak Lengkap NoP31 cukup Rendah Tinggi Lengkap NoP32 cukup Rendah Tinggi Tidak Lengkap NoP33 cukup Rendah Sedang Lengkap NoP34 cukup Rendah Sedang Tidak Lengkap NoP35 cukup Rendah Rendah Lengkap YesP36 cukup Rendah Rendah Tidak Lengkap NoP37 Kurang Tinggi Tinggi Lengkap NoP38 Kurang Tinggi Tinggi Tidak Lengkap NoP39 Kurang Tinggi Sedang Lengkap YesP40 Kurang Tinggi Sedang Tidak Lengkap NoP41 Kurang Tinggi Rendah Lengkap YesP42 Kurang Tinggi Rendah Tidak Lengkap NoP43 Kurang Sedang Tinggi Lengkap NoP44 Kurang Sedang Tinggi Tidak Lengkap NoP45 Kurang Sedang Sedang Lengkap YesP46 Kurang Sedang Sedang Tidak Lengkap NoP47 Kurang Sedang Rendah Lengkap YesP48 Kurang Sedang Rendah Tidak Lengkap NoP49 Kurang Rendah Tinggi Lengkap NoP50 Kurang Rendah Tinggi Tidak Lengkap NoP51 Kurang Rendah Sedang Lengkap NoP52 Kurang Rendah Sedang Tidak Lengkap NoP53 Kurang Rendah Rendah Lengkap NoP54 Kurang Rendah Rendah Tidak Lengkap No

Tabel 1. Tabel Dataset Uji Penentuan peserta pemenang tender projek

Untuk bisa menentukan nilai-nila gain dan entropy dari masing-masing atribut di atas, maka terlebih kita konversi ke dalam bentuk tabel klasifikasi yang lebih detail sebagai berikut :

Tabel 2. Tabel klasifikasi untuk perhitungan nilai gain dan entropy

Node Jumlah No Yes Entropy GAIN

Kasus (S) (S1) (S2)1 TOTAL 54 37 17 0,898653376

Evaluasi 0,016460341Administrasi Baik 18 11 7 0,964078765

Cukup 18 12 6 0,918295834Kurang 18 14 4 0,764204507

Evaluasi 0,216674141Teknis Tinggi 18 12 6 0,918295834

Sedang 18 10 8 0,99107606Rendah 18 15 3 0,650022422

Evaluasi 0,079182323Harga Tinggi 18 16 2 0,503258335

Sedang 18 11 7 0,964078765Rendah 18 10 8 0,99107606

Evaluasi 0,423175351Kualifikasi Lengkap 27 10 17 0,950956048

Tidak Lengkap 27 27 0 0

Setelah tabel 2 dibuat, maka langkah

selanjutnya adalah melakukan perhitungan nilai entropy dengan menggunakan persamaan (2), untuk mencari nilai gain nya nanti. Langkah pertama mencari nilai entropy total, dilakukan sebagai berikut :

Baris Total Kolom Entropy pada Tabel 2 di hitung dengan Rumus Sebagai Berikut

Entropy(Total) = (-37/54 * Log2 (37/54)) + (-17/54 * Log2(17/54) Entropy(Total) = ((-37/54) * 0,584962501) + ((-17/54) * (-1,584962501) = 0,37372339 + 0,524929986 = 0,898653376

Perhitungan selanjutnya adalah menghitung nilai gain total untuk Evaluasi Administrasi dengan menggunakan persamaan (2) berdasarkan nilai entropy dari masing-masing atributnya sebagai berikut :

EntropyAdminstrasi (Baik) = (-11/18 * Log2(11/18) + (-7/18) * Log2(7/18) = 0,434190401 + 0,529888364 = 0,964078765

EntropyAdminstrasi (Cukup) = (-12/18 * Log2(12/18) + (-6/18) * Log2(6/18) = 0,389975 + 0,528320834 = 0,918295834

EntropyAdminstrasi (Kurang) = (-14/18 * Log2(14/18) + (-4/18) * Log2(4/18) = 0,281998951 + 0,482205556 = 0,764204507

Information Gain (Total,EVAdmin) = 0,898653376 - ((18/54 * 0,964078765 ) + (18/54 * 0,918295834 ) + (18/54 * 0,764204507)) = 0,898653376 - (0,882193035) = 0,036102799

Perhitungan nilai entropy dan gain diteruskan sampai atribut terakhir dan diperoleh nilai-nilai gain dan entropy tertentu. Hasil dari nilai gain kemudian dibandingkan dengan nilai gain lainnya untuk mencari nilai tertinggi yang akan dijadikan acuan untuk melakukan proses perhitungan kembali pada proses pembentukan struktur pohon [10]. pada perhitungan pada Tabel 2 diatas maka nilan Gain Tertinggi terdapat pada Atribut Evaluasi Kualifikasi Sehingga membentuk pohon Keputusannya seperti pada gambar 1.



Gambar 2. Pohon Keputusan Untuk Evaluasi Kualifikasi

Tender Projek Menggunakan algoritma C4.5

Setelah melakukan perhitungan seperti langkah perhitungan dengan mencari nilai gain dan etropy maka proses selanjutnya adalah melakukan perhitungan kembali, yang mana atribut evaluasi kualifikasilah yang menjadi akar perhitungan sehingga bisa mendapatkan nilai entopy dan gain untuk proses selanjutnya. Setelah semua proses dihitung maka dapat membentuk pohon keputusan yang lengkap seperti pada gambar 3.

Gambar 3. Pohon Keputusan Lengkap Penentuan

Peserta Pemenang Tender Projek

4.1. Aturann Klasifikasi Algoritma C4.5 Dari Hasil Analisi berdasarkan gambar 3

diatas maka algoritma dalam menentukan pemenang tender projek memiliki beberapa aturan:

1. IF (Evaluasi Kulaifikasi Tidak Lengkap) THEN NO. 2. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi

Harga Rendah) THEN YES. 3. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi

Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Kurang) THEN NO.

4. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Cukup) THEN YES.

5. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Baik) THEN YES.

6. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Sedang) THEN YES.

7. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Baik) THEN YES.

8. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Baik) THEN NO.

9. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Baik) THEN YES.

10. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Cukup) THEN YES.

11. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Kurang) THEN YES.

12. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Rendah) THEN NO.

4.2. Algoritma C4.5 dengan Metode Lain :

a. Algoritma C4.5

Algoritma C4.5 dalam aplikasi weka dikenal juga dengan J48 maka hasil dari C4,5 adalah

b. Algoritma ID3

c. Aturan NNge



5. Kesimpulan Dari Hasil Analisis data diatas dengan

pembuktian-pembukitan algoritma C4.5 berdasarkan literatur yang digunakan maka dapat disimpulkan bahwa metode algoritma C4.5-pun dapat diterapkan dalam menentukan peserta pemenang tender projek dengan menggunakan kriteria kriteria evaluasi administrasi, evaluasi teknis, evaluasi harga dan evaluasi kualifikasi dan jika dibandingkan dengan metode lain seperti ID3 dan NNge maka algoritma C4.5 memiliki correctly classified yang lebih tinggi jika dibandingkan dengan metode yang lain (metode ID3 dan aturan NNge) dan root relative squere error Pada algoritma C4.5 lebih rendah jika dibandingkan dengan metode yang lain (metode ID3 dan aturan NNge) sehingga algoritma C4.5 dapat dikatakan sebagai metode yang efektif dalam menentukan peserta pemenang tender projek. Referensi [1] Turskis, Zenonas., 2008., Multi-Attribute

Contractors Ranking Method By Applying Ordering Of Feasible Alternatives Of Solutions In Terms Of Preferability Technique, Baltic Journal On Sustainability, 14(2): 224–239.

[2] Demir, Hülya And Bostanci, Bülent., 2010., Decision-Support Analysis For Risk Management, African Journal Of Business Management, Vol. 4(8), Pp. 1586-1604,18 July, Issn 1993-8233 ©2010 Academic Journals.

[3] Diputra, I Gede Astawa., 2009, Sistem Penilaian Kinerja Konsultan Perencana Dalam Menangani Proyek Perencanaan Bangunan Gedung, Jurnal Ilmiah Teknik Sipil Vol. 13, No. 2, Juli.

[4] Suprapto, Heri., And Wulandari Sri., 2006, Decision Support System (Dss) Dalam Prakualifikasi Kontraktor, International Civil Engineering Conference "Towards Sustainable Civil Engineering Practice, Surabaya, August 25-26.

[5] Karaolis, Minas A., Member., Ieee., Moutiris, Joseph A., Hadjipanayi Demetra., And Pattichis, Constantinos S., Senior Member.,

Ieee., 2010, Assessment Of The Risk Factors Of Coronary Heart Events Based On Data Mining With Decision Trees, Ieee.

[6] Al-Hegami, Ahmed Sultan., 2007, Classical And Incremental Classification In Data Mining Process, Ijcsns International Journal Of Computer Science And Network Security, Vol.7 No.12, December.

[7] Chih-Chiang Wei., And Jiing-Yun You., 2011, C4.5 Classifier For Solving The Problem Of Water Resources Engineering, Proceeding Of The International Conference On Advanced Science, Engineering And Information Technology, Isbn 978-983-42366-4-9, Juanuary.

[8] Karegowda, Asha Gowda., Manjunath, A. S., And Jayaram, M.A., 2010, Comparative Study Of Attribute Selection Using Gain Ratio And Correlation Based Feature Selection, International Journal Of Information Technology And Knowledge Management, Volume 2, No. 2, Pp. 271-277, July-December.

[9] Minegishi, Tatsuya., Ise, Masayuki., Niimi, Ayahiko., Konishi, And Osamu., 2009, Extension Of Decision Tree Algorithm For Stream Data Mining Using Real Data, Fifth International Workshop On Computational Intelligence & Applications, Ieee Smc Hiroshima Chapter, Hiroshima University, Japan, November.

[10] Kusrini, Luthfi, E. T., 2009, Algoritma Data Mining, Edisi 1, Andy Offset, Yogyakarta.

[11] Abidin., A. Z. Z., 2011, Implementasi Algoritma C4.5 dalam menganalisa kemungkinan pembelian komputer sebagai media pembelajaran mahasiswa, Digital Information & Sistem conference, ISBN 978-979; Bandung.





Sistem Tracking antaran Paket pada Unit Pelayanan PT. Pos Indonesia Menggunakan metode pendekatan Algoritma Graph Travelling

Salesperson Problem

Richki Hardi, Yul Hendra, dan Munar

Fakultas Ilmu Komputer Universitas Almuslim [email protected], [email protected], [email protected]

Abstrak Persoalan Travelling Salesperson Problem-

TSP merupakan persoalan optimasi untuk mencari perjalanan terpendek bagi pedagang keliling yang ingin berkunjung ke beberapa kota, dan kembali ke kota asal keberangkatan. TSP merupakan persoalan yang sulit bila dipandang dari sudut komputasinya. Beberapa metode telah digunakan untuk memecahkan persoalan tersebut namun hingga saat ini belum ditemukan algoritma yang mangkus untuk menyelesaikannya. Cara termudah untuk menyelesaikan TSP yaitu dengan mencoba semua kemungkinan rute dan mencari rute yang terpendek. Namun, pada zaman yang serba praktis sekarang ini dibutuhkan algoritma yang dapat menyelesaikan TSP dengan cepat sehingga diperoleh solusi yang mendekati solusi optimal. Algoritma TSP sangat tepat digunakan untuk penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan metode konvensional. Data rute dan jarak serta waktu tempuh yang digunakan untuk menentukan rute terpendek pada sistem ini didapat dari hasil survey di kantor pos Lhokseumawe.

Kata kunci : Algoritma Graph, Rute Terpendek,

Travelling Salesperson Problem, Tracking Paket, Web.

1. Pendahuluan

1.1 Latar belakang Masalah Perkembangan ilmu pengetahuan dan

teknologi kian pesat, hal tersebut dapat dilihat dan dirasakan secara langsung maupun tidak langsung. Perkembangan tersebut tengah berdampak pada segala aspek kehidupan manusia. Globalisasi yang terjadi sekarang ini mengakibatkan terjadinya perubahan-perubahan yang dampaknya mempengaruhi segala aspek kehidupan dan terjadi secara berkelanjutan, termasuk di lingkungan perusahaan pengiriman barang standar nasional. Globalisasi yang terjadi dewasa ini mengakibatkan

terjadinya perubahan-perubahan yang dampaknya mempengaruhi segala aspek kehidupan dan terjadi secara berkelanjutan pada lingkungan perusahaan pengiriman barang standar nasional.

Salah satu jenis perkembangan ilmu pengetahuan dan teknologi adalah perkembangan dunia komputasi, satu diantaranya adalah kemajuan sistem informasi. Hampir tidak ada batas ruang dan waktu sehubungan dengan sistem informasi tersebut, informasi dari tempat yang jauh secara fisik dapat dengan cepat dan mudah diketahui oleh kita. Melalui Sistem Informasi berbasis teknologi informasi pekerjaan menjadi mudah, efektif dan efisien.

PT. Pos Indonesia sebagai perusahaan mediator dalam bidang pengiriman dan antaran mempunyai tantangan berat dalam menghadapi dampak perubahan yang ada saat ini, antara lain yaitu adanya pola pergeseran demand masyarakat dimana unit-unit pelayanan masih belum maksimal, namun di sisi lain kebutuhan konsumenpun semakin meningkat, selain itu masalah-masalah yang berkaitan dengan sarana pelayanan, pengiriman barang, tarif pengiriman, keadaan barang, kepuasan konsumen, keselamatan kerja, dan lain sebagainya juga perlu mendapatkan perhatian dan penanganan yang serius.

Proses antaran paket yang sedang berjalan di kantor pos, khususnya daerah Aceh menggunakan rute transportasi umum, dengan armada yang sangat terbatas sehingga membutuhkan waktu yang lama. Jika kantor pos kecamatan (KPC) ingin mengirim paket ke kota lain maka paket tersebut harus diolah terlebih dahulu oleh kantor pos pemeriksa (KPRK) untuk kemudian dikirim ke kota tujuan, walaupun jarak antara Kantor pos kecamatan lebih dekat dengan kota tujuan.

Permasalahannya adalah bagaimana menentukan rute yang tepat sehingga paket dapat sampai ke kota tujuan dalam waktu yang sesingkat mungkin dengan menggunakan rute tersebut, paket yang sampai ke suatu kota atau kantor pos dapat diarahkan ke kantor pos berikutnya yang tepat sehingga paket menuju kota atau kantor pos



penerima dengan delai (delay) waktu yang minimum. Dengan kata lain, harus menentukan lintasan terpendek dan mendekati yang akan dilalui oleh paket tersebut dari kantor pos pengirim ke kantor pos penerima.

Dalam proses antaran paket dari satu kota ke kota lain tentunya perlu ada pertimbangan efisiensi waktu dan biaya oleh Perusahaan sehingga diperlukan ketepatan dalam menentukan rute terpendek antar suatu kota. Hasil penentuan rute terpendek bisa didapatkan dengan menggunakan metode pendekatan algoritma Travelling Salesperson Problem (TSP), yaitu algoritma yang mencari panjang lintasan terpendek dan mendekati optimal dari titik asal ke titik tujuan dan kembali ke titik asal dalam sebuah graf berbobot tersambung dengan biaya minimal.

Dari latar belakang masalah di atas, maka judul yang dapat diangkat dalam tesis ini yaitu ”Sistem Tracking Antaran Paket Pada Unit Pelayanan PT.Pos Indonesia menggunakan metode pendekatan Algoritma Graph - Travelling Salesperson Problem (TSP).

1.2 Rumusan Masalah

Adapun permasalahan dalam penelitian ini dapat dirumuskan sebagai berikut : 1. Bagaimana memilih dan menentukan rute-rute

terpendek yang mendekati optimal untuk antaran paket dari kota asal ke kota tujuan kemudian kembali ke kota asal.

2. Bagaimana mengimplementasikan algoritma TSP dalam menentukan rute pada proses antaran paket.

3. Bagaimana membuat aplikasi untuk pencarian rute antaran paket di kantor pos Lhokseumawe.

1.3 Keaslian Penelitian Penelitian sejenis yang pernah dilakukan oleh peneliti sebelumnya dilakukan dengan cara menggunakan algoritma djikstra dalam menentukan lokasi titik terdekat pengeboran batubara. Dengan dasar tersebut di atas penulis akan mencoba melakukan penelitian yang bersifat baru, sampai dengan saat ini sepanjang yang penulis ketahui, belum ada dan belum pernah dilakukan penelitian tentang penggunaan sistem tracking antaran paket pada unit pelayanan PT. Pos Indonesia menggunakan metode pendekatan Algoritma Graph “Travelling Salesperson Problem (TSP)” 1.4 Manfaat Penelitian Manfaat dari penelitian adalah diharapkan dapat menjadi salah satu acuan bagi kantor Pos

Lhokseumawe dalam menentukan rute pengiriman paket dari satu kota ke kota lainnya sehingga dapat menghemat waktu dalam proses pengiriman paket. Diharapkan dapat memberikan sumbangan bagi pengembang ilmu di bidang komputer dan informatika serta memanfaatkan kemajuan teknologi untuk kemajuan masyarakat, pembelajaran bagi mahasiswa teknik informatika khususnya dan sebagai implementasi ilmu pengetahuan dari penelitian tersebut. 1.5 Tujuan Penelitian Tujuan penelitian ini adalah merancang dan mengimplementasikan sebuah sistem penelusuran paket yang dapat memberikan kemudahan bagi suatu permasalahan tracking dengan menggunakan metode pendekatan algoritma TSP pada kantor Pos Lhokseumawe. 1.6 Batasan Masalah

Berdasarkan latar belakang masalah tersebut, agar hasil penelitian ini maksimal maka pembahasan masalah hanya dibatasi pada: 1. Pencarian rute terpendek antaran paket

menggunakan algoritma Graph TSP. 2. Rute di dalam sistem ini mengacu pada titik

yang telah ditentukan oleh PT.Pos sebagai sarana untuk memberikan laporan.

3. Data yang digunakan dalam sistem ini adalah data sekunder (rute, data jarak, dan data kantor pos di Aceh) yang bersumber dari kantor pos Lhokseumawe dan kantor perhubungan Aceh Utara.

2. Tinjauan Pustaka dan Landasan

Teori 2.1 Tinjauan Pustaka

Penelitian sebelumnya dilakukan Mukti (2005) dengan judul membangun system informasi geografis untuk pemetaan papan reklame di Yogyakarta. Pada penelitian tersebut masih menggunakan software tambahan macromedia flash sebagai antar muka sehingga file yang dihasilkan dengan digitasi deprogram arcview harus diekspor menjadi file berekstensi *.dxf sehingga melakukan dua kali pekerjaan selain itu digitasi onscreen pada program arcview jika di ekspor kedalam file dxf menjadi kurang sempurna. Perangkat lunak arcview sebebarnya sudah di desain cukup lengkap bahkan arcview bisa membuat antar muka sendiri dengan menggunakan fasilitas customize dan tidak perlu menggunakan perangkat yang lain. Disini penulis



menggunakan software arcview dan Microsoft access untuk menyimpan basis data.

Penelitian ini juga mengacu pada penelitian yang dilakukan oleh Wijayanto (2005), dengan judul SIG untuk pemetaan transceiver station BTS. Telkom Flexi PT.Telkom cabang Bantul. Pada penelitian tersebut peneliti menggunakan perangkat lunak arcview tetapi penggunaannya belum menggunakan hotlink untuk menampilkan informasi yang lebih detail sehingga informasi yang dihasilkan hanya berupa atribut dari theme yang ada. Arcview memiliki fasilitas hotlink sehingga dapat membantu menampilkan informasi yang lebih lengkap dan menarik. Dan penelitian ini penulis telah menggunakan fasilitas hotlink sehingga dapat ditampilkan informasi yang lebih luas dan lebih detail. Karena fasilitas hotlink dapat menerima masukan yang berupa file text, image, dan file doc, sehingga dapat ditampilkan informasi yang lebih luas dan lebih menarik.

2.2 Landasan Teori

2.2.1 Algorima Graph-Travelling Salesperson Problem

Prosedur Sederhana Pemecahan TSP Dalam penyelesaian masalah TSP kita dapat

membagi kedalam 2 metode, yaitu metode optimal dan metode aproksimasi. Metode optimal akan menghasilkan hasil yang optimal (minimum) sedangkan metode aproksimasi akan menghasilkan hasil yang mendekati optimal. 2.2.2 Metode Optimal

Sejak permasalahan TSP ditemukan pada tahun 1800 oleh matematikawan Irlandia Sir William Rowan Hamilton dan matematikawan Inggris Thomas Penyngton Kirkman, pusat perhatian studi ini adalah menemukan secara pasti nilai minimum dari persoalan TSP dengan konsekuensi dibutuhkan waktu yang cukup lama untuk menyelesaikannya. 1) Complete Enumeration

Metode ini akan mengenumerasi setiap kemungkinan yang terdapat dalam graf, setelah itu algoritma ini akan membandingkan lintasan mana yang paling minimum. Misal untuk kasus berikut ini :

Gambar: contoh empat titik lintasan kasus

jumlah titik yang terdapat adalah empat buah dan banyak kemungkinan lintasannya adalah tiga buah. Yaitu :

Gambar 2.9 contoh tiga macam lintasan kasus

Lintasan pertama = (a,b,c,d,a) atau (a,d,c,b,a) Mempunyai panjang = 10 + 12 + 8 + 15 = 45. Lintasan Kedua = (a,c,d,b,a) atau (a,b,d,c,a) Mempunyai panjang = 12 + 5 + 9 + 15 = 41, Lintasan Ketiga = (a,c,b,d,a) atau (a,d,b,c,a) Mempunyi panjang = 10 + 5 + 9 + 8 = 32 Dari hasil enumerasi ini didapat hasil minimum yaitu 32. Tetapi jumlah enumerasi dari algoritma ini adalah (n – 1)! yang tidak akan efisien jika jumlah n bernilai sangat besar. 2) Branch and Bound

Gambar: Branch and Bound

Sama dengan complete enumeration, pada algoritma Branch and Bounpun ternyata memiliki kompleksitas algoritma (n-1)!, dimana n adalah jumlah kota. Untuk kasus diatas hasil yang di capai adalah 15

2.2.3 Metode Aproksimasi

Greedy Heuristic

Gambar: Greedy Heuristic



Pada algoritma ini, pemilihan lintasan akan dimulai pada lintasan yang memiliki nilai paling minimum, setiap mencapai suatu kota, algoritma ini akan memilih kota selanjutnya yang belum dikunjungi dan memiliki jarak yang paling minimum. Algoritma ini disebut juga Nearest Neighbour.

Kompleksitas algoritma ini memang sangat mengagumkan yaitu O(n), tetapi hasil yang kita dapat bisa sangat jauh dari hasil yang optimal, semakin banyak kota semakin besar pula perbedaan hasil yang dicapai. Misalnya untuk contoh kasus yang sama dengan algoritma Branch and Bound sebelumnya yang menghasilkan nilai 15, maka algoritma ini menghasilkan nilai 18 berbeda sebesar 20% dari hasil sebelumnya padahal jumlah kota hanya 5 buah. 3. Metodologi Penelitian

3.1 Lokasi Penelitian Lokasi penelitian adalah PT.Pos Indonesia

(Persero), kantor cabang Lhokseumawe, Dinas Perhubungan Aceh Utara, Bapedda Aceh Utara dan Bapedda Lhokseumawe.

3.2 Alat dan Bahan Penelitian 3.2.1. Alat Penelitian

1) Perangkat Keras Perangkat keras yang digunakan dalam

penelitian ini yaitu : Spesifikasi perangkat keras (hardware) yang digunakan pada penelitian ini yaitu berupa Laptop dengan spesifikasi tinggi Intel Core2Duo, Memory 2GB, dan nVidia Graphic 512MB, Serta alat cetak printer Canon MP450 untuk memudahkan peneliti dalam melakukan penelitian 2) Perangkat Lunak, PHP dan MySQL 3.2.2. Bahan Penelitian

Bahan penelitian yang dibutuhkan adalah sebagai berikut : a. Data kantor pos di Nanggroe Aceh Darussalam b. Data Paket di kantor pos c. Data rute yang dilalui pada saat antaran paket d. Data lokasi kantor pos e. Data jarak antar kota dan kabupaten di

Nanggroe Aceh Darussalam f. Peta jalan Nanggroe Aceh Darussalam. g. Data berita seputar perusahaan h. Data profile Perusahaan i. Data Tarif 3.3 Metode Pengumpulan Data

Metodologi yang digunakan adalah analisis dan desain terstruktur dengan tahap-tahap sebagai berikut :

3.3.1 Penelitian Lapangan (Field Research) a. Dalam melakukan penelitian ini penulis

melakukan Observasi, Yaitu metode pengumpulan data dengan menggunakan pengamatan langsung dan pencatatan dengan sistematik terhadap gejala atau fenomena yang terkait tanpa mengajukan pertanyaan.

b. wawancara dengan Kepala bagian Pengolahan data dan Kepala bagian pusat informasi di kantor pos Lhokseumawe. Teknik analisis terhadap sistem yang ada atau sedang berjalan

c. Implementasi, Yaitu metode dengan cara mengimplementasikan hasil perancangan yang telah dibuat menjadi suatu tampilan yang menarik sehingga memudahkan dalam pembelajaran tentang objek penelitian.

d. Metode Uji Coba, Yaitu suatu metode dimana perancangan yang telah diimplementasikan kedalam program dapat diuji cobakan kebenarannya kepada orang lain yang ingin mempelajarinya.

3.3.2 Penelitian Kepustakaan (Library Research)

Metode ini merupakan metode pengumpulan data dengan cara mempelajari literature, paket modul dan panduan, buku-buku pedoman, buku-buku perpustakaan dan segala kepustakaan lainnya yang dianggap perlu dan mendukung.

3.4 Langkah-langkah Penelitian

Langkah-langkah dalam melakukan penelitian ini adalah sebagai berikut a. Tahap Perancangan Sistem b. Perancangan graf dan algoritma TSP yaitu untuk

- Menentukan graf yang akan dipakai. - Menggambarkan graf sesuai dengan Peta

jalan seluruh Aceh. - Menentukan titik-titik didalam graf. - Memasukkan bobot nilai dalam graf. - Menentukan rute-rute yang bisa dilewati

untuk antaran paket dari titik awal ke titik-titik selanjutnya.

- Menentukan rute terpendek atau nilai minimumnya dengan menggunakan algoritma TSP.

c. Tahap Pembuatan Sistem Langkah-langkah yang digunakan untuk membuat sistem adalah sebagai berikut : - Menentukan bahasa pemograman yang

akan dipakai. - Membuat tabel-tabel database.



- Merancang menu interface sistem. - Mengimplementasikan sistem kedalam

bahasa pemograman. d. Tahap Pengujian Sistem

Langkah-langkah yang digunakan dalam menguji sistem adalah sebagai berikut: - Melakukan Test Case - Memberikan jenis uji Black Box test

4. Hasil dan Pembahasan 4.1 Perhitungan Matriks Ketetanggaan

Graf

Matriks ketetanggaan dari graf diatas adalah: Tabel Matriks ketetanggan perhitungan rute optimal

untuk graf kantor pos di Aceh:

4.2 Rute Terpendek Menggunakan Algoritma TSP

Table Perhitungan Rute optimal dari simpul awal a

= A (Lsm) kesemua simpul lainnya. (Untuk Nilai S):

Table: Perhitungan Rute optimal dari simpul awal a = A (Lsm) kesemua simpul lainnya.

(Untuk Nilai D)

Dari perhitungan diatas maka Rute optimal antaran paket pada kantor pos Lhokseumawe ke kantor pos tujuan adalah sebagai berikut :

Tabel Lintasan optimal dari simpul asal ke simpul

tujuan:

4.3 Implementasi Sistem

4.3.1 Lokasi Sistem Tracking



Gambar: Hasil dari pencarian rute terpendek menggunakan algoritma TSP

Gambar di atas menunjukkan pencarian rute

terpendek dari node asal A ke node tujuan N. Proses pencarian rute terpendek dari node asal A ke node akhir N menggunakan algoritma TSP melalui proses penentuan titik ke titik yang terdekat berdasarkan bobot jarak. Algoritma TSP akan mencari semua lintasan yang mungkin dilewati menuju titik akhir untuk kemudian ditentukan lintasan terpendeknya. Dan lintasan terpendek dari node asal A ke node akhir N dapat melewati A – F – K– L – M - N dengan total jarak 371 Km.

5. Penutup

5.1 Kesimpulan Setelah membuat aplikasi sistem tracking

antaran paket dengan menggunakan Algoritma TSP pada PT. Pos Indonesia Persero Lhokseumawe, maka dapat diambil kesimpulan sebagai berikut: 1. Sistem ini dapat menemukan urutan kunjungan

lokasi (satu lokasi hanya dikunjungi satu kali) yang total "nilai"-nya paling optimal (bisa minimal atau maksimal bergantung tujuannya). "Nilai,' di sini bisa berupa jarak, biaya, kenyamanan, dan sebagainya. tujuannya adalah menemukan urutan lokasi pengantaran paket yang total jaraknya paling minimal.

2. Aplikasi sistem Tracking paket ini dapat digunakan untuk meningkatkan pencarian paket dan penentuan rute dalam pengiriman paket serta mempersingkat waktu pencarian rute antaran paket secara efektif dan efisien serta menyediakan informasi yang cepat dan mudah.

3. Sistem Tracking paket ini sangat efektif dalam memberikan hasil yang akurat dan terkini tentang status dan kondisi paket.

4. Sistem Tracking paket ini menyediakan keamanan data kepada setiap kantor cabang dan juga kantor pusat yang mempunyai hak akses, yaitu dengan memberikan user ID dan password yang dapat di enkripsi.

5.2 Saran

Beberapa saran yang dapat diberikan untuk pengembangan sistem tracking ini adalah sebagai berikut:

1. Sistem Tracking paket hanya menyediakan fasilitas penentuan rute antaran paket dengan lintasan optimal, daftar tarif, ekspedisi paket, kritik saran, profile, dan berita. Untuk pengembangan sistem ini lebih lanjut, dapat ditambahkan modul-modul lain yang mendukung sistem ini

2. Dalam menentukan rute optimal algoritma TSP tidak selamanya dapat memberikan rute yang nilainya minimal, karena prinsip yang digunakan oleh algoritma TSP disini adalah semua cara dicoba untuk mencari rute yang optimal, untuk bisa mendapatkan pencarian rute optimal secara baik kedepannya dalam pencarian rute terpendek bisa menggunakan algoritma yang lebih luas ruang lingkup kerjanya.

Daftar Pustaka Betha, Sidik, Ir, 2002, Pemrograman Web dengan

PHP, Penerbit Informatika, Bandung Handoyo, Hendri Purwo, dkk, Pemecahan

Masalah Jalur Terpendek dengan Travelling SalesPerson Problem, Jurusan Teknik Informatika Sekolah tinggi Teknologi Telkom, Bandung.

Hardi, Richki, 2007. Sistem Ekspedisi Paket Sentral Pengolahan Pos Yogyakarta PT. Pos Indonesia (Persero) Berbasis WEB. Skripsi S1 Universitas Ahmad Dahlan, Yogyakarta.

Hardi, Richki, 2009. Tugas Analisa Algoritma Graph.

Kadir, Abdul, 2008. Dasar Pemograman Web Dinamis Menggunakan PHP. Penerbit Andi, Yogyakarta.

Munir, Rinaldi, 2005. Buku Teks Ilmu Komputer Matematika Diskrit Edisi Ketiga. Penerbit Informatika, Bandung.

Nugroho, Bunafit, 2004, Aplikasi Pemograman Web Dinamis dengan PHP dan MySQL, Penerbit Gava Media, Yogyakarta.

Pradhana, Aditya Bayu, Studi Dan Implementasi Persoalan Lintasan Terpendek Suatu Graf, Program Studi Teknik Informatika, Institut Teknologi Bandung.

Rafiudin, Rahmat. 2004. Panduan Menjadi Seorang Webmaster. Penerbit Andi,Yogyakarta.

Setioko, Budy, Solusi Chinese Postman Problem yang Berprinsip Greedy. Jurusan Teknik Informatika, Sekolah Tinggi Teknologi Telkom, Bandung.

Sigit, Poncow, Analisis dan Perancangan Sistem, Khusus untuk kalangan sendiri.



http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Hamilton.html

http://www-groups.dcs.st-andrews.ac.uk/~history/Mathematicians/Kirkman.html

http://www.oup.co.uk/isbn/0-19-853916-9





Kajian Pengaruh Teknologi Informasi dan Komunikasi Dalam Pengembangan Pertanian Dalam Rangka Meningkatkan

Produktifitas Komoditi Pertanian

Hotden Leonardo Nainggolan

Dosen Program Studi Agribisnis Fakultas Pertanian Universitas HKBP Nommensen Medan Email : [email protected]

ABSTRAK Teknologi informasi dan komunikasi diyakini

sebagai alat yang mampu membuat perubahan dalam kehidupan manusia yang dapat diaplikasikan dalam berbagai bidang yang bertujuan untuk memberikan kemudahan dalam aktivitas kehidupan sehingga memberikan manfaat bagi masyarakat. Kajian ini dilakukan untuk mengetahui manfaat dan pengaruh Teknologi informasi dan komunikasi dalam pengembangan pertanian baik dalam bidang penanaman, pemeliharaan, prediksi panen hinga proses pengolahan hasil panen, serta untuk mengoptimalkan pemanfaatan faktor faktor produksi pertanian dalam peningkatan produktifitas komoditi pertanian. Kajian ini menggunakan metode kepustakaan dalam melihat manfaat dan pengaruh Teknologi informasi dan komunikasi dibidang pertanian. Berdasarkan hasil kajian diketahui; a) teknologi informasi dan komunikasi berperan penting dalam pengembangan pertanian terutama dalam bidang penanaman, pemeliharaan dan prediksi panen, b) jika diaplikasikan dalam internet akan bermanfaat untuk mengetahui penanaman sesuai dengan kondisi lahan hingga prediksi panen yang tepat, c) petani juga akan mendapatkan informasi yang cepat dan akurat dengan mengakses semua informasi yang berkaitan dengan kegiatan pertanian melalui internet. Melalui kajian ini disimpulkan; a) teknologi informasi dan komunikasi membantu memperlancar arus informasi bagi petani, b) mencegah keterlambatan terutama mengenai penanaman, pemupukan, penyemprotan, pemanenan, pengeringan bahkan ramalan cuaca, dan harga bahan pertanian, c) teknologi informasi dan komunikasi bermanfaat bagi petani untuk mengetahui kebutuhan akan faktor produksi mingguan dengan akurat. Dengan demikian teknologi informasi dan komunikasi merupakan harapan yang dapat digunakan oleh petani Indonesia sebagai alat pengembangan pertanian untuk meningkatkan produktivitas pertanian maka

dengan demikian kesejahteraan hidup masyarakat petani akan semakin baik. Kata Kunci : pertanian, penanaman, pemeliharaan,

teknologi komunikasi dan informasi. 1. Pendahuluan.

Keberhasilan penerapan suatu sistem informasi yang didukung oleh perangkat teknologi informasi merupakan tujuan dari manajemen perusahaan sehingga tercipta cara kerja yang efektif dan efisien, namun demikian dalam prakteknya tidak sedikit perusahaan yang mengalami kegagalan dalam membangun suatu sistem informasi yang terintegrasi dengan baik. Hal itu disebabkan oleh beberapa faktor yang harus dipertimbangkan untuk memberikan solusi terhadap permasalahan tersebut, sehingga diperlukan komitmen dan kerja keras yang cerdas dari tim implementator system demi terciptanya kesuksesan dalam penerapan suatu sistem informasi secara terintegrasi.

Salah satu faktor penting yang harus diperhatikan adalah bagaimana melakukan perubahan cara kerja dan pola pikir pengguna agar dapat mendukung pekerjaan dengan system komputerisasi. Perlu diperhatikan bahwa perubahan cara kerja dan pola pikir tersebut tidak bisa dilakukan secara instan tetapi memerlukan tahapan proses yang relatif lama, terlebih bagi pengguna yang telah terbiasa menggunakan cara kerja tradisional. Beberapa faktor seperti kecerdasan dan kedewasaan mental pengguna dalam menjalankan suatu system informasi baru yang belum dikenal merupakan kunci keberhasilan dalam melakukan implementasi system informasi yang terintegrasi. Disamping itu perubahan cara kerja maupun pola pikir yang didukung oleh perangkat teknologi informasi sangatlah dipengaruhi oleh perubahan organisasi (organization change).

Perubahan organisasi ini identik dengan upaya perubahan budaya (culture) perusahaan. Perubahan budaya perusahaan ini sangat ditentukan



oleh peranan top manajemen perusahaan sebagai teladan (contoh) bagi karyawan / pengguna untuk mendukung cara kerja dengan dukungan penuh penggunaan teknologi informasi. Penelitian ini bertujuan untuk membahas bagaimana pengaruh teknologi informasi dan perubahan organisasi dalam mencapai kesuksesan membangun suatu sistem informasi yang terintegrasi. 2. Teknologi Informasi dan Komunikasi

dalam Bidang Pertanian

Dalam era globalisasi bahwa penguasaan terhadap teknologi komunikasi dan informasi merupakan suatu keharusan karena diyakini sebagai alat pengubah. Sejarah membuktikan evolusi teknologi selalu terjadi yang pada gilirannya bahwa temuan teknologi tersebut dapat diaplikasikan untuk memperoleh kemudahan dan manfaat dalam aktivitas kehidupan manusia. Teknologi informasi komunikasi merupakan faktor yang sangat penting dalam mendukung peningkatan kualitas baik sumber daya manusia, sumber daya alam hingga pada pelayanan pemerintah kepada masyarakat. Teknologi informasi mempunyai tiga peranan pokok yaitu : a. Instrumen dalam mengoptimalkan proses

pembangunan, yaitu dengan memberikan dukungan terhadap manajemen dan pelayanan kepada masyarakat.

b. Produk dan jasa teknologi informasi merupakan komoditas yang mampu memberikan peningkatan pendapatan baik bagi perorangan, dunia usaha dan bahkan negara dalam bentuk devisa hasil ekspor jasa dan produk industri telematika lainnya.

c. Teknologi informasi bisa menjadi perekat persatuan dan kesatuan bangsa melalui pengembangan sistem informasi yang mampu menghubungkan semua institusi pada area yang berbeda dan berjauhan diseluruh wilayah nusantara.

Kesadaran akan pentingnya teknologi komunikasi dan informasi (information and communication technologi), bukan hanya monopoli kalangan pengusaha besar saja tetapi juga bertumbuh di kalangan pengusaha kecil dan masyarakat lainnya, seperti koperasi, kelompok tani, bahkan masyarakat biasa. Teknologi informasi dan komunikasi berperan penting dalam pengembangan bisnis, kelembagaan organisasi dan juga mampu mendorong percepatan kegiatan ekonomi dan taraf hidup masyarakat. Teknologi juga memegang peranan penting dalam pengembangan pertanian. Teknologi dimafaatkan dalam tiga cabang utama pertanian yaitu

penanaman, peternakan, dan perikanan. Salah satu contoh teknologi informasi komunikasi yaitu internet yang menyajikan dunia tanpa batas. Lewat sarana inilah diharapkan dapat digunakan untuk mencari segala informasi yang dibutuhkan dan dapat pula digunakan oleh masyarakat desa untuk meningkatkan kesejahteraan perekonomian melalui korespondensi dengan orang lain di berbagai penjuru dunia yang menyangkut berbagai informasi.

Secara umum bahwa masyarakat desa selalu mengalami kendala dalam dalam mendapatkan informasi yang baru dan tepat. Oleh karena itu informasi dari internet akan berperan sebagai pembeneri informasi bagi petani menyangkut berbagai hal yang berkaitan dengan kegiatan pertaniannya, mulai dari pemeliharaan tanaman, pemberian pupuk, irigasi, ramalan cuaca dan harga pasaran. Dengan internet juga bermanfaat untuk memberikan informasi yang menyangkut penanaman hingga persediaan di pasar.

Maka dengan demikian arus informasi akan lancar sehingga keterlambatan dan miskomunikasi mengenai penanaman, pemupukan, penyemprotan, pemanenan, pengeringan, dan penjualan hampir tidak akan terjadi lagi. Demikian juga dengan koperasi akan dapat mengetahui kebutuhan mingguan para petani secara akurat serta koperasi akan dapat meningkatkan perannya sebagai pengumpul serta pemasar hasil produksi pertanian langsung kepada konsumen akhir. Sehingga dengan demikian bahwa teknologi informasi dan komunikasi ini diharapkan dapat dipergunakan oleh sebanyak mungkin petani Indonesia sehingga produktivitas pertanian mereka meningkat. 3. Peran Teknologi Informasi dan

Komunikasi dalam Pertanian

Pertanian merupakan sebuah sektor yang memilki peranan cukup penting dalam kehidupan manusia, karena merupakan sektor yang mampu penyediaan kebutuhan akan pangan masyarakat dalam kehidupannnya sehari-hari. Disamping itu bahwa sektor pertanianl merupakan sektor andalan disamping sektor-sektor lainnya karena mampu memberikan kontribusi bagi devisa Negara serta menjadi tumpuan kehidupan masyarakat di daerah pedesaan. Akan tetapi bahwa pengelolaan usaha tani rakyat di Indonesia umumnya masih bersifat tradisional dan belum menerapkan menggunakan teknologi baru.

Rendahnya penerapan teknologi di pada sektor pertanian tentu berdampak pada rendahnya produktivitas usaha tani yang dihasilkan, sementara itu pertambahan penduduk semakin tidak terkendali maka sudah tentu kebutuhan terhadap sektor



pertanian dan tuntutan terhadap pangan akan semakin meningkat. Dalam memasuki era perdagangan bebas pada saat ini bahwa pembangunan sektor pertanian menghadapi berbagai tantangan terutama dalam hal; pemenuhan kecukupan pangan, peningkatan kesejahteraan petani, serta penyediaan lapangan kerja melalui pengembangan usaha dan sistem agribisnis yang berdaya saing tinggi.

Maka dalam rangka memenuhi tuntutan yang semakin besar terhadap sektor pertanian khusunya kebutuhan akan pangan, maka diperlukan adanya upaya pengembangan di berbagai sisi, termasuk pengembangan teknologi, sistem manajemen usaha tani dan sebagainya. Pengembangan teknologi dibidang pertanian tentu akan sangat berpengaruh dalam proses pengembangan pertanian. Dengan demikian, untuk mengelola usaha taninya dengan baik, petani memerlukan berbagai sumber informasi, antara lain : kebijakan pemerintah; hasil penelitian dari berbagai disiplin ilmu; pengalaman petani lain; dan informasi terkini mengenai prospek pasar yang berkaitan dengan sarana produksi dan produk pertanian. Sistem pengetahuan dan informasi pertanian tersebut dapat berperan dalam membantu petani dengan melibatkannya secara langsung terhadap sejumlah besar kesempatan, sehingga mampu memilih kesempatan yang sesuai dengan situasi dan kondisi faktual di lapangan. Perkembangan jejaring pertukaran informasi di antara pelaku yang terkait merupakan aspek penting untuk mewujudkan sistem pengetahuan dan informasi pertanian. Dengan dukungan teknologi informasi dan komunikasi serta peran aktif berbagai institusi pemerintahan maupun nonpemerintahan (swasta dan LSM) dan masyarakat jaringan informasi bidang pertanian di tingkat petani diharapkan dapat diwujudkan.

Maka dengan demikian bahwa peran penyuluh pertanian harus dapat mensosialisasikan tentang penggunaan teknologi yang dapat membatu dalam pengelolaan usaha tani mereka sehingga nantinya akan menciptakan suatu usaha tani yang lebih produktif dan efisien. Oleh karena itu diperlukan tenaga penyuluh yang benar-benar kompeten untuk membantu memaparkan dan mengaplikasikan penggunaan teknologi ke para petani. Dengan berkembangnya teknologi informasi dan multimedia yang begitu cepat maka akan berdampak pada peningkatan terhadap kualitas sumber daya tenaga penyuluh. Penyuluh pertanian dituntut untuk memahami teknologi informasi dan komunikasi selain dari ilmu-ilmu mengenai pertanian.

Sehingga pada akhirnya Penyuluhan berfungsi untuk menjembatani kesenjangan antara praktek

yang biasa dijalankan oleh petani dengan pengetahuan dan teknologi yang selalu berkembang yang menjadi kebutuhan petani tersebut. Penyuluh pertanian akan membimbing petani dengan pengetahuan dan teknologi yang sedang berkembang untuk diterapkan kepada petani dalam usaha taninya.

3.1. Peran Teknologi Informasi Dalam

Penentuan Lahan

Penginderaan jauh dengan menggunakan pesawat atau sejenisnya merupakan suatu ilmu atau teknologi untuk memperoleh informasi mengenai fenomena alam melalui analisis suatu data yang diperoleh dari hasil rekaman daerah yang dikaji. Perekaman atau pengumpulan data penginderaan jauh dilakukan dengan menggunakan alat pengindera (sensor) yang dipasang pada pesawat terbang atau satelit. Dan ternyata bahwa satelit penginderaan jauh telah mampu memberikan data atau informasi yang berkaitan dengan sumberdaya alam dataran dan sumberdaya alam kelautan secara teratur dan periodik (Darsiman , B. dan Ayi Sudrajat. 2011)

Untuk sektor pertanian bahwa penginderaan jauh ini mampu memberikan informasi mengenai kesuburan dan kelayakan lahan yang sesuai dengan jenis komoditi pertanian tertentu, pengindraan dengan menggunakan pesawat sudah dilengkapi dengan remote sensing, sehingga bisa mengenali jenis tanah hingga strukturnya, maka informasi ini akan memudahkan para petani dalam menentukan komoditi pertanian yang akan dikelola (ditanam) mereka.

Gambar diatas merupakan proses pengindraan dibidang pertanian untuk melihat proses pertumbuhan tanaman. Dan hasilnya akan terekam dalam bentuk scan seperti dibawah ini :



Salah satu keuntungan dari data citra satelit untuk deteksi dan inventarisasi sumberdaya lahan pertanian adalah setiap lembar (scene) citra ini mencakup wilayah yang sangat luas yaitu sekitar 60–180 km2 (360.000–3.240.000 ha). Dengan mengamati daerah yang sangat luas sekaligus, beserta keadaan lahan yang mencakup topografi/ relief, pertumbuhan tanaman/ vegetasi dan fenomena alam yang terekam dalam citra memberi peluang untuk mengamati, mempelajari pengaruh iklim, vegetasi, litologi dan topografi terhadap penyebaran sumberdaya lahan dan lahan pertanian (Puslit. Tanah dan Agroklimat, 2000). Dan ketersediaan data citra satelit dalam bentuk digital memungkinkan penganalisaan dengan komputer secara kuantitatif dan konsisten.

Sehingga dengan demikian pemanfaatan teknologi penginderaan di Indonesia perlu dikembangan dan diaplikasikan untuk mendukung efisiensi pelaksanaan inventarisasi sumberdaya lahan dan identifikasi penyebaran karakteristik lahan pertanian (lahan sawah, lahan kering, lahan rawa, lahan tidur, lahan kritis, estimasi produksi) terutama pada wilayah sentra produksi pangan.

Proses penginderaan ini sangat diperlukan karena penyebaran, kondisi serta perubahan lahan tidak dapat diketahui secara pasti tanpa bantuan teknologi yang lebih maju, disamping karena laju pertumbuhan penduduk yang tinggi (1,6% per tahun) menyebabkan perubahan penggunaan lahan dengan cepat, maka dengan demikian bahwa inventarisasi dan pemantauan penggunaan lahan perlu dilaksanakan dengan baik. Disamping itu bahwa dalam usaha pemantapan ketahanan pangan dan pengadaan stok pangan nasional, pada era globalisasi informasi dituntut ketepatan, kecepatan penyampaian data sumberdaya pertanian, dengan demikian bahwa teknologi penginderaan jauh ini juga memungkinkan untuk digunakan dalam deteksi penyebaran lahan pertanian, dan hasilnya merupakan sumber informasi utama dalam pemutakhiran dan pembaharuan (updating) data sumberdaya pertanian.

3.2. Peran Teknologi Informasi Dalam

Proses Pengolahan Lahan Pertanian

Salah satu faktor yang mempengaruhi produktifitas tanaman pertanian adalah pengolahan lahan yang baik. Pada umumnya petani selalu mengalami kendala dalam proses pengolahan lahan karena keterbatasan teknologi. Para petani yang berada di daerah pedesaan umumnya mengelola lahan pertaniannya seacara tradisional sehingga dengan demikian produktifitasnya tidak maksimal.

(Petani di Pedesaan sedang membajak sawah)

Dengan perkembangan teknolgi yang semakin pesat maka proses pengolahan lahan pertanian sudah menggunakan peralatan yang canggih seprti traktor, sebagaimana pada gambar dibawah ini.

3.3. Peran Teknologi Informasi Dalam Pemeliharaan Tanaman

Teknologi informasi dan komunikasi akan

mampu memberikan informasi kepada para petani dalam hal pemeliharaan tanaman yang berkaitan dengan pemberian pupuk hingga irigasi dan peramalan cuaca. Sehingga dengan demikian bahwa teknologi informasi dan komunikasi ini akan memberikan keuntungan bagi para petani karena dengan pemeliharaan yang tepat melalui pemberian pupuk dan pengaturan pengairan akan mampu memacu peningktan produksi. Pada gambar dibawah ini menunjukkan sebuah system pengelolaan irigasi tanaman berbasis komputer. Pada areal tanam (batang tanaman) atau lokasi yang akan dipantau (field station) ditempatkan scanner untuk mendeteksi kondisi yang terjadi (kering, lembab, basah, dll), kemudian data yang terekam lewat scanner akan masuk ke base station dan selanjutnya data diproses maka secara otomatis proses selanjutnya akana berlangsung baik penyiraman atau pemupukan sesuai dengan data yang masuk di base station (Darsiman, B. dan Ayi Sudrajat. 2011).



Pada gambar dibawah ini terlihat peran teknologi dengan menggunakan traktor untuk melakukan proses pemupukan dengan menempatkan GPS dan sensor pada peralatan mesin traktor tersebut. Pemanfaatan teknologi ini tentu akan memberikan dampak yang sangat positif bagi proses pengembangan pertanian sebagai upaya untuk meningkatkan produksi pertanian itu sendiri.

3.4. Peran Teknologi Informasi Dalam Pemantauan Pertumbuhan Tanaman

Dengan perkembangan teknologi informasi

yang semakin pesat bukan hanya bisa diterapkan pada proses pemeliharaan yang meliputi pemberian pupuk dan pengaturan pengairan tetapi perkembangan tanaman juga sudah bisa dipantau dengan cermat melalui program computer. Maka dengan demikian bahwa proses peningktan produksi tanaman pertanian juga akan semakin baik. Pada gambar dibawah ini menunjukkan sebuah system pemantauan pertumbuhan tanaman berbasis komputer. Pada tanaman yang akan diantau, apakah batang, pertumbuhan buah atau dahan/ ranting ditempatkan scanner untuk mendeteksi kondisi yang terjadi dan selanjutnya data yang terekam lewat scanner akan masuk ke base station untuk diproses dan selanjutnya dicatat sesuai dengan yang diinginkan.

3.5. Peran Teknologi Informasi Dalam Penyuluhan Pertanian

Teknologi informasi dan komunikasi

berhubungan dengan pengolahan data sehingga menjadi informasi yang dapat dipergunakan sebagai informasi untuk membantu jalannya penyuluhan pertanian. Pada saat ini sudah tidak ada lagi

kegiatan manusia yang terlepas dari teknologi, artinya bahwa dengan menggunakan teknologi sebagai media informasi bagi petani, maka aktivitas penyuluhan pertanian akan menjadi lebih baik (Darsiman , B. dan Ayi Sudrajat. 2011)

Peningkatan kualitas sumber daya petani dan pelaku pertanian merupakan suatu keharusan dengan kemajuan tekonologi informasi dan komunikasi sehingga penyebarluasan informasi akan menjadi semakin efisien dan efektif. Beberapa solusi yang ditawarkan dalam rangka mengatasi persoalan transfer teknologi dan pengetahuan pertanian adalah pemanfaatan information and communication technologies (ICTs) yang untuk penyuluhan pertanian adalah : a. Menggunakan “cyber extension” yang

merupakan penggunaan jaringan on-line, computer dan digital interactive multimedia untuk memfasilitasi diseminasi teknologi pertanian. Model ini dipandang sangat strategis karena mampu meningkatkan akses informasi bagi petani, petugas penyuluhan pertanian, peneliti baik di lembaga penelitian maupun di universitas serta para manajer penyuluhan.

b. Dalam penyuluhan pertanian saat ini juga menggunakan multiple information system bagi masyarakat pedesaan untuk mendukung usaha dan bisnis pertanian serta perbaikan ekonomi rumah tangga masyarakat pedesaan.

c. Belakangan ini juga sudah mulai mempergunakan aplikasi android (melalui Smartphone), dalam rangka memperlancar proses penyuluhan kepada para petani. Cara ini cocok untuk penyuluh yang mewawancarai petani padi tanpa akses ke internet. Setelah wawancara, informasi dari petani tersimpan dalam Smartphone. Setelah ada akses ke internet, anjuran pemupukan dapat langsung dikirim melalui SMS ke hape petani.

d. Aplikasi Hand Phone (melalui SMS). Dalam memperlancar proses penyuluhan kepada petani, dapat menggunakan fasilitas yang terdapat pada hand phone (HP). Departemen Pertanian RI sedang merancang hal ini, dengan menyediakan kontak nomor bebas pulsa.



Tidak perlu internet dan kontak nomor bebas pulsa … ! Ikuti petunjuk yang terdengar di Hand Phone(HP). Anjuran pemupukan dapat segera diterima dalam bentuk SMS Sepenuhnya otomatis dan tidak memerlukan operator telpon.

e. Selanjutnya juga digunakan teknologi information yang lainnya seperti Multiple communication systemtelephone, wireless information system, off-talk communication, FAX, CATV, personal computer communication, video tex, satellite communication system, internet (EI-net), television telephone system. Dengan penggunaan teknologi dalam

penyuluhan pertanian diharapkan dapat meningkatkan layanan penyuluhan pada aktivitas petani dalam enyediakan inovasi pertanian yang semakin advance sehingga membantu petugas penyuluhan pertanian di daerah maka disamping itu sangat diperlukan adanya kerjasama dengan pihak-pihak atau otoritas terkait.

Disamping itu salah satu hal penting yang berkaitan dengan proses penyuluhan pertanian yang perlu mendapatkan fokus perhatian dari pemerintah pusat maupun daerah adalah menumbuhkan dan membangun kolaborasi antara lembaga pemerintah (penyuluhan dan penelitian), pihak swasta dan universitas sehingga proses penyuluhan pertanian di Indonesia berjalan dengan lancar dan berkembang dengan baik sehingga para petani akan merasakan manfaat dari kegiatan penyuluhan pertanian tersebut. 4. Penutup

4.1. Kesimpulan Berdasarkan kajian yang dilakukan dapat

diambil kesimpulan sebagai berikut : a. Teknologi informasi dan komunikasi

membantu memperlancar arus informasi bagi petani.

b. Mencegah keterlambatan terutama mengenai penanaman, pemupukan, penyemprotan, pemanenan, pengeringan bahkan ramalan cuaca, dan harga bahan pertanian.

c. Teknologi informasi dan komunikasi bermanfaat bagi petani untuk mengetahui

kebutuhan akan faktor produksi mingguan dengan akurat.

4.2. Saran.

Perkembangan teknologi informasi dan komunikasi merupakan harapan yang dapat digunakan oleh petani Indonesia sebagai alat pengembangan pertanian untuk meningkatkan produktivitas pertanian maka dengan demikian kesejahteraan hidup masyarakat petani akan semakin baik, maka melalui kajian ini disarankan bahwa pemerintah harus berperan dalam rangka pengembangan teknologi di bidang pertanian serta memberikan kemudahan bagi petani untuk mengakses teknologi tersebut. Daftar Pustaka Darsiman B dan Ayi Sudrajat 2011. Tantangan

Indonesia Dalam Mengadopsi Pertanian Presisi menuju Kedaulatan Pangan. Makalah Seminar Medan.2011.

Direktorat Jenderal TPH, 1998. Departemen Pertanian Republik Indonesia. Jakarta.

Haryono, 2011. Pengembangan dan Implementasi Sistem Cerdas pada Tanaman Padi Sawah berbasis Precision Farming Mendukung Surplus 10 juta ton Beras Tahun 2014. Makalah Seminar. Kementerian Pertanian RI. Jakarta.

Pusat Penelitian Tanah dan Agroklimat, 2000. Departemen Pertanian Republik Indonesia. Jakarta.



Pemanfaatan Fuzzy Logic untuk Memprediksi Prestasi Mahasiswa Berdasarkan Nilai Ujian Nasional

(Studi Kasus : STMIK IBBI)

B. Ricson Simarmata dan Hartono

STMIK IBBI, Jl. Sei Deli No. 18 Medan Email : [email protected]

Abstrak Fuzzy Logic sering digunakan untuk

mengatasi suatu permasalahan di mana data yang ada memiliki batasan nilai yang tidak jelas, maksudnya di sini adalah bahwa mungkin nilai yang ada dapat dimasukkan dalam lebih dari satu kategori himpunan dengan nilai keanggotaan yang berbeda dari masing – masing himpunan. Salah satu permasalahan yang ada adalah di dalam prediksi prestasi mahasiswa. Prediksi prestasi mahasiswa ini dirasakan penting untuk menentukan bagaimana prestasi seorang siswa berdasarkan parameter input tertentu. Parameter input yang digunakan di sini adalah berdasarkan nilai Ujian Nasional Mahasiswa yang memiliki 3 komponen mata pelajaran yaitu Matematika, Bahasa Indonesia, dan Bahasa Inggris. Prediksi prestasi mahasiswa ini dapat dijadikan sebagai salah satu tolok ukur bagi STMIK IBBI Medan di dalam penerimaan mahasiswa baru disamping ujian seleksi tertulis yang dilakukan oleh STMIK IBBI Medan.

Keywords : Fuzzy Logic, Prediksi, Nilai

Keanggotaan 1. Pendahuluan

Pada saat ini seleksi penerimaan mahasiswa perlu semakin dilakukan dengan selektif mengingat semakin meningkatnya calon mahasiswa baru yang akan melanjutkan pendidikan ke perguruan tinggi. Namun, di sisi lain kapasitas daya tampung perguruan tinggi tidak meningkat.

Seleksi dengan menggunakan ujian secara tertulis yang selama ini digunakan memang cukup baik untuk memperoleh gambaran mengenai mampu tidaknya seorang calon mahasiswa untuk mengikuti kegiatan perkuliahan. Namun, seleksi secara tertulis ini terkadang tidak dapat memberikan gambaran mengenai prestasi mahasiswa setelah mengikuti perkuliahan.

Untuk meningkatkan kualitas seleksi mahasiswa maka untuk masa mendatang dapat dipertimbangkan suatu aplikasi yang dapat memprediksi prestasi seorang calon mahasiswa. Adapun parameter input yang dapat digunakan untuk memprediksi prestasi seorang calon mahasiswa baru adalah berdasarkan nilai Ujian Nasional (UN) yang meliputi tiga mata pelajaran yaitu Matematika, Bahasa Inggris, dan Bahasa Indonesia.

Mengingat luasnya permasalahan yang berkaitan dengan prediksi prestasi mahasiswa maka peneliti merasa perlu untuk membatasi ruang lingkup permasalahan yang akan dibahas dalam penelitian ini, yaitu antara lain : 1. Input yang digunakan adalah nilai mata

pelajaran yang diikutkan di dalam Ujian Nasional yang terdiri dari Mata Pelajaran Matematika, Bahasa Inggris, dan Bahasa Indonesia

2. Output yang dihasilkan adalah berupa nilai prediksi IPK seorang calon mahasiswa

3. Cara akuisisi pengetahuan dilakukan dengan menganalisa data – data mahasiswa STMIK IBBI dalam kurun waktu 2006 – 2009 yang berjumlah 1200 orang mahasiswa.

4. Untuk pembentukan fuzzy rule base dilakukan dengan analisa terhadap basis data mahasiswa yang memiliki parameter nilai matematika, nilai Bahasa Indonesia, dan nilai Bahasa Inggris beserta nilai IPK yang diperoleh setelah menjalani perkuliahan.

5. Adapun kumpulan data yang ada hanya akan dijadikan rule base jika data itu memenuhi nilai minimum support sebesar 0.025.

6. Proses defuzzifikasi dilakukan dengan menggunakan metode Centroid.

2. Model, Analisa, Desain, dan

Implementasi

Lofti Zadeh mengembangkan Fuzzy Logic pada tahun 1964. Dasar pemikirannya adalah tidak ada keadaan yang selalu “benar” dan “salah”.



(Lanny, 2007:123). Bila pada himpunan tegas / crisp nilai anggota – anggota himpunan dinyatakan secara tegas, namun pada himpunan fuzzy ini memiliki nilai derajat keanggotaan tertentu. Dengan fuzzy ini maka kita dapat menyatakan secara fleksibel (secara linguistik) yaitu Sangat Baik, Baik, Cukup, dan Kurang.

Secara umum, fuzzy logic adalah sebuah metodologi “berhitung” dengan variabel kata – kata (linguistic variable), sebagai pengganti berhitung dengan bilangan (Naba, 2009:1).

Dalam mengimplementasikan sistem berbasis Fuzzy Logic, maka harus menspesifikasikan himpunan fuzzy dan fungsi keanggotaan masukan dan keluaran serta aturan – aturan yang berlaku dalam pengubahan masukan menjadi keluaran. Untuk pengubahan masukan menjadi keluaran dinamakan penalaran fuzzy yang merupakan prosedur inferensi yang digunakan untuk menarik kesimpulan dari himpunan aturan fuzzy pada satu atau lebih kondisi. Gambar 1 menunjukkan tiga transformasi yang harus ada pada suatu sistem berbasis Fuzzy Logic.

Sistem Fuzzy

Gambar 1. Diagram Blok Sistem Fuzzy

Pada gambar 1 terlihat bahwa secara umum proses inferensi fuzzy dibagi menjadi tiga langkah, yaitu fuzzifikasi, pengevaluasian aturan, dan defuzzifikasi. Fuzzifikasi adalah proses pemetaan masukan sistem ke satu atau lebih derajat keanggotaan pada kelompok – kelompok kualitatif fuzzy. Fungsi keanggotaan adalah fungsi untuk menentukan arti numeris masukan sistem terhadap satu atau lebih himpunan fuzzy. Evaluasi aturan fuzzy adalah proses pengubahan masukan fuzzy menjadi menjadi aksi keluaran fuzzy. Jadi aksi masukan fuzzy dikombinasikan dengan aturan – aturan pada kumpulan aturan yang telah terdefinisikan sesuai sistemnya, yang selanjutnya menghasilkan keluaran fuzzy berupa nilai linguistik. Defuzzikasi adalah proses penggabungan seluruh keluaran fuzzy menjadi sebuah hasil yang dapat diaplikasikan untuk setiap keluaran sistem.

2.1 Fuzzifikasi Fuzzifikasi adlaah suatu proses untuk mengubah masukan tegas menjadi masukan fuzzy. Pada proses ini memiliki 3 masukan data masing – masing untuk nilai Matematika, nilai Bahasa Indonesia, dan nilai Bahasa Inggris. Masing – masing input telah ditentukan nilai maksimum dan nilai minimumnya. Adapun fungsi keanggotaan untuk masing – masing himpunan fuzzy dapat dilihat pada gambar 2, 3, dan 4.

Gambar 2 Fungsi Keanggotaan Nilai Matematika

Gambar 3 Fungsi Keanggotaan Nilai Bahasa

Indonesia

Gambar 3 Fungsi Keanggotaan Nilai Bahasa Inggris

Output yang dihasilkan adalah IPK Mahasiswa. Adapun fungsi keanggotaan dari IPK Mahasiswa bisa dilihat pada Gambar 4.



2.2 Inferensi Tahap penalaran berisi aturan – aturan fuzzy yang telah ditentukan agar program dapat bekerja secara maksimum. Proses penentuan IPK mahasiswa dapat dilakukan dengan menggunakan parameter input yang terdiri dari nilai Matematika, Bahasa Indonesia, dan Bahasa Inggris. Untuk penentuan aturan ini bersumber dari tabel data mahasiswa yang berisi nilai matematika, bahasa indonesia, dan bahasa inggris beserta nilai IPK yang diperoleh. Di mana data yang memiliki nilai Support ≥ 0.025 yang akan dijadikan rule. Sebagai contoh misalkan tabel nilai mahasiswa beserta IPK dapat dilihat pada tabel 1.

Tabel 1. Data Nilai Mahasiswa Nama Mhs

Nilai Matematika

Nilai B. Indonesia

Nilai B. Inggris

Nilai IPK

Tommy 90 80 90 4 Andy 76 85 70 3.3

Michael 87 76 91 3.7 David 80 77 72 3.4 Sandy 81 79 73 3.35 Eddy 88 77 92 3.9 Susi 70 72 73 2.95

Cindy 72 77 75 3 Yuli 74 78 67 3.1

Yenni 91 81 88 3.76

Berdasarkan data nilai yang ada supaya menjadi data linguistik maka perlu diubah dengan menggunakan kriteria penilaian yang digunakan oleh STMIK IBBI Medan. Kriteria penilaian adalah sebagai berikut.

Untuk nilai Matematika, kriteria pengubahan adalah sebagai berikut. <60 dikatakan Kurang 60 ≤ X ≤ 75 dikategorikan Cukup 76 ≤ X ≤ 85 dikategorikan Baik 86 ≤ X ≤ 100 dikategorikan Sangat Baik

Untuk nilai Bahasa Indonesia, kriteria pengubahan adalah sebagai berikut. <60 dikatakan Kurang 60 ≤ X ≤ 75 dikategorikan Cukup 76 ≤ X ≤ 85 dikategorikan Baik 86 ≤ X ≤ 100 dikategorikan Sangat Baik

Untuk nilai Bahasa Inggris, kriteria pengubahan adalah sebagai berikut. <60 dikatakan Kurang 60 ≤ X ≤ 75 dikategorikan Cukup 76 ≤ X ≤ 85 dikategorikan Baik 86 ≤ X ≤ 100 dikategorikan Sangat Baik

Sedangkan untuk IPK Mahasiswa, kriteria pengubahan adalah sebagai berikut. <2 dikatakan Kurang 2.1 ≤ X ≤ 3 dikategorikan Cukup

3.1 ≤ X ≤ 3.5 dikategorikan Memuaskan 3.6 ≤ X ≤ 4 dikategorikan Sangat Memuaskan

Berdasarkan kriteria yang telah dikemukakan sebelumnya maka Tabel 1 dapat diubah menjadi nilai linguistik seperti yang terlihat pada Tabel 2.

Tabel 2. Hasil Pengubahan Nilai Mahasiswa Nama Mhs

Nilai Matematika

Nilai B. Indonesia

Nilai B. Inggris Nilai IPK

Tommy Sangat Baik Baik Sangat Baik Sangat

MemuaskanAndy Baik Baik Cukup Memuaskan

Michael Sangat Baik Baik Sangat Baik Sangat

MemuaskanDavid Baik Baik Cukup MemuaskanSandy Baik Baik Cukup Memuaskan

Eddy Sangat Baik Baik Sangat Baik Sangat

MemuaskanSusi Cukup Cukup Cukup Cukup

Cindy Cukup Baik Cukup Cukup Yuli Cukup Baik Cukup Memuaskan

Yenni Sangat

MemuaskanBaik

Sangat Memuaskan

Sangat Memuaskan

Setelah diperoleh nilai linguistik maka langkah selanjutnya adalah mengelompokkan dan menghitung jumlah kemunculan dari masing– masing data. Seperti yang terlihat pada tabel 3. Tabel 3. Jumlah Kemunculan Data untuk Tiap Item

Nilai Matematika

Nilai B. Indonesia

Nilai B. Inggris Nilai IPK Jumlah

Sangat Baik Baik Sangat Baik Sangat Memuaskan

40

Baik Baik Cukup Memuaskan 30 Cukup Cukup Cukup Cukup 20 Cukup Baik Cukup Cukup 8 Cukup Baik Cukup Memuaskan 2

Kemudian setelah itu hitung nilai support untuk masing – masing data. Dengan menggunakan persamaan 1. Nilai Support =

TotalDataJlhData ………………..(1)

Adapun nilai support untuk masing – masing item data adalah sebagai berikut. 1. Untuk kombinasi Sangat Baik – Baik – Sangat

Baik – Sangat Memuaskan, nilai support adalah :

10040 = 0.4

2. Untuk kombinasi Baik – Baik – Cukup – Memuaskan, nilai support adalah :

10030 = 0.3



3. Untuk kombinasi Cukup – Cukup – Cukup – Cukup, nilai support adalah :

10020 = 0.2

4. Untuk kombinasi Cukup – Baik – Cukup – Cukup, nilai support adalah :

1008 = 0.08

5. Untuk kombinasi Cukup – Baik – Cukup – Memuaskan, nilai support adalah :

1002 = 0.02

Pada bagian awal kita telah menentukan bahwa nilai minimum support supaya suatu item data dapat dijadikan rule adalah dengan nilai minimum support sebesar 0.025. Sehingga diperoleh bahwa item data yang dapat dijadikan sebagai rule adalah : 1. Sangat Baik – Baik – Sangat Baik – Sangat

Memuaskan 2. Baik – Baik – Cukup – Memuaskan 3. Cukup – Cukup – Cukup – Cukup 4. Cukup – Baik – Cukup – Cukup

Sehingga diperoleh bahwa rule yang terbentuk adalah sebagai berikut. 1. Jika Nilai Matematika adalah Sangat Baik dan

Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Sangat Baik maka IPK adalah sangat Memuaskan

2. Jika Nilai Matematika adalah Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Memuaskan

3. Jika Nilai Matematika adalah Cukup dan Nilai Bahasa Indonesia adalah Cukup dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Cukup

4. Jika Nilai Matematika adalah Cukup dan Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Cukup

2.3 Defuzzifikasi

Proses defuzzifikasi merupakan proses akhir dari perancangan sistem Fuzzy. Proses defuzzifikasi ini akan menghasilkan suatu bilangan tunggal. Proses defuzzifikasi dilakukan dengan menggunakan metode Centroid. 2.4 Perancangan

Perancangan sistem berbasis Fuzzy ini dilakukan dengan menggunakan aplikasi Matlab 7.0. Adapun langkah – langkah di dalam perancangan ini adalah sebagai berikut.

1. Membangun sebuah Fuzzy Inference System (FIS) baru dengan perintah :

a = newfis('snastikom.fis') 2. Mendefinisikan variabel – variabel input dan

output FIS dengan menggunakan perintah : a.input(1).name='Matematika' a.input(2).name='BIndonesia' a.input(3).name='BInggris' a.output(1).name='IPK' 3. Mendefinisikan rentang nilai dari tiap variabel

input dan output dengan menggunakan perintah:

a.input(1).range=[0 100] a.input(2).range=[0 100] a.input(3).range=[0 100] a.output(1).range=[0 4] 4. Membentuk fungsi keanggotaan dari masing –

masing variabel Input dan Output dengan perintah.

a.input(1).mf(1).name='kurang' a.input(1).mf(1).type='trapmf' a.input(1).mf(1).params=[0 0 50 60] a.input(1).mf(2).name='Cukup' a.input(1).mf(2).type='trapmf' a.input(1).mf(2).params=[50 65 65 80] a.input(1).mf(3).name='baik' a.input(1).mf(3).type='trapmf' a.input(1).mf(3).params=[70 80 80 90] a.input(1).mf(4).name='Sangatbaik' a.input(1).mf(4).type='trapmf' a.input(1).mf(4).params=[80 90 90 100]

a.input(2).mf(1).name='kurang' a.input(2).mf(1).type='trapmf' a.input(2).mf(1).params=[0 0 50 60] a.input(2).mf(2).name='Cukup' a.input(2).mf(2).type='trapmf' a.input(2).mf(2).params=[50 65 65 80] a.input(2).mf(3).name='baik' a.input(2).mf(3).type='trapmf' a.input(2).mf(3).params=[70 80 80 90] a.input(2).mf(4).name='Sangatbaik' a.input(2).mf(4).type='trapmf' a.input(2).mf(4).params=[80 90 90 100] a.input(3).mf(1).name='kurang' a.input(3).mf(1).type='trapmf' a.input(3).mf(1).params=[0 0 50 60] a.input(3).mf(2).name='Cukup' a.input(3).mf(2).type='trapmf' a.input(3).mf(2).params=[50 65 65 80] a.input(3).mf(3).name='baik' a.input(3).mf(3).type='trapmf' a.input(3).mf(3).params=[70 80 80 90] a.input(3).mf(4).name='Sangatbaik' a.input(3).mf(4).type='trapmf' a.input(3).mf(4).params=[80 90 90 100] a.output(1).mf(1).name='kurang'



a.output(1).mf(1).type='trapmf' a.output(1).mf(1).params=[0 0 1.5 2] a.output(1).mf(2).name='cukup' a.output(1).mf(2).type='trapmf' a.output(1).mf(2).params=[1.5 2.25 2.25 3] a.output(1).mf(3).name='memuaskan' a.output(1).mf(3).type='trapmf' a.output(1).mf(3).params=[2.5 3 3 3.5] a.output(1).mf(4).name='sangatmemuaskan' a.output(1).mf(4).type='trapmf' a.output(1).mf(4).params=[3 3.5 4 4]

5. Membentuk rule dengan menggunakan

perintah. a.rule(1).antecedent=[4 3 4]; a.rule(1).connection=1; a.rule(1).consequent=[4]; a.rule(1).weight=1;

a.rule(2).antecedent=[3 3 2]; a.rule(2).connection=1; a.rule(2).consequent=[3]; a.rule(2).weight=1; a.rule(3).antecedent=[2 2 2]; a.rule(3).connection=1; a.rule(3).consequent=[2]; a.rule(3).weight=1; a.rule(4).antecedent=[2 3 2]; a.rule(4).connection=1; a.rule(4).consequent=[2]; a.rule(4).weight=1; writefis(a,'my_file')

6. Simpan program dengan nama ‘mdata’ 7. Kemudian berikut program untuk mengisikan

input matematika = input ('Matematika = '); BIndo= input ('Bahasa Indonesia = '); BIngg=input('Bahasa Inggris ='); a=readfis('my_file') a=evalfis([matematika,BIndo,BIngg],a)

8. Simpan program dengan nama ‘minput’ 2.5 Implementasi

Adapun untuk menjalankan aplikasi yang dihasilkan langkah – langkahnya adalah sebagai berikut. 1. Pada Command Window dari program Matlab,

ketikkan perintah. mdata Kemudian Tekan Tombol Enter. Maka akan dijumpai tampilan seperti yang terlihat pada gambar 5.

Gambar 5. Tampilan Program Pembentukan

Fis

2. Kemudian untuk penginputan data dapat dilakukan dengan menggunakan perintah minput

Kemudian Tekan Tombol Enter. Maka akan dijumpai tampilan seperti yang terlihat pada gambar 6.

Gambar 6. Tampilan Hasil Pemrosesan Fuzzy

3. Hasil dan Diskusi Berdasarkan hasil analisa yang dilakukan oleh

peneliti maka diperoleh hasil bahwa penerapan aplikasi fuzzy logic untuk memprediksi prestasi mahasiswa ini setelah diterapkan untuk memprediksi prestasi mahasiswa calon mahasiswa untuk TA 2010/2011 memiliki tingkat akurasi yang



cukup dapat diandalkan yang mencapai ± 80%. Analisa dilakukan terhadap nilai Semester I dan II dari mahasiswa yang telah diuji coba sebelumnya dengan aplikasi Fuzzy Logic. Untuk meningkatkan akurasi maka diharapkan agar nilai support untuk masing – masing item data dapat semakin dikurangi sehingga jumlah rule yang digunakan akan semakin banyak. 4. Kesimpulan dan Saran

4.1 Kesimpulan Adapun kesimpulan dari hasil penelitian adalah sebagai berikut. 1. Penerapan Fuzzy Logic untuk memprediksi

prestasi mahasiswa ini dapat digunakan di dalam proses penerimaan mahasiswa baru.

2. Untuk kesempurnaan dari aplikasi yang dirancang diharapkan agar variabel input dapat ditambah dengan melibatkan nilai mata pelajaran lainnya.

3. Untuk program aplikasi yang dirancang ini maka semakin banyak rule yang ada akan memberikan hasil yang semakin akurat.

4.2 Saran

Adapun saran yang dapat diberikan berdasarkan hasil penelitian adalah sebagai berikut. 1. Perlu dipastikan bahwa user telah paham

dengan cara menjalankan program aplikasi. 2. Untuk ke depan proses untuk menginputkan

data dapat memanfaatkan fasilitas GUI yang telah disediakan oleh Matlab sehingga dapat lebih user friendly.

Daftar Pustaka [1] Desiani, A. & Arhami, M., 2006, ”Konsep

Kecerdasan Buatan”, Penerbit Andi, Yogyakarta.

[2] Kusumadewi, Sri, 2002, ”Analisa & Desain Sistem Fuzzy”, Penerbit Graha Ilmu, Yogyakarta.

[3] Naba, Agus., 2009, ”Belajar Cepat Fuzzy Logic Menggunakan Matlab”, Penerbit Andi, Yogyakarta

[4] Pandjaitan, Lanny W, 2007, ”Dasar-Dasar Komputasi Cerdas”, Penerbit Andi, Yogyakarta.

[5] Siswanto, 2010, ”Kecerdasan Tiruan Edisi 2”, Penerbit Graha Ilmu, Yogyakarta



Penggunaan Genetic Algorithm untuk Optimasi penentuan Parameter Motor Induksi dengan Inverter Tiga Phasa

Herri Trisna Frianto 1, 2 Birowo3 Agus Priyono4 Agus Sofwan4

1Polteknik Negeri Medan 2Sekolah Tinggi Teknik Harapan 3STMIK Triguna Dharma Medan

4Institut Sains dan Teknologi Nasional Email : [email protected]

Abstrak Parameter motor induksi tiga-phasa yang

akan dipakai melakukan prediksi dari kinerja motor tersebut, ditentukan berdasarkan data yang tersedia dari pabrik, yang berupa arus maksimum, arus starting, arus beban penuh dan factor kerja untuk beban penuh. Bila diinginkan untuk mendapatkan kinerja yang optimum dari motor tersebut. Maka parameter-parameter dari motor perlu dikaji lagi dengan menggunakan Genetic Algorithm. Adapun model yang digunakan dari motor tersebut adalah model d-q.

1. Pendahuluan

Daya yang diperlukan oleh pompa untuk memompakan air bersih ditentukan oleh head dan debit air dari pompa. Setelah daya dan kinerja dari pompa diketahui, maka kebutuhan daya dari motor induksi yang dibutuhkan untuk menggerakkan pompa induksi tiga phasa ditentukan dari kinerja pompa tersebut. Selanjutnya besar motor beserta data dan parameter dapat ditentukan berdasarkan ukuran yang ada d pasaran.

Namun motor induksi yang tersedia di pasaran seringkali tidak menghasilkan kinerja yang dikehendaki. Karena itu perlu dikaji lagi parameter-parameter dari motor yang dikeluarkan oleh pabrik pembuatannya. Sehingga diperoleh kondisi arus yang optimum. Hal itu dapat dilakukan dengan menggunakan genetic algorithm.

2. Pemilihan Motor Induksi Untuk

Pompa Air

Kinerja dari pompa air di dermaga Ketapang diperlihatkan pada gambar-1

Gambar-1, Kinerja Pompa Air

Berdasarkan gambar-1, maka daya rata-rata yang dibutuhkan oleh pompa air adalah 24,16 kW. Selanjutnya dipilih motor yang ada dipasaran dengan data yang tercantum dalam table-1.

Tabel-1 Parameter Motor Induksi

HP (Daya) 33 Rs (ohm) 0,0556

V *Tegangan) 220 Rr (ohm) 0,028

f (rekuensi) 50 Xls (ohm) 0,2158

Tmula (N.m) 456.6 Xlr (ohm) 0,471

Pole 2 Xm (ohm) 3,906

Tnominal 35.56 J (kg.m2) 0.59

3. Kinerja dari Motor Induksi

Kinerja motor induksi tiga phasa dapat diprediksi dari model yang dikembangkan untuk maksud itu. Dalam makalah ini digunakan model d-q. Dari parameter model tersebut selanjutnya kinerja dari motor yang dinyatakan oleh kurva karakteristik arus terhadap waktu yang dapat ditentukan.

Untuk membuat kinerja dari motor induksi menjadi optimum, maka parameter dari motor induksi perlu dikaji lagi dengan menggunakan Genetic Algorithm. Makalah ini membahas hal tersebut.



4. Model Motor Induksi Tiga Phasa Persamaan tegangan untuk motor induksi

dalam model d-q adalah : Vds = rs.ids + dλds /dt – ω.�qs (1) Vqs = rs.ids + dλqs /dt – ω.�ds (2) V’qr = r’r.iqr + dλqr /dt –(ωe-ωr)λ’dr (3) V’dr = r’r.iqr + dλdr /dt –(ωe-ωr)λ’qr (4) Ψqs = Lqs.iqs + Lm(iqs + I’qr ) (5) Ψds = Lds.ids + Lm(ids + I’dr ) (6) Ψ’qr = L’qr.i’qr + Lm(iqs + I’qr ) (7) Ψ’dr = L’dr.i’dr + Lm(ids + I’dr ) (8)

Persamaan 1 sampai dengan 8 dapat dinyatakan dalam bentuk matriks sebagai berikut :

Vqd = Zqd * iqd (9) dengan : Vqd = [ Vqs Vds V’qr V’dr ] ‘ (10) Iqd = [ Iqs Ids I’qr I’dr ] ‘ (11) A= invers A atau invers Zqd Dan Zqd adalah matrix impedansi yang dinyatakan oleh: Zqd = A (12) Dimana : Ls = L@ + Lm (13) Persamaan untuk Torsi dinyatakan oleh : Τe=(3/2*p/2(�ds*is–�qs*ids)) (14) Dimana : �ds dan �qs dinyatakan oleh persamaan 5 dan 6.

Berdasarkan persamaan 1 s/d 4, diagram rangkaian ekivalen untuk motor induksi terlihat pada gambar-2

Gambar-2, Rangkaian Ekivalen Motor Induksi

5. Formulatif Kemudi Motor induksi Karakteristik inverter square wave dapat

bekerja secara nominal ditunjukkan melalui kurva tegangan terhadap waktu dan arus terhadap waktu, seperti pada gambar-3. Tegangan dan arus yang diperoleh sebagai berikut : Tegangan Fundamental : Vµ (rms) = �6 / π *Vd (15) Arus Fundamental : I fundamental =[ P(VA) 3Φ /�3*VL-L] (16)

Tegangan keluaran inverter dapat didekati dengan deret Fourier . Va-b = Vb-c = Va-c = [ 2 �3/ π *Vi] (17) Misalnya tegangan Vl-l dapat dinyatakan sebagai : {sin(wt+phi/6) + 1/5*sin(5wt – phi/6)+ 1/7*sin(7wt+phi/6)+1/11*sin(11wt – phi/6+…} Jika dianggap tidak ada daya yang hilang, maka daya dari inverter adalah : Vi*Ii = [3/2*(Ve

qs *Ieqs)+ (Ve

ds *Ieds)] (18)

Arus Inverter menjadi : Ii = [ 3/π*((ge

qs *Ieqs)+ (ge

ds *Ieds)] (19)

Dimana : ge

qs =1+[2/35*cos(6ωt) – 2/143*cos(12ωt)+… ge

ds =[12/35*cos(6ωt)–2/143*cos(12ωt)+.. (20)

Gambar-3, Karakteristik Arus Maksimum Motor

Induksi Keadaan Standart

6. Optimasi Parameter Motor Induksi Dengan Menggunakan Genetic Algorithm

a. Genetic Algorithm

Genetic Algorithm adalah metode lain yang biasa digunakan untuk menentukan parameter rangkaian ekivalen motor induksi tiga phasa, sehingga diperoleh arus maksimum. Genetic a Algorithm menggunakan objective function yang didasarkan pada suatu criteria kinerja untuk menentukan error. Parameter rangkaian ekivalen gambar-1 dipakai sebagai pedoman dalam menentukan optimasi torsi motor induksi. Persamaan torsi untuk locked rotor, breakdown dan full-load membentuk multi objective optimization problem, dimana tiap persamaan adalah fungsi dari tiga atau lebih dari parameter mesin. Tiga persamaan torsi dapat dituliskan sebagai berikut : F1(R1,R2,Xl)= Te – Tfl (21) F2(R1,R2,Xl)= Te – Tlr (22) F3(R1,Xl) = Te – Tbd (23)



Dimana Te adalah persamaan (14). Selanjutnya parameter rangkaian ekivalen

motor dikodekan dengan bilangan decimal dan nilai fitness (kemampuan) maksimum didapatkan untuk menentukan torsi tersebut. Maka setiap parameter rangkaian ekuivalen motor induksi dapat dilakukan dengan genetic algorithm. Dalam hal ini error function diperoleh sebagai formula dari kuadrat torsi error function, sedangkan fitness function adalah inverse dari error. Sasaran dari genetic algorithm membuat nilai error minimum atau membuat fitness maksimum. Error function dapat dituliskan sebagai : E = F1(.)2 + F2(.)2 + F3(.)2 (24) sedangkan fitness dinyatakan oleh : Fitness = 1/ E (25)

Secara umum proses genetic algorithm yang dilukiskan gambar-4 terdiri dari :

Gambar-4, Genetic algorithm

I. Pembangkitan Spesies

C^k=[X1^k ,Y1^k, X2^k,Y2^k,,Xm^k,Ym^k] (25) Dimana: (xi^k, yi^k) : lokasi dari pembangkitan kromosom. i,j : urutan nomor spesies (1,2,3..) ii. Perkalian silang Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2 Dimana ri : bilangan acak, dengan : i = 1,2,3, …,m II. Mutasi

Nilai Random dinyatakan oleh : Xi = Xi^k + random nilai [ E ] Yi = yi^k + random nilai [ E ] Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Yi = nilai random [ Ymin, Ymax ]

Hasil eveluasi pada proses genetic algorithm, digunakan untuk mencari nilai error terkecil atau nilai fitness terbesar. Nilai error yang diperoleh digunakan untuk menentukan parameter motor induksi tersebut. Parameter motor induksi tersebut

didapat dari rangkaian ekivalen motor induksi model d-q

b. Hasil Perhitungan

Hasil dari nilai fitness yang dinyatakan oleh kurva fitness terhadap jumlah generasi yang terlihat pada gambar-5 yang menghasilkan parameter dengan harga torsi optimum yang terlihat pada table-2.

Tabel-2, Parameter Motor Induksi Dengan Metode

Genetic Algorithm

HP (Daya) 33 Rs (ohm) 0,030

V *Tegangan) 220 Rr (ohm) 0,016

f (rekuensi) 50 Xls (ohm) 0,12

Tmula (N.m) 527,89 Xlr (ohm) 0,26

Pole 2 Xm (ohm) 2,164

Tnominal 42,3 J (kg.m2) 0.59

Gambar-5, Nilai fitness terhadap Populasi

Dan dengan cara yang sama karakteristik arus terhadap waktu dari data pada table-3 dapat ditentukan hasilnya pada gambar-6.

Gambar-6, Karakteristik Torsi terhadap Kecepatan

Motor Induksi hasil Genetic Algorithm



7. Kesimpulan Dengan Genetic Algorithm nilai arus

maksimum, arus awal dan arus nominal dapat dinaikkan secara optimum seperti terlihat pada table-3

Tabel-3 Hasil Simulasi Motor Induksi

Torsi Motor Induksi Motor Induksi

dengan Data dengan Data

Standart Hasil Optimasi

(AMP) (AMP)

Arus Max 3700 7341

Atus Min 55,315 60,318

Daftar Pustaka

1. T.A Lipo and A.Consoli,” Modelling and Simulation Of Induction Motors wth saturable leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Jan/Feb.1984

2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter Estimation throught an output error technique”, IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM 019-9EC

3. E.Muljadi,” Water Pumping with a Peak-Power Tracker using a Simple Six-Step Square Wave Inverter,” IEEE Transaction On Industry Application, Vol.33 No.3 May/Juny 1997.

4. Ray Nolan and Towhidul Haque,” Application Of Genetic Algorithm to Motor Parameter Detertermination For Transient Torque Calculation “, IEEE Transaction On Industry Applicate,” September/October 1997.

5. Warring R.H, “ Pump Selection to System And Application, second Edition, Trade and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984.

6. Lawrence Davis,” Handbook Of Genetic Algorithm”, Van Nostrand Reinhold, New York, 1991

7. Goldberg,” Genetic Algorithm In Machine,” New York 1996.



Penggunaan Genetic Algorithm untuk Optimasi Pengaturan Kecepatan Perjalanan Kereta API

Birowo 1, Herri Trisna Frianto2, 3 Agus Priyono4 Agus Sofwan4

1STMIK Triguna Dharma Medan 2Polteknik Negeri Medan

3Sekolah Tinggi Teknik Harapan Medan 4Institut Sains dan Teknologi Nasional

Email : [email protected], [email protected]

Abstrak Kereta Api merupakan suatu alat transportasi

yang menghubungkan suatu daerah ke daerah lain dengan ketepatan waktu yang dikehendaki. Dalam ketepatan waktu perjalanan dan lalu lintas perhubungan yang padat adalah merupakan kendala dalam membuat jadwal pemberangkatan selama perjalanan kereta api tersebut. Bila diinginkan untuk mendapatkan jadwal perjalanan kereta api yang optimum, maka waktu tempuh kereta api perlu dikaji lagi dengan menggunakan genetic algorithm.

Kata Kunci : Genetic Algorithm 1. Pendahuluan

Dalam menjaga kebutuhan pelayanan yang baik, kinerja kereta api dalam menempuh pemberangkatan dan perjalanan membutuhkan waktu yang tepat. Supaya waktu yang ditempuh oleh kereta api tersebut optimal juga. Namun seringkali dengan mengatur waktu tersebut terjadi keterlambatan dalam kedatangan maupun keberangkatan.

Untuk menbuat kinerja kereta api yang optimum dalam menempuh waktu perjalanan, maka percepatan dari kereta api perlu dikaji lagi dengan menggunakan genetic algorithm. Dalam makalah ini membahas hal tersebut.

2. Model Persamaan

Persamaan jarak perjalanan kereta api yang ditempuh dalam waktu tertentu dan percepatan yang berubah ubah dalam metode kinematika adalah :

Xt = Vo*t + [1/2*a*t) (1)

a = ∑F / ∑m (2) ∑F = F–(Fvk+Fvm+FH+Fi+Fh+Faj) (3)

∑m = (mf+mfvk+mfvm+mfh+mfi+mfh+mfaj) dimana : F : Beban gaya kereta api Fvk : Kerugian oleh mesin Fvm: Kerugian oleh manusia FH : Kerugian Lalu lintas Kereta Api Fj : Kerugian Jalur Kereta Api Fh : Kerugian Bahaya Banjir Faj : Kerugian Simpangan

Persamaan (1) dengan persamaan (2) menghasilkan: Xt = Vo*t + [1/2*(∑F / ∑m )*t) (5) Vo = [Xt - [1/2*(∑F / ∑m )*t)] / t (6)

Data waktu tempuh yang dicapai oleh kereta api sekarang ini untuk Jurusan Surabaya-Jakarta untuk kereta api Argo Anggrek dapat ditunjukkan pada gb-1.

Tabel-1, Perbedaan kecepatan perjalanan kereta api

Kota Awal-SBY

SBY-SMG

SBY-CRB

SBY-JKT Ket

Jarak (km) 0 475 625 850 Plant Waktu (jam) 0 5 9 12 Normal

Gb-1. Waktu thp Jarak tempuh Sby – Jkt

3. Optimasi waktu tempuh dengan menggunakan Genetic Algorithm


Genetic Algorithm adalah salah satu metode yang dapat digunakan untuk mengoptimalkan percepatan kereta api sehingga diperoleh waktu yang optimum. Genetic Algorithm menggunakan objective function yang didasarkan pada suatu criteria kinerja untuk menentukan error.

Selanjutnya percepatan kereta api dikodekan dengan bilangan decimal dan nilai fitness



(kemampuan) maksimum didapatkan untuk menentukan waktu tersebut. Maka setiap gaya yang diperoleh menimbulkan percepatan kereta api yang dapat dilakukan dengan Genetic Algorithm. Dalam hal ini error function diperoleh sebagai formula dari persamaan kuadrat waktu error function, sedangkan fitness function adalah inverse dari error. Sasaran dari Genetic Algorithm adalah membuat nilai error minimum atau membuat fitness maksimum. Fitness function dapat dituliskan sebagai : Fitness = [ 1 – (t0 – t1)] (7) Sedangkan error dinyatakan oleh : Error = 1 / fitness (8)

Secara umum proses Genetic Algorithm yang dilukiskan dalam gambar-2 terdiri dari :

Gb-2, Genetic Algorithm

i. Pembangkitan Spesies

Pembangkitan Spesies dilakukan dengan memperhatikan persamaan berikut : C^k=[X1^k,Y1^k,X2^k,Y2^k,.,Xm^k,Ym^k] Dimana: (xi^k, yi^k) : lokasi dari pembangkitan kromosom. i,j : urutan nomor spesies (1,2,3..) ii. Perkalian silang

Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2

Dimana ri : bilangan acak, dengan : i = 1,2,3, …,m iii. Mutasi Nilai Random dinyatakan oleh : Xi = Xi^k + random nilai [ E ] Yi = yi^k + random nilai [ E ] Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Yi = nilai random [ Ymin, Ymax ]

Hasil evaluasi pada proses Genetic Algorithm digunakan untuk mencari nilai error terkecil atau nilai fitness terbesar. Nilai error yang diperoleh digunakan untuk menentukan percepatan kereta api. Percepatan kereta api tersebut didapat dari rumus

jarak dan gaya dari hokum Newton. Kemudian percepatan kereta api diacak untuk mendapatkan nilai optimum dengan metode Genetic Algorithm, sehingga didapatkan nilai fitness (kemampuan) yang maksimum.

b. Analisa

Dari persamaan (1) s/d (8), maka menghasilkan perbedaan kecepatan kereta api selama perjalanan dari SBY ke Jakarta seperti yang ditunjukkan pada table-2.


Kota Awal-SBY

SBY-SMG

SBY-CRB

SBY-JKT Ket.

Kecepatan (km/jam) 0 95 69.44 70.83 Normal

Kecepatan (km/jam) 0 105.55 73.52 77.27 optimum

4. Hasil Perhitungan

Percobaan yang dilakukan adalah menggunakan parameter-parameter jarak, waktu sebagai berikut : - Jumlah elemen array : 14 - Nilai waktu level maksimum: 0.05 - Jumlah individu dalam populasi : 20 - Jumlah Gen satu kromosom : 14 - Jumlah Generasi : 200

Hasil yang didapat dari nilai fitness dinyatakan dalam bentuk kurva fitness terhadap jumlah generasi yang terlihat pada gambar-3. Dari gambar tersebut menghasilkan waktu dan jarak serta percepatan kereta api dengan harga waktu optimum. Kecepatan dan waktu optimum yang didapat terlihat pada gambar-4

Gb.3 Karakteristik Nilai Fitness terhadap Jumlah

Generasi




Kota Awal-SBY

SBY-SMG

SBY-CRB

SBY-JKT Ket

Jarak (km) 0 475 625 850 Plant

Waktu (jam) 0 4.5 8.5 11 Optimum

Perbedaan Kecepatan Kereta Api

0

20

40

60

80

100

120

1 2 3 4

Jarak

Kece

pata

n

Normal Optimum Gb.4, Karakteristik kecepatan terhadap waktu yang

optimum.

5. Kesimpulan a. Dari gambar-4 didapat nilai waktu tempuh

sebesar 11 jam dengan menggunakan metode Genetic Algorithm. Ini menunjukkan bahwa waktu tempuh kereta api lebih singkat sekitar 1 jam dari waktu tempuh yang sebenarnya sebesar 12 jam. Kalau dinyatakan dalam prosentase, maka waktu tempuh yang optimum mengalami kenaikan sebesar 2,94%.

b. Dengan mengoptimasi nilai waktu tempuh dengan metode Genetic Algorithm diharapkan kinerja kereta api optmal. Selain itu terdapat beberapa hal yang perlu diperhatikan dalam pemakaian Genetic Algorithm untuk menekan waktu tempuh, yaitu gangguan yang disebabkan oleh manusia, mesin, bencana alam sekecil mungkin dan diharapkan lebih lanjut kearah pemakaian Genetic Algorithm dengan kromosom float.

Daftar Pustaka 1. T.A Lipo and A.Consoli,” Modelling and

Simulation Of Induction Motors wth saturable leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Jan/Feb.1984


3. E.Muljadi,” Schedule of Water Pumping Project with a Peak-Power Tracker using a Simple Six-Step Square Wave Inverter,” IEEE Transaction On Industry Application, Vol.33 No.3 May/Juny 1997.


5. Warring R.H, “ Schedule of Pump Selection to System And Application, second Edition, Trade and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984.


7. Goldberg,” Genetic Algorithm In Machine,” New York 1996.





Perancangan Aplikasi Penjadwalan Produksi menggunakan beberapa Algoritma Heuristik dan Aturan Penjadwalan pada bagian Plastik

PT. Inti Pindad Mitra Sejati (IPMS)

Dessy Revita Nasution, Dida Diah Damayanti, dan Seno Adi Putra

[email protected], [email protected], [email protected]

Abstrak

PT. Inti Pindad Mitra Sejati pada bagian produksi plastic bersifat make to order. Perusahaan ini belum memiliki pegendalian produksi, penjadwalan produksi proses produksi yang standar dan terdokumentasi. Akibatanya, hanya 19% pesanan yang tepat produksi. Belum adanya pendokumentasian informasi penjadwalan mengakibatkan perusahaan sulit melalukan evaluasi proses produksi untuk mencapai hasil yang lebih baik. Tujuan dari penelitian ialah untuk merancang sistem yang dapat mengendalikan, merencanakan (penjadwalan), dan mendokumentasikan proses produksi.

Metode yang digunakan di pilih untuk merencanakan produksi bedasarkan kebutuhan dan tujuan perusahaan dalam menjalankan produksinya. SPT ialah metode untuk meminimasi flowtime. WSPT ialah metode yang digunakan jika sebuah pesanan mempunyai prioritas dan nilai lebih dibanding pesanan lain. Slack dan algoritma Hodgson ialah metode yang digunakan untuk meminimasi keterlambatan, atau nilai lateness.

Dengan menggunakan aplikasi ini, perusahaan dapat mengatur pekerjaan, serta dapat mengalokasikan pekerjaan ke mesin dengan kondisi sistem yang sudah disesuaikan Selain itu, aplikasi ini dapat mendokumentasikan proses produksi yang terjadi. Kata Kunci : make to order, pengendalian produksi, penjadwalan produksi, perancangan aplikasi, aturan prioritas. 1. Pendahuluan

PT. Inti Pindad Mitra Sejati pada bagian produksi plastic bersifat make to order. Perusahaan ini belum memiliki pegendalian produksi, penjadwalan produksi proses produksi yang standar dan terdokumentasi. Setiap ada pekerjaan yang masuk, IPMS tidak memperhatikan pekerjaan – pekerjaan lain yang ada di lantai produksi, padahal job yang masuk dengan job yang ada dilantai

produksi masih bisa diatur dan dihitung penjadwalan bedasarkan aturan prioritasnya. Bedasarkan wawancara, prioritas pekerjaan hanya dilakukan ketika ada job yang masuk dengan bersamaan. Prioritas ini didasarkan pada Due date, tingkat kepentingan konsumen, keuntungan dan kecepatan waktu proses (Budi, 2011). Namun faktor-faktor tersebut hanya merupakan bahan pertimbangan, belum ada perhitungan heuristik terhadap prioritas tersebut.

Hanya 19% pesanan yang dipenuhi secara tepat waktu. Sisa persentasenya menunjukkan bahwa pesanan tidak selesai tepat waktu. Hal ini disebabkan karena perkiraan due date yang dilakukan oleh manajer tidak tepat.

Oleh karena itu dibutuhkan suatu sistem yang dapat membantu PT. IPMS dalam penjadwalan, perencanaan pengendalian produksi, dan pendokumentasian proses produksi untuk meningkatkan efisiensi PT. IPMS dalam merencanakan mengendalikan produksinya. 2. Metodologi Penelitian

Gambar 1 Model Konseptual

Penelitian ini membutuhkan input berupa data demand, data matres sesuai, status mesin, dan waktu proses. Semua data ini diolah untuk menentukan simulasi jadwal. Penjadwalan ini didalamnya mencakup proses alokasi job ke mesin, mengurutkan job bedasarkan metode SPT, WSPT, Slack dan Algoritma Hodgson, serta menghitug performansi dari setiap metode yang digunakan yang berupa flow time dan Lateness. Didasarkan oleh kebutuhan perusahaan, maka proses



penjadwalan ini dilakukan dalam sebuah aplikasi produksi. 3. Perancangan Sistem

Gambar 2 Aliran Proses Eksisting

Dengan melihat gambaran sistem eksisting perusahaan, maka dapat diidentifikasi beberapa masalah, yaitu: 1. IPMS membutuhkan suatu sistem yang dapat

memperkirakan waktu penyelesaian pesanan, sehingga waktu due date yang deal untuk pelanggan memiliki perhitungan yang nyata.

2. IPMS membutuhkan suatu sistem yang dapat mengatur pengalokasian matres ke mesin secara otomatis

3. IPMS membutuhkan suatu sistem yang dapat menyesuaikan jadwal produksi eksisting jika ada pesanan baru yang masuk.

4. IPMS membutuhkan suatu sistem penjadwalan yang dapat meminimasi keterlambatan dan flow time. Identifikasi Kebutuhan Sistem

1. Memberikan opsi mesin untuk dioperasikan secara otomatis bedasarkan matres yang dipilih dan mesin sesuai.

2. Menyediakan metode – metode urutan prioritas penjadwalan yang dapat disesuaikan dengan kondisi eksisting perusahaan

3. Dapat menghasilkan suatu penjadwalan produksi yang outputnya berupa tanggal mulai dan selesainya suatu pesanan.

4. Dari hasil penjadwalan, dapat dilihat performansinya yang berupa lateness dan flow time, juga dapat dilihat waktu penyelesaian produk yang dapat menjadi acuan untuk tahap negosiasi.

3.1. Aliran Proses Usulan

Gambar 3 Aliran Proses Usulan

Gambar 4 Aliran Proses Penjadwalan Usulan



3.2. Algoritma penjadwalan Beberapa algoritma penjadwalan yang

dirumuskan meliputi: 1. Algoritma memunculkan mesin tersedia

- Masukkan berat produk - Identifikasi mesin mana yang dapat

dimasuki oleh produk tersebut, dengan ketentuan:

Ketentuan mesin bedasarkan berat

Nama Mesin Kapasitas Berat (dalam gr)

Moulding Nissei 250 <= 500

Moulding Engle 175 <= 200

Moulding Engle 150 <= 200

Moulding Arburg 80 <= 100

Moulding Arburg 70 <= 50

- Bedasarkan kode produk, teridentifikasi persediaan matres yang ada di lantai produksi yang dapat digunakan.

- Cari ’irisan’ mesin sesuai antara matres dan produknya.

- Buang mesin yang tidak mempunyai irisan. - Tampil mesin – mesin hasil dari irisan

antara sesuai terhadap matres dan sesuai terhadap produk.

- Maksimal Jumlah mesin yang dipilih = Jumlah matres; dimana 1 jenis matres tidak boleh dipilih pada 2 mesin atau lebih.

2. Algoritma Penjadwalan Dengan Beberapa Aturan Prioritas

Berikut ialah alur dari job masuk sampai keluar dari tahap penjadwalan sebelum masuk ke metode penjadwalan: - Masukkan kapasitas produksi mesin pada

mesin – mesin yang dipilih. - Masukkan total produksi per mesin. - Jika mesin yang dipilih lebih dari satu, maka

inputkan total produksi per mesin. - Jika hanya satu mesin yang dipilih maka

total produksinya sama dengan jumlah produk yang di pesan.

- Jadwalkan setiap mesinnya. - Jika tidak ada job lain yang masih pending

pada mesin, maka langsung di jadwalkan pada mesin tersebut, langsung ke tahap 5.

- Jika ada job lain yang masih pending pada mesin, maka masuk ke tahap 4.

- Masukan Data pendukung penjadwalan. Data pendukung penjadwalan ini berupa bobot keuntungan dan bobot tingkat kepentingan konsumen dengan inisialisasi berikut:

1 = kurang menguntungkan 1 = kurang penting

2 = menguntungkan 2 = penting 3 = sangat menguntungkan 3 = sangat

penting - Terlihat gantt chart ke empat metode beserta

perfomansinya. Pilih gantt chart yang sesuai. - Jika masih ada mesin yang belum di

jadwalkan, maka kembali ke tahap 3.

Pada tahap 5, akan membutuhkan algoritma dari keempat metode yang dipakai. Berikut ialah algoritma dari keempat metode tersebut:

a. Shortest Processing Time

Tahap 1 : Hitung waktu proses setiap job bedasarkan kapasitas produksi seperti yang telah di jelaskan sebelumnya.

Tahap 2 : Urutkan job dari yang memiliki waktu proses terkecil sampai terbesar.

b. Weighted Shortest Processing Time

Tahap 1 Beri bobot pada setiap pekerjaan yang pending bedasarkan tingkat keuntungan dan tingkat kepentingan konsumen.

Tahap 2 Hitung waktu proses setiap job bedasarkan kapasitas produksi seperti yang telah di jelaskan sebelumnya (ti).

Tahap 3 Jumlahkan nilai bobot yang telah diisi (wi).

Tahap 4 Hitung nilai setiap job ini dengan . Tahap 5 Urutkan nilai job yang paling kecil sampai

yang paling besar. c. Slack

Tahap 1 Ubah satuan due date ke dalam jam per job.

Tahap 2 Hitung completion time per job. Tahap 3 Kurangi due date dengan completion time. Tahap 4 Urutkan nilai job yang paling kecil sampai

yang paling besar. d. Algoritma Hodsgon

Sebelum merumuskan algoritma Hodgson ini, harus diketahui terlebih dahulu algoritma dari aturan Earliest Due date (EDD). Berikut ialah tahap – tahap dari aturan EDD: Tahap 1 Ubah satuan due date dari hari ke dalam

satuan jam kerja pada setiap job (proses perhitungan seperti yang telah dijelaskan sebelumnya).

Tahap 2 Urutkan job bedasarkan nilai due date yang paling kecil.



Setelah mengetahui aturan EDD, maka algoritma Hodgson dapat di jalankan. Tahap dari algoritma ini ialah sebagai berikut: Tahap 1 Urutkan job bedasarkan aturan EDD. Tahap 2 Hitung lateness dari setiap job. Jika tidak

ada lateness yang positif, maka lanjut ke tahap 7.

Tahap 3 Cari job pertama yang memiliki lateness positif.

Tahap 4 Bandingkan waktu proses dari job – job sebelum job pertama yang memiliki lateness positif dan cari waktu proses terbesarnya.

Tahap 5 Hapus job yang memiliki waktu proses terbesar pada tahap 4.

Tahap 6 Setelah dihapus, maka ulang tahap 1. Tahap 7 Taruh job – job yang di hapus di urutan

paling belakang. 3.3. Data Flow Diagram

3.4. Entity Relationship Diagram

4. Pengujian dan Analisis Hasil Rancangan

4.1. Analisis hasil perancangan aplikasi

Proses perkiraan due date, cek matres dan pilih mesin, jadwal ulang pekerjaan pending dengan yang baru masuk dan proses perhitungan aturan prioritas yang sebelumnya tidak ada, pada perbaikan menjadi ada yang diwujudkan dalam aplikasi. Selain itu, penyimpanan data yang sebelumnya tidak dilakukan untuk proses produksi, dengan menggunakan aplikasi ini menjadi tersedia informnasi proses produksinya.

4.2. Analisis Metode

- Analisis metode Shortest Processing Time (SPT)

Metode ini digunakan ketika user meninginkan flow time yang seminimal mungkin. Selain untuk memimasi flow time, aturan SPT dapat juga digunakan ketika user ingin meminimasi waktu tunggu pada pekerjaan. Jika waktu proses pada job – job yang barus saja masuk tidak terlalu beda, maka SPT ini cocok digunakan. Namun apabila terdapat job dengan waktu proses yang jauh lebih lama, sedangkan order yang beru datang ke lantai produksi waktu prosesnya sangat kecil dibanding dengan job sebelumnya, maka metode ini tidak cocok lagi digunakan. SPT akan memproses order dengan waktu proses terkecil, tidak peduli berapa lama order tersebut telah menunggu di proses, tidak peduli seberapa dekat order tersebut dengan due date. Hal ini mengakibatkan nilai waiting time pada job yang mempunyai waktu proses besar menjadi sangat besar. Salah satu solusi untuk permasalahan seperti ini ialah dengan mengecek secara periodik job yang telah menunggu lama untuk dikerjakan agar dikerjakan setelah job yang ada di mesin selesai. Dan solusi lainnya ialah menggunakan metode lain yang mempertimbangkan jarak waktu due date dengan waktu proses pesanan.

- Analisis metode Wieghted Shortest Processing Time

Metode ini merupakan variasi dari aturan SPT. Metode ini digunakan karena mungkin saja terjadi masing – masing pekerjaan mempunyai arti penting yang berbeda – beda, sehingga



digunakan pembobotan pada masing – masing pekerjaan. Fungsi dari metode ini sama dengan metode SPT yaitu meminimasi rata – rata flow time. Yang membedakan ialah ketika waktu proses yang dimiliki oleh pesanan dibagikan dengan bobot tertentu. Dalam penelitian ini bobot yang digunakan ialah keuntungan dan kepentingan. Dimana semakin untung atau penting order tersebut, maka nilai bobotnya akan semakin besar yang artinya semakin mendesak pula pesanan ini untuk didahulukan. Metode ini cocok jika pelanggan memiliki nilai lebih dimata perusahaan, baik karena pelanggan ini memiliki order yang nilai keuntunganya besar dan atau karena pelanggan ini sangat penting untuk di dahulukan. Sebaliknya, jika pelanggan memiliki nilai yang sama saja dimata perusahaan, maka tidak disarankan untuk menggunakan metode ini.

- Analisis metode Slack

Berbeda dengan 2 metode sebelumnya yang berfungsi untuk meminimasi rata – rata flow time, metode ini berfungsi untuk mengurangi keterlambatan atau lateness. Slack ialah rentang waktu antara waktu penyeleseian pesananya (waktu proses) dengan due date. Metode ini cocok bagi perusahaan untuk menghindari denda keterlambatan yang sangat besar bagi pelanggan tertentu karena metode ini tidak memperdulikan siapa yang lebih penting, siapa yang lebih untung, maupun siapa yang lebih cepat. Dengan pendekatan waktu Slack ini, yang akan dikerjakan terlebih dahulu ialah yang memiliki rentang waktu lebih kecil terhadap due date.

- Analisis Algoritma Hodgson

Sama seperti slack, algoritma ini juga bertujuan untuk mengurangi keterlambatan. Namun jika slack memilih pekerjaanya bedasarkan rentang waktu due date dan waktu proses, algoritma Hodgson mempertimbangkan due date dan lateness sebagai acuanya. Aturan awal yang digunakan oleh algoritma ini ialah aturan EDD (Earliest Due date), dimana aturan ini hanya melihat due date dari suatu pesanan. Dimana yang paling dekat dengan due date maka itulah yang akan diprioritaskan. Setelah diurutkan bedasarkan EDD, algoritma ini akan menggunakan lateness sebagai acuannya dimana lateness yang positif (terlambat), dianggap memperlambat waktu.

Oleh karena itu lateness yang positif ini akan di taruh di urutan paling belakang. Walaupun nilai lateness job tersebut akan lebih besar dari sebelumnya, namun jumlah pekerjaan yang terlambat akan berkurang. Jika denda keterlambatan masing – masing pekerjaan sama besanya dan pekerjaan tidak tergantung pekerjaan lain, maka algoritma ini cocok digunakan perusahaan.

4.3. Verifikasi Hasil - Verifikasi fungsi pilih mesin sesuai

Produk Status

Insulator R54 Berhasil Tangkai Penegak Berhasil Pistol Grib Berhasil

- Verifikasi hasil perhitungan metode

Aplikasi Manual

SPT PO2-PO1 PO2-PO1 WSPT PO2-PO1 PO2-PO1 Slack PO2-PO1 PO2-PO1 Hodgson PO2-PO1 PO2-PO1

- Verifikasi perhitungan waktu

- Waktu proses total = Total produksi (buah)

: Kapasitas produksi (buah/hr) = 2000 : 2000 = 1 hari = 24 jam

- Due date = 2x 24 jam kerja = 48 jam

- Completion time = waktu idle + waktu proses + waktu istirahat yang dilalui + waktu set up

= 0 + 24 + 4+1 = 29

- Lateness = completion time – due date = 29-48 = -19

- Flowtime = waktu idle + waktu proses + waktu istirahat



= 0 + 24 + 4+1 = 29

Hasil completion time yang dilakukan dengan manual dan aplikasi sedikit mengalami perbedaan pembulatan waktu dan algoritma perhitungan. Pada program, dibutuhkan konversi terhadap pengurangan tanggal dengan waktunya. Sehingga hasil yang berupa angka desimal akan dibulatkan ke atas.

5. Penutup

5.1. kesimpulan 1. Sistem yang dibangun dapat membantu

perusahaan dalam menjadwalkan pekerjaan, baik pekerjaan baru maupun pekerjaan yang menunggu untuk diproses, juga dapat mensimulasikan terhadap konsumen tanggal penyelesaian serta dapat mendokumentasikan hasil dari perencanaan produksi.

2. Aplikasi penjadwalan dibuat sesuai dengan kondisi perusahaan yang unik terhadap pengaturan matres, dan mesin. Aplikasi ini mampu menyediakan mesin sesuai terhadap matres dan produk, yang merupakan proses yang unik dari perusahaan ini. Selain itu, metode – metode yang disediakan memiliki fungsi tujuan yang dapat meminimalisir permasalahan yang terjadi pada IPMS.

5.2. Saran 1. Untuk perusahaan

- Dalam melaksanakan produksi, sebaiknya perusahaan melakukanya sesuai dengan penjadwalan produksi yang telah dibuat. Sehingga tanpa implementasi yang melenceng dari proses perencanaan, fungsi pendokumentasian produksi yang telah dibuat dapat berguna ke depannya.

- Perusahaan dapat melakukan pengembangan terhadap aplikasi.

2. Untuk penelitian selanjutnya - Dapat mengintegrasikan kondisi mesin yang

sesungguhnya dengan aplikasi produksi. Dapat membuat gantt chart pada aplikasi sehingga visualisasi lebih mudah.

- Dapat menambah ruang lingkup dari aplikasi ke bagian lain seperti pemasaran, accounting, bahkan konsumen.

Daftar Pustaka Amin, Faisal (2006). Pengembangan Algoritma

Penjadwalan Heuristik Flow Shop untuk Pesanan Baru yang Memperhatikan Lantai Produksi. Tugas Akhir S-1 Teknik Industri, Institut Teknologi Bandung.

Baker, Kenneth R. (2001). Elements of Sequencing and Scheduling. Sine Nomine.

Bedworth, David D. dan James E. Bailey (1987). Integrated Production Control System : Management, Analysis, Design. John Wiley & Sons Inc. New York.

Elsayed, Elsayed S and Boucher, O Thomas. (1995). Analysis and Control of Production System. Second Edition. Springer Publishing. New York.

Ginting, Rosnani (2007). Penjadwalan Mesin. Graha Ilmu. Yogyakarta.

Ketaren, Dewi (2006). Perancangan Aplikasi Penjadwalan Produksi Job Shop Dengan Mengggunakan Beberapa Metode Heuristik. Tugas Akhir S-1 Teknik Industri, Institut Teknologi Telkom.

Rasjidin, Roesfjandsyah (2006). Penjadwalan produksi mesin Injection moulding pada PT. Duta flow Machine machinery. Tugas Akhir S-1 Teknik Industri, Universitas Indonesia Esa Unggul.

Sipper, Daniel and Bulfin, Ir Robert L. (1995). Production Planning, Control and Integration. Mc Graw-Hill Companies Inc. New York.



Model Aturan Keterhubungan Data Mahasiswa dengan Algoritma Decision Tree

Dedy Hartama

Staf Program Studi Manajemen Informatika, AMIK Tunas Bangsa Pematang Siantar E-mail : [email protected]

Abstract Penelitian ini mengusulkan sebuah model

aturan keterhubungan data mahasiswa dengan indeks prestasi di perguruan tinggi swasta. Faktor-faktor mana yang lebih dominan yang mempengaruhi indeks prestasi belum dapat diketahui dengan pasti. Data diperoleh dari database Akademik AMIK Tunas Bangsa dan hasil survei terhadap mahasiswa semester III tahun ajaran 2008 dan 2009. Dalam Penelitian ini algoritma C 4.5 decision tree diaplikasikan agar mendapatkan suatu model aturan yang dapat memperlihatkan keterhubungan antara nilai rata rata matakuliah kurikulum berbasis kompetensi dengan data ekonomi, dukungan orang tua dan fasilitas belajar terhadap indeks prestasi mahasiswa. Model aturan yang diperoleh menunjukkan bahwa variabel terbaik dari prediktor yang digunakan adalah faktor ekonomi yang memberikan kontribusi sebesar 79,8% terhadap indeks prestasi mahasiswa. Key Word : decision tree, model aturan, indeks

prestasi

1. Pendahuluan Dalam Proses belajar mengajar untuk

mendapatkan nilai akhir mahasiswa di AMIK Tunas Bangsa Pematangsiantar memiliki penilaian terdiri dari penilaian absensi, tugas, quis, ujian tengah semester (UTS) dan ujian akhir semester ( UAS ). Peningkatan prestasi akademik dapat dilaksanakan dengan pemberian tugas yang berhubungan dengan kompetensi mata kuliah yang pilih. Ujian dapat diselenggarakan melalui ujian tengah semester, ujian akhir semester, ujian akhir program studi dan ujian skripsi.

Berdasarkan Kepmendiknas No. 232/U/2000 Penilaian hasil belajar dinyatakan dengan huruf A, B, C, D, dan E yang masing masing bernilai 4, 3, 2, 1, dan 0.

Kurikulum pendidikan tinggi adalah seperangkat rencana dan pengaturan mengenai isi

maupun bahan kajian dan pelajaran serta cara penyampaian dan penilaiannya yang digunakan sebagai pedoman penyelenggaraan kegiatan belajar mengajar di perguruan tinggi. Kelompok Mata Kuliah berbasis kompetensi yang dilaksanakan berdasarkan Kepmendiknas No 232/U/2000 adalah Matakuliah Pengembangan Kepribadian (MPK), Kelompok Matakuliah Keilmuan dan Keterampilan (MKK), Kelompok Matakuliah Keahlian Berkarya (MKB), Kelompok Matakuliah Perilaku Berkarya (MPB) dan Kelompok Matakuliah Berkehidupan Bermasyarakat (MBB).

Dalam beberapa penelitian yang telah dilakukan oleh peneliti yang dituliskan dalam jurnal atau karya ilmiah tentang penggunaan data mining pada perguruan tinggi adalah : Romero dan Ventura, (2007), telah melakukan survey data mining dalam bidang pendidikan antara tahun 1995 sampai 2005, mereka menyimpulkan bahwa data mining yang berhubungan dengan pendidikan sangat baik untuk diteliti terutama di bidang e-learning, multimedia, artificial intelligent dan web database. Merceron dan Yacep, (2005) melakukan penelitian menggunakan data mining untuk mengidentifikasi perilaku mahasiswa yang cenderung gagal pada prestasi akademik sebelum ujian akhir. Ogor, (2007) menggunakan teknik data mining yang digunakan untuk membangun prototipe Penilaian Kinerja Monitoring System (PAMS) untuk mengevaluasi kinerja mahasiswa. Sembiring, et al., (2009) menggunakan teknik data mining dalam pemantauan dan memprediksi peningkatan prestasi mahasiswa berdasarkan minat, prilaku belajar, pemanfatan waktu dan dukungan orang tua di perguruan tinggi.

Walaupun telah banyak penelitian yang dilakukan berkaitan dengan indeks prestasi mahasiswa namun faktor-faktor yang mempengaruhi indeks prestasi mahasiswa masih belum dapat diketahui dengan pasti sehingga perlu dilakukan penelitian untuk melihat keterhubungan data mahasiswa dengan indeks prestasi.

Penelitian ini mengaplikasikan teknik data mining dengan algoritma C 4.5 dalam membuat



model aturan keterhubungan data mahasiswa berdasarkan matakuliah Kurikulum Berbasis Kompetensi (KBK) dan data demografi yang mendukung peningkatan indeks prestasi mahasiswa. Model aturan yang diperoleh untuk mengklasifikasikan predikat mahasiswa yang terdiri dari dengan pujian, sangat memuaskan, memuaskan, dan buruk.

Dengan menggunakan Algoritma C 4.5, penelitian ini akan memberikan aturan dalam bentuk decision tree bagi mahasiswa yang akan meningkatkan nilai matakuliah dan indeks prestasi pada semester yang akan diambil berikutnya. Penelitian ini diharapkan dapat memberikan kontribusi bagi perguruan tinggi swasta khususnya Akademi Manajemen Informatika dan Komputer (AMIK) Tunas Bangsa Pematangsiantar.

2. Permasalahan

Berdasar pada latar belakang di atas, maka dapat dirumuskan masalah dalam Penelitian ini sebagai berikut: 1. Bagaimana membuat model aturan

keterhubungan data mahasiswa dengan indeks prestasi menggunakan algoritma C 4.5.

2. Bagaimana menggunakan model aturan untuk mengklasifikasikan predikat akhir seorang mahasiswa berdasarkan indeks prestasi.

3. Tinjauan Teoritis

Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar. (Turban et al, 2005 ).

Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Larose, 2006).

“Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya.” (Pramudiono, 2006).

Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali digunakan secara

bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Fayyad, 1996). 1. Data Selection 2. Pre-processing/Cleaning 3. Transformation 4. Data mining 5. Interpretation/Evalution

Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipoPenelitian yang ada sebelumnya. Penjelasan di atas dapat direfresentasikan pada Gambar 1

Gambar 1. Proses dari Data Mining

Sumber: SPSS, 2004

Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase Gambar 2. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari fase sebelumnya. Hubungan penting antar fase digambarkan dengan panah. Sebagai contoh, jika proses berada pada fase modeling. Berdasar pada perilaku dan karakteristik model, proses mungkin kembali kepada fase data preparation untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation.

Gambar 2. Proses Data Mining Menurut CRISP-DM

Sumber: CRISP, 2005

2.1. Algoritma C 4.5 Algoritma C 4.5 adalah salah satu metode

untuk membuat decision tree berdasarkan training



data yang telah disediakan. Algoritma C 4.5 merupakan pengembangan dari ID3. Beberapa pengembangan yang dilakukan pada C 4.5 adalah sebagai antara lain bisa mengatasi missing value, bisa mengatasi continue data, dan pruning.

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: 1. Pilih atribut sebagai akar 2. Buat cabang untuk masing-masing nilai 3. Bagi kasus dalam cabang 4. Ulangi proses untuk masing-masing cabang

sampai semua kasus pada cabang memiliki kelas yang sama.

Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut-atribut yang ada. Untuk menghitung Gain digunakan rumus seperti tertera dalam Rumus 1 (Craw, 2005).

Gain(S,A) = Entrropy(S) – 1ni

SiS=Σ * Entropy(Si)

Dengan S : Himpunan Kasus A : Atribut N : Jumlah partisi atribut A |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S

Sedangkan perhitungan nilai Entropy dapat dilihat pada rumus 2 berikut (Craw, 2005):

Entropy(A) = 1 2*logni pi pi=Σ −

Dengan S : Himpunan Kasus A : Fitur n : Jumlah partisi S pi : Proporsi dari Si terhadap S

3. Prosedur Pengumpulan Data

Dalam studi kasus ini, untuk data set pertama, penulis mengumpulkan data dari SQL Server database nilai rata-rata matakuliah kurikulum berbasis kompetensi AMIK Tunas Bangsa Pematangsiantar yang telah mendapatkan kartu hasil studi pada semester 3 yaitu tahun ajaran 2008 sampai dengan 2009 yang terdiri dari predikat, IP, ratamkb, ratamkk, ratampk, ratambb, ratampb, semester.

Dataset kedua penulis mensurvei mahasiswa tentang prediksi prestasi akademik dengan menggunakan kuesioner tertulis. Penulis menciptakan instrument survey dan termasuk pertanyaan demografis secara umum. Jumlah mahasiswa sebanyak 755 orang, dan penulis mendapatkan data sampel sebanyak 734 orang dari 735 untuk data set pertama dan 734 orang untuk

data kuisioner mahasiswa yang merupakan data set kedua. Sumber data yang dikumpulkan dari catatan kartu hasil studi akademik mahasiswa.

Untuk dataset kedua, penulis mengembangkan kuesioner (Lampiran A) untuk mengukur keterhubungan data demografi yang sesungguhnya dari mahasiswa. 5 (lima) pertanyaan menghasilkan informasi demografi untuk responden. Pertanyaan pertanyaan yang dibuat adalah tipe skala point linker 5 yang disusun dari “ sangat setuju” sampai “ sangat tidak setuju”. yang berkenaan untuk membuat aturan indeks prestasi akhir mereka. Data set pertama dapat dilihat pada Tabel 1

Tabel 1 Tampilan Data Set Pertama No Role Name Type 1 Label predikat nominal 2 Regular IP nominal 3 Regular Ratamkb Nominal 4 Regular Ratamkk nominal 5 Regular Ratampk nominal 6 Regular Ratambb nominal 7 Regular Semester nominal

Pada Tabel 1 atribut predikat sebagai label yang merupakan tujuan dari atribut IP, ratamkb,ratamkk,ratampk,ratambb dan semester. Data set kedua dapat dilihat pada Tabel 2

Tabel 2 Tampilan Data Set Kedua No Role Name Type 1 Label predikat nominal 2 Regular IP nominal 3 Regular ekonomi nominal 4 Regular dukungan orang tua nominal 5 Regular fasilitas belajar nominal 6 regular semester nominal

Pada Tabel 2. atribut predikat sebagai label yang merupakan tujuan dari atribut IP, dukungan orang tua, ekonomi, fasilitas dan semester.

Keterhubungan data antara data set pertama dan data set kedua dapat dilihat pada Tabel 3.

Tabel 3. Tampilan Data Set Pertama dan Kedua No Role Name Type

1 Label predikat nominal 2 Regular IP nominal 3 Regular Ratamkb nominal 4 Regular Ratamkk nominal 5 Regular Ratampk nominal 6 Regular Ratambb nominal 7 Regular ekonomi nominal 8 Regular dukungan orang tua nominal 9 Regular fasilitas belajar nominal 10 Regular semester nominal

Pada Tabel 3 atribut predikat sebagai label yang merupakan tujuan dari atribut IP, ratamkb,ratamkk,ratampk,ratambb, dukungan orang tua, ekonomi, fasilitas dan semester.



3.1. Validitas dan Reliabilitas (Keakuratan) Data

Keakuratan instrumen yang digunakan pada

penelitian ini adalah penting. Keakuratan mengacu apakah instrumen yang digunakan mengukur secara konsisten setiap waktu dan populasi ( Gall et al., 1996 ).

Survei dalam studi ini diuji dalam jangka waktu dan ukuran internal yang terpercaya yang memiliki keterkaitan antara bagian bagian tes ( Brown and Alexander, 1991 ). Hal ini menjamin apakah pengukuran instrumen secara akurat dimaksudkan untuk mengukur.

Cronbach’s Alpha diberikan survei untuk mengukur konsistensi internal. Menurut Mitchell dan Jolley ( 1999 ), Cronbach’s Alpha pada atau di atas 0.60 diterima sebagai bukti realibilitas internal. Validitas dan Realibilitas dari kuesioner dengan jumlah data sebanyak 60 item, seperti pada Tabel 4

Tabel 4 Statistik Reliabilitas Data

No Variabel dalam Skala Cronbach's alpha

Jumlah Data

1 Faktor Ekonomi .634 60 2 Faktor Dukungan

Orang Tua .635 60

3 Faktor Fasilitas .629 60

Dari Tabel di atas Cronbach's alpha dari ke tiga variabel berjumlah di atas 0.60 ini menunjukkan bahwa data yang diolah adalah valid dan dipercaya. 3.3 Preprocessing Data 3.3.1 Preprocessing Database Akademik

Untuk mendapatkan input yang lebih baik dari teknik data mining, penulis melakukan beberapa preprocessing untuk data yang akan dikumpulkan. Data disusun dalam tabel yang berbeda yang dihubungkan dalam tabel tunggal. Tabel yang digabungkan adalah : 1. tabel mahasiswa 2. tabel matakuliah 3. tabel nilai 4. tabel IP

Dari pilihan field ke empat tabel di atas data yang dipilih dapat dilihat pada Tabel 5

Tabel 5 Tabel Preprocessing Data Gabungan Empat Tabel

NIM Nama MKB MPK MKK MPB MBB Semester IP …… …… ……. ……. ……. ……. ……. ……. …….

Data tabel 5 di atas kemudian disederhanakan kembali. Karena nim, nama bersifat primary key maka data tidak digunakan dalam penelitian, sehingga data yang dipilih dalam penelitian adalah pada Tabel 6 dengan menambahkan field predikat berdasarkan IP dimana ketentuannya sebagai berikut :

No IP Predikat

1 < 2,00 Buruk 2 2,00 - 2,75 Memuaskan 3 2,76 - 3.50 sangat memuaskan 4 3.51 - 4,00 dengan pujian

Tabel 6 Tabel Data Penelitian

Predikat IP MKB MPK MKK MPB MBB Semester…… …… ……. ……. ……. ……. ……. …….

3.3.2 Preprocessing Data Kuesioner

Data survei dalam bentuk kuesioner yang dibagikan kepada mahasiswa terdiri dari beberapa field. Data yang dikumpulkan dapat dilihat pada Tabel 7

Tabel 7 Data Kuesioner

NIM Nama IP Q1 Q2 Q3 Q4 Q5 Re …… …… ……. ……. ……. ……. ……. ……. …….

Data pada tabel 7 di atas dapat dijelaskan bahwa : 1. Q1 sampai dengan Q5 adalah pertanyaan untuk

ekonomi orang tua. 2. RE adalah rata-rata ekonomi dari pertanyaan Q1

sampai dengan Q5 Dari keterangan tabel 3.7 di atas, pengolahan

data penelitian dibagi dua, yaitu rata-rata ekonomi, dukungan orang tua dan fasilitas belajar digunakan pada software rapidminer sedangkan nilai dari pertanyaan digunakan pada software SPSS 18.

3.3.2 Signifikan

Dalam penelitian ini, penulis telah menguji hubungan antara empat prediktor variabel model aturan untuk predikat keberhasilan mahasiswa dengan menggunakan metode analisis regresi berganda dengan model fit untuk mengetahui variabel manakah yang paling memberikan kontribusi. Hasil yang diperoleh menunjukkan bahwa ada tiga dari empat variabel tersebut di atas memiliki korelasi yang sangat signifikan terhadap model aturan untuk predikat keberhasilan mahasiswa ekonomi, dukungan orang tua, fasilitas belajar. Semua-prediktor tiga variabel di atas memberikan kontribusi 82,8% dalam membuat



model aturan untuk predikat keberhasilan mahasiswa, seperti terlihat pada Tabel 8

Tabel 8 Korelasi Signifikan dari Tiga Prediktor

Variabel Predikat

Dari Tabel 8 dapat melihat bahwa variabel

terbaik dari prediktor ekonomi (lihat pada R square ubah) memberikan kontribusi 79,8%. Keempat variabel memberikan kontribusi yang signifikan R 2 = 0,828. Dengan demikian, dapat disimpulkan bahwa tiga variabel tersebut di atas adalah sangat dipercaya untuk digunakan sebagai penaksir model aturan untuk predikat keberhasilan mahasiswa, seperti yang terdapat pada Tabel 9

Tabel 9 Signifikan dari Tiga Variabel Prediktor

Predikat

4. Hasil Percobaan Decision Tree

Model sampel aturan decision tree dengan model grafik dari software rapidminer yang akan digunakan dapat dilihat pada gambar 3

Gambar 3. Grafik Decision Tree

Dari Gambar 3 dapat dijelaskan bahwa faktor ekonomi memiliki pengaruh paling besar dalam data penelitian Penelitian ini, setelah dilakukan percobaan dengan menggunakan rapidminer bahwa variabel ekonomi berada pada node paling atas, kemudian dibandingkan dengan rata-rata nilai dari

faktor ekonomi untuk mendapatkan predikat dengan pujian, sangat memuaskan, memuaskan dan buruk

Untuk melihat penyederhanaan dari decision tree dalam bentuk model aturan induction rule dapat dilihat pada Gambar 4

if RATAMKK = B and RATAMKB = B then SANGAT MEMUASKAN (95 / 0 / 0 / 0) if Orang Tua = 4.6 then SANGAT MEMUASKAN (104 / 0 / 0 / 0) if Orang Tua = 4.4 then SANGAT MEMUASKAN (97 / 0 / 0 / 0) if Orang Tua = 4 then MEMUASKaAN (0 / 91 / 0 / 0) if Ekonomi = 3.8 then SANGAT MEMUASKAN (53 / 0 / 0 / 0) if RATAMKK = A and RATAMKB = A then DENGAN PUJIAN (0 / 0 / 80 / 0) if RATAMKK = C and RATAMKB = C then MEMUASKAN (1 / 46 / 0 / 1) if Ekonomi = 3 then BURUK (0 / 0 / 0 / 45) if Fasilitas = 4.4 then SANGAT MEMUASKAN (37 / 0 / 0 / 0) if Orang Tua = 3.8 and Ekonomi = 3.4 then MEMUASKAN (0 / 8 / 0 / 0) if Ekonomi = 3.2 and RATAMKK = E then BURUK (0 / 0 / 0 / 14) if Orang Tua = 3.8 and RATAMKK = B then MEMUASKAN (0 / 5 / 0 / 0) if Orang Tua = 4.8 then DENGAN PUJIAN (0 / 0 / 13 / 0) if RATAMBB = C and RATAMKB = B then MEMUASKAN (1 / 4 / 0 / 0) if Fasilitas = 4 and RATAMPK = A then SANGAT MEMUASKAN (9 / 1 / 0 / 0) if Ekonomi = 3.2 then BURUK (0 / 4 / 0 / 11) else MEMUASKAN (4 / 5 / 2 / 0) correct: 717 out of 731 training examples.

Gambar 4. Model Aturan Induction Rule

Dari Gambar 4. di atas dapat disederhanakan rule yang terbaik berdasarkan predikat gain rasio, seperti pada Tabel 10 dengan ketentuan M = Memuaskan, SM = Sangat Memuaskan, DP = Dengan Pujian dan B = Buruk.

Tabel 10 Model Aturan Penyederhanaan Induction Rule

Rule Keterangan Rule SM M DP B

if ratamkk = B and ratamkb = B then sangat memuaskan 95 0 0 0

1 if orang tua = 4.6 then sangat memuaskan 104 0 0 0

if orang tua = 4 then memuaskan 0 91 0 0

2 if orang tua = 3.8 and ratamkk = B then memuaskan 0 5 0 0

if ratamkk = A and ratamkb = A then dengan pujian 0 0 80 0

3 if orang tua = 4.8 then dengan pujian 0 0 13 0

if ekonomi = 3 then buruk 0 0 0 45 4 if ekonomi = 3.2 and ratamkk

= E then buruk 0 0 0 14

Tabel 10 dapat dijelaskan bahwa rule sangat memuaskan terdiri dari jika ratamkk dan ratamkb bernilai B dengan nilai Gaint Rasion 95 dan jika rata orang tua 4.6 dengan gaint rasio 104. Rule memuaskan terdiri dari jika rata orang tua 4 dengan gaint rasio 91 kemudian jika rata orang tua 3.8 dan ratamkk=B dengan gaint rasio 5. Rule



dengan pujian terdiri dari jika ratamkk dan ratamkb bernilai A dengan nilai Gaint Rasion 80 dan jika rata rata orang tua 4.8 dengan gaint rasio 13. Rule buruk terdiri dari jika rata ekonomi 3 dengan gaint rasio 45 kemudian jika rata ekonomi 3.2 dan ratamkk=E 5. Penutup

5.1 Kesimpulan

Penelitian ini menghasilkan beberapa kesimpulan sebagai berikut : 1. Diperoleh suatu model aturan yang dapat

memperlihatkan aturan keterhubungan antara nilai rata-rata matakuliah dengan faktor ekonomi, dukungan orang tua dan fasilitas belajar terhadap indeks prestasi mahasiswa.

2. Dalam studi kasus pada Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar bahwa sebagian besar mahasiswa yang memiliki predikat buruk apabila faktor rata-rata ekonomi = 3 dan ratamkk bernilai E dan predikat dengan pujian apabila jika ratamkk = A dan ratamkb = A kemudian rata-rata dukungan orang tua = 4.8

3. Penelitian ini telah menunjukkan ada tiga dari empat variabel yaitu fasilitas, ekonomi, orangtua dan predikat memiliki korelasi yang sangat signifikan terhadap model aturan aturan keterhubungan data mahasiswa untuk meningkatkan indeks prestasi seperti yang diusulkan (faktor ekonomi, faktor dukungan orang tua dan fasilitas belajar) dengan predikat indeks prestasi mahasiswa pada akhir semester. Semua prediktor tiga variabel di atas memberikan kontribusi 82,8% dan variabel terbaik dari prediktor ekonomi memberikan kontribusi 79,8%.

5.2 Saran

Saran penulis terhadap Penelitian ini adalah sebagai berikut : 1. Untuk mendapatkan hasil yang lebih variatif

mungkin penelitian ini dapat dikembangkan dengan teknik data mining yang lain seperti Fuzzy Decision Tree, algoritma genetika, association rule dan algoritma KNearest Neighbor untuk mencari aturan atau pendekatan model yang ingin dicapai.

2. Dalam penelitian lebih lanjut, pengujian model aturan dapat menggunakan metode SSVM (Smooth Support Vector Machine) sebagai alat pengujian akurasi kebenaran model aturan yang didapat.

3. Dari pendekatan model aturan yang didapat, perlu menjadi perhatian khusus bagi manajemen AMIK Tunas Bangsa Pematangsiantar untuk melihat dan mengambil keputusan variabel mana yang harus diperhatikan untuk mendukung peningkatan indeks prestasi mahasiswa agar mendapatkan predikat sangat memuaskan dan dengan pujian, sehingga mahasiswa yang akan lulus dapat bersaing di pasar kerja global.

Daftar Pustaka [1] Craw, S. (2005). Case Based Reasoning :

Lecture 3: CBR Case-Base Indexing www.comp.rgu.ac.uk/staff/smc/teaching/cm3016/Lecture-3-cbr-indexing .ppt, diakses tanggal 11 april 2011

[2] CRISP ( Cross Industry Standard Process for Data Mining http://www.crisp-dm.org/Process/index.htm, diakses tanggal 11 april 2011

[3] Fayyad, U. M, 1996, Advances in Knowledge Discovery and Data Mining. Camberidge, MA: The MIT Press.

[4] Gall, M. D., Borg, W. R., & Gall, J. P. (1996). Educational research introduction (6th ed.). White Plains, NY: Longman Publishers USA.

[5] Keputusan Mentri Pendidikan Nasional No. 232/U/2000 tentang pedoman penyusunan kurikulum pendidikan tinggi dan penilaian hasil belajar mahasiswa.

[6] Larose D, T., 2006, Data Mining Methods and Models, Jhon Wiley & Sons, Inc. Hoboken New Jersey

[7] Merceron, A and Yacef, K. 2005. Educational Data mining: A case study. In proceedings of the 12th International Conference on Artificial Intelligence in Education AIED 2005, Amsterdam, The Netherlands, IOS Press, Vol 5, pp 1-8

[8] Mitchell M dan Jolley J, 1999. Research Design Explained. New York: Holt, Rinehart and Winston.

[9] Ogor E. N, 2007. Student Academic Performance Monitoring and Evaluation, Congress of Electronics, Robotics and Automotive Mechanic, Vol.4, pp-354-359

[10] Pramudiono, I, 2006, Apa itu Data Mining ? dalam http://datamining.japati.net/cgibin/indodm.cgi?bacaarsip%115552761&artikel, diakses tanggal 11 april 2011



[11] Romero, C. and Ventura, S. 2007. Educational Data mining: A survey from 1995 to 2005, Expert systems With Application” Vol. 33, pp. 135-146.

[12] Sembiring S, Embong A, Mohammad, M. A, Furqan M, “Improving Student Academic Performance by An Application of Data Mining Techniques”, Proceeding The 5th IMT-GT International Conference on Mathematics, Statistics, and Their Application (ICMSA 2009), ISBN 978-602-95343-0-6, page 390-394.

[13] SPSS, Clementine 7.0 User’s guide, 2004 [14] Turban, E., Aronson, J. E. & Liang, T., 2005,

Decision Support Sistems and Intelligent Sistems (Sistem Pendukung Keputusan dan Sistem Cerdas), Edisi Ketujuh, Andi, Yogyakarta.





Klaster Sub-Ruang Berdasarkan Kerapatan Data

Rahmat Widia Sembiring1,2, Jasni Mohamad Zain2 1Manajemen Informatika, Politeknik Negeri Medan

2Fakulti Sistem Komputer dan Kejuruteraan Perisian, Universiti Malaysia Pahang

Abstract Analisis klaster dilakukan untuk menemukan

kelompok-kelompok, atau pola yang mirip, algoritma konvensional sering menghasilkan klaster tidak relevan. Jarak antara objek dalam dataset berdimensi tinggi umumnya cenderung serupa satu sama lain, yang akan menghasilkan klaster sangat rapat, atau bahkan tumpang tindih. Metode sub-ruang ideal digunakan untuk mendeteksi kluster karena kesamaan objek penilaian. Pada riset ini algoritma SC2D digunakan untuk menghitung kerapatan dimensi, sementara algoritma DBSCAN digunakan untuk menentukan klaster berdasarkan kepadatan koneksi. Kemudian digabungkan dengan algoritma SUBCLU yang dapat menghasilkan subruang dimensi dan terakhir menentukan klaster subruang. 1. Pendahuluan

Umumnya, objek direpresentasikan sebagai vektor atau poin yang terkandung dalam satu atau lebih dimensi. Analisis klaster dilakukan untuk menemukan kelompok-kelompok [1], terlihat sebagai pola yang mirip (Gambar 1a). Untuk meningkatkan kualitas data sering diperlukan proses 2 dimensi, pengelompokan ini akan menghasilkan outlier (Gambar 1b). Sementara itu dalam data dimensional tinggi, algoritma konvensional sering menghasilkan kluster yang tidak relevan, cenderung tidak mendapatkan hasil klaster dengan maksimal, bahkan menghasilkan outlier (Gambar-1c). Masalah seperti ini dalam data mining disebut sebagai "curse of dimensionality".

Jarak antara objek dalam dataset dimensi tinggi umumnya mirip satu sama lain, klaster yang cenderung sangat rapat, bahkan dapat tumpang tindih. Untuk mendeteksi kluster biasanya dilakukan penilaian kesamaan objek. Kemiripan atau kesamaan antara objek sering ditentukan dengan mengukur jarak antara obyek dalam berbagai dimensi. Metode subruang sangat ideal digunakan untuk kasus dataset dimensi tinggi. Pengelompokan subruang merupakan perpanjangan klastering konvensional [1], yang dapat digunakan untuk menemukan klaster kedua, ketiga dan seterusnya dari dataset.

Gambar 2 memperlihatkan keadaan klaster subruang yang saling bertumpuk. Pengelompokan subruang adalah metode untuk mendeteksi semua kelompok dalam semua subruang [2]. Bisa terjadi satu titik menjadi anggota dari beberapa kelompok yang ada di dalam subruang yang berbeda, pada umumnya terjadi pada klaster berdimensi tinggi.

Pada dataset berdimensi tinggi, dapat terjadi

masalah dimana objek klaster di setiap klaster akan akan sulit dikenali. Jika dimensi dihapus dapat mengakibatkan hilangnya keaslian data, sehingga pengurangan dimensi menjadi tidak relevan untuk dilakukan.

Dalam dua dimensi, dapat membentuk tiga kelompok, seperti dalam Gambar 3a, data plot sampel dalam 2 dimensi (a dan b), dua kelompok benar dipisahkan, namun 1 klaster tetap bercampuran. Bisa juga data sampel plot dalam 2 dimensi (b dan c), dua kelompok benar terpisah, tapi masih klaster campuran (Gambar 3b). Selain itu juga dapat diproduksi dengan pemisahan yang jelas dari klaster (Gambar 3c), tapi masih objek tumpang tindih, dan tidak mudah untuk



memisahkan menggunakan algoritma pengelompokan konvensional.

Untuk mengatasi hal ini, perlu untuk

menempatkan setiap dataset objek ke dalam subruang yang berbeda. Hal ini menjadi tantangan dalam penelitian data mining, yaitu bagaimana untuk mengeksplorasi data yang memiliki multidimensi, dan menempatkan setiap benda ke dalam klaster yang terpisah.

2. Klaster Berdasar Kerapatan Dimensi

Klaster berdasarkan kerapatan data dilakukan dengan mencari perbedaan kerapatan dari satu klaster dengan klaster tetangganya. Dua parameter yang digunakan adalah radius volume titik data, yang dinyatakan dengan ε, dan jumlaj minimu titik sebagai dasar menghitung kerapatan, yang dinyatakan dengan [3]

DBSCAN menggagas kepadatan berbasis klaster yang dirancang untuk menemukan klaster yang berubah-ubah [4], diperlukan dua parameter input (Eps dan MinPts ), digunakan untuk menentukan nilai titik p (sebagai pusat klaster). Kepadatan-terjangkau (density reachable) bentuk simetris untuk beberapa pasang pusat klaster. Gambar 4b menunjukkan density reachable. titik p dicapai dari titik q yang merupakan hasil dari Eps, MinPts dimana dan . Jangkauan kerapatan (density connectivity) adalah hubungan simetris (Gambar 4b), dimana titik p adalah densitas terhubung ke titik q, titik o adalah sebagai pusat dari titik p dan titik q.

Secara intuitif, klaster didefinisikan sebagai

satu set kepadatan yang terhubung secara maksimal. Noise (outlier) didefinisikan sebagai bagian yang tidak termasuk relatif dalam himpunan klaster.

Gambar 5 memperlihatkan pseudocode algoritms DBSCAN.

DBSCAN (SetOfPoints, Eps, MinPts) // SetOfPoints is UNCLASSIFIED KlasterId := nextId(NOISE); FOR i FROM 1 TO SetOfPoints.size DO

Point := SetOfPoints.get(i); IF Point.ClId = UNCLASSIFIED THEN

IF ExpandKlaster(SetOfPoints, Point, KlasterId, Eps, MinPts) THEN KlasterId := nextId(KlasterId)

END IF END IF

END FOR END; // DBSCAN

Figure-5 DBSCAN Algorithm

3. Kajian Klaster Sub Ruang

CLIQUE [5] mengidentifikasi kepadatan kelompok dari dimensi maksimum, setelah subruang yang sesuai ditemukan, titik data dipisahkan menurut celah kelompok data. CLIQUE dimulai dari mengidentifikasi subruang yang mengandung klaster, menemukan unit yang rapat, dengan terlebih dahulu menentukan 1-dimensi unit data, Jika dimensi dari subruang dianggap meningkat, akan ada peningkatan jumlah unit klaster dan perlu untuk dipangkas. Set yang dipangkas kemudian digunakan untuk membentuk unit kandidat dalam tingkat berikutnya, diikuti dengan mengidentifikasi klaster.

PreDeCon (subspace PREference weighted DEnsity CONnected klastering) adalah konsep preferensi subruang lokal, untuk memastikan kualitas klaster dalam ruang dimensi tinggi [6]. PreDecon menggunakan mengukur jarak Euclidean tertimbang untuk menghitung kluster spesifik yang lebih kecil, dengan melakukan scan tunggal atas database, dan linier dalam jumlah dimensi.

Dengan memperkenalkan definisi kepadatan dimensi, SC2D (Subspace Klastering with Dimensional Density) menempatkan objek ke dalam klaster yang sama jika mereka memiliki kepadatan dimensi yang sama (Huang, et.al.). Kelompok akan terpisah satu sama lain jika ada lebih dari satu klaster dalam subruang yang sama. Dalam langkah ini, dan sebagai parameter masukan. Hasil kerapatan dimensi digunakan untuk mengetahui subruang dari klaster. Algoritma DBSCAN digunakan untuk mengukur kerapatan klaster dimensi. PreDeCon menggunakan

untuk mewakili hasil klastering, dan menghitung validasi subruang.

Sementara divalidasi sebagai subruang, kelompok objek akan masuk dalam klaster yang



sama jika mereka berada dalam subruang yang sama. Jelas bahwa dua atau lebih kelompok yang berbeda mungkin ada dalam subruang yang sama, sehingga perlu untuk menghitung kekompakan intra-klaster klaster, yang dapat dihitung dengan persamaan Scat(i) berikut:

Scat(i) didasarkan pada jarak Euclidean yang

merupakan jumlah dari perbedaan antara obyek dan pusat-pusat klaster. Perbedaan-perbedaan ini dihitung dalam subruang karena jarak dimensi penuh pada tinggi-dimensi dataset tidak efektif.

Jika Scat(i) Si lebih besar dari ambang batas yang diberikan yakni β, ini menunjukkan bahwa ada lebih dari satu klaster di subruang yang sama. Sehingga perlu untuk memisahkan mereka dengan menerapkan DBSCAN pada c dalam subruang tersebut. Jika Scat(i) kurang dari β, maka Scat(i) adalah hasil akhir yang kita inginkan. Kami menggunakan set untuk mewakili hasil akhir dari algoritma.

Algoritma lain adalah subruang kepadatan berbasis subruang EDSC (Efficient Density-based Subspace Klastering) mengusulkan deteksi efisien lossless kepadatan berbasis klaster subruang [7]. Algoritma EDSC mengurangi biaya komputasi yang tinggi, hypercube mengurangi jumlah scan database untuk perhitungan kepadatan dan, melalui monotonisitas, yang memungkinkan untuk pemangkasan efektif di banyak sub-ruang yang tidak relevan. Selanjutnya, filter kepadatan subruang, langkah ini memberikan pemangkasan tambahan berdasarkan monotonisitas kepadatan data. Kedua langkah menyaring secara signifikan mengurangi jumlah calon subruang tanpa kehilangan keaslian data. Pada langkah penyempurnaan akhir, bias pada kepadatan berbasis sub-ruang hasil klastering dapat dideteksi. Langkah perbaikan akhir memastikan bahwa kepadatan klaster berbasis subruang akan ditemukan. Langkah algoritma EDSC ditunjukkan pada Gambar 6 dibawah ini:

SUBCLU (density connected SUBspace

Klastering) menggunakan konsep bottom-up dengan memanfaatkan kepadatan-konektivitas dari algoritma DBSCAN [8]. Algoritma ini menggunakan deteksi kluster yang berubah-ubah, monotonisitas kepadatan-konektivitas digunakan

untuk memangkas subruang. Algoritma dimulai dengan menghasilkan klaster 1-dimensi, untuk setiap klaster terdeteksi akan dicek apakah klaster ini menjadi bagian dari subruang dimensi yang lebih tinggi.

Untuk setiap k-dimensi subruang , cari semua k-dimensi subruang lainnya memiliki (k-1) atribut yang sama dan bergabung dengan mereka untuk menghasilkan (k +1)-dimensi subruang calon. Himpunan (k +1)-dimensi subruang calon dinotasikan dengan . Untuk masing-masing kandidat subruang masing-masing berisi k-dimensi subruang TS (jTj = k), dengan pemangkasan calon ini setidaknya satu k-dimensi subruang tidak termasuk dalam Sk. Hal ini akan mengurangi jumlah (k +1)-dimensi subruang calon.

SC2D (Subspace Klastering with Dimensional Density) menempatkan objek ke dalam klaster yang sama jika mereka memiliki dimensi kepadatan serupa 0. Kemudian memisahkan kelompok jika ada lebih dari satu klaster dalam subruang yang sama. Algoritma menghitung kepadatan mulai dari dimensi objek masing-masing, DBSCAN juga digunakan untuk kerapatan klaster dimensi, dan dengan pengelompokan akan diketahui hasil yang memiliki dimensi kepadatan serupa. Dapat juga terjadi dua atau lebih kelompok yang berbeda mungkin ada dalam subruang yang sama, untuk ini akan dicek kekompakan intra-klaster klaster. 4. Pembahasan

Pertama perlu difahami masalah data multidimensi, dimisalkan adalah himpunan berhingga, adalah ruang n-dimensi numerik . Kami akan mengacu pada sebagai dimensi (atribut) dari S.

,

Masukan terdiri dari satu set n-dimensi poin mana .

Komponen jth dari vi diambil dari domain Aj. Akan dipartisi ruang S menjadi rectanguler yang tidak tumpang tindih. Unit diperoleh dengan partisi setiap dimensi ke dalam interval ξ panjang yang sama, dimana ξ adalah parameter masukan.



Jika unit u adalah interseksi dari satu interval dari setiap atribut. Sebuah unit u unit memiliki bentuk dimana adalah interval terbuka di partisi Ai. Kita katakan bahwa titik yang terkandung dalam satuan

jika untuk semua u. Selektivitas unit didefinisikan sebagai fraksi titik total data yang terkandung dalam unit data. Kita sebut satuan u rapat apabila selektivitas (u) lebih besar dari τ, dimana ambang batas kepadatan τ merupakan parameter masukan.

Semua unit di subruang dari ruang n-dimensi asli merupakan proyeksi kumpulan data V ke

dimana k<d dan ti<tj jika i<j. Sebuah unit dalam subruang adalah perpotongan interval dari masing-masing atribut k.

Sebuah klaster adalah himpunan unit maksimum terhubung dalam k-dimensi. Dua k-dimensi unit u1, u2 adalah tersambung jika mereka memiliki bentuk sama atau ada unit lain k-dimensi u3 sehingga u1 terhubung ke u3 dan u2 terhubung ke u3. Unit dan memiliki bentuk yang sama jika memiliki k-1 dimensi, diasumsikan , seperti juga

atau , untuk . Dalam riset ini diadopsi fungsi Dimensional

Density (DiDen), yang digagas oleh Huang et.al., dimana

Setelah hasil DiDen ditemukan, selanjutnya

DBSCAN digunakan mengidentifikasi klaster awal. Eksponensial digunakan menentukan bobot masing-masing dimensi untuk setiap klaster, metode ini telah digunakan dalam klastering subruang, juga telah divalidasi pada klaster data berdimensi tinggi. Gambar 7 di bawah ini menunjukkan alur kerja dari algoritma. Ada enam langkah utama untuk algoritma:

Gambar 7. Aliran usulan algoritma

Detail pseudocode dari usulan algoritma

tersebut seperti terlihat pada Gambar 8. Input datasets S, Output Klaster result C /*Step-1: Hitung DiDen*/ Begin Hitung kerapatan dimensi dengan DiDen /*Step-2: Cari klaster awal dengan DBSCAN */

Set WHILE

/*Step-3: Menghasilkan (k+1) calon klaster subspace */

FOR each DO FOR each DO

IF

THEN insert into CandSk+1;

ENDIF END FOR

END FOR

/*Step-4: Buang candidate subspace yang tidak relevan*/ FOR each DO

FOR EACH DO IF THEN

delete cand from END IF

END FOR END FOR

/*Step-5: Uji klaster kandidat & hasilkan (k+1) dimensi

klaster subruang*/ FOR EACH DO

FOR EACH klaster DO



IF THEN ; ;

END IF END FOR

END FOR k:=k+1

END WHILE

Gambar 8. Pseudocode usulan algoritma 5. Kesimpulan

Jarak antara objek dalam dataset berdimensi tinggi umumnya cenderung serupa satu sama lain, oleh karena itu metode subruang ideal digunakan untuk mendeteksi kluster. Algoritma SC2D digunakan untuk menghitung kerapatan dimensi, sementara algoritma DBSCAN digunakan untuk menentukan klaster berdasarkan kepadatan koneksi. SUBCLU dapat digunakan mendeteksi kluster yang berubah-ubah, dimana monotonisitas kepadatan-konektivitas digunakan untuk memangkas subruang. Kemudian digabungkan dengan algoritma SUBCLU yang dapat menghasilkan subruang dimensi dan terakhir menentukan klaster subruang.

References [1] Parson, Lance, Ehtesham Haque, Huan Liu,

“Subspace Klastering for High Dimensional Data: A Review”, ACM SIGKDD Explorations Newsletter, Volume 6, 2006, p.90–105

[2] Agrawal, Rakesh, Johannes Gehrke, Dimitrios Gunopulos, Prabhakar Raghavan, “Automatic Subspace Klastering of High Dimensional Data for Data”, IBM Almaden Research Center, 1998,

[3] Bicici, Ergun, Deniz Yuret, “Local Scaled Density Based Klastering”, ICANNGA, 2007, pp.739-748

[4] Ester, Martin, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu, “A Density-Based Algorithm for Discovering Klasters”, 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), 1996

[5] Agrawal, Rakesh, Johannes Gehrke, “Automatic Subspace Klastering of High Dimensional Data”, Data Mining and Knowledge Discovery, 2005, pp.5-33

[6] Boehm, C., K. Kailing, H.-P. Kriegel, P. Kroeger: “Density Connected Klastering with Local Subspace Preferences”, Proceeding 4th IEEE Int. Conf. on Data Mining (ICDM'04), Brighton, UK, 2004

[7] Assent, Ira, Ralph Krieger, Emmanuel Müller Thomas Seidl, “EDSC: Efficient Density-Based Subspace Klastering”, CIKM’08 Napa Valley, California, USA. 2008, 1093-1102

[8] Karin Kailing Hans-Peter Kriegel Peer Kroger, “Density-Connected Subspace Klastering for High-Dimensional Data”, SIAM Conference Data Mining, 2004, pp. 246-257

[9] Huang, Wangfei, Lifei Chen, Qingshan Jiang, “A Novel Subspace Klastering Algorithm with Dimensional Density”, IEEE, 2010, pp. 71-75





Studi Kajian Web Usage Mining Berbasis Open Source

Rafiqa Dewi1, Suhada1, Saifullah1, Rahmat Widia Sembiring2 1AMIK Tunas Bangsa Pematangsiantar

2 Manajemen Informatika, Politeknik Negeri Medan

Abstract Namun dengan pertumbuhan web yang sangat

cepat mengakibatkan akses sumber informasi di dunia menjadi begitu luas pula , sehingga diperlukan cara yang cepat untuk mendapatkan informasi yang tepat. Web mining yang diklasifikasikan atas web content mining, web structure mining dan web usage mining dapat digunakan untuk mencari data dengan cepat. Strategi utama impelementasi web usage mining adalah mengurangi customer cost dan menjadikan fungsi pemanggilan modul. Algoritma LUI dapat digunakan sebagai web usage mining berbasis open source. 1. Introduction

Implementasi web tidak mungkin tanpa internet, yang menyediakan jaringan komunikasi untuk fungsi web. Dengan internet dimungkinkan melakukan akses universal terhadap informasi yang bersifat hypermedia. World wide web (www) dijadikan sebagai pintu masuk akses informasi tersebut. Dalam www selalu diimplementasikan model client-server, pengguna disebut sebagai client yang terhubung ke remote machine, yang selanjutnya disebut sebagai server, yang menyimpan data dalam jumlah besar.

Data yang tersimpan dalam server dapat diklasifikasikan sebagai data yang dapat diakses untuk dilihat saja, selain data yang juga bisa diupdate oleh pengguna yang mempunyai hak, yang selanjutnya disebut sebagai web admin.

Jika pengguna internet ingin mendapatkan data yang diperlukan dari server maka akan mereka akan menggunakan fasilitas search engine. Dengan memasukkan kata kunci (keyword) tertentu maka search engine akan mencari dan menemukan informasi yang berkaitan, dapat berupa website, file, citra (image) atau bentuk data lainnya. Sementara itu untuk mengeksplorasi data dari web tidak jarang kita memerlukan waktu yang panjang sehingga kita menemukan data yang sebenarnya kita perlukan.

Untuk menemukan data dari web dengan cara yang cepat dapat dimanfaatkan web data mining. Dengan web data mining dapat dieksplorasi data yang diperlukan dengan waktu yang relatif lebih singkat. Namun dengan pertumbuhan web yang sangat cepat mengakibatkan akses sumber informasi di dunia menjadi begitu luas pula, hal ini yang menjadikan mining informasi dan pengetahuan yang berguna menjadi tantangan untuk dijadikan riset. 2. Web Data Mining

Ada beberapa karakteristik tentang pentingnya data mining pada web [0], yakni: a. Jumlah data/informasi pada web sangat besar

dan terus bertumbuh b. Jenis data atau informasi pada web sangat

bervariasi dan berbeda c. Karena kepemilikan website berbeda sangat

mungkin terjadi ada halaman yang terdapat pada banyak website

d. Jumlah informasi yang saling terhubung dibeberapa website juga sangat besar

e. Data pada web juga cenderung noisy, hal ini dapat dikarenakan tidak adanya pengawasan terhadap kualitas isi website.

f. Website cenderung dinamis, sehingga selalu berubah

g. Website juga dapat berupa virtual society, yang berisikan interaksi banyak pengguna.

Karakteristik tersebut menjadikan web data mining menjadi tantangan sekaligus menjadi peluang untuk diteliti.

Web mining memiliki klasifikasi sbb [0]:

Gambar 1. Klasifikasi Web Mining



Dari Gambar 1 diatas dapat dilihat bahwa web mining [0] terdiri dari mining isi web (web content mining), mining struktur web (web structure mining) dan mining pengguna web (web usage mining).

Mining isi web pada umumnya adalah mengeksplorasi isi web, hal ini dimungkinkan karena banyak halaman web yang bersifat terbuka (open access). Target knowledge discovery adalah dokumen teks, dan juga dokumen multimedia. Mining isi web dapat diklasifikasikan pada dua pendekatan, yakni pendekatan berdasar agen (the agent based approach) dan pendekatan berdasar database (database approach) [0].

Pendekatan berdasar agen bertujuan meningkatkan informasi yang ditemukan, melakukan penyaringan (filtering), dan hasilnya dibagi atas tiga kategori, yakni [0]: a. Intelligent Search Agent, yakni dengan mencari

informasi yang relevan, menggunakan karakteristik dan domain pengguna

b. Information Filtering, yakni dengan menggunakan teknik pemanggilan informasi (information retrieval) secara otomatis, menyaringnya dan mengakgorisasikan hasilnya

c. Personalized Web Agent, yakni memanfaatkan preferensi pengguna maupun pengguna lainnya yang memiliki ketertarikan yang sama, kemudian menemukan informasi yang diperlukan.

Pendekatan berdasar database bertujuan memodelkan data dari web ke dalam bentuk terstruktur, sehingga dapat mengaplikasikan query database dan mengaplikasikan data mining.

Mining struktur web dilakukan untuk merepresentasikan struktur informasi yang ditampilkan, termasuk hubungan antara halaman pada web yang sama, ataupun dengan web yang lain.

Mining pengguna web ditujukan untuk melihat pola keterhubungan antara pengguna. Dalam beberapa tahun terakhir tantangan utama dalam riset mining pengguna adalah [0]: a. Pra-proses (pre-processing), ini perlu dilakukan

karena data cenderung noise (mengandung data yang tidak diperlukan). Dalam hal ini yang dilakukan adalah pembersihan data, inegrasi, transformasi dan reduksi data.

b. Menemukan pola (pattern discovery), beberapa metode statistik, algoritma data mining dan teknik pengenalan pola dapat digunakan.

c. Analisa pola (pattern analysis), digunakan agar pola yang ada dapat difahami melalui visualisasi maupun interpretasi data.

Pada web mining ada beberapa sub tasks yang dilakukan [0], yaitu:

a. Menemukenali sumber data (resource discovery)

b. Pemilihan informasi dan pra-proses (information selection and pre-processing)

c. Mencari pola umum dari satu website maupun antar website (generalization)

d. Validasi dan interpretasi pola hasil mining (analysis)

e. Menampilkan hasil analisa secara interaktif sehingga mudah difahami (visualization)

3. Web Mining Open Source

3.1 DEiXTo DEiXTo (or ∆EiXTo) adalah aplikasi berbasis

web yang dapat digunakan mengekstraksi data [0], tool berdasarkan W3C Document Object Model (DOM). Gambar 2 memperlihatkan tampilan DeiXTo.

Gambar 2. Aplikasi DEiXTo

Dengan aplikasi DEiXTo memungkinkan pengguna untuk membuat akurasi tinggi aturan ekstraksi (extraction rules). DEiXTo terdiri dari tiga komponen sistem, yaitu: a. GUI DEiXTo, sebagai aplikasi berbasis

Windows , dengan implementasi ramah pengguna yang digunakan untuk mengelola extraction rules, seperti membangun, menguji, meningkatkan akurasi, menyimpan dan memodifikasi.

b. DEiXToBot, dengan mengimplementasikan Perl digunakan untuk menciptakan pola dari hasil GUI DEiXTo. Aplikasi ini seperti solusi tailor-made.

c. Command Line Executor, adalah aplikasi stand-alone, sebagai utilitas yang dapat digunakan mengekstraksi rule secara massif.

3.2 Mozenda

Mozenda adalah aplikasi data mining berbasis web, digunakan untuk tujuan membuat perencanaan [0], tugas perencanaan. Dengan aplikasi ini dapat disusun perencanaan pemasaran dan perencanaan



penjualan. Dengan informasi yang dihasilkan dapat memperkirakan apa yang akan dilakukan pesaing. Gambar 3 memperlihatkan tampilan antarmuka aplikasi Mozenda.

Gambar 3. Aplikasi Mozenda

Mozenda memiliki beberapa fitur sebagai berikut: a. Ekstraksi Data

Dengan mengekstrak data memungkinkan pengguna mendapat informasi yang strategis, yakni mencakup mendapat informasi dari pemerintah, merangkum data statistik dari rencana bisnis, serta mengumpulkan data untuk tujuan yang legal.

b. Screen Scrapping Screen scraper Mozenda digunakan untuk mengumpulkan data yang vital dari sejumlah halaman web yang telah diakses. Jika telah dikumpulkan akan mudah mengelola data tersebut ke dalam format yang sesuai, seperti database, spreadsheets, dan lainnya. Dengan Mozenda screen scrapers akan mudah memanggil ulang sejumlah website karena telah dimasukkan ke dalam sebuah database.

c. Web Harvesting Istilah memanen (harvesting) digunakan untuk menangkap (capture) data yang diperlukan, dengan sekumpulan points, clicks, dan highlights, akan mudah untuk menangkap data dan menyimpannya dalam format Excel, CSV, ataupun XML.

d. Web Crawling Mesin pencari (seperti Firefox, Google, Yahoo, dan lainnya), melakukan pekerjaan yang menakjubkan, yang mampu menyediakan berbagai informasi yang diperlukan. Dengan metode crawl, Mozenda juga mampu mengumpulkan informasi yang sudah ditemukan dan dapat dipanggil kembali di waktu mendatang. Dengan Mozenda Web Agent Builder semua instruksi dapat dinavigasi dan disimpan.

3.3 RapidMiner RapidMiner adalah salah satu aplikasi open

source data mining yang sangat populer [0]. Ada terdapat 400 modul atau operator, termasuk software dengan fitur yang lengkap. Gambar 4 memperlihatkan antarmuka aplikasi RapidMiner.

Gambar 4. Aplikasi RapidMiner

RapidMiner mendukung semua tahapan data mining, seperti memanggil file data, pra-proses, visualisasi data, desain dan inspeski yang interaktif, otomasi permodelan, pengaturan parameter dan fitur lainnya. Dengan RapidMiner juga dapat dilakukan fungsi web mining. 4. Hasil dan Pembahasan

Algoritma web mining dapat diklasifikasikan seperti klasifikasi web mining, yakni terdiri dari web content mining, web structure mining dan web usage mining. Beberapa algoritma yang dikenal adalah association rule mining, neares neighbour classifier, decision tree, bayesian classifier, neural network classifier, the k-Medan algorithm, dan yang lainnya [0].

Strategi utama impelemntasi web usage mining adalah mengurangi customer cost dan menjadikan fungsi pemanggilan modul dari website dapat dilakukan dengan optimal [0]. Untuk mencapai hal ini dapat dilakukan dengan mengembangkan algoritma dengan blok sbb: a. Mengumpulkan informasi pengguna b. Mengembangkan struktur topologi website c. Mengembangkan matriks konjungsi dari

kunjungan pengguna terhadap halaman website Dengan blok algoritma seperti ini diharapkan

dapat dicatat waktu dan kebiasaan kunjungan dari pengguna.

Untuk mencapai hal tersebut langkah taktis yang perlu dilakukan adalah menemukenali halaman website yang penting, menemukan pengunjung yang diidenstifikasi sebagai pengunjung utama, menemukan informasi yang menjadi ketertarikan pengunjung.



Gambar 5. Prosedur Web Usage Mining

Gambar 5 memperlihatkan prosedur web usage mining [0]. Dari gambar tersebut dapat kita lihat bahwa proses web usage mining terdiri dari 3 tahapan utama, yakni pra-proses, mining dan analisa. Beberapa hal penting yang perlu dilakukan dalam pra-proses adalah memastikan bahwa data yang akan diproses telah diidentifikasi dan sesuai dengan tujuan mining data yang akan dilakukan.

Dalam proses mining dapat dipilih metode yang diperlukan, apakah association rule, pengenalan pola, klasifikasi, dan proses klaster, ataupun dapat dilakukan dengan kombinasi dari dua atau tiga metode yang diperlukan.

Memperhatikan bahwa mengenali pengguna adalah aspek penting dalam web usage mining, maka riset ini fokus pada algoritma pengenalan web dengan mengembangkan klastering.

Salah satu model klastering yang cukup terkenal adalah Latent Usage Information (LUI). LUI algoritma untuk klaster web berdasarkan klaster semantik [0]. Algoritma ini terdiri dari dua tahapan, yakni diawali dengan algoritma clustering, dimana klaster awal dikonversi menjadi kelompok. Langkah berikutnya adalah algoritma menghasilkan satu set profil pengguna, yakni dengan menghubungkan centroid dari klaster. Berikut adalah rincian algoritma tersebut (Gambar 6.).

Algoritma-1-Menentukan klaster

Input: Konversi matriks usage SP dan similarity threshold ε

Output: Set sesi klaster pengguna sebagai SCL={SCLi} dan centroids koresponden sebagai Cid ={Cidi}

Step 1: Pilih sesi pengguna pertama s’i sebagai klaster awal SCL1 dan centroid klaster, yaitu SCL1 = {si} dan Cidk1 = s’i.

Step 2: Untuk setiap sesi s’i, hitung kemiripan antara s’i

dan centroid dengan klaster yang lain sebagai sim(s’i,Cidj).

Step 3: jika sim(s’i,Cidk) = maxj (sim(s’i,Cidj)) > ε , alokasikan s’i ke dalam SCLk dan hitung

kembali centorid dari kluster SCLk sebagai '1 /

kk k j C jCid C S∈= Σ ;

Jika tidak, tentukan s’i sendiri sebagai klaster baru dan centroid dari kluster ini.

Step 4: Ulangi step 2 sampai 4 sampai semua sesi diproses dan semua all centroids tidak ada diperbaharui lagi.

Algoritma-2-Membentuk profil pengguna dengan LUI

Input: Set sesi klaster pengguna sebagai SCL = {SCLk} Output: Set profil pengguna sebagai SCL = {SCLk} Step 1: Untuk masing-masing sesi di kluster SCLk,

dihitung nilai mean weight value dari halaman dengan

) ( , )( , 1 / kks SCLk

w p sw p SCL SCLτ∈Σ=

dimana w(p, s) adalah weight of page p dalam sesi w(p, s), dan |SCLk| ditentukan sebagai cluster SCLk.

Step 2: Untuk sestiap klaster, selanjutnya dihitung mean vector (yaitu centroid) sebagai

{ , ( , ) }kmv p w p SCL p Pτ τ= < > ∈

Step 3: Untuk setiap halamn dari klaster, jika nilai lebih rendah dari threshold µ, halamn koresponden akan difilter, jika tidak agar dibiarkan saja.

Step 4: Urukan halaman dengan dasar weights secara descending order dan output dari mean vector sebagai profil pengguna dengan .

{ 1 , ( 1 , ) , ...,

2 , ( 2 , ) , ..., , ( , )}k k

k k

up p k w p k SCL

p k w p k SCL p k w p k SCL

τ

τ τ τ τ

= < > <

> <

dimana wt(p1k,SCLk) > wt(p2k,SCLk) > ...> wt(ptk,SCLk)>µ.

Step 5: Ulangi step 1 sampai 4 sampai semua sesi klaster sesi diproses, dan hasilkan profile pengguna.

Gambar 6. Rincian Algoritma LUI

5. Kesimpulan

Untuk menemukan data dari web dengan cara yang cepat dapat dimanfaatkan web data mining. Web mining diklasifikasikan atas web content mining, web structure mining dan web usage mining. Strategi utama impelemntasi web usage mining adalah mengurangi customer cost dan menjadikan fungsi pemanggilan modul. Algoritma LUI dapat digunakan sebagai web usage mining. Ada beberapa aplikasi web mining yang berbasis open source, yaitu DEiXTo, Mozenda dan RapidMiner.



Referensi

[1] Liu, Bing, “Web Data Mining”, Springer-Verlag, Berlin, 2007

[2] Sharma, Kavita, Gulshan Shrivastara, Vikas Kumar, “Web Mining : Today and Tomoorow”, IEEE, 2011, pp. 399-403

[3] Boddu, Sekhar Babu, V.P. Krishna Anne, Rajasekhara Rao Kurra, Durgesh Kumar Mishra, “Knowledge Discovery and Retrieval on World Wide Web Using Web Structure Mining”, Fourth Asia Conference on Mathematical/Analytical Modelling and Computer Simulation, IEEE, 2010, pp. 532-537

[4] Cooley, R, B. Mobasher, J. Srivastara, “Web Mining : Information and Pattern Discovery on the World Wide Web”, IEEE, 1997, pp. 558-567

[5] Singh, Brijendra, Hemant Kumar Singh, “Web Data Mining Research : A Survey”, IEEE, 2010

[7] www.deixto.com [8] www.mozenda.com [9] www.rapidminer.com [10] Xu, Guandong, Yanchun Zhang, Lin Li,

“Web Mining and Social Networking”, Springer, New York, 2010

[11] Bai, Shuyan, Qingtian Han, Qiming Liu, Xiaoyan Gao, “Research of an Algorithm Based on Web Usage Mining”, IEEE, 2009, pp. 1-4

[12] Huiying, Zhang, Liang Wei, “An Intelligent Algorithm of Data Pre-Processing in Web Usage Mining”, Proceeding of the 5th World Congress on Intelligent Control and Automation, June 15-19, 2004, IEEE, pp. 3119-3123





Aplikasi E-CRM Membangun Hubungan Pelanggan

Siswono

Jurusan Sistem Informasi, School of Information Systems, Universitas Bina Nusantara [email protected]; [email protected]

Abstrak CRM (Customer Relationship Management)

adalah strategi bisnis yang dirancang untuk mengoptimalkan keuntungan, pendapatan dan kepuasan konsumen dengan cara mengorganisasikan perusahaan di antara segmen pasar, mengetahui perilaku kepuasan pelanggan dan membuat hubungan dari pelanggan sampai pemasok. Keunggulan CRM adalah memperluas pasar dengan cara mempertahankan pelanggan yang sudah ada, meningkatkan penjualan ke pelanggan melalui up-selling dan cross-selling dan menjadikan CRM sebagai sarana promosi sehingga perusahaan dapat memperoleh pelanggan baru. Kemajuan teknologi internet telah membuka peluang untuk memanfaatkan keunggulan internet untuk diintegrasikan dengan CRM, biasa disebut e-CRM. Kata kunci : CRM, E-CRM, Customer Relationship Management 1. Pendahuluan

Internet yang ditemukan oleh Leonard Kleinrock pada tahun 1969, telah berkembang pesat hingga saat ini dan telah memberikan kemudahan untuk menyelesaikan berbagai kegiatan keseharian perusahaan maupun individu. Internet telah mempersingkat jarak antara produsen dan konsumen, hubungan antara keduanya menjadi lebih dekat, dengan fungsi internet sebagai alat untuk berkomunikasi dan saling menghubungkan kedua belah pihak, sehingga tidak lagi merasakan jarak yang jauh meskipun mereka berada dalam negara yang berbeda.

Perusahaan menyadari bahwa internet memberi kemudahan dalam menjalin kerjasama dengan pelanggan dan target untuk meningkatkan jumlah pelanggan secara terus-menerus serta meningkatkan loyalitas pelanggan yang merupakan asset terbesar perusahaan. Dalam usaha untuk peningkatan jumlah pelanggan ini, perusahaan harus mengetahui apa saja harapan (ekspektasi) dan keinginan pelanggan sehingga pada akhirnya pelanggan menjadi loyal kepada perusahaan.

Dalam memaksimalkan usaha meningkatkan jumlah pelanggannya dapat diterapkan strategi CRM yang dikombinasikan dengan teknologi internet (biasa disebut e-CRM). E-CRM merupakan suatu sistem berbasis internet yang menghubungkan perusahaan dengan pelanggannya guna meningkatkan kualitas layanan yang diberikan untuk menciptakan loyalitas pelanggan serta menarik pelanggan baru. 2. Literature Review

2.1 Pengertian CRM dan e-CRM Menurut Malthouse dan Calder (2005, p152),

CRM mencakup setiap antarmuka antara pelanggan dan perusahaan. CRM adalah himpunan seluruh interaksi atau kontak dengan konsumen, baik yang diprakarsai oleh perusahaan atau dengan konsumen

Cook (2008, p28) menyatakan bahwa sistem CRM menawarkan kesempatan organisasi untuk mengelola hubungan mereka dengan pelanggan. Prinsip dari CRM adalah jika perusahaan memiliki informasi lebih jauh tentang pelanggan, maka semakin baik. Seperti dikutip oleh Cook menurut Profesor Adrian Payne dari Cranfield University, CRM adalah 'proses strategis untuk mengidentifikasi segmen apa yang diinginkan pelanggan, mikro-segmen atau pelanggan individu atas dasar one-to-one dan mengembangkan program-program terpadu yang memaksimalkan nilai bagi pelanggan dan nilai seumur hidup pelanggan untuk organisasi melalui akuisisi sasaran pelanggan, meningkatkan keuntungan kegiatan dan retensi'.

Menurut Kotorov (2002, p220), seperti semua teknologi baru, teknologi yang berhubungan dengan CRM, seperti portal hubungan pelanggan, data mining, call center cerdas, dll, menjanjikan perubahan besar. Perubahan besar terjadi ketika ada perubahan paradigma, yaitu dalam cara melakukan sesuatu. Ada banyak definisi dari CRM yang menambah kebingungan tentang bagaimana sebenarnya CRM akan mengubah apa yang kita lakukan (Ernst & Young 1999). Namun perubahan tersebut tidak konseptual (Peppard, 2000). Konsep



pelayanan pelanggan dan manajemen hubungan adalah sama tuanya dengan konsep pasar.

Turban et al. (2008, p607) mengatakan e-CRM merupakan sebuah manajemen hubungan pelanggan yang diadakan secara elektronik. Dengan menggunakan teknologi internet, data mengenai pelanggan dapat dengan mudah diintegrasikan dengan pemasaran, penjualan, analisis dan aplikasi layanan pelanggan. Sekarang ini dunia dihubungkan oleh internet, e-CRM telah menjadi suatu kebutuhan untuk bertahan, selain sebagai keunggulan kompetitif.

Sedangkan menurut David (2010, p486), e-CRM adalah memanfaatkan teknologi komunikasi digital untuk memaksimalkan penjualan untuk pelanggan yang ada dan terus mendorong penggunaan layanan online. 2.2 Tujuan dan Manfaat CRM

Tujuan utama CRM sudah jelas yaitu usaha untuk memperoleh dan mempertahankan pelanggan, (Turban et al., 2005, p262). Kalakota dan Robinson (2001, p173) menyebutkan tujuan-tujuan dari kerangka kerja CRM yaitu : • Menggunakan hubungan yang telah ada untuk

meningkatkan pendapatan. • Menggunakan informasi yang terintegrasi untuk

layanan yang unggul. • Mengajukan proses dan prosedur penjualan yang

lebih konsisten dan dapat berulang. Sedangkan manfaat utama dari CRM menurut

Turban et al. (2008, p608) adalah ketersediaan pemeliharaan pelanggan yang superior melalui penggunaan internet dan teknologi informasi. CRM membuat pelanggan senang, dengan menyediakan pilihan produk dan jasa, respon, dan resolusi masalah yang cepat, serta akses informasi yang cepat dan mudah. Perusahaan mencoba untuk memperoleh keunggulan kompetitif terhadap kompetitor mereka dengan menyediakan CRM yang lebih baik.

Menurut David (2010, p487), manfaat-manfaat dari e-CRM yaitu : 1. Menargetkan biaya menjadi lebih efektif.

Internet memiliki keuntungan bahwa list dari contacts adalah self-selecting (memilih sendiri) atau pre-qualified (pra-kualifikasi). Perusahaan hanya akan bertujuan untuk membangun hubungan dengan mereka yang telah mengunjungi situs web dan menyatakan minat pada produk dengan mendaftarkan nama dan alamat. Tindakan mengunjungi situs web dan browsing menunjukkan target pelanggan.

2. Mencapai banyak kustomisasi dari pesan pemasaran (dan mungkin produk).

Teknologi memungkinkan untuk mengirim email sebanyak mungkin dengan biaya lebih rendah dan juga menyediakan halaman web untuk grup yang lebih kecil dari pelanggan (mikro-segmen).

3. Meningkatkan, kedalaman, keluasan, dan sifat hubungan. Sifat dari media internet memungkinkan informasi lebih lanjut yang akan diberikan kepada pelanggan jika dibutuhkan.

4. Hubungan pembelajaran dapat dicapai dengan menggunakan alat yang berbeda di seluruh siklus hidup pelanggan. Alat-alat ini adalah semacam fasilitas pembelajaran online tentang apa yang dibutuhkan pelanggan.

5. Biaya menjadi lebih rendah. Menghubungi pelanggan via email atau dengan membuka halaman web dapat mengurangi biaya daripada menggunakan surat dalam bentuk fisik, tetapi mungkin yang lebih penting, informasi hanya perlu untuk dikirim ke pelanggan-pelanggan yang telah mengungkapkan preferensi untuk itu, sehingga sedikit mail-outs (surat keluar).

2.3 Fase CRM

Kalakota dan Robinson (2001, p174-175) menyebutkan ada tiga fase dari CRM yaitu : 1. Acquiring New Customers

Mendapatkan pelanggan baru dilakukan dengan kepemimpinan produk/jasa yang mendorong batasan kinerja mengenai kenyamanan dan inovasi. Nilai yang diusulkan buat pelanggan adalah penawaran produk yang superior dengan ditopang oleh layanan yang unggul.

2. Enhancing the profitability of existing customers. Meningkatkan profitabilitas pelanggan atau hubungan yang telah ada dapat dilakukan dengan cara mendorong keunggulan dalam cross-selling dan up-selling, hal ini menambah kedalaman hubungan. Nilai yang diusulkan buat pelanggan adalah penawaran kenyamanan yang lebih baik dengan biaya yang rendah.

3. Retaining profitable customers for life. Mempertahankan hubungan pelanggan untuk selamanya. Penyimpanan informasi pelanggan berfokus pada kemampuan beradaptasi dalam pelayanan, mengirimkan apa yang diinginkan pelanggan. Sekarang, lebih banyak perusahaan yang berfokus pada strategi mempertahankan pelanggan daripada menarik pelanggan baru. Alasan dibalik strategi ini sebenarnya sederhana : If you want to make money, hold onto your good customers.



Gambar 1. Fase CRM (sumber Kalakota dan

Robinson (2001, p175)) 2.4 Perbedaan CRM dan e-CRM

Chandra dan Strickland (2004, p410) menjelaskan bahwa pada tahun 1990-an merupakan periode pertumbuhan yang luar biasa dari sebuah kelas perangkat lunak yang disebut ERP (Enterprise Resource Planning). Sistem ERP merupakan sebuah sistem yang banyak digunakan untuk operasi 'back-end' sehingga sistem di seluruh perusahaan terintegrasi, membuat informasi di seluruh perusahaan yang tersedia lebih mudah. Sampai saat ini, perusahaan mengembangkan sejumlah aplikasi khusus server, masing-masing didedikasikan untuk mengerjakan fungsi tertentu. Dengan sistem ERP, sebuah perusahaan mampu menangkap data dalam satu tempat dan mengintegrasikan dengan mudah berbagai departemen dan proses. Meskipun sistem ERP sangat membantu dalam mengelola operasi "back-end", mereka tidak dirancang untuk menangkap data dan mendukung kompleksitas pemasaran. Di sisi lain, sistem CRM secara khusus dikembangkan untuk Aplikasi ’front-end 'dan dengan cepat diadopsi. Idealnya, CRM memungkinkan sebuah perusahaan untuk menyesuaikan produk dan layanan untuk preferensi setiap pelanggan.

Chandra dan Strickland (p410-411) mengatakan bahwa perbedaan antara CRM dan eCRM sangat tipis, tapi penting. Mereka berkonsentrasi pada teknologi yang mendasari dan antarmuka dengan pengguna dan sistem lain. Sebagai contoh, sistem eCRM banyak menyediakan pelanggan dengan browser self-service didasari window untuk memesan, cek status pesanan; meninjau sejarah pembelian; meminta informasi tambahan tentang produk; mengirim e-mail dan terlibat dalam sejumlah kegiatan lainnya. Kemampuan ini memberikan kebebasan pelanggan dalam hal tempat dan waktu. Pelanggan tidak lagi terbatas untuk menghubungi organisasi selama jam bisnis biasa, dan organisasi tidak harus memberikan kontak langsung di bagian lain untuk pertanyaan pelanggan dan permintaan.

Secara tradisional, sistem CRM menggunakan

klien / server teknologi di mana semua program dan aplikasi yang dijalankan pada satu atau lebih server terpusat. Sistem antarmuka operasi front-end dengan operasi backend melalui sistem ERP tradisional. Sistem ini tidak menggunakan datawarehouse atau data mart. Sistem ERP bertindak sebagai repositori data dan menangkap data dari front-end dan back-end operasi. 'Touch points’ pelanggan adalah toko ritel dan layanan pelanggan dan support centers, misalnya, kontak pribadi melalui outlet ritel, telepon, dan fax.

Dengan eCRM, antarmuka antara front-end dan back-end operasi tidak hanya melalui ERP, tetapi juga menggunakan datawarehouse dan data mart. Datawarehouse adalah kumpulan dari informasi, yang dikumpulkan dari beberapa database operasional, digunakan untuk membuat business intelligence dalam mendukung kegiatan bisnis dan pengambilan keputusan. Datawarehouse adalah database multidimensi. Lapisan dalam sebuah datawarehouse mewakili informasi sesuai dengan dimensi yang berbeda. Sebuah data mart adalah subset dari data warehouse di mana hanya sebagian terfokus informasi datawarehouse disimpan (4). ’Touch points’ pelanggan di eCRM diperluas untuk memasukkan Internet dan perangkat nirkabel, yang mendukung teknologi mobile dan PDA.

Tabel 1 memperlihatkan perbedaan dari dua teknologi tersebut.

Tabel 1 Perbedaan Teknologi antara CRM dan e-CRM

Kriteria CRM e-CRM Kontak Pelanggan

Kontak pelanggan biasanya dimulai melalui cara tradisional dari toko ritel, telepon, atau fax.

Selain telepon, kontak juga dimulai melalui Internet, e-mail, nirkabel, teknologi mobile dan PDA.

Sistem antar-muka

Bekerja dengan back-end aplikasi melalui sistem ERP.

Dirancang untuk aplikasi front-end, yang pada gilirannya antarmuka dengan aplikasi backend melalui sistem ERP, datawarehouse, dan data mart.

Sistem Overhead (komputer klien)

Web-aplikasi memerlukan PC klien untuk men-download applet dan berbagai aplikasi. Aplikasi ini dan applet harus ditulis ulang untuk platform yang berbeda.

Tidak ada persyaratan; browser adalah portal pelanggan untuk eCRM.



Kustomisasi dan Personalisasi Informasi

Audiens yang berbeda membutuhkan pandangan yang berbeda dan jenis informasi. Pandangan pribadi untuk audiens yang berbeda adalah tidak mungkin. Individu memerlukan perubahan kustomisasi pemrograman.

Pandangan "dinamis" dan personal yang sangat individual didasarkan pada pembelian dan preferensi yang mungkin. Setiap audiens individual menyesuaikan pandangan.

Sistem Fokus Sistem dirancang di sekitar produk dan fungsi pekerjaan (untuk penggunaan internal). Web-aplikasi yang dirancang sekitar satu departemen atau unit bisnis.

Sistem dirancang di sekitar kebutuhan pelanggan (untuk penggunaan eksternal). Portal perusahaan yang luas yang dirancang dan tidak terbatas pada departemen atau unit bisnis.

Sistem Pemeliharaan dan Modifikasi

Pelaksanaan lebih lama dan manajemen adalah mahal karena sistem ini terletak di berbagai lokasi dan pada beberapa server.

Mengurangi waktu dan biaya. Implementasi sistem dan ekspansi dapat dikelola dalam satu lokasi dan pada satu server.

3. Sejarah PT. NESTLE

Merasa prihatin dengan tingginya angka mortalitas bayi di akhir abad 19 di Swiss, Henri Nestlé, seorang ahli kimia Jerman yang berdomisili di Vevey, Swiss berhasil menciptakan makanan pendamping bagi bayi yang tidak mendapat cukup ASI. “Farine Lactee” berhasil menyelamatkan banyak jiwa bayi pada saat itu dan Nestlé pun mendapatkan kepercayaan masyarakat.

Henri Nestlé kemudian memanfaatkan nama keluarganya menjadi logo perusahaannya. Dalam dialek Jerman Swiss, "Nestlé" berarti sarang burung kecil (little nest). Logo itu menjadi lambang rasa aman, kasih sayang, kekeluargaan dan tradisi.

Perusahaan Nestlé terus mengembangkan produk-produknya dan kemudian menjadi pelopor beberapa produk seperti susu kental di Eropa tahun 1905, susu coklat tahun 1929, kopi instant tahun 1938 dan lain-lain.

Nestlé Indonesia

Produk-produk Nestlé telah beredar di Bumi Nusantara sejak akhir Abad ke-19, dimana salah satunya ialah susu kental manis yang dikenal dengan sebutan "Tjap Nona" (sekarang "Nestlé Milkmaid"). Kantor pusat Nestlé di Swiss, Nestlé S.A., bersama sejumlah mitra lokal mendirikan anak perusahaan di Indonesia pada bulan Maret 1971. Saat ini PT.Nestlé Indonesia mengoperasikan tiga pabrik yang berlokasi di daerah Tangerang (Banten), Panjang (Lampung), dan Kejayan (Jawa Timur). Beberapa merek produk Nestlé yang dipasarkan di Indonesia antara lain : susu bubuk Nestlé Dancow, kopi instant Nescafé, Nestlé Milo, Nestlé Bubur Bayi, Kit Kat, Polo, dan lain-lain.

Nestlé Indonesia berkomitmen untuk tetap mengembangkan produk-produk melalui inovasi dan renovasi demi memuaskan kebutuhan konsumennya di seluruh Indonesia.

4. Penerapan eCRM di PT. NESTLE Salah satu contoh perusahaan yang telah

menerapkan e-CRM adalah PT. Nestlé Indonesia dengan meluncurkan Sahabat Nestlé (lihat lampiran). Pada website tersebut terdapat beberapa fasilitas diantaranya adalah : • Berbagi resep makanan sehat • Dunia Bayi • Informasi tentang makanan dan gizi • Parenting • Promo • Kalender event-event yang akan diadakan oleh

Nestlé Dalam website tersebut pelanggan serasa

dimanjakan dan diperhatikan oleh Nestlé. Sedangkan keuntungan yang didapatkan oleh Nestlé adalah: • Memiliki space untuk arena promosi • Memiliki space untuk arena survey • Memiliki space untuk melakukan diskusi (tanya

jawab) dengan pelanggan secara langsung • Mendapatkan keinginan pasar melalui saran dan

kritik dari feedback pelanggan • Peningkatan kepercayaan terhadap produk-

produk Nestlé. E-CRM dirancang dengan maksud memenuhi

harapan dan kebutuhan pelanggan untuk mencapai nilai lifetime pelanggan yang maksimal dan memberikan hasil pada usaha. Penggunaan produk e-CRM, software e-CRM dan solusi e-CRM akan memperkaya implementasi e-CRM yang efektif di dalam perusahaan. Ada banyak kisah sukses e-CRM, namun kesuksesan dalam implementasi E-CRM diukur dengan upaya yang dilakukan perusahaan untuk menunjukkan sasaran dan harapannya. Dengan menyediakan sarana untuk mengatur dan mengkoordinasi interaksi pelanggan seperti yang di lakukan oleh PT. Nestlé Indonesia, teknologi E-CRM membantu perusahaan memaksimalkan nilai setiap interaksi konsumen yang pada akhirnya meningkatkan kinerja korporat. Perlunya pemahaman yang lebih baik terhadap perilaku konsumen dan fokus pada konsumen yang dapat memberikan profit jangka panjang telah mengubah para marketer dalam memandang dunia.

5. Penutup

E-CRM telah menjadi strategi penting bagi perusahaan yang siap bersaing menuju era globalisasi dengan cara membangun hubungan yang intim antara perusahaan dengan pelanggan.

Aplikasi e-CRM dapat digunakan oleh perusahaan manufaktur dan jasa. Yang perlu dipertimbangkan perusahaan adalah memilih



aplikasi software yang tepat dan sesuai dengan yang diperlukan.

Kunci keberhasilan e-CRM adalah memahami keseluruhan jalinan/hubungan kerja sama yang terjadi di dalam organisasi/perusahaan, baik yang bersifat intern maupun ekstern dengan memanfaatkan Teknologi Informasi.

Bagi pelanggan, website e-CRM yang mudah digunakan, sangat efektif dan efisien serta dapat dipakai untuk melacak hal-hal yang berkaitan dengan hubungan pelanggan. Pada sisi perusahaan memperoleh manfaat untuk meningkatkan efisiensi dan produktivitas serta memberikan layanan dan pengalaman yang konsisten bagi pelanggannya.

Daftar Pustaka [1] Chapter 12- managing customer relationships.

2008. United States, New qYork: The McGraw-Hill Companies, Inc., The Professional Book Group. (179-187). Available at : http://search.proquest.Com /docview/189489383?accountid=31532

[2] Chandra, Satish. dan Strickland, Ted J. 2004. Issues in Information Systems, Volume V No. 2.

[3] Cook, Sarah. 2008. Chapter 01: An introduction to customer care. United Kingdom, London: Kogan Page Ltd. (1-38). Available at : http://search.proquest.com/ docview/287921484?accountid=31532

[4] David, Fred R. 2010. Strategic Management : Manajemen Strategis Konsep. Edisi Kedua Belas. Salemba Empat, Jakarta.

[5] Kalakota, Ravi dan Robinson Marcia. 2001. E-business2.0, Roadmap for Success. Second Edition. Pearson Education, New Jersey.

[6] Kotorov, R. P. 2002. Ubiquitous organization: Organizational design for e-CRM. Business Process Management Journal, 8(3), 218-218. Available at : http://search.proquest.com/ docview/220296480?accountid=31532

[7] Malthouse, E., & Calder, B. (2005). Section iii: From strategy to implementation - chapter 8: Relationship branding and crm. United States, Hoboken: John Wiley & Sons, Inc. Retrieved from http://search.proquest.com/ docview/ 189247661?accountid=31532

[8] Stone, M., Bond, A., & Foss, B. (2004). Chapter 04: Customer relationship management (CRM). United Kingdom, London: Kogan Page Ltd. Retrieved from http://search.proquest.com/docview/287966496? accountid =31532

[9] Turban, Efraim., Rainer, R Kelly., dan Potter, Richard E. (2005). Introduction To Information Tecnology. Third Edition. Wiley, USA.

[10] Turban, Efraim., King., McKay., Marshall., Lee., dan Viehland. (2008). Electronic Commerce 2008 : A Managerial Perspective. Pearson Education, New Jersey.



Lampiran

Gambar 3. Website Sahabat Nestle

Gambar 4. Laman Cheff Welly

Di laman ini pelanggan benar-benar mendapatkan jawaban pertanyaan seputar masakan atau sekedar ingin berbagi tips dan resep-resep favorit sehingga pelanggan merasakan Chef Welly benar-benar ada dan memberikan masukan-masukan yang mereka butuhkan sehingga mereka mendapatkan kepuasan tersendiri.

Ini sangat mendukung program CRM karena dengan adanya laman ini pelanggan mendapatkan respons yang menyebabkan kepuasan mereka bertambah.

Gambar 5. Laman Dancow Parenting

Laman yang mempunyai motto “Mitra orangtua untuk tumbuh kembang anak ini” merupakan sebuah laman yang memungkinkan Bunda (pelanggan) untuk berbagi tips dan langkah apa saja yang bisa Bunda lakukan untuk menumbuhkan rasa percaya diri si Kecil. Selain itu, jika bunda bisa memberikan komentar terbaiknya maka Bunda bisa memenangkan voucher belanja.

Dengan cara seperti di atas Bunda selaku pelanggan memiliki keinginan untuk mendapatkan hadiah, sehingga mereka akan selalu mengikuti

perkembangan Website Sahabat Nestlé. Ini mendukung salah satu tujuan dari CRM.

Gambar 6. Laman Newsletter

Pada laman Newsletter, Sahabat Nestlé memberikan sebuah majalah dalam bentuk elektronik yang memberikan informasi yang selalu di update setiap bulan, laman ini memliki banyak pilihan (menu), yaitu : Masak di rumah, panduan cepat, info keluarga, jalan-jalan, galeri produk, gabung sahabat Nestlé, print, kirim ke teman, stop berlangganan, dan artikel lengkap. Dengan lengkapnya pilihan ini diharapkan majalah elektronik ini dapat memberikan info-info terupdate kepada pelanggan setiap bulan, sehingga pelanggan dapat selalu mengikuti perkembangan dari Nestlé sendiri.

Gambar 7. Laman Sahabat Nestle Facebook

Pada laman ini pelanggan akan diberikan sebuah link yang langsung terhubung dengan facebook yang dibuat khusus untuk Sahabat Nestle yang membutuhkan informasi dan panduan gaya hidup sehat dalam rangka mewujudkan Masyarakat Indonesia yang lebih sehat.

Dengan demikian para Sahabat Nestlé dapat memperoleh perubahan status ketika ada informasi baru yang akan di bagikan pada laman facebook Sahabat Nestlé tersebut, serta mendapatkan feedback untuk memuaskan keinginan Sahabat Nestlé.

Gambar 8. Laman Journey to Wellness



Journey to Wellness menyediakan panduan praktis berupa e-book berisi petunjuk hidup sehat yang dapat pelanggan terapkan secara langsung bersama keluarga tercinta, di dalam laman ini disediakan beberapa menu menarik seperti Games yang dapat dimainkan pelanggan untuk mengetahui informasi-informasi kandungan gizi makanan, e-book yang berisi petunjuk hidup sehat yang dapat diterapkan secara langsung bersama keluarga tercinta.

PT. Nestlé Indonesia sangat mengharapkan loyalitas pelanggan-pelanggannya terus meningkat dengan adanya website berbasis e-CRM yang khusus dibuat perusahaan untuk melayani pelanggan setianya. Begitu juga pelanggan PT. Nestlé Indonesia merasa sangat nyaman untuk terus dapat berhubungan dengan PT. Nestlé Indonesia karena adanya website tersebut.





Usulan Perbaikan Proses Bisnis Advertising PT. XYZ Regional Jawa Barat menggunakan Business Process Improvement

Annisa Rahmataya, Sri Widaningrum, Amelia Kurniawati

Fakultas Rekayasa Industri, Institut Teknologi Telkom Bandung [email protected], [email protected], [email protected]

Abstrak Kegiatan advertising yang dijalankan oleh

Divisi Marketing PT. XYZ Regional Jawa Barat mencakup fungsi periklanan, sponsorship, dan kegiatan lainnya yang bertujuan untuk mempromosikan perusahaan. Ini sebabnya pelaksanaan advertising perlu dijadikan lebih efisien.

Penelitian ini untuk mengefisienkan waktu siklus dari proses bisnis kegiatan advertising dengan menggunakan metode Business Process Improvement (BPI). Metode BPI ini akan menghasilkan proses bisnis usulan dengan melakukan analisis streamlining dan perubahan-perubahan yang inkremental terhadap proses bisnis existing. Proses bisnis usulan ini disusun dengan mempertimbangkan harapan dan keluhan pelanggan serta input dari pihak perusahaan. Selain menghasilkan suatu proses bisnis usulan, penelitian ini juga akan menyusun beberapa Standard Operational Procedure (SOP) dari beberapa aktivitas dalam proses bisnis usulan. SOP ini dimaksudkan untuk mempermudah transisi pihak perusahaan dari proses bisnis existing ke usulan.

Kesimpulan dari penelitian ini adalah SOP dapat disertai pada proses bisnis usulan hasil BPI untuk merealisasikan waktu siklus hasil perbaikan. Hasil dari penelitian ini berupa proses bisnis advertising usulan dengan efisiensi sebesar 67% dan waktu siklus selama 199.9 jam. Selain itu disusun SOP sebanyak delapan buah untuk mengakomodasi sebelas aktivitas hasil analisis streamlining. 1. Pendahuluan

1.1. Latar Belakang PT. XYZ merupakan salah satu provider

jaringan Global System for Mobile Communications (GSM) di Indonesia. Selayaknya sebagai provider GSM dengan pangsa pasar yang luas di Indonesia, PT. XYZ harus menjalankan organisasinya dengan efektif. Untuk itu, PT. XYZ tentunya harus

mengatur jalannya perusahaan sekaligus terus menerus mengevaluasinya. Tidak hanya bagaimana perusahaan berinteraksi dengan pelanggan eksternalnya, namun juga bagaimana perusahaan menjalankan proses-proses bisnisnya. Proses bisnis suatu perusahaan dapat memengaruhi besarnya pangsa pasar suatu perusahaan secara signifikan. Terlebih lagi, proses bisnis yang baik dapat menghemat biaya yang dikeluarkan oleh perusahaan secara signifikan (Harrington: 1991, p. 1-3).

Berdasarkan wawancara pada tanggal 4 Agustus 2010 (studi pendahuluan untuk mendukung proposal penelitian) kepada divisi Marketing PT. XYZ Regional Jawa Barat diketahui keadaan existing proses bisnis di perusahaan. Ternyata proses bisnis yang ada saat ini untuk advertising yang dilakukan oleh Divisi Marketing mulai dari tender vendor hingga tagihannya dapat dibayarkan cukup rumit. Rumitnya proses bisnis existing dipengaruhi oleh banyaknya personil yang terlibat antar divisi, tidak adanya standar kerja yang jelas, dan juga panjangnya birokrasi dalam menyelesaikan kegiatan advertising. Hal ini dirasa terlalu lama oleh vendor yang telah melakukan kegiatan advertising hingga pihak vendor tersebut sendiri yang mengeluhkan lamanya pemrosesan ini ke perusahaan.

Advertising yang mengalami keluhan terbanyak adalah kegiatan dengan tagihan yang berkisar antara Rp 200,000,000.00 hingga Rp 500,000,000.00, yaitu tiga kali (60%) selama tujuh bulan pertama tahun 2010. Padahal PT. XYZ sudah memiliki standar waktu yang ditentukan, yaitu 5.9 minggu untuk advertising, hanya saja standar ini belum dapat diterapkan dengan baik. Pada kenyataannya, rata-rata waktu siklus untuk kelima kasus yang terjadi selama Januari hingga Juli 2010 adalah 26 minggu. Keseluruhan kasus yang terjadi melampaui batas 5.9 minggu yang ditetapkan oleh perusahaan, dan tiga diantaranya dikeluhkan secara langsung oleh vendor karena dirasa terlalu lama.

Permasalahan dari proses bisnis ini yang menyebabkan lamanya waktu pemrosesan aktual secara umum adalah rumitnya birokrasi di dalam



perusahaan. Untuk menyederhanakan proses bisnis di dalam perusahaan tanpa mengurangi tingkat keamanannya, akan digunakan metode Business Process Improvement (BPI) yang telah sebelumnya dikembangkan oleh Harrington.

Agar waktu siklus aktual dapat mendekati standar yang telah ditetapkan, penting untuk memahami dan memetakan proses bisnis existing yang terjadi di dalam perusahaan. Selain menyederhanakan proses bisnis, dalam penelitian ini juga akan disusun langkah-langkah operasional yang perlu diterapkan oleh perusahaan dalam bentuk Standard Operational Procedure (SOP). Setelah jelas alur kerja dalam proses bisnis pembayaran tagihan usulan, akan dilakukan validasi untuk mengukur seberapa signifikan pengurangan waktu yang dapat dilakukan. Dengan penyederhanaan proses bisnis ini diharapkan waktu proses yang diperlukan untuk membayarkan tagihan-tagihan Divisi Marketing dapat menjadi lebih efisien. Dari uraian di atas menjadi latar belakang perlunya penelitian untuk mengkaji proses bisnis advertising PT. XYZ menggunakan Business Process Improvement. 1.2. Tujuan Penelitian

Adapun tujuan dari penelitian tugas akhir ini adalah mengefisiensikan waktu siklus advertising. 1. Merancang proses bisnis advertising Divisi

Marketing yang terstandardisasi. 2. Merancang SOP proses bisnis advertising

usulan. 1.3. Batasan Masalah

Adapun batasan masalah dari penelitian tugas akhir ini agar pembahasan mengenai hasil penelitian dapat lebih terarah adalah 1. Kegiatan yang diamati adalah advertising yang

memiliki nilai Rp 200,000,000.00 hingga Rp 500,000,000.00.

2. Penelitian ini membahas usulan proses bisnis advertising, sedangkan implementasi dari proses bisnis ini terlepas dari penelitian.

2. Landasan Teori

2.1. Business Process Improvement (BPI) Business Process Improvement (BPI) adalah

suatu metodologi sistematis yang dikembangkan untuk membantu suatu organisasi atau perusahaan meningkatkan kinerjanya dengan memperbaiki proses bisnis di dalamnya (Harrington: 1991, p. 20). BPI ini dikembangkan oleh H. James Harrington saat perusahaan-perusahaan di Amerika Serikat

dirasa tidak lagi efektif dalam menjalankan proses-proses bisnisnya.

Jika dibandingkan dengan metode reengineering yang menawarkan perbaikan proses bisnis yang radikal dan menyeluruh, BPI lebih tepat digunakan untuk perbaikan proses bisnis advertising PT. XYZ karena menawarkan perbaikan yang inkremental dan berkelanjutan. Hal ini menjadi sangat cocok jika diterapkan pada perusahaan yang sudah berjalan dan memiliki proses bisnis existing seperti PT. XYZ. Dengan perubahan yang sedikit demi sedikit, akan lebih memungkinkan bagi perusahaan untuk mengimplementasikan perubahan yang disarankan sebagai hasil dari penelitian ini.

Secara garis besar, terdapat lima tahapan pelaksanaan BPI, yaitu 1. Organizing for Improvement 2. Understanding The Process 3. Streamlining 4. Measurement and Control 5. Continuous Improvement 2.2. Advertising

Advertising yang dimaksudkan dalam penelitian ini bermula ketika Divisi Marketing PT. XYZ menugaskan pihak ketiga (selanjutnya akan disebut vendor) untuk melakukan kegiatan-kegiatan yang berkaitan dengan promosi perusahaan seperti iklan media cetak, radio, event, maupun sponsorship.

Cuplikan aliran kerja kegiatan advertising dapat dipelajari pada gambar berikut ini.

Kegiatan advertising dimulai ketika PT. XYZ mengadakan tender untuk menentukan vendor pelaksana kegiatan dan berakhir saat Divisi Keuangan membayar vendor tersebut setelah selesai menyelenggarakan kegiatan advertising.



3. Metodologi Penelitian

3.1. Model Konseptual

PT. XYZ

MARKETING

GENERAL ADMINISTRATION

KEUANGAN

VENDOR

ADVERTISING

PENYELESAIAN PROSESPEMBAYARAN

PEMETAAN PROSES BISNIS

AKTIVITAS ADVERTISING

ANALISIS PROSES BISNIS


PERBAIKAN PROSES BISNIS


BUSINESS PROCESS

IMPROVEMENT

METODE PENELITIAN

Keluhan waktu siklus advertising

4. Pengumpulan Data

4.1. Diagram Alir dan Waktu Siklus Proses Bisnis Existing Advertising

Pemetaan proses bisnis existing serta

pengumpulan data waktu siklusnya menjadi bagian dari tahapan “Understanding The Process”-nya metode BPI. Proses bisnis existing dari kegiatan advertising dipetakan dalam bentuk diagram alir yang terdiri dari 51 aktivitas dan melibatkan 12 personil dari PT. XYZ. Waktu siklus didapatkan selama 5.9 minggu. Data ini akan kemudian dibandingkan dengan data proses bisnis usulan output penelitian ini.

4.1. Identifikasi Input dan Output Proses

Bisnis Existing Advertising

Pemahaman input, output, dan pemilik proses dari setiap aktivitas yang terjadi dalam proses bisnis advertising menjadi penting karena perlunya pemahaman hasil yang diharapkan dari setiap aktivitas untuk melakukan analisis ke depannya. Input dan output yang diperlukan oleh masing-masing aktivitas menjadi salah satu bentuk spesifikasi dari proses bisnis usulan yang akan menjadi output dari penelitian ini.

4.2. Identifikasi Kebutuhan Pelanggan

Internal & Eksternal

Keluhan dari proses bisnis existing serta harapan untuk proses bisnis usulan dikumpulkan dari pelanggan internal dan eksternal kegiatan advertising. Kebutuhan pelanggan yang didapat

akan menjadi salah input untuk pelaksanaan analisis streamlining.

4.3. Batasan Proses

5. Analisis dan Usulan

5.1. Analisis Streamlining Analisis streamlining amat erat kaitannya

dengan konsep improvisasi. Improvisasi suatu proses bisnis dapat diartikan mengubah proses bisnis existing menjadi lebih efektif, efisien, dan mudah diadaptasi. Mirip dengan tujuan analisis streamlining untuk meningkatkan kinerja dan kualitas suatu proses dengan mengurangi aktivitas-aktivitas yang tidak diperlukan atau dapat disederhanakan (Harrington: 1991, p. 131-133).

Dari hasil analisis streamlining yang dilakukan didapatkan proses bisnis usulan yang telah dikurangi aktivitas-aktivitas birokrasi dan duplikasi serta usulan SOP untuk menjalankan advertising. Proses bisnis usulan yang dihasilkan adalah output penelitian BPI dengan efisiensi waktu siklus yang lebih tinggi.

5.2. Diagram Alir Proses Bisnis Usulan

Advertising

Pada proses bisnis usulan ini terjadi perubahan dan penghapusan beberapa aktivitas yang dirasa tidak efisien dari analisis streamlining. Validasi yang berulang diubah menjadi aktivitas tanda tangan saja sedangkan validasi dilakukan oleh satu orang saja. Validasi-validasi ini juga memunculkan form baru untuk membantu pemeriksa untuk melakukan validasi yang diperlukan. Form-form ini juga diperlihatkan pada diagram alir proses bisnis usulan untuk memperjelas penambahannya. Hal lainnya yang berubah pada proses bisnis usulan adalah penggabungan beberapa aktivitas menjadi satu aktivitas dalam upaya menyederhanakan proses bisnis sebelumnya.



5.3. SOP Proses Bisnis Usulan Sesuai dengan hasil dari analisis streamlining

sebelumnya, terdapat beberapa aktivitas dalam proses bisnis usulan advertising yang memerlukan SOP untuk memperbaiki kinerjanya. Di antara semua aktivitas yang terdapat pada proses bisnis usulan advertising, terdapat sebelas aktivitas yang memerlukan SOP. Dalam pengembangan SOP-nya terdapat lembar-lembar yang diadakan untuk membantu proses pengerjaan aktivitas-aktivitas tersebut. Lembar-lembar pendukung SOP ini dilampirkan bersamaan dengan SOP yang bersangkutan. 5.4. Perbandingan Proses Bisnis Existing

dengan Proses Bisnis Usulan

Proses Bisnis Perbandingan

Existing Existing Aktual Usulan

Waktu Siklus (Jam) 235.6 1040 199.9

Efisiensi (Tn) 65% 21% 67% Jumlah Aktivitas 51 51 48

6. Kesimpulan dan Saran

6.1. Kesimpulan 1. Efisiensi waktu siklus suatu proses bisnis harus

disesuaikan dengan implementasi yang memungkinkan. Mengingat adanya perbedaan yang cukup signifikan antara waktu siklus aktual dengan waktu siklus tertulis untuk proses bisnis existing, efisiensi yang dilakukan pada penelitian ini adalah mengurangi perbedaan tersebut. Usulan dari penelitian ini menghasilkan suatu proses bisnis dengan efisiensi sebesar 67%, waktu siklus selama 199.9 jam, dan aktivitas yang terlibat sebanyak 48 buah.

2. Proses bisnis advertising usulan hasil penelitian ini disusun berdasarkan perubahan yang bertahap dan bertujuan mendekatkan waktu siklus aktual dengan waktu siklus yang tertulis. Sebagai tahapan perubahan awal, proses bisnis usulan yang disusun dimaksudkan agar mudah diimplementasikan. Sebagai upaya memperkecil perbedaan waktu siklus aktual dengan waktu siklus tertulis proses bisnis usulan dari penelitian ini dilengkapi dengan SOP untuk beberapa prosedur.

3. Beberapa aktivitas yang didapat dari hasil analisis streamlining membutuhkan rancangan SOP. Kesebelas SOP yang disusun menjelaskan langkah-langkah prosedur yang dimaksudkan untuk membantu pegawai/pemilik proses yang bersangkutan untuk menjalankan aktivitas sesuai dengan rancangan proses bisnis usulan yang tertulis. Langkah-langkah pelaksanaan prosedur ini dilengkapi dengan lembar-lembar checklist yang dimaksudkan sebagai upaya error proofing sekaligus panduan pengerjaan.

6.2. Saran

Saran yang dapat diberikan dari penelitian ini dapat dibagi dua menjadi saran untuk perusahaan serta saran untuk penelitian-penelitian ke depannya. Pertama yang akan dibahas adalah saran untuk PT. XYZ. 1. Menerapkan proses bisnis usulan dan seluruh

SOP-nya dalam pelaksanaan kegiatan advertising.

2. Melakukan continuous improvement secara berkala.

3. Dalam mengidentifikasi dan memperbaiki proses bisnis sebaiknya pandangan dari keseluruhan personil diikutsertakan.

4. Perbaikan proses bisnis dan standardisasi prosedur kerja dilakukan untuk keseluruhan aktivitas dalam perusahaan. Selain saran untuk perusahaan berikut adalah

beberapa saran dan untuk penelitian ke depannya. 1. Analisis proses bisnis advertising yang

memiliki nilai selain Rp 200,000,000.- hingga Rp 500,000,000.-.

2. Analisis proses bisnis advertising pada beberapa kantor di beberapa daerah yang berbeda.

3. Melakukan tahapan Continuous Improvement untuk proses bisnis usulan yang telah dilakukan dan diimplementasikan sebelumnya sebagai penelitian lanjutan.

4. Membangun sistem database online yang terintegrasi antar seluruh divisi dalam perusahaan untuk hal penggunaan tenaga outsourcing.



Daftar Pustaka [1] Harrington, H. James, Business Process

Improvement: The Breakthrough Strategy for Total Quality, Productivity, and Competitiveness , Mc.Graw-Hill, New York, 1991.

[2] Harrington, H. James, et al, Business Process Improvement Workbook: Documentation, Analysis, Design, and Management of Business Process Improvement, Mc.Graw-Hill, New York, 1997.

[3] Indrajit, Richardus E. and Djokopranoto, Richardus, Proses Bisnis Outsourcing, Grasindo, Jakarta, 2004.

[4] Ishikawa, Kaoru, Introduction to Quality Control, 3A Corporation, California, 1990.

[5] Omachuno, Vincent K. and Ross, Joel E, Principles of Total Quality, Taylor & Francis, London, 2005.

[6] Sutalaksana, Iftikar Z., et al, Teknik Perancangan Sistem Kerja, ITB, Bandung, 2006.

[7] Tenner, Arthur R. and DeToro, Irving J., Process Redesign: The Implementation Guide for Managers, Addison Wesley, Reading, 1996.

[8] Tjiptono, Fandy, Prinsip Prinsip Total Quality Service, Andi, Yogyakarta, 1997.





Penanganan Mising Value dengan Metode Bound and Collapse pada Struktur Bayesian Network

Sayuti Rahman, Ihsan Lubis, Husni Lubis

Sekolah Tinggi Teknik Harapan (STTH) Medan [email protected]

Abstrak Berkembang pesatnya teknologi

penyimpanan data menyebabkan penumpukan data yang belum dimanfaatkan secara optimal, memunculkan teknologi Data Mining. Teknologi ini bekerja dengan melakukan penambangan data untuk memperoleh pola (pattern). Salah satu teknik dalam data mining adalah Bayesian network (BN). makalah ini menyampaikan paparan tentang proses konstruksi struktur DAG (network) BN dari basis data incomplete dengan metode Bound and Collapse (BC) yang bekerja bukan dengan Missing In Principle.

Algoritma BC dalam tugas akhir ini sangat memuaskan hingga data yang sulit untuk dikelola menjadi dapat digunakan dengan baik. Data yang tidak lengkap dikelola oleh Bound and Collapse, pada tahap Bound dicari estimasi probabilitas minimum dan maksimum, lalu dijadikan estimasi probabilitas tunggal pada tahap Collapse, sehingga data dapat dikelola dan dibuat Bayesian network-nya.

1. Pendahuluan

Salah satu tahapan dalam proses Knowledge Discovery in Databases (KDD) adalah data mining, yaitu sebuah langkah yang menghasilkan pattern dari data dengan menerapkan algoritma analisis dan penemuan data. Ada beberapa teknik yang dapat digunakan dalam proses data mining, antara lain classification, regression, clustering, summarization, dependency modeling, dan change and deviation detection.

Contoh metode yang sering digunakan untuk konstruksi BN (Bayesian Network) dari basis data incomplete adalah algoritma EM dan Gibbs Sampling. Kedua metode tersebut bekerja berdasarkan Missing Information Principle. Prinsip kerjanya adalah melengkapi data yang hilang terlebih dahulu, kemudian mengkonstruksi struktur dengan menggunakan data yang lengkap. Karena harus melengkapi nilai-nilai yang hilang, maka semakin banyak jumlah missing data semakin banyak waktu ekseskusi yang diperlukan.

Makalah ini bertujuan untuk memaparkan cara kerja metode BC untuk mengkonstruksi struktur BN dari data yang tidak lengkap. Paparan akan dimulai dengan mendeskripsikan definisi umum BN, metoda BC, konstruksi struktur BN dengan BC, analisa metode BC, dan experimen yang dilakukan.

2. Tinjauan Pustaka

Data complete disebut juga dengan data lengkap, contoh dekomposisi relation/table R menjadi beberapa fragmen R1 , R2 , ..., Rn dikatakan komplit kalau setiap item data pada R dapat juga ditemukan di beberapa R i. Sedangkan data incomplete adalah kebalikan dari data complete atrinya data ini tidak lengkap atau item data pada R tidak ditemukan dibeberapa Ri (Dunning dan Freedman 2008).

Incomplete data atau sering disebut dengan missing of data, Seringkali, sebagian atau semua dari data hilang (missing) dari sebuah subjek.

2.1. Metode Bound and Collapse

Metode BC pada awalnya dikembangkan untuk mengestimasi probabilitas kondisional yang mendefinisikan hubungan ketergantungan (dependency) dalam sebuah BN berdasarkan dari basis data yang incomplete. Kemudian BC dikembangkan lebih lanjut sehingga dapat menghasilkan struktur grafis BN. Dalam mengkonstruksi struktur BN dari basis data incomplete, BC mengasumsikan kondisi data Missing At Random (MAR) (Ramoni and Paola 1997). Asumsi lain adalah adalah sebagai berikut : 1. Atribut-atribut dalam basis data memiliki nilai

yang diskret. 2. Informasi tentang keterurutan node (node

ordering) telah didefinisikan. Metode BC memiliki tiga bagian utama, yang

pertama adalah pencarian interval estimasi probabilitas, disebut dengan tahap bound. Bagian kedua adalah tahap collapse yang mencari nilai estimasi tunggal dari interval yang telah diperoleh. Sedangkan bagian terakhir adalah pembangunan struktur BN itu sendiri.



2.2 Tahap Bound Tahapan ini bertujuan untuk menghasilkan

interval nilai estimasi yang mungkin untuk setiap pasangan variabel.

Adapun persamaan untuk menghitung nilai minimum dan nilai maksimum probabilitas kondisional p(j| i) adalah sebagai berikut (Ramoni and Paola 1997): • Untuk nilai probabilitas minimum,

dinotas ikan dengan pmin

(j| i)

...…..... 2.1 • Untuk nilai probabilitas maksimum,

dinotasikan dengan pmax

(j| i)

……… 2.2

2.3 Tahap Collapse Dari interval yang diperoleh di tahap Bound,

selanjutnya dicari satu nilai estimasi tunggal dari probabilitas kondisional yang bersesuaian (dinotasikan dengan ). Adapun nilai dihasilkan melalui per-samaan berikut (Ramoni and Paola 1997):

2.3 dimana:

• = p(X = j| Y = i, X = ?), yaitu probabilitas nilai X = j jika ditemukan kasus dimana nilai X tidak diketahui (X=?) sementara diketahui bahwa nilai Y yang bersesuaian adalah i (Y=i).

• dan merupakan hasil dari tahap Bound.

3. Perancangan

3.1. Activity Diagram Bound and Collapse Perhitungan Bound and Collapse dapat dilihat

pada gambar 3.1:

Gambar 3.1 Activity Diagram Tahap BC

Pada keadaan awal akan dilakukan pemeriksaan data yang telah ada pada database yang telah dimasukan pada bagian input data, jika data ditemukan pada database maka langkah selanjutnya inisialisasi parameter lamda, m dan n, kebalikanya bila data tidak tersedia maka akan dilakukan pengecekan data ulang. Setelah inisialisasi langkah selanjutnya adalah pencarian jumlah data yang mempunya data lengkap yang ditampung pada variabel n dan data yang tidak lenkap pada variabel m, setelah ditemukan nilai n dan m langkah selanjutnya akan mencari kemungkinan maksimum dan minimum atau p(max) dan P(min) dangan rumus pada persamaan 2.1 dan persamaan 2.2, dari selang interval probabilitas p(min) dan P(max) maka ditetapkan estimasi tunggalnya dengan rumus pada persamaan 2.3.

3.2. Activity Diagram Bayesian Network

Skenario use case Bayesian Network dapat dilihat pada gambar 3.5 :

Gambar 3.2 Activity Diagram Membangun

struktur BN



Pada gambar 3.5 dapat dilihat bagaimana membangun sebuah DAG Bayesian Network, pada keadaan awal ditentukan masing-masing field pada database yang nantinya akan dibangun sebuah Jaringan Bayesian, field tersebut dianggap sebagai node yang tidak terhubung dengan node lainnya, node yang terpisah tersebut akan dicari parent dari masing-masing node, setelah menemukan parent dengan scoring fungtion maka node dibuat arc sesuai dengan parentnya. Sehingga terbentukalah sebuah DAG Bayesian Network.

3.3. Perhitungan BC

Perhitungan BC pertama kali dilakukan untuk memberi nilai kemungkinan terhadap data yang hilang (Bound) hingga menhasilkan estimasi probabilitas tunggal (Collapse), Jika data yang diberikan adalah seperti pada tabel 3.4

Tabel 3.4 Data yang diberikan

A B C D 1 1 1 1 1 2 2 1 1 1 ? 2 2 1 1 2 2 1 2 2 1 ? 2 1

Dari tabel 3.1 maka dapat dilihat terdapat missing data yaitu pada variabel B dan C yang ditandai dengan tanda tanya (?), dan dapat dijabarkan sebagai berikut: Untuk mencari probabilitas minimum

= 0.571428571 untuk mencari probabilitas maksimum

= 0.714285714

Pcollapse(A=1|B=1) = (0.5*0.71)+(1-0.5)*0.57 = 0.642857143 Dimana

BAn Adalah dimana ditemukan kondisi (A=1,B=1)

BAα Adalah jumlah B=1 dan diketahui A=1

Bm Adalah jumlah B=? dan diketahui A=1

Bn + Adalah jumlah A=1 4. Pengujian

Berguna atau tidaknya program akan diuji, adapun contoh data yang dibuat sperti terlihat pada gambar 4.6.

Gambar 4.1 database yang diuji

Cara pengujian penulis menggunakan 3 cara: 1. Menghilangkan data yang tidak lengkap

Jika data yang tidak lengkap dihilangkan, maka akan mengubah probabilitas yang ada seperti telihat pada gambar 4.7

Gambar 4.2 menghilangkan data tidak lengkap

Kemunculan variabel “a” yang bernilai 1 menjadi 2, sedangkan data awal kemunculan a=1 sebanyak 4 kali, maka konsep ini tidak benar. 2. Membiarkan data tetap

Data yang tidak lengkap tidak dapat diolah dengan query sacara langsung karena nilainya tidak diketahui, maka secara automatis metode ini tidak dapat digunakan.

3. Pengolahan dengan metode Bound and

Collapse Data yang hilang akan dilengkapi dengan

kemungkinan yang ada pada variabel tersebut dengan melihat dari tetangganya. Hal ini lebih efesien karena tidak mengubah data yang telah ada.



5. Kesimpulan Makalah ini membuktikan bahwa BC mampu

menyelesaikan masalah missing data dengan baik, tanpa harus membuang data yang tidak lengkap, hal ini menunjukan bahwa data yang tidak lengkap dapat diolah dengan baik dengan algoritma BC dan Bayesian Network sehingga menghasilkan informasi yang bermanfaat.

Daftar Pustaka Phil, Jones (28 April 2011). Visual Basic: A

Complete Course Letts Higher Education List Series. Cengage Learning EMEA

Vardiansyah, Dani.2008. Filsafat Ilmu Komunikasi: Suatu Pengantar, Indeks, Jakarta

Cheng, Jie, David Bell, Weiru Liu. Learning Bayesian Networks from Data : An Efficient Approach Based On Information Theory. 1998. Faculty of Informatics, University of Ulster, U.K.

Fayyad, Usama M.; Piatetsky-Shapiro, G.; Smyth, P. From Data Mining to Knowledge Discovery. 1996. AAAI Press.

Lauritzen, Steffen L., David J. Spiegelhalter. Local computations with probabilities on graphical structures and their application to expert systems. 1988. Journal Royal Statistics Society B, 50(2), 157-194.

Neapolitan, Richard, E. Learning Bayesian Networks. 2004. Pearson Prentice Hall.

Ramoni, Marco; Sebastiani, Paola. Learning Bayesian Network from Incomplete Data-bases. 1997. Technical Report KMi-TR-43, Knowledge Media Institute, The Open University.

Ramoni, Marco; Sebastiani, Paola. Parameter Estimation in Bayesian Networks from Incom-plete Database. 1997. Technical Report KMi-TR-57, Knowledge Media Institute, The Open University.



Optimasi Pengolahan KWH Meter pada PT. PLN (PERSERO) Menggunakan Genetic Algorithm

Darjat Saripurna, Jufri Halim, Ishak

STMIK Triguna Dharma Medan Email : [email protected]

Abstrak

Pencatatan KWH meter di setiap rumah yang sekarang dikerjakan oleh PT. PLN (Persero) banyak mengalami gangguan terutama saat petugas dari PT. PLN (Persero) mencatat penggunaan pemakaian daya listrik pada akhir bulan. Gangguan pencatatan KWH meter yang ditimbulkan oleh manusia sering disebabkan waktu dan kelelahan dalam pencatatan penggunaan daya listrik. Untuk mengatasi masalah tersebut, maka perlu optimasi pada pengolahan KWH meter menggunakan database dengan metode genetic algorithm. Bila diinginkan untuk mendapatkan kinerja yang optimum dari KWH meter tersebut. Maka parameter-parameter dari KWH meter perlu dikaji lagi dengan menggunakan Genetic Algorithm. Adapun model yang digunakan dari pengolahan KWH meter tersebut adalah model program database.

Kata kunci : Genetic Algorithm, parameter 1. Pendahuluan

Di era Informasi sekarang ini, kemajuan ilmu pengetahuan dan teknologi pada saat sekarang ini khususnya dalam bidang perusahaan maupun instansi pemerintahan dan lembaga–lembaga lainnya sudah banyak menerapkan komputerisasi sebagai sarana dalam menangani masalah-masalah yang dihadapi.

PT. PLN (Persero) Cabang Binjai merupakan Perusahaan Badan Usaha Milik Negara (BUMN) yang menyediakan serta memasok tenaga listrik untuk masyarakat, harus menjadikan kepuasan pelanggan baik pelanggan social, industri maupun pelanggan rumah tangga sebagai target yang harus dicapai. Banyak data-data pelanggan PT. PLN (Persero) Cabang Binjai yang harus dikelola setiap saat, oleh karena itu diperlukan suatu system yang dapat mengolah data-data tersebut. Salah satunya yaitu memberikan informasi mengenai jumlah pemakaian pelanggan dan jenis tarif yang digunakan.

Dalam hal ini mencoba mengembangkan suatu sistem tentang Informasi Stand Kwh yang dibuat dengan alat bantu computer yang menggunakan fasilitas software-software (perangkat lunak) seperti Mysql, Microsoft Visual Basic 2008 dan Crystal Report 8.5.

Berdasarkan permasalahan diatas maka PT. PLN (Persero) Cabang Binjai memerlukan suatu sistem yang lebih baik sesuai dengan kebutuhan yang dapat

Membantu penyampaian informasi yang lebih cepat dan efisien dalam mengolah data-data pemakaian pelanggan.

2. Penentuan Data Flow Diagram

Penggambaran sistem dan arus data dibuat dengan menggunakan Data Flow Diagram (DFD) ini memiliki 3 entitas, yaitu: Lahta, Petugas dan Pimpinan. Aliran data Sistem Informasi tersebut dapat diuraikan dengan Diagram Konteks berikut ini:

Gb-1, Data Flow Diagram Program

Petugas melakukan penginputan data program dalam sistem, data petugas tadi kemudian di teruskan ke Lahta. Lahta memberikan data pelanggan ke dalam sistem yang kemudian diteruskan ke Petugas untuk dilakukan penyusunan data pemakaian. Data pemakaian tersebut diinputkan ke dalam sistem untuk di berikan ke Lahta. Kesemua data yang masuk ke dalam sistem digunakan untuk penyusunan laporan ke Manager.



3. Penentuan Entity Relational Diagram Penggambaran sistem dan arus data dibuat

dengan menggunakan Data ER ini, yaitu:

Gb-2, Entyty Relational Diagram

4. Penentuan Diagram Alir Penggambaran sistem dan arus data dibuat

dengan menggunakan Diagram Alir ini, yaitu:

Gb-3, Entyty Relational Diagram

5. Penentuan Normalisasi Penggambaran sistem dan arus data dibuat

dengan menggunakan Data Normalisai ini, yaitu:

Tabel-1, UnNormal

No Bln Thn Id Konsumen Daya No.

Gardu Ranting Total

1 Juni 2011 2345 1/450 VA 111 Pancur

Batu Rp. 25.340

Juli Rp. 35.604

2 2435 1/220 VA 112 Tuntungan Rp. 45.345

Tabel-2, Normal

6. Optimasi Parameter Program

Pencatatan KWH meter Dengan Menggunakan Genetic Algorithm


Genetic Algorithm adalah metode lain yang biasa digunakan untuk menentukan parameter program database pengolahan KWH meter, sehingga diperoleh laporan pencatatan KWH meter maksimum pada setiap rumah. Metode Genetic Algorithm ini menggunakan objective function yang didasarkan pada suatu criteria kinerja untuk menentukan error pada setiap kinerja pencatatan KWH meter. Parameter pencatatan KWH meter dengan program database ini ditunjukkan pada gambar- yang dipakai sebagai pedoman dalam menentukan optimasi program database untuk pencatatan KWH meter. Persamaan pencatatan KWH meter ini untuk efisiensi, kinerja dan waktu membentuk multi objective optimization problem, dimana tiap persamaan adalah fungsi dari tiga atau lebih dari parameter program database pencatatan database ini. Tiga persamaan program database KWH meter ini, sebagai berikut:

Tabel-3, Program KWH meter

Selanjutnya parameter pencatatan program

database KWH meter ini dikodekan dengan bilangan decimal dan nilai fitness (kemampuan)



maksimum didapatkan untuk menentukan nilai kesalahan terkecil tersebut. Maka setiap parameter program pencatatan KWH meter ini dapat dilakukan dengan genetic algorithm. Dalam hal ini error function diperoleh sebagai formula dari kuadrat Program error function, sedangkan fitness function adalah inverse dari error. Sasaran dari genetic algorithm membuat nilai error minimum atau membuat fitness maksimum. Error function dapat dituliskan sebagai : E = F1(.)2 + F2(.)2 + F3(.)2 (24) sedangkan fitness dinyatakan oleh : Fitness = 1/ E (25) Secara umum proses genetic algorithm yang dilukiskan gambar-4 terdiri dari :

Gambar-4, Genetic algorithm

i. Pembangkitan Spesies

C^k=[X1^k ,Y1^k, X2^k,Y2^k,,Xm^k,Ym^k] (25) Dimana: (xi^k, yi^k) : lokasi dari pembangkitan kromosom. i,j : urutan nomor spesies (1,2,3..)

ii. Perkalian silang Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2 Dimana ri : bilangan acak, dengan : I = 1,2,3, …,m

iii. Mutasi Nilai Random dinyatakan oleh : Xi = Xi^k + random nilai [ E ] Yi = yi^k + random nilai [ E ] Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Yi = nilai random [ Ymin, Ymax ] Hasil evaluasi pada proses genetic algorithm,

digunakan untuk mencari nilai error terkecil atau nilai fitness terbesar. Nilai error yang diperoleh digunakan untuk menentukan parameter pencatatan KWH meter menggunakan genetic algorithm i tersebut. Parameter pencatatan program KWH

meter ini didapat dari waktu, efisiensi dan tenaga operasional.

b. Hasil Perhitungan

Hasil dari nilai fitness yang dinyatakan oleh kurva fitness terhadap jumlah generasi yang terlihat pada gambar-5 yang menghasilkan parameter pencatatan KWH meter secara optimum yang terlihat pada table-4.

Gambar-5, Nilai fitness terhadap Populasi

Dan dengan cara yang sama karakteristik program database terhadap waktu dari data pada table-4 dapat ditentukan hasilnya pada gambar-6.

Gambar-6, Karakteristik Tenaga Orang terhadap

Waktu hasil Genetic Algorithm

7. Kesimpulan Dengan Genetic Algorithm nilai arus

maksimum, arus awal dan arus nominal dapat dinaikkan secara optimum seperti terlihat pada table-4.

Tabel-4 Hasil Simulasi

Pelanggan Waktu Waktu Pelanggan Pelanggan Konsumen Program (menit) (menit)

2345 60 menit 45 menit 2435 60 menit 45 menit



Daftar Pustaka

1. T.A Lipo and A.Consoli,” Modelling and Simulation Of Induction Motors wth saturable leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Jan/Feb.1984


3. E.Muljadi,” Water Pumping with a Peak-Power Tracker using a Simple Six-Step Square Wave Inverter,” IEEE Transaction On Industry Application, Vol.33 No.3 May/Juny 1997.


5. Warring R.H, “ Pump Selection to System And Application, second Edition, Trade and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984.


7. Goldberg,” Genetic Algorithm In Machine,” New York 1996

Date post:	02-Nov-2014
Category:	Technology
Upload:	dony-riyanto
View:	3,385 times
Download:	0 times