Abstract image of a woman sitting on books and studying on a laptop

3. data maning dan database system

Dony Riyanto, profile picture
Dony Riyanto

1. Penelitian ini mengukur kadar partikel dari asap hasil pembakaran lahan gambut di Propinsi Riau menggunakan 5 sensor. 2. Pengukuran dilakukan di ruang tertutup dan lapangan dengan menempatkan sensor di sekitar lokasi kebakaran lahan gambut. 3. Hasil pengukuran ditampilkan grafik melalui mikrokontroler dan dianalisis untuk mengetahui komposisi asap dari pembakaran lahan gambut.

TechnologyBusiness
1 of 88
Downloaded 153 times
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pengukuran Kadar Kepekatan Asap pada Lahan Gambut Arif Gunawan1, Moch. Rivai 2, dan Eko Setijadi3 1 Teknik Telekomunikasi Politeknik Caltex Riau 2,3 Intitut Teknologi Sepuluh Nopember (ITS) Email : arif.gunawan09@mhs.ee.its.ac.id arifg8@gmail.com Email : muhammad_rivai@ee.its.ac.id ekoset@ee.its.ac.id      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 Gambar 1. karakteristik Lahan gambut (Suwido H. yang berbeda dengan terbakarnya lahan lain. Limin, edisi 7 mei 2003) Dalam penelitian ini dilakukan degan 2 buah pengujian , yang pertama mengambil sempel lahan Kejadian kebakaran hutan dan lahan di gambut dan dilakukan pembakaran didalam ruang provinsi riau memiliki pengaruh yang besar isolator dan mengukur kadar partikel dengan 5 bua terhadap terjadinya polusi kabut asap yang melintas sensor, yaitu TGS2442 (CO), batas negara. Pada umumnya kebakaran yang TGS2201(Metana),TGS 4161(Co2) dan terjadi di provinsi riau berada di lahan gambut yang TGS2612(Gas Oil), serta LM35 sebagai sensor mendominasi wilayah ini sebesar 60 %, oleh karena suhu. Pengujian ke dua adalah pengukuran itu, kabut asap merupakan fenomena alam yang langsung dengan meletakan sensor dan sistem di umum terjadi pada saat musim kebakaran dan sekitar daerah yang terbakar (dilakukan pada saat memberikan dampak terhadap negara tetangga masyarakat membuka lahan untuk perkebunan seperti malaysia dan Singapore elias ( Inyoman jaya sawit) .Setelah itu hasil data sensor diinputkan ke wistara,2009). Untuk itu penting kiranya di lakukan mikrokontroller dan selanjutnya ditransmisikan ke suatu penelitian untuk mengetahui kandungan PC/Laptop via RS232 dan untuk selanjutnya partikel dari hasil pembakaran lahan gambut di ditampilkan dalam bentuk grafik untuk mengetahui propinsi riau. Untuk mengetahui kandungan partikel kandungan asap dari hasil pembakaran lahan maka digunakan beberapa buah sensor yaitu sensor gambut. suhu (LM35), sensor TGS2201 ( gas oline), TGS4161(gas Co2), TGS2442 (gas CO), dan sensor Kata kunci : transmitter, receiver, sensor TGS2612 ( gas methan). 1. Pendahuluan 2. Tinjauan Pustaka Kebakaran hutan di Indonesia pada saat ini Adapun sistem sensor yang di gunakan dapat dipandang sebagai bencana regional dan global. Hal ini disebabkan karena hasil pembakaran adalah: yang dilepas ke atmosfer salah satu contoh CO2, berpotensi menimbulkan pemanasan global. Pembukaan lahan gambut berskala besar dengan 2.1. Sensor TGS2442 membuat saluran/parit telah menambah resiko TGS2442 menggunakan struktur multilayer terjadinya kebakaran di lahan gambut pada musim sensor. Menampilkan TGS2442 baik selektivitas kemarau. untuk karbon monoksida, sehingga ideal untuk memonitoring kandungan CO. Pada gambar grafik Data Maning dan Database System 3-1
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 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 Gambar 2. Karakteristik rangkaian TGS2442 diukur cukup lebar yakni antara –55°C sampai dengan 150°C. 2.2. Sensor TGS2201 2.5. Mikrokontroler ATMega8535 TGS2201 dapat mendeteksi 2 kandungan pada 1 substrate dan menghasilkan 2 keluaran secara Mikrokontroler AVR memiliki arsitektur terpisah untuk merespon kandungan gas RISC 8 bit, dimana semua instruksi dikemas dalam pembuangan diesel dan gas pembuangan bensin. kode 16-bit (16-bits word) dan sebagian besar Rs = Resistansi sensor gas yang ditampilkan pada instruksi dieksekusi dalam 1 (satu) siklus clock, berbagai konsentrasi. berbeda dengan instruksi MCS51 yang Ro = Resistansi sensor pada saat udara bersih. membutuhkan 12 siklus clock. AVR berteknologi Setelah dilakukan perhitungan berdasarkan RISC. karakteristik rangkaian Modul sensor dan ruang pengujian Gambar 5. Ruang pengukuran dan module Sensor Gambar 3. Karakteristik sensor 2201 yang di gunakan 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 6. PC monitor Sensor Gas 3-2 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Blok Diagram Sistem Secara sensor agar dapat membaca kandungan partikel gas Keseluruhan dan Prinsip Kerja tentunya setelah dipanaskan oleh tegangan heater. Sistem 3.2. Flow Chat Pengukuran Pada rangkaian diatas mengunakan 5 buah sensor suhu (LM35), sensor TGS2201 (gas oline), Dalam pembuatan sistem ini dilakukan dengan TGS4161(gas Co2), TGS2442 (gas CO), dan sensor beberapa cara salah satunya adalah perancangan TGS2612 (gas Metan). Hasil pembacaan sensor system sensor,berikut perancangan system 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 Gambar 9. Flowchat sensor 3.1. Rangkaian 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 Gambar 8. Rangkaian sensor 4.1. Pengujian tanpa asap Pada gambar 8 terdapat 3 buah rangkaian, yaitu rangkaian sensor TGS2612, rangkaian sensor Pengujian yang dilakukan tanpa asap di ruang TGS2442, dan rangkaian sensor TGS2201. Pada simulasitor, dengan hasil pembacaan sensor adalah setiap sensor mempunyai RH (tahanan heater) dan dalam pengujian ini gambut yang sudah diambil RS. RH berfungsi sebagai tahanan untuk tegangan hutan akan di bakar di dalam ruang simuator heater, adapun tegangan heater berfungsi untuk adapun ruang simulator yang di buat adalah memanaskan sensor agar dapat membaca berdiameter 120 cm x 50 cm x 40 cm sepertigambar kandungan partikel gas. Dan RS berfungsi sebagai di bawah ini tahanan untuk tegangan circuit,adapun tegangan circuit befungsi untuk memberi tegangan pada Data Maning dan Database System 3-3
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar 10. Ruang simulator ukur asap 1450 33 6 94 19 97.25 1500 33 6 94 19 97.5 1550 33 6 94 19 97.5 Kemudian di lakukan pembakaran sampah gambut 1600 33 6 94 19 97.75 dan masukan kedalam ruang simulator ,sampah 1650 33.25 6 94 19 97.75 yang diambil sebelumnya di timbang memiliki berat 1700 33.5 6 94 19 98.25 1.5 kg, dan sensor mendeteksi perubahan yang 1750 33.75 6 94 19 98.5 1800 34 6 94 16.5 98.75 terjadi. Untuk mendapatkan data yang Valid 1850 34 6 94 17 99 pertama di lakukan pengukuran mendeteksi kondisi 1900 34 6.25 94 17.5 99 normal ruangan tanpa asap gambut. Dan hasil 1950 34 6.25 94.25 18.5 99 pengukuranya seperti di bawah ini. 2000 34 6.5 94.25 18.5 99 2050 34 6.5 94.5 18.25 99 Tabel 1. Pengukuran ruangan tanpa asap 2100 34 6.75 94.5 19 99 2150 34 6.75 94.75 18 99 Data ke Suhu Metana Gas oline CO Co2 2200 34 7 94.75 19.5 99.25 2250 34 7 95 18 99.5 50 31.37 1.00 41.00 14.60 97.00 2300 34 7 95 18 99.5 100 31.39 1.00 42.40 14.60 97.00 2350 34 7 95 18 99.75 150 31.41 1.00 43.10 14.60 97.00 2400 34 7 95 18 100 200 31.44 1.00 43.18 14.60 97.00 2450 34 7 95 18 100 250 31.46 1.00 43.25 14.60 97.00 2500 34 7.25 95 20 100 300 31.49 1.00 43.33 14.60 97.00 2550 34 7.5 95 20 100 350 31.51 1.00 43.40 14.60 97.02 400 31.54 1.00 43.48 14.60 97.05 2600 34 7.5 95 20 100 450 31.56 1.00 43.55 14.60 97.07 2650 34 7.75 95 19.5 100 500 31.59 1.00 43.63 14.60 97.07 2700 34 8 95 19 100.25 550 31.61 1.00 43.70 14.60 97.07 2750 34 8.25 95 18.5 100.5 600 31.63 1.00 43.78 14.63 97.07 2800 34 8.5 95 20 100.75 650 31.66 1.00 43.85 14.65 97.07 2850 34 8.5 95 20 101 700 31.68 1.00 43.93 14.66 97.07 2900 34 8.75 95 20 101 750 31.71 1.00 43.98 14.68 97.07 2950 34 9 95 20 101 800 31.73 1.00 44.00 14.70 97.07 3000 34 9 95 20 101 850 31.76 1.00 44.57 14.73 97.07 3050 34 9 95 20 101 900 31.78 1.00 45.00 14.75 97.07 Dari tabel diatas dapat kita lihat pada suhu tertinggi Dalam pengambilan data sensor dilakukan sampai yaitu 34 oC mengandung unsur metan tertinggi 9 dengan 900 data dan telah di rata-ratakan ppm, gas oline 95 ppm, CO 20ppm, dan CO2 memilikihasil seperti tabel1. Terlihat di dalam adalah 101 ppm. ruangan memiliki suhu tertinggi 31.78 oC, methan 1 ppm, gas oline 45ppm, gas CO 14,75 ppm, dan 4.3. Pengujian dengan asap dilokasi CO2 97.07 ppm. pembukaan lahan sawit Adapun tujuan pengukuran ini adalah 4.2. Pengujian dengan asap untukmendapatkan data sebenarnya pada saat warga Pengukuran kedua adalah dengan membakar melakukan pembukaan lahan sawit. Walapun sulit sampah gambut dan meletakan di dalam ruang mendapatkan kondisi yang konstan konsentrasi dari simulator , dan sensor mendeteksi perubahan asap gambut yang terbakar karena beberapa hal perubahan di dalam ruang simulator. Dan hasilnya yaitu: seperti tabel di bawah ini. 1. Sulitnya menjangkau daerah yang terbakar karena medan yang sulit 3-4 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  2. Kondisi cuaca angin yang membuat sulit 4450 33.77 1.89 69.51 15.00 96.57 mendapatkan konsentrasi yang luas 4500 33.82 2.00 70.29 15.00 96.60 4550 33.82 2.37 71.09 15.00 96.73 3. Luasnya areal yang terbakar 4600 33.83 2.54 71.66 15.00 96.74 4. Sulit memetakan luas daerah yang terbakar 4650 33.83 2.66 71.91 15.00 96.77 sebagai acuan ukur. 4700 33.86 2.74 72.09 15.00 96.89 5. Sulitnya mengindetifikasi lokasi hotspot/ titik 4750 33.86 2.89 72.86 15.00 97.00 apai karena proses terbakarnya sangat singkat 4800 33.87 2.91 73.00 15.00 97.00 4850 33.90 2.94 73.17 15.00 97.00 Sebagai pembanding maka diambil data 4900 33.91 3.00 74.26 15.00 97.00 kondisi kualitas udara daerah setelah selesai terjadinya pembakaran untuk adapun data nya Dari data yang diperoleh menunjukan bahwa adalah sebagai berikut . hasil pembakaran lahan gambut menghasilkan beberapa partikel gas diantaranya adalah methan Tabel 3. Kondisi sesudah kualitas udara setelah dengan konsentrasi 3 ppm, gas oline dengan terjadinya kebakaran konsentrasi 74,26 , gas CO ( karbon monoksida ) 15 Gas  ppm , dan gas CO2 adalah 97 ppm. Data ke  suhu  Methan   CO   CO2  Oline  5050  32.00  0.40  49.00  14.00  95.00  5100  32.00  0.65  49.00  14.00  95.00  5. Kesimpulan 5150  32.00  0.74  49.00  14.00  95.00  5200  32.00  0.77  49.00  14.00  95.00  Berdasarkan data yang di peroleh bahwa asap 5250  32.00  0.89  49.00  14.00  95.00  hasail pembakaran lahan gambut di ruang terbuka 5300  32.00  0.89  49.00  14.00  95.00  mengandung banyak unsur CO (15 ppm), 5350  32.00  0.90  49.00  14.00  95.00  CO2(97ppm) , Methan( 3 ppm), gas oline (74,26 5400  32.00  0.91  49.00  14.00  95.00  ppm). Dengan demikian pembakaran lahan gambut 5450  32.03  0.96  49.00  14.00  95.00  turut menyumbang dampak polusi di kota 5500  32.09  1.00  49.00  14.00  95,7  5550  pekanbaru. 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 Data Maning dan Database System 3-5
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 3-6 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Analisis Efektivitas Algoritma C4.5 dalam Menentukan Peserta Pemenang Tender Projek Jose Augusto Duarte Guterres, Paulus Mudjihartono, Ernawati 1 Magister Teknik Informatika Universitas Atma Jaya Yogyakarta 2,3 Universitas Atma Jaya Yogyakarta agoest.jaguar777@gmail.com , paulusmudjihartono@gmail.com, ernawati@mail.uajy.ac.id Abstrak keputusan yang terbaik dalam memilih kontraktor [1]. Pemilihan kontraktor yang tepat dalam Penentuan pemilihan terhadap kontraktor menangani sebuah projek dapat pula bertujuan untuk mengetahui kemampuan secara mempengaruhi kualitas kerja. Keputusan teknis oleh panitia penyelenggara tender projek Pemenang tender projek merupakan keputusan akan pentingnya suatu perencanaan pembangunan yang dilakukan oleh panitia penyelenggara tender untuk tahapan projek selanjutnya. Persaingan usaha projek yang bersifat transparan yang dapat yang semakin ketatpun melatarbelakangi perlunya memberikan nilai riil sesuai dengan ketentuan sistem penilaian sebagai alat evaluasi kinerja dalam menentukan pemenang tender projek. Saat konsultan perencana dalam menangani suatu projek ini dalam penentuan pemenang tender projek masih perencanaan, sehingga tercipta suatu produk bersifat manual sehingga informasi-informasi yang perencanaan yang optimal, sebagai acuan merupakan kriteria penentuan pemenang tender pelaksanaan pekerjaan konstruksi dan sebagai suatu projek terkadang terabaikan. keunggulan [3] dalam pendukung keputusan. Kriteria penilaian yang peneliti gunakan Pembuatan sistem pendukung keputusan dalam menentukan pemenang tender projek menurut [2] untuk prakualifikasi kontraktor yang meliputi evaluasi administasi, evaluasi teknis, dalam pembuatan model base-nya dilakukan evaluasi harga dan evaluasi kualifikasi. Empat dengan mengidentifikasi variabel-variabel pembeda kriteria tersebut, peneliti gunakan untuk terhadap kinerja kontraktor dari segi Evaluasi mengklasifikasikan pemenang tender projek administrasi, evaluasi teknis, evaluasi harga, dan menggunakan algoritma C4.5 dengan mencari nilai evaluasi Kualifikasi. Hal tersebut dapat dilihat dari Entropy dan Gain yang mana dapat membentuk validasi eksternal yang dilakukan terhadap data pohon keputusan dalam menentukan pemenang yang tidak dipergunakan dalam pembuatan model tender projek. Penentuan pemenang tender projek base yang memberikan keakuratan cukup tinggi [2]. ini setelah dianalisa dengan menggunakan Sistem pendukung keputusan digunakan dalam algoritma C4.5 dapat memberikan informasi yang memadukan data dan pengetahuan untuk efektif dalam menentukan peserta pemenang tender meningkatkan efektivitas dan efisiensi dalam proses projek. pengambilan keputusan [4]. Dalam sistem pendukung keputusan terdapat informasi-informasi Kata Kunci : Algoritma C4.5, Entropy, Gain, yang perlu ditelaah lebih dalam lagi sehingga Pemenang tender projek, Pohon informasi-informasi yang dibutuhkan dalam Keputusan. pemecahan sebuah masalah dapat diselesaikan dengan baik. Dalam sistem pendukung keputusan, 1. Pendahuluan terdapat pula sebuah teknik penggalian data atau yang dikenal dengan penambangan data (data Menurut [1] menyampaikan bahwa Pemilihan mining) untuk menyelesaikan suatu masalah dalam kontraktor yang tepat dalam menangani sebuah memberikan informasi-informasi yang dibutuhkan, projek dapat pula mempengaruhi kualitas kerja metode penggalian data tersebut biasa dikenal dalam kemajuan pembangunan yang didasarkan dengan teknik penambangan data. pada evaluasi multi-atribut. Penilaian dalam Penambangan data merupakan proses analisis berbagai atribut untuk dipertimbangkan dalam data untuk menemukan suatu pola dari kumpulan pemilihan kontraktor dapat membantu data-data. Penambangan data mampu menganalisa meningkatkan proses seleksi dalam mendapatkan data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Data Maning dan Database System 3-7
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Salah satu teknik yang ada pada penambangan data Di mana : adalah klasifikasi. Beberapa kelompok klasifikasi, S = Himpunan kasus di antaranya adalah pohon keputusan, Bayesian dan A = Atribut jaringan saraf. Salah satu klasifikasi penambangan i = Jumlah Partisi Atribut data dalam pohon keputusan adalah Algoritma Si = Jumlah Kasus pada partisi ke i C4.5. Dalam algoritma C4.5 pemilihan atribut S = Jumlah Kasus dalam S 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 Gambar 1. Pohon Keputusan Lengkap (Abidin., A. pohon keputusan dalam menangani peserta Z. Z., 2011) pemenang tender projek yang mana secara umum algoritma C4.5 dapat membangun pohon keputusan Gambar 1 menunjukan pohon keputusan dalam [10] adalah sebagai berikut: pemberian rekomendasi ajar [11]. Jumlah simbol 1. Pilih atribut sebagai akar lingkaran sebagai node menunjukkan jumlah atribut 2. Buat cabang untuk masing-masing nilai sebagai atribut sumber kognitif, minat dan nilai 3. Bagi kasus dalam cabang awal. Sedangkan atrinut tujuan berupa rekomendasi 4. Ulangi proses untuk masing-masing cabang ajar yang bernilai induktif dan nondirektif. sampai semua kasus pada cabang memiliki kelas yang sama. 4. Hasil dan Pembahasan 3. Pembahasan Analisis efektivitas algoritma C4.5 dalam menentukan pemenang tender projek seperti pada Algoritma C4.5 adalah pengembangan dari tabel 1, data penetuan pemenang tender projek algoritma ID3. Oleh karena pengembangan tersebut merupakan tahap pengambilan keputusan algoritma C4.5 mempunyai prinsip dasar kerja yang berdasarkan kriteria evaluasi administrasi, evaluasi sama dengan algoritma ID3, hanya saja Algoritma teknis, evaluasi harga dan evaluasi kulaifikasi untuk C4.5 menggunakan pendekatan induksi dimana, dijadikan sebagai modal pengetahuan dalam dalam pendekatan ini, algoritma C4.5 membagi- membentuk sebuah pohon keputusan. Analisis dan bagi data berdasarkan kirteria yang di pilih untuk perancangan sistem yang dapat membantu membuat sebuah pohon keputusan. Algoritma C4.5 memberikan keputusan kepada panitia ini juga menggunakan pendekatan secara top-down penyelenggara tender projek akan kemungkinan [5] dalam algoritma C4.5 ([7] [9] [8] [6] 2007) perserta tender projek yang akan menerima atau pemilihan atribut dilakukan dengan menggunakan tidaknya sebuah projek diantaranya menentukan Gain Ratio dengan rumus : pohon keputusan, menentukan aturan, model data, fungsionalitas sistem dan perancangan struktur Entropy(S ) = ........(1) halaman. Implementasi sistem menggunakan bahasa pemrograman Visual studio dan MySQL Atribut dengan nilai Gain Ratio tertinggi dipilih sebagai database-nya. sebagai atribut test untuk simpul. Dengan gain Sebagai langkah awal untuk melakukan adalah information gain dengan rumus : perhitungan pencarian nilai gain dan entropy dapat dilihat pada kasus di bawah ini (Tabel 1). Misalkan Gain(S,A) ditampilkan 54 dataset pengujian untuk klasifikasi C4.5 = Entropy(S) - .........(2) 3-8 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel 1. Tabel Dataset Uji Penentuan peserta Baris Total Kolom Entropy pada Tabel 2 di pemenang tender projek hitung dengan Rumus Sebagai Berikut Peserta Evaluasi Evaluasi Evaluasi Evaluasi  Keputusan Penawaran Tender Trojek (P) Adminstrasi Teknis Harga Kualifikasi (Diterima Atau Tidak) P1 Baik Tinggi Tinggi Lengkap No P2 Baik Tinggi Tinggi  Tidak Lengkap No P3 Baik Tinggi Sedang Lengkap Yes P4 Baik Tinggi Sedang Tidak Lengkap No P5 Baik Tinggi Rendah Lengkap Yes P6 Baik Tinggi Rendah Tidak Lengkap No P7 Baik Sedang Tinggi Lengkap Yes P8 P9 Baik Baik Sedang Sedang Tinggi  Sedang Tidak Lengkap Lengkap No Yes Entropy(Total) = (-37/54 * Log2 (37/54)) + (- P10 P11 Baik Baik Sedang Sedang Sedang Rendah Tidak Lengkap Lengkap No Yes 17/54 * Log2(17/54) P12 Baik Sedang Rendah Tidak Lengkap No P13 Baik Rendah Tinggi Lengkap No P14 Baik Rendah Tinggi  Tidak Lengkap No P15 P16 Baik Baik Rendah Rendah Sedang Sedang Lengkap Tidak Lengkap Yes No Entropy(Total) = ((-37/54) * 0,584962501) + ((- P17 P18 Baik Baik Rendah Rendah Rendah Rendah Lengkap Tidak Lengkap Yes No 17/54) * (-1,584962501) P19 cukup Tinggi Tinggi Lengkap No P20 P21 cukup cukup Tinggi Tinggi Tinggi  Sedang Tidak Lengkap Lengkap No Yes = 0,37372339 + 0,524929986 P22 P23 cukup cukup Tinggi Tinggi Sedang Rendah Tidak Lengkap Lengkap No Yes = 0,898653376 Perhitungan selanjutnya adalah menghitung P24 cukup Tinggi Rendah Tidak Lengkap No P25 cukup Sedang Tinggi Lengkap Yes P26 cukup Sedang Tinggi  Tidak Lengkap No P27 P28 cukup cukup Sedang Sedang Sedang Sedang Lengkap Tidak Lengkap Yes No nilai gain total untuk Evaluasi Administrasi dengan P29 P30 cukup cukup Sedang Sedang Rendah Rendah Lengkap Tidak Lengkap Yes No menggunakan persamaan (2) berdasarkan nilai entropy dari masing-masing atributnya sebagai P31 cukup Rendah Tinggi Lengkap No P32 cukup Rendah Tinggi  Tidak Lengkap No P33 cukup Rendah Sedang Lengkap No P34 P35 cukup cukup Rendah Rendah Sedang Rendah Tidak Lengkap Lengkap No Yes berikut : P36 cukup Rendah Rendah Tidak Lengkap No P37 Kurang Tinggi Tinggi Lengkap No P38 Kurang Tinggi Tinggi  Tidak Lengkap No P39 Kurang Tinggi Sedang Lengkap Yes P40 Kurang Tinggi Sedang Tidak Lengkap No P41 Kurang Tinggi Rendah Lengkap Yes P42 Kurang Tinggi Rendah Tidak Lengkap No P43 Kurang Sedang Tinggi Lengkap No P44 Kurang Sedang Tinggi  Tidak Lengkap No P45 Kurang Sedang Sedang Lengkap Yes P46 Kurang Sedang Sedang Tidak Lengkap No P47 Kurang Sedang Rendah Lengkap Yes P48 Kurang Sedang Rendah Tidak Lengkap No P49 Kurang Rendah Tinggi Lengkap No P50 Kurang Rendah Tinggi  Tidak Lengkap No P51 Kurang Rendah Sedang Lengkap No P52 Kurang Rendah Sedang Tidak Lengkap No P53 Kurang Rendah Rendah Lengkap No P54 Kurang Rendah Rendah Tidak Lengkap No EntropyAdminstrasi (Baik) = (-11/18 * Untuk bisa menentukan nilai-nila gain dan entropy Log2(11/18) + (-7/18) * Log2(7/18) dari masing-masing atribut di atas, maka terlebih = 0,434190401 + 0,529888364 kita konversi ke dalam bentuk tabel klasifikasi yang = 0,964078765 lebih detail sebagai berikut : EntropyAdminstrasi (Cukup) = (-12/18 * Tabel 2. Tabel klasifikasi untuk perhitungan nilai Log2(12/18) + (-6/18) * Log2(6/18) gain dan entropy = 0,389975 + 0,528320834 = 0,918295834 Node Jumlah No Yes Entropy GAIN Kasus (S) (S1) (S2) EntropyAdminstrasi (Kurang) = (-14/18 * 1 TOTAL 54 37 17 0,898653376 Evaluasi 0,016460341 Log2(14/18) + (-4/18) * Log2(4/18) Administrasi Baik 18 11 7 0,964078765 = 0,281998951 + 0,482205556 Cukup 18 12 6 0,918295834 = 0,764204507 Kurang 18 14 4 0,764204507 Evaluasi 0,216674141 Information Gain (Total,EVAdmin) Teknis Tinggi 18 12 6 0,918295834 = 0,898653376 - ((18/54 * 0,964078765 ) Sedang 18 10 8 0,99107606 Rendah 18 15 3 0,650022422 + (18/54 * 0,918295834 ) + (18/54 * 0,764204507)) Evaluasi 0,079182323 Harga Tinggi 18 16 2 0,503258335 = 0,898653376 - (0,882193035) Sedang 18 11 7 0,964078765 = 0,036102799 Rendah 18 10 8 0,99107606 Perhitungan nilai entropy dan gain diteruskan Evaluasi 0,423175351 sampai atribut terakhir dan diperoleh nilai-nilai gain Kualifikasi Lengkap 27 10 17 0,950956048 Tidak Lengkap 27 27 0 0 dan entropy tertentu. Hasil dari nilai gain kemudian dibandingkan dengan nilai gain lainnya untuk mencari nilai tertinggi yang akan dijadikan acuan Setelah tabel 2 dibuat, maka langkah untuk melakukan proses perhitungan kembali pada selanjutnya adalah melakukan perhitungan nilai proses pembentukan struktur pohon [10]. pada entropy dengan menggunakan persamaan (2), untuk perhitungan pada Tabel 2 diatas maka nilan Gain mencari nilai gain nya nanti. Langkah pertama Tertinggi terdapat pada Atribut Evaluasi Kualifikasi mencari nilai entropy total, dilakukan sebagai Sehingga membentuk pohon Keputusannya seperti berikut : pada gambar 1. Data Maning dan Database System 3-9
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Gambar 2. Pohon Keputusan Untuk Evaluasi Kualifikasi 10. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND Tender Projek Menggunakan algoritma C4.5 (Administrasi Cukup) THEN YES. 11. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Setelah melakukan perhitungan seperti Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Kurang) THEN YES. langkah perhitungan dengan mencari nilai gain dan 12. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi etropy maka proses selanjutnya adalah melakukan Harga Tinggi) AND (Evaluasi Teknis Rendah) THEN perhitungan kembali, yang mana atribut evaluasi NO. kualifikasilah yang menjadi akar perhitungan sehingga bisa mendapatkan nilai entopy dan gain 4.2. Algoritma C4.5 dengan Metode Lain : untuk proses selanjutnya. Setelah semua proses dihitung maka dapat membentuk pohon keputusan a. Algoritma C4.5 yang lengkap seperti pada gambar 3. Algoritma C4.5 dalam aplikasi weka dikenal juga dengan J48 maka hasil dari C4,5 adalah b. Algoritma ID3 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. c. Aturan NNge 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. 3-10 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  5. Kesimpulan Ieee., 2010, Assessment Of The Risk Factors Of Coronary Heart Events Based On Data Dari Hasil Analisis data diatas dengan Mining With Decision Trees, Ieee. pembuktian-pembukitan algoritma C4.5 [6] Al-Hegami, Ahmed Sultan., 2007, Classical berdasarkan literatur yang digunakan maka dapat And Incremental Classification In Data disimpulkan bahwa metode algoritma C4.5-pun Mining Process, Ijcsns International Journal dapat diterapkan dalam menentukan peserta Of Computer Science And Network Security, pemenang tender projek dengan menggunakan Vol.7 No.12, December. kriteria kriteria evaluasi administrasi, evaluasi [7] Chih-Chiang Wei., And Jiing-Yun You., teknis, evaluasi harga dan evaluasi kualifikasi dan 2011, C4.5 Classifier For Solving The jika dibandingkan dengan metode lain seperti ID3 Problem Of Water Resources Engineering, dan NNge maka algoritma C4.5 memiliki correctly Proceeding Of The International Conference classified yang lebih tinggi jika dibandingkan On Advanced Science, Engineering And dengan metode yang lain (metode ID3 dan aturan Information Technology, Isbn 978-983- NNge) dan root relative squere error Pada 42366-4-9, Juanuary. algoritma C4.5 lebih rendah jika dibandingkan [8] Karegowda, Asha Gowda., Manjunath, A. S., dengan metode yang lain (metode ID3 dan aturan And Jayaram, M.A., 2010, Comparative NNge) sehingga algoritma C4.5 dapat dikatakan Study Of Attribute Selection Using Gain Ratio sebagai metode yang efektif dalam menentukan And Correlation Based Feature Selection, peserta pemenang tender projek. International Journal Of Information Technology And Knowledge Management, Referensi Volume 2, No. 2, Pp. 271-277, July- December. [1] Turskis, Zenonas., 2008., Multi-Attribute [9] Minegishi, Tatsuya., Ise, Masayuki., Niimi, Contractors Ranking Method By Applying Ayahiko., Konishi, And Osamu., 2009, Ordering Of Feasible Alternatives Of Extension Of Decision Tree Algorithm For Solutions In Terms Of Preferability Stream Data Mining Using Real Data, Fifth Technique, Baltic Journal On Sustainability, International Workshop On Computational 14(2): 224–239. Intelligence & Applications, Ieee Smc [2] Demir, Hülya And Bostanci, Bülent., 2010., Hiroshima Chapter, Hiroshima University, Decision-Support Analysis For Risk Japan, November. Management, African Journal Of Business [10] Kusrini, Luthfi, E. T., 2009, Algoritma Data Management, Vol. 4(8), Pp. 1586-1604,18 Mining, Edisi 1, Andy Offset, Yogyakarta. July, Issn 1993-8233 ©2010 Academic [11] Abidin., A. Z. Z., 2011, Implementasi Journals. Algoritma C4.5 dalam menganalisa [3] Diputra, I Gede Astawa., 2009, Sistem kemungkinan pembelian komputer sebagai Penilaian Kinerja Konsultan Perencana media pembelajaran mahasiswa, Digital Dalam Menangani Proyek Perencanaan Information & Sistem conference, ISBN 978- Bangunan Gedung, Jurnal Ilmiah Teknik Sipil 979; Bandung. 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., Data Maning dan Database System 3-11
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-12 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 richkihardi@gmail.com, yul_hendrapdg@yahoo.com, munar_amik@yahoo.co.id   Abstrak terjadinya perubahan-perubahan yang dampaknya mempengaruhi segala aspek kehidupan dan terjadi Persoalan Travelling Salesperson Problem- secara berkelanjutan pada lingkungan perusahaan TSP merupakan persoalan optimasi untuk mencari pengiriman barang standar nasional. perjalanan terpendek bagi pedagang keliling yang Salah satu jenis perkembangan ilmu ingin berkunjung ke beberapa kota, dan kembali ke pengetahuan dan teknologi adalah perkembangan kota asal keberangkatan. TSP merupakan dunia komputasi, satu diantaranya adalah kemajuan persoalan yang sulit bila dipandang dari sudut sistem informasi. Hampir tidak ada batas ruang dan komputasinya. Beberapa metode telah digunakan waktu sehubungan dengan sistem informasi untuk memecahkan persoalan tersebut namun tersebut, informasi dari tempat yang jauh secara hingga saat ini belum ditemukan algoritma yang fisik dapat dengan cepat dan mudah diketahui oleh mangkus untuk menyelesaikannya. Cara termudah kita. Melalui Sistem Informasi berbasis teknologi untuk menyelesaikan TSP yaitu dengan mencoba informasi pekerjaan menjadi mudah, efektif dan semua kemungkinan rute dan mencari rute yang efisien. terpendek. Namun, pada zaman yang serba praktis PT. Pos Indonesia sebagai perusahaan sekarang ini dibutuhkan algoritma yang dapat mediator dalam bidang pengiriman dan antaran menyelesaikan TSP dengan cepat sehingga mempunyai tantangan berat dalam menghadapi diperoleh solusi yang mendekati solusi optimal. dampak perubahan yang ada saat ini, antara lain Algoritma TSP sangat tepat digunakan untuk yaitu adanya pola pergeseran demand masyarakat penyelesaian masalah optimasi yang kompleks dan dimana unit-unit pelayanan masih belum maksimal, sukar diselesaikan dengan metode konvensional. namun di sisi lain kebutuhan konsumenpun semakin Data rute dan jarak serta waktu tempuh yang meningkat, selain itu masalah-masalah yang digunakan untuk menentukan rute terpendek pada berkaitan dengan sarana pelayanan, pengiriman sistem ini didapat dari hasil survey di kantor pos barang, tarif pengiriman, keadaan barang, kepuasan Lhokseumawe. konsumen, keselamatan kerja, dan lain sebagainya juga perlu mendapatkan perhatian dan penanganan Kata kunci : Algoritma Graph, Rute Terpendek, yang serius. Travelling Salesperson Problem, Proses antaran paket yang sedang berjalan di Tracking Paket, Web. kantor pos, khususnya daerah Aceh menggunakan   rute transportasi umum, dengan armada yang sangat 1. Pendahuluan terbatas sehingga membutuhkan waktu yang lama. Jika kantor pos kecamatan (KPC) ingin mengirim 1.1 Latar belakang Masalah paket ke kota lain maka paket tersebut harus diolah Perkembangan ilmu pengetahuan dan terlebih dahulu oleh kantor pos pemeriksa (KPRK) teknologi kian pesat, hal tersebut dapat dilihat dan untuk kemudian dikirim ke kota tujuan, walaupun dirasakan secara langsung maupun tidak langsung. jarak antara Kantor pos kecamatan lebih dekat Perkembangan tersebut tengah berdampak pada dengan kota tujuan. segala aspek kehidupan manusia. Globalisasi yang Permasalahannya adalah bagaimana terjadi sekarang ini mengakibatkan terjadinya menentukan rute yang tepat sehingga paket dapat perubahan-perubahan yang dampaknya sampai ke kota tujuan dalam waktu yang sesingkat mempengaruhi segala aspek kehidupan dan terjadi mungkin dengan menggunakan rute tersebut, paket secara berkelanjutan, termasuk di lingkungan yang sampai ke suatu kota atau kantor pos dapat perusahaan pengiriman barang standar nasional. diarahkan ke kantor pos berikutnya yang tepat Globalisasi yang terjadi dewasa ini mengakibatkan sehingga paket menuju kota atau kantor pos Data Maning dan Database System 3-13
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penerima dengan delai (delay) waktu yang Lhokseumawe dalam menentukan rute pengiriman minimum. Dengan kata lain, harus menentukan paket dari satu kota ke kota lainnya sehingga dapat lintasan terpendek dan mendekati yang akan dilalui menghemat waktu dalam proses pengiriman paket. oleh paket tersebut dari kantor pos pengirim ke Diharapkan dapat memberikan sumbangan bagi kantor pos penerima. pengembang ilmu di bidang komputer dan Dalam proses antaran paket dari satu kota ke informatika serta memanfaatkan kemajuan kota lain tentunya perlu ada pertimbangan efisiensi teknologi untuk kemajuan masyarakat, waktu dan biaya oleh Perusahaan sehingga pembelajaran bagi mahasiswa teknik informatika diperlukan ketepatan dalam menentukan rute khususnya dan sebagai implementasi ilmu terpendek antar suatu kota. Hasil penentuan rute pengetahuan dari penelitian tersebut. terpendek bisa didapatkan dengan menggunakan metode pendekatan algoritma Travelling 1.5 Tujuan Penelitian Salesperson Problem (TSP), yaitu algoritma yang mencari panjang lintasan terpendek dan mendekati   Tujuan penelitian ini adalah merancang dan optimal dari titik asal ke titik tujuan dan kembali ke mengimplementasikan sebuah sistem penelusuran titik asal dalam sebuah graf berbobot tersambung paket yang dapat memberikan kemudahan bagi dengan biaya minimal. suatu permasalahan tracking dengan menggunakan Dari latar belakang masalah di atas, maka metode pendekatan algoritma TSP pada kantor Pos judul yang dapat diangkat dalam tesis ini yaitu Lhokseumawe. ”Sistem Tracking Antaran Paket Pada Unit Pelayanan PT.Pos Indonesia menggunakan metode 1.6 Batasan Masalah pendekatan Algoritma Graph - Travelling Berdasarkan latar belakang masalah tersebut, Salesperson Problem (TSP). agar hasil penelitian ini maksimal maka pembahasan masalah hanya dibatasi pada: 1.2 Rumusan Masalah 1. Pencarian rute terpendek antaran paket menggunakan algoritma Graph TSP. Adapun permasalahan dalam penelitian ini 2. Rute di dalam sistem ini mengacu pada titik dapat dirumuskan sebagai berikut : yang telah ditentukan oleh PT.Pos sebagai 1. Bagaimana memilih dan menentukan rute-rute sarana untuk memberikan laporan. terpendek yang mendekati optimal untuk 3. Data yang digunakan dalam sistem ini adalah antaran paket dari kota asal ke kota tujuan data sekunder (rute, data jarak, dan data kantor kemudian kembali ke kota asal. pos di Aceh) yang bersumber dari kantor pos 2. Bagaimana mengimplementasikan algoritma Lhokseumawe dan kantor perhubungan Aceh TSP dalam menentukan rute pada proses antaran Utara. paket. 3. Bagaimana membuat aplikasi untuk pencarian rute antaran paket di kantor pos Lhokseumawe. 2. Tinjauan Pustaka dan Landasan Teori 1.3 Keaslian Penelitian 2.1 Tinjauan Pustaka Penelitian sejenis yang pernah dilakukan oleh peneliti sebelumnya dilakukan dengan cara Penelitian sebelumnya dilakukan Mukti (2005) menggunakan algoritma djikstra dalam menentukan dengan judul membangun system informasi lokasi titik terdekat pengeboran batubara. Dengan geografis untuk pemetaan papan reklame di dasar tersebut di atas penulis akan mencoba Yogyakarta. Pada penelitian tersebut masih melakukan penelitian yang bersifat baru, sampai menggunakan software tambahan macromedia flash dengan saat ini sepanjang yang penulis ketahui, sebagai antar muka sehingga file yang dihasilkan belum ada dan belum pernah dilakukan penelitian dengan digitasi deprogram arcview harus diekspor tentang penggunaan sistem tracking antaran paket menjadi file berekstensi *.dxf sehingga melakukan pada unit pelayanan PT. Pos Indonesia dua kali pekerjaan selain itu digitasi onscreen pada menggunakan metode pendekatan Algoritma Graph program arcview jika di ekspor kedalam file dxf “Travelling Salesperson Problem (TSP)” menjadi kurang sempurna. Perangkat lunak arcview sebebarnya sudah di desain cukup lengkap bahkan arcview bisa membuat antar muka sendiri dengan 1.4 Manfaat Penelitian menggunakan fasilitas customize dan tidak perlu   Manfaat dari penelitian adalah diharapkan menggunakan perangkat yang lain. Disini penulis dapat menjadi salah satu acuan bagi kantor Pos 3-14 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  menggunakan software arcview dan Microsoft jumlah titik yang terdapat adalah empat buah dan access untuk menyimpan basis data. banyak kemungkinan lintasannya adalah tiga buah. Penelitian ini juga mengacu pada penelitian Yaitu : 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 Gambar 2.9 contoh tiga macam lintasan kasus informasi yang lebih detail sehingga informasi yang dihasilkan hanya berupa atribut dari theme yang Lintasan pertama = (a,b,c,d,a) atau (a,d,c,b,a) ada. Arcview memiliki fasilitas hotlink sehingga Mempunyai panjang = 10 + 12 + 8 + 15 = 45. dapat membantu menampilkan informasi yang lebih Lintasan Kedua = (a,c,d,b,a) atau (a,b,d,c,a) lengkap dan menarik. Dan penelitian ini penulis Mempunyai panjang = 12 + 5 + 9 + 15 = 41, telah menggunakan fasilitas hotlink sehingga dapat Lintasan Ketiga = (a,c,b,d,a) atau (a,d,b,c,a) ditampilkan informasi yang lebih luas dan lebih Mempunyi panjang = 10 + 5 + 9 + 8 = 32 detail. Karena fasilitas hotlink dapat menerima Dari hasil enumerasi ini didapat hasil minimum masukan yang berupa file text, image, dan file doc, yaitu 32. Tetapi jumlah enumerasi dari algoritma ini sehingga dapat ditampilkan informasi yang lebih adalah (n – 1)! yang tidak akan efisien jika jumlah n luas dan lebih menarik. bernilai sangat besar. 2.2 Landasan Teori 2) Branch and Bound 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 Gambar: Branch and Bound tahun 1800 oleh matematikawan Irlandia Sir William Rowan Hamilton dan matematikawan Sama dengan complete enumeration, pada Inggris Thomas Penyngton Kirkman, pusat algoritma Branch and Bounpun ternyata memiliki perhatian studi ini adalah menemukan secara pasti kompleksitas algoritma (n-1)!, dimana n adalah nilai minimum dari persoalan TSP dengan jumlah kota. Untuk kasus diatas hasil yang di capai konsekuensi dibutuhkan waktu yang cukup lama adalah 15 untuk menyelesaikannya. 2.2.3 Metode Aproksimasi 1) Complete Enumeration Greedy Heuristic 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 Gambar: Greedy Heuristic Data Maning dan Database System 3-15
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada algoritma ini, pemilihan lintasan akan Metodologi yang digunakan adalah analisis dimulai pada lintasan yang memiliki nilai paling dan desain terstruktur dengan tahap-tahap sebagai minimum, setiap mencapai suatu kota, algoritma ini berikut : akan memilih kota selanjutnya yang belum dikunjungi dan memiliki jarak yang paling 3.3.1 Penelitian Lapangan (Field Research) minimum. Algoritma ini disebut juga Nearest a. Dalam melakukan penelitian ini penulis Neighbour. melakukan Observasi, Yaitu metode Kompleksitas algoritma ini memang sangat pengumpulan data dengan menggunakan mengagumkan yaitu O(n), tetapi hasil yang kita pengamatan langsung dan pencatatan dengan dapat bisa sangat jauh dari hasil yang optimal, sistematik terhadap gejala atau fenomena yang semakin banyak kota semakin besar pula perbedaan terkait tanpa mengajukan pertanyaan. hasil yang dicapai. Misalnya untuk contoh kasus b. wawancara dengan Kepala bagian Pengolahan yang sama dengan algoritma Branch and Bound data dan Kepala bagian pusat informasi di sebelumnya yang menghasilkan nilai 15, maka kantor pos Lhokseumawe. Teknik analisis algoritma ini menghasilkan nilai 18 berbeda sebesar terhadap sistem yang ada atau sedang berjalan 20% dari hasil sebelumnya padahal jumlah kota c. Implementasi, Yaitu metode dengan cara hanya 5 buah. mengimplementasikan hasil perancangan yang   telah dibuat menjadi suatu tampilan yang 3. Metodologi Penelitian menarik sehingga memudahkan dalam pembelajaran tentang objek penelitian. 3.1 Lokasi Penelitian d. Metode Uji Coba, Yaitu suatu metode dimana perancangan yang telah diimplementasikan Lokasi penelitian adalah PT.Pos Indonesia kedalam program dapat diuji cobakan (Persero), kantor cabang Lhokseumawe, Dinas kebenarannya kepada orang lain yang ingin Perhubungan Aceh Utara, Bapedda Aceh Utara dan mempelajarinya. Bapedda Lhokseumawe. 3.3.2 Penelitian Kepustakaan (Library Research) 3.2 Alat dan Bahan Penelitian Metode ini merupakan metode pengumpulan 3.2.1. Alat Penelitian data dengan cara mempelajari literature, paket modul dan panduan, buku-buku pedoman, buku- 1) Perangkat Keras buku perpustakaan dan segala kepustakaan lainnya Perangkat keras yang digunakan dalam yang dianggap perlu dan mendukung. penelitian ini yaitu : Spesifikasi perangkat keras (hardware) yang digunakan pada penelitian ini 3.4 Langkah-langkah Penelitian yaitu berupa Laptop dengan spesifikasi tinggi Intel Core2Duo, Memory 2GB, dan nVidia Graphic Langkah-langkah dalam melakukan penelitian 512MB, Serta alat cetak printer Canon MP450 ini adalah sebagai berikut untuk memudahkan peneliti dalam melakukan a. Tahap Perancangan Sistem penelitian b. Perancangan graf dan algoritma TSP yaitu untuk 2) Perangkat Lunak, PHP dan MySQL - Menentukan graf yang akan dipakai.   - Menggambarkan graf sesuai dengan Peta 3.2.2. Bahan Penelitian jalan seluruh Aceh. Bahan penelitian yang dibutuhkan adalah - Menentukan titik-titik didalam graf. sebagai berikut : - Memasukkan bobot nilai dalam graf. a. Data kantor pos di Nanggroe Aceh Darussalam - Menentukan rute-rute yang bisa dilewati b. Data Paket di kantor pos untuk antaran paket dari titik awal ke titik- c. Data rute yang dilalui pada saat antaran paket titik selanjutnya. d. Data lokasi kantor pos - Menentukan rute terpendek atau nilai e. Data jarak antar kota dan kabupaten di minimumnya dengan menggunakan Nanggroe Aceh Darussalam algoritma TSP. f. Peta jalan Nanggroe Aceh Darussalam. c. Tahap Pembuatan Sistem g. Data berita seputar perusahaan Langkah-langkah yang digunakan untuk h. Data profile Perusahaan membuat sistem adalah sebagai berikut : i. Data Tarif - Menentukan bahasa pemograman yang akan dipakai. 3.3 Metode Pengumpulan Data - Membuat tabel-tabel database. 3-16 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  - Merancang menu interface sistem. Table: Perhitungan Rute optimal dari simpul awal a - Mengimplementasikan sistem kedalam = A (Lsm) kesemua simpul lainnya. bahasa pemograman. (Untuk Nilai D) 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: 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:   4.2 Rute Terpendek Menggunakan Algoritma TSP Table Perhitungan Rute optimal dari simpul awal a = A (Lsm) kesemua simpul lainnya.   (Untuk Nilai S):   4.3 Implementasi Sistem 4.3.1 Lokasi Sistem Tracking     Data Maning dan Database System 3-17
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar: Hasil dari pencarian rute terpendek ditambahkan modul-modul lain yang menggunakan algoritma TSP mendukung sistem ini 2. Dalam menentukan rute optimal algoritma TSP Gambar di atas menunjukkan pencarian rute tidak selamanya dapat memberikan rute yang terpendek dari node asal A ke node tujuan N. Proses nilainya minimal, karena prinsip yang pencarian rute terpendek dari node asal A ke node digunakan oleh algoritma TSP disini adalah akhir N menggunakan algoritma TSP melalui semua cara dicoba untuk mencari rute yang proses penentuan titik ke titik yang terdekat optimal, untuk bisa mendapatkan pencarian rute berdasarkan bobot jarak. Algoritma TSP akan optimal secara baik kedepannya dalam mencari semua lintasan yang mungkin dilewati pencarian rute terpendek bisa menggunakan menuju titik akhir untuk kemudian ditentukan algoritma yang lebih luas ruang lingkup lintasan terpendeknya. Dan lintasan terpendek dari kerjanya. node asal A ke node akhir N dapat melewati A – F – K– L – M - N dengan total jarak 371 Km. Daftar Pustaka Betha, Sidik, Ir, 2002, Pemrograman Web dengan 5. Penutup PHP, Penerbit Informatika, Bandung 5.1 Kesimpulan Handoyo, Hendri Purwo, dkk, Pemecahan Masalah Jalur Terpendek dengan Travelling Setelah membuat aplikasi sistem tracking SalesPerson Problem, Jurusan Teknik antaran paket dengan menggunakan Algoritma TSP Informatika Sekolah tinggi Teknologi Telkom, pada PT. Pos Indonesia Persero Lhokseumawe, Bandung. maka dapat diambil kesimpulan sebagai berikut: Hardi, Richki, 2007. Sistem Ekspedisi Paket 1. Sistem ini dapat menemukan urutan kunjungan Sentral Pengolahan Pos Yogyakarta PT. Pos lokasi (satu lokasi hanya dikunjungi satu kali) Indonesia (Persero) Berbasis WEB. Skripsi yang total "nilai"-nya paling optimal (bisa S1 Universitas Ahmad Dahlan, Yogyakarta. minimal atau maksimal bergantung tujuannya). Hardi, Richki, 2009. Tugas Analisa Algoritma "Nilai,' di sini bisa berupa jarak, biaya, Graph. kenyamanan, dan sebagainya. tujuannya adalah Kadir, Abdul, 2008. Dasar Pemograman Web menemukan urutan lokasi pengantaran paket Dinamis Menggunakan PHP. Penerbit Andi, yang total jaraknya paling minimal. Yogyakarta. 2. Aplikasi sistem Tracking paket ini dapat Munir, Rinaldi, 2005. Buku Teks Ilmu Komputer digunakan untuk meningkatkan pencarian paket Matematika Diskrit Edisi Ketiga. Penerbit dan penentuan rute dalam pengiriman paket Informatika, Bandung. serta mempersingkat waktu pencarian rute Nugroho, Bunafit, 2004, Aplikasi Pemograman antaran paket secara efektif dan efisien serta Web Dinamis dengan PHP dan MySQL, menyediakan informasi yang cepat dan mudah. Penerbit Gava Media, Yogyakarta. 3. Sistem Tracking paket ini sangat efektif dalam Pradhana, Aditya Bayu, Studi Dan Implementasi memberikan hasil yang akurat dan terkini Persoalan Lintasan Terpendek Suatu Graf, tentang status dan kondisi paket. Program Studi Teknik Informatika, Institut 4. Sistem Tracking paket ini menyediakan Teknologi Bandung. keamanan data kepada setiap kantor cabang dan Rafiudin, Rahmat. 2004. Panduan Menjadi juga kantor pusat yang mempunyai hak akses, Seorang Webmaster. Penerbit yaitu dengan memberikan user ID dan password Andi,Yogyakarta. yang dapat di enkripsi. Setioko, Budy, Solusi Chinese Postman Problem yang Berprinsip Greedy. Jurusan Teknik 5.2 Saran Informatika, Sekolah Tinggi Teknologi Telkom, Bandung. Beberapa saran yang dapat diberikan untuk Sigit, Poncow, Analisis dan Perancangan Sistem, pengembangan sistem tracking ini adalah sebagai Khusus untuk kalangan sendiri. berikut: 3-18 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Ha milton.html http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Kirk man.html http://www.oup.co.uk/isbn/0-19-853916-9 Data Maning dan Database System 3-19
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-20 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 : hotden_ngl@yahoo.com ABSTRAK dengan demikian kesejahteraan hidup masyarakat petani akan semakin baik. Teknologi informasi dan komunikasi diyakini sebagai alat yang mampu membuat perubahan Kata Kunci : pertanian, penanaman, pemeliharaan, dalam kehidupan manusia yang dapat diaplikasikan teknologi komunikasi dan informasi. dalam berbagai bidang yang bertujuan untuk memberikan kemudahan dalam aktivitas kehidupan sehingga memberikan manfaat bagi masyarakat. 1. Pendahuluan. Kajian ini dilakukan untuk mengetahui manfaat dan Keberhasilan penerapan suatu sistem pengaruh Teknologi informasi dan komunikasi informasi yang didukung oleh perangkat teknologi dalam pengembangan pertanian baik dalam bidang informasi merupakan tujuan dari manajemen penanaman, pemeliharaan, prediksi panen hinga perusahaan sehingga tercipta cara kerja yang efektif proses pengolahan hasil panen, serta untuk dan efisien, namun demikian dalam prakteknya mengoptimalkan pemanfaatan faktor faktor tidak sedikit perusahaan yang mengalami kegagalan produksi pertanian dalam peningkatan produktifitas dalam membangun suatu sistem informasi yang komoditi pertanian. Kajian ini menggunakan terintegrasi dengan baik. Hal itu disebabkan oleh metode kepustakaan dalam melihat manfaat dan beberapa faktor yang harus dipertimbangkan untuk pengaruh Teknologi informasi dan komunikasi memberikan solusi terhadap permasalahan tersebut, dibidang pertanian. Berdasarkan hasil kajian sehingga diperlukan komitmen dan kerja keras yang diketahui; a) teknologi informasi dan komunikasi cerdas dari tim implementator system demi berperan penting dalam pengembangan pertanian terciptanya kesuksesan dalam penerapan suatu terutama dalam bidang penanaman, pemeliharaan sistem informasi secara terintegrasi. dan prediksi panen, b) jika diaplikasikan dalam Salah satu faktor penting yang harus internet akan bermanfaat untuk mengetahui diperhatikan adalah bagaimana melakukan penanaman sesuai dengan kondisi lahan hingga perubahan cara kerja dan pola pikir pengguna agar prediksi panen yang tepat, c) petani juga akan dapat mendukung pekerjaan dengan system mendapatkan informasi yang cepat dan akurat komputerisasi. Perlu diperhatikan bahwa dengan mengakses semua informasi yang berkaitan perubahan cara kerja dan pola pikir tersebut tidak dengan kegiatan pertanian melalui internet. bisa dilakukan secara instan tetapi memerlukan Melalui kajian ini disimpulkan; a) teknologi tahapan proses yang relatif lama, terlebih bagi informasi dan komunikasi membantu memperlancar pengguna yang telah terbiasa menggunakan cara arus informasi bagi petani, b) mencegah kerja tradisional. Beberapa faktor seperti keterlambatan terutama mengenai penanaman, kecerdasan dan kedewasaan mental pengguna pemupukan, penyemprotan, pemanenan, dalam menjalankan suatu system informasi baru pengeringan bahkan ramalan cuaca, dan harga yang belum dikenal merupakan kunci keberhasilan bahan pertanian, c) teknologi informasi dan dalam melakukan implementasi system informasi komunikasi bermanfaat bagi petani untuk yang terintegrasi. Disamping itu perubahan cara mengetahui kebutuhan akan faktor produksi kerja maupun pola pikir yang didukung oleh mingguan dengan akurat. Dengan demikian perangkat teknologi informasi sangatlah teknologi informasi dan komunikasi merupakan dipengaruhi oleh perubahan organisasi harapan yang dapat digunakan oleh petani (organization change). Indonesia sebagai alat pengembangan pertanian Perubahan organisasi ini identik dengan untuk meningkatkan produktivitas pertanian maka upaya perubahan budaya (culture) perusahaan. Perubahan budaya perusahaan ini sangat ditentukan Data Maning dan Database System 3-21
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  oleh peranan top manajemen perusahaan sebagai penanaman, peternakan, dan perikanan. Salah satu teladan (contoh) bagi karyawan / pengguna untuk contoh teknologi informasi komunikasi yaitu mendukung cara kerja dengan dukungan penuh internet yang menyajikan dunia tanpa batas. Lewat penggunaan teknologi informasi. Penelitian ini sarana inilah diharapkan dapat digunakan untuk bertujuan untuk membahas bagaimana pengaruh mencari segala informasi yang dibutuhkan dan teknologi informasi dan perubahan organisasi dapat pula digunakan oleh masyarakat desa untuk dalam mencapai kesuksesan membangun suatu meningkatkan kesejahteraan perekonomian melalui sistem informasi yang terintegrasi. korespondensi dengan orang lain di berbagai penjuru dunia yang menyangkut berbagai informasi. 2. Teknologi Informasi dan Komunikasi Secara umum bahwa masyarakat desa selalu mengalami kendala dalam dalam mendapatkan dalam Bidang Pertanian informasi yang baru dan tepat. Oleh karena itu Dalam era globalisasi bahwa penguasaan informasi dari internet akan berperan sebagai terhadap teknologi komunikasi dan informasi pembeneri informasi bagi petani menyangkut merupakan suatu keharusan karena diyakini berbagai hal yang berkaitan dengan kegiatan sebagai alat pengubah. Sejarah membuktikan pertaniannya, mulai dari pemeliharaan tanaman, evolusi teknologi selalu terjadi yang pada gilirannya pemberian pupuk, irigasi, ramalan cuaca dan harga bahwa temuan teknologi tersebut dapat pasaran. Dengan internet juga bermanfaat untuk diaplikasikan untuk memperoleh kemudahan dan memberikan informasi yang menyangkut manfaat dalam aktivitas kehidupan manusia. penanaman hingga persediaan di pasar. Teknologi informasi komunikasi merupakan faktor Maka dengan demikian arus informasi akan yang sangat penting dalam mendukung peningkatan lancar sehingga keterlambatan dan miskomunikasi kualitas baik sumber daya manusia, sumber daya mengenai penanaman, pemupukan, penyemprotan, alam hingga pada pelayanan pemerintah kepada pemanenan, pengeringan, dan penjualan hampir masyarakat. Teknologi informasi mempunyai tiga tidak akan terjadi lagi. Demikian juga dengan peranan pokok yaitu : koperasi akan dapat mengetahui kebutuhan a. Instrumen dalam mengoptimalkan proses mingguan para petani secara akurat serta koperasi pembangunan, yaitu dengan memberikan akan dapat meningkatkan perannya sebagai dukungan terhadap manajemen dan pelayanan pengumpul serta pemasar hasil produksi pertanian kepada masyarakat. langsung kepada konsumen akhir. Sehingga b. Produk dan jasa teknologi informasi dengan demikian bahwa teknologi informasi dan merupakan komoditas yang mampu komunikasi ini diharapkan dapat dipergunakan oleh memberikan peningkatan pendapatan baik bagi sebanyak mungkin petani Indonesia sehingga perorangan, dunia usaha dan bahkan negara produktivitas pertanian mereka meningkat. dalam bentuk devisa hasil ekspor jasa dan produk industri telematika lainnya. 3. Peran Teknologi Informasi dan c. Teknologi informasi bisa menjadi perekat Komunikasi dalam Pertanian persatuan dan kesatuan bangsa melalui pengembangan sistem informasi yang mampu Pertanian merupakan sebuah sektor yang menghubungkan semua institusi pada area yang memilki peranan cukup penting dalam kehidupan berbeda dan berjauhan diseluruh wilayah manusia, karena merupakan sektor yang mampu nusantara. penyediaan kebutuhan akan pangan masyarakat Kesadaran akan pentingnya teknologi dalam kehidupannnya sehari-hari. Disamping itu komunikasi dan informasi (information and bahwa sektor pertanianl merupakan sektor andalan communication technologi), bukan hanya monopoli disamping sektor-sektor lainnya karena mampu kalangan pengusaha besar saja tetapi juga memberikan kontribusi bagi devisa Negara serta bertumbuh di kalangan pengusaha kecil dan menjadi tumpuan kehidupan masyarakat di daerah masyarakat lainnya, seperti koperasi, kelompok pedesaan. Akan tetapi bahwa pengelolaan usaha tani, bahkan masyarakat biasa. Teknologi informasi tani rakyat di Indonesia umumnya masih bersifat dan komunikasi berperan penting dalam tradisional dan belum menerapkan menggunakan pengembangan bisnis, kelembagaan organisasi dan teknologi baru. juga mampu mendorong percepatan kegiatan Rendahnya penerapan teknologi di pada ekonomi dan taraf hidup masyarakat. Teknologi sektor pertanian tentu berdampak pada rendahnya juga memegang peranan penting dalam produktivitas usaha tani yang dihasilkan, sementara pengembangan pertanian. Teknologi dimafaatkan itu pertambahan penduduk semakin tidak terkendali dalam tiga cabang utama pertanian yaitu maka sudah tentu kebutuhan terhadap sektor 3-22 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  pertanian dan tuntutan terhadap pangan akan yang biasa dijalankan oleh petani dengan semakin meningkat. Dalam memasuki era pengetahuan dan teknologi yang selalu berkembang perdagangan bebas pada saat ini bahwa yang menjadi kebutuhan petani tersebut. Penyuluh pembangunan sektor pertanian menghadapi pertanian akan membimbing petani dengan berbagai tantangan terutama dalam hal; pemenuhan pengetahuan dan teknologi yang sedang kecukupan pangan, peningkatan kesejahteraan berkembang untuk diterapkan kepada petani dalam petani, serta penyediaan lapangan kerja melalui usaha taninya. pengembangan usaha dan sistem agribisnis yang berdaya saing tinggi. 3.1. Peran Teknologi Informasi Dalam Maka dalam rangka memenuhi tuntutan yang Penentuan Lahan semakin besar terhadap sektor pertanian khusunya kebutuhan akan pangan, maka diperlukan adanya Penginderaan jauh dengan menggunakan upaya pengembangan di berbagai sisi, termasuk pesawat atau sejenisnya merupakan suatu ilmu atau pengembangan teknologi, sistem manajemen usaha teknologi untuk memperoleh informasi mengenai tani dan sebagainya. Pengembangan teknologi fenomena alam melalui analisis suatu data yang dibidang pertanian tentu akan sangat berpengaruh diperoleh dari hasil rekaman daerah yang dikaji. dalam proses pengembangan pertanian. Dengan Perekaman atau pengumpulan data penginderaan demikian, untuk mengelola usaha taninya dengan jauh dilakukan dengan menggunakan alat baik, petani memerlukan berbagai sumber pengindera (sensor) yang dipasang pada pesawat informasi, antara lain : kebijakan pemerintah; hasil terbang atau satelit. Dan ternyata bahwa satelit penelitian dari berbagai disiplin ilmu; pengalaman penginderaan jauh telah mampu memberikan data petani lain; dan informasi terkini mengenai prospek atau informasi yang berkaitan dengan sumberdaya pasar yang berkaitan dengan sarana produksi dan alam dataran dan sumberdaya alam kelautan secara produk pertanian. Sistem pengetahuan dan teratur dan periodik (Darsiman , B. dan Ayi informasi pertanian tersebut dapat berperan dalam Sudrajat. 2011) membantu petani dengan melibatkannya secara Untuk sektor pertanian bahwa penginderaan langsung terhadap sejumlah besar kesempatan, jauh ini mampu memberikan informasi mengenai sehingga mampu memilih kesempatan yang sesuai kesuburan dan kelayakan lahan yang sesuai dengan dengan situasi dan kondisi faktual di lapangan. jenis komoditi pertanian tertentu, pengindraan Perkembangan jejaring pertukaran informasi di dengan menggunakan pesawat sudah dilengkapi antara pelaku yang terkait merupakan aspek penting dengan remote sensing, sehingga bisa mengenali untuk mewujudkan sistem pengetahuan dan jenis tanah hingga strukturnya, maka informasi ini informasi pertanian. Dengan dukungan teknologi akan memudahkan para petani dalam menentukan informasi dan komunikasi serta peran aktif berbagai komoditi pertanian yang akan dikelola (ditanam) institusi pemerintahan maupun nonpemerintahan mereka. (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 Gambar diatas merupakan proses pengindraan lebih produktif dan efisien. Oleh karena itu diperlukan tenaga penyuluh yang benar-benar dibidang pertanian untuk melihat proses kompeten untuk membantu memaparkan dan pertumbuhan tanaman. Dan hasilnya akan terekam dalam bentuk scan seperti dibawah ini : 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 Data Maning dan Database System 3-23
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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/ (Petani di Pedesaan sedang membajak sawah) relief, pertumbuhan tanaman/ vegetasi dan fenomena alam yang terekam dalam citra memberi Dengan perkembangan teknolgi yang semakin peluang untuk mengamati, mempelajari pengaruh pesat maka proses pengolahan lahan pertanian iklim, vegetasi, litologi dan topografi terhadap sudah menggunakan peralatan yang canggih seprti penyebaran sumberdaya lahan dan lahan pertanian traktor, sebagaimana pada gambar dibawah ini. (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 3.3. Peran Teknologi Informasi Dalam lahan pertanian (lahan sawah, lahan kering, lahan Pemeliharaan Tanaman rawa, lahan tidur, lahan kritis, estimasi produksi) terutama pada wilayah sentra produksi pangan. Teknologi informasi dan komunikasi akan Proses penginderaan ini sangat diperlukan mampu memberikan informasi kepada para petani karena penyebaran, kondisi serta perubahan lahan dalam hal pemeliharaan tanaman yang berkaitan tidak dapat diketahui secara pasti tanpa bantuan dengan pemberian pupuk hingga irigasi dan teknologi yang lebih maju, disamping karena laju peramalan cuaca. Sehingga dengan demikian bahwa pertumbuhan penduduk yang tinggi (1,6% per teknologi informasi dan komunikasi ini akan tahun) menyebabkan perubahan penggunaan lahan memberikan keuntungan bagi para petani karena dengan cepat, maka dengan demikian bahwa dengan pemeliharaan yang tepat melalui pemberian inventarisasi dan pemantauan penggunaan lahan pupuk dan pengaturan pengairan akan mampu perlu dilaksanakan dengan baik. Disamping itu memacu peningktan produksi. Pada gambar bahwa dalam usaha pemantapan ketahanan pangan dibawah ini menunjukkan sebuah system dan pengadaan stok pangan nasional, pada era pengelolaan irigasi tanaman berbasis komputer. globalisasi informasi dituntut ketepatan, kecepatan Pada areal tanam (batang tanaman) atau lokasi yang penyampaian data sumberdaya pertanian, dengan akan dipantau (field station) ditempatkan scanner demikian bahwa teknologi penginderaan jauh ini untuk mendeteksi kondisi yang terjadi (kering, juga memungkinkan untuk digunakan dalam deteksi lembab, basah, dll), kemudian data yang terekam penyebaran lahan pertanian, dan hasilnya lewat scanner akan masuk ke base station dan merupakan sumber informasi utama dalam selanjutnya data diproses maka secara otomatis pemutakhiran dan pembaharuan (updating) data proses selanjutnya akana berlangsung baik sumberdaya pertanian. penyiraman atau pemupukan sesuai dengan data yang masuk di base station (Darsiman, B. dan Ayi Sudrajat. 2011). 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.  3-24 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada gambar dibawah ini terlihat peran teknologi kegiatan manusia yang terlepas dari teknologi, dengan menggunakan traktor untuk melakukan artinya bahwa dengan menggunakan teknologi proses pemupukan dengan menempatkan GPS dan sebagai media informasi bagi petani, maka aktivitas sensor pada peralatan mesin traktor tersebut. penyuluhan pertanian akan menjadi lebih baik Pemanfaatan teknologi ini tentu akan memberikan (Darsiman , B. dan Ayi Sudrajat. 2011) dampak yang sangat positif bagi proses Peningkatan kualitas sumber daya petani dan pengembangan pertanian sebagai upaya untuk pelaku pertanian merupakan suatu keharusan meningkatkan produksi pertanian itu sendiri. 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, 3.4. Peran Teknologi Informasi Dalam computer dan digital interactive multimedia Pemantauan Pertumbuhan Tanaman untuk memfasilitasi diseminasi teknologi pertanian. Model ini dipandang sangat strategis Dengan perkembangan teknologi informasi karena mampu meningkatkan akses informasi yang semakin pesat bukan hanya bisa diterapkan bagi petani, petugas penyuluhan pertanian, pada proses pemeliharaan yang meliputi pemberian peneliti baik di lembaga penelitian maupun di pupuk dan pengaturan pengairan tetapi universitas serta para manajer penyuluhan. perkembangan tanaman juga sudah bisa dipantau b. Dalam penyuluhan pertanian saat ini juga dengan cermat melalui program computer. Maka menggunakan multiple information system bagi dengan demikian bahwa proses peningktan masyarakat pedesaan untuk mendukung usaha produksi tanaman pertanian juga akan semakin dan bisnis pertanian serta perbaikan ekonomi baik. Pada gambar dibawah ini menunjukkan rumah tangga masyarakat pedesaan. 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. 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 3.5. Peran Teknologi Informasi Dalam SMS ke hape petani. Penyuluhan Pertanian d. Aplikasi Hand Phone (melalui SMS). Dalam memperlancar proses penyuluhan kepada Teknologi informasi dan komunikasi petani, dapat menggunakan fasilitas yang berhubungan dengan pengolahan data sehingga terdapat pada hand phone (HP). Departemen menjadi informasi yang dapat dipergunakan sebagai Pertanian RI sedang merancang hal ini, dengan informasi untuk membantu jalannya penyuluhan menyediakan kontak nomor bebas pulsa. pertanian. Pada saat ini sudah tidak ada lagi Data Maning dan Database System 3-25
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kebutuhan akan faktor produksi mingguan dengan akurat. 4.2. Saran. Perkembangan teknologi informasi dan komunikasi merupakan harapan yang dapat Tidak perlu internet dan kontak nomor bebas digunakan oleh petani Indonesia sebagai alat pulsa … ! Ikuti petunjuk yang terdengar di pengembangan pertanian untuk meningkatkan Hand Phone(HP). Anjuran pemupukan dapat produktivitas pertanian maka dengan demikian segera diterima dalam bentuk SMS kesejahteraan hidup masyarakat petani akan Sepenuhnya otomatis dan tidak memerlukan semakin baik, maka melalui kajian ini disarankan operator telpon. bahwa pemerintah harus berperan dalam rangka e. Selanjutnya juga digunakan teknologi pengembangan teknologi di bidang pertanian serta information yang lainnya seperti Multiple memberikan kemudahan bagi petani untuk communication systemtelephone, wireless mengakses teknologi tersebut. information system, off-talk communication, FAX, CATV, personal computer Daftar Pustaka communication, video tex, satellite communication system, internet (EI-net), Darsiman B dan Ayi Sudrajat 2011. Tantangan television telephone system. Indonesia Dalam Mengadopsi Pertanian Dengan penggunaan teknologi dalam Presisi menuju Kedaulatan Pangan. Makalah penyuluhan pertanian diharapkan dapat Seminar Medan.2011. meningkatkan layanan penyuluhan pada aktivitas Direktorat Jenderal TPH, 1998. Departemen petani dalam enyediakan inovasi pertanian yang Pertanian Republik Indonesia. Jakarta. semakin advance sehingga membantu petugas Haryono, 2011. Pengembangan dan Implementasi penyuluhan pertanian di daerah maka disamping itu Sistem Cerdas pada Tanaman Padi Sawah sangat diperlukan adanya kerjasama dengan pihak- berbasis Precision Farming Mendukung pihak atau otoritas terkait. Surplus 10 juta ton Beras Tahun 2014. Disamping itu salah satu hal penting yang Makalah Seminar. Kementerian Pertanian RI. berkaitan dengan proses penyuluhan pertanian Jakarta. yang perlu mendapatkan fokus perhatian dari Pusat Penelitian Tanah dan Agroklimat, 2000. pemerintah pusat maupun daerah adalah Departemen Pertanian Republik Indonesia. menumbuhkan dan membangun kolaborasi antara Jakarta. 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 3-26 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 : hartono_ibbi@yahoo.com Abstrak Untuk meningkatkan kualitas seleksi mahasiswa maka untuk masa mendatang dapat Fuzzy Logic sering digunakan untuk dipertimbangkan suatu aplikasi yang dapat mengatasi suatu permasalahan di mana data yang memprediksi prestasi seorang calon mahasiswa. ada memiliki batasan nilai yang tidak jelas, Adapun parameter input yang dapat digunakan maksudnya di sini adalah bahwa mungkin nilai untuk memprediksi prestasi seorang calon yang ada dapat dimasukkan dalam lebih dari satu mahasiswa baru adalah berdasarkan nilai Ujian kategori himpunan dengan nilai keanggotaan yang Nasional (UN) yang meliputi tiga mata pelajaran berbeda dari masing – masing himpunan. Salah yaitu Matematika, Bahasa Inggris, dan Bahasa satu permasalahan yang ada adalah di dalam Indonesia. prediksi prestasi mahasiswa. Prediksi prestasi Mengingat luasnya permasalahan yang mahasiswa ini dirasakan penting untuk menentukan berkaitan dengan prediksi prestasi mahasiswa maka bagaimana prestasi seorang siswa berdasarkan peneliti merasa perlu untuk membatasi ruang parameter input tertentu. Parameter input yang lingkup permasalahan yang akan dibahas dalam digunakan di sini adalah berdasarkan nilai Ujian penelitian ini, yaitu antara lain : Nasional Mahasiswa yang memiliki 3 komponen 1. Input yang digunakan adalah nilai mata mata pelajaran yaitu Matematika, Bahasa pelajaran yang diikutkan di dalam Ujian Indonesia, dan Bahasa Inggris. Prediksi prestasi Nasional yang terdiri dari Mata Pelajaran mahasiswa ini dapat dijadikan sebagai salah satu Matematika, Bahasa Inggris, dan Bahasa tolok ukur bagi STMIK IBBI Medan di dalam Indonesia penerimaan mahasiswa baru disamping ujian 2. Output yang dihasilkan adalah berupa nilai seleksi tertulis yang dilakukan oleh STMIK IBBI prediksi IPK seorang calon mahasiswa Medan. 3. Cara akuisisi pengetahuan dilakukan dengan menganalisa data – data mahasiswa STMIK Keywords : Fuzzy Logic, Prediksi, Nilai IBBI dalam kurun waktu 2006 – 2009 yang Keanggotaan berjumlah 1200 orang mahasiswa. 4. Untuk pembentukan fuzzy rule base dilakukan 1. Pendahuluan dengan analisa terhadap basis data mahasiswa yang memiliki parameter nilai matematika, Pada saat ini seleksi penerimaan mahasiswa nilai Bahasa Indonesia, dan nilai Bahasa perlu semakin dilakukan dengan selektif mengingat Inggris beserta nilai IPK yang diperoleh setelah semakin meningkatnya calon mahasiswa baru yang menjalani perkuliahan. akan melanjutkan pendidikan ke perguruan tinggi. 5. Adapun kumpulan data yang ada hanya akan Namun, di sisi lain kapasitas daya tampung dijadikan rule base jika data itu memenuhi nilai perguruan tinggi tidak meningkat. minimum support sebesar 0.025. Seleksi dengan menggunakan ujian secara 6. Proses defuzzifikasi dilakukan dengan tertulis yang selama ini digunakan memang cukup menggunakan metode Centroid. baik untuk memperoleh gambaran mengenai mampu tidaknya seorang calon mahasiswa untuk mengikuti kegiatan perkuliahan. Namun, seleksi 2. Model, Analisa, Desain, dan secara tertulis ini terkadang tidak dapat memberikan Implementasi gambaran mengenai prestasi mahasiswa setelah Lofti Zadeh mengembangkan Fuzzy Logic mengikuti perkuliahan. pada tahun 1964. Dasar pemikirannya adalah tidak ada keadaan yang selalu “benar” dan “salah”. Data Maning dan Database System 3-27
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  (Lanny, 2007:123). Bila pada himpunan tegas / 2.1 Fuzzifikasi crisp nilai anggota – anggota himpunan dinyatakan secara tegas, namun pada himpunan fuzzy ini Fuzzifikasi adlaah suatu proses untuk memiliki nilai derajat keanggotaan tertentu. Dengan mengubah masukan tegas menjadi masukan fuzzy. fuzzy ini maka kita dapat menyatakan secara Pada proses ini memiliki 3 masukan data masing – fleksibel (secara linguistik) yaitu Sangat Baik, Baik, masing untuk nilai Matematika, nilai Bahasa Cukup, dan Kurang. Indonesia, dan nilai Bahasa Inggris. Secara umum, fuzzy logic adalah sebuah Masing – masing input telah ditentukan nilai metodologi “berhitung” dengan variabel kata – kata maksimum dan nilai minimumnya. Adapun fungsi (linguistic variable), sebagai pengganti berhitung keanggotaan untuk masing – masing himpunan dengan bilangan (Naba, 2009:1). fuzzy dapat dilihat pada gambar 2, 3, dan 4. 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 Gambar 2 Fungsi Keanggotaan Nilai Matematika 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 3 Fungsi Keanggotaan Nilai Bahasa Indonesia 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 Gambar 3 Fungsi Keanggotaan Nilai Bahasa Inggris keanggotaan adalah fungsi untuk menentukan arti numeris masukan sistem terhadap satu atau lebih Output yang dihasilkan adalah IPK Mahasiswa. himpunan fuzzy. Adapun fungsi keanggotaan dari IPK Mahasiswa Evaluasi aturan fuzzy adalah proses bisa dilihat pada Gambar 4. 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. 3-28 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  2.2 Inferensi 3.1 ≤ X ≤ 3.5 dikategorikan Memuaskan 3.6 ≤ X ≤ 4 dikategorikan Sangat Memuaskan Tahap penalaran berisi aturan – aturan fuzzy Berdasarkan kriteria yang telah dikemukakan yang telah ditentukan agar program dapat bekerja sebelumnya maka Tabel 1 dapat diubah menjadi secara maksimum. Proses penentuan IPK nilai linguistik seperti yang terlihat pada Tabel 2. mahasiswa dapat dilakukan dengan menggunakan parameter input yang terdiri dari nilai Matematika, Tabel 2. Hasil Pengubahan Nilai Mahasiswa Bahasa Indonesia, dan Bahasa Inggris. Untuk penentuan aturan ini bersumber dari Nama Nilai Nilai B. Nilai B. Nilai IPK Mhs Matematika Indonesia Inggris tabel data mahasiswa yang berisi nilai matematika, Sangat bahasa indonesia, dan bahasa inggris beserta nilai Tommy Sangat Baik Baik Sangat Baik Memuaskan IPK yang diperoleh. Di mana data yang memiliki Andy Baik Baik Cukup Memuaskan nilai Support ≥ 0.025 yang akan dijadikan rule. Sangat Sebagai contoh misalkan tabel nilai mahasiswa Michael Sangat Baik Baik Sangat Baik Memuaskan beserta IPK dapat dilihat pada tabel 1. David Baik Baik Cukup Memuaskan Sandy Baik Baik Cukup Memuaskan Tabel 1. Data Nilai Mahasiswa Sangat Eddy Sangat Baik Baik Sangat Baik Memuaskan Nama Nilai Nilai B. Nilai B. Nilai Mhs Matematika Indonesia Inggris IPK Susi Cukup Cukup Cukup Cukup Tommy 90 80 90 4 Cindy Cukup Baik Cukup Cukup Andy 76 85 70 3.3 Yuli Cukup Baik Cukup Memuaskan Michael 87 76 91 3.7 Sangat Sangat Sangat Yenni Baik David 80 77 72 3.4 Memuaskan Memuaskan Memuaskan Sandy 81 79 73 3.35 Eddy 88 77 92 3.9 Setelah diperoleh nilai linguistik maka langkah Susi 70 72 73 2.95 selanjutnya adalah mengelompokkan dan Cindy 72 77 75 3 menghitung jumlah kemunculan dari masing– Yuli 74 78 67 3.1 masing data. Seperti yang terlihat pada tabel 3. Yenni 91 81 88 3.76 Tabel 3. Jumlah Kemunculan Data untuk Tiap Item Berdasarkan data nilai yang ada supaya menjadi data linguistik maka perlu diubah dengan Nilai Nilai Nilai Nilai IPK Jumlah menggunakan kriteria penilaian yang digunakan Matematika B. Indonesia B. Inggris Sangat Baik Baik Sangat Baik Sangat 40 oleh STMIK IBBI Medan. Kriteria penilaian adalah Memuaskan sebagai berikut. Baik Baik Cukup Memuaskan 30 Untuk nilai Matematika, kriteria pengubahan Cukup Cukup Cukup Cukup 20 adalah sebagai berikut. Cukup Baik Cukup Cukup 8 <60 dikatakan Kurang Cukup Baik Cukup Memuaskan 2 60 ≤ X ≤ 75 dikategorikan Cukup Kemudian setelah itu hitung nilai support 76 ≤ X ≤ 85 dikategorikan Baik untuk masing – masing data. Dengan menggunakan 86 ≤ X ≤ 100 dikategorikan Sangat Baik persamaan 1. Untuk nilai Bahasa Indonesia, kriteria pengubahan adalah sebagai berikut. <60 dikatakan Kurang Nilai Support = JlhData ………………..(1) 60 ≤ X ≤ 75 dikategorikan Cukup TotalData 76 ≤ X ≤ 85 dikategorikan Baik 86 ≤ X ≤ 100 dikategorikan Sangat Baik Adapun nilai support untuk masing – masing item Untuk nilai Bahasa Inggris, kriteria data adalah sebagai berikut. pengubahan adalah sebagai berikut. 1. Untuk kombinasi Sangat Baik – Baik – Sangat <60 dikatakan Kurang Baik – Sangat Memuaskan, nilai support 60 ≤ X ≤ 75 dikategorikan Cukup adalah : 76 ≤ X ≤ 85 dikategorikan Baik 40 = 0.4 86 ≤ X ≤ 100 dikategorikan Sangat Baik 100 Sedangkan untuk IPK Mahasiswa, kriteria 2. Untuk kombinasi Baik – Baik – Cukup – pengubahan adalah sebagai berikut. Memuaskan, nilai support adalah : <2 dikatakan Kurang 30 = 0.3 2.1 ≤ X ≤ 3 dikategorikan Cukup 100 Data Maning dan Database System 3-29
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Untuk kombinasi Cukup – Cukup – Cukup – 1. Membangun sebuah Fuzzy Inference System Cukup, nilai support adalah : (FIS) baru dengan perintah : 20 = 0.2 a = newfis('snastikom.fis') 100 2. Mendefinisikan variabel – variabel input dan 4. Untuk kombinasi Cukup – Baik – Cukup – output FIS dengan menggunakan perintah : Cukup, nilai support adalah : a.input(1).name='Matematika' a.input(2).name='BIndonesia' 8 = 0.08 a.input(3).name='BInggris' 100 a.output(1).name='IPK' 5. Untuk kombinasi Cukup – Baik – Cukup – 3. Mendefinisikan rentang nilai dari tiap variabel Memuaskan, nilai support adalah : input dan output dengan menggunakan 2 = 0.02 perintah: a.input(1).range=[0 100] 100 a.input(2).range=[0 100] Pada bagian awal kita telah menentukan a.input(3).range=[0 100] bahwa nilai minimum support supaya suatu item a.output(1).range=[0 4] data dapat dijadikan rule adalah dengan nilai 4. Membentuk fungsi keanggotaan dari masing – minimum support sebesar 0.025. Sehingga masing variabel Input dan Output dengan diperoleh bahwa item data yang dapat dijadikan perintah. sebagai rule adalah : a.input(1).mf(1).name='kurang' a.input(1).mf(1).type='trapmf' 1. Sangat Baik – Baik – Sangat Baik – Sangat a.input(1).mf(1).params=[0 0 50 60] Memuaskan 2. Baik – Baik – Cukup – Memuaskan a.input(1).mf(2).name='Cukup' 3. Cukup – Cukup – Cukup – Cukup a.input(1).mf(2).type='trapmf' a.input(1).mf(2).params=[50 65 65 80] 4. Cukup – Baik – Cukup – Cukup Sehingga diperoleh bahwa rule yang terbentuk a.input(1).mf(3).name='baik' adalah sebagai berikut. a.input(1).mf(3).type='trapmf' a.input(1).mf(3).params=[70 80 80 90] 1. Jika Nilai Matematika adalah Sangat Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai a.input(1).mf(4).name='Sangatbaik' Bahasa Inggris adalah Sangat Baik maka IPK a.input(1).mf(4).type='trapmf' adalah sangat Memuaskan a.input(1).mf(4).params=[80 90 90 100] 2. Jika Nilai Matematika adalah Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa a.input(2).mf(1).name='kurang' a.input(2).mf(1).type='trapmf' Inggris adalah Cukup maka IPK adalah a.input(2).mf(1).params=[0 0 50 60] Memuaskan 3. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(2).name='Cukup' Bahasa Indonesia adalah Cukup dan Nilai a.input(2).mf(2).type='trapmf' a.input(2).mf(2).params=[50 65 65 80] Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(3).name='baik' 4. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(3).type='trapmf' a.input(2).mf(3).params=[70 80 80 90] Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(4).name='Sangatbaik' a.input(2).mf(4).type='trapmf' a.input(2).mf(4).params=[80 90 90 100] 2.3 Defuzzifikasi a.input(3).mf(1).name='kurang' Proses defuzzifikasi merupakan proses akhir a.input(3).mf(1).type='trapmf' dari perancangan sistem Fuzzy. Proses defuzzifikasi a.input(3).mf(1).params=[0 0 50 60] ini akan menghasilkan suatu bilangan tunggal. Proses defuzzifikasi dilakukan dengan a.input(3).mf(2).name='Cukup' a.input(3).mf(2).type='trapmf' menggunakan metode Centroid. a.input(3).mf(2).params=[50 65 65 80] 2.4 Perancangan a.input(3).mf(3).name='baik' a.input(3).mf(3).type='trapmf' Perancangan sistem berbasis Fuzzy ini a.input(3).mf(3).params=[70 80 80 90] dilakukan dengan menggunakan aplikasi Matlab a.input(3).mf(4).name='Sangatbaik' 7.0. Adapun langkah – langkah di dalam a.input(3).mf(4).type='trapmf' perancangan ini adalah sebagai berikut. a.input(3).mf(4).params=[80 90 90 100] a.output(1).mf(1).name='kurang' 3-30 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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; Gambar 5. Tampilan Program Pembentukan Fis a.rule(2).antecedent=[3 3 2]; a.rule(2).connection=1; a.rule(2).consequent=[3]; 2. Kemudian untuk penginputan data dapat a.rule(2).weight=1; dilakukan dengan menggunakan perintah minput a.rule(3).antecedent=[2 2 2]; Kemudian Tekan Tombol Enter. Maka akan a.rule(3).connection=1; a.rule(3).consequent=[2]; dijumpai tampilan seperti yang terlihat pada a.rule(3).weight=1; gambar 6. 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, Gambar 6. Tampilan Hasil Pemrosesan Fuzzy ketikkan perintah. mdata 3. Hasil dan Diskusi Kemudian Tekan Tombol Enter. Maka akan dijumpai tampilan seperti yang terlihat pada Berdasarkan hasil analisa yang dilakukan oleh gambar 5. 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 Data Maning dan Database System 3-31
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  cukup dapat diandalkan yang mencapai ± 80%. Daftar Pustaka Analisa dilakukan terhadap nilai Semester I dan II dari mahasiswa yang telah diuji coba sebelumnya [1] Desiani, A. & Arhami, M., 2006, ”Konsep dengan aplikasi Fuzzy Logic. Untuk meningkatkan Kecerdasan Buatan”, Penerbit Andi, akurasi maka diharapkan agar nilai support untuk Yogyakarta. masing – masing item data dapat semakin dikurangi [2] Kusumadewi, Sri, 2002, ”Analisa & Desain sehingga jumlah rule yang digunakan akan semakin Sistem Fuzzy”, Penerbit Graha Ilmu, banyak. Yogyakarta. [3] Naba, Agus., 2009, ”Belajar Cepat Fuzzy 4. Kesimpulan dan Saran Logic Menggunakan Matlab”, Penerbit Andi, Yogyakarta 4.1 Kesimpulan [4] Pandjaitan, Lanny W, 2007, ”Dasar-Dasar Komputasi Cerdas”, Penerbit Andi, Adapun kesimpulan dari hasil penelitian adalah Yogyakarta. sebagai berikut. [5] Siswanto, 2010, ”Kecerdasan Tiruan Edisi 2”, 1. Penerapan Fuzzy Logic untuk memprediksi Penerbit Graha Ilmu, Yogyakarta 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. 3-32 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi penentuan Parameter Motor Induksi dengan Inverter Tiga Phasa Herri Trisna Frianto 1, 2 Birowo3 Agus Priyono4 Agus Sofwan4 1 Polteknik Negeri Medan 2 Sekolah Tinggi Teknik Harapan 3 STMIK Triguna Dharma Medan 4 Institut Sains dan Teknologi Nasional Email : herri_trisna@yahoo.co.id 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 Gambar-1, Kinerja Pompa Air model d-q. Berdasarkan gambar-1, maka daya rata-rata yang dibutuhkan oleh pompa air adalah 24,16 kW. 1. Pendahuluan Selanjutnya dipilih motor yang ada dipasaran Daya yang diperlukan oleh pompa untuk dengan data yang tercantum dalam table-1. memompakan air bersih ditentukan oleh head dan debit air dari pompa. Setelah daya dan kinerja dari Tabel-1 Parameter Motor Induksi pompa diketahui, maka kebutuhan daya dari motor HP (Daya) 33 Rs (ohm) 0,0556 induksi yang dibutuhkan untuk menggerakkan pompa induksi tiga phasa ditentukan dari kinerja V *Tegangan) 220 Rr (ohm) 0,028 pompa tersebut. Selanjutnya besar motor beserta f (rekuensi) 50 Xls (ohm) 0,2158 data dan parameter dapat ditentukan berdasarkan Tmula (N.m) 456.6 Xlr (ohm) 0,471 ukuran yang ada d pasaran. Pole 2 Xm (ohm) 3,906 Namun motor induksi yang tersedia di pasaran Tnominal 35.56 J (kg.m2) 0.59 seringkali tidak menghasilkan kinerja yang dikehendaki. Karena itu perlu dikaji lagi parameter- parameter dari motor yang dikeluarkan oleh pabrik 3. Kinerja dari Motor Induksi pembuatannya. Sehingga diperoleh kondisi arus Kinerja motor induksi tiga phasa dapat yang optimum. Hal itu dapat dilakukan dengan diprediksi dari model yang dikembangkan untuk menggunakan genetic algorithm. maksud itu. Dalam makalah ini digunakan model d- q. Dari parameter model tersebut selanjutnya 2. Pemilihan Motor Induksi Untuk kinerja dari motor yang dinyatakan oleh kurva Pompa Air karakteristik arus terhadap waktu yang dapat ditentukan. Kinerja dari pompa air di dermaga Ketapang Untuk membuat kinerja dari motor induksi diperlihatkan pada gambar-1 menjadi optimum, maka parameter dari motor induksi perlu dikaji lagi dengan menggunakan Genetic Algorithm. Makalah ini membahas hal tersebut. Data Maning dan Database System 3-33
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  4. Model Motor Induksi Tiga Phasa Tegangan keluaran inverter dapat didekati dengan deret Fourier . Persamaan tegangan untuk motor induksi Va-b = Vb-c = Va-c = [ 2 3/ π *Vi] (17) dalam model d-q adalah : Misalnya tegangan Vl-l dapat dinyatakan sebagai : Vds = rs.ids + dλds /dt – ω. qs (1) {sin(wt+phi/6) + 1/5*sin(5wt – phi/6)+ Vqs = rs.ids + dλqs /dt – ω. ds (2) 1/7*sin(7wt+phi/6)+1/11*sin(11wt – phi/6+…} V’qr = r’r.iqr + dλqr /dt –(ωe-ωr)λ’dr (3) Jika dianggap tidak ada daya yang hilang, maka V’dr = r’r.iqr + dλdr /dt –(ωe-ωr)λ’qr (4) daya dari inverter adalah : Ψqs = Lqs.iqs + Lm(iqs + I’qr ) (5) Vi*Ii = [3/2*(Veqs *Ieqs)+ (Veds *Ieds)] (18) Ψds = Lds.ids + Lm(ids + I’dr ) (6) Arus Inverter menjadi : Ψ’qr = L’qr.i’qr + Lm(iqs + I’qr ) (7) Ii = [ 3/π*((geqs *Ieqs)+ (geds *Ieds)] (19) Ψ’dr = L’dr.i’dr + Lm(ids + I’dr ) (8) Dimana : Persamaan 1 sampai dengan 8 dapat geqs =1+[2/35*cos(6ωt) – 2/143*cos(12ωt)+… dinyatakan dalam bentuk matriks sebagai berikut : geds =[12/35*cos(6ωt)–2/143*cos(12ωt)+.. (20) 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-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 Gambar-2, Rangkaian Ekivalen Motor Induksi didasarkan pada suatu criteria kinerja untuk menentukan error. Parameter rangkaian ekivalen 5. Formulatif Kemudi Motor induksi gambar-1 dipakai sebagai pedoman dalam Karakteristik inverter square wave dapat menentukan optimasi torsi motor induksi. bekerja secara nominal ditunjukkan melalui kurva Persamaan torsi untuk locked rotor, breakdown dan tegangan terhadap waktu dan arus terhadap waktu, full-load membentuk multi objective optimization seperti pada gambar-3. Tegangan dan arus yang problem, dimana tiap persamaan adalah fungsi dari diperoleh sebagai berikut : tiga atau lebih dari parameter mesin. Tiga Tegangan Fundamental : persamaan torsi dapat dituliskan sebagai berikut : Vµ (rms) = 6 / π *Vd (15) F1(R1,R2,Xl)= Te – Tfl (21) Arus Fundamental : F2(R1,R2,Xl)= Te – Tlr (22) I fundamental =[ P(VA) 3Φ / 3*VL-L] (16) F3(R1,Xl) = Te – Tbd (23) 3-34 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Dimana Te adalah persamaan (14). didapat dari rangkaian ekivalen motor induksi Selanjutnya parameter rangkaian ekivalen model d-q motor dikodekan dengan bilangan decimal dan nilai fitness (kemampuan) maksimum didapatkan untuk b. Hasil Perhitungan menentukan torsi tersebut. Maka setiap parameter Hasil dari nilai fitness yang dinyatakan oleh rangkaian ekuivalen motor induksi dapat dilakukan kurva fitness terhadap jumlah generasi yang terlihat dengan genetic algorithm. Dalam hal ini error pada gambar-5 yang menghasilkan parameter function diperoleh sebagai formula dari kuadrat dengan harga torsi optimum yang terlihat pada torsi error function, sedangkan fitness function table-2. adalah inverse dari error. Sasaran dari genetic algorithm membuat nilai error minimum atau Tabel-2, Parameter Motor Induksi Dengan Metode membuat fitness maksimum. Error function dapat Genetic Algorithm dituliskan sebagai : E = F1(.)2 + F2(.)2 + F3(.)2 (24) HP (Daya) 33 Rs (ohm) 0,030 sedangkan fitness dinyatakan oleh : V *Tegangan) 220 Rr (ohm) 0,016 Fitness = 1/ E (25) f (rekuensi) 50 Xls (ohm) 0,12 Secara umum proses genetic algorithm yang Tmula (N.m) 527,89 Xlr (ohm) 0,26 dilukiskan gambar-4 terdiri dari : Pole 2 Xm (ohm) 2,164 Tnominal 42,3 J (kg.m2) 0.59 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. Gambar-5, Nilai fitness terhadap Populasi i,j : urutan nomor spesies (1,2,3..) ii. Perkalian silang Dan dengan cara yang sama karakteristik arus Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 terhadap waktu dari data pada table-3 dapat Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2 ditentukan hasilnya pada gambar-6. 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 Gambar-6, Karakteristik Torsi terhadap Kecepatan Motor Induksi hasil Genetic Algorithm Data Maning dan Database System 3-35
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  7. Kesimpulan Dengan Genetic Algorithm nilai arus Daftar Pustaka maksimum, arus awal dan arus nominal dapat 1. T.A Lipo and A.Consoli,” Modelling and dinaikkan secara optimum seperti terlihat pada Simulation Of Induction Motors wth saturable table-3 leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Tabel-3 Hasil Simulasi Motor Induksi Jan/Feb.1984 Torsi Motor Induksi Motor Induksi 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter dengan Data dengan Data Estimation throught an output error technique”, Standart Hasil Optimasi IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM (AMP) (AMP) 019-9EC Arus Max 3700 7341 3. E.Muljadi,” Water Pumping with a Peak-Power Atus Min 55,315 60,318 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. 3-36 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi Pengaturan Kecepatan Perjalanan Kereta API Birowo 1, Herri Trisna Frianto2, 3 Agus Priyono4 Agus Sofwan4 1 STMIK Triguna Dharma Medan 2 Polteknik Negeri Medan 3 Sekolah Tinggi Teknik Harapan Medan 4 Institut Sains dan Teknologi Nasional Email : birowonanang@yahoo.co.id, herri_trisna@yahoo.co.id Abstrak ∑m = (mf+mfvk+mfvm+mfh+mfi+mfh+mfaj) dimana : Kereta Api merupakan suatu alat transportasi F : Beban gaya kereta api yang menghubungkan suatu daerah ke daerah lain Fvk : Kerugian oleh mesin dengan ketepatan waktu yang dikehendaki. Dalam Fvm: Kerugian oleh manusia ketepatan waktu perjalanan dan lalu lintas FH : Kerugian Lalu lintas Kereta Api perhubungan yang padat adalah merupakan Fj : Kerugian Jalur Kereta Api kendala dalam membuat jadwal pemberangkatan Fh : Kerugian Bahaya Banjir selama perjalanan kereta api tersebut. Bila Faj : Kerugian Simpangan diinginkan untuk mendapatkan jadwal perjalanan kereta api yang optimum, maka waktu tempuh Persamaan (1) dengan persamaan (2) kereta api perlu dikaji lagi dengan menggunakan menghasilkan: genetic algorithm. Xt = Vo*t + [1/2*(∑F / ∑m )*t) (5) Kata Kunci : Genetic Algorithm Vo = [Xt - [1/2*(∑F / ∑m )*t)] / t (6) Data waktu tempuh yang dicapai oleh kereta 1. Pendahuluan api sekarang ini untuk Jurusan Surabaya-Jakarta untuk kereta api Argo Anggrek dapat ditunjukkan Dalam menjaga kebutuhan pelayanan yang pada gb-1. baik, kinerja kereta api dalam menempuh pemberangkatan dan perjalanan membutuhkan Tabel-1, Perbedaan kecepatan perjalanan kereta api waktu yang tepat. Supaya waktu yang ditempuh Awal- SBY- SBY- SBY- oleh kereta api tersebut optimal juga. Namun Kota SBY SMG CRB JKT Ket seringkali dengan mengatur waktu tersebut terjadi Jarak (km) 0 475 625 850 Plant keterlambatan dalam kedatangan maupun Waktu keberangkatan. (jam) 0 5 9 12 Normal Untuk menbuat kinerja kereta api yang optimum dalam menempuh waktu perjalanan, maka Gb-1. Waktu thp Jarak tempuh Sby – Jkt percepatan dari kereta api perlu dikaji lagi dengan menggunakan genetic algorithm. Dalam makalah 3. Optimasi waktu tempuh dengan ini membahas hal tersebut. menggunakan Genetic Algorithm 2. Model Persamaan a. Genetic Algorithm Persamaan jarak perjalanan kereta api yang Genetic Algorithm adalah salah satu metode ditempuh dalam waktu tertentu dan percepatan yang yang dapat digunakan untuk mengoptimalkan berubah ubah dalam metode kinematika adalah : percepatan kereta api sehingga diperoleh waktu yang optimum. Genetic Algorithm menggunakan Xt = Vo*t + [1/2*a*t) objective function yang didasarkan pada suatu (1) criteria kinerja untuk menentukan error. a = ∑F / ∑m (2) Selanjutnya percepatan kereta api dikodekan ∑F = F–(Fvk+Fvm+FH+Fi+Fh+Faj) (3) dengan bilangan decimal dan nilai fitness Data Maning dan Database System 3-37
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  (kemampuan) maksimum didapatkan untuk jarak dan gaya dari hokum Newton. Kemudian menentukan waktu tersebut. Maka setiap gaya yang percepatan kereta api diacak untuk mendapatkan diperoleh menimbulkan percepatan kereta api yang nilai optimum dengan metode Genetic Algorithm, dapat dilakukan dengan Genetic Algorithm. Dalam sehingga didapatkan nilai fitness (kemampuan) hal ini error function diperoleh sebagai formula dari yang maksimum. persamaan kuadrat waktu error function, sedangkan fitness function adalah inverse dari error. Sasaran b. Analisa dari Genetic Algorithm adalah membuat nilai error Dari persamaan (1) s/d (8), maka minimum atau membuat fitness maksimum. Fitness menghasilkan perbedaan kecepatan kereta api function dapat dituliskan sebagai : selama perjalanan dari SBY ke Jakarta seperti yang Fitness = [ 1 – (t0 – t1)] (7) ditunjukkan pada table-2. Sedangkan error dinyatakan oleh : Error = 1 / fitness (8) Tabel-2, Perbedaan kecepatan perjalanan kereta api Secara umum proses Genetic Algorithm yang Awal- SBY- SBY- SBY- dilukiskan dalam gambar-2 terdiri dari : Kota Ket. SBY SMG CRB JKT Kecepatan 0 95 69.44 70.83 Normal (km/jam) Kecepatan 0 105.55 73.52 77.27 optimum (km/jam) 4. Hasil Perhitungan Percobaan yang dilakukan adalah menggunakan parameter-parameter jarak, waktu sebagai berikut : - Jumlah elemen array : 14 Gb-2, Genetic Algorithm - Nilai waktu level maksimum: 0.05 i. Pembangkitan Spesies - Jumlah individu dalam populasi : 20 - Jumlah Gen satu kromosom : 14 Pembangkitan Spesies dilakukan dengan - Jumlah Generasi : 200 memperhatikan persamaan berikut : Hasil yang didapat dari nilai fitness C^k=[X1^k,Y1^k,X2^k,Y2^k,.,Xm^k,Ym^k] dinyatakan dalam bentuk kurva fitness terhadap Dimana: (xi^k, yi^k) : lokasi dari pembangkitan jumlah generasi yang terlihat pada gambar-3. Dari kromosom. gambar tersebut menghasilkan waktu dan jarak i,j : urutan nomor spesies (1,2,3..) serta percepatan kereta api dengan harga waktu optimum. Kecepatan dan waktu optimum yang ii. Perkalian silang didapat terlihat pada gambar-4 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 Gb.3 Karakteristik Nilai Fitness terhadap Jumlah digunakan untuk mencari nilai error terkecil atau Generasi nilai fitness terbesar. Nilai error yang diperoleh digunakan untuk menentukan percepatan kereta api. Percepatan kereta api tersebut didapat dari rumus 3-38 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel-3, Perbedaan kecepatan perjalanan kereta api Daftar Pustaka Awal- SBY- SBY- SBY- Kota SBY SMG CRB JKT Ket 1. T.A Lipo and A.Consoli,” Modelling and Jarak Simulation Of Induction Motors wth saturable 0 475 625 850 Plant (km) leackage reactances,”IEEE, Trans, Ind.Applicat. Waktu 0 4.5 8.5 11 Optimum Vol. I.A-20 pp. 180-198, Jan/Feb.1984 (jam) 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter Estimation throught an output error technique”, Perbedaan Kecepatan Kereta Api IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM 120 019-9EC 100 3. E.Muljadi,” Schedule of Water Pumping Project with a Peak-Power Tracker using a Simple Six- Kecepatan 80 60 Step Square Wave Inverter,” IEEE Transaction 40 20 On Industry Application, Vol.33 No.3 0 May/Juny 1997. 1 2 3 4 4. Ray Nolan and Towhidul Haque,” Application Jarak Of Genetic Algorithm to Motor Parameter Normal Optimum Detertermination For Transient Torque Calculation “, IEEE Transaction On Industry Gb.4, Karakteristik kecepatan terhadap waktu yang Applicate,” September/October 1997. optimum. 5. Warring R.H, “ Schedule of Pump Selection to System And Application, second Edition, Trade 5. Kesimpulan and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984. a. Dari gambar-4 didapat nilai waktu tempuh 6. Lawrence Davis,” Handbook Of Genetic sebesar 11 jam dengan menggunakan metode Algorithm”, Van Nostrand Reinhold, New Genetic Algorithm. Ini menunjukkan bahwa York, 1991 waktu tempuh kereta api lebih singkat sekitar 1 7. Goldberg,” Genetic Algorithm In Machine,” jam dari waktu tempuh yang sebenarnya sebesar New York 1996. 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. Data Maning dan Database System 3-39
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-40 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 dessy.revita.nasution@gmail.com, dyh@stttelkom.ac.id, seno_ap@yahoo.com Abstrak produksi masih bisa diatur dan dihitung penjadwalan bedasarkan aturan prioritasnya. PT. Inti Pindad Mitra Sejati pada bagian Bedasarkan wawancara, prioritas pekerjaan hanya produksi plastic bersifat make to order. dilakukan ketika ada job yang masuk dengan Perusahaan ini belum memiliki pegendalian bersamaan. Prioritas ini didasarkan pada Due date, produksi, penjadwalan produksi proses produksi tingkat kepentingan konsumen, keuntungan dan yang standar dan terdokumentasi. Akibatanya, kecepatan waktu proses (Budi, 2011). Namun hanya 19% pesanan yang tepat produksi. Belum faktor-faktor tersebut hanya merupakan bahan adanya pendokumentasian informasi penjadwalan pertimbangan, belum ada perhitungan heuristik mengakibatkan perusahaan sulit melalukan terhadap prioritas tersebut. evaluasi proses produksi untuk mencapai hasil yang Hanya 19% pesanan yang dipenuhi secara lebih baik. Tujuan dari penelitian ialah untuk tepat waktu. Sisa persentasenya menunjukkan merancang sistem yang dapat mengendalikan, bahwa pesanan tidak selesai tepat waktu. Hal ini merencanakan (penjadwalan), dan disebabkan karena perkiraan due date yang mendokumentasikan proses produksi. dilakukan oleh manajer tidak tepat. Metode yang digunakan di pilih untuk Oleh karena itu dibutuhkan suatu sistem yang merencanakan produksi bedasarkan kebutuhan dan dapat membantu PT. IPMS dalam penjadwalan, tujuan perusahaan dalam menjalankan perencanaan pengendalian produksi, dan produksinya. SPT ialah metode untuk meminimasi pendokumentasian proses produksi untuk flowtime. WSPT ialah metode yang digunakan jika meningkatkan efisiensi PT. IPMS dalam sebuah pesanan mempunyai prioritas dan nilai merencanakan mengendalikan produksinya. lebih dibanding pesanan lain. Slack dan algoritma Hodgson ialah metode yang digunakan untuk 2. Metodologi Penelitian 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. Gambar 1 Model Konseptual 1. Pendahuluan Penelitian ini membutuhkan input berupa data PT. Inti Pindad Mitra Sejati pada bagian demand, data matres sesuai, status mesin, dan produksi plastic bersifat make to order. Perusahaan waktu proses. Semua data ini diolah untuk ini belum memiliki pegendalian produksi, menentukan simulasi jadwal. Penjadwalan ini penjadwalan produksi proses produksi yang standar didalamnya mencakup proses alokasi job ke mesin, dan terdokumentasi. Setiap ada pekerjaan yang mengurutkan job bedasarkan metode SPT, WSPT, masuk, IPMS tidak memperhatikan pekerjaan – Slack dan Algoritma Hodgson, serta menghitug pekerjaan lain yang ada di lantai produksi, padahal performansi dari setiap metode yang digunakan job yang masuk dengan job yang ada dilantai yang berupa flow time dan Lateness. Didasarkan oleh kebutuhan perusahaan, maka proses Data Maning dan Database System 3-41
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penjadwalan ini dilakukan dalam sebuah aplikasi 3. Dapat menghasilkan suatu penjadwalan produksi. produksi yang outputnya berupa tanggal mulai dan selesainya suatu pesanan. 3. Perancangan Sistem 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 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   Gambar 4 Aliran Proses Penjadwalan Usulan 3-42 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3.2. Algoritma penjadwalan 1 = kurang menguntungkan 1 = kurang penting Beberapa algoritma penjadwalan yang 2 = menguntungkan 2 = penting dirumuskan meliputi: 3 = sangat menguntungkan 3 = sangat 1. Algoritma memunculkan mesin tersedia  penting - Masukkan berat produk - Terlihat gantt chart ke empat metode beserta - Identifikasi mesin mana yang dapat perfomansinya. Pilih gantt chart yang sesuai. dimasuki oleh produk tersebut, dengan - Jika masih ada mesin yang belum di ketentuan: jadwalkan, maka kembali ke tahap 3. Ketentuan mesin bedasarkan berat Nama Mesin Kapasitas Berat (dalam gr) Pada tahap 5, akan membutuhkan algoritma dari keempat metode yang dipakai. Berikut ialah Moulding Nissei 250 <= 500 algoritma dari keempat metode tersebut: Moulding Engle 175 <= 200 Moulding Engle 150 <= 200 a. Shortest Processing Time Moulding Arburg 80 <= 100 Tahap 1 : Hitung waktu proses setiap job Moulding Arburg 70 <= 50 bedasarkan kapasitas produksi seperti yang telah di jelaskan sebelumnya. - Bedasarkan kode produk, teridentifikasi Tahap 2 : Urutkan job dari yang memiliki waktu persediaan matres yang ada di lantai proses terkecil sampai terbesar. produksi yang dapat digunakan. - Cari ’irisan’ mesin sesuai antara matres dan b. Weighted Shortest Processing Time produknya. - Buang mesin yang tidak mempunyai irisan. Tahap 1 Beri bobot pada setiap pekerjaan yang - Tampil mesin – mesin hasil dari irisan pending bedasarkan tingkat keuntungan antara sesuai terhadap matres dan sesuai dan tingkat kepentingan konsumen. terhadap produk. Tahap 2 Hitung waktu proses setiap job bedasarkan - Maksimal Jumlah mesin yang dipilih = kapasitas produksi seperti yang telah di Jumlah matres; dimana 1 jenis matres tidak jelaskan sebelumnya (ti). Tahap 3 Jumlahkan nilai bobot yang telah diisi (wi). boleh dipilih pada 2 mesin atau lebih. 2. Algoritma Penjadwalan Dengan Beberapa Tahap 4 Hitung nilai setiap job ini dengan . Tahap 5 Urutkan nilai job yang paling kecil sampai Aturan Prioritas yang paling besar. Berikut ialah alur dari job masuk sampai keluar c. Slack dari tahap penjadwalan sebelum masuk ke metode penjadwalan: Tahap 1 Ubah satuan due date ke dalam jam per job. - Masukkan kapasitas produksi mesin pada Tahap 2 Hitung completion time per job. mesin – mesin yang dipilih. Tahap 3 Kurangi due date dengan completion time. - Masukkan total produksi per mesin. Tahap 4 Urutkan nilai job yang paling kecil sampai - Jika mesin yang dipilih lebih dari satu, maka yang paling besar. inputkan total produksi per mesin. - Jika hanya satu mesin yang dipilih maka d. Algoritma Hodsgon total produksinya sama dengan jumlah produk yang di pesan. Sebelum merumuskan algoritma Hodgson ini, - Jadwalkan setiap mesinnya. harus diketahui terlebih dahulu algoritma dari - Jika tidak ada job lain yang masih pending aturan Earliest Due date (EDD). Berikut ialah tahap pada mesin, maka langsung di jadwalkan – tahap dari aturan EDD: pada mesin tersebut, langsung ke tahap 5. Tahap 1 Ubah satuan due date dari hari ke dalam - Jika ada job lain yang masih pending pada satuan jam kerja pada setiap job (proses mesin, maka masuk ke tahap 4. perhitungan seperti yang telah dijelaskan - Masukan Data pendukung penjadwalan. Data sebelumnya). pendukung penjadwalan ini berupa bobot Tahap 2 Urutkan job bedasarkan nilai due date keuntungan dan bobot tingkat kepentingan yang paling kecil. konsumen dengan inisialisasi berikut: Data Maning dan Database System 3-43
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Setelah mengetahui aturan EDD, maka 4. Pengujian dan Analisis Hasil algoritma Hodgson dapat di jalankan. Tahap dari Rancangan algoritma ini ialah sebagai berikut: Tahap 1 Urutkan job bedasarkan aturan EDD. Tahap 2 Hitung lateness dari setiap job. Jika tidak 4.1. Analisis hasil perancangan aplikasi ada lateness yang positif, maka lanjut ke Proses perkiraan due date, cek matres dan tahap 7. pilih mesin, jadwal ulang pekerjaan pending dengan Tahap 3 Cari job pertama yang memiliki lateness yang baru masuk dan proses perhitungan aturan positif. prioritas yang sebelumnya tidak ada, pada Tahap 4 Bandingkan waktu proses dari job – job perbaikan menjadi ada yang diwujudkan dalam sebelum job pertama yang memiliki aplikasi. Selain itu, penyimpanan data yang lateness positif dan cari waktu proses sebelumnya tidak dilakukan untuk proses produksi, terbesarnya. dengan menggunakan aplikasi ini menjadi tersedia Tahap 5 Hapus job yang memiliki waktu proses informnasi proses produksinya. terbesar pada tahap 4. Tahap 6 Setelah dihapus, maka ulang tahap 1. Tahap 7 Taruh job – job yang di hapus di urutan 4.2. Analisis Metode paling belakang. - Analisis metode Shortest Processing Time (SPT) 3.3. Data Flow Diagram 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 3.4. Entity Relationship Diagram 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 3-44 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  digunakan pembobotan pada masing – masing Oleh karena itu lateness yang positif ini akan pekerjaan. di taruh di urutan paling belakang. Walaupun Fungsi dari metode ini sama dengan metode nilai lateness job tersebut akan lebih besar dari SPT yaitu meminimasi rata – rata flow time. sebelumnya, namun jumlah pekerjaan yang Yang membedakan ialah ketika waktu proses terlambat akan berkurang. yang dimiliki oleh pesanan dibagikan dengan Jika denda keterlambatan masing – masing bobot tertentu. Dalam penelitian ini bobot pekerjaan sama besanya dan pekerjaan tidak yang digunakan ialah keuntungan dan tergantung pekerjaan lain, maka algoritma ini kepentingan. Dimana semakin untung atau cocok digunakan perusahaan. penting order tersebut, maka nilai bobotnya akan semakin besar yang artinya semakin 4.3. Verifikasi Hasil mendesak pula pesanan ini untuk didahulukan. Metode ini cocok jika pelanggan memiliki - Verifikasi fungsi pilih mesin sesuai nilai lebih dimata perusahaan, baik karena Produk Status pelanggan ini memiliki order yang nilai keuntunganya besar dan atau karena pelanggan Insulator R54 Berhasil ini sangat penting untuk di dahulukan. Tangkai Penegak Berhasil Sebaliknya, jika pelanggan memiliki nilai Pistol Grib Berhasil yang sama saja dimata perusahaan, maka tidak disarankan untuk menggunakan metode ini. - Verifikasi hasil perhitungan metode   - Analisis metode Slack   Berbeda dengan 2 metode sebelumnya yang Aplikasi Manual berfungsi untuk meminimasi rata – rata flow SPT PO2-PO1 PO2-PO1 time, metode ini berfungsi untuk mengurangi WSPT PO2-PO1 PO2-PO1 keterlambatan atau lateness. Slack ialah Slack PO2-PO1 PO2-PO1 rentang waktu antara waktu penyeleseian Hodgson PO2-PO1 PO2-PO1 pesananya (waktu proses) dengan due date.   Metode ini cocok bagi perusahaan untuk - Verifikasi perhitungan waktu 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. - Waktu proses total = Total produksi (buah) : Kapasitas produksi (buah/hr) - Analisis Algoritma Hodgson = 2000 : 2000 Sama seperti slack, algoritma ini juga = 1 hari bertujuan untuk mengurangi keterlambatan. = 24 jam Namun jika slack memilih pekerjaanya - Due date = 2x 24 jam kerja bedasarkan rentang waktu due date dan waktu = 48 jam proses, algoritma Hodgson - Completion time = waktu idle + waktu mempertimbangkan due date dan lateness proses + waktu istirahat yang dilalui + waktu sebagai acuanya. Aturan awal yang digunakan set up oleh algoritma ini ialah aturan EDD (Earliest = 0 + 24 + 4+1 Due date), dimana aturan ini hanya melihat due date dari suatu pesanan. Dimana yang = 29 paling dekat dengan due date maka itulah - Lateness = completion time – due date yang akan diprioritaskan. = 29-48 Setelah diurutkan bedasarkan EDD, algoritma = -19 ini akan menggunakan lateness sebagai - Flowtime = waktu idle + waktu proses + acuannya dimana lateness yang positif waktu istirahat (terlambat), dianggap memperlambat waktu. Data Maning dan Database System 3-45
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  = 0 + 24 + 4+1 - Dapat menambah ruang lingkup dari aplikasi = 29 ke bagian lain seperti pemasaran, Hasil completion time yang dilakukan accounting, bahkan konsumen. dengan manual dan aplikasi sedikit mengalami perbedaan pembulatan waktu dan algoritma perhitungan. Pada program, dibutuhkan konversi terhadap pengurangan Daftar Pustaka tanggal dengan waktunya. Sehingga hasil yang berupa angka desimal akan dibulatkan Amin, Faisal (2006). Pengembangan Algoritma ke atas. Penjadwalan Heuristik Flow Shop untuk Pesanan Baru yang Memperhatikan Lantai Produksi. Tugas Akhir S-1 Teknik Industri, 5. Penutup Institut Teknologi Bandung. 5.1. kesimpulan Baker, Kenneth R. (2001). Elements of Sequencing and Scheduling. Sine Nomine. 1. Sistem yang dibangun dapat membantu Bedworth, David D. dan James E. Bailey (1987). perusahaan dalam menjadwalkan pekerjaan, Integrated Production Control System : baik pekerjaan baru maupun pekerjaan yang Management, Analysis, Design. John Wiley & menunggu untuk diproses, juga dapat Sons Inc. New York. mensimulasikan terhadap konsumen tanggal Elsayed, Elsayed S and Boucher, O Thomas. (1995). penyelesaian serta dapat mendokumentasikan Analysis and Control of Production System. hasil dari perencanaan produksi. Second Edition. Springer Publishing. New 2. Aplikasi penjadwalan dibuat sesuai dengan York. kondisi perusahaan yang unik terhadap Ginting, Rosnani (2007). Penjadwalan Mesin. Graha pengaturan matres, dan mesin. Aplikasi ini Ilmu. Yogyakarta. mampu menyediakan mesin sesuai terhadap Ketaren, Dewi (2006). Perancangan Aplikasi matres dan produk, yang merupakan proses Penjadwalan Produksi Job Shop Dengan yang unik dari perusahaan ini. Selain itu, Mengggunakan Beberapa Metode Heuristik. metode – metode yang disediakan memiliki Tugas Akhir S-1 Teknik Industri, Institut fungsi tujuan yang dapat meminimalisir Teknologi Telkom. permasalahan yang terjadi pada IPMS. Rasjidin, Roesfjandsyah (2006). Penjadwalan produksi mesin Injection moulding pada PT. 5.2. Saran Duta flow Machine machinery. Tugas Akhir S- 1 Teknik Industri, Universitas Indonesia Esa 1. Untuk perusahaan Unggul. - Dalam melaksanakan produksi, sebaiknya Sipper, Daniel and Bulfin, Ir Robert L. (1995). perusahaan melakukanya sesuai dengan Production Planning, Control and penjadwalan produksi yang telah dibuat. Integration. Mc Graw-Hill Companies Inc. Sehingga tanpa implementasi yang New York. 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. 3-46 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Model Aturan Keterhubungan Data Mahasiswa dengan Algoritma Decision Tree Dedy Hartama Staf Program Studi Manajemen Informatika, AMIK Tunas Bangsa Pematang Siantar E-mail : dedyhartama@yahoo.com Abstract maupun bahan kajian dan pelajaran serta cara penyampaian dan penilaiannya yang digunakan Penelitian ini mengusulkan sebuah model sebagai pedoman penyelenggaraan kegiatan aturan keterhubungan data mahasiswa dengan belajar mengajar di perguruan tinggi. Kelompok indeks prestasi di perguruan tinggi swasta. Faktor- Mata Kuliah berbasis kompetensi yang faktor mana yang lebih dominan yang dilaksanakan berdasarkan Kepmendiknas No mempengaruhi indeks prestasi belum dapat 232/U/2000 adalah Matakuliah Pengembangan diketahui dengan pasti. Data diperoleh dari Kepribadian (MPK), Kelompok Matakuliah database Akademik AMIK Tunas Bangsa dan hasil Keilmuan dan Keterampilan (MKK), Kelompok survei terhadap mahasiswa semester III tahun Matakuliah Keahlian Berkarya (MKB), ajaran 2008 dan 2009. Dalam Penelitian ini Kelompok Matakuliah Perilaku Berkarya (MPB) algoritma C 4.5 decision tree diaplikasikan agar dan Kelompok Matakuliah Berkehidupan mendapatkan suatu model aturan yang dapat Bermasyarakat (MBB). memperlihatkan keterhubungan antara nilai rata Dalam beberapa penelitian yang telah rata matakuliah kurikulum berbasis kompetensi dilakukan oleh peneliti yang dituliskan dalam jurnal dengan data ekonomi, dukungan orang tua dan atau karya ilmiah tentang penggunaan data mining fasilitas belajar terhadap indeks prestasi pada perguruan tinggi adalah : Romero dan mahasiswa. Model aturan yang diperoleh Ventura, (2007), telah melakukan survey data menunjukkan bahwa variabel terbaik dari prediktor mining dalam bidang pendidikan antara tahun 1995 yang digunakan adalah faktor ekonomi yang sampai 2005, mereka menyimpulkan bahwa data memberikan kontribusi sebesar 79,8% terhadap mining yang berhubungan dengan pendidikan indeks prestasi mahasiswa. sangat baik untuk diteliti terutama di bidang e- learning, multimedia, artificial intelligent dan web Key Word : decision tree, model aturan, indeks database. Merceron dan Yacep, (2005) melakukan prestasi penelitian menggunakan data mining untuk mengidentifikasi perilaku mahasiswa yang cenderung gagal pada prestasi akademik sebelum 1. Pendahuluan ujian akhir. Ogor, (2007) menggunakan teknik Dalam Proses belajar mengajar untuk data mining yang digunakan untuk membangun mendapatkan nilai akhir mahasiswa di AMIK Tunas prototipe Penilaian Kinerja Monitoring System Bangsa Pematangsiantar memiliki penilaian terdiri (PAMS) untuk mengevaluasi kinerja mahasiswa. dari penilaian absensi, tugas, quis, ujian tengah Sembiring, et al., (2009) menggunakan teknik data semester (UTS) dan ujian akhir semester ( UAS ). mining dalam pemantauan dan memprediksi Peningkatan prestasi akademik dapat dilaksanakan peningkatan prestasi mahasiswa berdasarkan minat, dengan pemberian tugas yang berhubungan dengan prilaku belajar, pemanfatan waktu dan dukungan kompetensi mata kuliah yang pilih. Ujian dapat orang tua di perguruan tinggi. diselenggarakan melalui ujian tengah semester, Walaupun telah banyak penelitian yang ujian akhir semester, ujian akhir program studi dan dilakukan berkaitan dengan indeks prestasi ujian skripsi. mahasiswa namun faktor-faktor yang Berdasarkan Kepmendiknas No. 232/U/2000 mempengaruhi indeks prestasi mahasiswa masih Penilaian hasil belajar dinyatakan dengan huruf A, belum dapat diketahui dengan pasti sehingga perlu B, C, D, dan E yang masing masing bernilai 4, 3, 2, dilakukan penelitian untuk melihat keterhubungan 1, dan 0. data mahasiswa dengan indeks prestasi. Kurikulum pendidikan tinggi adalah Penelitian ini mengaplikasikan teknik data seperangkat rencana dan pengaturan mengenai isi mining dengan algoritma C 4.5 dalam membuat Data Maning dan Database System 3-47
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  model aturan keterhubungan data mahasiswa bergantian untuk menjelaskan proses penggalian berdasarkan matakuliah Kurikulum Berbasis informasi tersembunyi dalam suatu basis data yang Kompetensi (KBK) dan data demografi yang besar. Sebenarnya kedua istilah tersebut memiliki mendukung peningkatan indeks prestasi mahasiswa. konsep yang berbeda, tetapi berkaitan satu sama Model aturan yang diperoleh untuk lain. Dan salah satu tahapan dalam keseluruhan mengklasifikasikan predikat mahasiswa yang terdiri proses KDD adalah data mining. Proses KDD dari dengan pujian, sangat memuaskan, secara garis besar dapat dijelaskan sebagai berikut memuaskan, dan buruk. (Fayyad, 1996). Dengan menggunakan Algoritma C 4.5, 1. Data Selection penelitian ini akan memberikan aturan dalam 2. Pre-processing/Cleaning bentuk decision tree bagi mahasiswa yang akan 3. Transformation meningkatkan nilai matakuliah dan indeks prestasi 4. Data mining pada semester yang akan diambil berikutnya. 5. Interpretation/Evalution Penelitian ini diharapkan dapat memberikan Tahap ini mencakup pemeriksaan apakah pola kontribusi bagi perguruan tinggi swasta khususnya atau informasi yang ditemukan bertentangan Akademi Manajemen Informatika dan Komputer dengan fakta atau hipoPenelitian yang ada (AMIK) Tunas Bangsa Pematangsiantar. sebelumnya. Penjelasan di atas dapat direfresentasikan pada Gambar 1 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. Gambar 1. Proses dari Data Mining 2. Bagaimana menggunakan model aturan untuk Sumber: SPSS, 2004 mengklasifikasikan predikat akhir seorang mahasiswa berdasarkan indeks prestasi. Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam 3. Tinjauan Teoritis enam fase Gambar 2. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya Data mining adalah suatu istilah yang dalam urutan bergantung kepada keluaran dari fase digunakan untuk menemukan pengetahuan yang sebelumnya. Hubungan penting antar fase tersembunyi di dalam database. Data mining digambarkan dengan panah. Sebagai contoh, jika merupakan proses semi otomatik yang proses berada pada fase modeling. Berdasar pada menggunakan teknik statistik, matematika, perilaku dan karakteristik model, proses mungkin kecerdasan buatan, dan machine learning untuk kembali kepada fase data preparation untuk mengekstraksi dan mengidentifikasi informasi perbaikan lebih lanjut terhadap data atau berpindah pengetahuan potensial dan berguna yang maju kepada fase evaluation. 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 Gambar 2. Proses Data Mining Menurut CRISP-DM tujuan untuk menemukan pola atau kecenderungan Sumber: CRISP, 2005 yang penting yang biasanya tidak disadari keberadaannya.” (Pramudiono, 2006). 2.1. Algoritma C 4.5 Istilah data mining dan Knowledge Discovery Algoritma C 4.5 adalah salah satu metode in Database (KDD) sering kali digunakan secara untuk membuat decision tree berdasarkan training 3-48 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  data yang telah disediakan. Algoritma C 4.5 data kuisioner mahasiswa yang merupakan data set merupakan pengembangan dari ID3. Beberapa kedua. Sumber data yang dikumpulkan dari catatan pengembangan yang dilakukan pada C 4.5 adalah kartu hasil studi akademik mahasiswa. sebagai antara lain bisa mengatasi missing value, Untuk dataset kedua, penulis mengembangkan bisa mengatasi continue data, dan pruning. kuesioner (Lampiran A) untuk mengukur Secara umum algoritma C4.5 untuk keterhubungan data demografi yang sesungguhnya membangun pohon keputusan adalah sebagai dari mahasiswa. 5 (lima) pertanyaan menghasilkan berikut: informasi demografi untuk responden. Pertanyaan 1. Pilih atribut sebagai akar pertanyaan yang dibuat adalah tipe skala point 2. Buat cabang untuk masing-masing nilai linker 5 yang disusun dari “ sangat setuju” sampai “ 3. Bagi kasus dalam cabang sangat tidak setuju”. yang berkenaan untuk 4. Ulangi proses untuk masing-masing cabang membuat aturan indeks prestasi akhir mereka. Data sampai semua kasus pada cabang memiliki kelas set pertama dapat dilihat pada Tabel 1 yang sama. Tabel 1 Tampilan Data Set Pertama Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut- No Role Name Type atribut yang ada. Untuk menghitung Gain 1 Label predikat nominal 2 Regular IP nominal digunakan rumus seperti tertera dalam Rumus 1 3 Regular Ratamkb Nominal (Craw, 2005). 4 Regular Ratamkk nominal Si 5 Regular Ratampk nominal Gain(S,A) = Entrropy(S) – Σi =1 n * Entropy(Si) 6 Regular Ratambb nominal S 7 Regular Semester nominal Dengan Pada Tabel 1 atribut predikat sebagai label S : Himpunan Kasus yang merupakan tujuan dari atribut IP, A : Atribut ratamkb,ratamkk,ratampk,ratambb dan semester. N : Jumlah partisi atribut A Data set kedua dapat dilihat pada Tabel 2 |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S Tabel 2 Tampilan Data Set Kedua Sedangkan perhitungan nilai Entropy dapat No Role Name Type dilihat pada rumus 2 berikut (Craw, 2005): 1 Label predikat nominal Entropy(A) = Σin=1 − pi *log 2 pi 2 3 Regular Regular IP ekonomi nominal nominal Dengan 4 Regular dukungan orang tua nominal S : Himpunan Kasus 5 Regular fasilitas belajar nominal A : Fitur 6 regular semester nominal n : Jumlah partisi S Pada Tabel 2. atribut predikat sebagai label pi : Proporsi dari Si terhadap S yang merupakan tujuan dari atribut IP, dukungan orang tua, ekonomi, fasilitas dan semester. 3. Prosedur Pengumpulan Data Keterhubungan data antara data set pertama dan data set kedua dapat dilihat pada Tabel 3. Dalam studi kasus ini, untuk data set pertama, penulis mengumpulkan data dari SQL Server Tabel 3. Tampilan Data Set Pertama dan Kedua database nilai rata-rata matakuliah kurikulum berbasis kompetensi AMIK Tunas Bangsa No Role Name Type 1 Label predikat nominal Pematangsiantar yang telah mendapatkan kartu 2 Regular IP nominal hasil studi pada semester 3 yaitu tahun ajaran 2008 3 Regular Ratamkb nominal sampai dengan 2009 yang terdiri dari predikat, IP, 4 Regular Ratamkk nominal ratamkb, ratamkk, ratampk, ratambb, ratampb, 5 Regular Ratampk nominal semester. 6 Regular Ratambb nominal Dataset kedua penulis mensurvei mahasiswa 7 Regular ekonomi nominal 8 Regular dukungan orang tua nominal tentang prediksi prestasi akademik dengan 9 Regular fasilitas belajar nominal menggunakan kuesioner tertulis. Penulis 10 Regular semester nominal menciptakan instrument survey dan termasuk pertanyaan demografis secara umum. Jumlah Pada Tabel 3 atribut predikat sebagai label mahasiswa sebanyak 755 orang, dan penulis yang merupakan tujuan dari atribut IP, mendapatkan data sampel sebanyak 734 orang dari ratamkb,ratamkk,ratampk,ratambb, dukungan orang 735 untuk data set pertama dan 734 orang untuk tua, ekonomi, fasilitas dan semester. Data Maning dan Database System 3-49
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3.1. Validitas dan Reliabilitas Data tabel 5 di atas kemudian disederhanakan (Keakuratan) Data kembali. Karena nim, nama bersifat primary key maka data tidak digunakan dalam penelitian, Keakuratan instrumen yang digunakan pada sehingga data yang dipilih dalam penelitian adalah penelitian ini adalah penting. Keakuratan mengacu pada Tabel 6 dengan menambahkan field predikat apakah instrumen yang digunakan mengukur secara berdasarkan IP dimana ketentuannya sebagai konsisten setiap waktu dan populasi ( Gall et al., berikut : 1996 ). Survei dalam studi ini diuji dalam jangka No IP Predikat waktu dan ukuran internal yang terpercaya yang 1 < 2,00 Buruk memiliki keterkaitan antara bagian bagian tes ( 2 2,00 - 2,75 Memuaskan Brown and Alexander, 1991 ). Hal ini menjamin 3 2,76 - 3.50 sangat memuaskan apakah pengukuran instrumen secara akurat 4 3.51 - 4,00 dengan pujian dimaksudkan untuk mengukur. Cronbach’s Alpha diberikan survei untuk Tabel 6 Tabel Data Penelitian mengukur konsistensi internal. Menurut Mitchell Predikat IP MKB MPK MKK MPB MBB Semester dan Jolley ( 1999 ), Cronbach’s Alpha pada atau di …… …… ……. ……. ……. ……. ……. ……. atas 0.60 diterima sebagai bukti realibilitas internal. Validitas dan Realibilitas dari kuesioner 3.3.2 Preprocessing Data Kuesioner dengan jumlah data sebanyak 60 item, seperti pada Tabel 4 Data survei dalam bentuk kuesioner yang dibagikan kepada mahasiswa terdiri dari beberapa Tabel 4 Statistik Reliabilitas Data field. Data yang dikumpulkan dapat dilihat pada Tabel 7 Cronbach's Jumlah No Variabel dalam Skala alpha Data 1 Faktor Ekonomi .634 60 Tabel 7 Data Kuesioner 2 Faktor Dukungan .635 60 NIM Nama IP Q1 Q2 Q3 Q4 Q5 Re Orang Tua …… …… ……. ……. ……. ……. ……. ……. ……. 3 Faktor Fasilitas .629 60 Data pada tabel 7 di atas dapat dijelaskan Dari Tabel di atas Cronbach's alpha dari ke bahwa : tiga variabel berjumlah di atas 0.60 ini 1. Q1 sampai dengan Q5 adalah pertanyaan untuk menunjukkan bahwa data yang diolah adalah valid ekonomi orang tua. dan dipercaya. 2. RE adalah rata-rata ekonomi dari pertanyaan Q1 sampai dengan Q5 3.3 Preprocessing Data Dari keterangan tabel 3.7 di atas, pengolahan data penelitian dibagi dua, yaitu rata-rata ekonomi, 3.3.1 Preprocessing Database Akademik dukungan orang tua dan fasilitas belajar digunakan Untuk mendapatkan input yang lebih baik dari pada software rapidminer sedangkan nilai dari teknik data mining, penulis melakukan beberapa pertanyaan digunakan pada software SPSS 18. preprocessing untuk data yang akan dikumpulkan. Data disusun dalam tabel yang berbeda yang 3.3.2 Signifikan dihubungkan dalam tabel tunggal. Tabel yang Dalam penelitian ini, penulis telah menguji digabungkan adalah : hubungan antara empat prediktor variabel model 1. tabel mahasiswa aturan untuk predikat keberhasilan mahasiswa 2. tabel matakuliah dengan menggunakan metode analisis regresi 3. tabel nilai berganda dengan model fit untuk mengetahui 4. tabel IP variabel manakah yang paling memberikan Dari pilihan field ke empat tabel di atas data yang dipilih dapat dilihat pada Tabel 5 kontribusi. Hasil yang diperoleh menunjukkan bahwa ada tiga dari empat variabel tersebut di atas memiliki korelasi yang sangat signifikan terhadap Tabel 5 Tabel Preprocessing Data Gabungan Empat Tabel model aturan untuk predikat keberhasilan mahasiswa ekonomi, dukungan orang tua, fasilitas NIM Nama MKB MPK MKK MPB MBB Semester IP belajar. Semua-prediktor tiga variabel di atas …… …… ……. ……. ……. ……. ……. ……. ……. memberikan kontribusi 82,8% dalam membuat 3-50 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  model aturan untuk predikat keberhasilan faktor ekonomi untuk mendapatkan predikat dengan mahasiswa, seperti terlihat pada Tabel 8 pujian, sangat memuaskan, memuaskan dan buruk Untuk melihat penyederhanaan dari decision Tabel 8 Korelasi Signifikan dari Tiga Prediktor tree dalam bentuk model aturan induction rule Variabel Predikat 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) Dari Tabel 8 dapat melihat bahwa variabel if Ekonomi = 3 then BURUK (0 / 0 / 0 / 45) if Fasilitas = 4.4 then SANGAT MEMUASKAN (37 / 0 / 0 / 0) terbaik dari prediktor ekonomi (lihat pada R square if Orang Tua = 3.8 and Ekonomi = 3.4 then MEMUASKAN (0 / 8 / 0 / 0) ubah) memberikan kontribusi 79,8%. Keempat 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 / variabel memberikan kontribusi yang signifikan R 2 0) = 0,828. Dengan demikian, dapat disimpulkan if Orang Tua = 4.8 then DENGAN PUJIAN (0 / 0 / 13 / 0) if RATAMBB = C and RATAMKB = B then MEMUASKAN (1 / 4 / 0 / bahwa tiga variabel tersebut di atas adalah sangat 0) dipercaya untuk digunakan sebagai penaksir model if Fasilitas = 4 and RATAMPK = A then SANGAT MEMUASKAN (9 / aturan untuk predikat keberhasilan mahasiswa, 1 / 0 / 0) if Ekonomi = 3.2 then BURUK (0 / 4 / 0 / 11) seperti yang terdapat pada Tabel 9 else MEMUASKAN (4 / 5 / 2 / 0)  correct: 717 out of 731 training examples.    Tabel 9 Signifikan dari Tiga Variabel Prediktor Predikat 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 4. Hasil Percobaan Decision Tree Induction Rule Model sampel aturan decision tree dengan Rule Keterangan Rule SM M DP B model grafik dari software rapidminer yang akan if ratamkk = B and ratamkb = 95 0 0 0 B then sangat memuaskan digunakan dapat dilihat pada gambar 3 1 if orang tua = 4.6 then sangat 104 0 0 0 memuaskan if orang tua = 4 then 0 91 0 0 memuaskan 2 if orang tua = 3.8 and ratamkk 0 5 0 0 = B then memuaskan if ratamkk = A and ratamkb = 0 0 80 0 A then dengan pujian 3 if orang tua = 4.8 then dengan 0 0 13 0 pujian if ekonomi = 3 then buruk 0 0 0 45 4 if ekonomi = 3.2 and ratamkk Gambar 3. Grafik Decision Tree = E then buruk 0 0 0 14 Dari Gambar 3 dapat dijelaskan bahwa faktor Tabel 10 dapat dijelaskan bahwa rule sangat ekonomi memiliki pengaruh paling besar dalam memuaskan terdiri dari jika ratamkk dan ratamkb data penelitian Penelitian ini, setelah dilakukan bernilai B dengan nilai Gaint Rasion 95 dan jika percobaan dengan menggunakan rapidminer bahwa rata orang tua 4.6 dengan gaint rasio 104. Rule variabel ekonomi berada pada node paling atas, memuaskan terdiri dari jika rata orang tua 4 kemudian dibandingkan dengan rata-rata nilai dari dengan gaint rasio 91 kemudian jika rata orang tua 3.8 dan ratamkk=B dengan gaint rasio 5. Rule Data Maning dan Database System 3-51
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  dengan pujian terdiri dari jika ratamkk dan 3. Dari pendekatan model aturan yang didapat, ratamkb bernilai A dengan nilai Gaint Rasion 80 perlu menjadi perhatian khusus bagi manajemen dan jika rata rata orang tua 4.8 dengan gaint rasio AMIK Tunas Bangsa Pematangsiantar untuk 13. Rule buruk terdiri dari jika rata ekonomi 3 melihat dan mengambil keputusan variabel dengan gaint rasio 45 kemudian jika rata ekonomi mana yang harus diperhatikan untuk 3.2 dan ratamkk=E mendukung peningkatan indeks prestasi mahasiswa agar mendapatkan predikat sangat 5. Penutup memuaskan dan dengan pujian, sehingga mahasiswa yang akan lulus dapat bersaing di 5.1 Kesimpulan pasar kerja global. Penelitian ini menghasilkan beberapa kesimpulan sebagai berikut : 1. Diperoleh suatu model aturan yang dapat Daftar Pustaka memperlihatkan aturan keterhubungan antara [1] Craw, S. (2005). Case Based Reasoning : nilai rata-rata matakuliah dengan faktor Lecture 3: CBR Case-Base Indexing ekonomi, dukungan orang tua dan fasilitas www.comp.rgu.ac.uk/staff/smc/teaching/cm3 belajar terhadap indeks prestasi mahasiswa. 016/Lecture-3-cbr-indexing .ppt, diakses 2. Dalam studi kasus pada Akademi Manajemen tanggal 11 april 2011 Informatika Komputer (AMIK) Tunas Bangsa [2] CRISP ( Cross Industry Standard Process for Pematangsiantar bahwa sebagian besar Data Mining http://www.crisp- mahasiswa yang memiliki predikat buruk dm.org/Process/index.htm, diakses tanggal 11 apabila faktor rata-rata ekonomi = 3 dan april 2011 ratamkk bernilai E dan predikat dengan pujian [3] Fayyad, U. M, 1996, Advances in Knowledge apabila jika ratamkk = A dan ratamkb = A Discovery and Data Mining. Camberidge, kemudian rata-rata dukungan orang tua = 4.8 MA: The MIT Press. 3. Penelitian ini telah menunjukkan ada tiga dari [4] Gall, M. D., Borg, W. R., & Gall, J. P. empat variabel yaitu fasilitas, ekonomi, orangtua (1996). Educational research introduction dan predikat memiliki korelasi yang sangat (6th ed.). White Plains, NY: Longman signifikan terhadap model aturan aturan Publishers USA. keterhubungan data mahasiswa untuk [5] Keputusan Mentri Pendidikan Nasional No. meningkatkan indeks prestasi seperti yang 232/U/2000 tentang pedoman penyusunan diusulkan (faktor ekonomi, faktor dukungan kurikulum pendidikan tinggi dan penilaian orang tua dan fasilitas belajar) dengan predikat hasil belajar mahasiswa. indeks prestasi mahasiswa pada akhir semester. [6] Larose D, T., 2006, Data Mining Methods Semua prediktor tiga variabel di atas and Models, Jhon Wiley & Sons, Inc. memberikan kontribusi 82,8% dan variabel Hoboken New Jersey terbaik dari prediktor ekonomi memberikan [7] Merceron, A and Yacef, K. 2005. kontribusi 79,8%. Educational Data mining: A case study. In proceedings of the 12th International 5.2 Saran Conference on Artificial Intelligence in Saran penulis terhadap Penelitian ini Education AIED 2005, Amsterdam, The Netherlands, IOS Press, Vol 5, pp 1-8 adalah sebagai berikut : [8] Mitchell M dan Jolley J, 1999. Research 1. Untuk mendapatkan hasil yang lebih variatif Design Explained. New York: Holt, Rinehart mungkin penelitian ini dapat dikembangkan and Winston. dengan teknik data mining yang lain seperti [9]  Ogor E. N, 2007. Student Academic Fuzzy Decision Tree, algoritma genetika, Performance Monitoring and Evaluation, association rule dan algoritma KNearest Congress of Electronics, Robotics and Neighbor untuk mencari aturan atau pendekatan Automotive Mechanic, Vol.4, pp-354-359 model yang ingin dicapai. [10] Pramudiono, I, 2006, Apa itu Data Mining ? 2. Dalam penelitian lebih lanjut, pengujian model dalam aturan dapat menggunakan metode SSVM http://datamining.japati.net/cgibin/indodm.cgi (Smooth Support Vector Machine) sebagai alat ?bacaarsip%115552761&artikel, diakses pengujian akurasi kebenaran model aturan yang tanggal 11 april 2011 didapat. 3-52 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  [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. Data Maning dan Database System 3-53
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-54 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Klaster Sub-Ruang Berdasarkan Kerapatan Data Rahmat Widia Sembiring1,2, Jasni Mohamad Zain2 1 Manajemen Informatika, Politeknik Negeri Medan 2 Fakulti Sistem Komputer dan Kejuruteraan Perisian, Universiti Malaysia Pahang Abstract Jarak antara objek dalam dataset dimensi tinggi umumnya mirip satu sama lain, klaster yang Analisis klaster dilakukan untuk menemukan cenderung sangat rapat, bahkan dapat tumpang kelompok-kelompok, atau pola yang mirip, tindih. Untuk mendeteksi kluster biasanya algoritma konvensional sering menghasilkan dilakukan penilaian kesamaan objek. Kemiripan klaster tidak relevan. Jarak antara objek dalam atau kesamaan antara objek sering ditentukan dataset berdimensi tinggi umumnya cenderung dengan mengukur jarak antara obyek dalam serupa satu sama lain, yang akan menghasilkan berbagai dimensi. Metode subruang sangat ideal klaster sangat rapat, atau bahkan tumpang tindih. digunakan untuk kasus dataset dimensi tinggi. Metode sub-ruang ideal digunakan untuk Pengelompokan subruang merupakan perpanjangan mendeteksi kluster karena kesamaan objek klastering konvensional [1], yang dapat digunakan penilaian. Pada riset ini algoritma SC2D untuk menemukan klaster kedua, ketiga dan digunakan untuk menghitung kerapatan dimensi, seterusnya dari dataset. sementara algoritma DBSCAN digunakan untuk Gambar 2 memperlihatkan keadaan klaster menentukan klaster berdasarkan kepadatan subruang yang saling bertumpuk. Pengelompokan koneksi. Kemudian digabungkan dengan algoritma subruang adalah metode untuk mendeteksi semua SUBCLU yang dapat menghasilkan subruang kelompok dalam semua subruang [2]. Bisa terjadi dimensi dan terakhir menentukan klaster subruang. satu titik menjadi anggota dari beberapa kelompok yang ada di dalam subruang yang berbeda, pada 1. Pendahuluan umumnya terjadi pada klaster berdimensi tinggi. 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 Pada dataset berdimensi tinggi, dapat terjadi klaster dengan maksimal, bahkan menghasilkan masalah dimana objek klaster di setiap klaster akan outlier (Gambar-1c). Masalah seperti ini dalam data akan sulit dikenali. Jika dimensi dihapus dapat mining disebut sebagai "curse of dimensionality". 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 Data Maning dan Database System 3-55
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  memisahkan menggunakan algoritma Gambar 5 memperlihatkan pseudocode algoritms pengelompokan konvensional. 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 Untuk mengatasi hal ini, perlu untuk menempatkan setiap dataset objek ke dalam Figure-5 DBSCAN Algorithm subruang yang berbeda. Hal ini menjadi tantangan dalam penelitian data mining, yaitu bagaimana untuk mengeksplorasi data yang memiliki 3. Kajian Klaster Sub Ruang multidimensi, dan menempatkan setiap benda ke CLIQUE [5] mengidentifikasi kepadatan dalam klaster yang terpisah. kelompok dari dimensi maksimum, setelah subruang yang sesuai ditemukan, titik data 2. Klaster Berdasar Kerapatan Dimensi dipisahkan menurut celah kelompok data. CLIQUE Klaster berdasarkan kerapatan data dilakukan dimulai dari mengidentifikasi subruang yang dengan mencari perbedaan kerapatan dari satu mengandung klaster, menemukan unit yang rapat, dengan terlebih dahulu menentukan 1-dimensi unit klaster dengan klaster tetangganya. Dua parameter yang digunakan adalah radius volume titik data, data, Jika dimensi dari subruang dianggap yang dinyatakan dengan ε, dan jumlaj minimu titik meningkat, akan ada peningkatan jumlah unit klaster dan perlu untuk dipangkas. Set yang sebagai dasar menghitung kerapatan, yang dinyatakan dengan [3] dipangkas kemudian digunakan untuk membentuk DBSCAN menggagas kepadatan berbasis unit kandidat dalam tingkat berikutnya, diikuti dengan mengidentifikasi klaster. klaster yang dirancang untuk menemukan klaster yang berubah-ubah [4], diperlukan dua parameter PreDeCon (subspace PREference weighted DEnsity CONnected klastering) adalah konsep input (Eps dan MinPts ), digunakan untuk preferensi subruang lokal, untuk memastikan menentukan nilai titik p (sebagai pusat klaster). Kepadatan-terjangkau (density reachable) bentuk kualitas klaster dalam ruang dimensi tinggi [6]. PreDecon menggunakan mengukur jarak Euclidean simetris untuk beberapa pasang pusat klaster. tertimbang untuk menghitung kluster spesifik yang Gambar 4b menunjukkan density reachable. titik p dicapai dari titik q yang merupakan hasil dari Eps, lebih kecil, dengan melakukan scan tunggal atas database, dan linier dalam jumlah dimensi. MinPts dimana dan . Dengan memperkenalkan definisi kepadatan Jangkauan kerapatan (density connectivity) adalah dimensi, SC2D (Subspace Klastering with hubungan simetris (Gambar 4b), dimana titik p Dimensional Density) menempatkan objek ke adalah densitas terhubung ke titik q, titik o adalah dalam klaster yang sama jika mereka memiliki sebagai pusat dari titik p dan titik q. 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 Secara intuitif, klaster didefinisikan sebagai kerapatan klaster dimensi. PreDeCon menggunakan satu set kepadatan yang terhubung secara maksimal. untuk mewakili hasil klastering, Noise (outlier) didefinisikan sebagai bagian yang dan menghitung validasi subruang. tidak termasuk relatif dalam himpunan klaster. Sementara divalidasi sebagai subruang, kelompok objek akan masuk dalam klaster yang 3-56 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  sama jika mereka berada dalam subruang yang untuk memangkas subruang. Algoritma dimulai sama. Jelas bahwa dua atau lebih kelompok yang dengan menghasilkan klaster 1-dimensi, untuk berbeda mungkin ada dalam subruang yang sama, setiap klaster terdeteksi akan dicek apakah klaster sehingga perlu untuk menghitung kekompakan ini menjadi bagian dari subruang dimensi yang intra-klaster klaster, yang dapat dihitung dengan lebih tinggi. persamaan Scat(i) berikut: 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 Scat(i) didasarkan pada jarak Euclidean yang calon dinotasikan dengan . Untuk masing- merupakan jumlah dari perbedaan antara obyek dan masing kandidat subruang pusat-pusat klaster. Perbedaan-perbedaan ini masing-masing berisi k-dimensi subruang TS (jTj = dihitung dalam subruang karena jarak dimensi k), dengan pemangkasan calon ini setidaknya satu penuh pada tinggi-dimensi dataset tidak efektif. k-dimensi subruang tidak termasuk dalam Sk. Hal ini Jika Scat(i) Si lebih besar dari ambang batas akan mengurangi jumlah (k +1)-dimensi subruang yang diberikan yakni β, ini menunjukkan bahwa ada calon. lebih dari satu klaster di subruang yang sama. SC2D (Subspace Klastering with Dimensional Sehingga perlu untuk memisahkan mereka dengan Density) menempatkan objek ke dalam klaster yang menerapkan DBSCAN pada c dalam subruang sama jika mereka memiliki dimensi kepadatan tersebut. Jika Scat(i) kurang dari β, maka Scat(i) serupa 0. Kemudian memisahkan kelompok jika adalah hasil akhir yang kita inginkan. Kami ada lebih dari satu klaster dalam subruang yang menggunakan set untuk sama. Algoritma menghitung kepadatan mulai dari mewakili hasil akhir dari algoritma. dimensi objek masing-masing, DBSCAN juga Algoritma lain adalah subruang kepadatan digunakan untuk kerapatan klaster dimensi, dan berbasis subruang EDSC (Efficient Density-based dengan pengelompokan akan diketahui hasil yang Subspace Klastering) mengusulkan deteksi efisien memiliki dimensi kepadatan serupa. Dapat juga lossless kepadatan berbasis klaster subruang [7]. terjadi dua atau lebih kelompok yang berbeda Algoritma EDSC mengurangi biaya komputasi mungkin ada dalam subruang yang sama, untuk ini yang tinggi, hypercube mengurangi jumlah scan akan dicek kekompakan intra-klaster klaster. database untuk perhitungan kepadatan dan, melalui monotonisitas, yang memungkinkan untuk pemangkasan efektif di banyak sub-ruang yang 4. Pembahasan tidak relevan. Selanjutnya, filter kepadatan Pertama perlu difahami masalah data subruang, langkah ini memberikan pemangkasan multidimensi, dimisalkan tambahan berdasarkan monotonisitas kepadatan adalah himpunan berhingga, data. Kedua langkah menyaring secara signifikan adalah ruang n-dimensi numerik . Kami akan mengurangi jumlah calon subruang tanpa mengacu pada sebagai dimensi (atribut) kehilangan keaslian data. Pada langkah dari S. 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: 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, SUBCLU (density connected SUBspace dimana ξ adalah parameter masukan. 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 Data Maning dan Database System 3-57
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar 7. Aliran usulan algoritma maksimum terhubung dalam k-dimensi. Dua k- dimensi unit u1, u2 adalah tersambung Detail pseudocode dari usulan algoritma jika mereka memiliki bentuk sama atau ada unit tersebut seperti terlihat pada Gambar 8. lain k-dimensi u3 sehingga u1 terhubung ke u3 dan Input datasets S, u2 terhubung ke u3. Unit dan memiliki bentuk yang sama Output Klaster result C jika memiliki k-1 dimensi, /*Step-1: Hitung DiDen*/ diasumsikan , seperti juga Begin Hitung kerapatan dimensi dengan DiDen atau , untuk . Dalam riset ini diadopsi fungsi Dimensional /*Step-2: Cari klaster awal dengan DBSCAN */ Density (DiDen), yang digagas oleh Huang et.al., Set dimana WHILE /*Step-3: Menghasilkan (k+1) calon klaster subspace */ FOR each DO FOR each DO Setelah hasil DiDen ditemukan, selanjutnya IF DBSCAN digunakan mengidentifikasi klaster awal. Eksponensial digunakan THEN menentukan bobot masing-masing insert into CandSk+1; dimensi untuk setiap klaster, metode ini telah ENDIF digunakan dalam klastering subruang, juga END FOR telah divalidasi pada klaster data berdimensi tinggi. END FOR Gambar 7 di bawah ini menunjukkan alur kerja dari /*Step-4: Buang candidate subspace yang tidak relevan*/ algoritma. Ada enam langkah utama untuk algoritma: 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 3-58 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  IF THEN References ; ; [1] Parson, Lance, Ehtesham Haque, Huan Liu, END IF “Subspace Klastering for High Dimensional END FOR END FOR Data: A Review”, ACM SIGKDD k:=k+1 Explorations Newsletter, Volume 6, 2006, END WHILE p.90–105 [2] Agrawal, Rakesh, Johannes Gehrke, Dimitrios Gambar 8. Pseudocode usulan algoritma Gunopulos, Prabhakar Raghavan, “Automatic Subspace Klastering of High Dimensional 5. Kesimpulan Data for Data”, IBM Almaden Research Center, 1998, Jarak antara objek dalam dataset berdimensi [3] Bicici, Ergun, Deniz Yuret, “Local Scaled tinggi umumnya cenderung serupa satu sama lain, Density Based Klastering”, ICANNGA, 2007, oleh karena itu metode subruang ideal digunakan pp.739-748 untuk mendeteksi kluster. Algoritma SC2D [4] Ester, Martin, Hans-Peter Kriegel, Jörg digunakan untuk menghitung kerapatan dimensi, Sander, Xiaowei Xu, “A Density-Based sementara algoritma DBSCAN digunakan untuk Algorithm for Discovering Klasters”, 2nd menentukan klaster berdasarkan kepadatan koneksi. International Conference on Knowledge SUBCLU dapat digunakan mendeteksi kluster yang Discovery and Data Mining (KDD-96), 1996 berubah-ubah, dimana monotonisitas kepadatan- [5] Agrawal, Rakesh, Johannes Gehrke, konektivitas digunakan untuk memangkas “Automatic Subspace Klastering of High subruang. Kemudian digabungkan dengan Dimensional Data”, Data Mining and algoritma SUBCLU yang dapat menghasilkan Knowledge Discovery, 2005, pp.5-33 subruang dimensi dan terakhir menentukan klaster [6] Boehm, C., K. Kailing, H.-P. Kriegel, P. subruang. 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 Data Maning dan Database System 3-59
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-60 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Studi Kajian Web Usage Mining Berbasis Open Source Rafiqa Dewi1, Suhada1, Saifullah1, Rahmat Widia Sembiring2 1 AMIK Tunas Bangsa Pematangsiantar 2 Manajemen Informatika, Politeknik Negeri Medan Abstract Untuk menemukan data dari web dengan cara yang cepat dapat dimanfaatkan web data mining. Namun dengan pertumbuhan web yang sangat Dengan web data mining dapat dieksplorasi data cepat mengakibatkan akses sumber informasi di yang diperlukan dengan waktu yang relatif lebih dunia menjadi begitu luas pula , sehingga singkat. Namun dengan pertumbuhan web yang diperlukan cara yang cepat untuk mendapatkan sangat cepat mengakibatkan akses sumber informasi yang tepat. Web mining yang informasi di dunia menjadi begitu luas pula, hal ini diklasifikasikan atas web content mining, web yang menjadikan mining informasi dan structure mining dan web usage mining dapat pengetahuan yang berguna menjadi tantangan untuk digunakan untuk mencari data dengan cepat. dijadikan riset. Strategi utama impelementasi web usage mining adalah mengurangi customer cost dan menjadikan fungsi pemanggilan modul. Algoritma LUI dapat 2. Web Data Mining digunakan sebagai web usage mining berbasis open Ada beberapa karakteristik tentang pentingnya source. data mining pada web [0], yakni: a. Jumlah data/informasi pada web sangat besar 1. Introduction dan terus bertumbuh b. Jenis data atau informasi pada web sangat Implementasi web tidak mungkin tanpa bervariasi dan berbeda internet, yang menyediakan jaringan komunikasi c. Karena kepemilikan website berbeda sangat untuk fungsi web. Dengan internet dimungkinkan mungkin terjadi ada halaman yang terdapat pada melakukan akses universal terhadap informasi yang banyak website bersifat hypermedia. World wide web (www) d. Jumlah informasi yang saling terhubung dijadikan sebagai pintu masuk akses informasi dibeberapa website juga sangat besar tersebut. Dalam www selalu diimplementasikan e. Data pada web juga cenderung noisy, hal ini model client-server, pengguna disebut sebagai dapat dikarenakan tidak adanya pengawasan client yang terhubung ke remote machine, yang terhadap kualitas isi website. selanjutnya disebut sebagai server, yang f. Website cenderung dinamis, sehingga selalu menyimpan data dalam jumlah besar. berubah Data yang tersimpan dalam server dapat g. Website juga dapat berupa virtual society, yang diklasifikasikan sebagai data yang dapat diakses berisikan interaksi banyak pengguna. untuk dilihat saja, selain data yang juga bisa Karakteristik tersebut menjadikan web data diupdate oleh pengguna yang mempunyai hak, yang mining menjadi tantangan sekaligus menjadi selanjutnya disebut sebagai web admin. peluang untuk diteliti. Jika pengguna internet ingin mendapatkan Web mining memiliki klasifikasi sbb [0]: 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. Gambar 1. Klasifikasi Web Mining Data Maning dan Database System 3-61
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Dari Gambar 1 diatas dapat dilihat bahwa web a. Menemukenali sumber data (resource mining [0] terdiri dari mining isi web (web content discovery) mining), mining struktur web (web structure b. Pemilihan informasi dan pra-proses mining) dan mining pengguna web (web usage (information selection and pre-processing) mining). c. Mencari pola umum dari satu website maupun Mining isi web pada umumnya adalah antar website (generalization) mengeksplorasi isi web, hal ini dimungkinkan d. Validasi dan interpretasi pola hasil mining karena banyak halaman web yang bersifat terbuka (analysis) (open access). Target knowledge discovery adalah e. Menampilkan hasil analisa secara interaktif dokumen teks, dan juga dokumen multimedia. sehingga mudah difahami (visualization) Mining isi web dapat diklasifikasikan pada dua pendekatan, yakni pendekatan berdasar agen (the 3. Web Mining Open Source agent based approach) dan pendekatan berdasar database (database approach) [0]. 3.1 DEiXTo Pendekatan berdasar agen bertujuan DEiXTo (or ∆EiXTo) adalah aplikasi berbasis meningkatkan informasi yang ditemukan, web yang dapat digunakan mengekstraksi data [0], melakukan penyaringan (filtering), dan hasilnya tool berdasarkan W3C Document Object Model dibagi atas tiga kategori, yakni [0]: (DOM). Gambar 2 memperlihatkan tampilan a. Intelligent Search Agent, yakni dengan mencari DeiXTo. 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 Gambar 2. Aplikasi DEiXTo terstruktur, sehingga dapat mengaplikasikan query database dan mengaplikasikan data mining. Dengan aplikasi DEiXTo memungkinkan Mining struktur web dilakukan untuk pengguna untuk membuat akurasi tinggi aturan merepresentasikan struktur informasi yang ekstraksi (extraction rules). DEiXTo terdiri dari ditampilkan, termasuk hubungan antara halaman tiga komponen sistem, yaitu: pada web yang sama, ataupun dengan web yang a. GUI DEiXTo, sebagai aplikasi berbasis lain. Windows , dengan implementasi ramah Mining pengguna web ditujukan untuk melihat pengguna yang digunakan untuk mengelola pola keterhubungan antara pengguna. Dalam extraction rules, seperti membangun, menguji, beberapa tahun terakhir tantangan utama dalam riset meningkatkan akurasi, menyimpan dan mining pengguna adalah [0]: memodifikasi. a. Pra-proses (pre-processing), ini perlu dilakukan b. DEiXToBot, dengan mengimplementasikan Perl karena data cenderung noise (mengandung data digunakan untuk menciptakan pola dari hasil yang tidak diperlukan). Dalam hal ini yang GUI DEiXTo. Aplikasi ini seperti solusi tailor- dilakukan adalah pembersihan data, inegrasi, made. transformasi dan reduksi data. c. Command Line Executor, adalah aplikasi stand- b. Menemukan pola (pattern discovery), beberapa alone, sebagai utilitas yang dapat digunakan metode statistik, algoritma data mining dan mengekstraksi rule secara massif. teknik pengenalan pola dapat digunakan. c. Analisa pola (pattern analysis), digunakan agar 3.2 Mozenda pola yang ada dapat difahami melalui visualisasi Mozenda adalah aplikasi data mining berbasis maupun interpretasi data. web, digunakan untuk tujuan membuat perencanaan Pada web mining ada beberapa sub tasks yang [0], tugas perencanaan. Dengan aplikasi ini dapat dilakukan [0], yaitu: disusun perencanaan pemasaran dan perencanaan 3-62 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penjualan. Dengan informasi yang dihasilkan dapat 3.3 RapidMiner memperkirakan apa yang akan dilakukan pesaing. Gambar 3 memperlihatkan tampilan antarmuka RapidMiner adalah salah satu aplikasi open aplikasi Mozenda. 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 3. Aplikasi Mozenda Mozenda memiliki beberapa fitur sebagai berikut: Gambar 4. Aplikasi RapidMiner a. Ekstraksi Data Dengan mengekstrak data memungkinkan RapidMiner mendukung semua tahapan data pengguna mendapat informasi yang strategis, mining, seperti memanggil file data, pra-proses, yakni mencakup mendapat informasi dari visualisasi data, desain dan inspeski yang interaktif, pemerintah, merangkum data statistik dari otomasi permodelan, pengaturan parameter dan rencana bisnis, serta mengumpulkan data untuk fitur lainnya. Dengan RapidMiner juga dapat tujuan yang legal. dilakukan fungsi web mining. b. Screen Scrapping Screen scraper Mozenda digunakan untuk 4. Hasil dan Pembahasan mengumpulkan data yang vital dari sejumlah halaman web yang telah diakses. Jika telah Algoritma web mining dapat diklasifikasikan dikumpulkan akan mudah mengelola data seperti klasifikasi web mining, yakni terdiri dari tersebut ke dalam format yang sesuai, seperti web content mining, web structure mining dan web database, spreadsheets, dan lainnya. Dengan usage mining. Beberapa algoritma yang dikenal Mozenda screen scrapers akan mudah adalah association rule mining, neares neighbour memanggil ulang sejumlah website karena telah classifier, decision tree, bayesian classifier, neural dimasukkan ke dalam sebuah database. network classifier, the k-Medan algorithm, dan c. Web Harvesting yang lainnya [0]. Istilah memanen (harvesting) digunakan untuk Strategi utama impelemntasi web usage menangkap (capture) data yang diperlukan, mining adalah mengurangi customer cost dan dengan sekumpulan points, clicks, dan menjadikan fungsi pemanggilan modul dari website highlights, akan mudah untuk menangkap data dapat dilakukan dengan optimal [0]. Untuk dan menyimpannya dalam format Excel, CSV, mencapai hal ini dapat dilakukan dengan ataupun XML. mengembangkan algoritma dengan blok sbb: d. Web Crawling a. Mengumpulkan informasi pengguna Mesin pencari (seperti Firefox, Google, Yahoo, b. Mengembangkan struktur topologi website dan lainnya), melakukan pekerjaan yang c. Mengembangkan matriks konjungsi dari menakjubkan, yang mampu menyediakan kunjungan pengguna terhadap halaman website berbagai informasi yang diperlukan. Dengan Dengan blok algoritma seperti ini diharapkan metode crawl, Mozenda juga mampu dapat dicatat waktu dan kebiasaan kunjungan dari mengumpulkan informasi yang sudah pengguna. ditemukan dan dapat dipanggil kembali di Untuk mencapai hal tersebut langkah taktis waktu mendatang. Dengan Mozenda Web Agent yang perlu dilakukan adalah menemukenali Builder semua instruksi dapat dinavigasi dan halaman website yang penting, menemukan disimpan. pengunjung yang diidenstifikasi sebagai pengunjung utama, menemukan informasi yang menjadi ketertarikan pengunjung. Data Maning dan Database System 3-63
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kembali centorid dari kluster SCLk sebagai Cid k = 1/ Ck Σ j∈Ck S 'j ; 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 Gambar 5. Prosedur Web Usage Mining wτ ( p , SCLk ) = 1 / SCLk Σ w( p , s ) s∈SCLk Gambar 5 memperlihatkan prosedur web dimana w(p, s) adalah weight of page p dalam sesi w(p, s), dan |SCLk| ditentukan sebagai usage mining [0]. Dari gambar tersebut dapat kita cluster SCLk. lihat bahwa proses web usage mining terdiri dari 3 Step 2: Untuk sestiap klaster, selanjutnya dihitung tahapan utama, yakni pra-proses, mining dan mean vector (yaitu centroid) sebagai analisa. Beberapa hal penting yang perlu dilakukan mvτ = {< p , wτ ( p , SCLk ) > p ∈ P} dalam pra-proses adalah memastikan bahwa data Step 3: Untuk setiap halamn dari klaster, jika nilai yang akan diproses telah diidentifikasi dan sesuai lebih rendah dari threshold µ, halamn dengan tujuan mining data yang akan dilakukan. koresponden akan difilter, jika tidak agar Dalam proses mining dapat dipilih metode dibiarkan saja. Step 4: Urukan halaman dengan dasar weights secara yang diperlukan, apakah association rule, descending order dan output dari mean vector pengenalan pola, klasifikasi, dan proses klaster, sebagai profil pengguna dengan . ataupun dapat dilakukan dengan kombinasi dari dua upk = {< p1k , wτ ( p1k , SCLk ) >,..., < atau tiga metode yang diperlukan. p 2k , wτ ( p 2k , SCLk ) >, ..., < pτ k , wτ ( pτ k , SCLk )} Memperhatikan bahwa mengenali pengguna dimana wt(p1k,SCLk) > wt(p2k,SCLk) > ...> adalah aspek penting dalam web usage mining, wt(ptk,SCLk)>µ. maka riset ini fokus pada algoritma pengenalan web Step 5: Ulangi step 1 sampai 4 sampai semua sesi dengan mengembangkan klastering. klaster sesi diproses, dan hasilkan profile pengguna. Salah satu model klastering yang cukup terkenal adalah Latent Usage Information (LUI). LUI algoritma untuk klaster web berdasarkan Gambar 6. Rincian Algoritma LUI klaster semantik [0]. Algoritma ini terdiri dari dua tahapan, yakni diawali dengan algoritma clustering, 5. Kesimpulan dimana klaster awal dikonversi menjadi kelompok. Langkah berikutnya adalah algoritma menghasilkan Untuk menemukan data dari web dengan cara satu set profil pengguna, yakni dengan yang cepat dapat dimanfaatkan web data mining. menghubungkan centroid dari klaster. Berikut Web mining diklasifikasikan atas web content adalah rincian algoritma tersebut (Gambar 6.). mining, web structure mining dan web usage mining. Strategi utama impelemntasi web usage Algoritma-1-Menentukan klaster mining adalah mengurangi customer cost dan Input: Konversi matriks usage SP dan similarity menjadikan fungsi pemanggilan modul. Algoritma threshold ε LUI dapat digunakan sebagai web usage mining. Output: Set sesi klaster pengguna sebagai SCL={SCLi} Ada beberapa aplikasi web mining yang berbasis dan centroids koresponden sebagai Cid ={Cidi} Step 1: Pilih sesi pengguna pertama s’i sebagai klaster open source, yaitu DEiXTo, Mozenda dan awal SCL1 dan centroid klaster, yaitu SCL1 = RapidMiner. {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 3-64 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Data Maning dan Database System 3-65
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-66 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Aplikasi E-CRM Membangun Hubungan Pelanggan Siswono Jurusan Sistem Informasi, School of Information Systems, Universitas Bina Nusantara sisbinus@yahoo.com; siswono@binus.edu Abstrak Dalam memaksimalkan usaha meningkatkan jumlah pelanggannya dapat diterapkan strategi CRM (Customer Relationship Management) CRM yang dikombinasikan dengan teknologi adalah strategi bisnis yang dirancang untuk internet (biasa disebut e-CRM). E-CRM merupakan mengoptimalkan keuntungan, pendapatan dan suatu sistem berbasis internet yang menghubungkan kepuasan konsumen dengan cara perusahaan dengan pelanggannya guna mengorganisasikan perusahaan di antara segmen meningkatkan kualitas layanan yang diberikan pasar, mengetahui perilaku kepuasan pelanggan untuk menciptakan loyalitas pelanggan serta dan membuat hubungan dari pelanggan sampai menarik pelanggan baru. pemasok. Keunggulan CRM adalah memperluas pasar dengan cara mempertahankan pelanggan yang sudah ada, meningkatkan penjualan ke 2. Literature Review pelanggan melalui up-selling dan cross-selling dan 2.1 Pengertian CRM dan e-CRM menjadikan CRM sebagai sarana promosi sehingga perusahaan dapat memperoleh pelanggan baru. Menurut Malthouse dan Calder (2005, p152), Kemajuan teknologi internet telah membuka CRM mencakup setiap antarmuka antara pelanggan peluang untuk memanfaatkan keunggulan internet dan perusahaan. CRM adalah himpunan seluruh untuk diintegrasikan dengan CRM, biasa disebut e- interaksi atau kontak dengan konsumen, baik yang CRM. diprakarsai oleh perusahaan atau dengan konsumen Cook (2008, p28) menyatakan bahwa sistem Kata kunci : CRM, E-CRM, Customer Relationship CRM menawarkan kesempatan organisasi untuk Management mengelola hubungan mereka dengan pelanggan. Prinsip dari CRM adalah jika perusahaan memiliki 1. Pendahuluan informasi lebih jauh tentang pelanggan, maka semakin baik. Seperti dikutip oleh Cook menurut Internet yang ditemukan oleh Leonard Profesor Adrian Payne dari Cranfield University, Kleinrock pada tahun 1969, telah berkembang pesat CRM adalah 'proses strategis untuk hingga saat ini dan telah memberikan kemudahan mengidentifikasi segmen apa yang diinginkan untuk menyelesaikan berbagai kegiatan keseharian pelanggan, mikro-segmen atau pelanggan individu perusahaan maupun individu. Internet telah atas dasar one-to-one dan mengembangkan mempersingkat jarak antara produsen dan program-program terpadu yang memaksimalkan konsumen, hubungan antara keduanya menjadi nilai bagi pelanggan dan nilai seumur hidup lebih dekat, dengan fungsi internet sebagai alat pelanggan untuk organisasi melalui akuisisi untuk berkomunikasi dan saling menghubungkan sasaran pelanggan, meningkatkan keuntungan kedua belah pihak, sehingga tidak lagi merasakan kegiatan dan retensi'. jarak yang jauh meskipun mereka berada dalam Menurut Kotorov (2002, p220), seperti semua negara yang berbeda. teknologi baru, teknologi yang berhubungan dengan Perusahaan menyadari bahwa internet memberi CRM, seperti portal hubungan pelanggan, data kemudahan dalam menjalin kerjasama dengan mining, call center cerdas, dll, menjanjikan pelanggan dan target untuk meningkatkan jumlah perubahan besar. Perubahan besar terjadi ketika ada pelanggan secara terus-menerus serta meningkatkan perubahan paradigma, yaitu dalam cara melakukan loyalitas pelanggan yang merupakan asset terbesar sesuatu. Ada banyak definisi dari CRM yang perusahaan. Dalam usaha untuk peningkatan jumlah menambah kebingungan tentang bagaimana pelanggan ini, perusahaan harus mengetahui apa sebenarnya CRM akan mengubah apa yang kita saja harapan (ekspektasi) dan keinginan pelanggan lakukan (Ernst & Young 1999). Namun perubahan sehingga pada akhirnya pelanggan menjadi loyal tersebut tidak konseptual (Peppard, 2000). Konsep kepada perusahaan. Data Maning dan Database System 3-67
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  pelayanan pelanggan dan manajemen hubungan Teknologi memungkinkan untuk mengirim email adalah sama tuanya dengan konsep pasar. sebanyak mungkin dengan biaya lebih rendah Turban et al. (2008, p607) mengatakan e-CRM dan juga menyediakan halaman web untuk grup merupakan sebuah manajemen hubungan pelanggan yang lebih kecil dari pelanggan (mikro-segmen). yang diadakan secara elektronik. Dengan 3. Meningkatkan, kedalaman, keluasan, dan sifat menggunakan teknologi internet, data mengenai hubungan. pelanggan dapat dengan mudah diintegrasikan Sifat dari media internet memungkinkan dengan pemasaran, penjualan, analisis dan aplikasi informasi lebih lanjut yang akan diberikan layanan pelanggan. Sekarang ini dunia dihubungkan kepada pelanggan jika dibutuhkan. oleh internet, e-CRM telah menjadi suatu 4. Hubungan pembelajaran dapat dicapai dengan kebutuhan untuk bertahan, selain sebagai menggunakan alat yang berbeda di seluruh keunggulan kompetitif. siklus hidup pelanggan. Sedangkan menurut David (2010, p486), e- Alat-alat ini adalah semacam fasilitas CRM adalah memanfaatkan teknologi komunikasi pembelajaran online tentang apa yang digital untuk memaksimalkan penjualan untuk dibutuhkan pelanggan. pelanggan yang ada dan terus mendorong 5. Biaya menjadi lebih rendah. penggunaan layanan online. Menghubungi pelanggan via email atau dengan membuka halaman web dapat mengurangi biaya 2.2 Tujuan dan Manfaat CRM daripada menggunakan surat dalam bentuk fisik, tetapi mungkin yang lebih penting, informasi Tujuan utama CRM sudah jelas yaitu usaha hanya perlu untuk dikirim ke pelanggan- untuk memperoleh dan mempertahankan pelanggan yang telah mengungkapkan preferensi pelanggan, (Turban et al., 2005, p262). untuk itu, sehingga sedikit mail-outs (surat Kalakota dan Robinson (2001, p173) menyebutkan keluar). tujuan-tujuan dari kerangka kerja CRM yaitu : • Menggunakan hubungan yang telah ada untuk 2.3 Fase CRM meningkatkan pendapatan. • Menggunakan informasi yang terintegrasi untuk Kalakota dan Robinson (2001, p174-175) layanan yang unggul. menyebutkan ada tiga fase dari CRM yaitu : • Mengajukan proses dan prosedur penjualan yang 1. Acquiring New Customers lebih konsisten dan dapat berulang. Mendapatkan pelanggan baru dilakukan dengan Sedangkan manfaat utama dari CRM menurut kepemimpinan produk/jasa yang mendorong Turban et al. (2008, p608) adalah ketersediaan batasan kinerja mengenai kenyamanan dan pemeliharaan pelanggan yang superior melalui inovasi. Nilai yang diusulkan buat pelanggan penggunaan internet dan teknologi informasi. CRM adalah penawaran produk yang superior dengan membuat pelanggan senang, dengan menyediakan ditopang oleh layanan yang unggul. pilihan produk dan jasa, respon, dan resolusi 2. Enhancing the profitability of existing masalah yang cepat, serta akses informasi yang customers. cepat dan mudah. Perusahaan mencoba untuk Meningkatkan profitabilitas pelanggan atau memperoleh keunggulan kompetitif terhadap hubungan yang telah ada dapat dilakukan kompetitor mereka dengan menyediakan CRM dengan cara mendorong keunggulan dalam yang lebih baik. cross-selling dan up-selling, hal ini menambah Menurut David (2010, p487), manfaat-manfaat kedalaman hubungan. Nilai yang diusulkan buat dari e-CRM yaitu : pelanggan adalah penawaran kenyamanan yang 1. Menargetkan biaya menjadi lebih efektif. lebih baik dengan biaya yang rendah. Internet memiliki keuntungan bahwa list dari 3. Retaining profitable customers for life. contacts adalah self-selecting (memilih sendiri) Mempertahankan hubungan pelanggan untuk atau pre-qualified (pra-kualifikasi). Perusahaan selamanya. Penyimpanan informasi pelanggan hanya akan bertujuan untuk membangun berfokus pada kemampuan beradaptasi dalam hubungan dengan mereka yang telah pelayanan, mengirimkan apa yang diinginkan mengunjungi situs web dan menyatakan minat pelanggan. Sekarang, lebih banyak perusahaan pada produk dengan mendaftarkan nama dan yang berfokus pada strategi mempertahankan alamat. Tindakan mengunjungi situs web dan pelanggan daripada menarik pelanggan baru. browsing menunjukkan target pelanggan. Alasan dibalik strategi ini sebenarnya sederhana 2. Mencapai banyak kustomisasi dari pesan : If you want to make money, hold onto your pemasaran (dan mungkin produk). good customers. 3-68 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Gambar 1. Fase CRM (sumber Kalakota dan Secara tradisional, sistem CRM menggunakan Robinson (2001, p175)) klien / server teknologi di mana semua program dan aplikasi yang dijalankan pada satu atau lebih server 2.4 Perbedaan CRM dan e-CRM terpusat. Sistem antarmuka operasi front-end Chandra dan Strickland (2004, p410) dengan operasi backend melalui sistem ERP menjelaskan bahwa pada tahun 1990-an merupakan tradisional. Sistem ini tidak menggunakan periode pertumbuhan yang luar biasa dari sebuah datawarehouse atau data mart. Sistem ERP kelas perangkat lunak yang disebut ERP (Enterprise bertindak sebagai repositori data dan menangkap Resource Planning). Sistem ERP merupakan data dari front-end dan back-end operasi. 'Touch sebuah sistem yang banyak digunakan untuk points’ pelanggan adalah toko ritel dan layanan operasi 'back-end' sehingga sistem di seluruh pelanggan dan support centers, misalnya, kontak perusahaan terintegrasi, membuat informasi di pribadi melalui outlet ritel, telepon, dan fax. seluruh perusahaan yang tersedia lebih mudah. Dengan eCRM, antarmuka antara front-end Sampai saat ini, perusahaan mengembangkan dan back-end operasi tidak hanya melalui ERP, sejumlah aplikasi khusus server, masing-masing tetapi juga menggunakan datawarehouse dan data didedikasikan untuk mengerjakan fungsi tertentu. mart. Datawarehouse adalah kumpulan dari Dengan sistem ERP, sebuah perusahaan mampu informasi, yang dikumpulkan dari beberapa menangkap data dalam satu tempat dan database operasional, digunakan untuk membuat mengintegrasikan dengan mudah berbagai business intelligence dalam mendukung kegiatan departemen dan proses. Meskipun sistem ERP bisnis dan pengambilan keputusan. Datawarehouse sangat membantu dalam mengelola operasi "back- adalah database multidimensi. Lapisan dalam end", mereka tidak dirancang untuk menangkap sebuah datawarehouse mewakili informasi sesuai data dan mendukung kompleksitas pemasaran. Di dengan dimensi yang berbeda. Sebuah data mart sisi lain, sistem CRM secara khusus dikembangkan adalah subset dari data warehouse di mana hanya untuk Aplikasi ’front-end 'dan dengan cepat sebagian terfokus informasi datawarehouse diadopsi. Idealnya, CRM memungkinkan sebuah disimpan (4). ’Touch points’ pelanggan di eCRM perusahaan untuk menyesuaikan produk dan diperluas untuk memasukkan Internet dan layanan untuk preferensi setiap pelanggan. perangkat nirkabel, yang mendukung teknologi Chandra dan Strickland (p410-411) mobile dan PDA. mengatakan bahwa perbedaan antara CRM dan Tabel 1 memperlihatkan perbedaan dari dua eCRM sangat tipis, tapi penting. Mereka teknologi tersebut. berkonsentrasi pada teknologi yang mendasari dan Tabel 1 Perbedaan Teknologi antara antarmuka dengan pengguna dan sistem lain. CRM dan e-CRM Sebagai contoh, sistem eCRM banyak menyediakan Kriteria CRM e-CRM Kontak Kontak pelanggan biasanya Selain telepon, kontak pelanggan dengan browser self-service didasari Pelanggan dimulai melalui cara juga dimulai melalui tradisional dari toko ritel, Internet, e-mail, nirkabel, window untuk memesan, cek status pesanan; telepon, atau fax. teknologi mobile dan meninjau sejarah pembelian; meminta informasi PDA. Sistem antar- Bekerja dengan back-end Dirancang untuk aplikasi tambahan tentang produk; mengirim e-mail dan muka aplikasi melalui sistem ERP. front-end, yang pada terlibat dalam sejumlah kegiatan lainnya. gilirannya antarmuka dengan aplikasi backend Kemampuan ini memberikan kebebasan pelanggan melalui sistem ERP, datawarehouse, dan data dalam hal tempat dan waktu. Pelanggan tidak lagi mart. terbatas untuk menghubungi organisasi selama jam Sistem Overhead (komputer klien) Web-aplikasi memerlukan PC klien untuk men- Tidak ada persyaratan; browser adalah portal bisnis biasa, dan organisasi tidak harus memberikan download applet dan pelanggan untuk eCRM. berbagai aplikasi. Aplikasi kontak langsung di bagian lain untuk pertanyaan ini dan applet harus ditulis pelanggan dan permintaan. ulang untuk platform yang berbeda. Data Maning dan Database System 3-69
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Kustomisasi dan Audiens yang berbeda Pandangan "dinamis" dan Personalisasi membutuhkan pandangan personal yang sangat 4. Penerapan eCRM di PT. NESTLE Informasi yang berbeda dan jenis individual didasarkan informasi. Pandangan pribadi untuk audiens yang berbeda pada pembelian dan preferensi yang mungkin. Salah satu contoh perusahaan yang telah adalah tidak mungkin. Setiap audiens individual menerapkan e-CRM adalah PT. Nestlé Indonesia Individu memerlukan menyesuaikan perubahan kustomisasi pandangan. dengan meluncurkan Sahabat Nestlé (lihat Sistem Fokus pemrograman. Sistem dirancang di sekitar Sistem dirancang di lampiran). Pada website tersebut terdapat beberapa produk dan fungsi pekerjaan sekitar kebutuhan fasilitas diantaranya adalah : (untuk penggunaan internal). pelanggan (untuk Web-aplikasi yang dirancang penggunaan eksternal). • Berbagi resep makanan sehat sekitar satu departemen atau unit bisnis. Portal perusahaan yang luas yang dirancang dan • Dunia Bayi tidak terbatas pada departemen atau unit • Informasi tentang makanan dan gizi bisnis. • Parenting Sistem Pelaksanaan lebih lama dan Mengurangi waktu dan Pemeliharaan manajemen adalah mahal biaya. Implementasi • Promo dan Modifikasi karena sistem ini terletak di berbagai lokasi dan pada sistem dan ekspansi dapat dikelola dalam satu lokasi • Kalender event-event yang akan diadakan oleh beberapa server. dan pada satu server. Nestlé Dalam website tersebut pelanggan serasa 3. Sejarah PT. NESTLE dimanjakan dan diperhatikan oleh Nestlé. Sedangkan keuntungan yang didapatkan oleh Merasa prihatin dengan tingginya angka Nestlé adalah: mortalitas bayi di akhir abad 19 di Swiss, Henri • Memiliki space untuk arena promosi Nestlé, seorang ahli kimia Jerman yang berdomisili • Memiliki space untuk arena survey di Vevey, Swiss berhasil menciptakan makanan • Memiliki space untuk melakukan diskusi (tanya pendamping bagi bayi yang tidak mendapat cukup jawab) dengan pelanggan secara langsung ASI. “Farine Lactee” berhasil menyelamatkan • Mendapatkan keinginan pasar melalui saran dan banyak jiwa bayi pada saat itu dan Nestlé pun kritik dari feedback pelanggan mendapatkan kepercayaan masyarakat. • Peningkatan kepercayaan terhadap produk- Henri Nestlé kemudian memanfaatkan nama produk Nestlé. keluarganya menjadi logo perusahaannya. Dalam E-CRM dirancang dengan maksud memenuhi dialek Jerman Swiss, "Nestlé" berarti sarang burung harapan dan kebutuhan pelanggan untuk mencapai kecil (little nest). Logo itu menjadi lambang rasa nilai lifetime pelanggan yang maksimal dan aman, kasih sayang, kekeluargaan dan tradisi. memberikan hasil pada usaha. Penggunaan produk Perusahaan Nestlé terus mengembangkan e-CRM, software e-CRM dan solusi e-CRM akan produk-produknya dan kemudian menjadi pelopor memperkaya implementasi e-CRM yang efektif di beberapa produk seperti susu kental di Eropa tahun dalam perusahaan. Ada banyak kisah sukses e- 1905, susu coklat tahun 1929, kopi instant tahun CRM, namun kesuksesan dalam implementasi E- 1938 dan lain-lain. CRM diukur dengan upaya yang dilakukan perusahaan untuk menunjukkan sasaran dan Nestlé Indonesia harapannya. Dengan menyediakan sarana untuk Produk-produk Nestlé telah beredar di Bumi mengatur dan mengkoordinasi interaksi pelanggan Nusantara sejak akhir Abad ke-19, dimana salah seperti yang di lakukan oleh PT. Nestlé Indonesia, satunya ialah susu kental manis yang dikenal teknologi E-CRM membantu perusahaan dengan sebutan "Tjap Nona" (sekarang "Nestlé memaksimalkan nilai setiap interaksi konsumen Milkmaid"). Kantor pusat Nestlé di Swiss, Nestlé yang pada akhirnya meningkatkan kinerja korporat. S.A., bersama sejumlah mitra lokal mendirikan Perlunya pemahaman yang lebih baik terhadap anak perusahaan di Indonesia pada bulan Maret perilaku konsumen dan fokus pada konsumen yang 1971. Saat ini PT.Nestlé Indonesia mengoperasikan dapat memberikan profit jangka panjang telah tiga pabrik yang berlokasi di daerah Tangerang mengubah para marketer dalam memandang dunia. (Banten), Panjang (Lampung), dan Kejayan (Jawa Timur). Beberapa merek produk Nestlé yang dipasarkan di Indonesia antara lain : susu bubuk 5. Penutup Nestlé Dancow, kopi instant Nescafé, Nestlé Milo, E-CRM telah menjadi strategi penting bagi Nestlé Bubur Bayi, Kit Kat, Polo, dan lain-lain. perusahaan yang siap bersaing menuju era Nestlé Indonesia berkomitmen untuk tetap globalisasi dengan cara membangun hubungan yang mengembangkan produk-produk melalui inovasi intim antara perusahaan dengan pelanggan. dan renovasi demi memuaskan kebutuhan Aplikasi e-CRM dapat digunakan oleh konsumennya di seluruh Indonesia. perusahaan manufaktur dan jasa. Yang perlu dipertimbangkan perusahaan adalah memilih 3-70 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  aplikasi software yang tepat dan sesuai dengan yang Daftar Pustaka diperlukan. Kunci keberhasilan e-CRM adalah memahami [1] Chapter 12- managing customer relationships. keseluruhan jalinan/hubungan kerja sama yang 2008. United States, New qYork: The terjadi di dalam organisasi/perusahaan, baik yang McGraw-Hill Companies, Inc., The bersifat intern maupun ekstern dengan Professional Book Group. (179-187). memanfaatkan Teknologi Informasi. Available at : http://search.proquest.Com Bagi pelanggan, website e-CRM yang mudah /docview/189489383?accountid=31532 digunakan, sangat efektif dan efisien serta dapat [2] Chandra, Satish. dan Strickland, Ted J. 2004. dipakai untuk melacak hal-hal yang berkaitan Issues in Information Systems, Volume V No. dengan hubungan pelanggan. Pada sisi perusahaan 2. memperoleh manfaat untuk meningkatkan efisiensi [3] Cook, Sarah. 2008. Chapter 01: An dan produktivitas serta memberikan layanan dan introduction to customer care. United pengalaman yang konsisten bagi pelanggannya. 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/28796649 6? 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. Data Maning dan Database System 3-71
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Lampiran 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 Gambar 3. Website Sahabat Nestle 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 Gambar 4. Laman Cheff Welly dapat selalu mengikuti perkembangan dari Nestlé Di laman ini pelanggan benar-benar sendiri. 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 Gambar 7. Laman Sahabat Nestle Facebook bertambah. 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 Gambar 5. Laman Dancow Parenting Sahabat Nestlé tersebut, serta mendapatkan Laman yang mempunyai motto “Mitra feedback untuk memuaskan keinginan Sahabat orangtua untuk tumbuh kembang anak ini” Nestlé. 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 Gambar 8. Laman Journey to Wellness 3-72 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Data Maning dan Database System 3-73
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-74 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 heyitsmetaya@yahoo.com, sri@ittelkom.ac.id, amelia.kurniawati@gmail.com Abstrak mengatur jalannya perusahaan sekaligus terus menerus mengevaluasinya. Tidak hanya bagaimana Kegiatan advertising yang dijalankan oleh perusahaan berinteraksi dengan pelanggan Divisi Marketing PT. XYZ Regional Jawa Barat eksternalnya, namun juga bagaimana perusahaan mencakup fungsi periklanan, sponsorship, dan menjalankan proses-proses bisnisnya. Proses bisnis kegiatan lainnya yang bertujuan untuk suatu perusahaan dapat memengaruhi besarnya mempromosikan perusahaan. Ini sebabnya pangsa pasar suatu perusahaan secara signifikan. pelaksanaan advertising perlu dijadikan lebih Terlebih lagi, proses bisnis yang baik dapat efisien. menghemat biaya yang dikeluarkan oleh Penelitian ini untuk mengefisienkan waktu perusahaan secara signifikan (Harrington: 1991, p. siklus dari proses bisnis kegiatan advertising 1-3). dengan menggunakan metode Business Process Berdasarkan wawancara pada tanggal 4 Improvement (BPI). Metode BPI ini akan Agustus 2010 (studi pendahuluan untuk mendukung menghasilkan proses bisnis usulan dengan proposal penelitian) kepada divisi Marketing PT. melakukan analisis streamlining dan perubahan- XYZ Regional Jawa Barat diketahui keadaan perubahan yang inkremental terhadap proses bisnis existing proses bisnis di perusahaan. Ternyata existing. Proses bisnis usulan ini disusun dengan proses bisnis yang ada saat ini untuk advertising mempertimbangkan harapan dan keluhan yang dilakukan oleh Divisi Marketing mulai dari pelanggan serta input dari pihak perusahaan. tender vendor hingga tagihannya dapat dibayarkan Selain menghasilkan suatu proses bisnis usulan, cukup rumit. Rumitnya proses bisnis existing penelitian ini juga akan menyusun beberapa dipengaruhi oleh banyaknya personil yang terlibat Standard Operational Procedure (SOP) dari antar divisi, tidak adanya standar kerja yang jelas, beberapa aktivitas dalam proses bisnis usulan. SOP dan juga panjangnya birokrasi dalam ini dimaksudkan untuk mempermudah transisi menyelesaikan kegiatan advertising. Hal ini dirasa pihak perusahaan dari proses bisnis existing ke terlalu lama oleh vendor yang telah melakukan usulan. kegiatan advertising hingga pihak vendor tersebut Kesimpulan dari penelitian ini adalah SOP sendiri yang mengeluhkan lamanya pemrosesan ini dapat disertai pada proses bisnis usulan hasil BPI ke perusahaan. untuk merealisasikan waktu siklus hasil perbaikan. Advertising yang mengalami keluhan Hasil dari penelitian ini berupa proses bisnis terbanyak adalah kegiatan dengan tagihan yang advertising usulan dengan efisiensi sebesar 67% berkisar antara Rp 200,000,000.00 hingga Rp dan waktu siklus selama 199.9 jam. Selain itu 500,000,000.00, yaitu tiga kali (60%) selama tujuh disusun SOP sebanyak delapan buah untuk bulan pertama tahun 2010. Padahal PT. XYZ sudah mengakomodasi sebelas aktivitas hasil analisis memiliki standar waktu yang ditentukan, yaitu 5.9 streamlining. minggu untuk advertising, hanya saja standar ini belum dapat diterapkan dengan baik. Pada 1. Pendahuluan kenyataannya, rata-rata waktu siklus untuk kelima kasus yang terjadi selama Januari hingga Juli 2010 1.1. Latar Belakang adalah 26 minggu. Keseluruhan kasus yang terjadi melampaui batas 5.9 minggu yang ditetapkan oleh PT. XYZ merupakan salah satu provider perusahaan, dan tiga diantaranya dikeluhkan secara jaringan Global System for Mobile Communications langsung oleh vendor karena dirasa terlalu lama. (GSM) di Indonesia. Selayaknya sebagai provider Permasalahan dari proses bisnis ini yang GSM dengan pangsa pasar yang luas di Indonesia, menyebabkan lamanya waktu pemrosesan aktual PT. XYZ harus menjalankan organisasinya dengan secara umum adalah rumitnya birokrasi di dalam efektif. Untuk itu, PT. XYZ tentunya harus Data Maning dan Database System 3-75
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  perusahaan. Untuk menyederhanakan proses bisnis dirasa tidak lagi efektif dalam menjalankan proses- di dalam perusahaan tanpa mengurangi tingkat proses bisnisnya. keamanannya, akan digunakan metode Business Jika dibandingkan dengan metode Process Improvement (BPI) yang telah sebelumnya reengineering yang menawarkan perbaikan proses dikembangkan oleh Harrington. bisnis yang radikal dan menyeluruh, BPI lebih tepat Agar waktu siklus aktual dapat mendekati digunakan untuk perbaikan proses bisnis standar yang telah ditetapkan, penting untuk advertising PT. XYZ karena menawarkan perbaikan memahami dan memetakan proses bisnis existing yang inkremental dan berkelanjutan. Hal ini yang terjadi di dalam perusahaan. Selain menjadi sangat cocok jika diterapkan pada menyederhanakan proses bisnis, dalam penelitian perusahaan yang sudah berjalan dan memiliki ini juga akan disusun langkah-langkah operasional proses bisnis existing seperti PT. XYZ. Dengan yang perlu diterapkan oleh perusahaan dalam perubahan yang sedikit demi sedikit, akan lebih bentuk Standard Operational Procedure (SOP). memungkinkan bagi perusahaan untuk Setelah jelas alur kerja dalam proses bisnis mengimplementasikan perubahan yang disarankan pembayaran tagihan usulan, akan dilakukan validasi sebagai hasil dari penelitian ini. untuk mengukur seberapa signifikan pengurangan Secara garis besar, terdapat lima tahapan waktu yang dapat dilakukan. Dengan pelaksanaan BPI, yaitu penyederhanaan proses bisnis ini diharapkan waktu 1. Organizing for Improvement proses yang diperlukan untuk membayarkan 2. Understanding The Process tagihan-tagihan Divisi Marketing dapat menjadi 3. Streamlining lebih efisien. Dari uraian di atas menjadi latar 4. Measurement and Control belakang perlunya penelitian untuk mengkaji proses 5. Continuous Improvement bisnis advertising PT. XYZ menggunakan Business Process Improvement. 2.2. Advertising Advertising yang dimaksudkan dalam 1.2. Tujuan Penelitian penelitian ini bermula ketika Divisi Marketing PT. Adapun tujuan dari penelitian tugas akhir ini XYZ menugaskan pihak ketiga (selanjutnya akan adalah mengefisiensikan waktu siklus advertising. disebut vendor) untuk melakukan kegiatan-kegiatan 1. Merancang proses bisnis advertising Divisi yang berkaitan dengan promosi perusahaan seperti Marketing yang terstandardisasi. iklan media cetak, radio, event, maupun 2. Merancang SOP proses bisnis advertising sponsorship. usulan. Cuplikan aliran kerja kegiatan advertising dapat dipelajari pada gambar berikut ini. 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. Kegiatan advertising dimulai ketika PT. XYZ 2. Landasan Teori mengadakan tender untuk menentukan vendor pelaksana kegiatan dan berakhir saat Divisi 2.1. Business Process Improvement (BPI) Keuangan membayar vendor tersebut setelah selesai Business Process Improvement (BPI) adalah menyelenggarakan kegiatan advertising. 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 3-76 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Metodologi Penelitian akan menjadi salah input untuk pelaksanaan analisis streamlining. 3.1. Model Konseptual PENYELESAIAN PROSES PEMBAYARAN 4.3. Batasan Proses VENDOR Keluhan waktu siklus advertising ADVERTISING PT. XYZ MARKETING KEUANGAN GENERAL ADMINISTRATION 5. Analisis dan Usulan PEMETAAN PROSES BISNIS 5.1. Analisis Streamlining AKTIVITAS ADVERTISING ANALISIS PROSES BISNIS PERBAIKAN PROSES BISNIS METODE BUSINESS PROCESS Analisis streamlining amat erat kaitannya AKTIVITAS AKTIVITAS PENELITIAN ADVERTISING ADVERTISING IMPROVEMENT dengan konsep improvisasi. Improvisasi suatu proses bisnis dapat diartikan mengubah proses bisnis existing menjadi lebih efektif, efisien, dan 4. Pengumpulan Data mudah diadaptasi. Mirip dengan tujuan analisis 4.1. Diagram Alir dan Waktu Siklus Proses streamlining untuk meningkatkan kinerja dan Bisnis Existing Advertising kualitas suatu proses dengan mengurangi aktivitas- aktivitas yang tidak diperlukan atau dapat disederhanakan (Harrington: 1991, p. 131-133). Pemetaan proses bisnis existing serta Dari hasil analisis streamlining yang pengumpulan data waktu siklusnya menjadi bagian dilakukan didapatkan proses bisnis usulan yang dari tahapan “Understanding The Process”-nya telah dikurangi aktivitas-aktivitas birokrasi dan metode BPI. Proses bisnis existing dari kegiatan duplikasi serta usulan SOP untuk menjalankan advertising dipetakan dalam bentuk diagram alir advertising. Proses bisnis usulan yang dihasilkan yang terdiri dari 51 aktivitas dan melibatkan 12 adalah output penelitian BPI dengan efisiensi waktu personil dari PT. XYZ. Waktu siklus didapatkan siklus yang lebih tinggi. selama 5.9 minggu. Data ini akan kemudian dibandingkan dengan data proses bisnis usulan 5.2. Diagram Alir Proses Bisnis Usulan output penelitian ini. Advertising 4.1. Identifikasi Input dan Output Proses Pada proses bisnis usulan ini terjadi perubahan Bisnis Existing Advertising dan penghapusan beberapa aktivitas yang dirasa tidak efisien dari analisis streamlining. Validasi Pemahaman input, output, dan pemilik proses yang berulang diubah menjadi aktivitas tanda dari setiap aktivitas yang terjadi dalam proses bisnis tangan saja sedangkan validasi dilakukan oleh satu advertising menjadi penting karena perlunya orang saja. Validasi-validasi ini juga memunculkan pemahaman hasil yang diharapkan dari setiap form baru untuk membantu pemeriksa untuk aktivitas untuk melakukan analisis ke depannya. melakukan validasi yang diperlukan. Form-form ini Input dan output yang diperlukan oleh masing- juga diperlihatkan pada diagram alir proses bisnis masing aktivitas menjadi salah satu bentuk usulan untuk memperjelas penambahannya. Hal spesifikasi dari proses bisnis usulan yang akan lainnya yang berubah pada proses bisnis usulan menjadi output dari penelitian ini. adalah penggabungan beberapa aktivitas menjadi satu aktivitas dalam upaya menyederhanakan proses 4.2. Identifikasi Kebutuhan Pelanggan bisnis sebelumnya. 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 Data Maning dan Database System 3-77
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  5.3. SOP Proses Bisnis Usulan 3. Beberapa aktivitas yang didapat dari hasil analisis streamlining membutuhkan rancangan Sesuai dengan hasil dari analisis streamlining SOP. Kesebelas SOP yang disusun sebelumnya, terdapat beberapa aktivitas dalam menjelaskan langkah-langkah prosedur yang proses bisnis usulan advertising yang memerlukan dimaksudkan untuk membantu SOP untuk memperbaiki kinerjanya. Di antara pegawai/pemilik proses yang bersangkutan semua aktivitas yang terdapat pada proses bisnis untuk menjalankan aktivitas sesuai dengan usulan advertising, terdapat sebelas aktivitas yang rancangan proses bisnis usulan yang tertulis. memerlukan SOP. Dalam pengembangan SOP-nya Langkah-langkah pelaksanaan prosedur ini terdapat lembar-lembar yang diadakan untuk dilengkapi dengan lembar-lembar checklist membantu proses pengerjaan aktivitas-aktivitas yang dimaksudkan sebagai upaya error tersebut. Lembar-lembar pendukung SOP ini proofing sekaligus panduan pengerjaan. dilampirkan bersamaan dengan SOP yang bersangkutan. 6.2. Saran 5.4. Perbandingan Proses Bisnis Existing Saran yang dapat diberikan dari penelitian ini dengan Proses Bisnis Usulan dapat dibagi dua menjadi saran untuk perusahaan serta saran untuk penelitian-penelitian ke depannya. Proses Bisnis Pertama yang akan dibahas adalah saran untuk PT. XYZ. Perbandingan Existing 1. Menerapkan proses bisnis usulan dan seluruh Existing Usulan Aktual SOP-nya dalam pelaksanaan kegiatan Waktu Siklus advertising. 235.6 1040 199.9 2. Melakukan continuous improvement secara (Jam) berkala. Efisiensi (Tn) 65% 21% 67% 3. Dalam mengidentifikasi dan memperbaiki Jumlah proses bisnis sebaiknya pandangan dari 51 51 48 Aktivitas keseluruhan personil diikutsertakan. 4. Perbaikan proses bisnis dan standardisasi prosedur kerja dilakukan untuk keseluruhan 6. Kesimpulan dan Saran aktivitas dalam perusahaan. 6.1. Kesimpulan Selain saran untuk perusahaan berikut adalah beberapa saran dan untuk penelitian ke depannya. 1. Efisiensi waktu siklus suatu proses bisnis harus 1. Analisis proses bisnis advertising yang disesuaikan dengan implementasi yang memiliki nilai selain Rp 200,000,000.- hingga memungkinkan. Mengingat adanya perbedaan Rp 500,000,000.-. yang cukup signifikan antara waktu siklus 2. Analisis proses bisnis advertising pada aktual dengan waktu siklus tertulis untuk beberapa kantor di beberapa daerah yang proses bisnis existing, efisiensi yang dilakukan berbeda. pada penelitian ini adalah mengurangi 3. Melakukan tahapan Continuous Improvement perbedaan tersebut. Usulan dari penelitian ini untuk proses bisnis usulan yang telah dilakukan menghasilkan suatu proses bisnis dengan dan diimplementasikan sebelumnya sebagai efisiensi sebesar 67%, waktu siklus selama penelitian lanjutan. 199.9 jam, dan aktivitas yang terlibat sebanyak 4. Membangun sistem database online yang 48 buah. terintegrasi antar seluruh divisi dalam 2. Proses bisnis advertising usulan hasil penelitian perusahaan untuk hal penggunaan tenaga ini disusun berdasarkan perubahan yang outsourcing. 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. 3-78 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Data Maning dan Database System 3-79
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-80 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penanganan Mising Value dengan Metode Bound and Collapse pada Struktur Bayesian Network Sayuti Rahman, Ihsan Lubis, Husni Lubis Sekolah Tinggi Teknik Harapan (STTH) Medan Masay.ram@gmail.com Abstrak Makalah ini bertujuan untuk memaparkan cara kerja metode BC untuk mengkonstruksi struktur BN Berkembang pesatnya teknologi dari data yang tidak lengkap. Paparan akan dimulai penyimpanan data menyebabkan penumpukan data dengan mendeskripsikan definisi umum BN, yang belum dimanfaatkan secara optimal, metoda BC, konstruksi struktur BN dengan BC, memunculkan teknologi Data Mining. Teknologi ini analisa metode BC, dan experimen yang dilakukan. bekerja dengan melakukan penambangan data untuk memperoleh pola (pattern). Salah satu teknik dalam data mining adalah Bayesian network (BN). 2. Tinjauan Pustaka makalah ini menyampaikan paparan tentang proses Data complete disebut juga dengan data konstruksi struktur DAG (network) BN dari basis lengkap, contoh dekomposisi relation/table R data incomplete dengan metode Bound and menjadi beberapa fragmen R1 , R2 , ..., Rn Collapse (BC) yang bekerja bukan dengan Missing dikatakan komplit kalau setiap item data pada R In Principle. dapat juga ditemukan di beberapa R i. Sedangkan Algoritma BC dalam tugas akhir ini sangat data incomplete adalah kebalikan dari data complete memuaskan hingga data yang sulit untuk dikelola atrinya data ini tidak lengkap atau item data pada R menjadi dapat digunakan dengan baik. Data yang tidak ditemukan dibeberapa Ri (Dunning dan tidak lengkap dikelola oleh Bound and Collapse, Freedman 2008). pada tahap Bound dicari estimasi probabilitas Incomplete data atau sering disebut dengan minimum dan maksimum, lalu dijadikan estimasi missing of data, Seringkali, sebagian atau semua probabilitas tunggal pada tahap Collapse, sehingga dari data hilang (missing) dari sebuah subjek. data dapat dikelola dan dibuat Bayesian network- nya. 2.1. Metode Bound and Collapse 1. Pendahuluan Metode BC pada awalnya dikembangkan untuk mengestimasi probabilitas kondisional yang Salah satu tahapan dalam proses Knowledge mendefinisikan hubungan ketergantungan Discovery in Databases (KDD) adalah data mining, (dependency) dalam sebuah BN berdasarkan dari yaitu sebuah langkah yang menghasilkan pattern basis data yang incomplete. Kemudian BC dari data dengan menerapkan algoritma analisis dan dikembangkan lebih lanjut sehingga dapat penemuan data. Ada beberapa teknik yang dapat menghasilkan struktur grafis BN. Dalam digunakan dalam proses data mining, antara lain mengkonstruksi struktur BN dari basis data classification, regression, clustering, incomplete, BC mengasumsikan kondisi data summarization, dependency modeling, dan change Missing At Random (MAR) (Ramoni and Paola and deviation detection. 1997). Asumsi lain adalah adalah sebagai berikut : Contoh metode yang sering digunakan untuk 1. Atribut-atribut dalam basis data memiliki nilai konstruksi BN (Bayesian Network) dari basis data yang diskret. incomplete adalah algoritma EM dan Gibbs 2. Informasi tentang keterurutan node (node Sampling. Kedua metode tersebut bekerja ordering) telah didefinisikan. berdasarkan Missing Information Principle. Prinsip Metode BC memiliki tiga bagian utama, yang kerjanya adalah melengkapi data yang hilang pertama adalah pencarian interval estimasi terlebih dahulu, kemudian mengkonstruksi struktur probabilitas, disebut dengan tahap bound. Bagian dengan menggunakan data yang lengkap. Karena kedua adalah tahap collapse yang mencari nilai harus melengkapi nilai-nilai yang hilang, maka estimasi tunggal dari interval yang telah diperoleh. semakin banyak jumlah missing data semakin Sedangkan bagian terakhir adalah pembangunan banyak waktu ekseskusi yang diperlukan. struktur BN itu sendiri. Data Maning dan Database System 3-81
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 p (j| i) min ...…..... 2.1 Gambar 3.1 Activity Diagram Tahap BC • Untuk nilai probabilitas maksimum, dinotasikan dengan p (j| i) Pada keadaan awal akan dilakukan max pemeriksaan data yang telah ada pada database yang telah dimasukan pada bagian input data, jika ……… 2.2 data ditemukan pada database maka langkah selanjutnya inisialisasi parameter lamda, m dan n, 2.3 Tahap Collapse kebalikanya bila data tidak tersedia maka akan dilakukan pengecekan data ulang. Setelah Dari interval yang diperoleh di tahap Bound, inisialisasi langkah selanjutnya adalah pencarian selanjutnya dicari satu nilai estimasi tunggal dari jumlah data yang mempunya data lengkap yang probabilitas kondisional yang bersesuaian ditampung pada variabel n dan data yang tidak (dinotasikan dengan ). Adapun nilai lenkap pada variabel m, setelah ditemukan nilai n dihasilkan melalui per-samaan berikut (Ramoni and dan m langkah selanjutnya akan mencari Paola 1997): kemungkinan maksimum dan minimum atau p(max) dan P(min) dangan rumus pada persamaan 2.1 dan persamaan 2.2, dari selang interval 2.3 probabilitas p(min) dan P(max) maka ditetapkan estimasi tunggalnya dengan rumus pada persamaan dimana: 2.3. • = p(X = j| Y = i, X = ?), yaitu probabilitas nilai X = j jika ditemukan kasus dimana nilai X 3.2. Activity Diagram Bayesian Network tidak diketahui (X=?) sementara diketahui bahwa nilai Y yang bersesuaian adalah i (Y=i). Skenario use case Bayesian Network dapat dilihat pada gambar 3.5 : • 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 3.2 Activity Diagram Membangun struktur BN 3-82 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada gambar 3.5 dapat dilihat bagaimana Pcollapse(A=1|B=1) = (0.5*0.71)+(1-0.5)*0.57 membangun sebuah DAG Bayesian Network, pada = 0.642857143 keadaan awal ditentukan masing-masing field pada Dimana database yang nantinya akan dibangun sebuah nBA Adalah dimana ditemukan kondisi Jaringan Bayesian, field tersebut dianggap sebagai node yang tidak terhubung dengan node lainnya, (A=1,B=1) node yang terpisah tersebut akan dicari parent dari α BA Adalah jumlah B=1 dan diketahui A=1 masing-masing node, setelah menemukan parent mB Adalah jumlah B=? dan diketahui A=1 dengan scoring fungtion maka node dibuat arc sesuai dengan parentnya. Sehingga terbentukalah nB + Adalah jumlah A=1 sebuah DAG Bayesian Network. 4. Pengujian 3.3. Perhitungan BC Berguna atau tidaknya program akan diuji, Perhitungan BC pertama kali dilakukan untuk adapun contoh data yang dibuat sperti terlihat pada memberi nilai kemungkinan terhadap data yang gambar 4.6. 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 Gambar 4.1 database yang diuji 1 1 ? 2 Cara pengujian penulis menggunakan 3 cara: 2 1 1 2 1. Menghilangkan data yang tidak lengkap Jika data yang tidak lengkap dihilangkan, maka 2 1 2 2 akan mengubah probabilitas yang ada seperti telihat 1 ? 2 1 pada gambar 4.7 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 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. = 0.571428571 2. Membiarkan data tetap untuk mencari probabilitas maksimum 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 = 0.714285714 dengan melihat dari tetangganya. Hal ini lebih efesien karena tidak mengubah data yang telah ada. Data Maning dan Database System 3-83
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. 3-84 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Optimasi Pengolahan KWH Meter pada PT. PLN (PERSERO) Menggunakan Genetic Algorithm Darjat Saripurna, Jufri Halim, Ishak STMIK Triguna Dharma Medan Email : darjat_btw@yahoo.com Abstrak Dalam hal ini mencoba mengembangkan suatu sistem tentang Informasi Stand Kwh yang dibuat Pencatatan KWH meter di setiap rumah yang dengan alat bantu computer yang menggunakan sekarang dikerjakan oleh PT. PLN (Persero) fasilitas software-software (perangkat lunak) seperti banyak mengalami gangguan terutama saat Mysql, Microsoft Visual Basic 2008 dan Crystal petugas dari PT. PLN (Persero) mencatat Report 8.5. penggunaan pemakaian daya listrik pada akhir Berdasarkan permasalahan diatas maka PT. bulan. Gangguan pencatatan KWH meter yang PLN (Persero) Cabang Binjai memerlukan suatu ditimbulkan oleh manusia sering disebabkan waktu sistem yang lebih baik sesuai dengan kebutuhan dan kelelahan dalam pencatatan penggunaan daya yang dapat listrik. Untuk mengatasi masalah tersebut, maka Membantu penyampaian informasi yang lebih perlu optimasi pada pengolahan KWH meter cepat dan efisien dalam mengolah data-data menggunakan database dengan metode genetic pemakaian pelanggan. algorithm. Bila diinginkan untuk mendapatkan kinerja yang optimum dari KWH meter tersebut. 2. Penentuan Data Flow Diagram Maka parameter-parameter dari KWH meter perlu dikaji lagi dengan menggunakan Genetic Penggambaran sistem dan arus data dibuat Algorithm. Adapun model yang digunakan dari dengan menggunakan Data Flow Diagram (DFD) pengolahan KWH meter tersebut adalah model ini memiliki 3 entitas, yaitu: Lahta, Petugas dan program database. Pimpinan. Aliran data Sistem Informasi tersebut dapat diuraikan dengan Diagram Konteks berikut Kata kunci : Genetic Algorithm, parameter ini: 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 Gb-1, Data Flow Diagram Program untuk masyarakat, harus menjadikan kepuasan Petugas melakukan penginputan data pelanggan baik pelanggan social, industri maupun program dalam sistem, data petugas tadi kemudian pelanggan rumah tangga sebagai target yang harus di teruskan ke Lahta. Lahta memberikan data dicapai. Banyak data-data pelanggan PT. PLN pelanggan ke dalam sistem yang kemudian (Persero) Cabang Binjai yang harus dikelola setiap diteruskan ke Petugas untuk dilakukan penyusunan saat, oleh karena itu diperlukan suatu system yang data pemakaian. Data pemakaian tersebut dapat mengolah data-data tersebut. Salah satunya diinputkan ke dalam sistem untuk di berikan ke yaitu memberikan informasi mengenai jumlah Lahta. Kesemua data yang masuk ke dalam sistem pemakaian pelanggan dan jenis tarif yang digunakan untuk penyusunan laporan ke Manager. digunakan. Data Maning dan Database System 3-85
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Penentuan Entity Relational Diagram Tabel-2, Normal Penggambaran sistem dan arus data dibuat dengan menggunakan Data ER ini, yaitu: 6. Optimasi Parameter Program Pencatatan KWH meter Dengan Menggunakan Genetic Algorithm Gb-2, Entyty Relational Diagram a. Genetic Algorithm 4. Penentuan Diagram Alir Genetic Algorithm adalah metode lain yang Penggambaran sistem dan arus data dibuat biasa digunakan untuk menentukan parameter dengan menggunakan Diagram Alir ini, yaitu: 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: Gb-3, Entyty Relational Diagram Tabel-3, Program KWH meter 5. Penentuan Normalisasi Penggambaran sistem dan arus data dibuat dengan menggunakan Data Normalisai ini, yaitu: Tabel-1, UnNormal Id No. No Bln Thn Daya Ranting Total Konsumen Gardu 1/450 Pancur 1 Juni 2011 2345 111 Rp. 25.340 VA Batu Juli Rp. 35.604 2 2435 1/220 VA 112 Tuntungan Rp. 45.345 Selanjutnya parameter pencatatan program database KWH meter ini dikodekan dengan bilangan decimal dan nilai fitness (kemampuan) 3-86 Data Maning dan Database System
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  maksimum didapatkan untuk menentukan nilai meter ini didapat dari waktu, efisiensi dan tenaga kesalahan terkecil tersebut. Maka setiap parameter operasional. program pencatatan KWH meter ini dapat dilakukan dengan genetic algorithm. Dalam hal ini b. Hasil Perhitungan error function diperoleh sebagai formula dari kuadrat Program error function, sedangkan fitness Hasil dari nilai fitness yang dinyatakan oleh function adalah inverse dari error. Sasaran dari kurva fitness terhadap jumlah generasi yang terlihat genetic algorithm membuat nilai error minimum pada gambar-5 yang menghasilkan parameter atau membuat fitness maksimum. Error function pencatatan KWH meter secara optimum yang dapat dituliskan sebagai : terlihat pada table-4. 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-5, Nilai fitness terhadap Populasi Dan dengan cara yang sama karakteristik Gambar-4, Genetic algorithm program database terhadap waktu dari data pada table-4 dapat ditentukan hasilnya pada gambar-6. 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 Gambar-6, Karakteristik Tenaga Orang terhadap Dimana ri : bilangan acak, dengan : Waktu hasil Genetic Algorithm I = 1,2,3, …,m 7. Kesimpulan iii. Mutasi Nilai Random dinyatakan oleh : Dengan Genetic Algorithm nilai arus maksimum, arus awal dan arus nominal dapat Xi = Xi^k + random nilai [ E ] dinaikkan secara optimum seperti terlihat pada Yi = yi^k + random nilai [ E ] table-4. Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Tabel-4 Hasil Simulasi Pelanggan Waktu Waktu Yi = nilai random [ Ymin, Ymax ] Pelanggan Pelanggan Hasil evaluasi pada proses genetic algorithm, digunakan untuk mencari nilai error terkecil atau Konsumen Program nilai fitness terbesar. Nilai error yang diperoleh (menit) (menit) digunakan untuk menentukan parameter pencatatan 2345 60 menit 45 menit KWH meter menggunakan genetic algorithm i 2435 60 menit 45 menit tersebut. Parameter pencatatan program KWH Data Maning dan Database System 3-87
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 3-88 Data Maning dan Database System

More Related Content

PDF
Laporan praktikum Fislab mikrokontroler LM 35
Bogiva Mirdyanto
 
PDF
Teknik Penulisan Karya Ilmiah
Sutraagungs
 
PDF
Mobile Adhoc Network dan Wireless Sensor Network
Arif Setiawan
 
DOC
sensor suhu LM35
Myauwna Anggun
 
PPTX
Metodologi penelitian sikomo
Wildan Ramadhan
 
PDF
tabel matrik
AldiFajriansyah
 
PDF
Tugas 2
Sutraagungs
 
PPTX
Presentation seminar proposal TA
Ian March
 
Laporan praktikum Fislab mikrokontroler LM 35
Bogiva Mirdyanto
 
Teknik Penulisan Karya Ilmiah
Sutraagungs
 
Mobile Adhoc Network dan Wireless Sensor Network
Arif Setiawan
 
sensor suhu LM35
Myauwna Anggun
 
Metodologi penelitian sikomo
Wildan Ramadhan
 
tabel matrik
AldiFajriansyah
 
Tugas 2
Sutraagungs
 
Presentation seminar proposal TA
Ian March
 

More from Dony Riyanto (20)

PDF
KNIME For Enterprise Data Analytics.pdf
Dony Riyanto
 
PDF
Implementasi Teknologi Industri 4.0 pada TNI AD
Dony Riyanto
 
PDF
Blockchain untuk Big Data
Dony Riyanto
 
PDF
Mengenal ROS2 Galactic
Dony Riyanto
 
PDF
Membuat Desain Roket Amatir dan Menjalankan Simulasi
Dony Riyanto
 
PDF
Creating UDP Broadcast App Using Python Socket on WIndows & Linux
Dony Riyanto
 
PDF
Desain ground control & Sistem Pendukung untuk Male UAV/UCAV
Dony Riyanto
 
PDF
Application Performance, Test and Monitoring
Dony Riyanto
 
PDF
Cloud Service Design for Computer Vision, Image & Video Processing+Analytics
Dony Riyanto
 
PDF
RealNetworks - SAFR Platform Whitepaper
Dony Riyanto
 
PDF
Dl6960 Demo Software User's Guide v1.4
Dony Riyanto
 
PDF
Review of Existing Response System & Technology.
Dony Riyanto
 
PDF
Beberapa Studi Kasus Fintech Micro Payment
Dony Riyanto
 
PDF
Rencana Pengembangan REST API dan Microservice pada MONEVRISBANG
Dony Riyanto
 
PDF
Implementasi Full Textsearch pada Database
Dony Riyanto
 
PDF
Beberapa strategi implementasi open api untuk legacy system existing app
Dony Riyanto
 
PDF
Pengenalan Big Data untuk Pemula
Dony Riyanto
 
PDF
Introduction to BACnet: Building Automation & Control Network
Dony Riyanto
 
PDF
Enterprise Microservices
Dony Riyanto
 
PPTX
Edge Exploration of QR Code Technology Implementation
Dony Riyanto
 
KNIME For Enterprise Data Analytics.pdf
Dony Riyanto
 
Implementasi Teknologi Industri 4.0 pada TNI AD
Dony Riyanto
 
Blockchain untuk Big Data
Dony Riyanto
 
Mengenal ROS2 Galactic
Dony Riyanto
 
Membuat Desain Roket Amatir dan Menjalankan Simulasi
Dony Riyanto
 
Creating UDP Broadcast App Using Python Socket on WIndows & Linux
Dony Riyanto
 
Desain ground control & Sistem Pendukung untuk Male UAV/UCAV
Dony Riyanto
 
Application Performance, Test and Monitoring
Dony Riyanto
 
Cloud Service Design for Computer Vision, Image & Video Processing+Analytics
Dony Riyanto
 
RealNetworks - SAFR Platform Whitepaper
Dony Riyanto
 
Dl6960 Demo Software User's Guide v1.4
Dony Riyanto
 
Review of Existing Response System & Technology.
Dony Riyanto
 
Beberapa Studi Kasus Fintech Micro Payment
Dony Riyanto
 
Rencana Pengembangan REST API dan Microservice pada MONEVRISBANG
Dony Riyanto
 
Implementasi Full Textsearch pada Database
Dony Riyanto
 
Beberapa strategi implementasi open api untuk legacy system existing app
Dony Riyanto
 
Pengenalan Big Data untuk Pemula
Dony Riyanto
 
Introduction to BACnet: Building Automation & Control Network
Dony Riyanto
 
Enterprise Microservices
Dony Riyanto
 
Edge Exploration of QR Code Technology Implementation
Dony Riyanto
 
Ad

Recently uploaded (16)

DOCX
Soal_TKA_Produk_Kreatif_Kewirausahaan.docx
naimcicik
 
PPT
Algoritma-Dan-Pemrograman-C---Tipe-Data.ppt
reroll8com
 
PPTX
MODUL 1 LK.1.1. tentang kecerdasan artifisial
jokoleo51
 
PPTX
Mengenal komponen aplikasi Ms Office Excel.pptx
nafidadeliani6
 
PPTX
ASJ 2 - database materi administrasi sistem jaringan kelas XII
ayu726
 
PPT
Bab 1 Berpikir Komputasional - Part 1.ppt
NoviMirzahRachmawati
 
PDF
BAB 2 Berpikir Komputasional Kelas X.pdf
reroll8com
 
PPT
4-Arsitektur-Data Warehuse materi kuliah.ppt
mochammadagri
 
PPTX
Perangkat Keras - Jantung Komputer (Informatika)
bakusedu1
 
PDF
MOdul 5 PEDAGOGIK KODINGDAN KECERDASAN ARTIFISIAL.pdf
jokoleo51
 
PPT
industrial network system to era 1 2 3 4 and so on
ekoarifkerja2024
 
PPT
8. Perawatan dan perbaikan instalasi mesin.ppt
kurniarandi1
 
PPTX
1_PPT_Konsep Dasar Teknologi Informasi.pptx
ghiyaltinovilia1
 
PPTX
Pert-03 Evolusi dan Kinerja Komputer.pptx
mochammadagri
 
PPTX
Belajar Jaringan Komputer Presentasi dalam Biru Ilustrasi_20250827_093825_000...
hannamailita
 
PPTX
Security Awareness Training – ISO 27001 2022 v.1.pptx
Alfid Ardyanto
 
Soal_TKA_Produk_Kreatif_Kewirausahaan.docx
naimcicik
 
Algoritma-Dan-Pemrograman-C---Tipe-Data.ppt
reroll8com
 
MODUL 1 LK.1.1. tentang kecerdasan artifisial
jokoleo51
 
Mengenal komponen aplikasi Ms Office Excel.pptx
nafidadeliani6
 
ASJ 2 - database materi administrasi sistem jaringan kelas XII
ayu726
 
Bab 1 Berpikir Komputasional - Part 1.ppt
NoviMirzahRachmawati
 
BAB 2 Berpikir Komputasional Kelas X.pdf
reroll8com
 
4-Arsitektur-Data Warehuse materi kuliah.ppt
mochammadagri
 
Perangkat Keras - Jantung Komputer (Informatika)
bakusedu1
 
MOdul 5 PEDAGOGIK KODINGDAN KECERDASAN ARTIFISIAL.pdf
jokoleo51
 
industrial network system to era 1 2 3 4 and so on
ekoarifkerja2024
 
8. Perawatan dan perbaikan instalasi mesin.ppt
kurniarandi1
 
1_PPT_Konsep Dasar Teknologi Informasi.pptx
ghiyaltinovilia1
 
Pert-03 Evolusi dan Kinerja Komputer.pptx
mochammadagri
 
Belajar Jaringan Komputer Presentasi dalam Biru Ilustrasi_20250827_093825_000...
hannamailita
 
Security Awareness Training – ISO 27001 2022 v.1.pptx
Alfid Ardyanto
 
Ad

3. data maning dan database system

  • 1. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pengukuran Kadar Kepekatan Asap pada Lahan Gambut Arif Gunawan1, Moch. Rivai 2, dan Eko Setijadi3 1 Teknik Telekomunikasi Politeknik Caltex Riau 2,3 Intitut 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 Gambar 1. karakteristik Lahan gambut (Suwido H. yang berbeda dengan terbakarnya lahan lain. Limin, edisi 7 mei 2003) Dalam penelitian ini dilakukan degan 2 buah pengujian , yang pertama mengambil sempel lahan Kejadian kebakaran hutan dan lahan di gambut dan dilakukan pembakaran didalam ruang provinsi riau memiliki pengaruh yang besar isolator dan mengukur kadar partikel dengan 5 bua terhadap terjadinya polusi kabut asap yang melintas sensor, yaitu TGS2442 (CO), batas negara. Pada umumnya kebakaran yang TGS2201(Metana),TGS 4161(Co2) dan terjadi di provinsi riau berada di lahan gambut yang TGS2612(Gas Oil), serta LM35 sebagai sensor mendominasi wilayah ini sebesar 60 %, oleh karena suhu. Pengujian ke dua adalah pengukuran itu, kabut asap merupakan fenomena alam yang langsung dengan meletakan sensor dan sistem di umum terjadi pada saat musim kebakaran dan sekitar daerah yang terbakar (dilakukan pada saat memberikan dampak terhadap negara tetangga masyarakat membuka lahan untuk perkebunan seperti malaysia dan Singapore elias ( Inyoman jaya sawit) .Setelah itu hasil data sensor diinputkan ke wistara,2009). Untuk itu penting kiranya di lakukan mikrokontroller dan selanjutnya ditransmisikan ke suatu penelitian untuk mengetahui kandungan PC/Laptop via RS232 dan untuk selanjutnya partikel dari hasil pembakaran lahan gambut di ditampilkan dalam bentuk grafik untuk mengetahui propinsi riau. Untuk mengetahui kandungan partikel kandungan asap dari hasil pembakaran lahan maka digunakan beberapa buah sensor yaitu sensor gambut. suhu (LM35), sensor TGS2201 ( gas oline), TGS4161(gas Co2), TGS2442 (gas CO), dan sensor Kata kunci : transmitter, receiver, sensor TGS2612 ( gas methan). 1. Pendahuluan 2. Tinjauan Pustaka Kebakaran hutan di Indonesia pada saat ini Adapun sistem sensor yang di gunakan dapat dipandang sebagai bencana regional dan global. Hal ini disebabkan karena hasil pembakaran adalah: yang dilepas ke atmosfer salah satu contoh CO2, berpotensi menimbulkan pemanasan global. Pembukaan lahan gambut berskala besar dengan 2.1. Sensor TGS2442 membuat saluran/parit telah menambah resiko TGS2442 menggunakan struktur multilayer terjadinya kebakaran di lahan gambut pada musim sensor. Menampilkan TGS2442 baik selektivitas kemarau. untuk karbon monoksida, sehingga ideal untuk memonitoring kandungan CO. Pada gambar grafik Data Maning dan Database System 3-1
  • 2. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 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 Gambar 2. Karakteristik rangkaian TGS2442 diukur cukup lebar yakni antara –55°C sampai dengan 150°C. 2.2. Sensor TGS2201 2.5. Mikrokontroler ATMega8535 TGS2201 dapat mendeteksi 2 kandungan pada 1 substrate dan menghasilkan 2 keluaran secara Mikrokontroler AVR memiliki arsitektur terpisah untuk merespon kandungan gas RISC 8 bit, dimana semua instruksi dikemas dalam pembuangan diesel dan gas pembuangan bensin. kode 16-bit (16-bits word) dan sebagian besar Rs = Resistansi sensor gas yang ditampilkan pada instruksi dieksekusi dalam 1 (satu) siklus clock, berbagai konsentrasi. berbeda dengan instruksi MCS51 yang Ro = Resistansi sensor pada saat udara bersih. membutuhkan 12 siklus clock. AVR berteknologi Setelah dilakukan perhitungan berdasarkan RISC. karakteristik rangkaian Modul sensor dan ruang pengujian Gambar 5. Ruang pengukuran dan module Sensor Gambar 3. Karakteristik sensor 2201 yang di gunakan 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 6. PC monitor Sensor Gas 3-2 Data Maning dan Database System
  • 3. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Blok Diagram Sistem Secara sensor agar dapat membaca kandungan partikel gas Keseluruhan dan Prinsip Kerja tentunya setelah dipanaskan oleh tegangan heater. Sistem 3.2. Flow Chat Pengukuran Pada rangkaian diatas mengunakan 5 buah sensor suhu (LM35), sensor TGS2201 (gas oline), Dalam pembuatan sistem ini dilakukan dengan TGS4161(gas Co2), TGS2442 (gas CO), dan sensor beberapa cara salah satunya adalah perancangan TGS2612 (gas Metan). Hasil pembacaan sensor system sensor,berikut perancangan system 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 Gambar 9. Flowchat sensor 3.1. Rangkaian 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 Gambar 8. Rangkaian sensor 4.1. Pengujian tanpa asap Pada gambar 8 terdapat 3 buah rangkaian, yaitu rangkaian sensor TGS2612, rangkaian sensor Pengujian yang dilakukan tanpa asap di ruang TGS2442, dan rangkaian sensor TGS2201. Pada simulasitor, dengan hasil pembacaan sensor adalah setiap sensor mempunyai RH (tahanan heater) dan dalam pengujian ini gambut yang sudah diambil RS. RH berfungsi sebagai tahanan untuk tegangan hutan akan di bakar di dalam ruang simuator heater, adapun tegangan heater berfungsi untuk adapun ruang simulator yang di buat adalah memanaskan sensor agar dapat membaca berdiameter 120 cm x 50 cm x 40 cm sepertigambar kandungan partikel gas. Dan RS berfungsi sebagai di bawah ini tahanan untuk tegangan circuit,adapun tegangan circuit befungsi untuk memberi tegangan pada Data Maning dan Database System 3-3
  • 4. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar 10. Ruang simulator ukur asap 1450 33 6 94 19 97.25 1500 33 6 94 19 97.5 1550 33 6 94 19 97.5 Kemudian di lakukan pembakaran sampah gambut 1600 33 6 94 19 97.75 dan masukan kedalam ruang simulator ,sampah 1650 33.25 6 94 19 97.75 yang diambil sebelumnya di timbang memiliki berat 1700 33.5 6 94 19 98.25 1.5 kg, dan sensor mendeteksi perubahan yang 1750 33.75 6 94 19 98.5 1800 34 6 94 16.5 98.75 terjadi. Untuk mendapatkan data yang Valid 1850 34 6 94 17 99 pertama di lakukan pengukuran mendeteksi kondisi 1900 34 6.25 94 17.5 99 normal ruangan tanpa asap gambut. Dan hasil 1950 34 6.25 94.25 18.5 99 pengukuranya seperti di bawah ini. 2000 34 6.5 94.25 18.5 99 2050 34 6.5 94.5 18.25 99 Tabel 1. Pengukuran ruangan tanpa asap 2100 34 6.75 94.5 19 99 2150 34 6.75 94.75 18 99 Data ke Suhu Metana Gas oline CO Co2 2200 34 7 94.75 19.5 99.25 2250 34 7 95 18 99.5 50 31.37 1.00 41.00 14.60 97.00 2300 34 7 95 18 99.5 100 31.39 1.00 42.40 14.60 97.00 2350 34 7 95 18 99.75 150 31.41 1.00 43.10 14.60 97.00 2400 34 7 95 18 100 200 31.44 1.00 43.18 14.60 97.00 2450 34 7 95 18 100 250 31.46 1.00 43.25 14.60 97.00 2500 34 7.25 95 20 100 300 31.49 1.00 43.33 14.60 97.00 2550 34 7.5 95 20 100 350 31.51 1.00 43.40 14.60 97.02 400 31.54 1.00 43.48 14.60 97.05 2600 34 7.5 95 20 100 450 31.56 1.00 43.55 14.60 97.07 2650 34 7.75 95 19.5 100 500 31.59 1.00 43.63 14.60 97.07 2700 34 8 95 19 100.25 550 31.61 1.00 43.70 14.60 97.07 2750 34 8.25 95 18.5 100.5 600 31.63 1.00 43.78 14.63 97.07 2800 34 8.5 95 20 100.75 650 31.66 1.00 43.85 14.65 97.07 2850 34 8.5 95 20 101 700 31.68 1.00 43.93 14.66 97.07 2900 34 8.75 95 20 101 750 31.71 1.00 43.98 14.68 97.07 2950 34 9 95 20 101 800 31.73 1.00 44.00 14.70 97.07 3000 34 9 95 20 101 850 31.76 1.00 44.57 14.73 97.07 3050 34 9 95 20 101 900 31.78 1.00 45.00 14.75 97.07 Dari tabel diatas dapat kita lihat pada suhu tertinggi Dalam pengambilan data sensor dilakukan sampai yaitu 34 oC mengandung unsur metan tertinggi 9 dengan 900 data dan telah di rata-ratakan ppm, gas oline 95 ppm, CO 20ppm, dan CO2 memilikihasil seperti tabel1. Terlihat di dalam adalah 101 ppm. ruangan memiliki suhu tertinggi 31.78 oC, methan 1 ppm, gas oline 45ppm, gas CO 14,75 ppm, dan 4.3. Pengujian dengan asap dilokasi CO2 97.07 ppm. pembukaan lahan sawit Adapun tujuan pengukuran ini adalah 4.2. Pengujian dengan asap untukmendapatkan data sebenarnya pada saat warga Pengukuran kedua adalah dengan membakar melakukan pembukaan lahan sawit. Walapun sulit sampah gambut dan meletakan di dalam ruang mendapatkan kondisi yang konstan konsentrasi dari simulator , dan sensor mendeteksi perubahan asap gambut yang terbakar karena beberapa hal perubahan di dalam ruang simulator. Dan hasilnya yaitu: seperti tabel di bawah ini. 1. Sulitnya menjangkau daerah yang terbakar karena medan yang sulit 3-4 Data Maning dan Database System
  • 5. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  2. Kondisi cuaca angin yang membuat sulit 4450 33.77 1.89 69.51 15.00 96.57 mendapatkan konsentrasi yang luas 4500 33.82 2.00 70.29 15.00 96.60 4550 33.82 2.37 71.09 15.00 96.73 3. Luasnya areal yang terbakar 4600 33.83 2.54 71.66 15.00 96.74 4. Sulit memetakan luas daerah yang terbakar 4650 33.83 2.66 71.91 15.00 96.77 sebagai acuan ukur. 4700 33.86 2.74 72.09 15.00 96.89 5. Sulitnya mengindetifikasi lokasi hotspot/ titik 4750 33.86 2.89 72.86 15.00 97.00 apai karena proses terbakarnya sangat singkat 4800 33.87 2.91 73.00 15.00 97.00 4850 33.90 2.94 73.17 15.00 97.00 Sebagai pembanding maka diambil data 4900 33.91 3.00 74.26 15.00 97.00 kondisi kualitas udara daerah setelah selesai terjadinya pembakaran untuk adapun data nya Dari data yang diperoleh menunjukan bahwa adalah sebagai berikut . hasil pembakaran lahan gambut menghasilkan beberapa partikel gas diantaranya adalah methan Tabel 3. Kondisi sesudah kualitas udara setelah dengan konsentrasi 3 ppm, gas oline dengan terjadinya kebakaran konsentrasi 74,26 , gas CO ( karbon monoksida ) 15 Gas  ppm , dan gas CO2 adalah 97 ppm. Data ke  suhu  Methan   CO   CO2  Oline  5050  32.00  0.40  49.00  14.00  95.00  5100  32.00  0.65  49.00  14.00  95.00  5. Kesimpulan 5150  32.00  0.74  49.00  14.00  95.00  5200  32.00  0.77  49.00  14.00  95.00  Berdasarkan data yang di peroleh bahwa asap 5250  32.00  0.89  49.00  14.00  95.00  hasail pembakaran lahan gambut di ruang terbuka 5300  32.00  0.89  49.00  14.00  95.00  mengandung banyak unsur CO (15 ppm), 5350  32.00  0.90  49.00  14.00  95.00  CO2(97ppm) , Methan( 3 ppm), gas oline (74,26 5400  32.00  0.91  49.00  14.00  95.00  ppm). Dengan demikian pembakaran lahan gambut 5450  32.03  0.96  49.00  14.00  95.00  turut menyumbang dampak polusi di kota 5500  32.09  1.00  49.00  14.00  95,7  5550  pekanbaru. 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 Data Maning dan Database System 3-5
  • 6. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 3-6 Data Maning dan Database System
  • 7. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Analisis Efektivitas Algoritma C4.5 dalam Menentukan Peserta Pemenang Tender Projek Jose Augusto Duarte Guterres, Paulus Mudjihartono, Ernawati 1 Magister Teknik Informatika Universitas Atma Jaya Yogyakarta 2,3 Universitas Atma Jaya Yogyakarta [email protected] , [email protected], [email protected] Abstrak keputusan yang terbaik dalam memilih kontraktor [1]. Pemilihan kontraktor yang tepat dalam Penentuan pemilihan terhadap kontraktor menangani sebuah projek dapat pula bertujuan untuk mengetahui kemampuan secara mempengaruhi kualitas kerja. Keputusan teknis oleh panitia penyelenggara tender projek Pemenang tender projek merupakan keputusan akan pentingnya suatu perencanaan pembangunan yang dilakukan oleh panitia penyelenggara tender untuk tahapan projek selanjutnya. Persaingan usaha projek yang bersifat transparan yang dapat yang semakin ketatpun melatarbelakangi perlunya memberikan nilai riil sesuai dengan ketentuan sistem penilaian sebagai alat evaluasi kinerja dalam menentukan pemenang tender projek. Saat konsultan perencana dalam menangani suatu projek ini dalam penentuan pemenang tender projek masih perencanaan, sehingga tercipta suatu produk bersifat manual sehingga informasi-informasi yang perencanaan yang optimal, sebagai acuan merupakan kriteria penentuan pemenang tender pelaksanaan pekerjaan konstruksi dan sebagai suatu projek terkadang terabaikan. keunggulan [3] dalam pendukung keputusan. Kriteria penilaian yang peneliti gunakan Pembuatan sistem pendukung keputusan dalam menentukan pemenang tender projek menurut [2] untuk prakualifikasi kontraktor yang meliputi evaluasi administasi, evaluasi teknis, dalam pembuatan model base-nya dilakukan evaluasi harga dan evaluasi kualifikasi. Empat dengan mengidentifikasi variabel-variabel pembeda kriteria tersebut, peneliti gunakan untuk terhadap kinerja kontraktor dari segi Evaluasi mengklasifikasikan pemenang tender projek administrasi, evaluasi teknis, evaluasi harga, dan menggunakan algoritma C4.5 dengan mencari nilai evaluasi Kualifikasi. Hal tersebut dapat dilihat dari Entropy dan Gain yang mana dapat membentuk validasi eksternal yang dilakukan terhadap data pohon keputusan dalam menentukan pemenang yang tidak dipergunakan dalam pembuatan model tender projek. Penentuan pemenang tender projek base yang memberikan keakuratan cukup tinggi [2]. ini setelah dianalisa dengan menggunakan Sistem pendukung keputusan digunakan dalam algoritma C4.5 dapat memberikan informasi yang memadukan data dan pengetahuan untuk efektif dalam menentukan peserta pemenang tender meningkatkan efektivitas dan efisiensi dalam proses projek. pengambilan keputusan [4]. Dalam sistem pendukung keputusan terdapat informasi-informasi Kata Kunci : Algoritma C4.5, Entropy, Gain, yang perlu ditelaah lebih dalam lagi sehingga Pemenang tender projek, Pohon informasi-informasi yang dibutuhkan dalam Keputusan. pemecahan sebuah masalah dapat diselesaikan dengan baik. Dalam sistem pendukung keputusan, 1. Pendahuluan terdapat pula sebuah teknik penggalian data atau yang dikenal dengan penambangan data (data Menurut [1] menyampaikan bahwa Pemilihan mining) untuk menyelesaikan suatu masalah dalam kontraktor yang tepat dalam menangani sebuah memberikan informasi-informasi yang dibutuhkan, projek dapat pula mempengaruhi kualitas kerja metode penggalian data tersebut biasa dikenal dalam kemajuan pembangunan yang didasarkan dengan teknik penambangan data. pada evaluasi multi-atribut. Penilaian dalam Penambangan data merupakan proses analisis berbagai atribut untuk dipertimbangkan dalam data untuk menemukan suatu pola dari kumpulan pemilihan kontraktor dapat membantu data-data. Penambangan data mampu menganalisa meningkatkan proses seleksi dalam mendapatkan data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Data Maning dan Database System 3-7
  • 8. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Salah satu teknik yang ada pada penambangan data Di mana : adalah klasifikasi. Beberapa kelompok klasifikasi, S = Himpunan kasus di antaranya adalah pohon keputusan, Bayesian dan A = Atribut jaringan saraf. Salah satu klasifikasi penambangan i = Jumlah Partisi Atribut data dalam pohon keputusan adalah Algoritma Si = Jumlah Kasus pada partisi ke i C4.5. Dalam algoritma C4.5 pemilihan atribut S = Jumlah Kasus dalam S 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 Gambar 1. Pohon Keputusan Lengkap (Abidin., A. pohon keputusan dalam menangani peserta Z. Z., 2011) pemenang tender projek yang mana secara umum algoritma C4.5 dapat membangun pohon keputusan Gambar 1 menunjukan pohon keputusan dalam [10] adalah sebagai berikut: pemberian rekomendasi ajar [11]. Jumlah simbol 1. Pilih atribut sebagai akar lingkaran sebagai node menunjukkan jumlah atribut 2. Buat cabang untuk masing-masing nilai sebagai atribut sumber kognitif, minat dan nilai 3. Bagi kasus dalam cabang awal. Sedangkan atrinut tujuan berupa rekomendasi 4. Ulangi proses untuk masing-masing cabang ajar yang bernilai induktif dan nondirektif. sampai semua kasus pada cabang memiliki kelas yang sama. 4. Hasil dan Pembahasan 3. Pembahasan Analisis efektivitas algoritma C4.5 dalam menentukan pemenang tender projek seperti pada Algoritma C4.5 adalah pengembangan dari tabel 1, data penetuan pemenang tender projek algoritma ID3. Oleh karena pengembangan tersebut merupakan tahap pengambilan keputusan algoritma C4.5 mempunyai prinsip dasar kerja yang berdasarkan kriteria evaluasi administrasi, evaluasi sama dengan algoritma ID3, hanya saja Algoritma teknis, evaluasi harga dan evaluasi kulaifikasi untuk C4.5 menggunakan pendekatan induksi dimana, dijadikan sebagai modal pengetahuan dalam dalam pendekatan ini, algoritma C4.5 membagi- membentuk sebuah pohon keputusan. Analisis dan bagi data berdasarkan kirteria yang di pilih untuk perancangan sistem yang dapat membantu membuat sebuah pohon keputusan. Algoritma C4.5 memberikan keputusan kepada panitia ini juga menggunakan pendekatan secara top-down penyelenggara tender projek akan kemungkinan [5] dalam algoritma C4.5 ([7] [9] [8] [6] 2007) perserta tender projek yang akan menerima atau pemilihan atribut dilakukan dengan menggunakan tidaknya sebuah projek diantaranya menentukan Gain Ratio dengan rumus : pohon keputusan, menentukan aturan, model data, fungsionalitas sistem dan perancangan struktur Entropy(S ) = ........(1) halaman. Implementasi sistem menggunakan bahasa pemrograman Visual studio dan MySQL Atribut dengan nilai Gain Ratio tertinggi dipilih sebagai database-nya. sebagai atribut test untuk simpul. Dengan gain Sebagai langkah awal untuk melakukan adalah information gain dengan rumus : perhitungan pencarian nilai gain dan entropy dapat dilihat pada kasus di bawah ini (Tabel 1). Misalkan Gain(S,A) ditampilkan 54 dataset pengujian untuk klasifikasi C4.5 = Entropy(S) - .........(2) 3-8 Data Maning dan Database System
  • 9. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel 1. Tabel Dataset Uji Penentuan peserta Baris Total Kolom Entropy pada Tabel 2 di pemenang tender projek hitung dengan Rumus Sebagai Berikut Peserta Evaluasi Evaluasi Evaluasi Evaluasi  Keputusan Penawaran Tender Trojek (P) Adminstrasi Teknis Harga Kualifikasi (Diterima Atau Tidak) P1 Baik Tinggi Tinggi Lengkap No P2 Baik Tinggi Tinggi  Tidak Lengkap No P3 Baik Tinggi Sedang Lengkap Yes P4 Baik Tinggi Sedang Tidak Lengkap No P5 Baik Tinggi Rendah Lengkap Yes P6 Baik Tinggi Rendah Tidak Lengkap No P7 Baik Sedang Tinggi Lengkap Yes P8 P9 Baik Baik Sedang Sedang Tinggi  Sedang Tidak Lengkap Lengkap No Yes Entropy(Total) = (-37/54 * Log2 (37/54)) + (- P10 P11 Baik Baik Sedang Sedang Sedang Rendah Tidak Lengkap Lengkap No Yes 17/54 * Log2(17/54) P12 Baik Sedang Rendah Tidak Lengkap No P13 Baik Rendah Tinggi Lengkap No P14 Baik Rendah Tinggi  Tidak Lengkap No P15 P16 Baik Baik Rendah Rendah Sedang Sedang Lengkap Tidak Lengkap Yes No Entropy(Total) = ((-37/54) * 0,584962501) + ((- P17 P18 Baik Baik Rendah Rendah Rendah Rendah Lengkap Tidak Lengkap Yes No 17/54) * (-1,584962501) P19 cukup Tinggi Tinggi Lengkap No P20 P21 cukup cukup Tinggi Tinggi Tinggi  Sedang Tidak Lengkap Lengkap No Yes = 0,37372339 + 0,524929986 P22 P23 cukup cukup Tinggi Tinggi Sedang Rendah Tidak Lengkap Lengkap No Yes = 0,898653376 Perhitungan selanjutnya adalah menghitung P24 cukup Tinggi Rendah Tidak Lengkap No P25 cukup Sedang Tinggi Lengkap Yes P26 cukup Sedang Tinggi  Tidak Lengkap No P27 P28 cukup cukup Sedang Sedang Sedang Sedang Lengkap Tidak Lengkap Yes No nilai gain total untuk Evaluasi Administrasi dengan P29 P30 cukup cukup Sedang Sedang Rendah Rendah Lengkap Tidak Lengkap Yes No menggunakan persamaan (2) berdasarkan nilai entropy dari masing-masing atributnya sebagai P31 cukup Rendah Tinggi Lengkap No P32 cukup Rendah Tinggi  Tidak Lengkap No P33 cukup Rendah Sedang Lengkap No P34 P35 cukup cukup Rendah Rendah Sedang Rendah Tidak Lengkap Lengkap No Yes berikut : P36 cukup Rendah Rendah Tidak Lengkap No P37 Kurang Tinggi Tinggi Lengkap No P38 Kurang Tinggi Tinggi  Tidak Lengkap No P39 Kurang Tinggi Sedang Lengkap Yes P40 Kurang Tinggi Sedang Tidak Lengkap No P41 Kurang Tinggi Rendah Lengkap Yes P42 Kurang Tinggi Rendah Tidak Lengkap No P43 Kurang Sedang Tinggi Lengkap No P44 Kurang Sedang Tinggi  Tidak Lengkap No P45 Kurang Sedang Sedang Lengkap Yes P46 Kurang Sedang Sedang Tidak Lengkap No P47 Kurang Sedang Rendah Lengkap Yes P48 Kurang Sedang Rendah Tidak Lengkap No P49 Kurang Rendah Tinggi Lengkap No P50 Kurang Rendah Tinggi  Tidak Lengkap No P51 Kurang Rendah Sedang Lengkap No P52 Kurang Rendah Sedang Tidak Lengkap No P53 Kurang Rendah Rendah Lengkap No P54 Kurang Rendah Rendah Tidak Lengkap No EntropyAdminstrasi (Baik) = (-11/18 * Untuk bisa menentukan nilai-nila gain dan entropy Log2(11/18) + (-7/18) * Log2(7/18) dari masing-masing atribut di atas, maka terlebih = 0,434190401 + 0,529888364 kita konversi ke dalam bentuk tabel klasifikasi yang = 0,964078765 lebih detail sebagai berikut : EntropyAdminstrasi (Cukup) = (-12/18 * Tabel 2. Tabel klasifikasi untuk perhitungan nilai Log2(12/18) + (-6/18) * Log2(6/18) gain dan entropy = 0,389975 + 0,528320834 = 0,918295834 Node Jumlah No Yes Entropy GAIN Kasus (S) (S1) (S2) EntropyAdminstrasi (Kurang) = (-14/18 * 1 TOTAL 54 37 17 0,898653376 Evaluasi 0,016460341 Log2(14/18) + (-4/18) * Log2(4/18) Administrasi Baik 18 11 7 0,964078765 = 0,281998951 + 0,482205556 Cukup 18 12 6 0,918295834 = 0,764204507 Kurang 18 14 4 0,764204507 Evaluasi 0,216674141 Information Gain (Total,EVAdmin) Teknis Tinggi 18 12 6 0,918295834 = 0,898653376 - ((18/54 * 0,964078765 ) Sedang 18 10 8 0,99107606 Rendah 18 15 3 0,650022422 + (18/54 * 0,918295834 ) + (18/54 * 0,764204507)) Evaluasi 0,079182323 Harga Tinggi 18 16 2 0,503258335 = 0,898653376 - (0,882193035) Sedang 18 11 7 0,964078765 = 0,036102799 Rendah 18 10 8 0,99107606 Perhitungan nilai entropy dan gain diteruskan Evaluasi 0,423175351 sampai atribut terakhir dan diperoleh nilai-nilai gain Kualifikasi Lengkap 27 10 17 0,950956048 Tidak Lengkap 27 27 0 0 dan entropy tertentu. Hasil dari nilai gain kemudian dibandingkan dengan nilai gain lainnya untuk mencari nilai tertinggi yang akan dijadikan acuan Setelah tabel 2 dibuat, maka langkah untuk melakukan proses perhitungan kembali pada selanjutnya adalah melakukan perhitungan nilai proses pembentukan struktur pohon [10]. pada entropy dengan menggunakan persamaan (2), untuk perhitungan pada Tabel 2 diatas maka nilan Gain mencari nilai gain nya nanti. Langkah pertama Tertinggi terdapat pada Atribut Evaluasi Kualifikasi mencari nilai entropy total, dilakukan sebagai Sehingga membentuk pohon Keputusannya seperti berikut : pada gambar 1. Data Maning dan Database System 3-9
  • 10. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Gambar 2. Pohon Keputusan Untuk Evaluasi Kualifikasi 10. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND Tender Projek Menggunakan algoritma C4.5 (Administrasi Cukup) THEN YES. 11. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Setelah melakukan perhitungan seperti Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Kurang) THEN YES. langkah perhitungan dengan mencari nilai gain dan 12. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi etropy maka proses selanjutnya adalah melakukan Harga Tinggi) AND (Evaluasi Teknis Rendah) THEN perhitungan kembali, yang mana atribut evaluasi NO. kualifikasilah yang menjadi akar perhitungan sehingga bisa mendapatkan nilai entopy dan gain 4.2. Algoritma C4.5 dengan Metode Lain : untuk proses selanjutnya. Setelah semua proses dihitung maka dapat membentuk pohon keputusan a. Algoritma C4.5 yang lengkap seperti pada gambar 3. Algoritma C4.5 dalam aplikasi weka dikenal juga dengan J48 maka hasil dari C4,5 adalah b. Algoritma ID3 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. c. Aturan NNge 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. 3-10 Data Maning dan Database System
  • 11. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  5. Kesimpulan Ieee., 2010, Assessment Of The Risk Factors Of Coronary Heart Events Based On Data Dari Hasil Analisis data diatas dengan Mining With Decision Trees, Ieee. pembuktian-pembukitan algoritma C4.5 [6] Al-Hegami, Ahmed Sultan., 2007, Classical berdasarkan literatur yang digunakan maka dapat And Incremental Classification In Data disimpulkan bahwa metode algoritma C4.5-pun Mining Process, Ijcsns International Journal dapat diterapkan dalam menentukan peserta Of Computer Science And Network Security, pemenang tender projek dengan menggunakan Vol.7 No.12, December. kriteria kriteria evaluasi administrasi, evaluasi [7] Chih-Chiang Wei., And Jiing-Yun You., teknis, evaluasi harga dan evaluasi kualifikasi dan 2011, C4.5 Classifier For Solving The jika dibandingkan dengan metode lain seperti ID3 Problem Of Water Resources Engineering, dan NNge maka algoritma C4.5 memiliki correctly Proceeding Of The International Conference classified yang lebih tinggi jika dibandingkan On Advanced Science, Engineering And dengan metode yang lain (metode ID3 dan aturan Information Technology, Isbn 978-983- NNge) dan root relative squere error Pada 42366-4-9, Juanuary. algoritma C4.5 lebih rendah jika dibandingkan [8] Karegowda, Asha Gowda., Manjunath, A. S., dengan metode yang lain (metode ID3 dan aturan And Jayaram, M.A., 2010, Comparative NNge) sehingga algoritma C4.5 dapat dikatakan Study Of Attribute Selection Using Gain Ratio sebagai metode yang efektif dalam menentukan And Correlation Based Feature Selection, peserta pemenang tender projek. International Journal Of Information Technology And Knowledge Management, Referensi Volume 2, No. 2, Pp. 271-277, July- December. [1] Turskis, Zenonas., 2008., Multi-Attribute [9] Minegishi, Tatsuya., Ise, Masayuki., Niimi, Contractors Ranking Method By Applying Ayahiko., Konishi, And Osamu., 2009, Ordering Of Feasible Alternatives Of Extension Of Decision Tree Algorithm For Solutions In Terms Of Preferability Stream Data Mining Using Real Data, Fifth Technique, Baltic Journal On Sustainability, International Workshop On Computational 14(2): 224–239. Intelligence & Applications, Ieee Smc [2] Demir, Hülya And Bostanci, Bülent., 2010., Hiroshima Chapter, Hiroshima University, Decision-Support Analysis For Risk Japan, November. Management, African Journal Of Business [10] Kusrini, Luthfi, E. T., 2009, Algoritma Data Management, Vol. 4(8), Pp. 1586-1604,18 Mining, Edisi 1, Andy Offset, Yogyakarta. July, Issn 1993-8233 ©2010 Academic [11] Abidin., A. Z. Z., 2011, Implementasi Journals. Algoritma C4.5 dalam menganalisa [3] Diputra, I Gede Astawa., 2009, Sistem kemungkinan pembelian komputer sebagai Penilaian Kinerja Konsultan Perencana media pembelajaran mahasiswa, Digital Dalam Menangani Proyek Perencanaan Information & Sistem conference, ISBN 978- Bangunan Gedung, Jurnal Ilmiah Teknik Sipil 979; Bandung. 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., Data Maning dan Database System 3-11
  • 12. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-12 Data Maning dan Database System
  • 13. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 terjadinya perubahan-perubahan yang dampaknya mempengaruhi segala aspek kehidupan dan terjadi Persoalan Travelling Salesperson Problem- secara berkelanjutan pada lingkungan perusahaan TSP merupakan persoalan optimasi untuk mencari pengiriman barang standar nasional. perjalanan terpendek bagi pedagang keliling yang Salah satu jenis perkembangan ilmu ingin berkunjung ke beberapa kota, dan kembali ke pengetahuan dan teknologi adalah perkembangan kota asal keberangkatan. TSP merupakan dunia komputasi, satu diantaranya adalah kemajuan persoalan yang sulit bila dipandang dari sudut sistem informasi. Hampir tidak ada batas ruang dan komputasinya. Beberapa metode telah digunakan waktu sehubungan dengan sistem informasi untuk memecahkan persoalan tersebut namun tersebut, informasi dari tempat yang jauh secara hingga saat ini belum ditemukan algoritma yang fisik dapat dengan cepat dan mudah diketahui oleh mangkus untuk menyelesaikannya. Cara termudah kita. Melalui Sistem Informasi berbasis teknologi untuk menyelesaikan TSP yaitu dengan mencoba informasi pekerjaan menjadi mudah, efektif dan semua kemungkinan rute dan mencari rute yang efisien. terpendek. Namun, pada zaman yang serba praktis PT. Pos Indonesia sebagai perusahaan sekarang ini dibutuhkan algoritma yang dapat mediator dalam bidang pengiriman dan antaran menyelesaikan TSP dengan cepat sehingga mempunyai tantangan berat dalam menghadapi diperoleh solusi yang mendekati solusi optimal. dampak perubahan yang ada saat ini, antara lain Algoritma TSP sangat tepat digunakan untuk yaitu adanya pola pergeseran demand masyarakat penyelesaian masalah optimasi yang kompleks dan dimana unit-unit pelayanan masih belum maksimal, sukar diselesaikan dengan metode konvensional. namun di sisi lain kebutuhan konsumenpun semakin Data rute dan jarak serta waktu tempuh yang meningkat, selain itu masalah-masalah yang digunakan untuk menentukan rute terpendek pada berkaitan dengan sarana pelayanan, pengiriman sistem ini didapat dari hasil survey di kantor pos barang, tarif pengiriman, keadaan barang, kepuasan Lhokseumawe. konsumen, keselamatan kerja, dan lain sebagainya juga perlu mendapatkan perhatian dan penanganan Kata kunci : Algoritma Graph, Rute Terpendek, yang serius. Travelling Salesperson Problem, Proses antaran paket yang sedang berjalan di Tracking Paket, Web. kantor pos, khususnya daerah Aceh menggunakan   rute transportasi umum, dengan armada yang sangat 1. Pendahuluan terbatas sehingga membutuhkan waktu yang lama. Jika kantor pos kecamatan (KPC) ingin mengirim 1.1 Latar belakang Masalah paket ke kota lain maka paket tersebut harus diolah Perkembangan ilmu pengetahuan dan terlebih dahulu oleh kantor pos pemeriksa (KPRK) teknologi kian pesat, hal tersebut dapat dilihat dan untuk kemudian dikirim ke kota tujuan, walaupun dirasakan secara langsung maupun tidak langsung. jarak antara Kantor pos kecamatan lebih dekat Perkembangan tersebut tengah berdampak pada dengan kota tujuan. segala aspek kehidupan manusia. Globalisasi yang Permasalahannya adalah bagaimana terjadi sekarang ini mengakibatkan terjadinya menentukan rute yang tepat sehingga paket dapat perubahan-perubahan yang dampaknya sampai ke kota tujuan dalam waktu yang sesingkat mempengaruhi segala aspek kehidupan dan terjadi mungkin dengan menggunakan rute tersebut, paket secara berkelanjutan, termasuk di lingkungan yang sampai ke suatu kota atau kantor pos dapat perusahaan pengiriman barang standar nasional. diarahkan ke kantor pos berikutnya yang tepat Globalisasi yang terjadi dewasa ini mengakibatkan sehingga paket menuju kota atau kantor pos Data Maning dan Database System 3-13
  • 14. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penerima dengan delai (delay) waktu yang Lhokseumawe dalam menentukan rute pengiriman minimum. Dengan kata lain, harus menentukan paket dari satu kota ke kota lainnya sehingga dapat lintasan terpendek dan mendekati yang akan dilalui menghemat waktu dalam proses pengiriman paket. oleh paket tersebut dari kantor pos pengirim ke Diharapkan dapat memberikan sumbangan bagi kantor pos penerima. pengembang ilmu di bidang komputer dan Dalam proses antaran paket dari satu kota ke informatika serta memanfaatkan kemajuan kota lain tentunya perlu ada pertimbangan efisiensi teknologi untuk kemajuan masyarakat, waktu dan biaya oleh Perusahaan sehingga pembelajaran bagi mahasiswa teknik informatika diperlukan ketepatan dalam menentukan rute khususnya dan sebagai implementasi ilmu terpendek antar suatu kota. Hasil penentuan rute pengetahuan dari penelitian tersebut. terpendek bisa didapatkan dengan menggunakan metode pendekatan algoritma Travelling 1.5 Tujuan Penelitian Salesperson Problem (TSP), yaitu algoritma yang mencari panjang lintasan terpendek dan mendekati   Tujuan penelitian ini adalah merancang dan optimal dari titik asal ke titik tujuan dan kembali ke mengimplementasikan sebuah sistem penelusuran titik asal dalam sebuah graf berbobot tersambung paket yang dapat memberikan kemudahan bagi dengan biaya minimal. suatu permasalahan tracking dengan menggunakan Dari latar belakang masalah di atas, maka metode pendekatan algoritma TSP pada kantor Pos judul yang dapat diangkat dalam tesis ini yaitu Lhokseumawe. ”Sistem Tracking Antaran Paket Pada Unit Pelayanan PT.Pos Indonesia menggunakan metode 1.6 Batasan Masalah pendekatan Algoritma Graph - Travelling Berdasarkan latar belakang masalah tersebut, Salesperson Problem (TSP). agar hasil penelitian ini maksimal maka pembahasan masalah hanya dibatasi pada: 1.2 Rumusan Masalah 1. Pencarian rute terpendek antaran paket menggunakan algoritma Graph TSP. Adapun permasalahan dalam penelitian ini 2. Rute di dalam sistem ini mengacu pada titik dapat dirumuskan sebagai berikut : yang telah ditentukan oleh PT.Pos sebagai 1. Bagaimana memilih dan menentukan rute-rute sarana untuk memberikan laporan. terpendek yang mendekati optimal untuk 3. Data yang digunakan dalam sistem ini adalah antaran paket dari kota asal ke kota tujuan data sekunder (rute, data jarak, dan data kantor kemudian kembali ke kota asal. pos di Aceh) yang bersumber dari kantor pos 2. Bagaimana mengimplementasikan algoritma Lhokseumawe dan kantor perhubungan Aceh TSP dalam menentukan rute pada proses antaran Utara. paket. 3. Bagaimana membuat aplikasi untuk pencarian rute antaran paket di kantor pos Lhokseumawe. 2. Tinjauan Pustaka dan Landasan Teori 1.3 Keaslian Penelitian 2.1 Tinjauan Pustaka Penelitian sejenis yang pernah dilakukan oleh peneliti sebelumnya dilakukan dengan cara Penelitian sebelumnya dilakukan Mukti (2005) menggunakan algoritma djikstra dalam menentukan dengan judul membangun system informasi lokasi titik terdekat pengeboran batubara. Dengan geografis untuk pemetaan papan reklame di dasar tersebut di atas penulis akan mencoba Yogyakarta. Pada penelitian tersebut masih melakukan penelitian yang bersifat baru, sampai menggunakan software tambahan macromedia flash dengan saat ini sepanjang yang penulis ketahui, sebagai antar muka sehingga file yang dihasilkan belum ada dan belum pernah dilakukan penelitian dengan digitasi deprogram arcview harus diekspor tentang penggunaan sistem tracking antaran paket menjadi file berekstensi *.dxf sehingga melakukan pada unit pelayanan PT. Pos Indonesia dua kali pekerjaan selain itu digitasi onscreen pada menggunakan metode pendekatan Algoritma Graph program arcview jika di ekspor kedalam file dxf “Travelling Salesperson Problem (TSP)” menjadi kurang sempurna. Perangkat lunak arcview sebebarnya sudah di desain cukup lengkap bahkan arcview bisa membuat antar muka sendiri dengan 1.4 Manfaat Penelitian menggunakan fasilitas customize dan tidak perlu   Manfaat dari penelitian adalah diharapkan menggunakan perangkat yang lain. Disini penulis dapat menjadi salah satu acuan bagi kantor Pos 3-14 Data Maning dan Database System
  • 15. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  menggunakan software arcview dan Microsoft jumlah titik yang terdapat adalah empat buah dan access untuk menyimpan basis data. banyak kemungkinan lintasannya adalah tiga buah. Penelitian ini juga mengacu pada penelitian Yaitu : 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 Gambar 2.9 contoh tiga macam lintasan kasus informasi yang lebih detail sehingga informasi yang dihasilkan hanya berupa atribut dari theme yang Lintasan pertama = (a,b,c,d,a) atau (a,d,c,b,a) ada. Arcview memiliki fasilitas hotlink sehingga Mempunyai panjang = 10 + 12 + 8 + 15 = 45. dapat membantu menampilkan informasi yang lebih Lintasan Kedua = (a,c,d,b,a) atau (a,b,d,c,a) lengkap dan menarik. Dan penelitian ini penulis Mempunyai panjang = 12 + 5 + 9 + 15 = 41, telah menggunakan fasilitas hotlink sehingga dapat Lintasan Ketiga = (a,c,b,d,a) atau (a,d,b,c,a) ditampilkan informasi yang lebih luas dan lebih Mempunyi panjang = 10 + 5 + 9 + 8 = 32 detail. Karena fasilitas hotlink dapat menerima Dari hasil enumerasi ini didapat hasil minimum masukan yang berupa file text, image, dan file doc, yaitu 32. Tetapi jumlah enumerasi dari algoritma ini sehingga dapat ditampilkan informasi yang lebih adalah (n – 1)! yang tidak akan efisien jika jumlah n luas dan lebih menarik. bernilai sangat besar. 2.2 Landasan Teori 2) Branch and Bound 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 Gambar: Branch and Bound tahun 1800 oleh matematikawan Irlandia Sir William Rowan Hamilton dan matematikawan Sama dengan complete enumeration, pada Inggris Thomas Penyngton Kirkman, pusat algoritma Branch and Bounpun ternyata memiliki perhatian studi ini adalah menemukan secara pasti kompleksitas algoritma (n-1)!, dimana n adalah nilai minimum dari persoalan TSP dengan jumlah kota. Untuk kasus diatas hasil yang di capai konsekuensi dibutuhkan waktu yang cukup lama adalah 15 untuk menyelesaikannya. 2.2.3 Metode Aproksimasi 1) Complete Enumeration Greedy Heuristic 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 Gambar: Greedy Heuristic Data Maning dan Database System 3-15
  • 16. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada algoritma ini, pemilihan lintasan akan Metodologi yang digunakan adalah analisis dimulai pada lintasan yang memiliki nilai paling dan desain terstruktur dengan tahap-tahap sebagai minimum, setiap mencapai suatu kota, algoritma ini berikut : akan memilih kota selanjutnya yang belum dikunjungi dan memiliki jarak yang paling 3.3.1 Penelitian Lapangan (Field Research) minimum. Algoritma ini disebut juga Nearest a. Dalam melakukan penelitian ini penulis Neighbour. melakukan Observasi, Yaitu metode Kompleksitas algoritma ini memang sangat pengumpulan data dengan menggunakan mengagumkan yaitu O(n), tetapi hasil yang kita pengamatan langsung dan pencatatan dengan dapat bisa sangat jauh dari hasil yang optimal, sistematik terhadap gejala atau fenomena yang semakin banyak kota semakin besar pula perbedaan terkait tanpa mengajukan pertanyaan. hasil yang dicapai. Misalnya untuk contoh kasus b. wawancara dengan Kepala bagian Pengolahan yang sama dengan algoritma Branch and Bound data dan Kepala bagian pusat informasi di sebelumnya yang menghasilkan nilai 15, maka kantor pos Lhokseumawe. Teknik analisis algoritma ini menghasilkan nilai 18 berbeda sebesar terhadap sistem yang ada atau sedang berjalan 20% dari hasil sebelumnya padahal jumlah kota c. Implementasi, Yaitu metode dengan cara hanya 5 buah. mengimplementasikan hasil perancangan yang   telah dibuat menjadi suatu tampilan yang 3. Metodologi Penelitian menarik sehingga memudahkan dalam pembelajaran tentang objek penelitian. 3.1 Lokasi Penelitian d. Metode Uji Coba, Yaitu suatu metode dimana perancangan yang telah diimplementasikan Lokasi penelitian adalah PT.Pos Indonesia kedalam program dapat diuji cobakan (Persero), kantor cabang Lhokseumawe, Dinas kebenarannya kepada orang lain yang ingin Perhubungan Aceh Utara, Bapedda Aceh Utara dan mempelajarinya. Bapedda Lhokseumawe. 3.3.2 Penelitian Kepustakaan (Library Research) 3.2 Alat dan Bahan Penelitian Metode ini merupakan metode pengumpulan 3.2.1. Alat Penelitian data dengan cara mempelajari literature, paket modul dan panduan, buku-buku pedoman, buku- 1) Perangkat Keras buku perpustakaan dan segala kepustakaan lainnya Perangkat keras yang digunakan dalam yang dianggap perlu dan mendukung. penelitian ini yaitu : Spesifikasi perangkat keras (hardware) yang digunakan pada penelitian ini 3.4 Langkah-langkah Penelitian yaitu berupa Laptop dengan spesifikasi tinggi Intel Core2Duo, Memory 2GB, dan nVidia Graphic Langkah-langkah dalam melakukan penelitian 512MB, Serta alat cetak printer Canon MP450 ini adalah sebagai berikut untuk memudahkan peneliti dalam melakukan a. Tahap Perancangan Sistem penelitian b. Perancangan graf dan algoritma TSP yaitu untuk 2) Perangkat Lunak, PHP dan MySQL - Menentukan graf yang akan dipakai.   - Menggambarkan graf sesuai dengan Peta 3.2.2. Bahan Penelitian jalan seluruh Aceh. Bahan penelitian yang dibutuhkan adalah - Menentukan titik-titik didalam graf. sebagai berikut : - Memasukkan bobot nilai dalam graf. a. Data kantor pos di Nanggroe Aceh Darussalam - Menentukan rute-rute yang bisa dilewati b. Data Paket di kantor pos untuk antaran paket dari titik awal ke titik- c. Data rute yang dilalui pada saat antaran paket titik selanjutnya. d. Data lokasi kantor pos - Menentukan rute terpendek atau nilai e. Data jarak antar kota dan kabupaten di minimumnya dengan menggunakan Nanggroe Aceh Darussalam algoritma TSP. f. Peta jalan Nanggroe Aceh Darussalam. c. Tahap Pembuatan Sistem g. Data berita seputar perusahaan Langkah-langkah yang digunakan untuk h. Data profile Perusahaan membuat sistem adalah sebagai berikut : i. Data Tarif - Menentukan bahasa pemograman yang akan dipakai. 3.3 Metode Pengumpulan Data - Membuat tabel-tabel database. 3-16 Data Maning dan Database System
  • 17. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  - Merancang menu interface sistem. Table: Perhitungan Rute optimal dari simpul awal a - Mengimplementasikan sistem kedalam = A (Lsm) kesemua simpul lainnya. bahasa pemograman. (Untuk Nilai D) 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: 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:   4.2 Rute Terpendek Menggunakan Algoritma TSP Table Perhitungan Rute optimal dari simpul awal a = A (Lsm) kesemua simpul lainnya.   (Untuk Nilai S):   4.3 Implementasi Sistem 4.3.1 Lokasi Sistem Tracking     Data Maning dan Database System 3-17
  • 18. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar: Hasil dari pencarian rute terpendek ditambahkan modul-modul lain yang menggunakan algoritma TSP mendukung sistem ini 2. Dalam menentukan rute optimal algoritma TSP Gambar di atas menunjukkan pencarian rute tidak selamanya dapat memberikan rute yang terpendek dari node asal A ke node tujuan N. Proses nilainya minimal, karena prinsip yang pencarian rute terpendek dari node asal A ke node digunakan oleh algoritma TSP disini adalah akhir N menggunakan algoritma TSP melalui semua cara dicoba untuk mencari rute yang proses penentuan titik ke titik yang terdekat optimal, untuk bisa mendapatkan pencarian rute berdasarkan bobot jarak. Algoritma TSP akan optimal secara baik kedepannya dalam mencari semua lintasan yang mungkin dilewati pencarian rute terpendek bisa menggunakan menuju titik akhir untuk kemudian ditentukan algoritma yang lebih luas ruang lingkup lintasan terpendeknya. Dan lintasan terpendek dari kerjanya. node asal A ke node akhir N dapat melewati A – F – K– L – M - N dengan total jarak 371 Km. Daftar Pustaka Betha, Sidik, Ir, 2002, Pemrograman Web dengan 5. Penutup PHP, Penerbit Informatika, Bandung 5.1 Kesimpulan Handoyo, Hendri Purwo, dkk, Pemecahan Masalah Jalur Terpendek dengan Travelling Setelah membuat aplikasi sistem tracking SalesPerson Problem, Jurusan Teknik antaran paket dengan menggunakan Algoritma TSP Informatika Sekolah tinggi Teknologi Telkom, pada PT. Pos Indonesia Persero Lhokseumawe, Bandung. maka dapat diambil kesimpulan sebagai berikut: Hardi, Richki, 2007. Sistem Ekspedisi Paket 1. Sistem ini dapat menemukan urutan kunjungan Sentral Pengolahan Pos Yogyakarta PT. Pos lokasi (satu lokasi hanya dikunjungi satu kali) Indonesia (Persero) Berbasis WEB. Skripsi yang total "nilai"-nya paling optimal (bisa S1 Universitas Ahmad Dahlan, Yogyakarta. minimal atau maksimal bergantung tujuannya). Hardi, Richki, 2009. Tugas Analisa Algoritma "Nilai,' di sini bisa berupa jarak, biaya, Graph. kenyamanan, dan sebagainya. tujuannya adalah Kadir, Abdul, 2008. Dasar Pemograman Web menemukan urutan lokasi pengantaran paket Dinamis Menggunakan PHP. Penerbit Andi, yang total jaraknya paling minimal. Yogyakarta. 2. Aplikasi sistem Tracking paket ini dapat Munir, Rinaldi, 2005. Buku Teks Ilmu Komputer digunakan untuk meningkatkan pencarian paket Matematika Diskrit Edisi Ketiga. Penerbit dan penentuan rute dalam pengiriman paket Informatika, Bandung. serta mempersingkat waktu pencarian rute Nugroho, Bunafit, 2004, Aplikasi Pemograman antaran paket secara efektif dan efisien serta Web Dinamis dengan PHP dan MySQL, menyediakan informasi yang cepat dan mudah. Penerbit Gava Media, Yogyakarta. 3. Sistem Tracking paket ini sangat efektif dalam Pradhana, Aditya Bayu, Studi Dan Implementasi memberikan hasil yang akurat dan terkini Persoalan Lintasan Terpendek Suatu Graf, tentang status dan kondisi paket. Program Studi Teknik Informatika, Institut 4. Sistem Tracking paket ini menyediakan Teknologi Bandung. keamanan data kepada setiap kantor cabang dan Rafiudin, Rahmat. 2004. Panduan Menjadi juga kantor pusat yang mempunyai hak akses, Seorang Webmaster. Penerbit yaitu dengan memberikan user ID dan password Andi,Yogyakarta. yang dapat di enkripsi. Setioko, Budy, Solusi Chinese Postman Problem yang Berprinsip Greedy. Jurusan Teknik 5.2 Saran Informatika, Sekolah Tinggi Teknologi Telkom, Bandung. Beberapa saran yang dapat diberikan untuk Sigit, Poncow, Analisis dan Perancangan Sistem, pengembangan sistem tracking ini adalah sebagai Khusus untuk kalangan sendiri. berikut: 3-18 Data Maning dan Database System
  • 19. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Ha milton.html http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Kirk man.html http://www.oup.co.uk/isbn/0-19-853916-9 Data Maning dan Database System 3-19
  • 20. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-20 Data Maning dan Database System
  • 21. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 dengan demikian kesejahteraan hidup masyarakat petani akan semakin baik. Teknologi informasi dan komunikasi diyakini sebagai alat yang mampu membuat perubahan Kata Kunci : pertanian, penanaman, pemeliharaan, dalam kehidupan manusia yang dapat diaplikasikan teknologi komunikasi dan informasi. dalam berbagai bidang yang bertujuan untuk memberikan kemudahan dalam aktivitas kehidupan sehingga memberikan manfaat bagi masyarakat. 1. Pendahuluan. Kajian ini dilakukan untuk mengetahui manfaat dan Keberhasilan penerapan suatu sistem pengaruh Teknologi informasi dan komunikasi informasi yang didukung oleh perangkat teknologi dalam pengembangan pertanian baik dalam bidang informasi merupakan tujuan dari manajemen penanaman, pemeliharaan, prediksi panen hinga perusahaan sehingga tercipta cara kerja yang efektif proses pengolahan hasil panen, serta untuk dan efisien, namun demikian dalam prakteknya mengoptimalkan pemanfaatan faktor faktor tidak sedikit perusahaan yang mengalami kegagalan produksi pertanian dalam peningkatan produktifitas dalam membangun suatu sistem informasi yang komoditi pertanian. Kajian ini menggunakan terintegrasi dengan baik. Hal itu disebabkan oleh metode kepustakaan dalam melihat manfaat dan beberapa faktor yang harus dipertimbangkan untuk pengaruh Teknologi informasi dan komunikasi memberikan solusi terhadap permasalahan tersebut, dibidang pertanian. Berdasarkan hasil kajian sehingga diperlukan komitmen dan kerja keras yang diketahui; a) teknologi informasi dan komunikasi cerdas dari tim implementator system demi berperan penting dalam pengembangan pertanian terciptanya kesuksesan dalam penerapan suatu terutama dalam bidang penanaman, pemeliharaan sistem informasi secara terintegrasi. dan prediksi panen, b) jika diaplikasikan dalam Salah satu faktor penting yang harus internet akan bermanfaat untuk mengetahui diperhatikan adalah bagaimana melakukan penanaman sesuai dengan kondisi lahan hingga perubahan cara kerja dan pola pikir pengguna agar prediksi panen yang tepat, c) petani juga akan dapat mendukung pekerjaan dengan system mendapatkan informasi yang cepat dan akurat komputerisasi. Perlu diperhatikan bahwa dengan mengakses semua informasi yang berkaitan perubahan cara kerja dan pola pikir tersebut tidak dengan kegiatan pertanian melalui internet. bisa dilakukan secara instan tetapi memerlukan Melalui kajian ini disimpulkan; a) teknologi tahapan proses yang relatif lama, terlebih bagi informasi dan komunikasi membantu memperlancar pengguna yang telah terbiasa menggunakan cara arus informasi bagi petani, b) mencegah kerja tradisional. Beberapa faktor seperti keterlambatan terutama mengenai penanaman, kecerdasan dan kedewasaan mental pengguna pemupukan, penyemprotan, pemanenan, dalam menjalankan suatu system informasi baru pengeringan bahkan ramalan cuaca, dan harga yang belum dikenal merupakan kunci keberhasilan bahan pertanian, c) teknologi informasi dan dalam melakukan implementasi system informasi komunikasi bermanfaat bagi petani untuk yang terintegrasi. Disamping itu perubahan cara mengetahui kebutuhan akan faktor produksi kerja maupun pola pikir yang didukung oleh mingguan dengan akurat. Dengan demikian perangkat teknologi informasi sangatlah teknologi informasi dan komunikasi merupakan dipengaruhi oleh perubahan organisasi harapan yang dapat digunakan oleh petani (organization change). Indonesia sebagai alat pengembangan pertanian Perubahan organisasi ini identik dengan untuk meningkatkan produktivitas pertanian maka upaya perubahan budaya (culture) perusahaan. Perubahan budaya perusahaan ini sangat ditentukan Data Maning dan Database System 3-21
  • 22. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  oleh peranan top manajemen perusahaan sebagai penanaman, peternakan, dan perikanan. Salah satu teladan (contoh) bagi karyawan / pengguna untuk contoh teknologi informasi komunikasi yaitu mendukung cara kerja dengan dukungan penuh internet yang menyajikan dunia tanpa batas. Lewat penggunaan teknologi informasi. Penelitian ini sarana inilah diharapkan dapat digunakan untuk bertujuan untuk membahas bagaimana pengaruh mencari segala informasi yang dibutuhkan dan teknologi informasi dan perubahan organisasi dapat pula digunakan oleh masyarakat desa untuk dalam mencapai kesuksesan membangun suatu meningkatkan kesejahteraan perekonomian melalui sistem informasi yang terintegrasi. korespondensi dengan orang lain di berbagai penjuru dunia yang menyangkut berbagai informasi. 2. Teknologi Informasi dan Komunikasi Secara umum bahwa masyarakat desa selalu mengalami kendala dalam dalam mendapatkan dalam Bidang Pertanian informasi yang baru dan tepat. Oleh karena itu Dalam era globalisasi bahwa penguasaan informasi dari internet akan berperan sebagai terhadap teknologi komunikasi dan informasi pembeneri informasi bagi petani menyangkut merupakan suatu keharusan karena diyakini berbagai hal yang berkaitan dengan kegiatan sebagai alat pengubah. Sejarah membuktikan pertaniannya, mulai dari pemeliharaan tanaman, evolusi teknologi selalu terjadi yang pada gilirannya pemberian pupuk, irigasi, ramalan cuaca dan harga bahwa temuan teknologi tersebut dapat pasaran. Dengan internet juga bermanfaat untuk diaplikasikan untuk memperoleh kemudahan dan memberikan informasi yang menyangkut manfaat dalam aktivitas kehidupan manusia. penanaman hingga persediaan di pasar. Teknologi informasi komunikasi merupakan faktor Maka dengan demikian arus informasi akan yang sangat penting dalam mendukung peningkatan lancar sehingga keterlambatan dan miskomunikasi kualitas baik sumber daya manusia, sumber daya mengenai penanaman, pemupukan, penyemprotan, alam hingga pada pelayanan pemerintah kepada pemanenan, pengeringan, dan penjualan hampir masyarakat. Teknologi informasi mempunyai tiga tidak akan terjadi lagi. Demikian juga dengan peranan pokok yaitu : koperasi akan dapat mengetahui kebutuhan a. Instrumen dalam mengoptimalkan proses mingguan para petani secara akurat serta koperasi pembangunan, yaitu dengan memberikan akan dapat meningkatkan perannya sebagai dukungan terhadap manajemen dan pelayanan pengumpul serta pemasar hasil produksi pertanian kepada masyarakat. langsung kepada konsumen akhir. Sehingga b. Produk dan jasa teknologi informasi dengan demikian bahwa teknologi informasi dan merupakan komoditas yang mampu komunikasi ini diharapkan dapat dipergunakan oleh memberikan peningkatan pendapatan baik bagi sebanyak mungkin petani Indonesia sehingga perorangan, dunia usaha dan bahkan negara produktivitas pertanian mereka meningkat. dalam bentuk devisa hasil ekspor jasa dan produk industri telematika lainnya. 3. Peran Teknologi Informasi dan c. Teknologi informasi bisa menjadi perekat Komunikasi dalam Pertanian persatuan dan kesatuan bangsa melalui pengembangan sistem informasi yang mampu Pertanian merupakan sebuah sektor yang menghubungkan semua institusi pada area yang memilki peranan cukup penting dalam kehidupan berbeda dan berjauhan diseluruh wilayah manusia, karena merupakan sektor yang mampu nusantara. penyediaan kebutuhan akan pangan masyarakat Kesadaran akan pentingnya teknologi dalam kehidupannnya sehari-hari. Disamping itu komunikasi dan informasi (information and bahwa sektor pertanianl merupakan sektor andalan communication technologi), bukan hanya monopoli disamping sektor-sektor lainnya karena mampu kalangan pengusaha besar saja tetapi juga memberikan kontribusi bagi devisa Negara serta bertumbuh di kalangan pengusaha kecil dan menjadi tumpuan kehidupan masyarakat di daerah masyarakat lainnya, seperti koperasi, kelompok pedesaan. Akan tetapi bahwa pengelolaan usaha tani, bahkan masyarakat biasa. Teknologi informasi tani rakyat di Indonesia umumnya masih bersifat dan komunikasi berperan penting dalam tradisional dan belum menerapkan menggunakan pengembangan bisnis, kelembagaan organisasi dan teknologi baru. juga mampu mendorong percepatan kegiatan Rendahnya penerapan teknologi di pada ekonomi dan taraf hidup masyarakat. Teknologi sektor pertanian tentu berdampak pada rendahnya juga memegang peranan penting dalam produktivitas usaha tani yang dihasilkan, sementara pengembangan pertanian. Teknologi dimafaatkan itu pertambahan penduduk semakin tidak terkendali dalam tiga cabang utama pertanian yaitu maka sudah tentu kebutuhan terhadap sektor 3-22 Data Maning dan Database System
  • 23. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  pertanian dan tuntutan terhadap pangan akan yang biasa dijalankan oleh petani dengan semakin meningkat. Dalam memasuki era pengetahuan dan teknologi yang selalu berkembang perdagangan bebas pada saat ini bahwa yang menjadi kebutuhan petani tersebut. Penyuluh pembangunan sektor pertanian menghadapi pertanian akan membimbing petani dengan berbagai tantangan terutama dalam hal; pemenuhan pengetahuan dan teknologi yang sedang kecukupan pangan, peningkatan kesejahteraan berkembang untuk diterapkan kepada petani dalam petani, serta penyediaan lapangan kerja melalui usaha taninya. pengembangan usaha dan sistem agribisnis yang berdaya saing tinggi. 3.1. Peran Teknologi Informasi Dalam Maka dalam rangka memenuhi tuntutan yang Penentuan Lahan semakin besar terhadap sektor pertanian khusunya kebutuhan akan pangan, maka diperlukan adanya Penginderaan jauh dengan menggunakan upaya pengembangan di berbagai sisi, termasuk pesawat atau sejenisnya merupakan suatu ilmu atau pengembangan teknologi, sistem manajemen usaha teknologi untuk memperoleh informasi mengenai tani dan sebagainya. Pengembangan teknologi fenomena alam melalui analisis suatu data yang dibidang pertanian tentu akan sangat berpengaruh diperoleh dari hasil rekaman daerah yang dikaji. dalam proses pengembangan pertanian. Dengan Perekaman atau pengumpulan data penginderaan demikian, untuk mengelola usaha taninya dengan jauh dilakukan dengan menggunakan alat baik, petani memerlukan berbagai sumber pengindera (sensor) yang dipasang pada pesawat informasi, antara lain : kebijakan pemerintah; hasil terbang atau satelit. Dan ternyata bahwa satelit penelitian dari berbagai disiplin ilmu; pengalaman penginderaan jauh telah mampu memberikan data petani lain; dan informasi terkini mengenai prospek atau informasi yang berkaitan dengan sumberdaya pasar yang berkaitan dengan sarana produksi dan alam dataran dan sumberdaya alam kelautan secara produk pertanian. Sistem pengetahuan dan teratur dan periodik (Darsiman , B. dan Ayi informasi pertanian tersebut dapat berperan dalam Sudrajat. 2011) membantu petani dengan melibatkannya secara Untuk sektor pertanian bahwa penginderaan langsung terhadap sejumlah besar kesempatan, jauh ini mampu memberikan informasi mengenai sehingga mampu memilih kesempatan yang sesuai kesuburan dan kelayakan lahan yang sesuai dengan dengan situasi dan kondisi faktual di lapangan. jenis komoditi pertanian tertentu, pengindraan Perkembangan jejaring pertukaran informasi di dengan menggunakan pesawat sudah dilengkapi antara pelaku yang terkait merupakan aspek penting dengan remote sensing, sehingga bisa mengenali untuk mewujudkan sistem pengetahuan dan jenis tanah hingga strukturnya, maka informasi ini informasi pertanian. Dengan dukungan teknologi akan memudahkan para petani dalam menentukan informasi dan komunikasi serta peran aktif berbagai komoditi pertanian yang akan dikelola (ditanam) institusi pemerintahan maupun nonpemerintahan mereka. (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 Gambar diatas merupakan proses pengindraan lebih produktif dan efisien. Oleh karena itu diperlukan tenaga penyuluh yang benar-benar dibidang pertanian untuk melihat proses kompeten untuk membantu memaparkan dan pertumbuhan tanaman. Dan hasilnya akan terekam dalam bentuk scan seperti dibawah ini : 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 Data Maning dan Database System 3-23
  • 24. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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/ (Petani di Pedesaan sedang membajak sawah) relief, pertumbuhan tanaman/ vegetasi dan fenomena alam yang terekam dalam citra memberi Dengan perkembangan teknolgi yang semakin peluang untuk mengamati, mempelajari pengaruh pesat maka proses pengolahan lahan pertanian iklim, vegetasi, litologi dan topografi terhadap sudah menggunakan peralatan yang canggih seprti penyebaran sumberdaya lahan dan lahan pertanian traktor, sebagaimana pada gambar dibawah ini. (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 3.3. Peran Teknologi Informasi Dalam lahan pertanian (lahan sawah, lahan kering, lahan Pemeliharaan Tanaman rawa, lahan tidur, lahan kritis, estimasi produksi) terutama pada wilayah sentra produksi pangan. Teknologi informasi dan komunikasi akan Proses penginderaan ini sangat diperlukan mampu memberikan informasi kepada para petani karena penyebaran, kondisi serta perubahan lahan dalam hal pemeliharaan tanaman yang berkaitan tidak dapat diketahui secara pasti tanpa bantuan dengan pemberian pupuk hingga irigasi dan teknologi yang lebih maju, disamping karena laju peramalan cuaca. Sehingga dengan demikian bahwa pertumbuhan penduduk yang tinggi (1,6% per teknologi informasi dan komunikasi ini akan tahun) menyebabkan perubahan penggunaan lahan memberikan keuntungan bagi para petani karena dengan cepat, maka dengan demikian bahwa dengan pemeliharaan yang tepat melalui pemberian inventarisasi dan pemantauan penggunaan lahan pupuk dan pengaturan pengairan akan mampu perlu dilaksanakan dengan baik. Disamping itu memacu peningktan produksi. Pada gambar bahwa dalam usaha pemantapan ketahanan pangan dibawah ini menunjukkan sebuah system dan pengadaan stok pangan nasional, pada era pengelolaan irigasi tanaman berbasis komputer. globalisasi informasi dituntut ketepatan, kecepatan Pada areal tanam (batang tanaman) atau lokasi yang penyampaian data sumberdaya pertanian, dengan akan dipantau (field station) ditempatkan scanner demikian bahwa teknologi penginderaan jauh ini untuk mendeteksi kondisi yang terjadi (kering, juga memungkinkan untuk digunakan dalam deteksi lembab, basah, dll), kemudian data yang terekam penyebaran lahan pertanian, dan hasilnya lewat scanner akan masuk ke base station dan merupakan sumber informasi utama dalam selanjutnya data diproses maka secara otomatis pemutakhiran dan pembaharuan (updating) data proses selanjutnya akana berlangsung baik sumberdaya pertanian. penyiraman atau pemupukan sesuai dengan data yang masuk di base station (Darsiman, B. dan Ayi Sudrajat. 2011). 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.  3-24 Data Maning dan Database System
  • 25. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada gambar dibawah ini terlihat peran teknologi kegiatan manusia yang terlepas dari teknologi, dengan menggunakan traktor untuk melakukan artinya bahwa dengan menggunakan teknologi proses pemupukan dengan menempatkan GPS dan sebagai media informasi bagi petani, maka aktivitas sensor pada peralatan mesin traktor tersebut. penyuluhan pertanian akan menjadi lebih baik Pemanfaatan teknologi ini tentu akan memberikan (Darsiman , B. dan Ayi Sudrajat. 2011) dampak yang sangat positif bagi proses Peningkatan kualitas sumber daya petani dan pengembangan pertanian sebagai upaya untuk pelaku pertanian merupakan suatu keharusan meningkatkan produksi pertanian itu sendiri. 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, 3.4. Peran Teknologi Informasi Dalam computer dan digital interactive multimedia Pemantauan Pertumbuhan Tanaman untuk memfasilitasi diseminasi teknologi pertanian. Model ini dipandang sangat strategis Dengan perkembangan teknologi informasi karena mampu meningkatkan akses informasi yang semakin pesat bukan hanya bisa diterapkan bagi petani, petugas penyuluhan pertanian, pada proses pemeliharaan yang meliputi pemberian peneliti baik di lembaga penelitian maupun di pupuk dan pengaturan pengairan tetapi universitas serta para manajer penyuluhan. perkembangan tanaman juga sudah bisa dipantau b. Dalam penyuluhan pertanian saat ini juga dengan cermat melalui program computer. Maka menggunakan multiple information system bagi dengan demikian bahwa proses peningktan masyarakat pedesaan untuk mendukung usaha produksi tanaman pertanian juga akan semakin dan bisnis pertanian serta perbaikan ekonomi baik. Pada gambar dibawah ini menunjukkan rumah tangga masyarakat pedesaan. 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. 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 3.5. Peran Teknologi Informasi Dalam SMS ke hape petani. Penyuluhan Pertanian d. Aplikasi Hand Phone (melalui SMS). Dalam memperlancar proses penyuluhan kepada Teknologi informasi dan komunikasi petani, dapat menggunakan fasilitas yang berhubungan dengan pengolahan data sehingga terdapat pada hand phone (HP). Departemen menjadi informasi yang dapat dipergunakan sebagai Pertanian RI sedang merancang hal ini, dengan informasi untuk membantu jalannya penyuluhan menyediakan kontak nomor bebas pulsa. pertanian. Pada saat ini sudah tidak ada lagi Data Maning dan Database System 3-25
  • 26. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kebutuhan akan faktor produksi mingguan dengan akurat. 4.2. Saran. Perkembangan teknologi informasi dan komunikasi merupakan harapan yang dapat Tidak perlu internet dan kontak nomor bebas digunakan oleh petani Indonesia sebagai alat pulsa … ! Ikuti petunjuk yang terdengar di pengembangan pertanian untuk meningkatkan Hand Phone(HP). Anjuran pemupukan dapat produktivitas pertanian maka dengan demikian segera diterima dalam bentuk SMS kesejahteraan hidup masyarakat petani akan Sepenuhnya otomatis dan tidak memerlukan semakin baik, maka melalui kajian ini disarankan operator telpon. bahwa pemerintah harus berperan dalam rangka e. Selanjutnya juga digunakan teknologi pengembangan teknologi di bidang pertanian serta information yang lainnya seperti Multiple memberikan kemudahan bagi petani untuk communication systemtelephone, wireless mengakses teknologi tersebut. information system, off-talk communication, FAX, CATV, personal computer Daftar Pustaka communication, video tex, satellite communication system, internet (EI-net), Darsiman B dan Ayi Sudrajat 2011. Tantangan television telephone system. Indonesia Dalam Mengadopsi Pertanian Dengan penggunaan teknologi dalam Presisi menuju Kedaulatan Pangan. Makalah penyuluhan pertanian diharapkan dapat Seminar Medan.2011. meningkatkan layanan penyuluhan pada aktivitas Direktorat Jenderal TPH, 1998. Departemen petani dalam enyediakan inovasi pertanian yang Pertanian Republik Indonesia. Jakarta. semakin advance sehingga membantu petugas Haryono, 2011. Pengembangan dan Implementasi penyuluhan pertanian di daerah maka disamping itu Sistem Cerdas pada Tanaman Padi Sawah sangat diperlukan adanya kerjasama dengan pihak- berbasis Precision Farming Mendukung pihak atau otoritas terkait. Surplus 10 juta ton Beras Tahun 2014. Disamping itu salah satu hal penting yang Makalah Seminar. Kementerian Pertanian RI. berkaitan dengan proses penyuluhan pertanian Jakarta. yang perlu mendapatkan fokus perhatian dari Pusat Penelitian Tanah dan Agroklimat, 2000. pemerintah pusat maupun daerah adalah Departemen Pertanian Republik Indonesia. menumbuhkan dan membangun kolaborasi antara Jakarta. 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 3-26 Data Maning dan Database System
  • 27. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Untuk meningkatkan kualitas seleksi mahasiswa maka untuk masa mendatang dapat Fuzzy Logic sering digunakan untuk dipertimbangkan suatu aplikasi yang dapat mengatasi suatu permasalahan di mana data yang memprediksi prestasi seorang calon mahasiswa. ada memiliki batasan nilai yang tidak jelas, Adapun parameter input yang dapat digunakan maksudnya di sini adalah bahwa mungkin nilai untuk memprediksi prestasi seorang calon yang ada dapat dimasukkan dalam lebih dari satu mahasiswa baru adalah berdasarkan nilai Ujian kategori himpunan dengan nilai keanggotaan yang Nasional (UN) yang meliputi tiga mata pelajaran berbeda dari masing – masing himpunan. Salah yaitu Matematika, Bahasa Inggris, dan Bahasa satu permasalahan yang ada adalah di dalam Indonesia. prediksi prestasi mahasiswa. Prediksi prestasi Mengingat luasnya permasalahan yang mahasiswa ini dirasakan penting untuk menentukan berkaitan dengan prediksi prestasi mahasiswa maka bagaimana prestasi seorang siswa berdasarkan peneliti merasa perlu untuk membatasi ruang parameter input tertentu. Parameter input yang lingkup permasalahan yang akan dibahas dalam digunakan di sini adalah berdasarkan nilai Ujian penelitian ini, yaitu antara lain : Nasional Mahasiswa yang memiliki 3 komponen 1. Input yang digunakan adalah nilai mata mata pelajaran yaitu Matematika, Bahasa pelajaran yang diikutkan di dalam Ujian Indonesia, dan Bahasa Inggris. Prediksi prestasi Nasional yang terdiri dari Mata Pelajaran mahasiswa ini dapat dijadikan sebagai salah satu Matematika, Bahasa Inggris, dan Bahasa tolok ukur bagi STMIK IBBI Medan di dalam Indonesia penerimaan mahasiswa baru disamping ujian 2. Output yang dihasilkan adalah berupa nilai seleksi tertulis yang dilakukan oleh STMIK IBBI prediksi IPK seorang calon mahasiswa Medan. 3. Cara akuisisi pengetahuan dilakukan dengan menganalisa data – data mahasiswa STMIK Keywords : Fuzzy Logic, Prediksi, Nilai IBBI dalam kurun waktu 2006 – 2009 yang Keanggotaan berjumlah 1200 orang mahasiswa. 4. Untuk pembentukan fuzzy rule base dilakukan 1. Pendahuluan dengan analisa terhadap basis data mahasiswa yang memiliki parameter nilai matematika, Pada saat ini seleksi penerimaan mahasiswa nilai Bahasa Indonesia, dan nilai Bahasa perlu semakin dilakukan dengan selektif mengingat Inggris beserta nilai IPK yang diperoleh setelah semakin meningkatnya calon mahasiswa baru yang menjalani perkuliahan. akan melanjutkan pendidikan ke perguruan tinggi. 5. Adapun kumpulan data yang ada hanya akan Namun, di sisi lain kapasitas daya tampung dijadikan rule base jika data itu memenuhi nilai perguruan tinggi tidak meningkat. minimum support sebesar 0.025. Seleksi dengan menggunakan ujian secara 6. Proses defuzzifikasi dilakukan dengan tertulis yang selama ini digunakan memang cukup menggunakan metode Centroid. baik untuk memperoleh gambaran mengenai mampu tidaknya seorang calon mahasiswa untuk mengikuti kegiatan perkuliahan. Namun, seleksi 2. Model, Analisa, Desain, dan secara tertulis ini terkadang tidak dapat memberikan Implementasi gambaran mengenai prestasi mahasiswa setelah Lofti Zadeh mengembangkan Fuzzy Logic mengikuti perkuliahan. pada tahun 1964. Dasar pemikirannya adalah tidak ada keadaan yang selalu “benar” dan “salah”. Data Maning dan Database System 3-27
  • 28. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  (Lanny, 2007:123). Bila pada himpunan tegas / 2.1 Fuzzifikasi crisp nilai anggota – anggota himpunan dinyatakan secara tegas, namun pada himpunan fuzzy ini Fuzzifikasi adlaah suatu proses untuk memiliki nilai derajat keanggotaan tertentu. Dengan mengubah masukan tegas menjadi masukan fuzzy. fuzzy ini maka kita dapat menyatakan secara Pada proses ini memiliki 3 masukan data masing – fleksibel (secara linguistik) yaitu Sangat Baik, Baik, masing untuk nilai Matematika, nilai Bahasa Cukup, dan Kurang. Indonesia, dan nilai Bahasa Inggris. Secara umum, fuzzy logic adalah sebuah Masing – masing input telah ditentukan nilai metodologi “berhitung” dengan variabel kata – kata maksimum dan nilai minimumnya. Adapun fungsi (linguistic variable), sebagai pengganti berhitung keanggotaan untuk masing – masing himpunan dengan bilangan (Naba, 2009:1). fuzzy dapat dilihat pada gambar 2, 3, dan 4. 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 Gambar 2 Fungsi Keanggotaan Nilai Matematika 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 3 Fungsi Keanggotaan Nilai Bahasa Indonesia 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 Gambar 3 Fungsi Keanggotaan Nilai Bahasa Inggris keanggotaan adalah fungsi untuk menentukan arti numeris masukan sistem terhadap satu atau lebih Output yang dihasilkan adalah IPK Mahasiswa. himpunan fuzzy. Adapun fungsi keanggotaan dari IPK Mahasiswa Evaluasi aturan fuzzy adalah proses bisa dilihat pada Gambar 4. 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. 3-28 Data Maning dan Database System
  • 29. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  2.2 Inferensi 3.1 ≤ X ≤ 3.5 dikategorikan Memuaskan 3.6 ≤ X ≤ 4 dikategorikan Sangat Memuaskan Tahap penalaran berisi aturan – aturan fuzzy Berdasarkan kriteria yang telah dikemukakan yang telah ditentukan agar program dapat bekerja sebelumnya maka Tabel 1 dapat diubah menjadi secara maksimum. Proses penentuan IPK nilai linguistik seperti yang terlihat pada Tabel 2. mahasiswa dapat dilakukan dengan menggunakan parameter input yang terdiri dari nilai Matematika, Tabel 2. Hasil Pengubahan Nilai Mahasiswa Bahasa Indonesia, dan Bahasa Inggris. Untuk penentuan aturan ini bersumber dari Nama Nilai Nilai B. Nilai B. Nilai IPK Mhs Matematika Indonesia Inggris tabel data mahasiswa yang berisi nilai matematika, Sangat bahasa indonesia, dan bahasa inggris beserta nilai Tommy Sangat Baik Baik Sangat Baik Memuaskan IPK yang diperoleh. Di mana data yang memiliki Andy Baik Baik Cukup Memuaskan nilai Support ≥ 0.025 yang akan dijadikan rule. Sangat Sebagai contoh misalkan tabel nilai mahasiswa Michael Sangat Baik Baik Sangat Baik Memuaskan beserta IPK dapat dilihat pada tabel 1. David Baik Baik Cukup Memuaskan Sandy Baik Baik Cukup Memuaskan Tabel 1. Data Nilai Mahasiswa Sangat Eddy Sangat Baik Baik Sangat Baik Memuaskan Nama Nilai Nilai B. Nilai B. Nilai Mhs Matematika Indonesia Inggris IPK Susi Cukup Cukup Cukup Cukup Tommy 90 80 90 4 Cindy Cukup Baik Cukup Cukup Andy 76 85 70 3.3 Yuli Cukup Baik Cukup Memuaskan Michael 87 76 91 3.7 Sangat Sangat Sangat Yenni Baik David 80 77 72 3.4 Memuaskan Memuaskan Memuaskan Sandy 81 79 73 3.35 Eddy 88 77 92 3.9 Setelah diperoleh nilai linguistik maka langkah Susi 70 72 73 2.95 selanjutnya adalah mengelompokkan dan Cindy 72 77 75 3 menghitung jumlah kemunculan dari masing– Yuli 74 78 67 3.1 masing data. Seperti yang terlihat pada tabel 3. Yenni 91 81 88 3.76 Tabel 3. Jumlah Kemunculan Data untuk Tiap Item Berdasarkan data nilai yang ada supaya menjadi data linguistik maka perlu diubah dengan Nilai Nilai Nilai Nilai IPK Jumlah menggunakan kriteria penilaian yang digunakan Matematika B. Indonesia B. Inggris Sangat Baik Baik Sangat Baik Sangat 40 oleh STMIK IBBI Medan. Kriteria penilaian adalah Memuaskan sebagai berikut. Baik Baik Cukup Memuaskan 30 Untuk nilai Matematika, kriteria pengubahan Cukup Cukup Cukup Cukup 20 adalah sebagai berikut. Cukup Baik Cukup Cukup 8 <60 dikatakan Kurang Cukup Baik Cukup Memuaskan 2 60 ≤ X ≤ 75 dikategorikan Cukup Kemudian setelah itu hitung nilai support 76 ≤ X ≤ 85 dikategorikan Baik untuk masing – masing data. Dengan menggunakan 86 ≤ X ≤ 100 dikategorikan Sangat Baik persamaan 1. Untuk nilai Bahasa Indonesia, kriteria pengubahan adalah sebagai berikut. <60 dikatakan Kurang Nilai Support = JlhData ………………..(1) 60 ≤ X ≤ 75 dikategorikan Cukup TotalData 76 ≤ X ≤ 85 dikategorikan Baik 86 ≤ X ≤ 100 dikategorikan Sangat Baik Adapun nilai support untuk masing – masing item Untuk nilai Bahasa Inggris, kriteria data adalah sebagai berikut. pengubahan adalah sebagai berikut. 1. Untuk kombinasi Sangat Baik – Baik – Sangat <60 dikatakan Kurang Baik – Sangat Memuaskan, nilai support 60 ≤ X ≤ 75 dikategorikan Cukup adalah : 76 ≤ X ≤ 85 dikategorikan Baik 40 = 0.4 86 ≤ X ≤ 100 dikategorikan Sangat Baik 100 Sedangkan untuk IPK Mahasiswa, kriteria 2. Untuk kombinasi Baik – Baik – Cukup – pengubahan adalah sebagai berikut. Memuaskan, nilai support adalah : <2 dikatakan Kurang 30 = 0.3 2.1 ≤ X ≤ 3 dikategorikan Cukup 100 Data Maning dan Database System 3-29
  • 30. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Untuk kombinasi Cukup – Cukup – Cukup – 1. Membangun sebuah Fuzzy Inference System Cukup, nilai support adalah : (FIS) baru dengan perintah : 20 = 0.2 a = newfis('snastikom.fis') 100 2. Mendefinisikan variabel – variabel input dan 4. Untuk kombinasi Cukup – Baik – Cukup – output FIS dengan menggunakan perintah : Cukup, nilai support adalah : a.input(1).name='Matematika' a.input(2).name='BIndonesia' 8 = 0.08 a.input(3).name='BInggris' 100 a.output(1).name='IPK' 5. Untuk kombinasi Cukup – Baik – Cukup – 3. Mendefinisikan rentang nilai dari tiap variabel Memuaskan, nilai support adalah : input dan output dengan menggunakan 2 = 0.02 perintah: a.input(1).range=[0 100] 100 a.input(2).range=[0 100] Pada bagian awal kita telah menentukan a.input(3).range=[0 100] bahwa nilai minimum support supaya suatu item a.output(1).range=[0 4] data dapat dijadikan rule adalah dengan nilai 4. Membentuk fungsi keanggotaan dari masing – minimum support sebesar 0.025. Sehingga masing variabel Input dan Output dengan diperoleh bahwa item data yang dapat dijadikan perintah. sebagai rule adalah : a.input(1).mf(1).name='kurang' a.input(1).mf(1).type='trapmf' 1. Sangat Baik – Baik – Sangat Baik – Sangat a.input(1).mf(1).params=[0 0 50 60] Memuaskan 2. Baik – Baik – Cukup – Memuaskan a.input(1).mf(2).name='Cukup' 3. Cukup – Cukup – Cukup – Cukup a.input(1).mf(2).type='trapmf' a.input(1).mf(2).params=[50 65 65 80] 4. Cukup – Baik – Cukup – Cukup Sehingga diperoleh bahwa rule yang terbentuk a.input(1).mf(3).name='baik' adalah sebagai berikut. a.input(1).mf(3).type='trapmf' a.input(1).mf(3).params=[70 80 80 90] 1. Jika Nilai Matematika adalah Sangat Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai a.input(1).mf(4).name='Sangatbaik' Bahasa Inggris adalah Sangat Baik maka IPK a.input(1).mf(4).type='trapmf' adalah sangat Memuaskan a.input(1).mf(4).params=[80 90 90 100] 2. Jika Nilai Matematika adalah Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa a.input(2).mf(1).name='kurang' a.input(2).mf(1).type='trapmf' Inggris adalah Cukup maka IPK adalah a.input(2).mf(1).params=[0 0 50 60] Memuaskan 3. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(2).name='Cukup' Bahasa Indonesia adalah Cukup dan Nilai a.input(2).mf(2).type='trapmf' a.input(2).mf(2).params=[50 65 65 80] Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(3).name='baik' 4. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(3).type='trapmf' a.input(2).mf(3).params=[70 80 80 90] Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(4).name='Sangatbaik' a.input(2).mf(4).type='trapmf' a.input(2).mf(4).params=[80 90 90 100] 2.3 Defuzzifikasi a.input(3).mf(1).name='kurang' Proses defuzzifikasi merupakan proses akhir a.input(3).mf(1).type='trapmf' dari perancangan sistem Fuzzy. Proses defuzzifikasi a.input(3).mf(1).params=[0 0 50 60] ini akan menghasilkan suatu bilangan tunggal. Proses defuzzifikasi dilakukan dengan a.input(3).mf(2).name='Cukup' a.input(3).mf(2).type='trapmf' menggunakan metode Centroid. a.input(3).mf(2).params=[50 65 65 80] 2.4 Perancangan a.input(3).mf(3).name='baik' a.input(3).mf(3).type='trapmf' Perancangan sistem berbasis Fuzzy ini a.input(3).mf(3).params=[70 80 80 90] dilakukan dengan menggunakan aplikasi Matlab a.input(3).mf(4).name='Sangatbaik' 7.0. Adapun langkah – langkah di dalam a.input(3).mf(4).type='trapmf' perancangan ini adalah sebagai berikut. a.input(3).mf(4).params=[80 90 90 100] a.output(1).mf(1).name='kurang' 3-30 Data Maning dan Database System
  • 31. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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; Gambar 5. Tampilan Program Pembentukan Fis a.rule(2).antecedent=[3 3 2]; a.rule(2).connection=1; a.rule(2).consequent=[3]; 2. Kemudian untuk penginputan data dapat a.rule(2).weight=1; dilakukan dengan menggunakan perintah minput a.rule(3).antecedent=[2 2 2]; Kemudian Tekan Tombol Enter. Maka akan a.rule(3).connection=1; a.rule(3).consequent=[2]; dijumpai tampilan seperti yang terlihat pada a.rule(3).weight=1; gambar 6. 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, Gambar 6. Tampilan Hasil Pemrosesan Fuzzy ketikkan perintah. mdata 3. Hasil dan Diskusi Kemudian Tekan Tombol Enter. Maka akan dijumpai tampilan seperti yang terlihat pada Berdasarkan hasil analisa yang dilakukan oleh gambar 5. 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 Data Maning dan Database System 3-31
  • 32. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  cukup dapat diandalkan yang mencapai ± 80%. Daftar Pustaka Analisa dilakukan terhadap nilai Semester I dan II dari mahasiswa yang telah diuji coba sebelumnya [1] Desiani, A. & Arhami, M., 2006, ”Konsep dengan aplikasi Fuzzy Logic. Untuk meningkatkan Kecerdasan Buatan”, Penerbit Andi, akurasi maka diharapkan agar nilai support untuk Yogyakarta. masing – masing item data dapat semakin dikurangi [2] Kusumadewi, Sri, 2002, ”Analisa & Desain sehingga jumlah rule yang digunakan akan semakin Sistem Fuzzy”, Penerbit Graha Ilmu, banyak. Yogyakarta. [3] Naba, Agus., 2009, ”Belajar Cepat Fuzzy 4. Kesimpulan dan Saran Logic Menggunakan Matlab”, Penerbit Andi, Yogyakarta 4.1 Kesimpulan [4] Pandjaitan, Lanny W, 2007, ”Dasar-Dasar Komputasi Cerdas”, Penerbit Andi, Adapun kesimpulan dari hasil penelitian adalah Yogyakarta. sebagai berikut. [5] Siswanto, 2010, ”Kecerdasan Tiruan Edisi 2”, 1. Penerapan Fuzzy Logic untuk memprediksi Penerbit Graha Ilmu, Yogyakarta 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. 3-32 Data Maning dan Database System
  • 33. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi penentuan Parameter Motor Induksi dengan Inverter Tiga Phasa Herri Trisna Frianto 1, 2 Birowo3 Agus Priyono4 Agus Sofwan4 1 Polteknik Negeri Medan 2 Sekolah Tinggi Teknik Harapan 3 STMIK Triguna Dharma Medan 4 Institut 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 Gambar-1, Kinerja Pompa Air model d-q. Berdasarkan gambar-1, maka daya rata-rata yang dibutuhkan oleh pompa air adalah 24,16 kW. 1. Pendahuluan Selanjutnya dipilih motor yang ada dipasaran Daya yang diperlukan oleh pompa untuk dengan data yang tercantum dalam table-1. memompakan air bersih ditentukan oleh head dan debit air dari pompa. Setelah daya dan kinerja dari Tabel-1 Parameter Motor Induksi pompa diketahui, maka kebutuhan daya dari motor HP (Daya) 33 Rs (ohm) 0,0556 induksi yang dibutuhkan untuk menggerakkan pompa induksi tiga phasa ditentukan dari kinerja V *Tegangan) 220 Rr (ohm) 0,028 pompa tersebut. Selanjutnya besar motor beserta f (rekuensi) 50 Xls (ohm) 0,2158 data dan parameter dapat ditentukan berdasarkan Tmula (N.m) 456.6 Xlr (ohm) 0,471 ukuran yang ada d pasaran. Pole 2 Xm (ohm) 3,906 Namun motor induksi yang tersedia di pasaran Tnominal 35.56 J (kg.m2) 0.59 seringkali tidak menghasilkan kinerja yang dikehendaki. Karena itu perlu dikaji lagi parameter- parameter dari motor yang dikeluarkan oleh pabrik 3. Kinerja dari Motor Induksi pembuatannya. Sehingga diperoleh kondisi arus Kinerja motor induksi tiga phasa dapat yang optimum. Hal itu dapat dilakukan dengan diprediksi dari model yang dikembangkan untuk menggunakan genetic algorithm. maksud itu. Dalam makalah ini digunakan model d- q. Dari parameter model tersebut selanjutnya 2. Pemilihan Motor Induksi Untuk kinerja dari motor yang dinyatakan oleh kurva Pompa Air karakteristik arus terhadap waktu yang dapat ditentukan. Kinerja dari pompa air di dermaga Ketapang Untuk membuat kinerja dari motor induksi diperlihatkan pada gambar-1 menjadi optimum, maka parameter dari motor induksi perlu dikaji lagi dengan menggunakan Genetic Algorithm. Makalah ini membahas hal tersebut. Data Maning dan Database System 3-33
  • 34. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  4. Model Motor Induksi Tiga Phasa Tegangan keluaran inverter dapat didekati dengan deret Fourier . Persamaan tegangan untuk motor induksi Va-b = Vb-c = Va-c = [ 2 3/ π *Vi] (17) dalam model d-q adalah : Misalnya tegangan Vl-l dapat dinyatakan sebagai : Vds = rs.ids + dλds /dt – ω. qs (1) {sin(wt+phi/6) + 1/5*sin(5wt – phi/6)+ Vqs = rs.ids + dλqs /dt – ω. ds (2) 1/7*sin(7wt+phi/6)+1/11*sin(11wt – phi/6+…} V’qr = r’r.iqr + dλqr /dt –(ωe-ωr)λ’dr (3) Jika dianggap tidak ada daya yang hilang, maka V’dr = r’r.iqr + dλdr /dt –(ωe-ωr)λ’qr (4) daya dari inverter adalah : Ψqs = Lqs.iqs + Lm(iqs + I’qr ) (5) Vi*Ii = [3/2*(Veqs *Ieqs)+ (Veds *Ieds)] (18) Ψds = Lds.ids + Lm(ids + I’dr ) (6) Arus Inverter menjadi : Ψ’qr = L’qr.i’qr + Lm(iqs + I’qr ) (7) Ii = [ 3/π*((geqs *Ieqs)+ (geds *Ieds)] (19) Ψ’dr = L’dr.i’dr + Lm(ids + I’dr ) (8) Dimana : Persamaan 1 sampai dengan 8 dapat geqs =1+[2/35*cos(6ωt) – 2/143*cos(12ωt)+… dinyatakan dalam bentuk matriks sebagai berikut : geds =[12/35*cos(6ωt)–2/143*cos(12ωt)+.. (20) 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-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 Gambar-2, Rangkaian Ekivalen Motor Induksi didasarkan pada suatu criteria kinerja untuk menentukan error. Parameter rangkaian ekivalen 5. Formulatif Kemudi Motor induksi gambar-1 dipakai sebagai pedoman dalam Karakteristik inverter square wave dapat menentukan optimasi torsi motor induksi. bekerja secara nominal ditunjukkan melalui kurva Persamaan torsi untuk locked rotor, breakdown dan tegangan terhadap waktu dan arus terhadap waktu, full-load membentuk multi objective optimization seperti pada gambar-3. Tegangan dan arus yang problem, dimana tiap persamaan adalah fungsi dari diperoleh sebagai berikut : tiga atau lebih dari parameter mesin. Tiga Tegangan Fundamental : persamaan torsi dapat dituliskan sebagai berikut : Vµ (rms) = 6 / π *Vd (15) F1(R1,R2,Xl)= Te – Tfl (21) Arus Fundamental : F2(R1,R2,Xl)= Te – Tlr (22) I fundamental =[ P(VA) 3Φ / 3*VL-L] (16) F3(R1,Xl) = Te – Tbd (23) 3-34 Data Maning dan Database System
  • 35. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Dimana Te adalah persamaan (14). didapat dari rangkaian ekivalen motor induksi Selanjutnya parameter rangkaian ekivalen model d-q motor dikodekan dengan bilangan decimal dan nilai fitness (kemampuan) maksimum didapatkan untuk b. Hasil Perhitungan menentukan torsi tersebut. Maka setiap parameter Hasil dari nilai fitness yang dinyatakan oleh rangkaian ekuivalen motor induksi dapat dilakukan kurva fitness terhadap jumlah generasi yang terlihat dengan genetic algorithm. Dalam hal ini error pada gambar-5 yang menghasilkan parameter function diperoleh sebagai formula dari kuadrat dengan harga torsi optimum yang terlihat pada torsi error function, sedangkan fitness function table-2. adalah inverse dari error. Sasaran dari genetic algorithm membuat nilai error minimum atau Tabel-2, Parameter Motor Induksi Dengan Metode membuat fitness maksimum. Error function dapat Genetic Algorithm dituliskan sebagai : E = F1(.)2 + F2(.)2 + F3(.)2 (24) HP (Daya) 33 Rs (ohm) 0,030 sedangkan fitness dinyatakan oleh : V *Tegangan) 220 Rr (ohm) 0,016 Fitness = 1/ E (25) f (rekuensi) 50 Xls (ohm) 0,12 Secara umum proses genetic algorithm yang Tmula (N.m) 527,89 Xlr (ohm) 0,26 dilukiskan gambar-4 terdiri dari : Pole 2 Xm (ohm) 2,164 Tnominal 42,3 J (kg.m2) 0.59 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. Gambar-5, Nilai fitness terhadap Populasi i,j : urutan nomor spesies (1,2,3..) ii. Perkalian silang Dan dengan cara yang sama karakteristik arus Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 terhadap waktu dari data pada table-3 dapat Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2 ditentukan hasilnya pada gambar-6. 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 Gambar-6, Karakteristik Torsi terhadap Kecepatan Motor Induksi hasil Genetic Algorithm Data Maning dan Database System 3-35
  • 36. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  7. Kesimpulan Dengan Genetic Algorithm nilai arus Daftar Pustaka maksimum, arus awal dan arus nominal dapat 1. T.A Lipo and A.Consoli,” Modelling and dinaikkan secara optimum seperti terlihat pada Simulation Of Induction Motors wth saturable table-3 leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Tabel-3 Hasil Simulasi Motor Induksi Jan/Feb.1984 Torsi Motor Induksi Motor Induksi 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter dengan Data dengan Data Estimation throught an output error technique”, Standart Hasil Optimasi IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM (AMP) (AMP) 019-9EC Arus Max 3700 7341 3. E.Muljadi,” Water Pumping with a Peak-Power Atus Min 55,315 60,318 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. 3-36 Data Maning dan Database System
  • 37. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi Pengaturan Kecepatan Perjalanan Kereta API Birowo 1, Herri Trisna Frianto2, 3 Agus Priyono4 Agus Sofwan4 1 STMIK Triguna Dharma Medan 2 Polteknik Negeri Medan 3 Sekolah Tinggi Teknik Harapan Medan 4 Institut Sains dan Teknologi Nasional Email : [email protected], [email protected] Abstrak ∑m = (mf+mfvk+mfvm+mfh+mfi+mfh+mfaj) dimana : Kereta Api merupakan suatu alat transportasi F : Beban gaya kereta api yang menghubungkan suatu daerah ke daerah lain Fvk : Kerugian oleh mesin dengan ketepatan waktu yang dikehendaki. Dalam Fvm: Kerugian oleh manusia ketepatan waktu perjalanan dan lalu lintas FH : Kerugian Lalu lintas Kereta Api perhubungan yang padat adalah merupakan Fj : Kerugian Jalur Kereta Api kendala dalam membuat jadwal pemberangkatan Fh : Kerugian Bahaya Banjir selama perjalanan kereta api tersebut. Bila Faj : Kerugian Simpangan diinginkan untuk mendapatkan jadwal perjalanan kereta api yang optimum, maka waktu tempuh Persamaan (1) dengan persamaan (2) kereta api perlu dikaji lagi dengan menggunakan menghasilkan: genetic algorithm. Xt = Vo*t + [1/2*(∑F / ∑m )*t) (5) Kata Kunci : Genetic Algorithm Vo = [Xt - [1/2*(∑F / ∑m )*t)] / t (6) Data waktu tempuh yang dicapai oleh kereta 1. Pendahuluan api sekarang ini untuk Jurusan Surabaya-Jakarta untuk kereta api Argo Anggrek dapat ditunjukkan Dalam menjaga kebutuhan pelayanan yang pada gb-1. baik, kinerja kereta api dalam menempuh pemberangkatan dan perjalanan membutuhkan Tabel-1, Perbedaan kecepatan perjalanan kereta api waktu yang tepat. Supaya waktu yang ditempuh Awal- SBY- SBY- SBY- oleh kereta api tersebut optimal juga. Namun Kota SBY SMG CRB JKT Ket seringkali dengan mengatur waktu tersebut terjadi Jarak (km) 0 475 625 850 Plant keterlambatan dalam kedatangan maupun Waktu keberangkatan. (jam) 0 5 9 12 Normal Untuk menbuat kinerja kereta api yang optimum dalam menempuh waktu perjalanan, maka Gb-1. Waktu thp Jarak tempuh Sby – Jkt percepatan dari kereta api perlu dikaji lagi dengan menggunakan genetic algorithm. Dalam makalah 3. Optimasi waktu tempuh dengan ini membahas hal tersebut. menggunakan Genetic Algorithm 2. Model Persamaan a. Genetic Algorithm Persamaan jarak perjalanan kereta api yang Genetic Algorithm adalah salah satu metode ditempuh dalam waktu tertentu dan percepatan yang yang dapat digunakan untuk mengoptimalkan berubah ubah dalam metode kinematika adalah : percepatan kereta api sehingga diperoleh waktu yang optimum. Genetic Algorithm menggunakan Xt = Vo*t + [1/2*a*t) objective function yang didasarkan pada suatu (1) criteria kinerja untuk menentukan error. a = ∑F / ∑m (2) Selanjutnya percepatan kereta api dikodekan ∑F = F–(Fvk+Fvm+FH+Fi+Fh+Faj) (3) dengan bilangan decimal dan nilai fitness Data Maning dan Database System 3-37
  • 38. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  (kemampuan) maksimum didapatkan untuk jarak dan gaya dari hokum Newton. Kemudian menentukan waktu tersebut. Maka setiap gaya yang percepatan kereta api diacak untuk mendapatkan diperoleh menimbulkan percepatan kereta api yang nilai optimum dengan metode Genetic Algorithm, dapat dilakukan dengan Genetic Algorithm. Dalam sehingga didapatkan nilai fitness (kemampuan) hal ini error function diperoleh sebagai formula dari yang maksimum. persamaan kuadrat waktu error function, sedangkan fitness function adalah inverse dari error. Sasaran b. Analisa dari Genetic Algorithm adalah membuat nilai error Dari persamaan (1) s/d (8), maka minimum atau membuat fitness maksimum. Fitness menghasilkan perbedaan kecepatan kereta api function dapat dituliskan sebagai : selama perjalanan dari SBY ke Jakarta seperti yang Fitness = [ 1 – (t0 – t1)] (7) ditunjukkan pada table-2. Sedangkan error dinyatakan oleh : Error = 1 / fitness (8) Tabel-2, Perbedaan kecepatan perjalanan kereta api Secara umum proses Genetic Algorithm yang Awal- SBY- SBY- SBY- dilukiskan dalam gambar-2 terdiri dari : Kota Ket. SBY SMG CRB JKT Kecepatan 0 95 69.44 70.83 Normal (km/jam) Kecepatan 0 105.55 73.52 77.27 optimum (km/jam) 4. Hasil Perhitungan Percobaan yang dilakukan adalah menggunakan parameter-parameter jarak, waktu sebagai berikut : - Jumlah elemen array : 14 Gb-2, Genetic Algorithm - Nilai waktu level maksimum: 0.05 i. Pembangkitan Spesies - Jumlah individu dalam populasi : 20 - Jumlah Gen satu kromosom : 14 Pembangkitan Spesies dilakukan dengan - Jumlah Generasi : 200 memperhatikan persamaan berikut : Hasil yang didapat dari nilai fitness C^k=[X1^k,Y1^k,X2^k,Y2^k,.,Xm^k,Ym^k] dinyatakan dalam bentuk kurva fitness terhadap Dimana: (xi^k, yi^k) : lokasi dari pembangkitan jumlah generasi yang terlihat pada gambar-3. Dari kromosom. gambar tersebut menghasilkan waktu dan jarak i,j : urutan nomor spesies (1,2,3..) serta percepatan kereta api dengan harga waktu optimum. Kecepatan dan waktu optimum yang ii. Perkalian silang didapat terlihat pada gambar-4 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 Gb.3 Karakteristik Nilai Fitness terhadap Jumlah digunakan untuk mencari nilai error terkecil atau Generasi nilai fitness terbesar. Nilai error yang diperoleh digunakan untuk menentukan percepatan kereta api. Percepatan kereta api tersebut didapat dari rumus 3-38 Data Maning dan Database System
  • 39. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel-3, Perbedaan kecepatan perjalanan kereta api Daftar Pustaka Awal- SBY- SBY- SBY- Kota SBY SMG CRB JKT Ket 1. T.A Lipo and A.Consoli,” Modelling and Jarak Simulation Of Induction Motors wth saturable 0 475 625 850 Plant (km) leackage reactances,”IEEE, Trans, Ind.Applicat. Waktu 0 4.5 8.5 11 Optimum Vol. I.A-20 pp. 180-198, Jan/Feb.1984 (jam) 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter Estimation throught an output error technique”, Perbedaan Kecepatan Kereta Api IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM 120 019-9EC 100 3. E.Muljadi,” Schedule of Water Pumping Project with a Peak-Power Tracker using a Simple Six- Kecepatan 80 60 Step Square Wave Inverter,” IEEE Transaction 40 20 On Industry Application, Vol.33 No.3 0 May/Juny 1997. 1 2 3 4 4. Ray Nolan and Towhidul Haque,” Application Jarak Of Genetic Algorithm to Motor Parameter Normal Optimum Detertermination For Transient Torque Calculation “, IEEE Transaction On Industry Gb.4, Karakteristik kecepatan terhadap waktu yang Applicate,” September/October 1997. optimum. 5. Warring R.H, “ Schedule of Pump Selection to System And Application, second Edition, Trade 5. Kesimpulan and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984. a. Dari gambar-4 didapat nilai waktu tempuh 6. Lawrence Davis,” Handbook Of Genetic sebesar 11 jam dengan menggunakan metode Algorithm”, Van Nostrand Reinhold, New Genetic Algorithm. Ini menunjukkan bahwa York, 1991 waktu tempuh kereta api lebih singkat sekitar 1 7. Goldberg,” Genetic Algorithm In Machine,” jam dari waktu tempuh yang sebenarnya sebesar New York 1996. 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. Data Maning dan Database System 3-39
  • 40. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-40 Data Maning dan Database System
  • 41. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 produksi masih bisa diatur dan dihitung penjadwalan bedasarkan aturan prioritasnya. PT. Inti Pindad Mitra Sejati pada bagian Bedasarkan wawancara, prioritas pekerjaan hanya produksi plastic bersifat make to order. dilakukan ketika ada job yang masuk dengan Perusahaan ini belum memiliki pegendalian bersamaan. Prioritas ini didasarkan pada Due date, produksi, penjadwalan produksi proses produksi tingkat kepentingan konsumen, keuntungan dan yang standar dan terdokumentasi. Akibatanya, kecepatan waktu proses (Budi, 2011). Namun hanya 19% pesanan yang tepat produksi. Belum faktor-faktor tersebut hanya merupakan bahan adanya pendokumentasian informasi penjadwalan pertimbangan, belum ada perhitungan heuristik mengakibatkan perusahaan sulit melalukan terhadap prioritas tersebut. evaluasi proses produksi untuk mencapai hasil yang Hanya 19% pesanan yang dipenuhi secara lebih baik. Tujuan dari penelitian ialah untuk tepat waktu. Sisa persentasenya menunjukkan merancang sistem yang dapat mengendalikan, bahwa pesanan tidak selesai tepat waktu. Hal ini merencanakan (penjadwalan), dan disebabkan karena perkiraan due date yang mendokumentasikan proses produksi. dilakukan oleh manajer tidak tepat. Metode yang digunakan di pilih untuk Oleh karena itu dibutuhkan suatu sistem yang merencanakan produksi bedasarkan kebutuhan dan dapat membantu PT. IPMS dalam penjadwalan, tujuan perusahaan dalam menjalankan perencanaan pengendalian produksi, dan produksinya. SPT ialah metode untuk meminimasi pendokumentasian proses produksi untuk flowtime. WSPT ialah metode yang digunakan jika meningkatkan efisiensi PT. IPMS dalam sebuah pesanan mempunyai prioritas dan nilai merencanakan mengendalikan produksinya. lebih dibanding pesanan lain. Slack dan algoritma Hodgson ialah metode yang digunakan untuk 2. Metodologi Penelitian 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. Gambar 1 Model Konseptual 1. Pendahuluan Penelitian ini membutuhkan input berupa data PT. Inti Pindad Mitra Sejati pada bagian demand, data matres sesuai, status mesin, dan produksi plastic bersifat make to order. Perusahaan waktu proses. Semua data ini diolah untuk ini belum memiliki pegendalian produksi, menentukan simulasi jadwal. Penjadwalan ini penjadwalan produksi proses produksi yang standar didalamnya mencakup proses alokasi job ke mesin, dan terdokumentasi. Setiap ada pekerjaan yang mengurutkan job bedasarkan metode SPT, WSPT, masuk, IPMS tidak memperhatikan pekerjaan – Slack dan Algoritma Hodgson, serta menghitug pekerjaan lain yang ada di lantai produksi, padahal performansi dari setiap metode yang digunakan job yang masuk dengan job yang ada dilantai yang berupa flow time dan Lateness. Didasarkan oleh kebutuhan perusahaan, maka proses Data Maning dan Database System 3-41
  • 42. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penjadwalan ini dilakukan dalam sebuah aplikasi 3. Dapat menghasilkan suatu penjadwalan produksi. produksi yang outputnya berupa tanggal mulai dan selesainya suatu pesanan. 3. Perancangan Sistem 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 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   Gambar 4 Aliran Proses Penjadwalan Usulan 3-42 Data Maning dan Database System
  • 43. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3.2. Algoritma penjadwalan 1 = kurang menguntungkan 1 = kurang penting Beberapa algoritma penjadwalan yang 2 = menguntungkan 2 = penting dirumuskan meliputi: 3 = sangat menguntungkan 3 = sangat 1. Algoritma memunculkan mesin tersedia  penting - Masukkan berat produk - Terlihat gantt chart ke empat metode beserta - Identifikasi mesin mana yang dapat perfomansinya. Pilih gantt chart yang sesuai. dimasuki oleh produk tersebut, dengan - Jika masih ada mesin yang belum di ketentuan: jadwalkan, maka kembali ke tahap 3. Ketentuan mesin bedasarkan berat Nama Mesin Kapasitas Berat (dalam gr) Pada tahap 5, akan membutuhkan algoritma dari keempat metode yang dipakai. Berikut ialah Moulding Nissei 250 <= 500 algoritma dari keempat metode tersebut: Moulding Engle 175 <= 200 Moulding Engle 150 <= 200 a. Shortest Processing Time Moulding Arburg 80 <= 100 Tahap 1 : Hitung waktu proses setiap job Moulding Arburg 70 <= 50 bedasarkan kapasitas produksi seperti yang telah di jelaskan sebelumnya. - Bedasarkan kode produk, teridentifikasi Tahap 2 : Urutkan job dari yang memiliki waktu persediaan matres yang ada di lantai proses terkecil sampai terbesar. produksi yang dapat digunakan. - Cari ’irisan’ mesin sesuai antara matres dan b. Weighted Shortest Processing Time produknya. - Buang mesin yang tidak mempunyai irisan. Tahap 1 Beri bobot pada setiap pekerjaan yang - Tampil mesin – mesin hasil dari irisan pending bedasarkan tingkat keuntungan antara sesuai terhadap matres dan sesuai dan tingkat kepentingan konsumen. terhadap produk. Tahap 2 Hitung waktu proses setiap job bedasarkan - Maksimal Jumlah mesin yang dipilih = kapasitas produksi seperti yang telah di Jumlah matres; dimana 1 jenis matres tidak jelaskan sebelumnya (ti). Tahap 3 Jumlahkan nilai bobot yang telah diisi (wi). boleh dipilih pada 2 mesin atau lebih. 2. Algoritma Penjadwalan Dengan Beberapa Tahap 4 Hitung nilai setiap job ini dengan . Tahap 5 Urutkan nilai job yang paling kecil sampai Aturan Prioritas yang paling besar. Berikut ialah alur dari job masuk sampai keluar c. Slack dari tahap penjadwalan sebelum masuk ke metode penjadwalan: Tahap 1 Ubah satuan due date ke dalam jam per job. - Masukkan kapasitas produksi mesin pada Tahap 2 Hitung completion time per job. mesin – mesin yang dipilih. Tahap 3 Kurangi due date dengan completion time. - Masukkan total produksi per mesin. Tahap 4 Urutkan nilai job yang paling kecil sampai - Jika mesin yang dipilih lebih dari satu, maka yang paling besar. inputkan total produksi per mesin. - Jika hanya satu mesin yang dipilih maka d. Algoritma Hodsgon total produksinya sama dengan jumlah produk yang di pesan. Sebelum merumuskan algoritma Hodgson ini, - Jadwalkan setiap mesinnya. harus diketahui terlebih dahulu algoritma dari - Jika tidak ada job lain yang masih pending aturan Earliest Due date (EDD). Berikut ialah tahap pada mesin, maka langsung di jadwalkan – tahap dari aturan EDD: pada mesin tersebut, langsung ke tahap 5. Tahap 1 Ubah satuan due date dari hari ke dalam - Jika ada job lain yang masih pending pada satuan jam kerja pada setiap job (proses mesin, maka masuk ke tahap 4. perhitungan seperti yang telah dijelaskan - Masukan Data pendukung penjadwalan. Data sebelumnya). pendukung penjadwalan ini berupa bobot Tahap 2 Urutkan job bedasarkan nilai due date keuntungan dan bobot tingkat kepentingan yang paling kecil. konsumen dengan inisialisasi berikut: Data Maning dan Database System 3-43
  • 44. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Setelah mengetahui aturan EDD, maka 4. Pengujian dan Analisis Hasil algoritma Hodgson dapat di jalankan. Tahap dari Rancangan algoritma ini ialah sebagai berikut: Tahap 1 Urutkan job bedasarkan aturan EDD. Tahap 2 Hitung lateness dari setiap job. Jika tidak 4.1. Analisis hasil perancangan aplikasi ada lateness yang positif, maka lanjut ke Proses perkiraan due date, cek matres dan tahap 7. pilih mesin, jadwal ulang pekerjaan pending dengan Tahap 3 Cari job pertama yang memiliki lateness yang baru masuk dan proses perhitungan aturan positif. prioritas yang sebelumnya tidak ada, pada Tahap 4 Bandingkan waktu proses dari job – job perbaikan menjadi ada yang diwujudkan dalam sebelum job pertama yang memiliki aplikasi. Selain itu, penyimpanan data yang lateness positif dan cari waktu proses sebelumnya tidak dilakukan untuk proses produksi, terbesarnya. dengan menggunakan aplikasi ini menjadi tersedia Tahap 5 Hapus job yang memiliki waktu proses informnasi proses produksinya. terbesar pada tahap 4. Tahap 6 Setelah dihapus, maka ulang tahap 1. Tahap 7 Taruh job – job yang di hapus di urutan 4.2. Analisis Metode paling belakang. - Analisis metode Shortest Processing Time (SPT) 3.3. Data Flow Diagram 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 3.4. Entity Relationship Diagram 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 3-44 Data Maning dan Database System
  • 45. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  digunakan pembobotan pada masing – masing Oleh karena itu lateness yang positif ini akan pekerjaan. di taruh di urutan paling belakang. Walaupun Fungsi dari metode ini sama dengan metode nilai lateness job tersebut akan lebih besar dari SPT yaitu meminimasi rata – rata flow time. sebelumnya, namun jumlah pekerjaan yang Yang membedakan ialah ketika waktu proses terlambat akan berkurang. yang dimiliki oleh pesanan dibagikan dengan Jika denda keterlambatan masing – masing bobot tertentu. Dalam penelitian ini bobot pekerjaan sama besanya dan pekerjaan tidak yang digunakan ialah keuntungan dan tergantung pekerjaan lain, maka algoritma ini kepentingan. Dimana semakin untung atau cocok digunakan perusahaan. penting order tersebut, maka nilai bobotnya akan semakin besar yang artinya semakin 4.3. Verifikasi Hasil mendesak pula pesanan ini untuk didahulukan. Metode ini cocok jika pelanggan memiliki - Verifikasi fungsi pilih mesin sesuai nilai lebih dimata perusahaan, baik karena Produk Status pelanggan ini memiliki order yang nilai keuntunganya besar dan atau karena pelanggan Insulator R54 Berhasil ini sangat penting untuk di dahulukan. Tangkai Penegak Berhasil Sebaliknya, jika pelanggan memiliki nilai Pistol Grib Berhasil yang sama saja dimata perusahaan, maka tidak disarankan untuk menggunakan metode ini. - Verifikasi hasil perhitungan metode   - Analisis metode Slack   Berbeda dengan 2 metode sebelumnya yang Aplikasi Manual berfungsi untuk meminimasi rata – rata flow SPT PO2-PO1 PO2-PO1 time, metode ini berfungsi untuk mengurangi WSPT PO2-PO1 PO2-PO1 keterlambatan atau lateness. Slack ialah Slack PO2-PO1 PO2-PO1 rentang waktu antara waktu penyeleseian Hodgson PO2-PO1 PO2-PO1 pesananya (waktu proses) dengan due date.   Metode ini cocok bagi perusahaan untuk - Verifikasi perhitungan waktu 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. - Waktu proses total = Total produksi (buah) : Kapasitas produksi (buah/hr) - Analisis Algoritma Hodgson = 2000 : 2000 Sama seperti slack, algoritma ini juga = 1 hari bertujuan untuk mengurangi keterlambatan. = 24 jam Namun jika slack memilih pekerjaanya - Due date = 2x 24 jam kerja bedasarkan rentang waktu due date dan waktu = 48 jam proses, algoritma Hodgson - Completion time = waktu idle + waktu mempertimbangkan due date dan lateness proses + waktu istirahat yang dilalui + waktu sebagai acuanya. Aturan awal yang digunakan set up oleh algoritma ini ialah aturan EDD (Earliest = 0 + 24 + 4+1 Due date), dimana aturan ini hanya melihat due date dari suatu pesanan. Dimana yang = 29 paling dekat dengan due date maka itulah - Lateness = completion time – due date yang akan diprioritaskan. = 29-48 Setelah diurutkan bedasarkan EDD, algoritma = -19 ini akan menggunakan lateness sebagai - Flowtime = waktu idle + waktu proses + acuannya dimana lateness yang positif waktu istirahat (terlambat), dianggap memperlambat waktu. Data Maning dan Database System 3-45
  • 46. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  = 0 + 24 + 4+1 - Dapat menambah ruang lingkup dari aplikasi = 29 ke bagian lain seperti pemasaran, Hasil completion time yang dilakukan accounting, bahkan konsumen. dengan manual dan aplikasi sedikit mengalami perbedaan pembulatan waktu dan algoritma perhitungan. Pada program, dibutuhkan konversi terhadap pengurangan Daftar Pustaka tanggal dengan waktunya. Sehingga hasil yang berupa angka desimal akan dibulatkan Amin, Faisal (2006). Pengembangan Algoritma ke atas. Penjadwalan Heuristik Flow Shop untuk Pesanan Baru yang Memperhatikan Lantai Produksi. Tugas Akhir S-1 Teknik Industri, 5. Penutup Institut Teknologi Bandung. 5.1. kesimpulan Baker, Kenneth R. (2001). Elements of Sequencing and Scheduling. Sine Nomine. 1. Sistem yang dibangun dapat membantu Bedworth, David D. dan James E. Bailey (1987). perusahaan dalam menjadwalkan pekerjaan, Integrated Production Control System : baik pekerjaan baru maupun pekerjaan yang Management, Analysis, Design. John Wiley & menunggu untuk diproses, juga dapat Sons Inc. New York. mensimulasikan terhadap konsumen tanggal Elsayed, Elsayed S and Boucher, O Thomas. (1995). penyelesaian serta dapat mendokumentasikan Analysis and Control of Production System. hasil dari perencanaan produksi. Second Edition. Springer Publishing. New 2. Aplikasi penjadwalan dibuat sesuai dengan York. kondisi perusahaan yang unik terhadap Ginting, Rosnani (2007). Penjadwalan Mesin. Graha pengaturan matres, dan mesin. Aplikasi ini Ilmu. Yogyakarta. mampu menyediakan mesin sesuai terhadap Ketaren, Dewi (2006). Perancangan Aplikasi matres dan produk, yang merupakan proses Penjadwalan Produksi Job Shop Dengan yang unik dari perusahaan ini. Selain itu, Mengggunakan Beberapa Metode Heuristik. metode – metode yang disediakan memiliki Tugas Akhir S-1 Teknik Industri, Institut fungsi tujuan yang dapat meminimalisir Teknologi Telkom. permasalahan yang terjadi pada IPMS. Rasjidin, Roesfjandsyah (2006). Penjadwalan produksi mesin Injection moulding pada PT. 5.2. Saran Duta flow Machine machinery. Tugas Akhir S- 1 Teknik Industri, Universitas Indonesia Esa 1. Untuk perusahaan Unggul. - Dalam melaksanakan produksi, sebaiknya Sipper, Daniel and Bulfin, Ir Robert L. (1995). perusahaan melakukanya sesuai dengan Production Planning, Control and penjadwalan produksi yang telah dibuat. Integration. Mc Graw-Hill Companies Inc. Sehingga tanpa implementasi yang New York. 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. 3-46 Data Maning dan Database System
  • 47. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 maupun bahan kajian dan pelajaran serta cara penyampaian dan penilaiannya yang digunakan Penelitian ini mengusulkan sebuah model sebagai pedoman penyelenggaraan kegiatan aturan keterhubungan data mahasiswa dengan belajar mengajar di perguruan tinggi. Kelompok indeks prestasi di perguruan tinggi swasta. Faktor- Mata Kuliah berbasis kompetensi yang faktor mana yang lebih dominan yang dilaksanakan berdasarkan Kepmendiknas No mempengaruhi indeks prestasi belum dapat 232/U/2000 adalah Matakuliah Pengembangan diketahui dengan pasti. Data diperoleh dari Kepribadian (MPK), Kelompok Matakuliah database Akademik AMIK Tunas Bangsa dan hasil Keilmuan dan Keterampilan (MKK), Kelompok survei terhadap mahasiswa semester III tahun Matakuliah Keahlian Berkarya (MKB), ajaran 2008 dan 2009. Dalam Penelitian ini Kelompok Matakuliah Perilaku Berkarya (MPB) algoritma C 4.5 decision tree diaplikasikan agar dan Kelompok Matakuliah Berkehidupan mendapatkan suatu model aturan yang dapat Bermasyarakat (MBB). memperlihatkan keterhubungan antara nilai rata Dalam beberapa penelitian yang telah rata matakuliah kurikulum berbasis kompetensi dilakukan oleh peneliti yang dituliskan dalam jurnal dengan data ekonomi, dukungan orang tua dan atau karya ilmiah tentang penggunaan data mining fasilitas belajar terhadap indeks prestasi pada perguruan tinggi adalah : Romero dan mahasiswa. Model aturan yang diperoleh Ventura, (2007), telah melakukan survey data menunjukkan bahwa variabel terbaik dari prediktor mining dalam bidang pendidikan antara tahun 1995 yang digunakan adalah faktor ekonomi yang sampai 2005, mereka menyimpulkan bahwa data memberikan kontribusi sebesar 79,8% terhadap mining yang berhubungan dengan pendidikan indeks prestasi mahasiswa. sangat baik untuk diteliti terutama di bidang e- learning, multimedia, artificial intelligent dan web Key Word : decision tree, model aturan, indeks database. Merceron dan Yacep, (2005) melakukan prestasi penelitian menggunakan data mining untuk mengidentifikasi perilaku mahasiswa yang cenderung gagal pada prestasi akademik sebelum 1. Pendahuluan ujian akhir. Ogor, (2007) menggunakan teknik Dalam Proses belajar mengajar untuk data mining yang digunakan untuk membangun mendapatkan nilai akhir mahasiswa di AMIK Tunas prototipe Penilaian Kinerja Monitoring System Bangsa Pematangsiantar memiliki penilaian terdiri (PAMS) untuk mengevaluasi kinerja mahasiswa. dari penilaian absensi, tugas, quis, ujian tengah Sembiring, et al., (2009) menggunakan teknik data semester (UTS) dan ujian akhir semester ( UAS ). mining dalam pemantauan dan memprediksi Peningkatan prestasi akademik dapat dilaksanakan peningkatan prestasi mahasiswa berdasarkan minat, dengan pemberian tugas yang berhubungan dengan prilaku belajar, pemanfatan waktu dan dukungan kompetensi mata kuliah yang pilih. Ujian dapat orang tua di perguruan tinggi. diselenggarakan melalui ujian tengah semester, Walaupun telah banyak penelitian yang ujian akhir semester, ujian akhir program studi dan dilakukan berkaitan dengan indeks prestasi ujian skripsi. mahasiswa namun faktor-faktor yang Berdasarkan Kepmendiknas No. 232/U/2000 mempengaruhi indeks prestasi mahasiswa masih Penilaian hasil belajar dinyatakan dengan huruf A, belum dapat diketahui dengan pasti sehingga perlu B, C, D, dan E yang masing masing bernilai 4, 3, 2, dilakukan penelitian untuk melihat keterhubungan 1, dan 0. data mahasiswa dengan indeks prestasi. Kurikulum pendidikan tinggi adalah Penelitian ini mengaplikasikan teknik data seperangkat rencana dan pengaturan mengenai isi mining dengan algoritma C 4.5 dalam membuat Data Maning dan Database System 3-47
  • 48. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  model aturan keterhubungan data mahasiswa bergantian untuk menjelaskan proses penggalian berdasarkan matakuliah Kurikulum Berbasis informasi tersembunyi dalam suatu basis data yang Kompetensi (KBK) dan data demografi yang besar. Sebenarnya kedua istilah tersebut memiliki mendukung peningkatan indeks prestasi mahasiswa. konsep yang berbeda, tetapi berkaitan satu sama Model aturan yang diperoleh untuk lain. Dan salah satu tahapan dalam keseluruhan mengklasifikasikan predikat mahasiswa yang terdiri proses KDD adalah data mining. Proses KDD dari dengan pujian, sangat memuaskan, secara garis besar dapat dijelaskan sebagai berikut memuaskan, dan buruk. (Fayyad, 1996). Dengan menggunakan Algoritma C 4.5, 1. Data Selection penelitian ini akan memberikan aturan dalam 2. Pre-processing/Cleaning bentuk decision tree bagi mahasiswa yang akan 3. Transformation meningkatkan nilai matakuliah dan indeks prestasi 4. Data mining pada semester yang akan diambil berikutnya. 5. Interpretation/Evalution Penelitian ini diharapkan dapat memberikan Tahap ini mencakup pemeriksaan apakah pola kontribusi bagi perguruan tinggi swasta khususnya atau informasi yang ditemukan bertentangan Akademi Manajemen Informatika dan Komputer dengan fakta atau hipoPenelitian yang ada (AMIK) Tunas Bangsa Pematangsiantar. sebelumnya. Penjelasan di atas dapat direfresentasikan pada Gambar 1 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. Gambar 1. Proses dari Data Mining 2. Bagaimana menggunakan model aturan untuk Sumber: SPSS, 2004 mengklasifikasikan predikat akhir seorang mahasiswa berdasarkan indeks prestasi. Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam 3. Tinjauan Teoritis enam fase Gambar 2. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya Data mining adalah suatu istilah yang dalam urutan bergantung kepada keluaran dari fase digunakan untuk menemukan pengetahuan yang sebelumnya. Hubungan penting antar fase tersembunyi di dalam database. Data mining digambarkan dengan panah. Sebagai contoh, jika merupakan proses semi otomatik yang proses berada pada fase modeling. Berdasar pada menggunakan teknik statistik, matematika, perilaku dan karakteristik model, proses mungkin kecerdasan buatan, dan machine learning untuk kembali kepada fase data preparation untuk mengekstraksi dan mengidentifikasi informasi perbaikan lebih lanjut terhadap data atau berpindah pengetahuan potensial dan berguna yang maju kepada fase evaluation. 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 Gambar 2. Proses Data Mining Menurut CRISP-DM tujuan untuk menemukan pola atau kecenderungan Sumber: CRISP, 2005 yang penting yang biasanya tidak disadari keberadaannya.” (Pramudiono, 2006). 2.1. Algoritma C 4.5 Istilah data mining dan Knowledge Discovery Algoritma C 4.5 adalah salah satu metode in Database (KDD) sering kali digunakan secara untuk membuat decision tree berdasarkan training 3-48 Data Maning dan Database System
  • 49. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  data yang telah disediakan. Algoritma C 4.5 data kuisioner mahasiswa yang merupakan data set merupakan pengembangan dari ID3. Beberapa kedua. Sumber data yang dikumpulkan dari catatan pengembangan yang dilakukan pada C 4.5 adalah kartu hasil studi akademik mahasiswa. sebagai antara lain bisa mengatasi missing value, Untuk dataset kedua, penulis mengembangkan bisa mengatasi continue data, dan pruning. kuesioner (Lampiran A) untuk mengukur Secara umum algoritma C4.5 untuk keterhubungan data demografi yang sesungguhnya membangun pohon keputusan adalah sebagai dari mahasiswa. 5 (lima) pertanyaan menghasilkan berikut: informasi demografi untuk responden. Pertanyaan 1. Pilih atribut sebagai akar pertanyaan yang dibuat adalah tipe skala point 2. Buat cabang untuk masing-masing nilai linker 5 yang disusun dari “ sangat setuju” sampai “ 3. Bagi kasus dalam cabang sangat tidak setuju”. yang berkenaan untuk 4. Ulangi proses untuk masing-masing cabang membuat aturan indeks prestasi akhir mereka. Data sampai semua kasus pada cabang memiliki kelas set pertama dapat dilihat pada Tabel 1 yang sama. Tabel 1 Tampilan Data Set Pertama Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut- No Role Name Type atribut yang ada. Untuk menghitung Gain 1 Label predikat nominal 2 Regular IP nominal digunakan rumus seperti tertera dalam Rumus 1 3 Regular Ratamkb Nominal (Craw, 2005). 4 Regular Ratamkk nominal Si 5 Regular Ratampk nominal Gain(S,A) = Entrropy(S) – Σi =1 n * Entropy(Si) 6 Regular Ratambb nominal S 7 Regular Semester nominal Dengan Pada Tabel 1 atribut predikat sebagai label S : Himpunan Kasus yang merupakan tujuan dari atribut IP, A : Atribut ratamkb,ratamkk,ratampk,ratambb dan semester. N : Jumlah partisi atribut A Data set kedua dapat dilihat pada Tabel 2 |Si| : Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S Tabel 2 Tampilan Data Set Kedua Sedangkan perhitungan nilai Entropy dapat No Role Name Type dilihat pada rumus 2 berikut (Craw, 2005): 1 Label predikat nominal Entropy(A) = Σin=1 − pi *log 2 pi 2 3 Regular Regular IP ekonomi nominal nominal Dengan 4 Regular dukungan orang tua nominal S : Himpunan Kasus 5 Regular fasilitas belajar nominal A : Fitur 6 regular semester nominal n : Jumlah partisi S Pada Tabel 2. atribut predikat sebagai label pi : Proporsi dari Si terhadap S yang merupakan tujuan dari atribut IP, dukungan orang tua, ekonomi, fasilitas dan semester. 3. Prosedur Pengumpulan Data Keterhubungan data antara data set pertama dan data set kedua dapat dilihat pada Tabel 3. Dalam studi kasus ini, untuk data set pertama, penulis mengumpulkan data dari SQL Server Tabel 3. Tampilan Data Set Pertama dan Kedua database nilai rata-rata matakuliah kurikulum berbasis kompetensi AMIK Tunas Bangsa No Role Name Type 1 Label predikat nominal Pematangsiantar yang telah mendapatkan kartu 2 Regular IP nominal hasil studi pada semester 3 yaitu tahun ajaran 2008 3 Regular Ratamkb nominal sampai dengan 2009 yang terdiri dari predikat, IP, 4 Regular Ratamkk nominal ratamkb, ratamkk, ratampk, ratambb, ratampb, 5 Regular Ratampk nominal semester. 6 Regular Ratambb nominal Dataset kedua penulis mensurvei mahasiswa 7 Regular ekonomi nominal 8 Regular dukungan orang tua nominal tentang prediksi prestasi akademik dengan 9 Regular fasilitas belajar nominal menggunakan kuesioner tertulis. Penulis 10 Regular semester nominal menciptakan instrument survey dan termasuk pertanyaan demografis secara umum. Jumlah Pada Tabel 3 atribut predikat sebagai label mahasiswa sebanyak 755 orang, dan penulis yang merupakan tujuan dari atribut IP, mendapatkan data sampel sebanyak 734 orang dari ratamkb,ratamkk,ratampk,ratambb, dukungan orang 735 untuk data set pertama dan 734 orang untuk tua, ekonomi, fasilitas dan semester. Data Maning dan Database System 3-49
  • 50. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3.1. Validitas dan Reliabilitas Data tabel 5 di atas kemudian disederhanakan (Keakuratan) Data kembali. Karena nim, nama bersifat primary key maka data tidak digunakan dalam penelitian, Keakuratan instrumen yang digunakan pada sehingga data yang dipilih dalam penelitian adalah penelitian ini adalah penting. Keakuratan mengacu pada Tabel 6 dengan menambahkan field predikat apakah instrumen yang digunakan mengukur secara berdasarkan IP dimana ketentuannya sebagai konsisten setiap waktu dan populasi ( Gall et al., berikut : 1996 ). Survei dalam studi ini diuji dalam jangka No IP Predikat waktu dan ukuran internal yang terpercaya yang 1 < 2,00 Buruk memiliki keterkaitan antara bagian bagian tes ( 2 2,00 - 2,75 Memuaskan Brown and Alexander, 1991 ). Hal ini menjamin 3 2,76 - 3.50 sangat memuaskan apakah pengukuran instrumen secara akurat 4 3.51 - 4,00 dengan pujian dimaksudkan untuk mengukur. Cronbach’s Alpha diberikan survei untuk Tabel 6 Tabel Data Penelitian mengukur konsistensi internal. Menurut Mitchell Predikat IP MKB MPK MKK MPB MBB Semester dan Jolley ( 1999 ), Cronbach’s Alpha pada atau di …… …… ……. ……. ……. ……. ……. ……. atas 0.60 diterima sebagai bukti realibilitas internal. Validitas dan Realibilitas dari kuesioner 3.3.2 Preprocessing Data Kuesioner dengan jumlah data sebanyak 60 item, seperti pada Tabel 4 Data survei dalam bentuk kuesioner yang dibagikan kepada mahasiswa terdiri dari beberapa Tabel 4 Statistik Reliabilitas Data field. Data yang dikumpulkan dapat dilihat pada Tabel 7 Cronbach's Jumlah No Variabel dalam Skala alpha Data 1 Faktor Ekonomi .634 60 Tabel 7 Data Kuesioner 2 Faktor Dukungan .635 60 NIM Nama IP Q1 Q2 Q3 Q4 Q5 Re Orang Tua …… …… ……. ……. ……. ……. ……. ……. ……. 3 Faktor Fasilitas .629 60 Data pada tabel 7 di atas dapat dijelaskan Dari Tabel di atas Cronbach's alpha dari ke bahwa : tiga variabel berjumlah di atas 0.60 ini 1. Q1 sampai dengan Q5 adalah pertanyaan untuk menunjukkan bahwa data yang diolah adalah valid ekonomi orang tua. dan dipercaya. 2. RE adalah rata-rata ekonomi dari pertanyaan Q1 sampai dengan Q5 3.3 Preprocessing Data Dari keterangan tabel 3.7 di atas, pengolahan data penelitian dibagi dua, yaitu rata-rata ekonomi, 3.3.1 Preprocessing Database Akademik dukungan orang tua dan fasilitas belajar digunakan Untuk mendapatkan input yang lebih baik dari pada software rapidminer sedangkan nilai dari teknik data mining, penulis melakukan beberapa pertanyaan digunakan pada software SPSS 18. preprocessing untuk data yang akan dikumpulkan. Data disusun dalam tabel yang berbeda yang 3.3.2 Signifikan dihubungkan dalam tabel tunggal. Tabel yang Dalam penelitian ini, penulis telah menguji digabungkan adalah : hubungan antara empat prediktor variabel model 1. tabel mahasiswa aturan untuk predikat keberhasilan mahasiswa 2. tabel matakuliah dengan menggunakan metode analisis regresi 3. tabel nilai berganda dengan model fit untuk mengetahui 4. tabel IP variabel manakah yang paling memberikan Dari pilihan field ke empat tabel di atas data yang dipilih dapat dilihat pada Tabel 5 kontribusi. Hasil yang diperoleh menunjukkan bahwa ada tiga dari empat variabel tersebut di atas memiliki korelasi yang sangat signifikan terhadap Tabel 5 Tabel Preprocessing Data Gabungan Empat Tabel model aturan untuk predikat keberhasilan mahasiswa ekonomi, dukungan orang tua, fasilitas NIM Nama MKB MPK MKK MPB MBB Semester IP belajar. Semua-prediktor tiga variabel di atas …… …… ……. ……. ……. ……. ……. ……. ……. memberikan kontribusi 82,8% dalam membuat 3-50 Data Maning dan Database System
  • 51. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  model aturan untuk predikat keberhasilan faktor ekonomi untuk mendapatkan predikat dengan mahasiswa, seperti terlihat pada Tabel 8 pujian, sangat memuaskan, memuaskan dan buruk Untuk melihat penyederhanaan dari decision Tabel 8 Korelasi Signifikan dari Tiga Prediktor tree dalam bentuk model aturan induction rule Variabel Predikat 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) Dari Tabel 8 dapat melihat bahwa variabel if Ekonomi = 3 then BURUK (0 / 0 / 0 / 45) if Fasilitas = 4.4 then SANGAT MEMUASKAN (37 / 0 / 0 / 0) terbaik dari prediktor ekonomi (lihat pada R square if Orang Tua = 3.8 and Ekonomi = 3.4 then MEMUASKAN (0 / 8 / 0 / 0) ubah) memberikan kontribusi 79,8%. Keempat 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 / variabel memberikan kontribusi yang signifikan R 2 0) = 0,828. Dengan demikian, dapat disimpulkan if Orang Tua = 4.8 then DENGAN PUJIAN (0 / 0 / 13 / 0) if RATAMBB = C and RATAMKB = B then MEMUASKAN (1 / 4 / 0 / bahwa tiga variabel tersebut di atas adalah sangat 0) dipercaya untuk digunakan sebagai penaksir model if Fasilitas = 4 and RATAMPK = A then SANGAT MEMUASKAN (9 / aturan untuk predikat keberhasilan mahasiswa, 1 / 0 / 0) if Ekonomi = 3.2 then BURUK (0 / 4 / 0 / 11) seperti yang terdapat pada Tabel 9 else MEMUASKAN (4 / 5 / 2 / 0)  correct: 717 out of 731 training examples.    Tabel 9 Signifikan dari Tiga Variabel Prediktor Predikat 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 4. Hasil Percobaan Decision Tree Induction Rule Model sampel aturan decision tree dengan Rule Keterangan Rule SM M DP B model grafik dari software rapidminer yang akan if ratamkk = B and ratamkb = 95 0 0 0 B then sangat memuaskan digunakan dapat dilihat pada gambar 3 1 if orang tua = 4.6 then sangat 104 0 0 0 memuaskan if orang tua = 4 then 0 91 0 0 memuaskan 2 if orang tua = 3.8 and ratamkk 0 5 0 0 = B then memuaskan if ratamkk = A and ratamkb = 0 0 80 0 A then dengan pujian 3 if orang tua = 4.8 then dengan 0 0 13 0 pujian if ekonomi = 3 then buruk 0 0 0 45 4 if ekonomi = 3.2 and ratamkk Gambar 3. Grafik Decision Tree = E then buruk 0 0 0 14 Dari Gambar 3 dapat dijelaskan bahwa faktor Tabel 10 dapat dijelaskan bahwa rule sangat ekonomi memiliki pengaruh paling besar dalam memuaskan terdiri dari jika ratamkk dan ratamkb data penelitian Penelitian ini, setelah dilakukan bernilai B dengan nilai Gaint Rasion 95 dan jika percobaan dengan menggunakan rapidminer bahwa rata orang tua 4.6 dengan gaint rasio 104. Rule variabel ekonomi berada pada node paling atas, memuaskan terdiri dari jika rata orang tua 4 kemudian dibandingkan dengan rata-rata nilai dari dengan gaint rasio 91 kemudian jika rata orang tua 3.8 dan ratamkk=B dengan gaint rasio 5. Rule Data Maning dan Database System 3-51
  • 52. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  dengan pujian terdiri dari jika ratamkk dan 3. Dari pendekatan model aturan yang didapat, ratamkb bernilai A dengan nilai Gaint Rasion 80 perlu menjadi perhatian khusus bagi manajemen dan jika rata rata orang tua 4.8 dengan gaint rasio AMIK Tunas Bangsa Pematangsiantar untuk 13. Rule buruk terdiri dari jika rata ekonomi 3 melihat dan mengambil keputusan variabel dengan gaint rasio 45 kemudian jika rata ekonomi mana yang harus diperhatikan untuk 3.2 dan ratamkk=E mendukung peningkatan indeks prestasi mahasiswa agar mendapatkan predikat sangat 5. Penutup memuaskan dan dengan pujian, sehingga mahasiswa yang akan lulus dapat bersaing di 5.1 Kesimpulan pasar kerja global. Penelitian ini menghasilkan beberapa kesimpulan sebagai berikut : 1. Diperoleh suatu model aturan yang dapat Daftar Pustaka memperlihatkan aturan keterhubungan antara [1] Craw, S. (2005). Case Based Reasoning : nilai rata-rata matakuliah dengan faktor Lecture 3: CBR Case-Base Indexing ekonomi, dukungan orang tua dan fasilitas www.comp.rgu.ac.uk/staff/smc/teaching/cm3 belajar terhadap indeks prestasi mahasiswa. 016/Lecture-3-cbr-indexing .ppt, diakses 2. Dalam studi kasus pada Akademi Manajemen tanggal 11 april 2011 Informatika Komputer (AMIK) Tunas Bangsa [2] CRISP ( Cross Industry Standard Process for Pematangsiantar bahwa sebagian besar Data Mining http://www.crisp- mahasiswa yang memiliki predikat buruk dm.org/Process/index.htm, diakses tanggal 11 apabila faktor rata-rata ekonomi = 3 dan april 2011 ratamkk bernilai E dan predikat dengan pujian [3] Fayyad, U. M, 1996, Advances in Knowledge apabila jika ratamkk = A dan ratamkb = A Discovery and Data Mining. Camberidge, kemudian rata-rata dukungan orang tua = 4.8 MA: The MIT Press. 3. Penelitian ini telah menunjukkan ada tiga dari [4] Gall, M. D., Borg, W. R., & Gall, J. P. empat variabel yaitu fasilitas, ekonomi, orangtua (1996). Educational research introduction dan predikat memiliki korelasi yang sangat (6th ed.). White Plains, NY: Longman signifikan terhadap model aturan aturan Publishers USA. keterhubungan data mahasiswa untuk [5] Keputusan Mentri Pendidikan Nasional No. meningkatkan indeks prestasi seperti yang 232/U/2000 tentang pedoman penyusunan diusulkan (faktor ekonomi, faktor dukungan kurikulum pendidikan tinggi dan penilaian orang tua dan fasilitas belajar) dengan predikat hasil belajar mahasiswa. indeks prestasi mahasiswa pada akhir semester. [6] Larose D, T., 2006, Data Mining Methods Semua prediktor tiga variabel di atas and Models, Jhon Wiley & Sons, Inc. memberikan kontribusi 82,8% dan variabel Hoboken New Jersey terbaik dari prediktor ekonomi memberikan [7] Merceron, A and Yacef, K. 2005. kontribusi 79,8%. Educational Data mining: A case study. In proceedings of the 12th International 5.2 Saran Conference on Artificial Intelligence in Saran penulis terhadap Penelitian ini Education AIED 2005, Amsterdam, The Netherlands, IOS Press, Vol 5, pp 1-8 adalah sebagai berikut : [8] Mitchell M dan Jolley J, 1999. Research 1. Untuk mendapatkan hasil yang lebih variatif Design Explained. New York: Holt, Rinehart mungkin penelitian ini dapat dikembangkan and Winston. dengan teknik data mining yang lain seperti [9]  Ogor E. N, 2007. Student Academic Fuzzy Decision Tree, algoritma genetika, Performance Monitoring and Evaluation, association rule dan algoritma KNearest Congress of Electronics, Robotics and Neighbor untuk mencari aturan atau pendekatan Automotive Mechanic, Vol.4, pp-354-359 model yang ingin dicapai. [10] Pramudiono, I, 2006, Apa itu Data Mining ? 2. Dalam penelitian lebih lanjut, pengujian model dalam aturan dapat menggunakan metode SSVM http://datamining.japati.net/cgibin/indodm.cgi (Smooth Support Vector Machine) sebagai alat ?bacaarsip%115552761&artikel, diakses pengujian akurasi kebenaran model aturan yang tanggal 11 april 2011 didapat. 3-52 Data Maning dan Database System
  • 53. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  [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. Data Maning dan Database System 3-53
  • 54. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-54 Data Maning dan Database System
  • 55. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Klaster Sub-Ruang Berdasarkan Kerapatan Data Rahmat Widia Sembiring1,2, Jasni Mohamad Zain2 1 Manajemen Informatika, Politeknik Negeri Medan 2 Fakulti Sistem Komputer dan Kejuruteraan Perisian, Universiti Malaysia Pahang Abstract Jarak antara objek dalam dataset dimensi tinggi umumnya mirip satu sama lain, klaster yang Analisis klaster dilakukan untuk menemukan cenderung sangat rapat, bahkan dapat tumpang kelompok-kelompok, atau pola yang mirip, tindih. Untuk mendeteksi kluster biasanya algoritma konvensional sering menghasilkan dilakukan penilaian kesamaan objek. Kemiripan klaster tidak relevan. Jarak antara objek dalam atau kesamaan antara objek sering ditentukan dataset berdimensi tinggi umumnya cenderung dengan mengukur jarak antara obyek dalam serupa satu sama lain, yang akan menghasilkan berbagai dimensi. Metode subruang sangat ideal klaster sangat rapat, atau bahkan tumpang tindih. digunakan untuk kasus dataset dimensi tinggi. Metode sub-ruang ideal digunakan untuk Pengelompokan subruang merupakan perpanjangan mendeteksi kluster karena kesamaan objek klastering konvensional [1], yang dapat digunakan penilaian. Pada riset ini algoritma SC2D untuk menemukan klaster kedua, ketiga dan digunakan untuk menghitung kerapatan dimensi, seterusnya dari dataset. sementara algoritma DBSCAN digunakan untuk Gambar 2 memperlihatkan keadaan klaster menentukan klaster berdasarkan kepadatan subruang yang saling bertumpuk. Pengelompokan koneksi. Kemudian digabungkan dengan algoritma subruang adalah metode untuk mendeteksi semua SUBCLU yang dapat menghasilkan subruang kelompok dalam semua subruang [2]. Bisa terjadi dimensi dan terakhir menentukan klaster subruang. satu titik menjadi anggota dari beberapa kelompok yang ada di dalam subruang yang berbeda, pada 1. Pendahuluan umumnya terjadi pada klaster berdimensi tinggi. 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 Pada dataset berdimensi tinggi, dapat terjadi klaster dengan maksimal, bahkan menghasilkan masalah dimana objek klaster di setiap klaster akan outlier (Gambar-1c). Masalah seperti ini dalam data akan sulit dikenali. Jika dimensi dihapus dapat mining disebut sebagai "curse of dimensionality". 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 Data Maning dan Database System 3-55
  • 56. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  memisahkan menggunakan algoritma Gambar 5 memperlihatkan pseudocode algoritms pengelompokan konvensional. 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 Untuk mengatasi hal ini, perlu untuk menempatkan setiap dataset objek ke dalam Figure-5 DBSCAN Algorithm subruang yang berbeda. Hal ini menjadi tantangan dalam penelitian data mining, yaitu bagaimana untuk mengeksplorasi data yang memiliki 3. Kajian Klaster Sub Ruang multidimensi, dan menempatkan setiap benda ke CLIQUE [5] mengidentifikasi kepadatan dalam klaster yang terpisah. kelompok dari dimensi maksimum, setelah subruang yang sesuai ditemukan, titik data 2. Klaster Berdasar Kerapatan Dimensi dipisahkan menurut celah kelompok data. CLIQUE Klaster berdasarkan kerapatan data dilakukan dimulai dari mengidentifikasi subruang yang dengan mencari perbedaan kerapatan dari satu mengandung klaster, menemukan unit yang rapat, dengan terlebih dahulu menentukan 1-dimensi unit klaster dengan klaster tetangganya. Dua parameter yang digunakan adalah radius volume titik data, data, Jika dimensi dari subruang dianggap yang dinyatakan dengan ε, dan jumlaj minimu titik meningkat, akan ada peningkatan jumlah unit klaster dan perlu untuk dipangkas. Set yang sebagai dasar menghitung kerapatan, yang dinyatakan dengan [3] dipangkas kemudian digunakan untuk membentuk DBSCAN menggagas kepadatan berbasis unit kandidat dalam tingkat berikutnya, diikuti dengan mengidentifikasi klaster. klaster yang dirancang untuk menemukan klaster yang berubah-ubah [4], diperlukan dua parameter PreDeCon (subspace PREference weighted DEnsity CONnected klastering) adalah konsep input (Eps dan MinPts ), digunakan untuk preferensi subruang lokal, untuk memastikan menentukan nilai titik p (sebagai pusat klaster). Kepadatan-terjangkau (density reachable) bentuk kualitas klaster dalam ruang dimensi tinggi [6]. PreDecon menggunakan mengukur jarak Euclidean simetris untuk beberapa pasang pusat klaster. tertimbang untuk menghitung kluster spesifik yang Gambar 4b menunjukkan density reachable. titik p dicapai dari titik q yang merupakan hasil dari Eps, lebih kecil, dengan melakukan scan tunggal atas database, dan linier dalam jumlah dimensi. MinPts dimana dan . Dengan memperkenalkan definisi kepadatan Jangkauan kerapatan (density connectivity) adalah dimensi, SC2D (Subspace Klastering with hubungan simetris (Gambar 4b), dimana titik p Dimensional Density) menempatkan objek ke adalah densitas terhubung ke titik q, titik o adalah dalam klaster yang sama jika mereka memiliki sebagai pusat dari titik p dan titik q. 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 Secara intuitif, klaster didefinisikan sebagai kerapatan klaster dimensi. PreDeCon menggunakan satu set kepadatan yang terhubung secara maksimal. untuk mewakili hasil klastering, Noise (outlier) didefinisikan sebagai bagian yang dan menghitung validasi subruang. tidak termasuk relatif dalam himpunan klaster. Sementara divalidasi sebagai subruang, kelompok objek akan masuk dalam klaster yang 3-56 Data Maning dan Database System
  • 57. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  sama jika mereka berada dalam subruang yang untuk memangkas subruang. Algoritma dimulai sama. Jelas bahwa dua atau lebih kelompok yang dengan menghasilkan klaster 1-dimensi, untuk berbeda mungkin ada dalam subruang yang sama, setiap klaster terdeteksi akan dicek apakah klaster sehingga perlu untuk menghitung kekompakan ini menjadi bagian dari subruang dimensi yang intra-klaster klaster, yang dapat dihitung dengan lebih tinggi. persamaan Scat(i) berikut: 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 Scat(i) didasarkan pada jarak Euclidean yang calon dinotasikan dengan . Untuk masing- merupakan jumlah dari perbedaan antara obyek dan masing kandidat subruang pusat-pusat klaster. Perbedaan-perbedaan ini masing-masing berisi k-dimensi subruang TS (jTj = dihitung dalam subruang karena jarak dimensi k), dengan pemangkasan calon ini setidaknya satu penuh pada tinggi-dimensi dataset tidak efektif. k-dimensi subruang tidak termasuk dalam Sk. Hal ini Jika Scat(i) Si lebih besar dari ambang batas akan mengurangi jumlah (k +1)-dimensi subruang yang diberikan yakni β, ini menunjukkan bahwa ada calon. lebih dari satu klaster di subruang yang sama. SC2D (Subspace Klastering with Dimensional Sehingga perlu untuk memisahkan mereka dengan Density) menempatkan objek ke dalam klaster yang menerapkan DBSCAN pada c dalam subruang sama jika mereka memiliki dimensi kepadatan tersebut. Jika Scat(i) kurang dari β, maka Scat(i) serupa 0. Kemudian memisahkan kelompok jika adalah hasil akhir yang kita inginkan. Kami ada lebih dari satu klaster dalam subruang yang menggunakan set untuk sama. Algoritma menghitung kepadatan mulai dari mewakili hasil akhir dari algoritma. dimensi objek masing-masing, DBSCAN juga Algoritma lain adalah subruang kepadatan digunakan untuk kerapatan klaster dimensi, dan berbasis subruang EDSC (Efficient Density-based dengan pengelompokan akan diketahui hasil yang Subspace Klastering) mengusulkan deteksi efisien memiliki dimensi kepadatan serupa. Dapat juga lossless kepadatan berbasis klaster subruang [7]. terjadi dua atau lebih kelompok yang berbeda Algoritma EDSC mengurangi biaya komputasi mungkin ada dalam subruang yang sama, untuk ini yang tinggi, hypercube mengurangi jumlah scan akan dicek kekompakan intra-klaster klaster. database untuk perhitungan kepadatan dan, melalui monotonisitas, yang memungkinkan untuk pemangkasan efektif di banyak sub-ruang yang 4. Pembahasan tidak relevan. Selanjutnya, filter kepadatan Pertama perlu difahami masalah data subruang, langkah ini memberikan pemangkasan multidimensi, dimisalkan tambahan berdasarkan monotonisitas kepadatan adalah himpunan berhingga, data. Kedua langkah menyaring secara signifikan adalah ruang n-dimensi numerik . Kami akan mengurangi jumlah calon subruang tanpa mengacu pada sebagai dimensi (atribut) kehilangan keaslian data. Pada langkah dari S. 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: 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, SUBCLU (density connected SUBspace dimana ξ adalah parameter masukan. 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 Data Maning dan Database System 3-57
  • 58. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Gambar 7. Aliran usulan algoritma maksimum terhubung dalam k-dimensi. Dua k- dimensi unit u1, u2 adalah tersambung Detail pseudocode dari usulan algoritma jika mereka memiliki bentuk sama atau ada unit tersebut seperti terlihat pada Gambar 8. lain k-dimensi u3 sehingga u1 terhubung ke u3 dan Input datasets S, u2 terhubung ke u3. Unit dan memiliki bentuk yang sama Output Klaster result C jika memiliki k-1 dimensi, /*Step-1: Hitung DiDen*/ diasumsikan , seperti juga Begin Hitung kerapatan dimensi dengan DiDen atau , untuk . Dalam riset ini diadopsi fungsi Dimensional /*Step-2: Cari klaster awal dengan DBSCAN */ Density (DiDen), yang digagas oleh Huang et.al., Set dimana WHILE /*Step-3: Menghasilkan (k+1) calon klaster subspace */ FOR each DO FOR each DO Setelah hasil DiDen ditemukan, selanjutnya IF DBSCAN digunakan mengidentifikasi klaster awal. Eksponensial digunakan THEN menentukan bobot masing-masing insert into CandSk+1; dimensi untuk setiap klaster, metode ini telah ENDIF digunakan dalam klastering subruang, juga END FOR telah divalidasi pada klaster data berdimensi tinggi. END FOR Gambar 7 di bawah ini menunjukkan alur kerja dari /*Step-4: Buang candidate subspace yang tidak relevan*/ algoritma. Ada enam langkah utama untuk algoritma: 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 3-58 Data Maning dan Database System
  • 59. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  IF THEN References ; ; [1] Parson, Lance, Ehtesham Haque, Huan Liu, END IF “Subspace Klastering for High Dimensional END FOR END FOR Data: A Review”, ACM SIGKDD k:=k+1 Explorations Newsletter, Volume 6, 2006, END WHILE p.90–105 [2] Agrawal, Rakesh, Johannes Gehrke, Dimitrios Gambar 8. Pseudocode usulan algoritma Gunopulos, Prabhakar Raghavan, “Automatic Subspace Klastering of High Dimensional 5. Kesimpulan Data for Data”, IBM Almaden Research Center, 1998, Jarak antara objek dalam dataset berdimensi [3] Bicici, Ergun, Deniz Yuret, “Local Scaled tinggi umumnya cenderung serupa satu sama lain, Density Based Klastering”, ICANNGA, 2007, oleh karena itu metode subruang ideal digunakan pp.739-748 untuk mendeteksi kluster. Algoritma SC2D [4] Ester, Martin, Hans-Peter Kriegel, Jörg digunakan untuk menghitung kerapatan dimensi, Sander, Xiaowei Xu, “A Density-Based sementara algoritma DBSCAN digunakan untuk Algorithm for Discovering Klasters”, 2nd menentukan klaster berdasarkan kepadatan koneksi. International Conference on Knowledge SUBCLU dapat digunakan mendeteksi kluster yang Discovery and Data Mining (KDD-96), 1996 berubah-ubah, dimana monotonisitas kepadatan- [5] Agrawal, Rakesh, Johannes Gehrke, konektivitas digunakan untuk memangkas “Automatic Subspace Klastering of High subruang. Kemudian digabungkan dengan Dimensional Data”, Data Mining and algoritma SUBCLU yang dapat menghasilkan Knowledge Discovery, 2005, pp.5-33 subruang dimensi dan terakhir menentukan klaster [6] Boehm, C., K. Kailing, H.-P. Kriegel, P. subruang. 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 Data Maning dan Database System 3-59
  • 60. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-60 Data Maning dan Database System
  • 61. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Studi Kajian Web Usage Mining Berbasis Open Source Rafiqa Dewi1, Suhada1, Saifullah1, Rahmat Widia Sembiring2 1 AMIK Tunas Bangsa Pematangsiantar 2 Manajemen Informatika, Politeknik Negeri Medan Abstract Untuk menemukan data dari web dengan cara yang cepat dapat dimanfaatkan web data mining. Namun dengan pertumbuhan web yang sangat Dengan web data mining dapat dieksplorasi data cepat mengakibatkan akses sumber informasi di yang diperlukan dengan waktu yang relatif lebih dunia menjadi begitu luas pula , sehingga singkat. Namun dengan pertumbuhan web yang diperlukan cara yang cepat untuk mendapatkan sangat cepat mengakibatkan akses sumber informasi yang tepat. Web mining yang informasi di dunia menjadi begitu luas pula, hal ini diklasifikasikan atas web content mining, web yang menjadikan mining informasi dan structure mining dan web usage mining dapat pengetahuan yang berguna menjadi tantangan untuk digunakan untuk mencari data dengan cepat. dijadikan riset. Strategi utama impelementasi web usage mining adalah mengurangi customer cost dan menjadikan fungsi pemanggilan modul. Algoritma LUI dapat 2. Web Data Mining digunakan sebagai web usage mining berbasis open Ada beberapa karakteristik tentang pentingnya source. data mining pada web [0], yakni: a. Jumlah data/informasi pada web sangat besar 1. Introduction dan terus bertumbuh b. Jenis data atau informasi pada web sangat Implementasi web tidak mungkin tanpa bervariasi dan berbeda internet, yang menyediakan jaringan komunikasi c. Karena kepemilikan website berbeda sangat untuk fungsi web. Dengan internet dimungkinkan mungkin terjadi ada halaman yang terdapat pada melakukan akses universal terhadap informasi yang banyak website bersifat hypermedia. World wide web (www) d. Jumlah informasi yang saling terhubung dijadikan sebagai pintu masuk akses informasi dibeberapa website juga sangat besar tersebut. Dalam www selalu diimplementasikan e. Data pada web juga cenderung noisy, hal ini model client-server, pengguna disebut sebagai dapat dikarenakan tidak adanya pengawasan client yang terhubung ke remote machine, yang terhadap kualitas isi website. selanjutnya disebut sebagai server, yang f. Website cenderung dinamis, sehingga selalu menyimpan data dalam jumlah besar. berubah Data yang tersimpan dalam server dapat g. Website juga dapat berupa virtual society, yang diklasifikasikan sebagai data yang dapat diakses berisikan interaksi banyak pengguna. untuk dilihat saja, selain data yang juga bisa Karakteristik tersebut menjadikan web data diupdate oleh pengguna yang mempunyai hak, yang mining menjadi tantangan sekaligus menjadi selanjutnya disebut sebagai web admin. peluang untuk diteliti. Jika pengguna internet ingin mendapatkan Web mining memiliki klasifikasi sbb [0]: 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. Gambar 1. Klasifikasi Web Mining Data Maning dan Database System 3-61
  • 62. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Dari Gambar 1 diatas dapat dilihat bahwa web a. Menemukenali sumber data (resource mining [0] terdiri dari mining isi web (web content discovery) mining), mining struktur web (web structure b. Pemilihan informasi dan pra-proses mining) dan mining pengguna web (web usage (information selection and pre-processing) mining). c. Mencari pola umum dari satu website maupun Mining isi web pada umumnya adalah antar website (generalization) mengeksplorasi isi web, hal ini dimungkinkan d. Validasi dan interpretasi pola hasil mining karena banyak halaman web yang bersifat terbuka (analysis) (open access). Target knowledge discovery adalah e. Menampilkan hasil analisa secara interaktif dokumen teks, dan juga dokumen multimedia. sehingga mudah difahami (visualization) Mining isi web dapat diklasifikasikan pada dua pendekatan, yakni pendekatan berdasar agen (the 3. Web Mining Open Source agent based approach) dan pendekatan berdasar database (database approach) [0]. 3.1 DEiXTo Pendekatan berdasar agen bertujuan DEiXTo (or ∆EiXTo) adalah aplikasi berbasis meningkatkan informasi yang ditemukan, web yang dapat digunakan mengekstraksi data [0], melakukan penyaringan (filtering), dan hasilnya tool berdasarkan W3C Document Object Model dibagi atas tiga kategori, yakni [0]: (DOM). Gambar 2 memperlihatkan tampilan a. Intelligent Search Agent, yakni dengan mencari DeiXTo. 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 Gambar 2. Aplikasi DEiXTo terstruktur, sehingga dapat mengaplikasikan query database dan mengaplikasikan data mining. Dengan aplikasi DEiXTo memungkinkan Mining struktur web dilakukan untuk pengguna untuk membuat akurasi tinggi aturan merepresentasikan struktur informasi yang ekstraksi (extraction rules). DEiXTo terdiri dari ditampilkan, termasuk hubungan antara halaman tiga komponen sistem, yaitu: pada web yang sama, ataupun dengan web yang a. GUI DEiXTo, sebagai aplikasi berbasis lain. Windows , dengan implementasi ramah Mining pengguna web ditujukan untuk melihat pengguna yang digunakan untuk mengelola pola keterhubungan antara pengguna. Dalam extraction rules, seperti membangun, menguji, beberapa tahun terakhir tantangan utama dalam riset meningkatkan akurasi, menyimpan dan mining pengguna adalah [0]: memodifikasi. a. Pra-proses (pre-processing), ini perlu dilakukan b. DEiXToBot, dengan mengimplementasikan Perl karena data cenderung noise (mengandung data digunakan untuk menciptakan pola dari hasil yang tidak diperlukan). Dalam hal ini yang GUI DEiXTo. Aplikasi ini seperti solusi tailor- dilakukan adalah pembersihan data, inegrasi, made. transformasi dan reduksi data. c. Command Line Executor, adalah aplikasi stand- b. Menemukan pola (pattern discovery), beberapa alone, sebagai utilitas yang dapat digunakan metode statistik, algoritma data mining dan mengekstraksi rule secara massif. teknik pengenalan pola dapat digunakan. c. Analisa pola (pattern analysis), digunakan agar 3.2 Mozenda pola yang ada dapat difahami melalui visualisasi Mozenda adalah aplikasi data mining berbasis maupun interpretasi data. web, digunakan untuk tujuan membuat perencanaan Pada web mining ada beberapa sub tasks yang [0], tugas perencanaan. Dengan aplikasi ini dapat dilakukan [0], yaitu: disusun perencanaan pemasaran dan perencanaan 3-62 Data Maning dan Database System
  • 63. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  penjualan. Dengan informasi yang dihasilkan dapat 3.3 RapidMiner memperkirakan apa yang akan dilakukan pesaing. Gambar 3 memperlihatkan tampilan antarmuka RapidMiner adalah salah satu aplikasi open aplikasi Mozenda. 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 3. Aplikasi Mozenda Mozenda memiliki beberapa fitur sebagai berikut: Gambar 4. Aplikasi RapidMiner a. Ekstraksi Data Dengan mengekstrak data memungkinkan RapidMiner mendukung semua tahapan data pengguna mendapat informasi yang strategis, mining, seperti memanggil file data, pra-proses, yakni mencakup mendapat informasi dari visualisasi data, desain dan inspeski yang interaktif, pemerintah, merangkum data statistik dari otomasi permodelan, pengaturan parameter dan rencana bisnis, serta mengumpulkan data untuk fitur lainnya. Dengan RapidMiner juga dapat tujuan yang legal. dilakukan fungsi web mining. b. Screen Scrapping Screen scraper Mozenda digunakan untuk 4. Hasil dan Pembahasan mengumpulkan data yang vital dari sejumlah halaman web yang telah diakses. Jika telah Algoritma web mining dapat diklasifikasikan dikumpulkan akan mudah mengelola data seperti klasifikasi web mining, yakni terdiri dari tersebut ke dalam format yang sesuai, seperti web content mining, web structure mining dan web database, spreadsheets, dan lainnya. Dengan usage mining. Beberapa algoritma yang dikenal Mozenda screen scrapers akan mudah adalah association rule mining, neares neighbour memanggil ulang sejumlah website karena telah classifier, decision tree, bayesian classifier, neural dimasukkan ke dalam sebuah database. network classifier, the k-Medan algorithm, dan c. Web Harvesting yang lainnya [0]. Istilah memanen (harvesting) digunakan untuk Strategi utama impelemntasi web usage menangkap (capture) data yang diperlukan, mining adalah mengurangi customer cost dan dengan sekumpulan points, clicks, dan menjadikan fungsi pemanggilan modul dari website highlights, akan mudah untuk menangkap data dapat dilakukan dengan optimal [0]. Untuk dan menyimpannya dalam format Excel, CSV, mencapai hal ini dapat dilakukan dengan ataupun XML. mengembangkan algoritma dengan blok sbb: d. Web Crawling a. Mengumpulkan informasi pengguna Mesin pencari (seperti Firefox, Google, Yahoo, b. Mengembangkan struktur topologi website dan lainnya), melakukan pekerjaan yang c. Mengembangkan matriks konjungsi dari menakjubkan, yang mampu menyediakan kunjungan pengguna terhadap halaman website berbagai informasi yang diperlukan. Dengan Dengan blok algoritma seperti ini diharapkan metode crawl, Mozenda juga mampu dapat dicatat waktu dan kebiasaan kunjungan dari mengumpulkan informasi yang sudah pengguna. ditemukan dan dapat dipanggil kembali di Untuk mencapai hal tersebut langkah taktis waktu mendatang. Dengan Mozenda Web Agent yang perlu dilakukan adalah menemukenali Builder semua instruksi dapat dinavigasi dan halaman website yang penting, menemukan disimpan. pengunjung yang diidenstifikasi sebagai pengunjung utama, menemukan informasi yang menjadi ketertarikan pengunjung. Data Maning dan Database System 3-63
  • 64. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kembali centorid dari kluster SCLk sebagai Cid k = 1/ Ck Σ j∈Ck S 'j ; 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 Gambar 5. Prosedur Web Usage Mining wτ ( p , SCLk ) = 1 / SCLk Σ w( p , s ) s∈SCLk Gambar 5 memperlihatkan prosedur web dimana w(p, s) adalah weight of page p dalam sesi w(p, s), dan |SCLk| ditentukan sebagai usage mining [0]. Dari gambar tersebut dapat kita cluster SCLk. lihat bahwa proses web usage mining terdiri dari 3 Step 2: Untuk sestiap klaster, selanjutnya dihitung tahapan utama, yakni pra-proses, mining dan mean vector (yaitu centroid) sebagai analisa. Beberapa hal penting yang perlu dilakukan mvτ = {< p , wτ ( p , SCLk ) > p ∈ P} dalam pra-proses adalah memastikan bahwa data Step 3: Untuk setiap halamn dari klaster, jika nilai yang akan diproses telah diidentifikasi dan sesuai lebih rendah dari threshold µ, halamn dengan tujuan mining data yang akan dilakukan. koresponden akan difilter, jika tidak agar Dalam proses mining dapat dipilih metode dibiarkan saja. Step 4: Urukan halaman dengan dasar weights secara yang diperlukan, apakah association rule, descending order dan output dari mean vector pengenalan pola, klasifikasi, dan proses klaster, sebagai profil pengguna dengan . ataupun dapat dilakukan dengan kombinasi dari dua upk = {< p1k , wτ ( p1k , SCLk ) >,..., < atau tiga metode yang diperlukan. p 2k , wτ ( p 2k , SCLk ) >, ..., < pτ k , wτ ( pτ k , SCLk )} Memperhatikan bahwa mengenali pengguna dimana wt(p1k,SCLk) > wt(p2k,SCLk) > ...> adalah aspek penting dalam web usage mining, wt(ptk,SCLk)>µ. maka riset ini fokus pada algoritma pengenalan web Step 5: Ulangi step 1 sampai 4 sampai semua sesi dengan mengembangkan klastering. klaster sesi diproses, dan hasilkan profile pengguna. Salah satu model klastering yang cukup terkenal adalah Latent Usage Information (LUI). LUI algoritma untuk klaster web berdasarkan Gambar 6. Rincian Algoritma LUI klaster semantik [0]. Algoritma ini terdiri dari dua tahapan, yakni diawali dengan algoritma clustering, 5. Kesimpulan dimana klaster awal dikonversi menjadi kelompok. Langkah berikutnya adalah algoritma menghasilkan Untuk menemukan data dari web dengan cara satu set profil pengguna, yakni dengan yang cepat dapat dimanfaatkan web data mining. menghubungkan centroid dari klaster. Berikut Web mining diklasifikasikan atas web content adalah rincian algoritma tersebut (Gambar 6.). mining, web structure mining dan web usage mining. Strategi utama impelemntasi web usage Algoritma-1-Menentukan klaster mining adalah mengurangi customer cost dan Input: Konversi matriks usage SP dan similarity menjadikan fungsi pemanggilan modul. Algoritma threshold ε LUI dapat digunakan sebagai web usage mining. Output: Set sesi klaster pengguna sebagai SCL={SCLi} Ada beberapa aplikasi web mining yang berbasis dan centroids koresponden sebagai Cid ={Cidi} Step 1: Pilih sesi pengguna pertama s’i sebagai klaster open source, yaitu DEiXTo, Mozenda dan awal SCL1 dan centroid klaster, yaitu SCL1 = RapidMiner. {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 3-64 Data Maning dan Database System
  • 65. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Data Maning dan Database System 3-65
  • 66. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-66 Data Maning dan Database System
  • 67. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Aplikasi E-CRM Membangun Hubungan Pelanggan Siswono Jurusan Sistem Informasi, School of Information Systems, Universitas Bina Nusantara [email protected]; [email protected] Abstrak Dalam memaksimalkan usaha meningkatkan jumlah pelanggannya dapat diterapkan strategi CRM (Customer Relationship Management) CRM yang dikombinasikan dengan teknologi adalah strategi bisnis yang dirancang untuk internet (biasa disebut e-CRM). E-CRM merupakan mengoptimalkan keuntungan, pendapatan dan suatu sistem berbasis internet yang menghubungkan kepuasan konsumen dengan cara perusahaan dengan pelanggannya guna mengorganisasikan perusahaan di antara segmen meningkatkan kualitas layanan yang diberikan pasar, mengetahui perilaku kepuasan pelanggan untuk menciptakan loyalitas pelanggan serta dan membuat hubungan dari pelanggan sampai menarik pelanggan baru. pemasok. Keunggulan CRM adalah memperluas pasar dengan cara mempertahankan pelanggan yang sudah ada, meningkatkan penjualan ke 2. Literature Review pelanggan melalui up-selling dan cross-selling dan 2.1 Pengertian CRM dan e-CRM menjadikan CRM sebagai sarana promosi sehingga perusahaan dapat memperoleh pelanggan baru. Menurut Malthouse dan Calder (2005, p152), Kemajuan teknologi internet telah membuka CRM mencakup setiap antarmuka antara pelanggan peluang untuk memanfaatkan keunggulan internet dan perusahaan. CRM adalah himpunan seluruh untuk diintegrasikan dengan CRM, biasa disebut e- interaksi atau kontak dengan konsumen, baik yang CRM. diprakarsai oleh perusahaan atau dengan konsumen Cook (2008, p28) menyatakan bahwa sistem Kata kunci : CRM, E-CRM, Customer Relationship CRM menawarkan kesempatan organisasi untuk Management mengelola hubungan mereka dengan pelanggan. Prinsip dari CRM adalah jika perusahaan memiliki 1. Pendahuluan informasi lebih jauh tentang pelanggan, maka semakin baik. Seperti dikutip oleh Cook menurut Internet yang ditemukan oleh Leonard Profesor Adrian Payne dari Cranfield University, Kleinrock pada tahun 1969, telah berkembang pesat CRM adalah 'proses strategis untuk hingga saat ini dan telah memberikan kemudahan mengidentifikasi segmen apa yang diinginkan untuk menyelesaikan berbagai kegiatan keseharian pelanggan, mikro-segmen atau pelanggan individu perusahaan maupun individu. Internet telah atas dasar one-to-one dan mengembangkan mempersingkat jarak antara produsen dan program-program terpadu yang memaksimalkan konsumen, hubungan antara keduanya menjadi nilai bagi pelanggan dan nilai seumur hidup lebih dekat, dengan fungsi internet sebagai alat pelanggan untuk organisasi melalui akuisisi untuk berkomunikasi dan saling menghubungkan sasaran pelanggan, meningkatkan keuntungan kedua belah pihak, sehingga tidak lagi merasakan kegiatan dan retensi'. jarak yang jauh meskipun mereka berada dalam Menurut Kotorov (2002, p220), seperti semua negara yang berbeda. teknologi baru, teknologi yang berhubungan dengan Perusahaan menyadari bahwa internet memberi CRM, seperti portal hubungan pelanggan, data kemudahan dalam menjalin kerjasama dengan mining, call center cerdas, dll, menjanjikan pelanggan dan target untuk meningkatkan jumlah perubahan besar. Perubahan besar terjadi ketika ada pelanggan secara terus-menerus serta meningkatkan perubahan paradigma, yaitu dalam cara melakukan loyalitas pelanggan yang merupakan asset terbesar sesuatu. Ada banyak definisi dari CRM yang perusahaan. Dalam usaha untuk peningkatan jumlah menambah kebingungan tentang bagaimana pelanggan ini, perusahaan harus mengetahui apa sebenarnya CRM akan mengubah apa yang kita saja harapan (ekspektasi) dan keinginan pelanggan lakukan (Ernst & Young 1999). Namun perubahan sehingga pada akhirnya pelanggan menjadi loyal tersebut tidak konseptual (Peppard, 2000). Konsep kepada perusahaan. Data Maning dan Database System 3-67
  • 68. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  pelayanan pelanggan dan manajemen hubungan Teknologi memungkinkan untuk mengirim email adalah sama tuanya dengan konsep pasar. sebanyak mungkin dengan biaya lebih rendah Turban et al. (2008, p607) mengatakan e-CRM dan juga menyediakan halaman web untuk grup merupakan sebuah manajemen hubungan pelanggan yang lebih kecil dari pelanggan (mikro-segmen). yang diadakan secara elektronik. Dengan 3. Meningkatkan, kedalaman, keluasan, dan sifat menggunakan teknologi internet, data mengenai hubungan. pelanggan dapat dengan mudah diintegrasikan Sifat dari media internet memungkinkan dengan pemasaran, penjualan, analisis dan aplikasi informasi lebih lanjut yang akan diberikan layanan pelanggan. Sekarang ini dunia dihubungkan kepada pelanggan jika dibutuhkan. oleh internet, e-CRM telah menjadi suatu 4. Hubungan pembelajaran dapat dicapai dengan kebutuhan untuk bertahan, selain sebagai menggunakan alat yang berbeda di seluruh keunggulan kompetitif. siklus hidup pelanggan. Sedangkan menurut David (2010, p486), e- Alat-alat ini adalah semacam fasilitas CRM adalah memanfaatkan teknologi komunikasi pembelajaran online tentang apa yang digital untuk memaksimalkan penjualan untuk dibutuhkan pelanggan. pelanggan yang ada dan terus mendorong 5. Biaya menjadi lebih rendah. penggunaan layanan online. Menghubungi pelanggan via email atau dengan membuka halaman web dapat mengurangi biaya 2.2 Tujuan dan Manfaat CRM daripada menggunakan surat dalam bentuk fisik, tetapi mungkin yang lebih penting, informasi Tujuan utama CRM sudah jelas yaitu usaha hanya perlu untuk dikirim ke pelanggan- untuk memperoleh dan mempertahankan pelanggan yang telah mengungkapkan preferensi pelanggan, (Turban et al., 2005, p262). untuk itu, sehingga sedikit mail-outs (surat Kalakota dan Robinson (2001, p173) menyebutkan keluar). tujuan-tujuan dari kerangka kerja CRM yaitu : • Menggunakan hubungan yang telah ada untuk 2.3 Fase CRM meningkatkan pendapatan. • Menggunakan informasi yang terintegrasi untuk Kalakota dan Robinson (2001, p174-175) layanan yang unggul. menyebutkan ada tiga fase dari CRM yaitu : • Mengajukan proses dan prosedur penjualan yang 1. Acquiring New Customers lebih konsisten dan dapat berulang. Mendapatkan pelanggan baru dilakukan dengan Sedangkan manfaat utama dari CRM menurut kepemimpinan produk/jasa yang mendorong Turban et al. (2008, p608) adalah ketersediaan batasan kinerja mengenai kenyamanan dan pemeliharaan pelanggan yang superior melalui inovasi. Nilai yang diusulkan buat pelanggan penggunaan internet dan teknologi informasi. CRM adalah penawaran produk yang superior dengan membuat pelanggan senang, dengan menyediakan ditopang oleh layanan yang unggul. pilihan produk dan jasa, respon, dan resolusi 2. Enhancing the profitability of existing masalah yang cepat, serta akses informasi yang customers. cepat dan mudah. Perusahaan mencoba untuk Meningkatkan profitabilitas pelanggan atau memperoleh keunggulan kompetitif terhadap hubungan yang telah ada dapat dilakukan kompetitor mereka dengan menyediakan CRM dengan cara mendorong keunggulan dalam yang lebih baik. cross-selling dan up-selling, hal ini menambah Menurut David (2010, p487), manfaat-manfaat kedalaman hubungan. Nilai yang diusulkan buat dari e-CRM yaitu : pelanggan adalah penawaran kenyamanan yang 1. Menargetkan biaya menjadi lebih efektif. lebih baik dengan biaya yang rendah. Internet memiliki keuntungan bahwa list dari 3. Retaining profitable customers for life. contacts adalah self-selecting (memilih sendiri) Mempertahankan hubungan pelanggan untuk atau pre-qualified (pra-kualifikasi). Perusahaan selamanya. Penyimpanan informasi pelanggan hanya akan bertujuan untuk membangun berfokus pada kemampuan beradaptasi dalam hubungan dengan mereka yang telah pelayanan, mengirimkan apa yang diinginkan mengunjungi situs web dan menyatakan minat pelanggan. Sekarang, lebih banyak perusahaan pada produk dengan mendaftarkan nama dan yang berfokus pada strategi mempertahankan alamat. Tindakan mengunjungi situs web dan pelanggan daripada menarik pelanggan baru. browsing menunjukkan target pelanggan. Alasan dibalik strategi ini sebenarnya sederhana 2. Mencapai banyak kustomisasi dari pesan : If you want to make money, hold onto your pemasaran (dan mungkin produk). good customers. 3-68 Data Maning dan Database System
  • 69. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Gambar 1. Fase CRM (sumber Kalakota dan Secara tradisional, sistem CRM menggunakan Robinson (2001, p175)) klien / server teknologi di mana semua program dan aplikasi yang dijalankan pada satu atau lebih server 2.4 Perbedaan CRM dan e-CRM terpusat. Sistem antarmuka operasi front-end Chandra dan Strickland (2004, p410) dengan operasi backend melalui sistem ERP menjelaskan bahwa pada tahun 1990-an merupakan tradisional. Sistem ini tidak menggunakan periode pertumbuhan yang luar biasa dari sebuah datawarehouse atau data mart. Sistem ERP kelas perangkat lunak yang disebut ERP (Enterprise bertindak sebagai repositori data dan menangkap Resource Planning). Sistem ERP merupakan data dari front-end dan back-end operasi. 'Touch sebuah sistem yang banyak digunakan untuk points’ pelanggan adalah toko ritel dan layanan operasi 'back-end' sehingga sistem di seluruh pelanggan dan support centers, misalnya, kontak perusahaan terintegrasi, membuat informasi di pribadi melalui outlet ritel, telepon, dan fax. seluruh perusahaan yang tersedia lebih mudah. Dengan eCRM, antarmuka antara front-end Sampai saat ini, perusahaan mengembangkan dan back-end operasi tidak hanya melalui ERP, sejumlah aplikasi khusus server, masing-masing tetapi juga menggunakan datawarehouse dan data didedikasikan untuk mengerjakan fungsi tertentu. mart. Datawarehouse adalah kumpulan dari Dengan sistem ERP, sebuah perusahaan mampu informasi, yang dikumpulkan dari beberapa menangkap data dalam satu tempat dan database operasional, digunakan untuk membuat mengintegrasikan dengan mudah berbagai business intelligence dalam mendukung kegiatan departemen dan proses. Meskipun sistem ERP bisnis dan pengambilan keputusan. Datawarehouse sangat membantu dalam mengelola operasi "back- adalah database multidimensi. Lapisan dalam end", mereka tidak dirancang untuk menangkap sebuah datawarehouse mewakili informasi sesuai data dan mendukung kompleksitas pemasaran. Di dengan dimensi yang berbeda. Sebuah data mart sisi lain, sistem CRM secara khusus dikembangkan adalah subset dari data warehouse di mana hanya untuk Aplikasi ’front-end 'dan dengan cepat sebagian terfokus informasi datawarehouse diadopsi. Idealnya, CRM memungkinkan sebuah disimpan (4). ’Touch points’ pelanggan di eCRM perusahaan untuk menyesuaikan produk dan diperluas untuk memasukkan Internet dan layanan untuk preferensi setiap pelanggan. perangkat nirkabel, yang mendukung teknologi Chandra dan Strickland (p410-411) mobile dan PDA. mengatakan bahwa perbedaan antara CRM dan Tabel 1 memperlihatkan perbedaan dari dua eCRM sangat tipis, tapi penting. Mereka teknologi tersebut. berkonsentrasi pada teknologi yang mendasari dan Tabel 1 Perbedaan Teknologi antara antarmuka dengan pengguna dan sistem lain. CRM dan e-CRM Sebagai contoh, sistem eCRM banyak menyediakan Kriteria CRM e-CRM Kontak Kontak pelanggan biasanya Selain telepon, kontak pelanggan dengan browser self-service didasari Pelanggan dimulai melalui cara juga dimulai melalui tradisional dari toko ritel, Internet, e-mail, nirkabel, window untuk memesan, cek status pesanan; telepon, atau fax. teknologi mobile dan meninjau sejarah pembelian; meminta informasi PDA. Sistem antar- Bekerja dengan back-end Dirancang untuk aplikasi tambahan tentang produk; mengirim e-mail dan muka aplikasi melalui sistem ERP. front-end, yang pada terlibat dalam sejumlah kegiatan lainnya. gilirannya antarmuka dengan aplikasi backend Kemampuan ini memberikan kebebasan pelanggan melalui sistem ERP, datawarehouse, dan data dalam hal tempat dan waktu. Pelanggan tidak lagi mart. terbatas untuk menghubungi organisasi selama jam Sistem Overhead (komputer klien) Web-aplikasi memerlukan PC klien untuk men- Tidak ada persyaratan; browser adalah portal bisnis biasa, dan organisasi tidak harus memberikan download applet dan pelanggan untuk eCRM. berbagai aplikasi. Aplikasi kontak langsung di bagian lain untuk pertanyaan ini dan applet harus ditulis pelanggan dan permintaan. ulang untuk platform yang berbeda. Data Maning dan Database System 3-69
  • 70. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Kustomisasi dan Audiens yang berbeda Pandangan "dinamis" dan Personalisasi membutuhkan pandangan personal yang sangat 4. Penerapan eCRM di PT. NESTLE Informasi yang berbeda dan jenis individual didasarkan informasi. Pandangan pribadi untuk audiens yang berbeda pada pembelian dan preferensi yang mungkin. Salah satu contoh perusahaan yang telah adalah tidak mungkin. Setiap audiens individual menerapkan e-CRM adalah PT. Nestlé Indonesia Individu memerlukan menyesuaikan perubahan kustomisasi pandangan. dengan meluncurkan Sahabat Nestlé (lihat Sistem Fokus pemrograman. Sistem dirancang di sekitar Sistem dirancang di lampiran). Pada website tersebut terdapat beberapa produk dan fungsi pekerjaan sekitar kebutuhan fasilitas diantaranya adalah : (untuk penggunaan internal). pelanggan (untuk Web-aplikasi yang dirancang penggunaan eksternal). • Berbagi resep makanan sehat sekitar satu departemen atau unit bisnis. Portal perusahaan yang luas yang dirancang dan • Dunia Bayi tidak terbatas pada departemen atau unit • Informasi tentang makanan dan gizi bisnis. • Parenting Sistem Pelaksanaan lebih lama dan Mengurangi waktu dan Pemeliharaan manajemen adalah mahal biaya. Implementasi • Promo dan Modifikasi karena sistem ini terletak di berbagai lokasi dan pada sistem dan ekspansi dapat dikelola dalam satu lokasi • Kalender event-event yang akan diadakan oleh beberapa server. dan pada satu server. Nestlé Dalam website tersebut pelanggan serasa 3. Sejarah PT. NESTLE dimanjakan dan diperhatikan oleh Nestlé. Sedangkan keuntungan yang didapatkan oleh Merasa prihatin dengan tingginya angka Nestlé adalah: mortalitas bayi di akhir abad 19 di Swiss, Henri • Memiliki space untuk arena promosi Nestlé, seorang ahli kimia Jerman yang berdomisili • Memiliki space untuk arena survey di Vevey, Swiss berhasil menciptakan makanan • Memiliki space untuk melakukan diskusi (tanya pendamping bagi bayi yang tidak mendapat cukup jawab) dengan pelanggan secara langsung ASI. “Farine Lactee” berhasil menyelamatkan • Mendapatkan keinginan pasar melalui saran dan banyak jiwa bayi pada saat itu dan Nestlé pun kritik dari feedback pelanggan mendapatkan kepercayaan masyarakat. • Peningkatan kepercayaan terhadap produk- Henri Nestlé kemudian memanfaatkan nama produk Nestlé. keluarganya menjadi logo perusahaannya. Dalam E-CRM dirancang dengan maksud memenuhi dialek Jerman Swiss, "Nestlé" berarti sarang burung harapan dan kebutuhan pelanggan untuk mencapai kecil (little nest). Logo itu menjadi lambang rasa nilai lifetime pelanggan yang maksimal dan aman, kasih sayang, kekeluargaan dan tradisi. memberikan hasil pada usaha. Penggunaan produk Perusahaan Nestlé terus mengembangkan e-CRM, software e-CRM dan solusi e-CRM akan produk-produknya dan kemudian menjadi pelopor memperkaya implementasi e-CRM yang efektif di beberapa produk seperti susu kental di Eropa tahun dalam perusahaan. Ada banyak kisah sukses e- 1905, susu coklat tahun 1929, kopi instant tahun CRM, namun kesuksesan dalam implementasi E- 1938 dan lain-lain. CRM diukur dengan upaya yang dilakukan perusahaan untuk menunjukkan sasaran dan Nestlé Indonesia harapannya. Dengan menyediakan sarana untuk Produk-produk Nestlé telah beredar di Bumi mengatur dan mengkoordinasi interaksi pelanggan Nusantara sejak akhir Abad ke-19, dimana salah seperti yang di lakukan oleh PT. Nestlé Indonesia, satunya ialah susu kental manis yang dikenal teknologi E-CRM membantu perusahaan dengan sebutan "Tjap Nona" (sekarang "Nestlé memaksimalkan nilai setiap interaksi konsumen Milkmaid"). Kantor pusat Nestlé di Swiss, Nestlé yang pada akhirnya meningkatkan kinerja korporat. S.A., bersama sejumlah mitra lokal mendirikan Perlunya pemahaman yang lebih baik terhadap anak perusahaan di Indonesia pada bulan Maret perilaku konsumen dan fokus pada konsumen yang 1971. Saat ini PT.Nestlé Indonesia mengoperasikan dapat memberikan profit jangka panjang telah tiga pabrik yang berlokasi di daerah Tangerang mengubah para marketer dalam memandang dunia. (Banten), Panjang (Lampung), dan Kejayan (Jawa Timur). Beberapa merek produk Nestlé yang dipasarkan di Indonesia antara lain : susu bubuk 5. Penutup Nestlé Dancow, kopi instant Nescafé, Nestlé Milo, E-CRM telah menjadi strategi penting bagi Nestlé Bubur Bayi, Kit Kat, Polo, dan lain-lain. perusahaan yang siap bersaing menuju era Nestlé Indonesia berkomitmen untuk tetap globalisasi dengan cara membangun hubungan yang mengembangkan produk-produk melalui inovasi intim antara perusahaan dengan pelanggan. dan renovasi demi memuaskan kebutuhan Aplikasi e-CRM dapat digunakan oleh konsumennya di seluruh Indonesia. perusahaan manufaktur dan jasa. Yang perlu dipertimbangkan perusahaan adalah memilih 3-70 Data Maning dan Database System
  • 71. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  aplikasi software yang tepat dan sesuai dengan yang Daftar Pustaka diperlukan. Kunci keberhasilan e-CRM adalah memahami [1] Chapter 12- managing customer relationships. keseluruhan jalinan/hubungan kerja sama yang 2008. United States, New qYork: The terjadi di dalam organisasi/perusahaan, baik yang McGraw-Hill Companies, Inc., The bersifat intern maupun ekstern dengan Professional Book Group. (179-187). memanfaatkan Teknologi Informasi. Available at : http://search.proquest.Com Bagi pelanggan, website e-CRM yang mudah /docview/189489383?accountid=31532 digunakan, sangat efektif dan efisien serta dapat [2] Chandra, Satish. dan Strickland, Ted J. 2004. dipakai untuk melacak hal-hal yang berkaitan Issues in Information Systems, Volume V No. dengan hubungan pelanggan. Pada sisi perusahaan 2. memperoleh manfaat untuk meningkatkan efisiensi [3] Cook, Sarah. 2008. Chapter 01: An dan produktivitas serta memberikan layanan dan introduction to customer care. United pengalaman yang konsisten bagi pelanggannya. 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/28796649 6? 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. Data Maning dan Database System 3-71
  • 72. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Lampiran 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 Gambar 3. Website Sahabat Nestle 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 Gambar 4. Laman Cheff Welly dapat selalu mengikuti perkembangan dari Nestlé Di laman ini pelanggan benar-benar sendiri. 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 Gambar 7. Laman Sahabat Nestle Facebook bertambah. 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 Gambar 5. Laman Dancow Parenting Sahabat Nestlé tersebut, serta mendapatkan Laman yang mempunyai motto “Mitra feedback untuk memuaskan keinginan Sahabat orangtua untuk tumbuh kembang anak ini” Nestlé. 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 Gambar 8. Laman Journey to Wellness 3-72 Data Maning dan Database System
  • 73. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Data Maning dan Database System 3-73
  • 74. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-74 Data Maning dan Database System
  • 75. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 mengatur jalannya perusahaan sekaligus terus menerus mengevaluasinya. Tidak hanya bagaimana Kegiatan advertising yang dijalankan oleh perusahaan berinteraksi dengan pelanggan Divisi Marketing PT. XYZ Regional Jawa Barat eksternalnya, namun juga bagaimana perusahaan mencakup fungsi periklanan, sponsorship, dan menjalankan proses-proses bisnisnya. Proses bisnis kegiatan lainnya yang bertujuan untuk suatu perusahaan dapat memengaruhi besarnya mempromosikan perusahaan. Ini sebabnya pangsa pasar suatu perusahaan secara signifikan. pelaksanaan advertising perlu dijadikan lebih Terlebih lagi, proses bisnis yang baik dapat efisien. menghemat biaya yang dikeluarkan oleh Penelitian ini untuk mengefisienkan waktu perusahaan secara signifikan (Harrington: 1991, p. siklus dari proses bisnis kegiatan advertising 1-3). dengan menggunakan metode Business Process Berdasarkan wawancara pada tanggal 4 Improvement (BPI). Metode BPI ini akan Agustus 2010 (studi pendahuluan untuk mendukung menghasilkan proses bisnis usulan dengan proposal penelitian) kepada divisi Marketing PT. melakukan analisis streamlining dan perubahan- XYZ Regional Jawa Barat diketahui keadaan perubahan yang inkremental terhadap proses bisnis existing proses bisnis di perusahaan. Ternyata existing. Proses bisnis usulan ini disusun dengan proses bisnis yang ada saat ini untuk advertising mempertimbangkan harapan dan keluhan yang dilakukan oleh Divisi Marketing mulai dari pelanggan serta input dari pihak perusahaan. tender vendor hingga tagihannya dapat dibayarkan Selain menghasilkan suatu proses bisnis usulan, cukup rumit. Rumitnya proses bisnis existing penelitian ini juga akan menyusun beberapa dipengaruhi oleh banyaknya personil yang terlibat Standard Operational Procedure (SOP) dari antar divisi, tidak adanya standar kerja yang jelas, beberapa aktivitas dalam proses bisnis usulan. SOP dan juga panjangnya birokrasi dalam ini dimaksudkan untuk mempermudah transisi menyelesaikan kegiatan advertising. Hal ini dirasa pihak perusahaan dari proses bisnis existing ke terlalu lama oleh vendor yang telah melakukan usulan. kegiatan advertising hingga pihak vendor tersebut Kesimpulan dari penelitian ini adalah SOP sendiri yang mengeluhkan lamanya pemrosesan ini dapat disertai pada proses bisnis usulan hasil BPI ke perusahaan. untuk merealisasikan waktu siklus hasil perbaikan. Advertising yang mengalami keluhan Hasil dari penelitian ini berupa proses bisnis terbanyak adalah kegiatan dengan tagihan yang advertising usulan dengan efisiensi sebesar 67% berkisar antara Rp 200,000,000.00 hingga Rp dan waktu siklus selama 199.9 jam. Selain itu 500,000,000.00, yaitu tiga kali (60%) selama tujuh disusun SOP sebanyak delapan buah untuk bulan pertama tahun 2010. Padahal PT. XYZ sudah mengakomodasi sebelas aktivitas hasil analisis memiliki standar waktu yang ditentukan, yaitu 5.9 streamlining. minggu untuk advertising, hanya saja standar ini belum dapat diterapkan dengan baik. Pada 1. Pendahuluan kenyataannya, rata-rata waktu siklus untuk kelima kasus yang terjadi selama Januari hingga Juli 2010 1.1. Latar Belakang adalah 26 minggu. Keseluruhan kasus yang terjadi melampaui batas 5.9 minggu yang ditetapkan oleh PT. XYZ merupakan salah satu provider perusahaan, dan tiga diantaranya dikeluhkan secara jaringan Global System for Mobile Communications langsung oleh vendor karena dirasa terlalu lama. (GSM) di Indonesia. Selayaknya sebagai provider Permasalahan dari proses bisnis ini yang GSM dengan pangsa pasar yang luas di Indonesia, menyebabkan lamanya waktu pemrosesan aktual PT. XYZ harus menjalankan organisasinya dengan secara umum adalah rumitnya birokrasi di dalam efektif. Untuk itu, PT. XYZ tentunya harus Data Maning dan Database System 3-75
  • 76. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  perusahaan. Untuk menyederhanakan proses bisnis dirasa tidak lagi efektif dalam menjalankan proses- di dalam perusahaan tanpa mengurangi tingkat proses bisnisnya. keamanannya, akan digunakan metode Business Jika dibandingkan dengan metode Process Improvement (BPI) yang telah sebelumnya reengineering yang menawarkan perbaikan proses dikembangkan oleh Harrington. bisnis yang radikal dan menyeluruh, BPI lebih tepat Agar waktu siklus aktual dapat mendekati digunakan untuk perbaikan proses bisnis standar yang telah ditetapkan, penting untuk advertising PT. XYZ karena menawarkan perbaikan memahami dan memetakan proses bisnis existing yang inkremental dan berkelanjutan. Hal ini yang terjadi di dalam perusahaan. Selain menjadi sangat cocok jika diterapkan pada menyederhanakan proses bisnis, dalam penelitian perusahaan yang sudah berjalan dan memiliki ini juga akan disusun langkah-langkah operasional proses bisnis existing seperti PT. XYZ. Dengan yang perlu diterapkan oleh perusahaan dalam perubahan yang sedikit demi sedikit, akan lebih bentuk Standard Operational Procedure (SOP). memungkinkan bagi perusahaan untuk Setelah jelas alur kerja dalam proses bisnis mengimplementasikan perubahan yang disarankan pembayaran tagihan usulan, akan dilakukan validasi sebagai hasil dari penelitian ini. untuk mengukur seberapa signifikan pengurangan Secara garis besar, terdapat lima tahapan waktu yang dapat dilakukan. Dengan pelaksanaan BPI, yaitu penyederhanaan proses bisnis ini diharapkan waktu 1. Organizing for Improvement proses yang diperlukan untuk membayarkan 2. Understanding The Process tagihan-tagihan Divisi Marketing dapat menjadi 3. Streamlining lebih efisien. Dari uraian di atas menjadi latar 4. Measurement and Control belakang perlunya penelitian untuk mengkaji proses 5. Continuous Improvement bisnis advertising PT. XYZ menggunakan Business Process Improvement. 2.2. Advertising Advertising yang dimaksudkan dalam 1.2. Tujuan Penelitian penelitian ini bermula ketika Divisi Marketing PT. Adapun tujuan dari penelitian tugas akhir ini XYZ menugaskan pihak ketiga (selanjutnya akan adalah mengefisiensikan waktu siklus advertising. disebut vendor) untuk melakukan kegiatan-kegiatan 1. Merancang proses bisnis advertising Divisi yang berkaitan dengan promosi perusahaan seperti Marketing yang terstandardisasi. iklan media cetak, radio, event, maupun 2. Merancang SOP proses bisnis advertising sponsorship. usulan. Cuplikan aliran kerja kegiatan advertising dapat dipelajari pada gambar berikut ini. 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. Kegiatan advertising dimulai ketika PT. XYZ 2. Landasan Teori mengadakan tender untuk menentukan vendor pelaksana kegiatan dan berakhir saat Divisi 2.1. Business Process Improvement (BPI) Keuangan membayar vendor tersebut setelah selesai Business Process Improvement (BPI) adalah menyelenggarakan kegiatan advertising. 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 3-76 Data Maning dan Database System
  • 77. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Metodologi Penelitian akan menjadi salah input untuk pelaksanaan analisis streamlining. 3.1. Model Konseptual PENYELESAIAN PROSES PEMBAYARAN 4.3. Batasan Proses VENDOR Keluhan waktu siklus advertising ADVERTISING PT. XYZ MARKETING KEUANGAN GENERAL ADMINISTRATION 5. Analisis dan Usulan PEMETAAN PROSES BISNIS 5.1. Analisis Streamlining AKTIVITAS ADVERTISING ANALISIS PROSES BISNIS PERBAIKAN PROSES BISNIS METODE BUSINESS PROCESS Analisis streamlining amat erat kaitannya AKTIVITAS AKTIVITAS PENELITIAN ADVERTISING ADVERTISING IMPROVEMENT dengan konsep improvisasi. Improvisasi suatu proses bisnis dapat diartikan mengubah proses bisnis existing menjadi lebih efektif, efisien, dan 4. Pengumpulan Data mudah diadaptasi. Mirip dengan tujuan analisis 4.1. Diagram Alir dan Waktu Siklus Proses streamlining untuk meningkatkan kinerja dan Bisnis Existing Advertising kualitas suatu proses dengan mengurangi aktivitas- aktivitas yang tidak diperlukan atau dapat disederhanakan (Harrington: 1991, p. 131-133). Pemetaan proses bisnis existing serta Dari hasil analisis streamlining yang pengumpulan data waktu siklusnya menjadi bagian dilakukan didapatkan proses bisnis usulan yang dari tahapan “Understanding The Process”-nya telah dikurangi aktivitas-aktivitas birokrasi dan metode BPI. Proses bisnis existing dari kegiatan duplikasi serta usulan SOP untuk menjalankan advertising dipetakan dalam bentuk diagram alir advertising. Proses bisnis usulan yang dihasilkan yang terdiri dari 51 aktivitas dan melibatkan 12 adalah output penelitian BPI dengan efisiensi waktu personil dari PT. XYZ. Waktu siklus didapatkan siklus yang lebih tinggi. selama 5.9 minggu. Data ini akan kemudian dibandingkan dengan data proses bisnis usulan 5.2. Diagram Alir Proses Bisnis Usulan output penelitian ini. Advertising 4.1. Identifikasi Input dan Output Proses Pada proses bisnis usulan ini terjadi perubahan Bisnis Existing Advertising dan penghapusan beberapa aktivitas yang dirasa tidak efisien dari analisis streamlining. Validasi Pemahaman input, output, dan pemilik proses yang berulang diubah menjadi aktivitas tanda dari setiap aktivitas yang terjadi dalam proses bisnis tangan saja sedangkan validasi dilakukan oleh satu advertising menjadi penting karena perlunya orang saja. Validasi-validasi ini juga memunculkan pemahaman hasil yang diharapkan dari setiap form baru untuk membantu pemeriksa untuk aktivitas untuk melakukan analisis ke depannya. melakukan validasi yang diperlukan. Form-form ini Input dan output yang diperlukan oleh masing- juga diperlihatkan pada diagram alir proses bisnis masing aktivitas menjadi salah satu bentuk usulan untuk memperjelas penambahannya. Hal spesifikasi dari proses bisnis usulan yang akan lainnya yang berubah pada proses bisnis usulan menjadi output dari penelitian ini. adalah penggabungan beberapa aktivitas menjadi satu aktivitas dalam upaya menyederhanakan proses 4.2. Identifikasi Kebutuhan Pelanggan bisnis sebelumnya. 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 Data Maning dan Database System 3-77
  • 78. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  5.3. SOP Proses Bisnis Usulan 3. Beberapa aktivitas yang didapat dari hasil analisis streamlining membutuhkan rancangan Sesuai dengan hasil dari analisis streamlining SOP. Kesebelas SOP yang disusun sebelumnya, terdapat beberapa aktivitas dalam menjelaskan langkah-langkah prosedur yang proses bisnis usulan advertising yang memerlukan dimaksudkan untuk membantu SOP untuk memperbaiki kinerjanya. Di antara pegawai/pemilik proses yang bersangkutan semua aktivitas yang terdapat pada proses bisnis untuk menjalankan aktivitas sesuai dengan usulan advertising, terdapat sebelas aktivitas yang rancangan proses bisnis usulan yang tertulis. memerlukan SOP. Dalam pengembangan SOP-nya Langkah-langkah pelaksanaan prosedur ini terdapat lembar-lembar yang diadakan untuk dilengkapi dengan lembar-lembar checklist membantu proses pengerjaan aktivitas-aktivitas yang dimaksudkan sebagai upaya error tersebut. Lembar-lembar pendukung SOP ini proofing sekaligus panduan pengerjaan. dilampirkan bersamaan dengan SOP yang bersangkutan. 6.2. Saran 5.4. Perbandingan Proses Bisnis Existing Saran yang dapat diberikan dari penelitian ini dengan Proses Bisnis Usulan dapat dibagi dua menjadi saran untuk perusahaan serta saran untuk penelitian-penelitian ke depannya. Proses Bisnis Pertama yang akan dibahas adalah saran untuk PT. XYZ. Perbandingan Existing 1. Menerapkan proses bisnis usulan dan seluruh Existing Usulan Aktual SOP-nya dalam pelaksanaan kegiatan Waktu Siklus advertising. 235.6 1040 199.9 2. Melakukan continuous improvement secara (Jam) berkala. Efisiensi (Tn) 65% 21% 67% 3. Dalam mengidentifikasi dan memperbaiki Jumlah proses bisnis sebaiknya pandangan dari 51 51 48 Aktivitas keseluruhan personil diikutsertakan. 4. Perbaikan proses bisnis dan standardisasi prosedur kerja dilakukan untuk keseluruhan 6. Kesimpulan dan Saran aktivitas dalam perusahaan. 6.1. Kesimpulan Selain saran untuk perusahaan berikut adalah beberapa saran dan untuk penelitian ke depannya. 1. Efisiensi waktu siklus suatu proses bisnis harus 1. Analisis proses bisnis advertising yang disesuaikan dengan implementasi yang memiliki nilai selain Rp 200,000,000.- hingga memungkinkan. Mengingat adanya perbedaan Rp 500,000,000.-. yang cukup signifikan antara waktu siklus 2. Analisis proses bisnis advertising pada aktual dengan waktu siklus tertulis untuk beberapa kantor di beberapa daerah yang proses bisnis existing, efisiensi yang dilakukan berbeda. pada penelitian ini adalah mengurangi 3. Melakukan tahapan Continuous Improvement perbedaan tersebut. Usulan dari penelitian ini untuk proses bisnis usulan yang telah dilakukan menghasilkan suatu proses bisnis dengan dan diimplementasikan sebelumnya sebagai efisiensi sebesar 67%, waktu siklus selama penelitian lanjutan. 199.9 jam, dan aktivitas yang terlibat sebanyak 4. Membangun sistem database online yang 48 buah. terintegrasi antar seluruh divisi dalam 2. Proses bisnis advertising usulan hasil penelitian perusahaan untuk hal penggunaan tenaga ini disusun berdasarkan perubahan yang outsourcing. 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. 3-78 Data Maning dan Database System
  • 79. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. Data Maning dan Database System 3-79
  • 80. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3-80 Data Maning dan Database System
  • 81. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 Makalah ini bertujuan untuk memaparkan cara kerja metode BC untuk mengkonstruksi struktur BN Berkembang pesatnya teknologi dari data yang tidak lengkap. Paparan akan dimulai penyimpanan data menyebabkan penumpukan data dengan mendeskripsikan definisi umum BN, yang belum dimanfaatkan secara optimal, metoda BC, konstruksi struktur BN dengan BC, memunculkan teknologi Data Mining. Teknologi ini analisa metode BC, dan experimen yang dilakukan. bekerja dengan melakukan penambangan data untuk memperoleh pola (pattern). Salah satu teknik dalam data mining adalah Bayesian network (BN). 2. Tinjauan Pustaka makalah ini menyampaikan paparan tentang proses Data complete disebut juga dengan data konstruksi struktur DAG (network) BN dari basis lengkap, contoh dekomposisi relation/table R data incomplete dengan metode Bound and menjadi beberapa fragmen R1 , R2 , ..., Rn Collapse (BC) yang bekerja bukan dengan Missing dikatakan komplit kalau setiap item data pada R In Principle. dapat juga ditemukan di beberapa R i. Sedangkan Algoritma BC dalam tugas akhir ini sangat data incomplete adalah kebalikan dari data complete memuaskan hingga data yang sulit untuk dikelola atrinya data ini tidak lengkap atau item data pada R menjadi dapat digunakan dengan baik. Data yang tidak ditemukan dibeberapa Ri (Dunning dan tidak lengkap dikelola oleh Bound and Collapse, Freedman 2008). pada tahap Bound dicari estimasi probabilitas Incomplete data atau sering disebut dengan minimum dan maksimum, lalu dijadikan estimasi missing of data, Seringkali, sebagian atau semua probabilitas tunggal pada tahap Collapse, sehingga dari data hilang (missing) dari sebuah subjek. data dapat dikelola dan dibuat Bayesian network- nya. 2.1. Metode Bound and Collapse 1. Pendahuluan Metode BC pada awalnya dikembangkan untuk mengestimasi probabilitas kondisional yang Salah satu tahapan dalam proses Knowledge mendefinisikan hubungan ketergantungan Discovery in Databases (KDD) adalah data mining, (dependency) dalam sebuah BN berdasarkan dari yaitu sebuah langkah yang menghasilkan pattern basis data yang incomplete. Kemudian BC dari data dengan menerapkan algoritma analisis dan dikembangkan lebih lanjut sehingga dapat penemuan data. Ada beberapa teknik yang dapat menghasilkan struktur grafis BN. Dalam digunakan dalam proses data mining, antara lain mengkonstruksi struktur BN dari basis data classification, regression, clustering, incomplete, BC mengasumsikan kondisi data summarization, dependency modeling, dan change Missing At Random (MAR) (Ramoni and Paola and deviation detection. 1997). Asumsi lain adalah adalah sebagai berikut : Contoh metode yang sering digunakan untuk 1. Atribut-atribut dalam basis data memiliki nilai konstruksi BN (Bayesian Network) dari basis data yang diskret. incomplete adalah algoritma EM dan Gibbs 2. Informasi tentang keterurutan node (node Sampling. Kedua metode tersebut bekerja ordering) telah didefinisikan. berdasarkan Missing Information Principle. Prinsip Metode BC memiliki tiga bagian utama, yang kerjanya adalah melengkapi data yang hilang pertama adalah pencarian interval estimasi terlebih dahulu, kemudian mengkonstruksi struktur probabilitas, disebut dengan tahap bound. Bagian dengan menggunakan data yang lengkap. Karena kedua adalah tahap collapse yang mencari nilai harus melengkapi nilai-nilai yang hilang, maka estimasi tunggal dari interval yang telah diperoleh. semakin banyak jumlah missing data semakin Sedangkan bagian terakhir adalah pembangunan banyak waktu ekseskusi yang diperlukan. struktur BN itu sendiri. Data Maning dan Database System 3-81
  • 82. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 p (j| i) min ...…..... 2.1 Gambar 3.1 Activity Diagram Tahap BC • Untuk nilai probabilitas maksimum, dinotasikan dengan p (j| i) Pada keadaan awal akan dilakukan max pemeriksaan data yang telah ada pada database yang telah dimasukan pada bagian input data, jika ……… 2.2 data ditemukan pada database maka langkah selanjutnya inisialisasi parameter lamda, m dan n, 2.3 Tahap Collapse kebalikanya bila data tidak tersedia maka akan dilakukan pengecekan data ulang. Setelah Dari interval yang diperoleh di tahap Bound, inisialisasi langkah selanjutnya adalah pencarian selanjutnya dicari satu nilai estimasi tunggal dari jumlah data yang mempunya data lengkap yang probabilitas kondisional yang bersesuaian ditampung pada variabel n dan data yang tidak (dinotasikan dengan ). Adapun nilai lenkap pada variabel m, setelah ditemukan nilai n dihasilkan melalui per-samaan berikut (Ramoni and dan m langkah selanjutnya akan mencari Paola 1997): kemungkinan maksimum dan minimum atau p(max) dan P(min) dangan rumus pada persamaan 2.1 dan persamaan 2.2, dari selang interval 2.3 probabilitas p(min) dan P(max) maka ditetapkan estimasi tunggalnya dengan rumus pada persamaan dimana: 2.3. • = p(X = j| Y = i, X = ?), yaitu probabilitas nilai X = j jika ditemukan kasus dimana nilai X 3.2. Activity Diagram Bayesian Network tidak diketahui (X=?) sementara diketahui bahwa nilai Y yang bersesuaian adalah i (Y=i). Skenario use case Bayesian Network dapat dilihat pada gambar 3.5 : • 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 3.2 Activity Diagram Membangun struktur BN 3-82 Data Maning dan Database System
  • 83. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada gambar 3.5 dapat dilihat bagaimana Pcollapse(A=1|B=1) = (0.5*0.71)+(1-0.5)*0.57 membangun sebuah DAG Bayesian Network, pada = 0.642857143 keadaan awal ditentukan masing-masing field pada Dimana database yang nantinya akan dibangun sebuah nBA Adalah dimana ditemukan kondisi Jaringan Bayesian, field tersebut dianggap sebagai node yang tidak terhubung dengan node lainnya, (A=1,B=1) node yang terpisah tersebut akan dicari parent dari α BA Adalah jumlah B=1 dan diketahui A=1 masing-masing node, setelah menemukan parent mB Adalah jumlah B=? dan diketahui A=1 dengan scoring fungtion maka node dibuat arc sesuai dengan parentnya. Sehingga terbentukalah nB + Adalah jumlah A=1 sebuah DAG Bayesian Network. 4. Pengujian 3.3. Perhitungan BC Berguna atau tidaknya program akan diuji, Perhitungan BC pertama kali dilakukan untuk adapun contoh data yang dibuat sperti terlihat pada memberi nilai kemungkinan terhadap data yang gambar 4.6. 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 Gambar 4.1 database yang diuji 1 1 ? 2 Cara pengujian penulis menggunakan 3 cara: 2 1 1 2 1. Menghilangkan data yang tidak lengkap Jika data yang tidak lengkap dihilangkan, maka 2 1 2 2 akan mengubah probabilitas yang ada seperti telihat 1 ? 2 1 pada gambar 4.7 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 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. = 0.571428571 2. Membiarkan data tetap untuk mencari probabilitas maksimum 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 = 0.714285714 dengan melihat dari tetangganya. Hal ini lebih efesien karena tidak mengubah data yang telah ada. Data Maning dan Database System 3-83
  • 84. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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. 3-84 Data Maning dan Database System
  • 85. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Optimasi Pengolahan KWH Meter pada PT. PLN (PERSERO) Menggunakan Genetic Algorithm Darjat Saripurna, Jufri Halim, Ishak STMIK Triguna Dharma Medan Email : [email protected] Abstrak Dalam hal ini mencoba mengembangkan suatu sistem tentang Informasi Stand Kwh yang dibuat Pencatatan KWH meter di setiap rumah yang dengan alat bantu computer yang menggunakan sekarang dikerjakan oleh PT. PLN (Persero) fasilitas software-software (perangkat lunak) seperti banyak mengalami gangguan terutama saat Mysql, Microsoft Visual Basic 2008 dan Crystal petugas dari PT. PLN (Persero) mencatat Report 8.5. penggunaan pemakaian daya listrik pada akhir Berdasarkan permasalahan diatas maka PT. bulan. Gangguan pencatatan KWH meter yang PLN (Persero) Cabang Binjai memerlukan suatu ditimbulkan oleh manusia sering disebabkan waktu sistem yang lebih baik sesuai dengan kebutuhan dan kelelahan dalam pencatatan penggunaan daya yang dapat listrik. Untuk mengatasi masalah tersebut, maka Membantu penyampaian informasi yang lebih perlu optimasi pada pengolahan KWH meter cepat dan efisien dalam mengolah data-data menggunakan database dengan metode genetic pemakaian pelanggan. algorithm. Bila diinginkan untuk mendapatkan kinerja yang optimum dari KWH meter tersebut. 2. Penentuan Data Flow Diagram Maka parameter-parameter dari KWH meter perlu dikaji lagi dengan menggunakan Genetic Penggambaran sistem dan arus data dibuat Algorithm. Adapun model yang digunakan dari dengan menggunakan Data Flow Diagram (DFD) pengolahan KWH meter tersebut adalah model ini memiliki 3 entitas, yaitu: Lahta, Petugas dan program database. Pimpinan. Aliran data Sistem Informasi tersebut dapat diuraikan dengan Diagram Konteks berikut Kata kunci : Genetic Algorithm, parameter ini: 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 Gb-1, Data Flow Diagram Program untuk masyarakat, harus menjadikan kepuasan Petugas melakukan penginputan data pelanggan baik pelanggan social, industri maupun program dalam sistem, data petugas tadi kemudian pelanggan rumah tangga sebagai target yang harus di teruskan ke Lahta. Lahta memberikan data dicapai. Banyak data-data pelanggan PT. PLN pelanggan ke dalam sistem yang kemudian (Persero) Cabang Binjai yang harus dikelola setiap diteruskan ke Petugas untuk dilakukan penyusunan saat, oleh karena itu diperlukan suatu system yang data pemakaian. Data pemakaian tersebut dapat mengolah data-data tersebut. Salah satunya diinputkan ke dalam sistem untuk di berikan ke yaitu memberikan informasi mengenai jumlah Lahta. Kesemua data yang masuk ke dalam sistem pemakaian pelanggan dan jenis tarif yang digunakan untuk penyusunan laporan ke Manager. digunakan. Data Maning dan Database System 3-85
  • 86. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  3. Penentuan Entity Relational Diagram Tabel-2, Normal Penggambaran sistem dan arus data dibuat dengan menggunakan Data ER ini, yaitu: 6. Optimasi Parameter Program Pencatatan KWH meter Dengan Menggunakan Genetic Algorithm Gb-2, Entyty Relational Diagram a. Genetic Algorithm 4. Penentuan Diagram Alir Genetic Algorithm adalah metode lain yang Penggambaran sistem dan arus data dibuat biasa digunakan untuk menentukan parameter dengan menggunakan Diagram Alir ini, yaitu: 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: Gb-3, Entyty Relational Diagram Tabel-3, Program KWH meter 5. Penentuan Normalisasi Penggambaran sistem dan arus data dibuat dengan menggunakan Data Normalisai ini, yaitu: Tabel-1, UnNormal Id No. No Bln Thn Daya Ranting Total Konsumen Gardu 1/450 Pancur 1 Juni 2011 2345 111 Rp. 25.340 VA Batu Juli Rp. 35.604 2 2435 1/220 VA 112 Tuntungan Rp. 45.345 Selanjutnya parameter pencatatan program database KWH meter ini dikodekan dengan bilangan decimal dan nilai fitness (kemampuan) 3-86 Data Maning dan Database System
  • 87. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  maksimum didapatkan untuk menentukan nilai meter ini didapat dari waktu, efisiensi dan tenaga kesalahan terkecil tersebut. Maka setiap parameter operasional. program pencatatan KWH meter ini dapat dilakukan dengan genetic algorithm. Dalam hal ini b. Hasil Perhitungan error function diperoleh sebagai formula dari kuadrat Program error function, sedangkan fitness Hasil dari nilai fitness yang dinyatakan oleh function adalah inverse dari error. Sasaran dari kurva fitness terhadap jumlah generasi yang terlihat genetic algorithm membuat nilai error minimum pada gambar-5 yang menghasilkan parameter atau membuat fitness maksimum. Error function pencatatan KWH meter secara optimum yang dapat dituliskan sebagai : terlihat pada table-4. 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-5, Nilai fitness terhadap Populasi Dan dengan cara yang sama karakteristik Gambar-4, Genetic algorithm program database terhadap waktu dari data pada table-4 dapat ditentukan hasilnya pada gambar-6. 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 Gambar-6, Karakteristik Tenaga Orang terhadap Dimana ri : bilangan acak, dengan : Waktu hasil Genetic Algorithm I = 1,2,3, …,m 7. Kesimpulan iii. Mutasi Nilai Random dinyatakan oleh : Dengan Genetic Algorithm nilai arus maksimum, arus awal dan arus nominal dapat Xi = Xi^k + random nilai [ E ] dinaikkan secara optimum seperti terlihat pada Yi = yi^k + random nilai [ E ] table-4. Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Tabel-4 Hasil Simulasi Pelanggan Waktu Waktu Yi = nilai random [ Ymin, Ymax ] Pelanggan Pelanggan Hasil evaluasi pada proses genetic algorithm, digunakan untuk mencari nilai error terkecil atau Konsumen Program nilai fitness terbesar. Nilai error yang diperoleh (menit) (menit) digunakan untuk menentukan parameter pencatatan 2345 60 menit 45 menit KWH meter menggunakan genetic algorithm i 2435 60 menit 45 menit tersebut. Parameter pencatatan program KWH Data Maning dan Database System 3-87
  • 88. Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  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 3-88 Data Maning dan Database System