JURNAL MASYARAKAT INFORMATIKA INDONESIAarsip.e-jmii.org/download/JMII Vol 4 2019/JMII VOL 4 NO 1 2019.pdf · jurnal masyarakat informatika indonesia vol 4, no1, tahun 2019 ahp-topsis

JURNAL MASYARAKAT INFORMATIKA INDONESIA

Vol 4, No1, Tahun 2019

AHP-TOPSIS PADA SELEKSI PENERIMAAN BANTUAN PROGRAM INDONESIA PINTAR

Ari Kusuma Wardana, Rianto

MEMBANGUN APLIKASI KLASIFIKASI BAHAN PUSTAKABERDASARKAN DEWEY DECIMAL

CLASSIFICATION DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBORHOOD

Mochammad Rial Al Rasyid

PENENTUAN JENIS DAUN KOPI DENGAN PENERAPAN ALGORITMA NEURAL NETWORK

BACK PROPAGATION

Suhendri

PERANCANGAN GAME VISUAL NOVEL “THE ADVENTURE OF KABAYAN” SEBAGAI MEDIA

BELAJAR BAHASA INGGRIS UNTUK TOEFL

Rudi Kurniawan1 , Gyta Nurul Windari

SISTEM SORTASI BIJI KOPI ARABIKA BERBASIS IOT MENGGUNAKAN PENGUKURAN KADAR

AIR DAN WARNA

Endang Amalia, Ari Purno Wahyu Wibowo

SISTEM PENDUKUNG KEPUTUSAN DALAM MEMILIH E-MARKETPLACE BERDASARKAN

FITUR LAYANAN DENGAN METODE WEIGHTED PRODUCT

Deryzky Akbar, Siti Nurajizah, Sri Muryani

SISTEM INFORMASI EVALUASI KINERJA PRODUKSI PERUSAHAAN PERTAMBANGAN

BATUBARA PADA DIREKTORAT JENDERAL MINERAL DAN BATUBARA

Ajeng Shilvie Nurlatifah, Sunjana

PERENCANAAN PROYEK SISTEM INFORMASI AKADEMIK PENDEKATAN METODE EARNED

VALUE

Sunjana

ISSN: 2541-5093

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 3 kali dalam setahun, setiap bulan

April, Agustus dan Desember.

Ketua Redaksi

Feri Sulianta

Dewan Redaksi

Fajri Rakhmat Umbara

Agung Santoso Pribadi

Afief Dias Pambudi

Edward Daniel Maspaitella

Iqbal Yulizar

Editor Pelaksana

Farhan Ferdian Mulyadi

Vito Hafiz

Ricko Firmansyah

Reviewer

Prof The Houw Liong (Institut Teknologi Bandung)

Hengky Honggo (STMIK MDP Palembang)

Bahar Riand Passa (Nanyang Technological University)

Dwi Aryanta (ITENAS)

Eko Cahyanto (Universitas Gunadarma)

Cholid Fauzi (ST Inten)

Wawan Hendrawan (ASMTB)

Titan Halim (Universitas BINUS)

Muksin Wijaya (STMIK LIKMI)

Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT

TIM KOMUNIKA INFORMATIKA

Jl. Gatot Subroto 153 C, Bandung 40273

e-mail: [email protected] / [email protected]

website: http://www.e-jmii.org

mailto:[email protected]


http://www.e-jmii.org/

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk

menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII)

yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat

Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami

untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk

mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun

ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi,

Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan,

Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan

Teknologi Informasi dan lainnya.

Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi

dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami

pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini

pada edisi – edisi selanjutnya.

Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan

berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat

Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 4. No.1 Tahun 2019

ISSN : 2541-5093

Jurnal Nasional JMII 2019

AHP-TOPSIS PADA SELEKSI PENERIMAAN BANTUAN PROGRAM

INDONESIA PINTAR

Ari Kusuma Wardana, Rianto

Fakultas Teknik, Program Studi Teknik Informatika

Universitas PGRI Yogyakarta

Jl. IKIP PGRI I Sonosewu No.117, Kasihan, Bantul, Daerah Istimewa Yogyakarta

[email protected], [email protected]

Abstrak

Program Indonesia Pintar (PIP) merupakan sebuah

program yang digalakan pemerintah untuk menuntaskan

masalah pendidikan di Indonesia yang dimulai dari tahun

2014. Program ini memberikan bantuan pendidikan dalam

bentuk uang tunai dengan nominal yang berbeda-beda,

tergantung jenjang pendidikan dan umur dari peserta didik.

Tidak semua anak usia sekolah di Indonesia memperoleh

bantuan program Indonesia pintar, ada beberapa kriteria yang

harus dipenuhi oleh seorang anak untuk memperoleh bantuan

tersebut. Proses menentukan siapa yang berhak memperoleh

bantuan Indonesia pintar menjadi rumit dan membutuhkan

waktu lama jika proses seleksi dilakukan secara manual

dengan melakukan cek kriteria satu per satu dari sejumlah

anak atau peserta didik. Untuk itu, diperlukan sebuah metode

tertentu yang dapat digunakan untuk menyeleksi atau

menentukan siapa yang berhak menerima bantuan Program

Indonesia Pintar dengan cepat dan tepat sasaran, serta

berpedoman pada kriteria-kriteria yang sudah ditentukan.

Solusi yang ditawarkan adalah dengan memanfaatkan

metode Analytical Hierarchy Process (AHP) dan Technique

For Others References By Similarity To Ideal Solution

(TOPSIS). Gabungan metode AHP dan TOPSIS ini membantu

dalam melakukan seleksi anak-anak yang berhak menerima

bantuan program Indonesia pintar secara lebih cepat dan tepat

sasaran. Studi kasus diambil di SMP Negeri 1 Kalibening

kabupaten Banjarnegara.

Kata kunci :

Sistem Pendukung Keputusan, AHP, TOPSIS, Program

Indonesia Pintar

Abstract

Program Indonesia Pintar (PIP) is a program promoted by

the government to solve the problem of education in Indonesia

starting in 2014. This program provides educational

assistance in the form of cash in nominal amounts, depending

on the level of education and age of students. Not all school-

age children in Indonesia receive assistance from the smart

Indonesia program, there are several criteria that must be met

by a child to obtain this assistance. The process of

determining who is entitled to smart Indonesian assistance is

complicated and takes a long time if the selection process is

done manually by checking criteria one by one from a number

of children or students. For this reason, a certain method is

needed that can be used to select or determine who has the

right to receive smart Indonesian program assistance quickly

and on target, and is guided by predetermined criteria. The

solution offered is to utilize the Analytical Hierarchy Process

(AHP) and Technique for Others References By Similarity To

Ideal Solution (TOPSIS) method. This combination of AHP

and TOPSIS methods helps in selecting children who are

entitled to receive assistance from smart Indonesian programs

more quickly and on target. The case study was taken at

Kalibening 1 Public Middle School, Banjarnegara Regency.

Keywords :

Decision Support System, AHP, TOPSIS, Program Indonesia

Pintar

PENDAHULUAN

Berdasarkan pembukaan Undang-Undang Dasar Negara

Republik Indonesia tahun 1945 [1], Pemerintah Negara

Republik Indonesia diamanati untuk mencerdaskan kehidupan

bangsa. Dengan demikian, Pemerintah diwajibkan untuk

mengusahakan dan menyelenggarakan satu sistem pendidikan

nasional bagi seluruh warga negara Indonesia. Sistem

pendidikan nasional yang dimaksud harus mampu menjamin



ISSN : 2541-5093


pemerataan kesempatan dan peningkatan mutu pendidikan,

terutama bagi anak-anak generasi penerus bangsa Indonesia.

Pada periode pemerintahan tahun 2014 sampai 2019

salah satu wujud nyata pemerintah dalam mencerdaskan

kehidupan bangsa, menuntaskan masalah pendidikan dan

pemerataan kesempatan pendidikan adalah dengan membuat

sebuah Program Indonesia Pintar [2]. Program Indonesia

Pintar merupakan sebuah bantuan yang diberikan kepada anak

usia 6 sampai 21 tahun [3], terdaftar di sekolah, madrasah,

pondok pesantren, kelompok belajar (kejar paket A/B/C),

maupun lembaga pelatihan atau kursus. Penerima bantuan

Program Indonesia Pintar berhak mendapatkan bantuan

pendidikan dalam bentuk uang tunai dengan nominal yang

berbeda-beda, tergantung jenjang pendidikan dan umur anak

tersebut.

Tidak semua anak usia sekolah di Indonesia memperoleh

bantuan Program Indonesia Pintar, ada beberapa kriteria yang

harus dipenuhi oleh seorang anak untuk memperoleh bantuan

tersebut. Proses menentukan siapa yang berhak memperoleh

bantuan Indonesia pintar menjadi rumit dan membutuhkan

waktu lama jika proses seleksi dilakukan secara manual

dengan melakukan cek kriteria satu per satu dari sejumlah

anak.

Untuk itu, diperlukan sebuah metode tertentu yang dapat

digunakan untuk menyeleksi atau menentukan siapa yang

berhak menerima bantuan Program Indonesia Pintar dengan

cepat dan tepat sasaran, serta berpedoman pada kriteria-

kriteria yang sudah ditentukan.

Solusi yang ditawarkan adalah dengan memanfaatkan

metode Analytical Hierarchy Process (AHP) dan Technique

For Others References By Similarity To Ideal Solution

(TOPSIS). Metode AHP pada penelitian ini digunakan untuk

memberi nilai bobot tiap kriteria [4] yang digunakan untuk

proses seleksi anak-anak yang sekiranya berhak menerima

bantuan Program Indonesia Pintar. Sedangkan metode

TOPSIS digunakan sebagai metode perangkingan daftar anak-

anak yang berhak menerima bantuan Indonesia pintar

berdasarkan nilai bobot yang dihasil dari metode AHP.

Gabungan metode AHP dan TOPSIS ini nantinya akan

membantu dalam melakukan seleksi anak-anak yang berhak

menerima bantuan program Indonesia pintar secara lebih cepat

dan tepat sasaran. Studi kasus diambil di SMP Negeri 1

Kalibening kabupaten Banjarnegara.

KAJIAN LITERATUR

Penelitian ini berfokus pada bagaimana metode AHP dan

TOPSIS dapat membantu menyelesaikan masalah seleksi

penerima bantuan Program Indonesia Pintar. Dalam

penelitian-penelitian sebelumnya ada yang telah melakukan

kajian tentang seleksi penerima bantuan Program Indonesia

Pintar, namun belum ada yang melakukan penelitian tentang

bagaimana metode AHP dan TOPSIS membantu

menyelesaikan masalah seleksi penerima bantuan Progam

Indonesia Pintar. Beberapa penelitian terdahulu yang terkait

dengan penerima bantuan pernah dilakukan, penelitian-

penelitian tersebut diambil sebagai tinjauan pustaka dalam

penelitian ini.

Penelitian yang pertama [5] tantang sistem pendukung

keputusan yang menggunakan metode weight product untuk

mengukur kelayakan pada penerimaan bantuan beras bagi

masyarakat miskin di wilayah Karikil, Mangkubumi,

Tasikmalaya. Penelitian ini dilakukan untuk menyeleksi calon

penerima bantuan beras miskin dengan tujuan keakuratan dan

kecepatan dalam proses seleksi. Metode weighted product

digunakan untuk menyelesaikan masalah multi atributte

decision making (MADM) dalam penelitian ini.

Penelitian yang kedua [6] tentang pemilihan karyawan

baru dengan menggunakan metode AHP. Metode AHP dalam

penelitian ini digunakan untuk pembobotan terhadap kriteria

dari para pelamar. Pembobotan yang dihasilkan oleh AHP

menurut penelitian ini dapat digunakan untuk menentukan

rekomendasi karyawan baru.

Penelitian yang ketiga [7] melakukan penelitian tentang

salah satu sistem pendukung keputusan pada penerimaan

Kartu Indonesia Pintar dengan metode yang digunakan yaitu

simple additive weighting. Penelitian ini dilakukan karena

sering kali pendistribusian bantuan Program Indonesia Pintar

tidak tepat sasaran. Penyebabnya adalah penerima bantuan

pada priode sebelumnya masih dilakukan secara manual dan

tidak menggunakan komputer. Demi mempermudah pekerjaan

pengambil keputusan dan menghindari kesalahan, maka

penelitian ini dilakukan. Tujuannnya adalah tidak lain untuk

mempermudah pekerjaan pengambil keputusan untuk

menyeleksi penerima bantuan kartu Indonesia Pintar menjadi

tepat sasaran.

Penelitian yang keempat [8] yaitu sistem pendukung

keputusan yang digunakan untuk memililih prioritas calon

penerima Program Indonesia Pintar yang dilakukan di Sekolah

Menengah Pertama menggunakan metode TOPSIS. Peneltian

ini dilakukan karena implementasi Program Indonesia Pintar

masih terdapat banyak kendala yang mengakibatkan tidak

tepat sasaran dalam pemberian program bantuan pendidikan

tersebut. Untuk itu sistem yang dihasilkan melalui penelitian

ini diharapkan dapat membantu menyeleksi anak yang

memang benar-benar membutuhkan bantuan pendidikan

Program Indonesia Pintar. Sistem yang dibangun

menambahkan beberapa kriteria yang lebih mendasar, yaitu

Status Aktif Siswa, Surat Keterangan Miskin, Kondisi Yatim

Piatu, Gaji Orang Tua, dan Presentasi Absensi.

Penelitian yang kelima [9] melakukan penelitian tantang

seleksi penerima bantuan sosial berdasarkan sistem

pendukung keputusan dalam upaya mengurangi siswa rawan

putus sekolah. Sulitnya memilih siswa yang benar-benar

membutuhkan bantuan sosial merupakan alasan dilakukannya


ISSN : 2541-5093


penelitian ini. Sistem yang dihasilkan memberikan

rekomendasi keputusan yang tepat melalui perhitungan

dengan metode TOPSIS. Sehingga sistem ini memberikan

kemudahan bagi pihak pengambil keputusan dalam memilih

anak yang berhak menerima bantuan sosial.

Penelitian yang keenam [10] melakukan penelitian yang

menggunakan metode Simple Additive Weighting (SAW) dan

TOPSIS untuk menentukan siapa yang berhak mendapatkan

beras miskin. Metode TOPSIS dalam penelitian ini digunakan

untuk melakukan perangkingan terhadap kriteria dan alternatif

yang sudah ditentukan. Sedangkan metode SAW digunakan

untuk melakukan perhitungan bobot. Hasil dari penelitian ini

dapat digunakan dengan baik, cepat dan efisien saat

menentukan siapa yang berhak menerima beras miski di

tengah masyarakat.

Dari beberapa tinjauan pustaka yang di jelaskan di atas,

penelitian yang akan dilakukan ini memiliki perbedaan, di

mana penelitian ini akan mengimplementasikan metode

Analytical Hierarchy Process (AHP) dan TOPSIS untuk

memilih atau menyeleksi penerima bantuan program

Indonesia pintar di lingkungan SMP Negeri 1 Kalibening agar

bantuan bisa disalurkan ke pihak yang memang

membutuhkan.

ANALISIS DAN PERANCANGAN

Penelitian ini merupakan jenis penelitian deskripsi

kuantitatif. Penelitian ini dimulai dengan mengumpulkan data

yang menggambarkan fakta di lapangan dan informasi yang

ada. Selanjutnya data kuantitatif yang didapatkan, digunakan

sebagai tolok ukur kajian penelitian.

Metode AHP dan TOPSIS digunakan untuk membantu

pengambilan keputusan pada penelitian ini. Metode ini

diharap mampu membantu para pengambil keputusan memilih

penerima bantuan Program Indonesia Pintar di lingkungan

SMP Negeri 1 Kalibening agar bantuan bisa disalurkan ke

pihak yang memang membutuhkan. Pada penelitian ini

menggunakan tahapan-tahapan yang terlihat pada Gambar 1.

Merancang Kriteria

Gambar 1. Alur Penelitian

Penelitian dimulai dengan terlebih dahulu melakukan

observasi dan wawancara di lokasi obyek penelitian,

wawancara dan observasi yang dilakukan bertujuan untuk

memperoleh data kriteria-kriteria dalam menyeleksi penerima

bantuan Program Indoneia Pintar.

Kriteria yang didapatkan dari hasil observsi dan

wawancara menjadi acuan untuk digunakan dalam merancang

kriteria-kriteria yang digunakan dalam metode AHP dan

TOPSIS. Tahap selanjutnya adalah mengimplementasikan

metode AHP dan TOPSIS untuk menyeleksi penerima bantuan

Indoneisa pintar. Microsoft excel digunakan untuk

mengimplemtasikan metode AHP dan TOPSIS. Perhitungan

metode AHP dan TOPSIS dengan kriteria-kriteria yang sudah

didapatkan dilakukan dengan memasukkan rumus-rumus

matematika di microsoft excel.

Setelah rumus matematika dituliskan pada microsoft

excel yang disesuaikan dengan metode AHP dan TOPSIS,

langkah selanjutnya adalah melakukan uji coba. Uji coba

dilakukan dengan menggunakan data siswa kelas VII SMP

Negeri 1 Kalibening tahun ajaran 2018/2019. Jika hasil

berjalan sesuai dengan keinginan, maka metode AHP dan

TOPSIS sudah bisa berjalan sesuai dengan rancangan yang

sudah dibuat. Namun, jika hasil tidak berjalan sesuai dengan

yang direncanakan, maka proses perbaikan akan dilakukan

sampai hasil yang didapatkan sesuai dengan rancangan.


ISSN : 2541-5093


Metode AHP yaitu salah satu metode yang biasa

digunakan dalam proses pengambilan keputusan. Dalam hal

ini metode AHP dapat digunakan untuk memecahkan suatu

permasalahan yang kompleks dan semi-terstruktur. Didalam

metode AHP terdapat bagian yang biasa disebut dengan

susunan hiraki dan memberi nilai berupa angka dengan

pertimbangan yang subjektif berdasarkan kepentingan tiap

bagiannya. Mensitasi dari beberapa hal yang dipertimbangkan

untuk menetapkan nilai prioritas, kriteria mana yang

mempunyai prioritas paling tinggi yang akan berdampak pada

perolehan hasil [11]. Metode AHP bisa dilakukan dengan

langkah-langkah sebagai berikut [12] :

Menjumlahkan setiap kolom pada matriks perbadingan

berpasangan.

11 12 13

21 22 23

31 32 33

C C C

C C C

C C C (1)

Menormalisasi nilai matriks perbandingan berpasangan

menggunakan persamaan (2).

1

ij

ij n

i

CX

Cij (2)

Menencari nilai bobot masing-masing kriterian dengan


1

n

j ij

ij

XW

n (3)

Setelah nilai bobot untuk tiap kriteria diperoleh, maka nilai

dari bobot tersebut harus dilakukan pengujian terlebih

dahulu untuk memastikan nilai dari Consistent Ratio (CR)

kurang dari 0.1 atau 10%. Akan tetapi sebelum mencari

nilai CR, harus dicari terlebih dahulu nilai dari eigen, yaitu

dengan mengalikan nilai yang diperoleh dari masing-

masing kriteria dengan nilai bobot masing-masing kriteria.

Untuk rumus dapat dilihat pada persamaan (4).

11 12 13 11 11

21 22 23 21 21

31 3131 32 33

*

C C C W Cv

C C C W Cv

W CvC C C

(4)

Dari hasil yang diperoleh pada persamaan (4) maka dapat

didapatkan nilai max dengan menggunakan rumus

persamaan (5).

max 1 n

i ijCv (5)

Setelah nilai dari max diperoleh, langkah berikutnya

menghitung nilai Consistency Index (CI) menggunakan

rumus persamaan (6) dan Consistency Ratio (CR)

menggunakan rumus persamaan (7).

max

1

nCI

n (6)

CI

CRRCI

(7)

Pada tahap pengujian nilai CR, apabila diperoleh nilainya

kurang dari 0.1 atau 10% maka nilai konsistensi terhadap

nilai bobot untuk masing-masing kriteria dapat disetujui

dan tahap berikutnya yaitu menggunakan metode TOPSIS.

Pada tahap kedua adalah menggunakan metode TOPSIS,

metode ini digunakan untuk memilih alternatif yang ada.

Technique For Others References by Similarity to Ideal

Solution (TOPSIS) adalah suatu metode pengambilan

keputusan yang memiliki solusi ideal positif dan solusi ideal

negatif. Solusi ideal positif didefinisikan sebagai jumlah dari

seluruh nilai terbaik yang dapat dicapai untuk setiap atribut,

sedangkan solusi ideal negatif adalah seluruh nilai terburuk

yang dapat dicapai untuk setiap atribut [8]. Berikut adalah

tahapan-tahapan pada metode TOPSIS [12] :

Membuat sebuah matriks keputusan ternormalisasi dari

data yang telah terkumpul. Matriks ter-normalisasi diperoleh

dengan menggunakan persamaan (8).

2

ij m

iji

Xijr

X

(8)

Membuat matriks normalisasi terbobot menggunakan

persamaan (9). Untuk mendapatkan nilai matriks normalisasi

terbobot adalah dengan mengalikan nilai matriks

ternormalisasi dengan bobot yang diperoleh dari metode AHP.

ij j ijy w r (9)

Setelah didapat data matriks normalisasi terbobot,

selanjutnya menetukan solusi ideal positif (A+) dan solusi

ideal negatif (A-). Untuk menentukan solusi ideal, ditentukan

terlebih dahulu atribut disetiap kriteria, seperti atribut

keuntungan (benefit) atau atribut biaya (cost).

1 2 , , , nA y y y (10)

1 2 , , , nA y y y (11)

Dimana:

;

;

i ij

i i

max y jika j adalahbenefity

min y jika j adalahcost

;

;

i ij

i i

min y jika j adalahbenefity

max y jika j adalahcost


ISSN : 2541-5093


n 1 2 3 4 5 6 7 8 9 10

RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.46 1.49

Selanjutnya persamaan (12) dan persamaan (13)

digunakan untuk menentukan (jarak antara nilai alternatif

ke i dengan solusi ideal positif) dan (jarak antara nilai

alternatif ke i dengan solusi ideal negatif).

2

1

n

i j ij

j

D y y (12)

2

1

n

i ij j

j

D y y (13)

Menggunakan persamaan (14) untuk menentukan nilai

preferensi (vi) dari setiap alternatif. Nilai preferensi ini

menunjukkan nilai alternatif yang memiliki nilai terbesar dari

alternatif yang lainnya.

ii

i i

Dv

D D (14)

Setelah nilai vi diperoleh, maka selanjutnya dilakukan

proses perankingan alternatif berdasarkan urutan nilai vi.

Alternatif terbaik ialah yang memiliki nilai vi terbesar.

Pengujian metode AHP dan TOPSIS pada penelitian ini

diujikan pada data siswa atau peserta didik di SMP Negeri 1

Kalibening kelas VII tahun ajaran 2018/2019. Metode AHP

digunakan untuk menentukan bobot masing-masing kriteria,

sedangkan metode TOPSIS digunakan pada proses

perankingan alternatif, dalam hal ini para peserta didik atau

siswa. Gambar 2 adalah struktur hirarki pada model pengujian.

Kriteria yang digunakan adalah Dampak Bencana Alam,

Kelainan Fisik, Keluarga Terpidana, Pemegang

PKH/KPS/KKS, Siswa Miskin, Yatim Piatu, Penghasilan

Orang Tua, dan Daerah Konflik.

Tujuan

Kriteria

Alternatif

Dampak Bencana

AlamKelainan Fisik

Keluarga

Terpidana

Pemegang PKH/

KPS/KKSSiswa Miskin Yatim Piatu

Penghasilan

Orang TuaDaerah Konflik

Afifah Pramudita Anang KasironSinggih Ragil Rio

RomandaniElisa Fai Ruzul Ma'tuf

Seleksi Peserta

Didik

Gambar 2. Struktur Hirarki Pengujian Model

Data alternatif dan kriteria pada penelitian ini diambil

dari data yang didapatkan pada saat wawancara dan observasi

dengan pihak SMP Negeri 1 Kalibening. Pada tabel 1 adalah

data alternatif yang telah dikumpulkan.

Tabel 1. Daftar Data Nilai Alternatif

Afifah Pramudita 7 1 1 1 8 1 600000 1

Anang Kasiron 7 1 1 9 8 1 600000 1

Singgih Ragil Rio Romandani 3 1 1 1 1 5 1600000 1

Elisa 6 1 1 9 7 1 750000 1

Fai Ruzul Ma'tuf 1 1 1 9 1 1 1700000 1

YP POT DK

Siswa Kandidat Penerima

Bantuan Program Indonesia

Pintar

DBA KF KT P PKH/KPS/KKS SM

Pada tabel 1 adalah nilai yang didapatkan pada saat

wawancara dan observasi dengan pihak SMP Negeri 1

Kalibening, Dampak Bencana Alam = DBA,

Kelainan Fisik = KF, Keluarga Terpidana = KT, Pemegang

PKH/KPS/KKS = P PKH/KPS/KKS, Siswa Miskin = SM,

Yatim Piatu = YP, Penghasilan Orang Tua = POT, dan Daerah

Konflik = DK. Data alterntif pada table 1 akan digunakan pada

saat masuk ke metode TOPSIS.

Tabel 2. Matrik Perbandingan Berpasangan

KRITERIA DBA KF KT P PKH/KPS/KKS SM YP POT DK

Dampak Bencana Alam 1,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00

Kelainan Fisik 1,00 1,00 2,00 1,00 1,00 1,00 1,00 1,00

Keluarga Terpidana 1,00 0,50 1,00 1,00 1,00 0,50 1,00 1,00

Pemegang PKH/KPS/KKS 1,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00

Siswa Miskin 1,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00

Yatim Piatu 1,00 1,00 2,00 1,00 1,00 1,00 2,00 1,00

Penghasilan Orang Tua 0,50 1,00 1,00 0,50 0,50 0,50 1,00 1,00

Daerah Konflik 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

Pada table 2 adalah matrik perbandingan berpasangan,

dimana nilai tersebut diperoleh dengan membandingkan

tingkat kepentingan dari masing-masing kriteria. Dari

perbandingan berpasangan dilakukan perhitungan dengan

membagi tiap sel dengan jumlah tiap kolom menggunakan

persamaan (2) dan menghasilkan matriks ter-normalisasi

seperti yang tertera pada tabel 3.

Tabel 3. Bobot Kepentingan Masing-Masing Kriteria

KRITERIA DBA KF KT P PKH/KPS/KKS SM YP POT DK

Dampak Bencana Alam 0,13 0,13 0,10 0,13 0,13 0,14 0,17 0,13

Kelainan Fisik 0,13 0,13 0,20 0,13 0,13 0,14 0,08 0,13

Keluarga Terpidana 0,13 0,07 0,10 0,13 0,13 0,07 0,08 0,13

Pemegang PKH/KPS/KKS 0,13 0,13 0,10 0,13 0,13 0,14 0,17 0,13

Siswa Miskin 0,13 0,13 0,10 0,13 0,13 0,14 0,17 0,13

Yatim Piatu 0,13 0,13 0,20 0,13 0,13 0,14 0,17 0,13

Penghasilan Orang Tua 0,07 0,13 0,10 0,07 0,07 0,07 0,08 0,13

Daerah Konflik 0,13 0,13 0,10 0,13 0,13 0,14 0,08 0,13

Pada tabel 3 adalah bobot kepentingan dari masing-

masing kriteria. Untuk mencari bobot tiap kriteria dilakukan

perhitungan menggunakan persamaan (3), dimana hasil

perhitungan dapat dilihat pada table 4. Pada table 4 tersebut

dapat diperoleh bobot dari Dampak Bencana Alam = 0.13,

Kelainan Fisik = 0.14, Keluarga Terpidana = 0.11, Pemegang

PKH/KPS/KKS = 0.13, Siswa Miskin = 0.13, Yatim Piatu =

0.15, Penghasilan Orang Tua = 0.09, dan Daerah Konflik =

0.12.

Tabel 4. Nilai Bobot Kriteria

WC1 WC2 WC3 WC4 WC5 WC6 WC7 WC8

0,13 0,14 0,11 0,13 0,13 0,15 0,09 0,12


ISSN : 2541-5093


Setelah bobot untuk tiap kriteria diperoleh, langkah

berikutnya adalah melakukan pengujian terhadap nilai dari

bobot masing-masing kriteria, dalam hal ini harus dilakukan

pengujian terhadap nilai dari CR, dimana nilai terebut harus

lebih kecil dari 0.1 atau 10%.

Sebelum mencari nilai CR, terlebih dahulu harus

menghitung nilai eigen dari masing-masing kriteria

menggunakan persamaan (4) dan menjumlahkan nilai dari

lamda tersebut untuk memperoleh nilai dari max dengan


Perhitungan dibawah adalah perolehan nilai eigen dari

masing-masing kriteria yang dihitung dengan menggunakan

persamaan (4).

Tabel 5. Nilai Eigen Masing-Masing Kriteria

Cv 11 Cv 21 Cv 31 Cv 41 Cv 51 Cv 61 Cv 71 Cv 81

1,09 1,11 0,86 1,09 1,09 1,19 0,73 1,00

Setelah dipeoleh nilai eigen untuk masing-masing

kriteria maka harus mencari nilai max, dengan menggunakan

persamaan (5).

max = 1.09 + 1.11 + 0.86 + 1.09 + 1.09 + 1.19 + 0.73

+ 1.00 = 8.15

Nilai dari max telah didapatkan, tahap berikutnya

mencari nilai Consistency Index (CI) dengan menggunakan

persamaan (6).

CI = = 0.02

Nilai dari CI telah diperoleh yaitu 0.02, tahap berikutnya

adalah mencari nilai Consistency Ratio (CR) dengan

menggunakan persamaan (6). Pada persamaan (6) terdapat

RCI dimana RCI adalah Random Consistency Index yang

dapat di lihat pada table 6.

Tabel 6. Tabel Random Consistency Index

CR = = 0.02

Dari perolehan nilai CR adalah 0.02 sehingga lebih kecil

dari 0.1 atau 10%, maka konsistensi nilai terhadap bobot untuk

masing kriteria dapat disetujui dan diakui.

Pada tahap ini, metode AHP telah selesai dan konsistensi

untuk setiap bobot masing-masing kriteria sudah dapat

dipertanggungjawabkan, maka langkah selanjutnya adalah

melakukan peringkingan dengan menggunakan metode

TOPSIS.

Dengan Mengambil nilai yang terdapat pada table 1,

yaitu tabel nilai data alternative dari masing-masing peserta

didik yang diperoleh dari SMP Negeri 1 Kalibening. Dimana

nilai data yang dimaksud adalah Dampak Bencana Alam,

Kelainan Fisik, Keluarga Terpidana, Pemegang

PKH/KPS/KKS, Siswa Miskin, Yatim Piatu, Penghasilan

Orang Tua dan Daerah Konflik. Sebelum normalisasi, maka

harus mencari nilai pembagi untuk masing masing kriteria

dengan melakukan perkalian akar kuadrat untuk masing-

masing kolom kriteria, dimana hasil perkalian akar kuadrat

dari masing-masing kolom adalah sebagai berikut:

C1 = = 12.00

C2 = = 2.24

C3 = = 2.24

C4 = = 15.65

C5 = = 13.38

C6 = = 5.39

C7 = =

2594706.15

C8 = = 2.24

Dengan menggunakan rumus persamaan (8) maka dapat

mencari nilai dari matrik keputusan ternormalisasi. Potongan

hasil perhitungan untuk normalisasi matrik adalah sebagai

berikut:

C11 = = 0.58

C21 = = 0.58

C31 = = 0.25

C41 = = 0.50

C51 = = 0.08

Pada tabel 7 adalah hasil perhitungan keseluruhan dari

Matrik keputusan ternormalisasi yang dikerjakan dengan


Tabel 7. Matriks Keputusan Ternormalisasi

C1 C2 C3 C4 C5 C6 C7 C8

0,58 0,45 0,45 0,06 0,6 0,19 0,23 0,45

0,58 0,45 0,45 0,57 0,6 0,19 0,23 0,45

0,25 0,45 0,45 0,06 0,07 0,93 0,62 0,45

0,5 0,45 0,45 0,57 0,52 0,19 0,29 0,45

0,08 0,45 0,45 0,57 0,07 0,19 0,66 0,45


ISSN : 2541-5093


Setelah nilai dari matrik keputusan ternormalisasi

diperoleh, tahap berikutnya adalah mencari matrik normalisasi

terbobot dengan menggunakan persamaan (9). Pada tahap ini

nilai bobot masing-masing kriteria yang diperoleh pada tabel 4

dikalikan dengan nilai dari matrik keputusan ternormalisai

yang terdapat pada tabel 7.

Potongan dari hasil perhitungan matrik normalisasi

terbobot pada kriteria Dampak Bencana Alam adalah sebagai

berikut:

C11 = = 0.0779

C21 = = 0.0779

C31 = = 0.0334

C41 = = 0.0667

C51 = = 0.0111

Hasil secara keseluruhan untuk perhitungan dari matrik

normalisasi terbobot pada masing-masing kriteria dapat dilihat

pada table 8.

Tabel 8. Matriks Normalisasi Terbobot

C1 C2 C3 C4 C5 C6 C7 C8

0,0779 0,0606 0,0473 0,0085 0,0798 0,0271 0,0206 0,055

0,0779 0,0606 0,0473 0,0768 0,0798 0,0271 0,0206 0,055

0,0334 0,0606 0,0473 0,0085 0,01 0,1355 0,055 0,055

0,0667 0,0606 0,0473 0,0768 0,0698 0,0271 0,0258 0,055

0,0111 0,0606 0,0473 0,0768 0,01 0,0271 0,0584 0,055

Setelah diperoleh nilai matriks normalisasi terbobot,

selanjutnya menentukan nilai solusi ideal positif (A+) dan

solusi ideal negatif (A-) menggunakan persamaan (12) dan

persaman (13) dengan memperhatikan atribut kriteria, seperti

atribut keuntungan (benefit) atau atribut biaya (cost) yang

dapat dilihat pada tabel 9.

Tabel 9. Nilai Atribut Kriteria

Kriteria Nama Kriteria Atribut

C1 Dampak Bencana Alam Benefit

C2 Kelainan Fisik Benefit

C3 Keluarga Terpidana Benefit

C4 Pemegang

PKH/KPS/KKS

Benefit

C5 Siswa Miskin Benefit

C6 Yatim Piatu Benefit

C7 Penghasilan Orang Tua Cost

C8 Daerah Konflik Benefit

Sebelum mencari nilai dari solusi ideal positif dan solusi

idel negative, maka harus dicari terlebih dahulu nilai terbesar

dan nilai terkecil dari masing-masing kriteria. Untuk mencari

nilai max dan nilai min pada tiap kriteria dapat menggunakan

persamaan (10) dan persamaan (11). Apabila kriteria tersebut

bersifat benefit maka nilai yang diambil adalah nilai yang

paling besar dari nilai seluruh kolom kriteria, sedangkan

kriteria bersifat cost maka nilai yang diambil adalah nilai yang

paling kecil dari nilai seluruh kolom kriteria. Dari pernyataan

tersebut maka diperoleh nilai max dan nilai min untuk masing-

masing kriteria yang dapat dilihat pada tabel 10.

Tabel 10. Solusi Ideal Positif Dan Negatif

A+ 0,0779 0,0606 0,0473 0,0768 0,0798 0,1355 0,0206 0,055

A- 0,0111 0,0606 0,0473 0,0085 0,01 0,0271 0,0584 0,055

Tabel 11 adalah nilai dari Di (jarak antara nilai

alternatif ke i dengan solusi ideal positif) dan Di (jarak

antara nilai alternatif ke i dengan solusi ideal negatif), dimana

nilai tersebut diperoleh dari table 8 dan table 10 dengan

menggunakan rumus persamaan (12) dan (13).

Tabel 11. Jarak Antara Nilai Setiap Matriks Di dan

Di

D+ D-

0,1281 0,1037

0,1084 0,1242

0,1127 0,1107

0,1096 0,1113

0,1501 0,0682

Pada tabel 12 adalah nilai preferensi yang dilambangkan

dengan vi yang diperoleh dengan menggunakan rumus

persamaan (14). Nilai yang diperoleh tersebut merupakan nilai

perangkingan untuk masing-masing peserta didik.

Perhitungan dari nilai preferensi dengan persamaan (14)

adalah sebagai berikut:

Afifah Pramudita = 0,1037

0,1037+0,1281 = 0.4474

Anang Kasiron = 0,1242

0,1242+0,1084 = 0.5338

Singgih Ragil Rio Romandani = 0,1107

0,1107+0,1127 = 0.4957

Elisa = 0,1113

0,1113+0,1096 = 0.5040

Fai Ruzul Ma'tuf = 0,0682

0,0682+0,1501 = 0.3125

Pada tabel 12 adalah nilai hasil keseluruhan preferensi

untuk setiap alternatif.


ISSN : 2541-5093


Tabel 12. Nilai Preferensi Setiap Alternatif

Nama Peserta Didik Nilai

Afifah Pramudita 0.4474

Anang Kasiron 0.5338

Singgih Ragil Rio Romandani 0.4957

Elisa 0.5040

Fai Ruzul Ma'tuf 0.3125

Dalam bentuk grafik peringkat alternatif dapat dilihat

pada gambar 3.

Gambar 3. Peringkat peserta didik

Pada gambar 3 dapat diketahui bahwa alternatif terbaik

untuk pemilihan peserta didik yang berhak memperoleh

bantuan Program Indonesia Pintar adalah Anang Kasiron,

kemudian Elisa, kemudian Singgih Ragil Rio Romandani,

dilanjutkan Afifah Pramudita dan terakhir Fai Ruzul Ma'tuf.

Secara keseluruhan juga nilai konsistensi yang dimiliki adalah

0.02 sehingga dapat dikatakan bahwa semua hasil penilaian

adalah konsisten atau valid.

KESIMPULAN DAN SARAN

Berdasarkan dari penelitian yang telah dilakukan,

diketahui bahwasannya metode AHP-TOPSIS dapat

digunakan untuk membantu pengambil keputusan dalam

menyeleksi peserta didik yang paling berhak mendapatkan

bantuan Program Indonesia Pintar. Dari hasil perankingan

bahwa alternatif terbaik untuk pemilihan peserta didik yang

berhak memperoleh bantuan Program Indonesia Pintar adalah

Anang Kasiron, kemudian Elisa, kemudian Singgih Ragil Rio

Romandani, dilanjutkan Afifah Pramudita dan terakhir Fai

Ruzul Ma'tuf. Secara keseluruhan juga nilai konsistensi yang

dimiliki adalah 0.02 sehingga dapat dikatakan bahwa semua

hasil penilaian adalah konsisten atau valid.

Dalam penelitian selanjutnya diharapkan dapat

ditambahkan kriteria penilaian lainnya. Selain penambahan

kriteria juga bisa diubah dengan kriteria lain sesuai kebutuhan.

Tak lupa juga dalam pengambilan data bisa mengunakan data

selain SMP Negeri 1 Kalibening. Saran lainnya adalah bisa

menggunakan metode pendekatan sistem pendukung

keputusan yang lainnya.

REFERENSI

[1]. Undang-Undang Dasar Negara Republik Indonesia

1945.

[2]. http://presidenri.go.id/berita-aktual/kip-wujud-nyata-

pemerataan-pendidikan.html (Diakses tanggal 27

Februari 2019).

[3]. https://krjogja.com/web/news/read/91387/Kartu_Indon

esia_Pintar_KIP_Jamin_Pendidikan_Berkelanjutan

(Diakses tanggal 27 Februari 2019).

[4]. Rianto, “AHP-TOPSIS on Selection of New University

Students and the Prediction of Future Employment,”

pp. 125–130, 2017..

[5]. Suryeni, Y. H. Agustin, and Y. Nurfitria, “Sistem

Pendukung Keputusan Kelayakan Penerimaan Bantuan

Beras Miskin Dengan Metode Weighted Product Di

Kelurahan Karikil Kecamatan Mangkubumi Kota

Tasikmalaya,” pp. 9–10, 2015.

[6]. Sasongko, A., Astuti,I. F., Maharani, S., "Pemilihan

Karyawan Baru dengan Metode Analytic Hierarchy

Process (AHP)", 2017.

[7]. Wulansari, D., J., “Sistem Pendukung Keputusan

Untuk Menentukan Penerima Kartu Indonesia Pintar

Menggunakan Metode Simple Additive Weighting,”

2017.

[8]. P., Dedi K., Hamdana, E., N., Fahreza, D., D., “Sistem

Pendukung Keputusan Prioritas Calon Penerima

Program Indonesia Pintar Pada Siswa Sekolah

Menengah Pertama Menggunakan Metode TOPSIS,”

2017.

[9]. Nurdiawan, O., “Seleksi Penerima Bantuan Sosial

Berdasarkan Sistem Pendukung Keputusan Dalam

Upaya Mengurangi Siswa Rawan Putus Sekolah,” vol.

XIII, pp. 32–40, 2018.

[10]. Sari, H. N. dan Fatmawati, A.,"Sistem Pendukung

Keputusan REkomendasi Penentuan Beras Miskin

Menggunakan Metode SAW dan TOPSIS (Studi Kasus

: Desa Semagar Girimarto Wonogiri)", 2019.


ISSN : 2541-5093


[11]. Ilham, D., N., Mulyana, S., “Sistem Pendukung

Keputusan Kelompok Pemilihan Tempat PKL

Mahasiswa dengan Menggunakan Metode AHP dan

Borda,” vol. 11, no. 1, pp. 55–66, 2017.

[12]. Sari, D.,R., Windarto, A.,P., Hartama, D.,

Solikhun,"Sistem Pendukung Keputusan untuk

Rekomendasi Kelulusan Sidang Skripsi Menggunakan

Metode AHP-TOPSIS", vol. 6, no. November 2017,

pp. 1–6, 2018.


ISSN : 2541-5093


MEMBANGUN APLIKASI KLASIFIKASI BAHAN

PUSTAKABERDASARKAN DEWEY DECIMAL

CLASSIFICATION DENGAN MENGGUNAKAN METODE K-

NEAREST NEIGHBORHOOD

Mochammad Rial Al Rasyid

Program Studi Informatika, Fakultas Teknik, Universitas Widyatama Bandung

Jalan Cikutra No. 204 A Bandung 40125

Telp. 62.22.7275855- Fax. 62.22.7274010 http://www.widyatama.ac.id

E-mail: [email protected]

Teknik klasifikasi ditujukan untuk

mengelompokan atribut yang memiliki beberapa

ciri yang sama dan memisahkan atribut yang tidak

sama. Dalam konteks perpustakaan, klasifikasi

adalah kegiatan mengelompokan bahan pustaka

berdasarkan kesamaan subjek atau topiknya

dengan berpedoman pada metode atau sistem yang

akan dibuat. Teknik klasifikasi ditujukan untuk

mengelompokan atribut yang memiliki beberapa

ciri yang sama dan memisahkan atribut yang tidak

sama. Dalam konteks perpustakaan, klasifikasi

adalah kegiatan mengelompokan bahan pustaka

berdasarkan kesamaan subjek atau topiknya

dengan berpedoman pada metode atau sistem yang

akan dibuat.

Penelitian ini akan membahas tentang

klasifikasi nomor panggil otomatis yang

mengklasifikasikan bahan pustaka sesuai dengan

sistem klasifikasi Dewey Decimal Classification

(DDC) dengan metode K-Nearest Neighborhood

(KNN). Dalam penelitian ini juga diterapkan

metode Text Mining sebagai cara untuk

menentukan subjek utama sebuah bahan pustaka.

Sistem yang dibangun ini bertujuan untuk

membantu seorang pustakawan dalam

mengklasifikasi buku di perpustakaan yang

berguna sebagai pengelompokan buku yang

nantinya akan disimpan pada rak rak buku

sehingga mampu memberikan informasi tata letak

buku dan memudahkan pengunjung dalam

mencari buku berdasarkan kategorisasi nomor

yang telah ditentukan oleh seorang pustakawan.

Kata kunci : klasifikasi, pustaka,

perpustakaan, pustakawan, dewey decimal

classification, k-nearest neighborhood, text mining

I. PENDAHULUAN

Perpustakaan adalah salah satu institusi

dalam suatu lembaga pendidikan yang

menyediakan berbagai macam sumber daya

informasi baik buku, e-book maupun learning

content lainnya serta menyediakan layanan yang

penting dalam mendukung proses pembelajaran,

penelitian, dan pengembangan pengetahuan bagi

setiap anggotanya.

Penggunaan sistem informasi

perpustakaan saat ini sudah tidak asing lagi, banyak

perpustakaan mulai menggunakan sistem informasi

perpustakaan sebagai bagian penting untuk

meningkatkan kinerja staf perpustakaan dan

organisasi perpustakaan. Sistem informasi

perpustakaan pun berkembang sedemikian pesat

baik yang disediakan secara gratis atau tidak

sampai dengan sistem yang dikembangkan sendiri

oleh perpustakaan. Perpustakaan diberi kebebasan

untuk memilih sistem informasi perpustakaan yang

paling baik dan sesuai dengan kebutuhan

perpustakaan. Pemilihan sistem informasi menjadi

pertaruhan bagi perpustakaan dalam menghadapi

globalisasi informasi dan perkembangan teknologi

informasi. Perpustakaan harus dapat menentukan

sistem informasi yang mampu terimplementasi

dengan baik dan mampu diterima penggunanya.

Dalam perpustakaan seorang pustakawan

mempunyai kewajiban menenukan nomor

klasifikasi atau nomor panggil buku tersebut ketika

menerima sebuah bahan pustaka atau buku baru.

Karena sering kali buku baru yang masuk tidak

memiliki nomor klasifikasi dan belum

teridentifikasi, maka tugas pustakawan adalah

menentukan nomor klasifikasi atau nomor panggil

buku tersebut. Pada perpustakaan klasifikasi

mempunyai pengertian penyusunan sistematis

terhadap bahan pustaka berdasarkan subyek,

sebagai ciri untuk pemustaka mencari suatu buku

tertentu. Salah satu cara dalam mennentukan


ISSN : 2541-5093


klasifikasi bahan pustaka adalah dengan

menggunakan sistem Dewey Decimal

Classification (DDC). Problem yang sering

ditemukan oleh pustakawan salah satunya adalah

Sulit membedakan klasifikasi buku yang sangat

banyak sekali, maka dari itu pengklasifikasian buku

menggunakan DDC, dan problem nya lainnya yang

sering ditemui oleh pustakawan adalah saat

mencari buku diantara ribuan bahkan jutaan dari

database buku.

Dewey Decimal Classification (DDC) atau

yang biasa disebut Sistem Desimal Dewey,

merupakan suatu aturan pengklasifikasian buku

yang sering di gunakan secara umum di semua

perpustakaan, baik di perpustakaan lokal maupun

internasional. Pemakain sistem klasifikasi ini

bertujuan untuk memudahkan pengorganisasian

serta pencarian bahan pustaka tersebut kedalam

kelompoknya. Didalam DDC dituliskan dalam tiga

digit angka, angka pertama menunjukan kelas

utama, angka kedua menunjukan kelas divisi dan

angka ketiga menunjukan kelas section. Setiap

dokumen yang perpustakaan yang diolah

menggunakan sistem DDC akan dimasukan

kedalam satu kelas yang ada pada sistem DDC.

Hasil observasi yang ada menunjukan

bahwasannya pustakawan dalam proses

pengklasifikasian masih menggunakan. cara

manual yaitu pertama pustakawan menentukan

subyek terdekat bahan pustaka. Kemudian mencari

klasifikasi yang tepat berdasarkan subyek yang

sudah ditentukan sebelumnya secara manual dan

menentukan angka klasifikasi berdasarkan buku

panduan DDC. Tentu saja hal ini kurang efektif dan

efisien, belum lagi pustakawan harus bekerja

dengan menentukan angka klasifikasi bahan

pustaka dan menginputkan angka klasifikasi

kedalam sistem yang ada.

Metode text mining merupakan

pengembangan metode data mining yang dapat

diterapkan untuk mengatasi masalah tersebut.

Algoritma dalam text mining tersebut tercipta

untuk dapat mengenali data yang sifatnya semi

terstruktur seperti judul buku, subjek buku serta

modul dewey decimal classification. Oleh karena

itu pada penelitian kali ini akan dikembangkan

sebuah solusi baru untuk mengklasifikasikan bahan

pustaka berdasarkan DDC secara otomatis

menggunakan teknik text mining.

Salah satu solusi dalam pencarian buku

tersebut digunakanlah metode dalam proses

klasifikasi pada text mining yakni Algotitma K-

Nearest Neighborhood (KNN) yang merupakan

pendekatan untuk mencari kasus dengan

menghitung kedekatan antara kasus baru dengan

kasus lama, yaitu berdasarkan pada pencocokan

bobot dari sejumlah fitur yang ada.

Sebagai sistem pendukung keputusan yang

banyak peneliti pakai. Hal ini digunakan untuk

memberikan alternattip rekomendasi berdasarkan

kedekatan untuk membantu dalam pengambilan

keputusan/kebijakan terhadap data yang diolah

berdasarkan data data latih / data buku sebelumnya

sehingga masalah yang ada dapat diselesaikan

dengan bijak. Pada intinya metode KNN untuk

mengklasifikasikan objek baru terhadap atribut dan

data latih yang pendekatannya untuk mencari kasus

dengan menghitung nilai kedekatan antara kasus

baru atau data yang akan diuji dengan kasus lama

atau data yang sudah ada, dengan mencocokkan

nilai bobot dari sejumlah fitur yang ada.

Maka dari itu metode K-Nearest

Neighborhood (KNN) lebih cocok di pakai untuk

pembuatan aplikasi perpustakaan karena

menggunakan klasifikasi Dewey Decimal

Classification (DDC) dan untuk optimasi pencarian

agar lebih tepat dan akurat disaran kan

menggunakan metode KNN ini. Oleh karena itu

pada penelitian kali ini dipilih metode K-Nearest

Neighborhood (KNN) dengan alasan lebih

sederhana tetapi memiliki tingkat akurasi yang

tinggi dan tingginya kecepatan dalam proses

pelatihan dan klasifikasi. Dengan demikian dapat

disimpulkan bahwasannya pengklasifikasian

menggunakan metode KNN ini memberikan hasil

yang cukup akurat dengan presentasi keberhasilan

sebesar 71,58 % sampai dengan 83,2 %.

II. METODOLOGI PENELITIAN

Metode penelitian digunakan untuk dapat

membantu menyelesaikan permasalahan sehingga

hasil yang didapat lebih sistematis dan terarah.

a. Tahap Pengumpulan Data

Pengumpulan data dilakukan dengan cara

mengambil data secara langsung dengan instansi

terkait sebagai pendukung utama dalam analisis dan

perancangan sistem yang akan dibuat.

b. Tahap Data Pre Processing

Dalam tahapan ini akan dilakukan

transformasi data mentah kedalam format yang

sesuai dengan analisis dan perancangan yang dibuat.

terdapat beberapa aktifitas seperti data integration

dan data cleaning dan terdiri dari proses seleksi

fitur, reduksi dimensionalitas, normalisasi dan

subsetting data.

c. Tahap Pengolahan Data


ISSN : 2541-5093


Tahapan pengolahan data dengan proses

data mining yang bertujuan untuk menentukan pola

atau informasi penting didalam sekumpulan data.

Metode yang digunakan dalam pengolahan data ini

adalah K-Nearest Neighborhood (KNN) yang

melakukan pengklasifikasian berdasarkan Dewey

Decimal Classification (DDC).

d. Tahap Data Post Processing

Pada tahap ini akan dilakukan data post

processing yang terdiri dari proses interpretasi,

visualisasi, dan evaluasi terhadap pola atau

informasi yang terlah dihasilkan dari tahap

pengolahan data. Data post processing bertujuan

untuk menjamin bahwasanya hasil yang didapat dari

proses data mining telah diintegrasikan pada sistem

penunjang keputusan dengan hasil yang benar benar

valid.

e. Tahap Analisis Hasil

Pada tahapan ini akan dilakukan analisis

terhadap pengolahan data yang telah dilakukan

dalam kebutuhan sistem penelitian yang dibuat

berdasarkan tahapan pengumpulan data, data pre

processing, pengolahan data, dan data post

processing. Maka akan didapat hasil dari proses

analisis dan perancangan pengklasifikasian pada

metode K-Nearest Neighborhood (KNN).

III. LANDASAN TEORI

A. Perpustakaan

Perpustakaan adalah tempat untuk

mengembangkan informasi dan pengetahuan yang

dikelola oleh suatu lembaga pendidikan, sekaligus

sebagai sarana edukatif untuk membantu

memperlancar cakrawala pendidik dan peserta

didik dalam kegiatan belajar mengajar.

B. Data Mining

Data mining adalah proses menemukan

sesuatu yang bermakna dari suatu korelasi baru,

pola dan tren yang ada dengan cara memilah-milah

data berukuran besar yang disimpan dalam

repositori, menggunakan teknologi pengenalan pola

serta teknik matematika dan statistik.

C. Text Mining

Menurut Milkha Harlian Ch, (2006) text

mining merupakan menambang data yang berupa

teks dimana sumber data biasanya didapatkan dari

dokumen dan tujuannya adalah mencari kata-kata

yang dapat mewakili isi dari dokumen sehingga

dapat dilakukan analisa keterhubungan antar

dokumen.

Gambar 1 Tahapan Text Mining

1. Tahap case folding adalah merubah

huruf kapital menjadi huruf kecil.

2. Tahap Tokenizing adalah tahap

pemotongan string input berdasarkan

tiap kata yang menyusunnya.

3. Tahap filtering adalah tahap mengambil

kata-kata penting dari hasil token.

Algoritma yang digunakan adalah

algoritma stoplist (membuang kata

yang kurang penting) atau wordlist

(menyimpan kata penting).

4. Tahap matching, adalah proses

pencocokan kata hasil dari filtering

dengan data yang ada pada modul

DDC.

5. Tahap analizing merupakan tahap

penentuan seberapa jauh keterhubungan

antara kata-kata antar dokumen yang

ada. Tahap ini menggunakan algoritma

frekuensi term (TF), invers document

frequency (IDF) dan kombinasi

perkalian antara keduanya (TFxIDF).

D. K-NEAREST NEIGHBORHOOD

(KNN)

Algoritma k-nearest neighbor (KNN)

adalah sebuah metode untuk melakukan

klasifikasi terhadap objek berdasarkan data

pembelajaran yang jaraknya paling dekat dengan

objek tersebut. KNN termasuk algoritma

supervised learning dimana hasil dari query

instance yang baru diklasifikan berdasarkan

mayoritas dari kategori pada KNN. Nanti kelas

yang paling banyak muncul yang akan menjadi

kelas hasil klasifikasi.

Gambar 2 K Nearest Neighborhood

https://en.wikipedia.org/wiki/File:KnnClassification.svg


ISSN : 2541-5093


Tujuan dari algoritma ini adalah

mengklasifikasikan obyek baru bedasarkan atribut

dan training sample. Classifier tidak

menggunakan model apapun untuk dicocokkan dan

hanya berdasarkan pada memori. Diberikan titik

query, akan ditemukan sejumlah k obyek atau (titik

training) yang paling dekat dengan titik query.

Klasifikasi menggunakan voting terbanyak diantara

klasifikasi dari k obyek.. algoritma k-nearest

neighbor (KNN) menggunakan klasifikasi

ketetanggaan sebagai nilai prediksi dari query

instanceyang baru.

Gambar 3 Flowchart KNN

E. Dewey Decimal Classification (DDC)

Sistem pengelompokkan buku paling

umum di pakai di setiap perpustakaan yaitu sistem

klasifikasi DDC. Sistem pengelompokkan Dewey

Decimal Classification atau biasa disingkat DDC

merupakan sebuah sistem yang paling banyak

digunakan di perpustakaan di seluruh dunia.

Penciptanya adalah Melvil Dewey atau nama

lengkapnya adalah Melvil Louis Kassuth Dewey

(1851-1931). Keunggulan DDC ini karena sistem

ini direvisi secara terus-menerus sesuai dengan

perkembangan ilmu. Hal ini menyebabkan sistem

ini selalu dalam keadaan up to date sehinga subjek-

subjek baru terakomodasi dengan lengkap.

Kemutakhiran isi DDC bisa terjaga karena sistem

ini mempunyai lembaga khusus yang mengawasi

dan mendukung penerbitannya adalah Forest Press.

Kedua badan tersebut memeriksa usulan revisis dan

mengajukan saran perbaikan kepada Forest Press.

Terbagi menjadi 10 kelas utama dengan

masing masing kelasnya terdapat anak kelas dari

kelas utama, berikut 10 kelas utama dari DDC :

000 Karya Umum

100 Filsafat

200 Agama

300 Ilmu Sosial

400 Bahasa

500 Ilmu Pengetahuan Murni

600 Ilmu Pengetahuan Terapan

700 Kesenian dan Olah Raga

800 Kesusastraan

900 Sejarah, Geografi

IV. ANALISIS SISTEM

Analisis sistem yang sedang berjalan

Perpustakaan masih menerapkan sistem

pengklasifikasian buku secara manual membuat

proses pengklasifikasian buku tidak efektif dan

tidak efisien bagi seorang pustakawan

1) Data buku yang terdapat pada perpuatakaan

dispusibda jabar bersumber dari internal dan

eksternal. Internal itu diperoleh dari

pembelian buku yang dilakukan oleh

dispusibda, dan untuk ekternal buku tersebut

berasal dari pemberian atau sumbangsih

penerbit ataupun penulis yang bersangkutan.

2) Buku yang masuk tersebut didata oleh

pustakawan, dari mulai judul buku sampai

dengan subjek buku yang kemudian disimpan

pada dokumen data buku yang tersedia.

3) Setelah didata buku tersebut telah siap untuk

diklasifikasi dengan modul Dewey Decimal

Classification (DDC). Diberi nomor buku

sesuai dengan kelasnya masing masing. Yang

manual dilakukan oleh seorang pustakawan

4) Proses selanjutnya buku dikelompokan sesuai

dengan jenis serta kesamaan nomor nya dan

di catat pada dokumen klasifikasi buku.

5) Laporan semua hasil rekap diberikan kepada

manajer. Setelahnya pustakawan akan

membuat bahwa proses tersebut telah

disetujui oleh manajer dengan membuat tanda

terima buku. Proses pun selesai dilakukan.

Analisis Metode

A. Text Preprocessing

Tahapan selanjutnya adalah

preprocessing. Langkah langkah yang akan

dilakukan adalah case folding, kemudian akan


ISSN : 2541-5093


dilakukan proses tokenizing, filtering, matching

sampai dengan analyzing.

a. Case folding

Case folding adalah mengubah semua

huruf dalam dokumen menjadi huruf kecil.

Sistem akan menerima huruf “a” sampai dengan

“z”.

b. Tokenizing

Tahap tokenizing adalah tahap

pemotongan string input bedasarkan dari tiap kata

yang menyusun kata tersebut.

c. Filtering

Tahap mengambil kata kata penting dari

hasil token. Algoritma yang digunakan adalah

algoritma stoplist atau artinya membuang kata kata

yang kurang penting atau wordlist yang artinya

menyimpan kata penting.

d. Matching

Proses mining yang digunakan sebagai

mekanisme dalam pengambilan data dengan

mengasumsikan bahwasannya terdapat tingkat

variabel prediktor yang ideal yang mana hal ini

harus dipenuhi oleh subjek yang diteliti. Dalam hal

ini yang dicocokan pada proses matching ialah

pencocokan kata hasil kategorisasi dengan master

DDC.

e. Analyzing

Tahap penentuan seberapa jauh

keterhubungan antara kata kata antara dokumen

yang ada. Perhitungan pada tahapan ini

menggunakan term, dan term yang digunakan

adalah Term Frequency (TF), Invert Document

Frequency (IDF) dan kombinasi perkalian antara

keduanya (TFxIDF).

Gambar 4 Text Processing

B. Global Block Diagram

Setiap data tentunya harus terlebih dahulu

di proses sedemikianrupa sehingga dapat

menghasilkan data yang nantinya dapat digunakan

dalam proses mining. Sama hal nya dengan sistem

yang nantinya akan dibangun dan dijalankan pada

perusahaan, tahapan tahapan tersebut dibagi

kedalam 3 bagian yaitu input atau masukan, lalu

ada proses dari pada data tersebut diolah dan

menghasilkan output yang nantinya merupakan

hasil dari pada keseluruhan proses yang telah

diolah dan dilakukan pemrosesan data.

Gambar 5 Global Block Diagram

C. INPUT Block Diagram

Pada Input Block Diagram dijelaskan,

bahwa input berasal dari data buku, data subjek dan

data DDC yang mana akan langsung diteruskan

pada proses data preprocessing yang didalamnya

terdapat case folding dan tokenizing. Case folding

yakni merubah huruf besar menjadi huruf kecil.

Dan tokenizing ial lah memotong kata penyusun

dari judul buku yang ada. Setelah proses tersebut

selesai dilakukan, barulah muncul data

preprocessing yang nantinya akan diproses pada

tahapan berikutnya.


ISSN : 2541-5093


Gambar 6 Input Block Diagram

D. PROCESS Block Diagram

Pada proses yang terlihat pada gambar

block diagram proses, bahwasannya daa buku dan

data subjek dijadikan sebagai masukan data dari

luar menuju kedalam sistem. Yang mana halnya

dalam proses ini, data akan langsung diproses

dengan DDC, yang didalamnya terdapat masing

masing proses yang berguna untuk mengolah data

setelahnya data akan disimpan pada temporary

database sementata pada masing masing database

berdasarkan proses nya. Setelah proses DDC

selesai dilanjutkan pada proses KNN, yang

bertujuan untuk mencari nilai kemiripan yang

melandasi nomor kedekatan klasifikasi buku.

Gambar 7 Process Block Diagram

E. OUTPUT Block Diagram

Gambar 8 Output Block Diagram

Pada tahapan output KNN berperan

penting sebagai algoritma yang merupakan metode

yang dipakai untuk menentukan nomor klasifikasi

buku. Buku masukan di tes serta diuji pada KNN

setelah itu dilanjutkan pada tahapan hasil

klasifikasi DDC KNN, yang mana pada tahapan ini

klasifikasi buku pada proses sebelumnya serta

temporary data pula turut menjadi data yang

menjadi masukan untuk pengimpelentasian nomor

klasifikasi DDC dan mencari kedekatan dengan

algoritma KNN dan hasilnya selanjutnya akan

menjadi strategi penyimpanan buku pada rak rak

buku berdasarkan ketentuan yang berlaku.

Algoritma KNN

Dalam proses pengkalsifikasian buku pada

aplikasi yang dibangun sudah pasti melibatkan

perhitungan algoritma KNN didalamnya, adapun

tahapannya sebagai berikut :

1. Menghitung Text Mining

Pada setiap klasifikasi DDC persentasi

setiap judul buku dengan menggunakan term

frequency (tf) berdasarkan dari isi dokumen 1 (D1)

sampai dengan dokumen berikutna (Dn). Seperti

terlihat pada gambar berikut :

Gambar 9 Dokumen yang terlibat

Untuk menentukan kesamaan kata pada

setiap klasifikasi DDC subjek presentase terbesar

tiap judul buku,


ISSN : 2541-5093


Gambar 10 Perhitungan Text Mining

2. Menghitung TF-IDF

Berfungsi untuk menentukan DDC yang

mempunyai persentase diatas nol persen atau nol.

Dapat terlihat pada gambar dibawah bahwasannya

dokumen yang memiliki angka akan dihitung

menggunaan rumus :.

Gambar 11 Perhitungan TF-IDF

3. Perkalian Skalar

Pada bagian ini dihitung Perkalian skalar

(antara dokumen sebanyak Dn dengan dokumen

lainnya) dan Panjang Vektor. Berfungsi sebagai

pengujian untuk memperkuat data uji dari dokumen

judul buku.

Gambar 12 Perhitungan Perkalian Skalar

4. Cosine Similarity

Pada bagian ini dihitung cosine similarity

yang merupakan hasil nilai kedekatan dari KNN

serta pada hal ini dokumen yang terlibat adalah D1

sampai dengan Dn

Gambar 13 Perhitungan Cosine

Similarity

5. Kesimpulan

Nomor DDC akan direpresentasikan

bersama judul buku lengkap dengan persentase

nya.

Gambar 14 Kesimpulan

Dan ini adalah nilai KNN dengan 3

kedekatan nomor klasifikasi

Gambar 14 Nilai K = 3

Jadi pengujian klasifikasi untuk nilai DDC

nya lebih dari 0 itulah yang menjadi acuan nomor

klasifikasi buku dengan metode DDC dan mencari

nilai kedekatan dengan KNN

V. PERANCANGAN SISTEM

A. Data Flow Diagram

Berikut rancangan DFD yang berjalan

pada sistem yang dibangun :

Gambar 15 Data Flow Diagram

Level 1

Proses menginputkan data buku sampai

dengan proses penampilan nomor yang telah di

klasifikasi oleh sistem, yang secara keseluruhan

mencakup data buku, data subjek, data DDC, data

pengujian dan data hasil klasifikasinya.

B. Entity Relationship Diagram

Diagram kelas tahap analisis merupakan

diagram untuk membantu dalam menggambarkan

struktur kelas-kelas pada sistem yang akan dibuat.

Setiap tahapan yang ada di scenario use case akan


ISSN : 2541-5093


digambarkan pada diagram kelas tahap analisis

sehingga penggambaran sistem dibuat akan lebih

jelas. Berikut ini adalah gambar diagram kelas

tahap analisis :

Gambar 16 Entity Relationship Diagram

Maksud dari gambar 16 adalah BUKU

memiliki kode_buku, sebagai primary key

untuk menginputkan data buku. MST_SUBJEK

memiiliki primary key id yang mewakili atribut

yang ada pada entitas mst_Subjek. Lalu Entitas

MST_DDC memiliki primary key kode_ddc

yang menerangkan kode yang ada pada modul

DDC. Berikutnya Entitas TEMP_DDC

mempunyai id_buku sebagai primary key

sebagai tempat sementara ketika

pengklasifikasian buku diproses. Hal serupa

pula terjadi pada entitas TEMP_KLASIFIKASI

dengan primary key id_buku sebagai identitas

dari entitas yang dipakai untuk tempat

pemrosesan data sementara dan bersifat

temporary / sementara. Terakhir yakni entitas

MST_SUBJEKDDC yang mempunyai primary

key id, entitas ini perannya juga sangat sentral

karena sebagai alternatif penghubung antara

subjek dengan DDC untuk menentukan

pengklasifikasian buku.

A. Flowchart Hasil Klasifikasi

Flowchart adalah Bagan-bagan yang

mempunyai arus yang menggambarkan langkah-

langkah penyelesaian suatu masalah. Flowchart

merupakan cara penyajian dari suatu algoritma.

Gambar 17 Flowchart Hasil Klasifikasi

VI. IMPLEMENTASI SISTEM

A. Tampilan Halaman Home

Inilah tampilan awal dari aplikasi

klasifikasi bahan pustaka yang ada di perpustakaan

provinsi jawa barat

Gambar 18 Antarmuka Halaman Home

B. Tampilan Halaman Buku

Di bawah ini merupakan menu buku yang

didalamnya terdapat data buku, terdapat opsi

menambhakan, merubahs sampai menghapus data

buku.

Gambar 19 Antarmuka Halaman Buku

C. Tampilan Haaman Subjek

Di bawah ini merupakan seluruh data

subjek yang telah dihimpun. Terdapat pula opsi


ISSN : 2541-5093


untuk menambah, mengubah serta menghapus data

subjek.

Gambar 20 Antarmuka Halaman Subjek

D. Tampilan Halaman DDC

Di bawah ini merupakan tampilan modul

DDC yang berjumlah 1000, dimulai dari kelas 000

sampai dengan 999.

Gambar 21 Antarmuka Halaman DDC

E. Tampilan Halaman Hasil Klasifikasi

KNN

Di bawah ini merupakan hasil klasifikasi

dari semua buku yang telah

diklasisfikasi.menggunakan perhitungan KNN

berdasarkan modul DDC.

Gambar 22 Antarmuka Halaman Data Hasil

Klasifikasi

F. Tampilan Halaman Hasil Klasifikasi K

= 3

Di bawah ini merupakan hasil klasifikasi

yang menunjukan 3 nilai kedekatan, persentase

terbesar itulah yang menjadi nomor klasifikasi

buku tersebut.

Gambar 23 Antarmuka Halaman Hasil

Klasifikasi per Buku

B. Pengujian

Pada bagian ini akan menjelaskan mengenai

hasil pengujian dari sistem aplikasi yang buat.

Pengujian yang dilakukan menguji sitem ini adalah

metode pengujian black-box. Black box testing

adalah pengujian yang dilakukan hanya mengamati

hasil eksekusi melalui data uji dan memeriksa

fungsional dari perangkat lunak.

VII. PENUTUP

A. Ksimpulan

Berdasarkan hasil dari pelaksanaan tugas

akhir “Membangun Aplikasi Klasifikasi Bahan

Pustaka Berdasarkan Dewey Decimal

Classification Dengan Metode K Nearest

Neighborhood”, dapat diambil beberapa

kesimpulan, diantaranya :

1. Untuk membuat sistem informasi di

perpustakaan maka disiapkanlah terlebih

dahulu informasi data dari buku sebagai pokok

bahan aplikasinya. Lalu referensi DDC yang

akan dijadikan klasifikasi terhadap penomoran

pada buku serta referensi subjek..untuk

membantu dalam menentukan klasifikasi buku

berdasarkan metode KNN. Maka dapat

dibangun sebuah sistem algoritma

menggunakan metode KNN yang dapat

membantu pustakawan untuk menggunakan

sebuah sistem tersebut sehingga dapat

membantu mempermudah bagi pustakawan

dalam menentukan proses penentuan

klasifikasi masing masing buku berdasarkan

nama judul dan jenis subjeknya sehingga

mempermudah dalam pencatatan dan

pengelolaan buku.

2. Dari hasil penelitian klasifikasi bahan pustaka

berdasarkan DDC dengan menggunakan

metode KNN dapat disimpulkan bahwa

metode KNN dapat digunakan untuk

klasifikasi bahan pustaka berdasarkan DDC,

karena mempunyai akurasi kecocokan kelas

sebenarnya dengan kelas prediksi KNN yang

cukup tinggi terhadap akurasinya. Aplikasi

dapat menentukan masing maisng buku


ISSN : 2541-5093


klasitikasinya dari DDC dengan cara

mengkelompikkan judul buku dan subjek

dengan cara memilah milah kata kata pada

judul buku berdasarkan kelompok wilayah,

kesusteraan, bentuk bahasa, ras, etnik, budaya,

bahasa, standar. Yang nantinya akan

menghasilkan presentasi kedekatan. Hasil

klasifikasi berdasarkan KNN tersebut akan

memberikan output jika sesuai syarat

algoritmanya yaitu harus ada data buku, subjek

serta referensi DDC.

3. Pengukuran akurasi dilakukan dengan cara

klasifikasi berdasarkan judul buku dan subjek.

Dan harus terdapat data latih yang ada pada

data buku. Jika tidak ada maka akan terbantu

dengan referenai beberapa DDC dari subjek

yang telah ditentukan.

B. Saran

Penulis menyadari bahwa tugas akhir yang

dibuat ini belumlah sempurna, sehingga perlu

adanya peneyempurnaan secara berlanjut sesuai

kebutuhan. Oleh karenanya maka penulis

menyarankan beberapa saran agar penelitian ini

dapat disempurnakan :

1. untuk tahap penyempurnaan dan

pengembangan berikutnya buku dapat

dilengkapi dengan pengarang, penerbit,

tahun tetbit serta posisi rak dimana dia

disimpan. Sehingga memudahkan dalam

mencari buku.

2. pada sistem yang ada pula dapat untuk

menambahkan fitur hak akses pengguna

dan model aplikasi berbasis mobile

android yang dapat diakses menggunakan

device smartphone sehingga dapat diakses

dimana dan kapanpun secara online.

VIII. DAFTAR PUSTAKA

[1]. Milkha Harlian Ch, Text

Mining,2006.http://kesehatankerja.depkes.

go.id/downloads/

[2]. Kusrini, Emha Taufiq Luthfi,

“Algoritma Data Mining” Yogyakarta:

Andi, 2009

[3]. Kusrini, Emha Taufiq Luthfi. 2009.

Algoritma Data Mining. Yogyakarta: Andi

[4]. Tawa P. Hamakonda, Mls & J. N. B

Tairas, “Pengantar Klasifikasi

Persepuluhan Dewey”, Cetakan ke -18,

Jakarta, 2008

[5]. Zhou Yong, “An Improved K-NN Text

Classification Algorithm Based on

Clustering” 2009

[6]. Heri Kurniawan, Rizal Fathoni Aji.

2006.Otomatisasi Pengelompokkan

Koleksli Perpustakaan Dengan

Pengukuran Cosine imilarity Dan

Euclidean Distance, [Online]

Journal.uii.ac.id/index.php/Snati/article/vi

ew/15 99/1374. [diunduh: anggal 15

januar 2018]


ISSN : 2541-5093


PENENTUAN JENIS DAUN KOPI DENGAN PENERAPAN

ALGORITMA NEURAL NETWORK BACK PROPAGATION

Suhendri

Program Studi Teknik Informatika STMIK ”AMIKBANDUNG”

Jln. Jakarta No. 28 Bandung 40272 INDONESIA

[email protected]

Abstrak. Membedakan jenis daun dari jenis

pohon satu spesies kopi sangat sulit dibedakan

secara fisik. Kopi memiliki beberapa jenis seperti

robusta, arabika, brazil dan lain-lain, dimana

hampir semua jenis memiliki kesamaan bentuk

fisik daun. Pada usia tertentu jenis kopi tersebut

sulit dibedakan, karena secara fisik semua jenis

pohon kopi hampir sama baik dari tinggi pohon,

warna maupun bentuk daunnya. Menentukan jenis

daun kopi ini sangat penting terutama pada masa

tanam, sehingga bila tanaman kopi tercampur

jenisnya akan mempengaruhi kualitas rasa kopi.

Jika dalam populasi Robusta terdapat jenis Arabika

maka hal ini tidak masalah karena citarasa Robusta

akan terbawa baik. Tetapi jika dalam populasi

Arabika terdapat jenis Robusta maka akan

menurunkan kualitas kopi Arabika tersebut.

Melalui pengolahan data digital citra daun

kopi, diperoleh dataset yang terdiri dari atribut-

atribut GLCM (Gray Level Co-Occurence Matrix),

yang selanjutnya diolah dengan menerapkan

Algoritma Backpropagation Neural Network

(BPNN) berhasil mengklasifikasi jenis daun kopi

dengan akurasi sebesar 77,78%, dengan Naïve

Bayes sebesar 61,11%, dan dengan Decision Tree

71,11%. Data ini membuktikan bahwa Algoritma

Neural Network dapat mengklasifikasi jenis daun

kopi dengan baik jika dibandingkan dengan kedua

algoritma pengklasifikasi lainnya.

Keyword: Daun kopi, Neural Network

Backpropagation, image processing

I. Pendahuluan

Secara umum benda mudah dikenali

melalui warna. Namun ada juga benda yang susah

dikenali karena dari warnanya yang tumpang

tindih[1], atau justru memiliki warna yang mirip

dengan benda yang lainnya, sehingga sulit

dibedakan. Atribut yang paling sederhana untuk

membedakan benda adalah bentuk dan ukuran

benda. Namun jika memiliki kesamaan ukuran dan

bentuk yang mirip maka digunakan atribut lain

untuk membedakannya seperti warna, kecerahan

dan lain-lain.

Kopi memiliki jenis yang berbeda-beda.

Dari semua jenis kopi tersebut yang paling tumbuh

subur di Indonesia adalah Robusta. Namun citarasa

dari jenis kopi ini masih kalah oleh jenis kopi

Arabika, sehingga Arabika di pasar kopi dunia

masih tetap paling banyak diminatioleh masyarakat

internasional (International Coffee Organization).

Sebagian besar karya-karya tersebut menggunakan

teknik pengenalan bentuk untuk model dan

mewakili bentuk kontur daun, namun selain itu,

warna dan tekstur daun juga telah dipertimbangkan

untuk meningkatkan akurasi[2].

Jenis kopi yang digunakan sebagai sampel

penelitian ini adalah dari jenis kopi Arabika, Brazil

dan Dwarf (jenis kopi hasil perkawinan silang

antara keduanya). Ketiga jenis kopi ini memiliki

rata-rata ukuran daun yang sama dan bentuk mirip

pula. Sehingga secara fisik sulit dibedakan. Dalam

pemilahan benih tanaman kopi di usia tanam muda

ini sangat diperlukan cara komputerisasi untuk

mengklasifikasikan sesuai jenisnya. Ketiga jenis

kopi ini baru bisa dibedakan ketika sudah berbuah,

karena ketiga jenis kopi ini memiliki bentuk dan

warna buah yang berbeda.

Berdasarkan penelitian sebelumnya, dalam

pengklasifikasian yang telah dilakukan hanya

menggunakan empat fitur (Contras, Energy,

Homogenity dan Entrophy). Dalan penelitian ini

ditambahkan fitur-fitur yang ada dalam proses

prepocessing menjadi delapan fitur yaitu

Correlation, Cluster Prominence, Entropy,

Homogeneity, Sum Average, Contrast dan Varian)

diharapkan hasil pengklasifikasian lebih akurat.

Dalam penulisan ini disusun dengan

Sistematika Penulisan sebagai berikut: Bagian

Pendahuluan, memaparkan tentang latar belakang

penelitian, mengidentifikasi permasalahan,

merumuskan permasalahan dan menentukan

metode pemecahan masalah yang akan digunakan.

Bagian kedua yaitu Landasan Teori, mencari

referensi penelitian sejenis, formula-formula serta

teori-teori yang mendukung. Bagian ketiga adalah


ISSN : 2541-5093


Metode yang Diusulkan dan bagaimana tahapan-

tahapan penelitian yang dilakukan. Bagian keempat

adalah Pengujian, dataset yang sudah didapatkan

dari tahapan prepocessing diuji dan selanjutnya

akan didapatkan hasil akurasi. Bagian kelima,

Kesimpulan yaitu berisi tentang hasil yang

didapatkan berupa nilai akurasi dari

pengklasifikasikasian.

II. Penelitian Terkait

Untuk kebutuhan penelitian ini penulis

mengumpulkan beberapa referensi untuk dijadikan

acuan penelitian yaitu dari para peneliti

sebelumnya. Dewasa ini telah banyak

dikembangkan berbagai metode dalam pengenalan

bentuk image, klasifikasi image dengan

pemanfaatan Algoritma Neural Network seperti

yang dilakukan oleh Andi Wahju Rahardjo

Emanuel dan Arie Hartono, dengan mengambil

judul “Pengembangan Aplikasi Pengenalan

Karakter Alfanumerik dengan Menggunakan

Algoritma Neural Network Three-Layer

Backpropagation”. Beliau menyimpulkan hasil

penelitiannya adalah bahwa semakin tinggi jumlah

layer yang dipakai akan semakin meningkatkan

akurasi pengenalan karakter alfanumerik yang

diinginkan[3]. Ini berarti bahwa semakin banyak

melakukan percobaan maka kemungkinan akan

didapatkan hasil yang semakin baik.

Ranjan Parekh dan Jyotismita Chaki

dalam penelitiannya, ”Plant Leaf Recognition

using Shape based Features and Neural Network

classifiers”, dengan algoritma yang sama berhasil

mengklasifikasi jenis daun. Data yang digunakan

sebanyak 180 image, dan menghasilkan akurasi

diatas 90%[4]. Ini menunjukkan bahwa algoritma

yang dipakai adalah sesuai dengan objek penelitian.

III. Metode Yang Diusulkan

Metode yang diusulkan dalam penelitian ini

adalah algoritma Neural Network Back

Propagation dengan skema yang diusulkan

sebagaimana terlihat pada gambar 1 sebagai

berikut:

Daun kopi yang digunakan sebagai sampel adalah

dari tiga jenis daun kopi yaitu daun kopi Arabika,

Brazil dan Dawrf/ Kate, yang masing-masing

berjumlah 30 buah daun atau berjumlah

keseluruhan 90 sampel daun kopi. Jenis Robusta

tidak disertakan dalam pengujian, karena daun kopi

ini jenis secara fisik sudah bisa dibedakan. Untuk

lebih jelasnya keempat jenis daun kopi bisa dilihat

seperti di bawah berikut ini:

(a)

(b)

(c) (d)

(a) daun Arabika; (b) daun Brazil; (c) daun

Kate; (d) daun Robusta

Pada gambar di atas, dengan ukuran latar/

background yang sama jelas sekali daun Robusta

lebih besar ukurannya dan cenderung bulat

dibanding ketiga jenis yang lainnya juga lebih

cerah warna hijaunya sehingga cirri-ciri tersebut

sudah sangat cukup untuk membedakannya.

Sedangkan ketiga jenis daun yang lainnya secara

fisik belum bisa dibedakan.

Gambar 1. Usulan Metode Penelitian

Gambar 2. Daun Kopi


ISSN : 2541-5093


Gambar 3. Teknik Pengambilan sampel Citra

Daun

Pada kegiatan pengumpulan data,

pengambilan citra daun kopi menggunakan kamera

digital, Fuji FinePix S2980 12MP Digital Camera

with 18x Optical Dual Image Stabilized Zoom.

Jarak kamera dengan objek daun 30cm,

pengambilan citra secar vertikal. Setting kamera

diset default, tanpa zoom, tanpa blitz. Untuk

mengurangi goncangan kamera diikatkan pada

tiang penyangga (kayu) berbentuk meja. Alas

background Gambar berukuran 35 x 25 cm.

Pengambilan gambar dari arah atas agar semua

sampel mendapatkan perlakuan pencahayaan yang

relatif sama.

I.1 Pre Processing

Secara umum pengolahan image

processing pada Neural Network terdiri dari dua

kategori yaitu rekontruksi citra dan restorasi

citra[7]. Citra tidak bisa dijadikan langsung sebagai

data untuk algoritma Neural Network

Backpropagation walaupun pada Matlab sebuah

image bisa langsung dibaca menjadi sebuah

matriks. Hal ini disebabkan karena nilai-nilai

matriks tersebut masih bergabung dengan image

backround yang tidak kita perlukan dalam proses.

Gambar yang masih tercampur atau kurang jelas

objeknya adalah objek tidak baik. Dengan

demikian latar dan objek harus bisa dipisahkan,

karena bila masih tercampur akan berpengaruh

pada hasil yang tidak diinginkan[3].

I.2 Menghapus Background Gambar

Pengolahan data imagepre processing

semua dilakukan melalui coding program termasuk

menghilangkan warna background, tidak

‘menyentuh’ langsung dengan cara edit manual.

Agar background terhapus semua maka harus

diketahui terlebih dahulu nilai RGB kelompok

warna yang membedakan antara background

dengan objek.

I.3 Features Extraction

Tahapan ini adalah tahap menganalisis

tekstur daun dengan metode GLCM. Ada sebanyak

23 feature yang yang terdapat pada metode GLCM

ini yaitu: Autocorelation, Contrast, Corelation

Matlab, Corelation, Cluster Prominence,

Disimiality, Cluster Shade, Energy, Homogenity,

Maximum Probability, Sum of Squares, Sum

Average, Sum Enthropy, Difference variance,

Difference Enthropy, Information Measure of

Coorelation 1, Information Measure of Coorelation

2, Inverse Difference is homon,Inverse Difference

Normalized dan Inverse Difference Moment

Normalization. Dalam penelitian kali ini dipakai

delapan fitur.

I.3.1 1.CORRELATION. DALAM GLCM

SEBUAH MATRIKS MERUPAKAN

NOMOR DARI KOLOM DAN BARIS

YANG MENGGAMBARKAN

KEDALAMAN NILAI G

(GRAYSCALE) DALAM SEBUAH

CITRA[13]. BERIKUT ADALAH

ATRIBUT UNTUK MEMPEROLEH

NILAI FITUR-FITUR DALAM

PROSES IMAGE PROCESSING[17].

I.3.2 2.CLUSTER PROMINENCE, ADALAH

UNTUK MENCARI CLUSTER-

CLUSTER YANG UNGGUL,

DENGAN RUMUS:

I.3.3 3. CLUSTER SHADE, YAITU UNTUK

MELINDUNGI CLUSTER-CLUSTER

DALAM IMAGE DENGAN RUMUS

PERHITUNGAN:

I.3.4 4. ENTROPY, MENYATAKAN

UKURAN KETIDAK-TERATURAN

ARAS KEABUAN DIDALAM CITRA.

NILAINYA TINGGI JIKA ELEMEN-

ELEMEN GLCM MEMPUNYAI

NILAI YANG RELATIF SAMA, DAN

NILAINYA RENDAH JIKA

ELEMEN-ELEMEN GLCM DEKAT

DENGAN NILAI 0 ATAU 1. RUMUS

UNTUK MENGHITUNG ENTROPI:

I.3.5 5. HOMOGENEITY, YAITU

MERUPAKAN UKURAN

HOMOGENITAS/KESAMAAN

CITRA DIHITUNG DENGAN

RUMUS:


ISSN : 2541-5093


I.3.6 6. SUM AVERAGE, UNTUK

MENJUMLAHKAN NILAI RATA-

RATA DALAM CITRA, DENGAN

RUMUS:

I.3.7 7. CONTRAST, MERUPAKAN

UKURAN KEBERADAAN VARIASI

ARAS KEABUAN PIKSEL CITRA

DIHITUNG DENGAN RUMUS:

I.3.8 8.VARIAN, UNTUK

MEMPERLIHATKAN NILAI

PERBEDAAN DALAM CITRA

DENGAN RUMUS:

Segmentasi

Pemrosesan citra digital memerlukan satu

proses pre processing yang selanjutnya akan

digunakan untuk proses yang lain. Proses tersebut

adalah segmentasi yang merupakan langkah

pertama dan menjadi kunci yang penting dalam

suatu pengenalan objek (object recognition). Proses

segmentasi merupakan suatu proses untuk

memisahkan antara satu obyek dengan obyek

lainnya. Dengan proses segmentasi masing-masing

obyek pada citra dapat diambil secara terpisah

sehingga dapat digunakan sebagai masukan proses

yang lain atau proses pembagian citra ke dalam

wilayah (region) yang mempunyai kesamaan fitur

antara lain : tingkat keabuan (grayscale), teksture

(texture), warna (color), gerakan (motion)[15].

Segmentasi wilayah merupakan

pendekatan lanjutan dari deteksi tepi. Dalam

deteksi tepi segmentasi citra dilakukan melalui

identifikasi batas-batas objek (boundaries of

object). Batas merupakan lokasi dimana terjadi

perubahan intensitas. Dalam pendekatan didasarkan

pada wilayah, maka identifikasi dilakukan melalui

wilayah yang terdapat dalam objek tersebut. Salah

satu cara untuk mendefinisikan segmentasi citra

adalah sebagai berikut. Sekumpulan wilayah {

R1,R2,…} merupakan suatu segmentasi citra R ke

dalam n wilayah jika[15] :

Analisis citra digital atau Digital Image

Analys (DIA) dapat direkomendasikan untuk

pembedaan yang lebih rinci[2].

I.4 Klasifikasi

Hasil dari proses ekstraksi berupa nilai

akhir dari sebuah fitur dari tekstur daun. Kemudian

data tersebut diolah lagi untuk ke proses akhir yaitu

klasifikasi. Jenis algoritma klasifikasi yang dipakai

adalah Neural Network Backpropagation.

IV. Pengujian

Pada tahap pengujian terhadap metoda

yang diusulkan dengan dataset fitur-fitur daun kopi

yang sudah dikonversi menjadi file excel. Fitur-

fitur tersebut ada sembilan (Correlation, Cluster

Prominence, Cluster Shade, Entropy, Homogeneity,

Sum Average, Contrast, Varian), dimana setiap

fitur menghasilkan dua buah nilai (x1 dan x2). Data

terdiri dari tiga kelompok jenis daun kopi yaitu

Arabika, Brazil dan Kate/Dawrf, dimana setiap

jenis daun kopi terdapat 30 sampel. Dengan

demikian ukuran matriks yang akan diproses dalam

Neural Network: 9 x 2 x 90 = 1620 dataset.

Gambar 4 Data Retrieve

Pada RapidMiner dataset daun kopi

dihubungkan dengan model Neural Network.

Sebagai Label pada database tersebut atribut Nama

Kopi yang digunakan, karena label harus memiliki

format /type text/ character.


ISSN : 2541-5093


Gambar 5. Improved Neural Net

Dari data 90 image daun menjadi 19

inputan, 13 hidden dan 3 output.

Dengan masing-masing menggunakan 30

buah sampel data daun, hasil perhitungan

menggunakan algoritma Neural Network

menunjukkan bahwa: data jenis kopi Arabika

terdeteksi sebagai jenis Arabika sebanyak 19 data

dan sisanya (11) termasuk jenis Kate, atau data ini

terklasifikasi sebesar 63.33%.

Kopi Brazil terdeteksi dengan baik, semua

data terdefinisi sebagai jenis kopi Brasil (sebanyak

30 data) atau sebesar 100% terklasifikasi dengan

baik. Sedangkan pada jenis Kate, sebanyak 9 data

terdefinisi sebagai kopi Arabika, dan terdefinisi

sebagai Kate sebanyak 21 data atau sebesar 70%

terklasifikasi dengan cukup baik. Secara

keseluruhan didapatkan akurasi sebesar 77,78%.

Dengan cara yang sama, peneliti mencoba

menggunakan algoritma pembanding yaitu Naïve

Bayes dan Decision Tree. Hasilnya adalah sebagai

berikut: dengan algoritma Naive Bayes didapatkan

hasil lebih variatif. Penyebaran data ini justru

menunjukkan ketidak-akuratan data, sulit

terdefinisi, akurasi keseluruhannya hanya sebesar

61,11%

Dengan menggunakan Decision Tree ternyata

akurasinya lebih rendah dibandingkan dengan

kedua algoritma sebelumnya, yaitu hanya 17.78%.

V. Kesimpulan

Setelah dilakukan proses pengklasifikasian

dengan tiga algoritma didapatkan bahwa Jaringan

Syaraf Tiruan (JST) propagasi balik dengan fungsi

aktivasi kontinyu dapat memberikan performansi

yang cukup baik untuk mengklasifikasi jenis kopi

tertentu berdasarkan faktor korelasi.

AlgoritmaBackpropagation Neural Network

mampu mengklasifikasi dengan baik dan

didapatkan akurasi sebesar 77,78%. Sedangkan

klasifikasi dengan Naïve Bayes didapatkan akurasi

sebesar 61,11%, dan dengan Decision Tree

didapatkan akurasi sebesar 71,11%.

VI. REFERENSI

[1] Kendule and Mukane, "Flower

Classification Using Neural Network Based

Image," IOSR Journal of Electronics and

Communication Engineering (IOSR-JECE),

vol. 7, no. 3, 2013.

[2] J. Chaki and R. Parekh, "Plant Leaf

Recognition using Shape based Features

and Neural Network classifiers," (IJACSA)

International Journal of Advanced

Computer Science and Applications, vol. 2,

no. 10, 2011.

[3] A. W. R. Emanuel and A. Hartono,

"Pengembangan Aplikasi Pengenalan

Karakter Alfanumerik dengan

Menggunakan Algoritma Neural Network

Three-Layer Backpropagation," Jurnal

Informatika, vol. 4, no. 1, pp. 49-58, 2008.

[4] Kumar, A. Ehsanirad and Sharath,

"Leaf Recognition for Plant Classification

Using," Oriental Journal of Computer

Science & Technology, vol. 3, no. 1, pp. 31-

36, 2010.

[5] Ahmadia, Zoeja, Ebadia and

Mokhtarzadea, "The Application Of Neural

Networks, Image Processing And Cad-

Based Environments Facilities In Automatic

Road Extraction And Vectorization from

High Resolution Satellite Images," The

International Archives of the

Photogrammetry, Remote Sensing and

Spatial Information Sciences, vol. XXXVII,

2008.

[6] Hermantoro, "Aplikasi Pengolahan

Citra Digital dan Jaringan Syaraf Tiruan

untuk Prediksi Kadar Bahan Organik Dalam

Tanah," 2007.


ISSN : 2541-5093


[7] He, Z. Shi and Lifeng, "Application of

Neural Networks in Medical Image

Processing," Proceedings of the Second

International Symposium on Networking

and Network Security (ISNNS ’10), 2010.

[8] Kadir and Susanto, Teori dan Aplikasi

Pengolahan Citra, Yogyakarta: Andi

Yogyakarta, 2012.

[9] Gadkari and Dhanashree, "Image

Quality Analysis Using GLCM," 2004.

[10] Sarwono, "Pengendalian Penyakit

Karat Daun Hemileia Vastatrix b. Et. Br

pada Tanaman Kopi Arabika dengan Bubur

Bordo Berdasarkan Ambang Kendali,"

2013.

[11] Trisanto and Agus, "Program Jaringan

Syaraf Tiruan Dengan Scilab 5.1".

[12] Mohanaiah, Sathyanarayana and

GuruKumar, "Image Texture Feature

Extraction Using GLCM Approach,"

International Journal of Scientific and

Research Publications, vol. 3, no. 5, 2013.

[13] Pawar, N. Zulpe and Vrushsen,

"GLCM Textural Features for Brain Tumor

Classification," IJCSI International Journal

of Computer Science Issues, vol. 9, no. 3,

2012.

[14] R. Yulianto, "Identifikasi Pengenalan

Bentuk Bangun Datar Dua Dimensi

Menggunakan Neural Network

Backpropagation," Proceeding Thesis

Jurusan Teknik Elektro FTI-ITS , pp. 1-6,

2009.

[15] A. H. Murinto, "Segmentasi Citra

Menggunakan Watershed dan Itensitas

Filtering Sebagai Prepocessing," Seminar

Nasional Informatika, 2009.

[16]

[17]

M. N. A. Khan, Sheraz and Naveed,

"Gender Classification with Decision Tree,"

International Journal of Signal Processing,

Image Processing and Pattern Recognition,

vol. 6, no. 1, 2013.

https://support.echoview.com/WebHel

p/Windows_and_Dialog_Boxes/Dialog_Bo

xes/Variable_properties_dialog_box/Operat

or_pages/GLCM_Texture_Features.htm,

tanggal akses 22/05/2019; pkl.09:21 WIB

https://support.echoview.com/WebHelp/Windows_and_Dialog_Boxes/Dialog_Boxes/Variable_properties_dialog_box/Operator_pages/GLCM_Texture_Features.htm





ISSN : 2541-5093


PERANCANGAN GAME VISUAL NOVEL “THE ADVENTURE OF

KABAYAN” SEBAGAI MEDIA BELAJAR BAHASA INGGRIS UNTUK

TOEFL

Rudi Kurniawan1 , Gyta Nurul Windari2

STMIK ”AMIKBANDUNG”

Jln. Jakarta No. 28 Bandung 40272 INDONESIA 1 [email protected], [email protected]

Media pembelajaran yang disampaikan melalui suatu

permainan diharapkan dapat memberikan dan

meningkatkan wawasan yang baru bagi Pembelajar. Dalam

kasus ini diambil objek pelajaran Bahasa Inggris yang

ditujukan untuk peningkatan TOEFL. Dengan

menitikberatkan struktur Bahasa Inggris, pembangunan

media belajar yang berbentuk game visual novel ini dapat

dijadikan sebagai suatu media bermain sambil belajar.

Dengan mengangkat tokoh lokal daerah Sunda yang

sudah terkenal yaitu Kabayan dimaksudkan untuk

menyampaikan budaya tradisional khususnya Jawa Barat

yang disesuaikan dengan era globalisasi. Metode yang

digunakan untuk pengembangan sistem adalah waterfall

model dengan tahapan meliputi (i) analisis sistem

menggunakan Unified Model Language (UML), (ii)

pembuatan algoritma alur cerita, (iii) pendefinisian

karakter, (iv) perancangan background, (v) penentuan

skenario, dan merancang antarmuka sistem.

Pada tahap pengujian digunakan metode black box

dengan maksud hanya untuk mengobservasi keluaran

eksekusi dari data uji yang ditetapkan dan memeriksa

fungsional pada perangkat lunak berdasarkan skenario

pengujian yang telah ditetapkan dan pada tahap pengujian

beta dilibatkan para pengguna aplikasi sebagai responden

dengan menggunakan kuesioner untuk menilai tingkat

kepuasan terhadap aplikasi game. Hasil dari penelitian ini

adalah terbentuknya aplikasi permainan jenis Visual Novel

yang berunsur edukasi dan dapat memberikan wawasan

Bahasa Inggris terutama struktur dalam TOEFL untuk

Pengguna.

Kata kunci : Visual Novel, Visual Novel Bejalar

TOEFL, Game Pembelajaran Bahasa Inggris, Media

Belajar TOEFL

1. PENDAHULUAN

Game adalah produk teknologi yang

perkembangannya semakin pesat dan disukai oleh

hampir semua kalangan. Diperkirakan game akan terus

diminati selama mengikuti kedinamisan dunia dan

manusianya itu sendiri. Pada saat ini, kehadiran game

dengan jenis-jenisnya telah banyak dimanfaatkan untuk

berbagai kebutuhan[8]. Baik itu sebagai hiburan, pengisi

waktu luang, atau media belajar, termasuk Bahasa

Inggris. Meskipun Bahasa Inggris tergolong bahasa yang

paling sering dipelajari di Indonesia, namun tidak semua

pembelajar berakhir mahir dalam Bahasa Inggris.

Pembelajaran yang dilakukan di kelas selama ini relatif

tidak cukup. Hal tersebut salah satunya karena waktu

belajar yang singkat[10].



ISSN : 2541-5093

Ada berbagai jenis permainan yang mampu

menyisipkan pengetahuan Bahasa Inggris kepada

pemain. Salah satunya adalah visual novel. Jenis

game ini dikategorikan Adventure Game yang mana

fokusnya pada bagian penceritaan dengan

menampilkan visualisasi gambar diam, teks dan

suara. Pemain diarahkan untuk memilih bagian pada

pilihan-pilihan yang disediakan agar dapat

melanjutkan ke jalan cerita berikutnya, pada pilihan

yang diambil oleh pemain akan mempengaruhi alur

cerita yang sedang dimainkan[7]. Jenis permainan

visual novel ini cukup populer dikalangan pengguna

karena keunggulannya dari sisi storytelling dan

diberikan nilai sebagai genre game dengan

storytelling terbaik, seperti yang disampaikan Josiah

Lebowitz dan Chris Clug[1].

Penelitian yang telah dilakukan mengenai

perancangan dan pembangunan permainan visual

novel, mayoritas masih berisi cerita-cerita populer

yang diadaptasi dari cerita atau film tokoh-tokoh

Disney atau cerita fiksi dan klasik populer dunia

lainnya seperti dari buku cerita H.C. Anderson.

Sehingga relatif masih sedikit yang berisikan cerita

mengenai pembelajaran suatu muatan materi dengan

mengangkat kearifan budaya lokal[9]. Metoda dan

teknik penelitian yang digunakan mayoritas dengan

cara menyusun alur cerita secara langsung berupa

flowchart serta perolehan datanya didapat dari hasil

pengamatan langsung melalui kuisioner ataupun

forum grup diskusi dan wawancara terhadap pelaku

industri permainan. Sehingga produk yang dihasilkan

lebih berorientasi terhadap bisnis atau popularitas

game semata. Dan untuk produksi permainan yang

berbentuk media pembelajaran masih dianggap relatif

kurang peminatnya sehingga tidak akan laku

dipasaran[6].

Berdasarkan uraian tersebut maka Penulis

merancang permainan visual novel yang tujuannya

dapat difungsikan sebagai sarana belajar Bahasa

Inggris untuk TOEFL. Pada visual novel ini alur

cerita ditentukan dengan menyediakan pilihan-pilihan

cerita di mana pada setiap cerita yang dipilih telah

disisipkan kalimat-kalimat dalam Bahasa Inggris dan

bentuk kalimat tersebut disesuaikan dengan jalan

cerita yang telah dipilih sebelumnya dengan

mengikuti pola struktur bahasa Inggris baku. Produk

permainan inipun dapat dimanfaatkan sebagai media

hiburan sekaligus pembelajaran oleh masyarakat luas

sehingga diharapkan menjadi pemicu untuk

dikembangkan oleh para pelaku industri permainan

yang ada saat ini.

Penulis membatasi masalah kepada hal-hal: 1)

Permainan ini dimainkan secara offline. 2) Narasi

yang dirancang sebagian besar menggunakan Bahasa

Indonesia. 3) Interaksi dengan pengguna berisi tujuh

akhir cerita. 4) Tokoh utama yaitu Kabayan dengan

menggunakan sudut pandang orang ketiga. 5) Sasaran

pemain adalah para pelajar dan masyarakat umum

yang berminat bermain game sambil belajar bahasa

Inggris terutama TOEFL. 6) Muatan Bahasa Inggris

yang muncul dalam game ini menitikberatkan pada

structure.

Maksud dari penelitian ini yaitu merancang

permainan visual novel yang bergenre petualangan

dengan tokoh budaya lokal Kabayan di mana

tujuannya diharapkan dapat menambah jenis jumlah

permainan berupa media pembelajaran yang tidak

saja menghibur, namun dapat meningkatkan

kemampuan Bahasa Inggris khususnya pada tingkat

pengetahuan struktur dalam Bahasa Inggris.

Secara menyeluruh, makalah ini diorganisasikan

ke dalam enam bagian yaitu bagian 2 akan

menjelaskan mengenai studi literatur yang mendasari

penelitian ini. Bagian 3 membahas metoda dan

arsitektur system yang di usulkan. Bagian 4 berisi

analisa dan pembahasan hasil dari metoda yang

diusulkan. Bagian 5, berisi pengujian dari metoda

yang diusulkan. Bagian 6 menyajikan sebuah

ringkasan dari hasil penelitian.

2. STUDI LITERATUR

Studi literatur yang akan dijelakan meliputi

pengertian visual novel dan visual storytelling. Untuk

memperjelas diberikan pula contoh-contoh tampilan

gambar dari produk visual novel populer. Di bagian

akhir dituliskan aturan-aturan untuk membuat visual

storytelling yang harus diikuti oleh para perancang

alur cerita.

Menurut Josiah Lebowitz dan Chris Klug

(2011:193) visual novel adalah jenis permainan yang

dalam banyak hal mirip dengan membaca buku.

Kisahnya diceritakan melalui sebagian besar teks dan

umumnya ditulis dalam sudut pandang orang

pertama[1]. Tidak seperti e-book, visual novel berisi

latar belakang gambar yang berubah berdasarkan



ISSN : 2541-5093

lokasi saat setiap karakter berbicara. Masing-masing

karakter memiliki pose untuk menunjukan karakter

bereaksi secara tepat dengan situasi. Teks dan visual

dalam visual novel dilengkapi dengan set lengkap

efek suara dan latar belakang musik, bahkan dalam

beberapa game terdapat juga voice acting.

Permainan Visual novel memiliki lebih dari satu

alur cerita. Di mana alur cerita yang akan

ditampilkan tergantung pada pilihan-pilihan yang

ditetapkan oleh pemain. Pada permainan

dimunculkan alur cerita yang berbeda-beda pada saat

pengguna melakukan pilihan menu sesuai

keinginannya. Dari pilihan hal tersebut akan

dihasilkan akhir cerita yang berbeda pula sesuai

pilihan yang telah ditentukan[5].

Contoh tampilan suatu permainan visual novel

ditunjukkan seperti tampak pada gambar 1 berikut.

Gambar 1. Bentuk tampilan dalam Visual Novel

[7]

Seorang master visual storytelling bernama

Eisner (2008:3) memaparkan bahwa semua cerita

memiliki struktur. Cerita memiliki awal, akhir dan

benang cerita yang diletakkan pada kerangka.

Kerangka dalam sebuah cerita akan selalu sama

apapun media penyampaiannya. Namun gaya

bercerita dapat dipengaruhi oleh media[3].

Bentuk cerita dapat diibaratkan sebagai

kendaraan untuk menyampaikan informasi sehingga

mudah diserap. Teknologi sekarang ini telah

memberikan banyak kendaraan transmisi dalam

bercerita. Akan tetapi pada dasarnya hanya ada dua

cara utama yaitu, kata (lisan atau tertulis) dan gambar

atau gabungan dari keduanya. Dalam visual

storytelling gambar digunakan sebagai alat narasi dan

biasanya menggunakan simbol yang membentuk

stereotip. Eisner mendefinisikan stereotip itu sendiri

sebagai suatu ide atau karakter yang dibakukan dalam

bentuk konvensional, tanpa individualitas. Pembaca

akan menerima pesan dari gambar stereotip[4].

Tony Capputo (1996) mendefinisikan visual

storytelling sebagai seni bercerita untuk hiburan,

pendidikan atau komersialisme, melalui penggunaan

citra sekuensial. Visual storytelling juga dapat

dikatakan sebagai informasi yang diproyeksikan ke

dalam bingkai. Salah satu contoh dari visual

storytelling adalah komik yang penceritaannya

menggunakan gambar atau ilustrasi berututan dari

satu panel ke panel lain. Alan Male (2007:10)

berpendapat ilustrasi adalah cara lain untuk memberi

tahu dan mendidik kita, memberikan kita hiburan dan

cerita [5]. Jay Leno (Tony Capputo, 1996: Chapter :

3 memperjelas peran dari ilustrasi itu sendiri adalah

untuk menjelaskan naskah.

Dalam buku visual storytelling, Tony Capputo

(1996: Chapter 10) menjelaskan aturan dalam visual

storytelling, yaitu: 1) Clarity, menciptakan visual

yang mudah dipahami, sehingga isi pesan, emosi

serta tindakan yang sedang terjadi di dalam cerita

dapat ditangkap oleh Pembaca. 2) Realism, rasa nyata

yang diciptakan untuk membuat seorang pengguna

merasakan secara langsung seolah cerita tersebut

terjadi di kehidupan nyata dengan benar. Rasa nyata

dalam visual storytelling dapat dicapai dengan

menambahkan simbol-simbol yang bisa ditemukan

dalam kenyataan. 3) Dynamic, rasa dinamik dicapai

dengan menggunakan efek-efek khusus yang

ditujukan untuk melebih-lebihkan atau menambahkan

penekanan terhadap suatu pesan dengan dramatis dan

unik. Penambahan efek khusus dimaksudkan sebagai

bentuk pelayanan dalam bercerita. 4) Continuity,

penyajian cerita melalui visual setiap adegan harus

ada kesamaan gaya, karakter, dan elemen lainnya

sehingga Pembaca dapat berpikir bahwa setiap

adegan memang merupakan satu kesatuan dalam

cerita. 5) Intuity, pembentukan visual storytelling

tahapannya selalu dimulai dari intuisi atau perasaan

dan representasi perseorangan secara pribadi[4].

3. METODA YANG DIUSULKAN

Metoda yang diusulkan meliputi arsitektur dalam

bentuk use case diagram, perancangan alur cerita,

dan perancangan struktur Bahasa Inggris.

Sedangakan teknik untuk pengumpulan data dalam

penelitian ini terdiri dari Studi Literatur, Observasi,

dan penyebaran kuesioner. Model pengembangan

sistem memakai waterfall model. Untuk proses

perancangan permainan, menggunakan metode user



ISSN : 2541-5093

experience dari David Armano dengan tahapan

proses 1) Uncover, merupakan langkah pencarian

sesuatu yang mendasar dari motivasi dan kepentingan

pengguna. 2) Define, merupakan langkah perumusan

strategi pembentukan pengalaman pengguna. 3)

Ideate, merupakan tahap kolaborasi dan eksplorasi.

4) Build, merupakan tahap mengolah gagasan atau

ide yang telah ada melalui cara yang tepat dan sesuai

dengan tujuan. 5) Design, merupakan proses

finalisasi dan eksekusi.

Use Case Diagram yang terlihat pada Gambar 2

memperlihatkan boundary sistem beserta fungsi-

fungsi utamanya dan untuk menggambarkan fungsi

dari sistem tersebut dari sudut pandang pengguna.

Cara use case bekerja yaitu dengan

mendeskripsikan jenis interaksi antara aktor di

sebuah sistem dengan sistemnya itu sendiri

melalui sebuah proses bagaimana sebuah sistem

dipergunakan. Proses yang dapat dipilih oleh aktor

terdiri dari Start, Load, Preference, About, Help dan

Quit.

Gambar 2. Use case game VN

Yang dimaksudkan dengan alur cerita yaitu

susunan cerita yang terbentuk melalui tahapan-

tahapan peristiwa yang ditentukan sehingga akan

terjalin suatu cerita yang ditampilkan oleh para

subjek atau tokoh yang ada di dalamnya. Adapun alur

cerita dalam Visual Novel The Adventure of Kabayan

yang memiliki 7 (tujuh) akhir cerita seperti terlihat

pada gambar 3. Alur cerita tersebut terdiri dari lima

cerita dan masing-masing cerita terdapat ending

cerita sesuai dari cerita yang sebelumnya telah dipilih

oleh Pengguna.

Gambar 3. Alur Cerita

I.4.1

Perancangan Struktur Bahasa Inggris dalam

perancangan game Visual Novel The Adventure of

Kabayan ini, diterapkan pada sebagian skenario

cerita yang menggunakan Bahasa Inggris dan dititik

beratkan pada struktur. Adapun struktur yang akan

digunakan adalah beberapa tenses yang meliputi

berikut ini. 1) Simple present tense dipakai untuk

mendeklarasikan suatu kebiasaan, fakta, dan kejadian

yang terjadi pada saat sekarang. 2) Present

Continuous Tense digunakan untuk membicarakan

aksi yang sedang berlangsung sekarang. 3) Present

Perfect Tense dipakai untuk menyatakan suatu

kejadian atau aktivitas di masa lampau dan telah

selesai di suatu titik waktu tertentu atau masih

berlanjut sampai sekarang. 4) Present Perfect

Continuous Tense dipakai untuk mengungkapkan

kejadian atau aktivitas yang telah selesai pada suatu

titik tertentu di masa lampau atau aksi yang telah

dimulai di masa lalu dan masih berlanjut hingga

sekarang. Biasanya aksi tersebut memiliki durasi

waktu tertentu dan ada hubungannya dengan masa

sekarang. 5) Simple past tense digunakan untuk

menunjukkan suatu kejadian atau kegiatan yang

terjadi di masa lampau. 6) Past continuous tense

dipakai pada saat menyatakan suatu peristiwa atau

kegiatan yang sedang terjadi di masa lampau. 7)

Simple future tense dipakai untuk menyatakan

kejadian yang akan terjadi di masa depan, baik secara

spontan atau terencana.



ISSN : 2541-5093

4. HASIL DAN PENGUJIAN

Pada bagian ini disampaikan implementasi hasil

perancangan antarmuka, dan pengujian terhadap

produk permainan Visual Novel “The Adventure of

Kabayan”. Implementasi antarmuka yang dibangun

terdiri dari antarmuka halaman utama seperti yang

tampak pada gambar 4, di mana pada antarmuka ini

difungsikan sebagai pembuka permainan dan

informasi awal untuk Penguna. Pada layar ini

ditampilkan bentuk visualisasi dari tokoh-tokoh yang

ada pada cerita dengan menggunakan tokoh lokal

yang digambar mengikuti gaya populer gambar

manga Jepang.

Gambar 4. Antarmuka Halaman Utama

Antarmuka pada gambar 5, merupakan halaman

state awal yang menampilkan pengenalan tokoh-

tokoh yang terlibat dalam permainan. Dengan

demikian melalui tampilan ini Pengguna akan

mengenal dan mengikuti serta memilih alur cerita

dengan baik. Dalam gambar diperlihatkan tokoh

Kabayan yang sedang menyapa Pengguna dengan

memperlihatkan latar belakang di sebuah pantai.

Gambar 5. Antarmuka Halaman Game State

Awal

Pada gambar 6 merupakan implementasi hasil

perancangan antarmuka pilihan state awal dengan

dua pilihan cerita yang berbeda. Pilihan tersebut

berupa menu jalan cerita yang mengikuti tokoh Peter

atau jalan cerita apabila Kabayan kembali ke laut.

Dari dua pilihan cerita ini Pengguna akan

mendapatkan hasil cerita yang berbeda pula.

Gambar 6. Antarmuka Halaman Game Opsi State

Awal

Untuk pengaturan permainan yang terkait dengan

ukuran tampilan gambar, kecepatan tampilan teks,

pengaturan suara diperlihatkan pada menu Preference

seperti terlihat pada gambar 7. Pada menu ini

Pengguna dapat mengatur bentuk tampilan pada layar

apakah berupa window atau secara penuh. Pengaturan

kecepatan kemunculan teks dan waktu dapat diatur

melalui baris Text Speed. Demikian pula keras atau

tidaknya suara dan musik atar dapat diatur melalui

slider pada Music, Sound dan Voice.

Gambar 7. Antarmuka Halaman Preferences

Pengguna baru dapat melihat penjelasan dan

aturan permainan pada antarmuka Help seperti

terlihat pada gambar 8. Penggunaan navigasi akan

membantu Pengguna untuk mengetahui tombol-

tombol yang digunakan untuk mengatur jalannya



ISSN : 2541-5093

cerita. Dengan alat navigasi pintas Pengguna dapat

mendengar cerita dan dialog sebelum atau

sesudahnya.

Gambar 8. Antarmuka Halaman Help

Pengguna dapat menampilkan cerita yang

diinginkan sesuai pilihannya melalui antarmuka Load

seperti terlihat pada gambar 9. Dengan memilih

cerita yang diinginkan maka Pengguna secara bebas

meilih cerita yang menarik. Alur cerita yang

ditampilkan dibuat per halaman, dan setiap halaman

terdiri dari bagian-bagian cerita (chapter).

Gambar 9. Antarmuka Halaman Load

Pada tahap pengujian produk digunakan metode

black box dengan maksud untuk mengamati dan

mengetahui hasil eksekusi terhadap data uji yang

telah ditentukan dan untuk melakukan pemeriksaan

fungsional dari perangkat lunak yang didasarkan

kepada skenario pengujian yang telah disusun seperti

terlihat pada tabel 1. Tahap pengujian berikutnya

dilakukan terhadap engujian beta dengan melibatkan

para pengguna aplikasi game sebanyak 20 (dua

puluh) responden dengan menggunakan media

kuesioner dengan maksud untuk menilai tingkat

kepuasan para pengguna terseut terhadap aplikasi

game yang telah dibangun. Untuk penilaian hasil

pengujian digunakan metode kuantitatif berdasarkan

data dari pengguna dengan menetapkan tujuh kriteria

yaitu 1) Tampilan antarmuka, 2) Pemahanan Menu 3)

Alur cerita dan Karakteristik tokoh 4) Tampilan

visualisasi 5) Peningkatan minat belajar 6)

Penambahan wawasan 7) Peningkatan hasil berlajar

untuk TOEFL.



ISSN : 2541-5093

Tabel 1. Hasil Pengujian

Dari hasil jawaban para responden terhadap

kuesioner yang telah disebarkan, menghasilkan

penilaian sebagai berikut: 1) Secara umum tampilan

perancangan aplikasi game visual novel “The

Adventure of Kabayan” sudah baik (82%). 2) Akses

terhadap menu-menu yang ditawarkan pada game ini

pun sudah baik dan mudah dipahami (userfriendly)

(86%). 3) Alur cerita dan karakteristik tokoh-tokoh

yang ada pada visual novel ini cukup menarik,

meskipun harus digali lagi supaya cerita semakin

kokoh dan apik (74%). 4). Skenario atau naskah

visual novel ini cukup baik, meskipun harus lebih

dikembangkan supaya lebih menarik (74%). 5) Cerita

yang dibuat pada visual novel ini cukup mampu

meningkatkan antusiasme responden untuk belajar

Bahasa Inggris (79%). 6) Cerita yang dibuat pada

visual novel ini cukup membantu responden dalam

meningkatkan wawasan Bahasa Inggris terutama

untuk TOEFL (79%). 7) Visual novel ini perlu dibuat

lebih kompleks dari berbagai segi, seperti pada segi

cerita, kedalaman Bahasa Inggris, dan fitur-fitur

tambahan guna membuatnya lebih baik (81%).

5. KESIMPULAN

Dari pemaparan dan uraian yang telah

disampaikan, maka Penulis menyimpulkan bahwa

permainan visual novel “The Adventure of Kabayan”

telah dapat menyajikan permainan yang cukup

menyenangkan dengan menu yang relatif mudah

dipahami. Fungsi sebagai media bermain sambil

belajar Bahasa Inggris dengan menyisipkan kalimat-

kalimat Bahasa Inggris dalam alur cerita dapat

meningkatkan minat dan wawasan Bahasa Inggris

terutama untuk TOEFL. Dengan mengangkat tokoh

utama yang berasal dari cerita budaya lokal,

diharapkan secara tidak langsung permainan ini juga

dapat turut melestarikan budaya bangsa.

Produk yang dibangun masih harus

disempurnakan dan pengembangan dapat dilakukan

pada skenario atau naskah cerita yang dibuat lebih

bervariasi yang beragam. Alur cerita yang

digambarkan dalam bentuk pohon alur cerita dapat

dibuat lebih kompleks dan penyajian pembelajaran

Bahasa Inggris dapat disesuaikan dengan suatu

kurikulum pembelajaran di sekolah formal agar

pelajaran Bahasa Inggris menjadi lebih lengkap. Dari

sisi tampilan grafis seperti karakter dan background

cerita dapat pula ditingkatkan kualitas dan

penambahan tokoh antagonis serta protagonis.

DAFTAR PUSTAKA

[1] C. K. Josiah Lebowitz, (2011), Interactive

Storytelling Video Games, USA: Elsevier.

[2] Sloan, Robin J.S. (2015), Virtual Character

Design for Games and Interactive Media, CRC

Press, Taylor & Francis Group, London, New

York.

[3] Cavallaro, Dani (2010), Anime and the Visual

Novel. Narrative Structure, Design and Play at

the Crossroads of Animation and Computer

Games, McFarland & Company, Inc., North

Carolina.

[4] Kusnawi dan Firmansyah, R. (2015), Game

Hybrid Visual Novel sejarah Dengan Metode

Sistem Pakar “Twist Majapahit”, Prosiding

Seminar Nasional Teknologi Informasi dan

Multimedia 6-8 Februari 2015, hal 5.7-5,

STMIK AMIKOM, Yogyakarta.

[5] E. Z. Katie Salen, Rules of Play: Game Design

Fundamental, MIT Press, 2003.



ISSN : 2541-5093

[6] STIKI Malang, Lppm & Triatmaja Permana

Sadewa, Arief. (2016). Perancangan Game

Visual Novel Menggunakan Ren’py. J-Intech

vol.04 no.01 th 2016. 04. 26-32.

[7] Visual Novel,

https://en.wikipedia.org/wiki/Visual_novel

[8] Lukman. (2014). Laporan: 30 juta pengguna

internet di Indonesia adalah remaja.

http://id.techinasia.com/laporan-30-juta-

pengguna-internet-di-indonesia-adalah-remaja/

[Akses: 21/05/19].

[9] Estidianti, Brigitta Rena dan Lakoro,

Rahmatsyam (2014), Perancangan Karakter

Game Visual Novel “Tikta Kavya” dengan

Konsep Visual Bishonen. Jurnal Sains dan Seni

Pomits, Vol. 3 No. 2, hal. 49, Institut Teknologi

Sepuluh November, Surabaya.

[10] Gunawan, Adi W. (2006), Genius Learning

Strategy. Petunjuk Praktis Untuk Menerapkan

Accelerated Learning, Jakarta: PT Gramedia,

Cetakan II, hal 334.



ISSN : 2541-5093

SISTEM SORTASI BIJI KOPI ARABIKA BERBASIS IOT

MENGGUNAKAN PENGUKURAN KADAR AIR DAN WARNA

Endang Amalia

Fakultas Teknik, Jurusan Sistem Informasi

Universitas Widyatama

Jl Cikutra No 204A Sukapada Cibeunying Kidul, Bandung, Indonesia

[email protected]

Ari Purno Wahyu Wibowo

Fakultas Teknik, Jurusan Teknik Informatika

Universitas Widyatama

Jl Cikutra No 204A Sukapada Cibeunying Kidul, Bandung, Indonesia

[email protected]

Abstrak

Biji kopi yang baik serta pengolahan biji kopi

yang tepat sangat mempengaruhi kualitas hasil akhir

kopi yang akan diseduh. Riset ini kami lakukan untuk

mendapatkan biji kopi yang baik adalah dengan

melakukan sortir biji kopi, yang dikelompokan

menjadi 3 kelompok berdasarkan tiga warna biji kopi

yaitu merah, hijau, dan kuning dengan

menggunankan sensor TCS 3200 dan penambahan

teknik computer vision, langkah selanjutnya adalah

pemilihan biji kopi berdasarkan parameter

pengukuran kadar air dengan menggunakan soil

mosture sensor dengan sistem sortasi menggunakan

teknologi IOT dan bisa membantu petani untuk

mendapatkan biji kopi terbaik yang sangat

mempengaruhi nilai harga jual dipasaran.

Kata kunci:

Biji kopi, sistem sortasi, IOT, Sensor TCS 3200,

Computer vision, Kadar Air

Abstract

From choosing the right coffee varieties from the

very first step until deliberating over irrigation

methods and crop management, coffee growers make

hundreds of small decisions that affect to the quality

of the coffee they ready to be harvested and ready to

be served on the table. Our research is about offering

two best ways to produce the best coffee beans, first,

we choose the best coffee beans based on colour

classification by divided into 3 categories based on

the colours of red, green and yellow beans by using

TCS 3200 and computer vision technique, and second

step is sorting coffee beans by monitor the soil water

content using soil moisture sensor through IoT to

help farmers to harvest the best coffee beans because

it affects the value of market price.

Keywords:

Coffee beans, Sortation, IoT, TCS 3200, Computer

Vision, Soil Mousture

PENDAHULUAN

Biji kopi berasal dari biji di dalam ceri kopi

yang tumbuh di sepanjang cabang pohon kopi dan

dibutuhkan bertahun-tahun untuk pohon kopi tumbuh

dewasa [6]. Ada sepuluh langkah dalam menyiapkan

secangkir kopi mulai dari biji-bijian yang langkah-

langkahnya meliputi penanaman, memanen buah ceri,

memproses ceri, mengeringkan kacang, menggiling

biji, mengekspor biji kopi, mencicipi kopi,

memanggang kopi, menggiling kopi dan pembuatan

brewing kopi [6]. Semua proses memiliki dampak

besar pada kualitas kopi jika ada kesalahan yang

dibuat selama proses.



ISSN : 2541-5093

Kopi ceri adalah buah mentah dari tanaman

kopi, yang terdiri dari dua biji kopi yang ditutupi oleh

perkamen tipis seperti kulit dan selanjutnya

dikelilingi oleh pulp. Ceri ini biasanya dipanen

setelah 5 tahun perkebunan pohon kopi dan ketika

bear fruit berubah menjadi merah [1]. Proses inisiasi

kopi dengan konversi ceri kopi menjadi biji kopi

hijau, dan dimulai dengan penghilangan pulp dan hull

menggunakan metode basah atau kering [9]. Metode

kering, yang biasa digunakan untuk Robusta, dan

metode basah, yang umumnya digunakan untuk biji

kopi Arabika. Dalam proses kopi basah, ampas dan

hull dihilangkan sementara ceri masih segar. Proses

ini melibatkan beberapa tahap yang terdiri dari

sejumlah besar air dan juga termasuk langkah

fermentasi mikroba untuk menghilangkan lendir yang

masih menempel pada kacang [4][5].

Riset ini bertujuan untuk membantu petani

memanin biji kopi terbaik berdasarkan warna dan

kadar air berbasis IoT dengan menggunakan sensor

TCS 3200 dan teknik computer vision.

KAJIAN LITERATUR

A. Coffee Arabica

Awalnya kopi disebut qahwah (qahwain)

berasal dari bahasa Turki atau disebut kahven.

Adapun istilah kopi untuk tiap negara berbeda-beda,

yaitu kaffe (Jerman), coffee (Inggris), cafe

(Peramcis), koffie (Belanda), dan kopi (Indonesia).

Tanaman kopi arabika (Coffee arabica) berasal dari

Afrika, yaitu dari daerah pegunungan di Etiopia.

Kopi arabika baru dikenal secara luas oleh

masyarakat dunia setelah tanaman tersebut

dikembangkan diluar daerah asalnya, tanaman

tersebut dikembangkan di daerah Yaman dibagian

selatan jazirah Arab. Melalui perdagangan, kopi

menyebar kedaerah lainnya. Awalnya hasil dari

tanaman kopi yaitu buah kopi hanya dikonsumsi

sebagai tambahan energi, seiring berkembangnya

teknologi dan pengetahuan buah kopi dimanfaatkan

menjadi minuman kopi seperti saat ini[10].

Tanaman kopi arabika sendiri dibudidayakan di

Indonesia tahun 1696. Tanaman kopi arabika dapat

tumbuh baik di daerah yang sejuk dan dingin di

ketinggian 600-2000 meter diatas permukaan laut

dikarenakan kopi arabika rentan terhadap penyakit

karat daun. Suhu tumbuh optimalnya adalah 18-26

derajat celcius. Proses dari berbunga hingga menjadi

buah siap panen adalah 9 bulan dan akan

menghasilakan buah siap panen berwarna hijau

hingga merah gelap[2].

Kopi sendiri merupakan sebuah minuman yang

berasal dari proses pengolahan dan ekstraksi biji

kopi. Kopi arabika sendiri menguasai 70 persen pasar

kopi dunia [2].

B. Colour Classification

Pengolahan citra adalah pemrosesan citra atau

image processing, khususnya dengan menggunakan

komputer menjadi citra yang kualitasnya lebih baik.

Dengan kata lain pengolahan citra adalah kegiatan

memperbaiki kualitas citra agar mudah diinterprestasi

oleh manusia atau mesin[8].

Tahap pengolahan citra ini menggunakan

metode GLCM. Metode GLCM (Gray Level Co-

Occurrence Matrix) menurut Xie [12] merupakan

suatu metode yang melakukan analisis terhadap suatu

piksel pada citra dan mengetahui tingkat keabuan

yang sering terjadi. Metode ini juga untuk tabulasi

tentang frekuensi kombinasi nilai piksel yang muncul

pada suatu citra. Untuk melakukan analisis citra

berdasarkan distribusi statistik dari intensitas

pikselnya, dapat dilakukan dengan mengekstrak fitur

teksturnya [7].

GLCM merupakan suatu metode untuk

melakukan ekstraksi ciri berbasis statistikal,

perolehan ciri diperoleh dari nilai piksel matrik, yang

mempunyai nilai tertentu dan membentuk suatu sudut

pola [12]. Untuk sudut yang dibentuk dari nilai piksel

citra menggunakan GLCM adalah 00, 450, 900,

1350[3], untuk sudut yang terbentuk terlihat pada

Gambar dua gambar dibawah:

Gambar 1. Piksel dengan berbagai sudut



ISSN : 2541-5093

Gambar 2. Ilustrasi matriks co-ocurensi[3]

C. Soil Moisture

Salah satu faktor yang mempengaruhi proses

pengeringan biji kopi adalah kadar air. Pengeringan

bertujuan untuk mengurangi kadar air bahan

sehingga menghambat perkembangan organisme

pembusuk. Kadar air suatu bahan berpengaruh

terhadap banyaknya air yang diuapkan dan lamanya

proses pengeringan[11].

METODE PENELITIAN

Gambar 3. Metode Sortasi

Tahapan metode pada penelitian ini adalah

seperti yang terdapat pada gambar diatas,

penjelasannya adalah sebagai berikuts:

1. Pengukuran kadar air

Kopi yang bagus adalah kopi yang memiliki

kadar air yang rendah, pada proses pemetikan kadar

air bisa mencapai 20% ,dan bisa berkurang hingga 13

dan 11 % , proses pengeringan menggunakan green

house saat ini sudah cukup membantu untuk

mengurangi kelembaban dan kadar air pada biji kopi,

rasa pada kopi dipengaruhi rasa pada saat proses

pengeringan, sistem yang dibuat menggunakan alat

soil mouture yang akan ditempatkan pada sampel

greenbean dan akan ditampilkan melalui LCD, jika

kadar air di bawah 12% maka greenbean siap untuk

di-roasting.

2. Sortasi Warna

Pada umumnya kopi yang bagus adalah kopi

yang ketika dipetik berwarna merah, dan harus proses

sortasi sendiri oleh petani dan kadang masih terbawa

kopi yang mentah atau berwarna hijau yang akan

mempengaruhi kualitas warna, proses sortasi tersebut

bisa menggunakan bantuan teknik IOT (internet of

things) dengan komponen tcs3200 dan 2300 dengan

mangambil data inputan photo dioda yang berkerja

dengan cara menangkap gelombang warna yang

dipantulakan dari LED dan ditangkap oleh

photodioda.

IMPLEMENTASI DAN PENGUJIAN

Pada pengujian ini penulis menggunakan

beberapa sampel biji kopi (cherry) yang diambil pada

petani derah manglayang diambil beberapa sampel

kopi matang, kopi setengah matang dan mentah.

Gambar 4. Biji Kopi Yang Sudah Matang

Pada gambar 4 adalah data sampel yang diambil

dari biji kopi yang sudah matang yang diambil dari

beberapa petani dan siap diuntuk diproses.



ISSN : 2541-5093

Gambar 5. biji kopi yang sudah matang

Pada gambar 5 adalah proses pengambilan biji

kopi yang belum matang dan terbawa kopi tersebut

memiliki rasa yang pahit karena masih banyak

mengandung getah.

Gambar 6. biji kopi yang sudah matang

Pada gambar 6 adalah biji kopi setangah matang

terlihat dari warna yang masih hijau dan sedikit

berwarna merah, biji kopi ini paling sulit untuk

dipisahkan dan masuk pada kategori biji kopi mentah

Pada pengujian sistem kali ini proses pengujian

dilakukan dengan tiga tahapan pertama sortasi kopi

berdasarkan warna dari biji kopi yang berwana merah

atau disebut juga dengan kopi cherry, sensor yang

dipakai pada sistem ini menggunakan sensor warna

TCS2300 dan 3200, sistem tersebut berguna sebagai

proses penyortiran awal biji kopi yang merah

sebelum masuk ketahap pencucian.

Tabel 1 script pada sistem sortasi #include <Servo.h>

# definisi PIN S0 2

# definisi PIN S1 3

# definisi PIN S2 4

# definisi PIN S3 5

# definisi PIN keluaran sensor 6

Servo bagian atas ;

Servo bagian bawah ;

int frekwensi = 0;

int warna =0;

void setup() {

modePIN (S0, OUTPUT);




modePIN (sensorOut, INPUT);

// Setting frequency-scaling to 20%

digitalWrite(S0, HIGH);

digitalWrite(S1, LOW);

bagian atas.attach(7);

bagianbawah.attach(8);

Serial.begin(9600);

}

Pada tabel 1 adalah sebuah script yang

digunakan pada sensor photodioda yang memiliki

empat buah PIN yang definiskan dengan nomer pin

S0,S1,S2,S3, sedangkan pada sensor PIN yang

digunakan untuk kendali servo.

Servo bagianAtas;

Servo bagianBawah;

Servo digunakan sebagai penggerak atau

montorik yang akan mensortir warna biji kopi yang

belum matang dalam hal ini masih berwarna hijau

dan kuning. Servo tersebut akan memisahkan dengan

tempat yang berbeda.

Tabel 2 sortasi warna dengan foto dioda

int PembacaanData() {

// Setting red filtered photodiodes to

be read



// Reading the output frequency

frequency = pulseIn(sensorOut, LOW);

int R = frequency;



ISSN : 2541-5093

// Printing the value on the serial

monitor

Serial.print("R= ");//printing name

Serial.print(frekwensi);//printing

RED color frequency

Serial.print(" ");

delay(50);

// Setting pembacaan data

photodiodes to be read



// Reading the output frequency

frequency = pulseIn(sensorOut, LOW);

int G = frequency;

// print data dari serial monitor

Serial.print("G= ");//printing name

Serial.print(frequency);//printing

frekuensi data warna merah

Serial.print(" ");

delay(50);

Pada tabel 2 adalah sebuah proses sortasi warna

yang diambil dari inputan sensor TSCS 2300, dengan

level inputan PIN HIGHT, LOW, dengan hasil

kalibrasi data warna sebagai berikut:

if(R< 30 & R>20 & G<33 & G>23)

{color = 1; // kuning }

if(R<60 & R>50 & G<59 & G>49)

{color = 2; // hijau} if(R<70 & R>60 & G<10 & G>20)

{color = 3; // merah jambu }

if(R<7 & R>11 & G<21 & G>35)

{color = 4; // merah}

Inputan data tersebut akan dimasukan kedalam

sebuah sistem kerja tcs3200 yang dikoneksikan

dengan servo yang akan memilah biji kopi

berdasarkan tiga warna sebagai indikator red =

matang, green = mentah, dan pink = setengah

matang.

Tabel 3 hasil analisa tektur dengan metode GLCM

No Contrast Correlation Energy Homogeneit

y Level

1 0.0626 0.0626 0.9816 0.9816 Mature

2 0.0872 0.0892 0.9735 0.9729 Mature

3 0.0946 0.0946 0.9624 0.9624 Half Mature

4 0.0535 0.0544 0.9678 0.9673 Half Mature

5 0.0489 0.0486 0.9692 0.9694 Immature

6 0.1071 0.1059 0.9483 0.9489 Immature

Tabel 3 diatas adalah proses pembacaan biji

kopi dengan metode GLCM atau pembacaan tektur

biji kopi yang akan dijadikan sebagai data training

sebagai database uji pada aplikasi yang akan dibuat.

Gambar 7. sourcode detekti tektur menggunakan

python

Pada gambar 5 adalah sebuah function yang

digunakan untuk menganalisa tektur biji kopi dengan

computer vision dengan metode GLCM (Grey Level

Co-Occurence Matrix) dimana function berfungsi

mengawati objek dari biji kopi berdasarkan

tekturnya.

Gambar 8. Pengujian Pada Buah Matang (Merah)

Pada gambar 6 adalah proses pembacaan data

function hasil GLCM Pada biji kopi berwarna merah

dengan nilai GLCM = 0,3940** untuk buah berwarna

merah.

Gambar 9. Pengujian Pada Buah Setengah Matang

(Merah Jambu)

Pada gambar 7 adalah hasil sortasi biji kopi

menggunakan metode GLCM pada buah yang

berwarna pink dalam hal ini masuk kategori buah

mentah dengan nilai GLCM = 0,2693**.



ISSN : 2541-5093

Gambar 10. Pengujian Pada Buah Mentah (Hijau)

Pada gambar 8 hasil sortasi tektur dengan

metode GLCM Pada buah berwarna hijau yang

dimasukan kedalam kategori buah mentah dengan

nilai GLCM = 0,2848**.

Tabel 4 Pengujian Dengan Computer Vision

Gambar Keterangan

Pada gambar

disamping adalah

sample data kopi yang

merah yang akan diuji dengan metode

computer vision

Pada gambar disamping adalah

metod HUE saturation

yang mengubah

tampilan gambar kedalam mode

greyscale untuk

melihat tingkat

kematangan biji kopi

Pada gambar

disamping adalah proses validasi

saturation yang

berfungsi melihat

catcat tidaknya biji kopi pada kulit cherry

yang baru dipetik

akibat serangan hama

pada tanaman kopi terlihat warna kopi

dengan bintik gelap

Pada gambar

disamping adalah

proses pembacaan teknik computer

vision dengan

merubah warna RGB

menjadi grescale yang dikonversikan

oleh computer vision

Tabel di atas menunjukkan hasil pengujian

dengan menggunakan computer vision.

Gambar 11. sensor soil moisture

Dari gambar di atas, untuk mengetahui soil

moisture biji kopi dengan menggunakan soil moisture

sensor seperti pada gambar diatas.



ISSN : 2541-5093

Gambar 12. Testing result of soil moisture sensor

Gambar di atas menjelaskan mengenai hasil

pengukuran kadar air biji kopi Arabika yang telah

dikeringkan, kadar air normal sekitar 12%, sistem

perhitungan yang digunakan adalah kisaran 100-85 =

15% yang artinya sehingga biji kopi tersebut belum

siap untuk dikirim ke langkah selanjutnya (roasting).

Ketika biji kopi masih hijau (memiliki kadar air di

atas 12%), biji tersebut harus dikeringkan lagi untuk

mendapatkan kadar air di bawah atau sama dengan

12%. Kadar air 12% akan memudahkan proses

pemanggangan dimaksimalkan dan aroma kopi akan

lebih berkembang.


1. Kesimpulan

Penelitian ini diharapkan dapat membantu

petani menyortir ceri kopi matang menggunakan TCS

3200 dan teknik computer vision dan sensor

kelembaban tanah untuk menentukan kadar air biji

kopi yang siap dipanggang melalui aplikasi sehingga

petani dapat memanen biji kopi terbaik, tepat waktu,

efisien dan efektif.

2. Saran

Penelitian ini dapat dikembangkan lebih lanjut

dengan teknologi IoT lainnya dan juga dapat

diimplementasikan dalam bidang lain selain pertanian

dan juga bisa ditambahkan dengan modul cloud

computing.

REFERENSI

[13]. Arya, M., & Rao, J. M. (2007). An

impression of coffee carbohydrates. Critical

Reviews in Food Science and Nutrition, 47,51–

67. Retrieved June 16 2018 from

https://www.tandfonline.com/toc/bfsn20/current.

[14]. Budiman, Haryanto. 2012. Prospek Tinggi

Bertanam Kopi: pedoman meningkatkan kualitas

perkebunan kopi. penerbit pustaka baru pres.

Yokyakarta.

[15]. Eleyan, A dan Demirel,H., 2011, Co-

occurrence matrix and its statistical features as a

new approach for face recognition, Turk J Elec

Eng & Comp Sci, Vol.19, No.1,pp.97-107.

[16]. Gonzalez-Rios, O., Suarez-Quiroza, M. L.,

Boulanger, R., Barel, M.,Guyot, B., Guiraud, J.-

P., et al. (2007a). Impact of “ecological” post-

harvest processing on coffee aroma: I. Green

coffee. Journal of Food Composition and

Analysis, 20, 289–296. Retrieved June 16 2018

from

https://www.researchgate.net/publication/237295

128_Impact_of_ecological_post-

harvest_processing_on_the_volatile_fraction_of

_coffee_beans_I_Green_coffee.

[17]. Gonzalez-Rios, O., Suarez-Quiroza, M. L.,

Boulanger, R., Barel, M., Guyot, B., Guiraud, J.-

P., et al. (2007b). Impact of “ecological” post-

harvest processing on coffee aroma: II. Roasted

coffee. Journal of Food Composition and

Analysis, 20, 297–307. Retrieved June 16 2018

from http://agritrop.cirad.fr/536653/.

[18]. National Coffee Association USA. 2011.

What is coffee?.

http://www.ncausa.org/i4a/pages/index.cfm?page

id=67.

[19]. Pullaperuma PP, Dharmaratne AT. 2013.

Taxonomy of File Fragments Using Gray- Level

Co-Occurrence Matrix. DICTA.

[20]. Suprayogi, Igif Rizekiya. (2010).

Identifikasi Bentuk Kendaraan Dengan

Menggunakan Jaringan Saraf Tiruan. Malang:

Universitas Islam.

[21]. Leifa, F., Pandey, A., & Soccol, C. R.

(2001). Production of Flammulina velutipeson

coffee husk and coffee spent-ground. Brazilian

Archives of Biology and Technology, 44, 205–

212. Retrived June 16 2018 from

http://www.scielo.br/scielo.php?script=sci_arttex

t&pid=S1516-89132001000200015.

[22]. Rahardjo, Pudji. 2012. Kopi Panduan

Budidaya dan Pengolahan Kopi Arabika dan

Robusta. Jakarta: Penebar Swadaya.

[23]. Taib, G., G, Said dan S. Wiraatmadja. 1988.

Operasi Pengeringan Pada Pengolahan Hasil



ISSN : 2541-5093

Pertanian, PT Mediatama Sarana Perkasa.

Jakarta.

[24]. Xie, L., Zhang, J., Wan, Y., Hu, D. 2010.

Identification of Colletotrichum spp. Isolated

from Strawberry in Zhejiang Province and

Shanghai City, China. J. Zhejiang University-

Science B (Biomed & Biotechnol) 11 (1): 61-70.



ISSN : 2541-5093

SISTEM PENDUKUNG KEPUTUSAN DALAM MEMILIH

E-MARKETPLACE BERDASARKAN FITUR LAYANAN

DENGAN METODE WEIGHTED PRODUCT

Deryzky Akbar1, Siti Nurajizah2, Sri Muryani3 Program Studi Sistem Informasi STMIK Nusa Mandiri1, Program Studi Sistem Informasi Universitas Bina Sarana

Informatika2, Program Studi Teknik Informatika STMIK Nusa Mandiri3

Jl. Damai No. 8, Warung Jati Barat (Margasatwa), Pasar Minggu, RT.1/RW.1, Ragunan, Pasar Minggu, Jakarta Selatan,

125401.3, Jl. Kamal Raya No.18, RT.6/RW.3, Cengkareng., Kecamatan Cengkareng, Kota Jakarta Barat, Daerah Khusus Ibukota

Jakarta 117302

E-mail: [email protected], [email protected], [email protected]

Abstrak

Dengan adanya e-marketplace konsumen dapat

berbelanja apa saja dan dimana saja asalkan terhubung

dengan koneksi internet. Namun, dengan perkembangan e-

marketplace yang begitu pesat membuat banyaknya

bermunculan perusahaan e-marketplace baru sehingga

terkadang dapat membingungkan konsumen dalam memilih

e-marketplace yang akan digunakan untuk belanja online.

Salah satu cara untuk membantu para konsumen dalam

mengambil keputusan dalam memilih dan bertransaksi di e-

marketplace adalah dengan adanya suatu metode yang dapat

memberikan rekomendasi sebagai bahan pertimbangan

untuk pengambilan keputusan secara tepat yaitu, dengan

menerapkan metode weighted product yang dapat

menyelesaikan masalah dengan cara perkalian untuk

menghubungkan rating attribute dengan atribut bobot yang

bersangkutan. Adapun yang menjadi kriteria dalam

penelitian ini adalah pengiriman dengan bobot awal 32%,

promo 80%, produk 56%, dan pembayaran 28%.

Hasil dari penelitian ini menunjukan bahwa

rekomendasi alternatif terbaik adalah Shopee dengan nilai

vektor 0,35. Sedangkan Tokopedia 0,32 dan Bukalapak

0,33.

Kata kunci:

Sistem Pendukung Keputusan, E-Marketplace, Weighted

Product

Abstract

With the e-marketplace, consumers can shop for

anything and anywhere as long as it is connected to an

internet connection. However, with the rapid development

of e-marketplace, many new e-marketplace, companies have

emerged so that they can sometimes confuse consumers in

choosing an e-marketplaces that will be used for online

shopping.

One way to assist consumers in making decisions

in choosing and transacting in e-marketplace is by having a

method that can provide recommendations as a

consideration for appropriate decision making, namely by

applying a weighted product method that can solve

problems by multiplication for connecting the rating

attribute with the corresponding weight attribute. The

criteria in this study are shipping with an initial weight of

32%, promo 80%, produced 56%, and payment of 28%.

The results of this study indicate that the best

alternative recommendation is Shopee with a vector value of

0.35. While Tokopedia 0.32 and Bukalapak 0.33.

Keywords:

Decision Support System, E-marketplace, Weighted Product

PENDAHULUAN

Perkembangan teknologi informasi yang sangat

dramatis dalam beberapa tahun terakhir telah membawa

dampak transformational pada berbagai aspek kehidupan,

termasuk di dalamnya dunia bisnis. Setelah berlalunya era

“total quality” dan “reengineering”, kini saatnya “era






ISSN : 2541-5093

elektronik” yang ditandai dengan menjamurnya istilah-

istilah e-business, e-university, e-government, e-economy, e-

emtertainment, dan masih banyak lagi istilah sejenis. Salah

satu konsep yang dinilai merupakan paradigma bisnis baru

adalah e-marketplace.

Dengan adanya e-marketplace konsumen dapat

berbelanja apa saja dan dimana saja asalkan terhubung

dengan koneksi internet. Dengan begitu, konsumen dapat

menghindari kemacetan dijalan, menghindari repotnya

mencari parkiran dan repotnya berinteraksi dengan SPG.

Namun, dengan perkembangan e-marketplace yang begitu

pesat membuat banyaknya bermunculan perusahaan e-

marketplace baru sehingga terkadang dapat

membingungkan konsumen dalam memilih e-marketplace

yang akan digunakan untuk belanja online.

Contohnya saja saat kita ingin mencari suatu

barang menggunakan mesin pencari Google, hasil yang

ditampilkan akan banyak barang yang sama namun dijual

pada e-marketplace yang berbeda. Hal ini akan

membingungkan para konsumen, terlebih lagi setiap e-

marketplace mempunyai kelebihan dan kekurangan masing-

masing. Seperti pada Tokopedia dan Shopee dimana

konsumen diharuskan terdaftar diakun Tokopedia ataupun

Shopee agar dapat melakukan belanja online pada e-

marketplace tersebut. Lain halnya dengan Bukalapak yang

tidak mengharuskan konsumen terdaftar di akun Bukalapak.

Keunggulan Bukalapak ini dapat memudahkan konsumen

baru yang ingin melakukan belanja online. Promo free

ongkir Tokopedia dan Bukalapak hanya pada event tertentu

saja, sedangkan Shopee menawarkan promo gratis ongkir

hanya minimal belanja Rp.19.000,00 saja. ini menjadi

keunggulan tersediri bagi Shopee. Tampilan interface

aplikasi banyak konsumen yang memilih Tokopedia ada

juga yang lebih memilih Shopee dan Bukalapak tentunya

hal ini akan membingungkan para konsumen baru ataupun

konsumen yang ingin berpindah belanja online pada e-

marketplace lain.

Menurut (Alwafi & Magnadi, 2016) dijelaskan

permasalahan dalam penjualan online salah satunya yaitu

sulitnya membangun kepercayaan pembeli, pembeli tidak

bisa mengontrol secara pasti pemenuhan harapan ketika ia

membeli sesuatu melalui internet karena mereka tidak bisa

melihat secara langsung barang yang akan dibelinya

maupun bertemu langsung penjual yang menawarkan

produknya.

Menurut (Royanti & Yunianto, 2018) dijelaskan

“kendala yang dihadapi pada jual beli online adalah

banyaknya kasus penipuan dan tingkat kepercayaan yang

rendah dari konsumen pada pemasaran secara elektronik ini

karena tidak adanya jaminan atas transaksi yang dilakukan”.

Menurut (Fauziah & Wulandari, 2018)

“kepercayaan konsumen dalam melakukan online shopping

merupakan suatu kendala yang sulit dikendalikan karena

berhubungan dengan sikap dan prilaku konsumen sehubung

dengan online shopping agar pelaku usaha e-commerce

dapat memanfaatkan potensi yang ada di Indonesia”.

Berdasarkan pemaparan diatas diketahui bahwa

perlu adanya cara untuk membantu para konsumen dalam

mengambil keputusan dalam memilih dan bertransaksi di e-

marketplace adalah dengan adanya suatu metode yang dapat

memberikan rekomendasi sebagai bahan pertimbangan

untuk pengambilan keputusan secara tepat yaitu, dengan

menerapkan metode weighted product yang dapat

menyelesaikan masalah dengan cara perkalian untuk

menghubungkan rating attribute dengan atribut bobot yang

bersangkutan.

Penelitian ini bertujuan untuk menggunakan suatu sistem

pendukung keputusan untuk memilih e-marketplace yang

memenuhi syarat dan kriteria dengan tepat dan sesuai

dengan kebutuhan konsumen.

KAJIAN LITERATUR

2.1. Sistem Pendukung Keputusan (SPK)

Menurut (Nofriansyah & Defit, 2017) Sistem

merupakan kumpulan sub-sub sistem (elemen) yang saling

berkorelasi satu dengan yang lainnya untuk mencapai tujuan

tertentu. Sebagai contoh : Sebuah perusahaan memiliki

sistem manajerial yang terdiri dari bottom management,

middle management, dan top management yang memiliki

tujuan untuk mencapai kemampuan masyarakat. Sistem

pendukung keputusan dapat diartikan sebagai suatu sistem

yang di rancang yang digunakan untuk mendukung

manajemen di dalam pengambilan keputusan.

Menurut Litlle dalam (Sari, 2017) Sistem

pendukung keputusan (SPK) adalah suatu sistem informasi

berbasis komputer yang menghasilkan berbagai alternatif

keputusan untuk membantu manajemen dalam menangani

berbagai permasalahan yang terstruktur ataupun tidak

terstruktur dengan menggunakan data dan model. Kata

berbasis komputer merupakan kata kunci, karena hampir

tidak mungkin membangun SPK tanpa memanfaatkan

komputer sebagai alat bantu, terutama untuk menyimpan

data serta mengelola model.

Menurut Turban dalam (Setiadi & Agustia, 2019)

Sistem pendukung keputusan yaitu sistem informasi

berbasis komputer yang mengkombinasikan model dan data

untuk menyediakan dukungan kepada pengambil keputusan

dalam memecahkan masalah semi terstruktur atau masalah

ketergantungan yang melibatkan user secara mendalam.

Menurut (Hatta, Rizaldi, & Khairina, 2016) Sistem

pendukung keputusan (SPK) merupakan suatu penerapan

sistem informasi yang ditujukan untuk membantu pimpinan



ISSN : 2541-5093

dalam proses pengambilan keputusan. Sistem pendukung

keputusan menggabungkan kemampuan komputer dalam

pelayanan interaktif dengan pengolahan atau pemanipulasi

data yang memanfaatkan model atau aturan penyelesaian

yang tidak terstruktur. Sistem pendukung keputusan

dimaksudkan menjadi alat bantu bagi para pengambil

keputusan untuk memperluas kapabilitas mereka, namun

tidak untuk menggantikan penilaian mereka.

Menurut (Khairina, Ivando, & Maharani, 2016)

Sistem pendukung keputusan (SPK) merupakan sistem

informasi interaktif yang menyediakan informasi,

pemodelan, dan pemanipulasian data. Sistem ini digunakan

untuk membantu pengambilan keputusan dalam situasi yang

semiterstruktur dan situasi yang tidak terstruktur.

Pada dasarnya Sistem Pendukung Keputusan atau

dikenal juga dengan istilah Decision Support System (DSS)

ini merupakan pengembangan lebih lanjut dari sistem

informasi manajemen terkomputerisasi yang dirancang

sedemikian rupa sehingga bersifat interaktif dengan

pemakainya. Sifat interaktif ini dimaksudkan untuk

memudahkan integrasi antara berbagai komponen dalam

proses pengambilan keputusan seperti prosedur, kebijakan,

teknik analisis, serta pengalaman dan wawasan manajerial

guna membentuk suatu kerangka keputusan yang bersifat

fleksibel.

Menurut Simon dalam (Fahmi, 2018) mengatakan,

pengambilan keputusan berlangsung melalui empat tahap

yaitu:

a. Intelligence

b. Design

c. Choice

d. Implementasi

Secara lebih dalam beliau menegaskan bahwa,

“Intelligence adalah proses pengumplan informasi yang

bertujuan mengindentifikasi permasalahan. Design adalah

tahap perancangan solusi terhadap masalah. Biasanya pada

tahap ini dikaji berbagai macam alternatif pemecahan

masalah. Choice adalah tahap mengkaji kelebihan dan

kekurangan dari berbagai macam altenatif yang ada dan

memilih yang terbaik. Implementasi adalah tahap

pegambilan keputusan dan melaksanakannya.

Tujuan sistem pendukung keputusan (SPK)

dikemukakan oleh Peter G.W Keen dan Scott Morton

(Nofriansyah & Defit, 2017) yaitu:

1. Membantu manajer membuat keputusan untuk

memecahkan masalah semi terstruktur.

2. Mendukung penilaian manajer bukan mencoba untuk

menggantikannnya.

3. Meningkatkan efektifitas pengambilan keputusan

manajer dari pada efisiensinya.

2.2. Weighted Product

Menurut (Sari, 2017) Metode Weighted Product

merupakan bagian dari konsep multi criteria decision

making (MCDM), merupakan teknik pengambilan

keputusan dari beberapa pilihan alternatif yang ada. Metode

ini memerlukan proses normalisasi pada perhitungannya.

Dengan menggunakan metode Weighted Product,

diharapkan dapat dikembangkan software sistem pendukung

keputusan yang dapat digunakan oleh suatu instansi, yang

akan menjadi alternatif pemilihan dan memberikan nilai

bobot pada perbandingan alternatif dan kriterianya. Metode

ini mengevaluasi beberapa alternatif terhadap sekumpulan

atribut atau kriterianya, dimana setiap atribut saling tidak

bergantung satu dengan yang lainnya.

Menurut (Syafitri, Sutardi, & Dewi, 2016) Metode

Weighted Product (WP) merupakan salah satu metode yang

digunakan untuk menyelesaikan masalah MADM. WP

adalah suatu metode yang menggunakan perkalian untuk

menghubungkan rating atribut, di mana rating setiap atribut

harus dipangkatkan dulu dengan bobot yang bersangkutan.

Proses ini sama halnya dengan proses normalisasi.

Langkah-langkah penyelesaian suatu masalah yang

menggunakan multi kriteria adalah sebagai berikut:

1. Menentukan kriteria-kriteria yang akan dijadikan

acuan dalam pengambilan keputusan

2. Menentukan rating kecocokan setiap alternatif pada

setiap kriteria

3. Menentukan bobot preferensi tiap kriteria

4. Mengalikan seluruh atribut bagi sebuah alternatif

dengan bobot sebagai pangkat positif untuk atribut

keuntungan dan bobot berpangkat negatif untuk

atribut biaya.

Rumus untuk menghitung nilai preferensi

untuk alternatif Ai, diberikan sebagai berikut:

Keterangan:

Π : product

S : menyatakan preferensi kriteria yang

dianalogikan sebagai vektor S

x : menyatakan nilai kriteria

w : menyatakan bobot kriteria

i : menyatakan alternatif



ISSN : 2541-5093

j : menyatakan kriteria

n : menyatakan banyaknya kriteria

5. Hasil perkalian tersebut dijumlahkan untuk

menghasilkan nilai vector V untuk setiap alternatif.

Nilai vector V dapat dihitung dengan rumus :

Vi =

Keterangan:

V: menyatakan preferensi alternatif yang

dianalogikan sebagai vektor

S: menyatakan preferensi kriteria yang

dianalogikan sebagai vektor S

n : menyatakan banyaknya kriteria

6. Mencari nilai alternatif dengan melakukan langkah

yang sama seperti pada langkah satu, hanya saja

menggunakan nilai tertinggi untuk setiap atribut

tertinggi untuk setiap atribut manfaat dan nilai

terendah untuk atribut biaya.

7. Membagi nilai V bagi setiap alternatif dengan nilai

standar.

8. Mencari nilai alternatif ideal yakni dengan

merangking nilai Vektor V sekaligus membuat

kesimpulan sebagai tahap akhir.

ANALISIS DAN PERANCANGAN

3.1. Tahapan Penelitian

Pada penelitian ini melakukan beberapa tahapan.

Berikut tahapan penelitian :

1. Identifikasi masalah

Melakukan indentifikasi tentang masalah

yang dibahas pada penelitian ini, yaitu :

a. Kriteria apa saja yang memenuhi fitur layanan

yang baik.

b. Bagaimana menentukan penilaian pada setiap

kriteria e-marketplace.

c. Bagaimana menggunakan sistem pendukung

keputusan untuk menentukan e-marketplace

yang memenuhi kriteria dengan tepat dan sesuai

dengan kebutuhan konsumen.

2. Merumuskan dan membatasi masalah

Untuk lebih memusatkan penelitian yang ada

dan agar tidak menyimpang dari pokok

pembahasan, maka penulis membuat batasan

permasalahan. Dimulai dari kriteria yang penulis

uji adalah pengiriman, promo, produk dan

pembayaran. Setelah itu penulis menyebarkan

kuesioner kepada para konsumen e-marketplace di

wilayah kota Bekasi. Setelah mendapatkan

kuesioner yang telah diisi oleh konsumen

kemudian dianalisa menggunakan teknik uji

validitas dan reabilitas dan diolah menggunakan

Skala Likert dan Metode Weighted Product. Hasil

akan menentukan e-marketplace mana yang terbaik

berdasarkan fitur layanan.

3. Melakukan studi kepustakaan

Mempelajari literatur yang akan digunakan

sebagai kajian teori dalam penelitian yang akan

dibahas.

4. Merumuskan hipotesis atau pernyataan penelitian

Mengemukakan pernyataan awal tentang

faktor yang berpengaruh terhadap pemilihan e-

marketplace berdasarkan kriteria yang telah

ditentukan. Berikut hipotesis yang penulis tentukan

:

H1 : Tokopedia lebih diminati dari sisi

pembayaran dan promo

H2 : Bukalapak lebih diminati dari sisi

pengiriman dan promo

H3 : Shopee lebih diminati dari sisi promo dan

produk

5. Menentukan desain dan metode penelitian

Metode penelitian yang penulis gunakan,

yaitu :

a. Observasi

Penulis melakukan pengamatan langsung

terhadap objek penelitian di e-marketplace

terbesar di Indonesia untuk mendapatkan data

dan informasyang diperlukan untuk mengetahui

fitur layanan pada e-marketplace tersebut.

b. Wawancara

Penulis melakukan wawancara kepada

para konsumen untuk mengetahui nilai pada

setiap kriteria yang telah ditentukan.

c. Studi pustaka

Dalam metode ini penulis mendapat bahan

penulisan dan membaca buku-buku tentang

penelitian yang penulis lakukan dan bagaimana

cara mengaplikasikan dan menggunakan

metode yang akan digunakan.

6. Menyusun instrumen dan mengumpulkan data

Tahap ini adalah penentuan instrumen

penelitian yaitu dengan menggunakan kuesioner.

Kuesioner tersebut nantinya akan disebar kepada

masyarakat kota Bekasi. yang hasilnya akan

digunakan penulis sebagai bahan pengumpulan

data.

7. Menganalisis data dan menyajikan hasil



ISSN : 2541-5093

Mengelola data yang sudah didapat. Lalu

menganalisa hasil pengolahan data berdasarkan

hasil penelitian. Membuat kesimpulan penelitian.

3.2. Instrumen Penelitian

Instrumen penelitian yang digunakan penulis

adalah kuesioner. Merupakan Alat bantu berupa pernyataan

yang harus dijawab oleh responden. Secara singkat data

dalam penelitian ini dilakukan dengan menyebarkan

kuesioner dalam sejumlah pernyataan kepada para

responden dan hasil yang di dapatkan kemudian dianalisa

menggunakan teknik analisis uji validitas dan reabilitas

untuk mengetahui apakah data yang didapat bisa digunakan

dalam penelitian atau tidak. Pada penlitian ini terdapat

empat kriteria yang akan diteliti, yaitu pengiriman (C1),

promo (C2), produk (C3), dan pembayaran (C4).

3.3. Metode Pengumpulan Data, Populasi dan Sampel

Penelitian

3.3.1. Metode Pengumpulan Data

Metode pengumpulan data yang dilakukan, yaitu

menggunakan kuesioner. Jenis kuesioner yang digunakan

penulis adalah kuesioner tertutup. Pada kuesioner tertutup

pernyataan sudah disusun secara terstruktur. Dengan kata

lain, kuesioner terstruktur adalah kuesioner yang disajikan

sedemikian rupa sehingga responden diminta untuk memilih

satu jawaban. Kuesioner disebar menggunakan Google

Form, hasil kuesioner yang didapatkan disimpan dalam

format Microsoft Excel. Kemudian dianalisa menggunakan

teknik uji validitas dan reabilitas dan diolah menggunakan

Skala Likert dan Metode Weighted Product.

3.3.2. Populasi

Populasi yang diambil pada penelitian ini yaitu

masyarakat kota Bekasi. Menurut Badan Pusat Statistik

Kota Bekasi didapatkan data jumlah total penduduk kota

Bekasi pada tahun 2016, yaitu sebanyak 2.430.229 ribu jiwa

yang berasal dari 12 kecamatan.

3.3.3. Sampel Penelitian

Berdasarkan jumlah populasi yang diketahui. Lalu

dihitung menggunakan rumus slovin untuk menentukan

sampel yang akan diambil, yaitu 25 responden

3.4. Metode Analisis Data

Metode analisis data yang penulis gunakan, yaitu

uji validitas dan uji reabilitas.

3.5. Analisis Data

3.5.1. Data Responden

Responden yang dijadikan sampel penelitian

adalah masyarakat kota Bekasi. Secara keseluruhan jumlah

sampel 25 responden dengan 12 pernyataan dan memiliki 4

kriteria yaitu pengiriman (C1), promo (C2), produk (C3),

dan pembayaran (C4).

Dari kuesioner yang telah diisi oleh responden

didapat identitas responden, yaitu:

1. Jenis kelamin

Dari hasil perhitungan data responden

berjenis kelamin pria jumlahnya sebanyak 10

responden dari 25 total sampel. Sedangkan

responden berjenis kelamin wanita sebanyak 15

responden dari 25 total sampel.

2. Domisili di kota Bekasi

Dari hasil perhitungan data responden yang

berdomisili di kota Bekasi jumlahnya sebanyak 25

responden dengan presentase 100% dari 25 total

sampel

3.5.2.. Skala Likert

Untuk menentukan penilaian pada setiap jawaban

responden. Penulis menggunakan Skala Likert. Skala Likert

merupakan suatu skala psikometrik yang umum digunakan

dalam kuesioner dan merupakan skala yang paling banyak

digunakan dalam riset berupa survei. Biasanya dalam skala

ini rentang penilaiannya dari 1 sampai 5. Sedangkan format

pernyataan yang penulis buat dengan menggunakan format

pernyataan positif.

3.5.3. Uji Validitas

Setelah setiap jawaban responden dilakukan

penilaian dengan skala likert selanjutnya dilakukan uji

validitas. Dihetahui bahwa hasil uji validitas pada

pernyataan 1 sampai 12 valid.

3.5.4. Uji Reabilitas

Diketahui hasil uji reabilitas dengan nilai reabilitas

0,76, maka jika nilai >0,7 artinya reabilitas mencukupi

3.6. Pengujian Metode Weighted Product

3.6.1.. Penentuan Kriteria

Pada tahap ini penulis telah menentukan kriteria

yang dijadikan acuan dalam perhitungan metode weighted

product. Berikut kriteria yang dimaksud :

a) C1=pengiriman

b) C2=promo



ISSN : 2541-5093

c) C3=produk

d) C4=pembayaran

3.6.2. Tingkat Kepentingan

Dari hasil kuesioner dapat diketahui bahwa :

1 Pengiriman mendapatkan nilai awal bobot 32% /

0,32

2 Promo mendapatkan nilai awal bobot 80% / 0,80

3 Produk mendapatkan nilai awal bobot 56% / 0,56

4 Pembayaran mendapatkan nilai awal bobot 28% /

0,28

3.6.3. Perbaikan Bobot Kriteria

Setelah diketahui nilai bobot awal tiap-tiap kriteria.

Kemudian dilakukan perbaikan bobot sehingga ∑w = 1

dengan rumus :

𝑊𝑗 =

Keterangan : Wj = bobot atribut

∑wj = penjumlahan bobot atribut

Diperoleh :

a) W1 = 0,32 / (0,56+0,32+0,80+0,28)

= 0,16

b) W2 = 0,80 / (0,56+0,32+0,80+0,28)

= 0,40

c) W3 = 0,56 / (0,56+0,32+0,80+0,28)

= 0,28

d) W4 = 0,28 / (0,56+0,32+0,80+0,28)

= 0,14

Keterangan :

W1 = C1

W2 = C2

W3 = C3

W4 = C4

3.6.4. Penentuan Alternatif

Pada tahap ini penulis telah menentukan alternatif

yang dijadikan pilihan dalam memilih e-marketplace

berdasarkan fitur layanan. Berikut alternatif yang dimaksud

:

a) A1=Tokopedia

b) A2=Bukalapak

c) A3=Shopee

3.6.5. Penilaian Setiap Alternatif

Dari tabel diatas telah diketahui alternatif yang

dijadikan pilihan dalam memilih e-marketplace. Selanjutnya

ditentukan penilaian alternatif berdasarkan pernyataan pada

kuesioner yang telah penulis sebar.

Dari hasil kuesioner tersebut dapat diketahui nilai

dari setiap alternatif, yaitu sebagai berikut :

Tabel 4. Nilai Alternatif

No Alternatif Kriteria

C1 C2 C3 C4

1 A1 95 83 97 107

2 A2 103 95 102 80

3 A3 98 106 105 86

Keterangan :

C1 : pengiriman

C2 : promo

C3 : produk

C4 : pembayaran

A1 : Tokopedia

A2 : Bukalapak

A3 : Shopee

3.6.6. Pengujian

Setelah didapatkan bobot setiap kriteria dan nilai

setiap alternatif. Lalu dilakukan pengujian, yaitu sebagai

berikut :

Menghitung vektor S:

Diperoleh :

S1 = (950,16)(830,40)(970,28)( (1070,14)

= 84,04

S2 = (1030,16)(950,40)(1020,28)(800,14)

= 87,50

S3 = (980,16)(1060,40)(1050,28)(860,14)

= 92,36

Keterangan :

S1 = A1

S2 = A2

S3 = A3

Menghitungnilai vektor V:

Diperoleh :

V1 = 84,04 / (84,04+87,50+92,36)

= 0,32

V2 = 87,50 / (84,04+87,50+92,36)

= 0,33

V3 = 92,36 / (84,04+87,50+92,36)

= 0,35

Keterangan :

V1 = A1



ISSN : 2541-5093

V2 = A2

V3 = A3

Berdasarkan hasil perhitungan vektor V diketahui

bahwa nilai tertinggi (max) adalah V3 sehingga alternatif A3

atau Shopee adalah alternatif yang terpilih sebagai alternatif

terbaik.

3.7.. Uji Hipotesis

Hipotesis adalah jawaban sementara terhadap

masalah yang masih bersifat praduga karena masih harus

dibuktikan kebenarannya.

hasil dari pengujian hipotesis yaitu :

1. Hasil pengujian pada hipotesis H1 yang berisi

Tokopedia lebih diminati dari sisi pembayaran dan

promo. Hipotesis H1 ditolak dikarenakan pada

hasil penelitian dikektahui bahwa Tokopedia lebih

diminati dari sisi produk dan pembayaran.


Bukalapak lebih diminati dari sisi pengiriman dan

promo. Hipotesis H2 ditolak dikarenakan pada

hasil penelitian diketahui bahwa Bukalapak lebih

diminati dari sisi produk dan pengiriman.


Shopee lebih diminati dari sisi promo dan produk.

Hipotesis H3 diterima dikarenakan pada hasil

penelitian diketahui bahwa Shopee lebih diminati

dari sisi promo dan produk.


Berdasarkan hasil penelitian yang telah dilakukan

dapat diambil kesimpulan bahwa untuk proses pemilihan e-

marketplace berdasarkan fitur layanannya dibutuhkan

beberapa kriteria sebagai pertimbangan.

Adapun kriteria yang telah ditentukan yaitu

pengiriman, pembayaran, produk dan promo. Dari beberapa

kriteria tersebut kemudian ditentukan nilai bobot dari

masing masing kriteria dengan menggunakan kuisioner.

Lalu didapatkan hasil bahwa pertimbangan utama

masyarakat kota Bekasi dalam membeli barang secara

online adalah pada promo e-marketplace tersebut dengan

persentase 80%. Sedangkan kriteria lainnya mendapatkan

persentase produk 56%, pengiriman 32%, dan pembayaran

28%.

Dari kriteria yang telah ditemukan nilai bobotnya

kemudian dihitung dengan metode Weighted Product untuk

menghasilkan nilai terbesar yang akan terpilih sebagai

alternatif terbaik.

Hasil pengujian perhitungan dengan metode

Weighted Product menunjukkan bahwa perangkingan

vektor V yang terbesar atau tertinggi yang menjadi alternatif

pada pemilihan e-marketplace adalah Shopee dengan nilai

vektor 0,35. Sedangkan Tokopedia 0,32 dan Bukalapak

0,33.

Hasil pada pengujian hipotesis menunjukkan bahwa

hipotesis H3 dapat diterima karna sesuai dengan hasil

penelitian.

REFERENSI [1] Alwafi, F., & Magnadi, R. H. (2016). PENGARUH

PRESEPSI KEAMANAN, KEMUDAHAN

BERTRANSAKSI, KEPERCAYAAN TERHADAP

TOKO DAN PENGALAMAN BERBELANJA

TERHADAP MINAT BELI SECARA ONLINE PADA

SITUS JUAL BELI TOKOPEDIA.COM. 5(2), 1–15.

[2] Fauziah, D. N., & Wulandari, D. A. N. (2018).

Pengukuran kualitas layanan bukalapak.com

terhadap kepuasan konsumen dengan metode

webqual 4.0. Jurnal Ilmu Pengetahuan Dan

Teknologi Komputer, 3(2), 173–180.

[3] Royanti, N. I., & Yunianto, E. (2018). PEMILIHAN

E-MARKETPLACE BAGI PEDAGANG BATIK

PEKALONGAN MENGGUNAKAN METODE

FUZZY AHP-TOPSIS. 36–43.

[4] Nofriansyah, D., & Defit, S. (2017a). MULTI

CRITERIA DECISION MAKING (MCDM) PADA

SISTEM PENDUKUNG KEPUTUSAN (pertama; H.

Rahmadhani & C. M. Sartono, Eds.). Yogyakarta:

CV BUDI UTAMA.

[5] Sari, F. (2017). METODE DALAM PENGAMBILAN

KEPUTUSAN (1st ed.; D. Novidiantoko & haris ari

Susanto, Eds.). Yogyakarta: CV BUDI UTAMA.

[6] Setiadi, A., & Agustia, R. D. (2019). PENERAPAN

METODE AHP DALAM MEMILIH

MARKETPLACE E-COMMERCE BERDASARKAN

SOFTWARE QUALITY AND EVALUATION

ISO/IEC 9126-4 UNTUK UMKM. 1–10.

[7] Hatta, H. R., Rizaldi, M., & Khairina, D. M. (2016).

Penerapan Metode Weighted Product Untuk

Pemilihan Lokasi Lahan Baru Pemakaman Muslim

Dengan Visualisasi Google Maps. Jurnal Nasional

Teknologi Dan Sistem Informasi, 2(3), 85–94.

https://doi.org/10.25077/teknosi.v2i3.2016.85-94

[8] Khairina, D. M., Ivando, D., & Maharani, S. (2016).

Implementasi Metode Weighted Product Untuk

Aplikasi Pemilihan Smartphone Andorid. 8(1), 1–8.



ISSN : 2541-5093

[9] Fahmi, I. (2018). Teori dan Teknik Pengambilan

Keputusan: Kualitatif dan Kuantitatif (3rd ed.; M. A.

Djalil, Ed.). Depok: PT Raja Grafindo Persada.

[10] Syafitri, N. A., Sutardi, & Dewi, A. P. (2016).

PENERAPAN METODE WEIGHTED PRODUCT

DALAM SISTEM PENDUKUNG KEPUTUSAN

PEMILIHAN LAPTOP BERBASIS WEB. 2(1), 169–

176.



ISSN : 2541-5093

SISTEM INFORMASI EVALUASI KINERJA PRODUKSI

PERUSAHAAN PERTAMBANGAN BATUBARA PADA DIREKTORAT

JENDERAL MINERAL DAN BATUBARA 1Ajeng Shilvie Nurlatifah, 2Sunjana

Jurusan Teknik Informatika – Fakultas Teknik Universitas Widyatama

Jl. Cikutra Bandung - Jawa Barat, Indonesia

Email: [email protected],

[email protected]

Abstract— Currently, virtually no country in the world

includes Indonesia whose development is independent of the

important and strategic role of mineral and coal resources. Along

with the growing economic growth and the increasing number of

population, increasing the consumption of minerba is an

unavoidable, where the state of all activities can be ascertained

require minerba. The development of national development will

depend on the attention and efficiency of the use of minerba. The

Directorate General of Mineral and Coal as a government that

considers the minerba resources has provisions in the

management of company data and production data of mining

activities of the company. In addition, they have difficulties in

evaluating company performance. It uses the waterfall

methodology because of its development process through several

gradual processes. Odoo is used as a framework in developing

this information system with Python and XML programming

languages and PostgreSQL is used as database server. The

system can be expected to benefit the Directorate General of

Minerals and Coal in the management of the company's

production data and the assessment of performance appraisal.

Keywords— Information System, Government, Performance

Evaluation, Production, Odoo

PENDAHULUAN

Saat ini, hampir tidak ada satu pun negara di

dunia termasuk Indonesia yang pembangunannya

terlepas dari peran penting dan strategis sumber daya

mineral dan batubara (minerba). Seiring dengan

semakin berkembangnya pertumbuhan ekonomi dan

semakin bertambahnya jumlah penduduk, peningkatan

konsumsi minerba merupakan suatu hal yang tidak

dapat dihindarkan, dimana hampir seluruh aktivitas

ekonomi dapat dipastikan membutuhkan minerba.

Perkembangan pembangunan nasional akan sangat

tergantung pada ketersediaan dan efisiensi penggunaan

minerba.

Di Indonesia terdapat lebih dari 4.000 perusahaan

pertambangan batubara (Coal Mining Company) yang

memiliki ijin baik berupa Perjanjian Karya

Pengusahaan Pertambangan Batubara (PKP2B) atau

Ijin Usaha Pertambangan (IUP). Perusahaan

pertambangan batubara yang diklasifikasikan besar,

dalam arti memiliki mayoritas sumberdaya dan

cadangan batubara serta produksi batubara nasional

adalah perusahaan tambang batubara yang memegang

ijin PKP2B sejumlah kurang lebih 250 perusahaan.

Undang-Undang No. 4 tahun 2009 tentang

Pertambangan Mineral & Batubara, pada BAB XII

tentang Data Pertambangan pasal 88 menyebutkan

bahwa:

(1) Data yang diperoleh dari kegiatan usaha

pertambangan merupakan data milik Pemerintah

dan/atau pemerintah daerah sesuai dengan

kewenangannya

(2) Data usaha pertambangan yang dimiliki

pemerintah daerah wajib disampaikan kepada

Pemerintah untuk pengelolaan data pertambangan

tingkat nasional.

(3) Pengelolaan data sebagaimana dimaksud pada

ayat (1) diselenggarakan oleh Pemerintah dan/atau

pemerintah daerah sesuai dengan kewenangannya.

Dengan mengacu dasar hukum tersebut,

pemerintah berhak meminta data pertambangan dari

seluruh perusahaan tambang batubara baik itu berupa

data administratif, produksi, perijinan, operasional

maupun data yang bersifat keuangan dalam rangka

pengawasan kegiatan operasional perusahaan

pertambangan nasional.

Saat ini Dirjen Minerba secara manual melakukan

analisis terhadap data produksi pertambangan yang

dikirimkan oleh perusahaan pertambangan. Hal ini

sangat tidak efektif mengingat data yang dikirimkan

oleh perusahaan pertambangan dikirim dalam format

yang berbeda beda.





ISSN : 2541-5093

Selain itu, perlu waktu yang cukup lama bagi

Dirjen Minerba untuk merekap data yang harus

disetorkan pada pemerintah sehingga evaluasi kinerja

perusahaan hanya dinilai berdasarkan kelengkapan dan

ketepatan pengiriman laporan saja, sedangkan untuk

melakukan evaluasi kinerja produksi dibutuhkan

banyak indikator penilaian agar dapat diketahui secara

nyata bagaimana kegiatan pertambangan yang

dilakukan oleh perusahaan itu berjalan.

Menurut (Djaali, 2004 : 1) penilaian dalam bahasa

inggris dikenal dengan istilah assesment merupakan

suatu tindakan atau proses menetukan nilai sesuatu

objek. Penilaian juga merupakan suatu keputusan

tentang nilai. Penilaian dapat dilakukan berdasarkan

hasil pengukuran atau dapat pula dipengaruhi oleh

hasil pengukuran.

Menurut Buku Petunjuk Teknis Standar

Pelayanan Minimal Bidang Kesehatan (Kemenkes RI),

pengertian indikator dapat diartikan sebagai variabel

yang bisa dipakai untuk mengevaluasi

kondisi/keadaan/status serta memungkinkan

dilakukannya tindakan pengukuran terhadap berbagai

perubahan yang terjadi dari satu waktu ke waktu

lainnya.

Menurut Stufflebeam dalam Lababa (2008),

evaluasi adalah “The process of delineating, obtaining,

and providing useful information for judging decision

alternatives."

Menurut Chariri dan Ghozali, kinerja perusahaan

bisa juga diukur dengan menggunakan informasi

keuangan atau juga menggunakan informasi non

keuangan. Informasi non keuangan ini dapat berupa

kepuasan pelanggan atas pelayanan yang diberikan

oleh perusahaan. Meskipun begitu, kebanyakan kinerja

perusahaan diukur dengan rasio keuangan dalam

periode tertentu.

OpenERP (dulu bernama TinyERP, sekarang

bernama Odoo) adalah sebuah perangkat lunak

Enterprise Resource Planning (ERP) atau perangkat

lunak perencanaan sumber daya perusahaan yang

dilisensikan free/open source. OpenERP

dikembangkan dengan bahasa pemrograman Python.[1]

Tujuan dari penelitian ini adalah :

1. Untuk membangun sistem informasi yang

mampu mengelola data perusahaan

pertambangan batubara, berikut data

produksinya.

2. Untuk membangun sistem berbasis web yang

dapat mempermudah Direktorat Jenderal

Mineral dan Batubara dalam mengumpulkan

dan mendapatkan data-data pertambangan

langsung dari perusahaan pertambangan itu

sendiri yang akan dijadikan sebagai indikator

evaluasi kinerja

METODOLOGI PENGEMBANGAN SISTEM

Metodologi pengembangan sistem adalah metode-

metode, prosedur-prosedur, konsep-konsep pekerjaan,

aturan-aturan dan postulat-postulat yang akan

digunakan untuk mengembangkan suatu sistem

informasi.[2] Dalam penelitian ini, penulis

menggunakan metodologi model waterfall.

Gambar 1. Metodologi Pengembangan Sistem

Waterfall[3]

HASIL DAN PEMBAHASAN

I.5 Analisis Sistem Berjalan

1. Flowmap Pelaporan Dokumen RKAB

Dengan melihat banyaknya dokumen

yang berada di kantor minerba yaitu sekitar 63,4

m3 per perusahaan per tahun menyebabkan

penumpukan dokumen setiap tahunnya. Tidak

hanya itu, dengan pendataan seperti ini dapat

menyulitkan dalam pencarian data karena

pencarian dilakukan manual satu persatu terhadap

dokumen yang telah disimpan, hal tersebut

menyebabkan tersitanya banyak waktu.

Dalam melakukan pengumpulan laporan

RKAB Produksi dan mengevaluasi kinerja

perusahaan, saat ini Dirjen Minerba menggunakan

metode rekap data dengan menggunakan aplikasi

microsoft excel yang dikerjakan oleh tim input

mereka. Dokumen yang dikirimkan oleh

perusahaan diberikan tanda terima dokumen

sebagai bukti yang sah bahwa perusahaan tersebut

telah melaporkan kewajibannya. Berikut dibawah

ini merupakan deskripsi dan flowmap dari proses

pelaporan dokumen perusahaan :



ISSN : 2541-5093

Gambar 2. Flowmap Pelaporan RKAB

Deskripsi Flowmap :

1. Perusahaan mendatangi kantor dirjen minerba.

2. Perusahaan menyerahkan dokumen RKAB

Produksi kepada staff minerba.

3. Staff minerba menerima dokumen RKAB

Produksi perusahaan.

4. Staff minerba membuat bukti tanda terima

penyerahan dokumen RKAB Produksi.

5. Staff minerba menyerahkan bukti tanda terima


6. Perusahaan menerima bukti tanda terima


7. Staff minerba menginputkan dokumen

RKAB perusahaan melalui aplikasi

microsoft excel.

8. Staff minerba menyimpan dokumen fisik

di gudang penyimpanan dokumen.

9. Proses pelaporan dokumen selesai.

2. Flowmap Evaluasi Kinerja Produksi

Format dokumen yang dikirimkan oleh

perusahaan tersebut diantaranya berupa :

Dokumen PDF dengan format narasi yang

disusun per paragraf.

Dokumen PDF dengan format tabel yang tiap

perusahaan menggunakan layout yang berbeda

beda.

Dokumen Excel dengan format tabel yang tiap

perusahaan menggunakan layout yang berbeda

beda.

Dengan adanya format laporan yang

berbeda beda maka tim input minerba harus

menerjemahkan seluruh data tersebut kedalam

sebuah format yang sama. Atas dasar kebutuhan

tersebut, maka terciptalah format excel yang

didisusun oleh dirjen minerba. Namun perusahaan

tambang batubara belum menggunakan format

tersebut karena format excel yang dibuat minerba

sendiri selalu berubah ubah.

Setiap data evaluasi yang dibutuhkan

oleh direktur minerba memerlukan waktu yang

cukup lama untuk merekapnya karena dibuat dan

dicari pada saat itu juga. Hal itu pun baru

dilaksanakan jika memang benar benar ada

permintaan dari direktur sendiri. Hal ini bukan

masalah jika hanya memerlukan 1 perusahaan

dalam 1 periode, lain halnya jika data yang harus

disajikan diambil dari rekapan dari tahun ke tahun

pasti akan memerlukan waktu yang lebih lama.

Yang lebih parahnya lagi jika dibutuhkan seluruh

data rekapan dari tahun ke tahun per perusahaan

sudah dipastikan akan membutuhkan waktu yang

jauh lebih lama. Berikut merupakan deskripsi dan

flowmap dari proses evaluasi kinerja produksi

perusaaan.



ISSN : 2541-5093

Gambar 3. Flowmap Evaluasi Kinerja

Deskripsi flowmap :

1. Direktur membutuhkan data evaluasi kinerja

produksi perusahaan tambang X.

2. Direktur minerba meminta hasil evaluasi kinerja

produksi perusahaan tambang X kepada staff

minerba.

3. Staff minerba menerima dan mencatat

permintaan hasil evaluasi kinerja produksi

perusahaan tambang X.

4. Staff minerba mencari dokumen perusahaan X

terkait dengan permintaan hasil evaluasi kinerja.

5. Staff minerba mengumpulkan dokumen RKAB

perusahaan X.

6. Staff minerba merekap evaluasi kinerja

perusahaan X menggunakan aplikasi microsot

excel.

7. Staff minerba mencatak hasil evaluasi kinerja,

kemudian menyerahkan dokumen tersebut

kepada direktur minerba.

8. Direktur minerba menerima dokumen evaluasi

kinerja perusaahaan X.

9. Proses evaluasi kinerja perusahaan selesai.

I.6 Perancangan Sistem

1. Use Case Diagram

Pemodelan Usecase sering dianggap sebagai

pandangan eksternal atau fungsional dari proses

bisnis karena menunjukkan bagaimana pengguna

melihat proses daripada mekanisme internal yang

digunakan sistem proses dan pendukungnya. Use

case dapat mendokumentasikan sistem saat ini atau

sistem baru yang sedang dikembangkan.[4] Gambar

4 Use case diagram dlampirkan.

2. Activity Diagram

Activity Diagram mengolah data RKAB via Aplikasi

Gambar 5. Activity Diagram Mengolah Data RKAB

via Aplikasi

Deskripsi activity diagram mengolah data RKAB via

Aplikasi:

a. Admin memilih menu perusahaan

b. Sistem menampilkan form perusahaan

c. Admin membuat record info tahunan tahun berjalan

d. Sistem melakukan pengecekan, jika data master

blok/pit/wda tidak ada maka admin harus mengisinya

terlebih dahulu.

e. Admin memilih sub menu produksi

f. Sistem menampilkan form sub menu produksi

g. admin mengisi data RKAB perusahaan

h. Sistem menyimpan perubahan



ISSN : 2541-5093

Activity Diagram mengolah data RKAB via Excel

Gambar 6. Activity Diagram Mengolah Data RKAB

via Template Excel

Deskripsi activity diagram mengolah data RKAB via

excel :

a. Admin request template excel pada sistem

b. Sistem melakukan pengecekan, jika data master

blok/pit/wda belum terisi maka harus diisi terlebih

dahulu.

c. Jika sudah, maka sistem akan mengenerate template

excelnya

d. Admin mendownload template excel

e. Admin mengisi template excel

f. Admin r mengupload template excel

g. Sistem melakukan pengecekan excel baru

h. Jika error maka proses upload gagal

i. Jika sukses maka sistem akan menyimpan perubahan

Activity Diagram Penerimaan Laporan RKAB

Gambar 7. Activity Diagram Penerimaan Laporan

RKAB

Deskripsi activity diagram melaporkan laporan RKAB

produksi :

1. Supervisor masuk ke form data produksi

2. Sistem menampilkan form produksi

3. Supervisor menekan tombol laporan final

4. Sistem mengubah status laporan dari draft menjadi final

5. Supervisor masuk ke form data administrasi

6. Sistem menampilkan form data administrasi

7. Supervisor menekan tombol laporkan ke ESDM

8. Sistem melakukan pengecekan, jika seluruh data tahunan

sudah final maka sistem mengubah status laporan

menjadi sudah dilaporkan

9. Admin ESDM menerima laporan perusahaan

10. Sistem mengubah status laporan menjadi sudah diterima



ISSN : 2541-5093

3. Class Diagram

Class adalah sebuah spesifikasi yang jika

diinstansiasi akan menghasilkan sebuah objek dan

merupakan inti dari pengembangan dan desain berorientasi

objek. Class menggambarkan keadaan (atribut/properti)

suatu sistem, sekaligus menawarkan layanan untuk

memanipulasi keadaan tersebut (metoda/fungsi).

Class diagram menggambarkan struktur dan

deskripsi class, package dan objek beserta hubungan satu

sama lain seperti containment, pewarisan, asosiasi, dan lain-

lain. Gambar Class Diagram dilampirkan pada Gambar 8, 9

dan 10.

I.7 Implementasi Sistem

Sistem yang dirancang dalam pengelolaan datanya

dapat melalui dua cara. Yaitu via aplikasi dan via template

excel. Template excel digunakan sebagai media semi

peralihan supaya perusahaan dapat menyesuaikan diri

dengan sistem pemerintah yang baru.

1. National Analytics

Dashboard digunakan untuk mengetahui

overview dari keadaan suatu atau beberapa

perusahaan sehingga mempermudah bagi

manajemen untuk mengambil keputusan.

Dashboard national analytics diperuntukan bagi

user dengan role Dirjen Minerba (ESDM) yang

isinya dapat melihat beberapa informasi seperti :

- Top 5 Rank

Untuk mengetahui lima perusahaan

terbaik dalam pelaporan data produksi

berdasarkan hasil evaluasi kinerja pada tahun

berjalan.

- Grafik Evaluasi Kinerja

Untuk mengetahui gambaran mengenai

evaluasi kinerja per perusahaan yang telah

melapor.

- Realisasi Ekspor Paling Tinggi

Untuk mengetahui perusahaan mana yang

paling besar melakukan ekspor keluar negeri

pada tahun berjalan.

- Realisasi DMO Paling Tinggi

Untuk mengetahui perusahaan mana yang

paling besar merealisasikan DMO (Domestic

Market Obligation) yang merupakan

kewajiban untuk memasarkan atau menjual

batubara didalam negeri.

- Perusahaan yang belum melapor

Untuk mengetahui perusahaan mana saja

yang belum melaporkan data produksinya pada

tahun berjalan.

Gambar 11. Dashboard National Analytics

2. Company Analytics

Dashboard yang hanya dapat lihat oleh

perusahaan. Dalam dashboard ini menampung

beberapa informasi mengenai :

- Status Laporan Tahun Ini

Untuk mengetahui status dari tiap item

data produksi.

- Grafik Evaluasi Kinerja Tahunan

- Untuk mengetahui progress / perkembangan

evaluasi kinerja

- Check Data Tahun Ini

Untuk mengetahui persentase

kelengkapan dari data produksi yang telah

dibuat.

Gambar 12. Company Analytics

3. Check List Data

Form check list data digunakan untuk

mengetahui progress dari setiap menu item

produksi sehingga tidak perlu melihat satu per satu

kedalam data yang terdapat dalam setiap menu.

Selain itu untuk mengetahui apakah data produksi

pada tahun itu sudah diisi atau belum, mengetahui

statusnya serta mengetahui persentase kelengkapan

datanya.



ISSN : 2541-5093

Gambar 13. Check List Data

4. Data Konfigurasi

Data konfigurasi memuat master master

data yang berhubungan dengan konfigurasi sistem.

Terdapat beberapa form konfigurasi diantaranya :

- User management

- Master Tahun

- Master Triwulan

- Master Bobot

- Kategori Indikator

- Provinsi

- Kota/Kabupaten

Gambar 14. Form User Management

5. Data Perusahaan

Menu perusahaan menampilkan kanban

view dan form view yang berisi data mengenai

perusahaan perusahaan tambang. Hanya pihak

Dirjen Minerba yang dapat membuat data

perusahaan. Setiap perusahaan yang terdaftar

dalam sistem dapat memiliki user login untuk

masuk kedalam sistem. Nantinya setiap user

perusahaan yang login hanya bisa melihat data

milik perusahaannya sendiri dan tidak dapat

melihat data milik perusahaan lain.

Gambar 15. Form Perusahaan

6. Data Administrasi

Data administrasi memuat detail

mengenai jenis komoditi dari perusahaan tambang,

kepala teknik tambang, kode wilayah, tahun

berakhirnya kontrak, luas ijin produksi, kapasitas

rencana produksi, dan lain lain. Terdapat tiga status

pada pojok kanan atas form yang bertuliskan belum

dilaporkan, sudah dilaporkan dan sudah diterima.

Ketiga status tersebut sebagai penanda status dari

data produksi pada tahun tersebut.

Gambar 16. Form Data Administrasi

7. Dokumen Triwulan dan Dokumen DMO

DMO merupakan singkatan dari

Domestic Market Obligation. Form ini digunakan

untuk menampung dokumen dokumen yang biasa

dikimkan tiap triwulan agar tidak mudah tercecer.



ISSN : 2541-5093

Gambar 17. Form Dokumen Triwulan dan

DMO

8. Evaluasi Kinerja Produksi

Merupakan form yang digunakan untuk

mengetahui detail hasil penilaian terhadap data data

produksi yang dikirimkan atau diisi oleh

perusahaan. Perhitungan evaluasi kinerja

berdasarkan data data yang dikirimkan oleh

perusahaan seperti :

a. Data kegiatan konstruksi

b. Data operasi pengupasan overburden

c. Data biaya kegiatan penambangan

d. Data asumsi keuangan

e. Data pemasaran batubara

f. Data DMO batubara

Gambar 18. Form Evaluasi Kinerja Produksi

9. Download Excel Template

Form ini digunakan untuk request

template excel kedalam sistem. Nantinya sistem

akan men-generate template excel yang dapat diisi

oleh perusahaan yang terpilih untuk mengupdate

data pada tahun yang terpilih.

Gambar 19. Download Template Excel

10. Upload Template Excel

Form ini digunakan untuk mengupload

template excel yang telah didownload dan telah

diisi/diupdate datanya untuk kemudian disimpan

perubahannya kedalam sistem.

Gambar 20. Upload Template Excel

11. Template Excel

Template excel merupakan media

alternative untuk mengelola data perusahaan selain

melalui aplikasi secara langsung. Tetapi, template

excel ini tentunya digenerate dari sistem, kemudian

harus diupload kembali pada sistem.

Gambar 21. Template Excel

Keterangan :

- Sheet 1:

Data Administrasi.



ISSN : 2541-5093

- Sheet 2:

Data Master Blok/Pit.

- Sheet 3 :

Rencana dan Realisasi Kegiatan

Konstruksi dan Infrastruktur Tahun Berjalan-1.

- Sheet 4 :

Rencana Kegiatan Konstruksi dan

Infrastruktur Tahun Berjalan.

- Sheet 5 :

Rencana dan Realisasi Pengupasan

Overburden (OB)/Batuan Penutup Tahun

Berjalan-1 dan Rencana Tahun Berjalan.

- Sheet 6 :

Rencana dan Realisasi Biaya

Penambangan Batubara Tahun Berjalan-1 dan

Rencana Tahun Berjalan.

- Sheet 7:

Rencana dan Realisasi Pemasaran Tahun


- Sheet 8:

Rencana dan Realisasi Keuangan Tahun


KESIMPULAN

Pembuatan aplikasi sistem informasi evaluasi

kinerja produksi perusahaaan pertambangan batubara ini

bertujuan untuk mengelola data perusahaan pertambangan

batubara berikut data pertambangannya. Selain itu dapat

mempermudah dirjen minerba dalam mengumpulkan dan

mendapatkan data data pertambangan langsung dari

perusahaan pertambangan itu sendiri yang akan dijadikan

sebagai indikator evaluasi kinerja.

Sistem Informasi evaluasi kinerja produksi perusahaan

pertambangan batubara di Direktorat Jenderal Mineral dan

Batubara ini memberikan efektif kerja. Secara garis besar,

berdasarkan hasil perancangan dan pembuatan aplikasi

untuk Sistem Informasi evaluasi kinerja produksi

perusahaan pertambangan batubara di Direktorat Jenderal

Mineral dan Batubara yang telah dilakukan, dapat

disimpulkan hal-hal sebagai berikut:

1. Sistem yang dirancang ini adalah sistem evaluasi

kinerja produksi perusahaan pertambangan

batubara. Sistem ini dapat memberikan beberapa

kelebihan dibandingkan dengan sistem yang sedang

berjalan saat ini, yaitu efisien dan efektif dalam

pengolahan informasi dan pengelolaan data

perusahaan serta kegiatan pertambangannya.

2. Dengan adanya sistem informasi evaluasi kinerja

produksi perusahaan pertambangan batubara ini

dapat membantu direktorat jenderal mineral dan

batubara dalam mengevaluasi kinerja perusahaan

pertambangan batubara.

REFERENSI

[1] Noprianto, Budhysantika Whisnu, Widoyo, Dasar –

Dasar OpenERP Sisi Teknikal dan Contoh Kasus,

2014

[2] Jogiyanto HM. Analisis dan Desain Sistem

Informasi: Pendekatan Terstruktur Teori dan

Praktik Aplikasi Bisnis, Andi, 2005.

[3] Pressman and Bruce R. Maxim, Software

Engineering: A Practitioner’s Approach Eighth

Edition, McGraw-Hill Education, 2015.

[4] Dennis, Wixom, and Tegarden, System Design &

Analysis With UML Version 2.0 an Object

Oriented Approach 4th Edition, John Wiley &

Sons, 2012.

[5] Rusdiana, A. (2014). Manajemen Operasi.

Bandung : Pustaka Setia.

[6] Mulyani, S. (2016). Metode Analisis dan Perancangan Sistem. Bandung : Abdi Sistematika.


ISSN : 2541-5093


PERENCANAAN PROYEK SISTEM INFORMASI AKADEMIK

PENDEKATAN METODE EARNED VALUE

Sunjana

Program Studi Teknik Informatika, Fakultas Teknik, Universitas Widyatama

e-mail : [email protected]

Abstrak— Pada zaman sekarang ini berbagai

macam proyek dibuat mulai dari proyek

pembangunan, pemerintahan, ataupun IT. Dalam

pembuatan proyek perlu perencanaan yang matang

agar tidak berdampak buruk dalam proses

pengerjaan suatu proyek. Biaya proyek sangat

berpengaruh dalam pelaksanaan proyek, maka dari

itu diperlukan analisis perencanaan proyek yang

tepat untuk membangun proyek sehingga proyek

dapat terselesaikan tepat waktu dan tidak over

budget. Maka dilakukan penelitian untuk

menganalisis kinerja biaya dan waktu dengan

menggunakan metode Earned Value Management

(EVM) agar manager dapat mengetahui perkiraan

biaya dan waktu dari sebuah proyek tertentu. Dari

hasil penelitian diperoleh nilai CV negatif dan nilai

SV positif, sehingga dapat ditarik kesimpulan bahwa

dari hasil perancangan biaya proyek sistem

informasi akademik di prediksi mengalami proses

pekerjaan yang lebih lambat daripada jadwal dengan

biaya yang lebih kecil dari anggaran yang dibuat.

Keywords—Biaya, Waktu, Earned Value

Management, Proyek.

I. PENDAHULUAN

Proyek merupakan serangkaian kegiatan yang

memiliki jangka waktu dan sumber daya tertentu

untuk melaksanakan tujuan yang jelas dan

keberhasilannya diikur dari perencanaan, pelaksanaan

dan pengawasan[1]. Kegiatan proyek sering tidak

sesuai dengan perencanaan awal, sehingga banyak

terjadi penyimpangan, baik pada jadwal maupun

biaya[2]. Adanya penyimpangan biaya dan waktu

yang signifikan dapat mengakibatkan pengelolaan

proyek yang buruk[3]. Oleh karena itu, perlu dibuat

perencanaan untuk mencapai efektifitas dan efisiensi

yang tinggi dari sumber daya yang akan digunakan

selama pelaksanaan proyek[4].

Konsep Earned Value adalah salah satu metode

yang bisa digunakan dalam pengelolan proyek yang

mengintegrasikan biaya dan waktu[5]. Konsep

Earned Value dapat memberikan gambaran mengenai

biaya dan jadwal proyek melalui progress pekerjaan

suatu proyek yang dijalankan. Dari segi biaya, dapat

diketahui apakah biaya sesuai perencanaan atau over

budget. Sedangkan dari segi jadwal, dapat diketahui

apakah proyek berjalan sesuai perencanaan atau

sebaliknya[6].

Tujuan penelitian ini adalah untuk menganalisa

kinerja biaya dan waktu dalam sistem informasi

akademik sehingga proyek dapat terselesaikan tepat

waktu dan tidak over budget. Proses mencapai tujuan

tersebut, terdapat tiga parameter penting bagi

penyelenggara proyek yang harus dipenuhi, yaitu

besar biaya (anggaran) yang dialokasikan, jadwal.

dan mutu. Ketiga batasan tersebut, bersifat

tarikmenarik atau saling berkaitan. Apabila ingin

meningkatkan mutu maka pada umumnya berakibat

naiknya biaya, sebaliknya jika ingin menekan biaya,

maka biasanya akan berpengaruh pada mutu dan

jadwal[4]. Hasil dari penelitian ini dapat digunakan

oleh manager proyek sebagai dasar pengambilan

keputusan untuk melakukan perbaikan agar

pelaksanaan proyek bisa sesuai perencanaan awal.

II. METODOLOGI

A. Earned Value Management (EVM)

Konsep Earned Value Management merupakan

suatu metode pengendalian biaya, dimana hasil dari


ISSN : 2541-5093


metode ini memberikan informasi prediksi biaya yang

dibutuhkan dan waktu penyelesaian seluruh pekerjaan.

[8].

Pada metode Earned Value terdapat

indikatorindikator yang digunakan yaitu sebagai

berikut [8,9]:

● Actual Cost (AC)

Actual Cost (AC) atau disebut juga dengan

Actual Cost of Work Performed (ACWP) merupakan

anggaran biaya yang dialokasikan berdasarkan

rencana kerja yang telah disusun terhadap waktu.

● Earned Value (EV)

Earned Value (EV) atau disebut juga

Budgeted Cost of Work Performanced (BCWP)

merupakan merupakan nilai yang diterima dari

penyelesaian pekerjaan selama periode waktu tertentu.

Earned Value ini dihitung berdasarkan akumulasi

pekerjaan pekerjaan yang telah selesai.

● Planned Value (PV)

Planned Value (PV) atau biasa disebut juga

Budgeted Cost of Work Schedule (BCWS) merupakan

anggaran biaya yang dialokasikan berdasarkan rencana

kerja yang telah disusun terhadap waktu.

I.8 ● Schedule Variance (SV)

Schedule Variance (SV) digunakan untuk

menghitung penyimpangan antara Planned Value (PV)

dengan Earned Value (EV). Nilai positif menunjukkan

bahwa paket-paket pekerjaan proyek terlaksana lebih

banyak dibanding rencana. Namun sebaliknya, nilai

negatif menunjukkan kinerja pekerjaan yang buruk

karena paket-paket pekerjaan yang terlaksana lebih

sedikit dari jadwal yang direncanakan. Berikut adalah

rumus dari Schedule Variance[3]:

I.9 ● Cost Performance Index

(CPI)

Faktor efisiensi biaya yang telah dikeluarkan

dapat diperlihatkan dengan membandingkan nilai

pekerjaan yang secara fisik telah diselesaikan Earned

Value (EV) dengan biaya yang telah dikeluarkan dalam

periode yang sama Actual Cost (AC). Berikut adalah

rumus dari Cost Performance Index[3]:

Schedule Performance Index (SPI)

Faktor efisiensi kinerja dalam menyelesaikan

pekerjaan dapat diperlihatkan oleh perbandingan antara

nilai pekerjaan yang secara fisik telah diselesaikan

Earned Value (EV) dengan rencana pengeluaran biaya

yang dikeluarkan berdasarkan Planned Value (PV).

Berikut ialah rumus untuk Schedule Performance

Index[3]:

Cost Variance (CV)

Cost Variance adalah selisih antara nilai yang

diperoleh setelah menyelesaikan paket – paket

pekerjaan dengan biaya aktual yang terjadi selama

pelaksanaan proyek. CV positif artinya pekerjaan yang

terlaksana biayanya kurang dari pada anggaran.

Sebaliknya nilai negatif menunjukan bahwa biaya

pekerjaan terlaksanaan lebih tinggi dari anggaran.

Rumus untuk Cost Variance adalah [3]:

Berikut merupakan tabel indikator SV dan CV [9].

TABLE I. INDIKATOR SV DAN CV


ISSN : 2541-5093


III. ANALISIS DAN HASIL

A. Data

Penelitian ini merupakan pengembangan dari

penelitian sebelumnya, dimana pada penelitian

sebelumnya yaitu merancang proyek sistem informasi

dengan menggunakan metode Critical Path dan

Program Evaluation and Review Technic. Sehingga

diperoleh data sebagai berikut [7].

TABLE I. TASK PROYEK

ID Task Name Deskripsi

A User requirement Meneliti dan mengumpulkan data

kebutuhan pengguna pada sistem

B Identifikasi

fungsi dan tujuan

sistem

Menentukan fungsi da tujuan sistem

dibuat

C Identifikasi

anggota

pengembang

Menentukan anggota dalam

pengembangan sistem dan deskripsi

dari masing-masing anggota tim

D Identifikasi waktu

pengembangan Menentukan lamanya pengerjaan

proyek dan target yang akan dicapai

E Proses

persetujuan surat

Mengajukan surat kepada pihak

universitas

pengajuan

F Pembuatan

Software

Requirements

Spesification

(SRS)

Membuat kebutuhan selama

membangun aplikasi dan

spesifikasinya

G Analisis

kebutuhan sistem Meneliti prosedur-prosedur, data-

data dan laporan yang berhubungan

dengan sistem

H Identifikasi alur

sistem Melakukan identifikasi alur kerja

sistem

I Perancangan

DBMS Merancang basisdata yang dapat

mendukung semua operasional SIA

J Perancangan

antar muka Merancang antarmuka pengguna

sistem SIA

K Perancangan

logic Merancang logika kerja program

L Pemrograman

tahap Membuat aplikasi SIA

I

M Ujicoba sistem

tahap

I

Menguji fungsionalitas sistem

N Ujicoba sistem

dengan pengguna

tahap I

Melakukan pengujian oleh

pengguna sistem

O Pemrograman

tahap

II

Melanjutkan pembuatan program

berdasarkan masukan dari

pengguna saat uji coba sistem

P Ujicoba sistem

dengan pengguna

tahap akhir

Melakukan pengujian oleh

pengguna sistem terhadap sistem

yang telah diperiki

Q Install sistem ke

pengguna Aplikasi SIA yang telah selesai

dibuat di integrasikan dengan

sistem yang ada di Universitas

R Serah terima

sistem ke user Aplikasi diserahkan kepada pihak

Universitas

S Pelatihan system Melakukan pelatihan terhadap

civitas akademik untuk

menggunakan SIA


ISSN : 2541-5093


Tabel I merupakan data task yang akan

dilakukan pada sebuah proyek sistem informasi

akademik. Berikut merupakan perkiraan biaya proyek

dari setiap task.

TABLE II. BIAYA PERKIRAAN SETIAP TASK

ID

Duration

(exp.

time)

Total Budget

Cost (Rp)

Budget Cost per

Week (Rp)

A 2,0 550000 275000

B 3,0 1278000 426000

C 2,0 500000 250000

D 3,0 510000 170000

E 2,0 800000 400000

F 4,0 1680000 420000

G 3,0 933000 311000

H 3,0 810000 270000

I 4,0 1384000 346000

J 3,0 576000 192000

K 4,0 1152000 288000

L 5,0 3800000 760000

M 2,0 2000000 1000000

N 2,0 924000 462000

O 5,0 2500000 500000

P 2,0 462000 231000

Q 3,0 288000 96000

R 2,0 346000 173000

S 3,0 570000 190000

Total 21063000

Dari hasil perhitungan jadwal task dengan

menggunakan metode CPM diperoleh hasil bahwa total

waktu pengerjaan proyek diperlukan sebanyak 48

minggu, seperti pada gambar dibawah ini.

Fig. 1. Hasil penjadwalan dengan menggunakan

teknik CPM.

B. Perhitungan dengan menggunnakan metode

EVM

Dari hasil pejadwalan task dengan perkiraan

biaya masing-masing task, maka selanjutnya

dilakukan perhitungan atau analisi dari peerkiraan

biaya yang sudah dibuat dengan menggunakan

metode Earned Value Management.

TABLE III. HASIL PERHITUNGAN EARNED VALUE MANAGEMENT

(EVM)


ISSN : 2541-5093


Dari table III diperoleh hasil perhitungan sebagai

berikut:

Total Actual Cost (AC) = Rp 20,643,000

Total Planned Value (PV) = Rp 4,128,600

Total Earned Value (EV) = Rp 4,803,550

Cost Variance (CV) = EV – AC = - Rp

15,839,450

Schedule Variance (SV) = EV – PV = Rp

674,950

IV. KESIMPULAN

Dari hasil penelitian diatas diperoleh nilai CV

negatif dan nilai SV positif, sehingga dapat ditarik

kesimpulan bahwa dari hasil perancangan biaya

proyek sistem informasi akademik di prediksi

mengalami proses pekerjaan yang lebih lambat

daripada jadwal dengan biaya yang lebih kecil dari anggaran yang dibuat.

REFERENCES

[1] Pertiwi, Ayuhalinda Ekso. "Evaluasi Pengendalian

Waktu Pada Proyek Pembangunan Gedung Rawat

Inap 3 Dan 4 Rsud Suradadi Menggunakan Earned

Value Concept (The Evaluation Of Time Control

On The Development Project Of Inpatient Building

3 And 4 In Hospital Suradadi Using Earned Value

Concept)." (2018).

[2] Hartono, Widi, And Delan Suharto. "Earned Value

Method Untuk Pengendalian Biaya Dan Waktu

(Studi Kasus Proyek Pembangunan Gedung

Balaikota Surakarta)." GEMA TEKNIK Majalah

Ilmiah Teknik 10.1 (2009): 122-132

[3] Witjaksana, Budi, and Samuel Petrik Reresi.

"ALISIS BIAYA PROYEK DENGAN METODE

EARNED VALUE DALAM PROSES KINERJA

(Studi Kasus Pada Proyek Pembangunan

Universitas Katholik Widya Mandala Pakuwon


ISSN : 2541-5093


Citi-Surabaya)." EXTRAPOLASI: Jurnal Teknik

Sipil 5.02 (2012).

[4] Rahman, Irfanur. Earned Value Analysis Terhadap

Biaya pada Proyek Pembangunan Gedung. Diss.

Universitas Sebelas Maret, 2010.

[5] Soemardi, Biemo W., Muhamad Abduh, And Reini

D. Wirahadikusumah Dan Nuruddin Pujoartanto.

"Konsep Earned Value untuk Pengelolaan Proyek

Konstruksi." Institut Teknologi Bandung (2006).


ISSN : 2541-5093


Documents

JURNAL MASYARAKAT INFORMATIKA INDONESIAarsip.e-jmii.org/download/JMII Vol 4 2019/JMII VOL 4 NO 1 2019.pdf · jurnal masyarakat informatika indonesia vol 4, no1, tahun 2019 ahp-topsis