3. data maning dan database system
Upcoming SlideShare
Loading in...5
×
 

3. data maning dan database system

on

  • 3,096 views

 

Statistics

Views

Total Views
3,096
Views on SlideShare
3,096
Embed Views
0

Actions

Likes
0
Downloads
131
Comments
1

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

3. data maning dan database system 3. data maning dan database system Document Transcript

  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pengukuran Kadar Kepekatan Asap pada Lahan Gambut Arif Gunawan1, Moch. Rivai 2, dan Eko Setijadi3 1 Teknik Telekomunikasi Politeknik Caltex Riau 2,3 Intitut Teknologi Sepuluh Nopember (ITS) Email : arif.gunawan09@mhs.ee.its.ac.id arifg8@gmail.com Email : muhammad_rivai@ee.its.ac.id ekoset@ee.its.ac.id      Abstrak Dalam beberapa dekade belakangan iniIndonesia merupakan derah sebagai pengeksportasap terbesar , dimana asap tersebut berasal dariberapa daerah di pulau sumatera. Ini terbuktidengan beberapa keberatan dan dari negaratetangga akan asap yang berasal dari hasilterbakarnya lahan gambut salah satunya dipropinsiRiau. Asap hasil terbakarnya lahan gambuttentunya memiliki karakteristik kandungan partikel Gambar 1. karakteristik Lahan gambut (Suwido H.yang berbeda dengan terbakarnya lahan lain. Limin, edisi 7 mei 2003)Dalam penelitian ini dilakukan degan 2 buahpengujian , yang pertama mengambil sempel lahan Kejadian kebakaran hutan dan lahan digambut dan dilakukan pembakaran didalam ruang provinsi riau memiliki pengaruh yang besarisolator dan mengukur kadar partikel dengan 5 bua terhadap terjadinya polusi kabut asap yang melintassensor, yaitu TGS2442 (CO), batas negara. Pada umumnya kebakaran yangTGS2201(Metana),TGS 4161(Co2) dan terjadi di provinsi riau berada di lahan gambut yangTGS2612(Gas Oil), serta LM35 sebagai sensor mendominasi wilayah ini sebesar 60 %, oleh karenasuhu. Pengujian ke dua adalah pengukuran itu, kabut asap merupakan fenomena alam yanglangsung dengan meletakan sensor dan sistem di umum terjadi pada saat musim kebakaran dansekitar daerah yang terbakar (dilakukan pada saat memberikan dampak terhadap negara tetanggamasyarakat membuka lahan untuk perkebunan seperti malaysia dan Singapore elias ( Inyoman jayasawit) .Setelah itu hasil data sensor diinputkan ke wistara,2009). Untuk itu penting kiranya di lakukanmikrokontroller dan selanjutnya ditransmisikan ke suatu penelitian untuk mengetahui kandunganPC/Laptop via RS232 dan untuk selanjutnya partikel dari hasil pembakaran lahan gambut diditampilkan dalam bentuk grafik untuk mengetahui propinsi riau. Untuk mengetahui kandungan partikelkandungan asap dari hasil pembakaran lahan maka digunakan beberapa buah sensor yaitu sensorgambut. suhu (LM35), sensor TGS2201 ( gas oline), TGS4161(gas Co2), TGS2442 (gas CO), dan sensorKata kunci : transmitter, receiver, sensor TGS2612 ( gas methan).1. Pendahuluan 2. Tinjauan Pustaka Kebakaran hutan di Indonesia pada saat ini Adapun sistem sensor yang di gunakandapat dipandang sebagai bencana regional danglobal. Hal ini disebabkan karena hasil pembakaran adalah:yang dilepas ke atmosfer salah satu contoh CO2,berpotensi menimbulkan pemanasan global.Pembukaan lahan gambut berskala besar dengan 2.1. Sensor TGS2442membuat saluran/parit telah menambah resiko TGS2442 menggunakan struktur multilayerterjadinya kebakaran di lahan gambut pada musim sensor. Menampilkan TGS2442 baik selektivitaskemarau. untuk karbon monoksida, sehingga ideal untuk memonitoring kandungan CO. Pada gambar grafik Data Maning dan Database System 3-1
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 dibawah sumbu y mengindikasikan rasio dariresistansi sensor (Rs/Ro) dimana :Rs = Resistansi sensor gas yang ditampilkan pada berbagai konsentrasi.Ro = Resistansi sensor pada 100ppm CO.Gambar karakteristik rangkian TGS 2442 Gambar 4. karakteristik rangkaian TGS2612 2.4. Sensor LM 35 Sensor suhu menggunakan LM35 ini mempunyai presisi yang tinggi dengan lineraritas +10.0 mV terhadap suhu Celcius. Suhu yang dapat Gambar 2. Karakteristik rangkaian TGS2442 diukur cukup lebar yakni antara –55°C sampai dengan 150°C.2.2. Sensor TGS2201 2.5. Mikrokontroler ATMega8535 TGS2201 dapat mendeteksi 2 kandungan pada1 substrate dan menghasilkan 2 keluaran secara Mikrokontroler AVR memiliki arsitekturterpisah untuk merespon kandungan gas RISC 8 bit, dimana semua instruksi dikemas dalampembuangan diesel dan gas pembuangan bensin. kode 16-bit (16-bits word) dan sebagian besarRs = Resistansi sensor gas yang ditampilkan pada instruksi dieksekusi dalam 1 (satu) siklus clock, berbagai konsentrasi. berbeda dengan instruksi MCS51 yangRo = Resistansi sensor pada saat udara bersih. membutuhkan 12 siklus clock. AVR berteknologiSetelah dilakukan perhitungan berdasarkan RISC.karakteristik rangkaian Modul sensor dan ruang pengujian Gambar 5. Ruang pengukuran dan module Sensor Gambar 3. Karakteristik sensor 2201 yang di gunakan2.3. Sensor TGS2612 Sensor TGS2612 mempunyai sensitifitas yangtinggi terhadap kandungan methane, propane, danbuthane sehingga membuat,. Fitur-fitur yangterdapat pada sensor TGS2612 adalah sedikitmengkonsumsi daya, Sensitifitas yang tinggiterhadap kandungan methane dan LP gas. Padagambar grafik sumbu y mengindikasikan rasio dariresistansi sensor (Rs/Ro) dimana :Rs = Resistansi sensor gas yang ditampilkan pada berbagai konsentrasi.Ro = Resistansi sensor pada 5000ppm CO.Rangkaian karakteristik TGS2612 Gambar 6. PC monitor Sensor Gas3-2 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3. Blok Diagram Sistem Secara sensor agar dapat membaca kandungan partikel gas Keseluruhan dan Prinsip Kerja tentunya setelah dipanaskan oleh tegangan heater. Sistem 3.2. Flow Chat Pengukuran Pada rangkaian diatas mengunakan 5 buahsensor suhu (LM35), sensor TGS2201 (gas oline), Dalam pembuatan sistem ini dilakukan denganTGS4161(gas Co2), TGS2442 (gas CO), dan sensor beberapa cara salah satunya adalah perancanganTGS2612 (gas Metan). Hasil pembacaan sensor system sensor,berikut perancangan system sensor.diproses oleh mikrokontroler dan kemudianhasilnya di tampilkan dalam LCD , untukterkoneksi dengan Port serial pada PC hasilpembacaan di teruskan ke komunikasi serial yaituMAX 232 dan hasil pembacaanya di tampilkan diPC Gambar 7. Blok diagram Rangkaian Sensor Gambar 9. Flowchat sensor3.1. Rangkaian sensor Pada sistem diatas dapat dilihat sinyal hasil pembacaan dari sensor-sensor yang berupa tegangan dari 0 – 5 Volt masuk kedalam sistem mikrokontroler , Mikro sendiri memiliki ADC internal dan hasil dapat diolah didalam mikrokontroler. Hasil yang telah diolah oleh sistem mikrokontroler di teruskan melalui port TX/RX sebagai komunikasi serial ke IC MAX232 dan diterskan ke PC melalui port DB9. Sedangkan perancangan dalam sistem pengolahan data adalah sebagai berikut 4. AnalisaGambar 8. Rangkaian sensor 4.1. Pengujian tanpa asapPada gambar 8 terdapat 3 buah rangkaian, yaiturangkaian sensor TGS2612, rangkaian sensor Pengujian yang dilakukan tanpa asap di ruangTGS2442, dan rangkaian sensor TGS2201. Pada simulasitor, dengan hasil pembacaan sensor adalahsetiap sensor mempunyai RH (tahanan heater) dan dalam pengujian ini gambut yang sudah diambilRS. RH berfungsi sebagai tahanan untuk tegangan hutan akan di bakar di dalam ruang simuatorheater, adapun tegangan heater berfungsi untuk adapun ruang simulator yang di buat adalahmemanaskan sensor agar dapat membaca berdiameter 120 cm x 50 cm x 40 cm sepertigambarkandungan partikel gas. Dan RS berfungsi sebagai di bawah initahanan untuk tegangan circuit,adapun tegangancircuit befungsi untuk memberi tegangan pada Data Maning dan Database System 3-3
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel 2. Pengukuran dengan asap Data ke suhu Metana Gas oline CO Co2 1000 32.75 5 91.5 15 96 1050 33 5.25 92.25 15 96 1100 33 5.5 92.5 15 96 1150 33 5.75 92.75 15.25 96 1200 33 6 93.25 15.5 96 1250 33 6 93.5 15.75 96 1300 33 6 93.75 16 96 1350 33 6 94 18.75 96.75 1400 33 6 94 19 97 Gambar 10. Ruang simulator ukur asap 1450 33 6 94 19 97.25 1500 33 6 94 19 97.5 1550 33 6 94 19 97.5Kemudian di lakukan pembakaran sampah gambut 1600 33 6 94 19 97.75dan masukan kedalam ruang simulator ,sampah 1650 33.25 6 94 19 97.75yang diambil sebelumnya di timbang memiliki berat 1700 33.5 6 94 19 98.251.5 kg, dan sensor mendeteksi perubahan yang 1750 33.75 6 94 19 98.5 1800 34 6 94 16.5 98.75terjadi. Untuk mendapatkan data yang Valid 1850 34 6 94 17 99pertama di lakukan pengukuran mendeteksi kondisi 1900 34 6.25 94 17.5 99normal ruangan tanpa asap gambut. Dan hasil 1950 34 6.25 94.25 18.5 99pengukuranya seperti di bawah ini. 2000 34 6.5 94.25 18.5 99 2050 34 6.5 94.5 18.25 99 Tabel 1. Pengukuran ruangan tanpa asap 2100 34 6.75 94.5 19 99 2150 34 6.75 94.75 18 99Data ke Suhu Metana Gas oline CO Co2 2200 34 7 94.75 19.5 99.25 2250 34 7 95 18 99.5 50 31.37 1.00 41.00 14.60 97.00 2300 34 7 95 18 99.5 100 31.39 1.00 42.40 14.60 97.00 2350 34 7 95 18 99.75 150 31.41 1.00 43.10 14.60 97.00 2400 34 7 95 18 100 200 31.44 1.00 43.18 14.60 97.00 2450 34 7 95 18 100 250 31.46 1.00 43.25 14.60 97.00 2500 34 7.25 95 20 100 300 31.49 1.00 43.33 14.60 97.00 2550 34 7.5 95 20 100 350 31.51 1.00 43.40 14.60 97.02 400 31.54 1.00 43.48 14.60 97.05 2600 34 7.5 95 20 100 450 31.56 1.00 43.55 14.60 97.07 2650 34 7.75 95 19.5 100 500 31.59 1.00 43.63 14.60 97.07 2700 34 8 95 19 100.25 550 31.61 1.00 43.70 14.60 97.07 2750 34 8.25 95 18.5 100.5 600 31.63 1.00 43.78 14.63 97.07 2800 34 8.5 95 20 100.75 650 31.66 1.00 43.85 14.65 97.07 2850 34 8.5 95 20 101 700 31.68 1.00 43.93 14.66 97.07 2900 34 8.75 95 20 101 750 31.71 1.00 43.98 14.68 97.07 2950 34 9 95 20 101 800 31.73 1.00 44.00 14.70 97.07 3000 34 9 95 20 101 850 31.76 1.00 44.57 14.73 97.07 3050 34 9 95 20 101 900 31.78 1.00 45.00 14.75 97.07 Dari tabel diatas dapat kita lihat pada suhu tertinggiDalam pengambilan data sensor dilakukan sampai yaitu 34 oC mengandung unsur metan tertinggi 9dengan 900 data dan telah di rata-ratakan ppm, gas oline 95 ppm, CO 20ppm, dan CO2memilikihasil seperti tabel1. Terlihat di dalam adalah 101 ppm.ruangan memiliki suhu tertinggi 31.78 oC, methan 1ppm, gas oline 45ppm, gas CO 14,75 ppm, dan 4.3. Pengujian dengan asap dilokasiCO2 97.07 ppm. pembukaan lahan sawit Adapun tujuan pengukuran ini adalah4.2. Pengujian dengan asap untukmendapatkan data sebenarnya pada saat warga Pengukuran kedua adalah dengan membakar melakukan pembukaan lahan sawit. Walapun sulitsampah gambut dan meletakan di dalam ruang mendapatkan kondisi yang konstan konsentrasi darisimulator , dan sensor mendeteksi perubahan asap gambut yang terbakar karena beberapa halperubahan di dalam ruang simulator. Dan hasilnya yaitu:seperti tabel di bawah ini. 1. Sulitnya menjangkau daerah yang terbakar karena medan yang sulit3-4 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 2. Kondisi cuaca angin yang membuat sulit 4450 33.77 1.89 69.51 15.00 96.57 mendapatkan konsentrasi yang luas 4500 33.82 2.00 70.29 15.00 96.60 4550 33.82 2.37 71.09 15.00 96.733. Luasnya areal yang terbakar 4600 33.83 2.54 71.66 15.00 96.744. Sulit memetakan luas daerah yang terbakar 4650 33.83 2.66 71.91 15.00 96.77 sebagai acuan ukur. 4700 33.86 2.74 72.09 15.00 96.895. Sulitnya mengindetifikasi lokasi hotspot/ titik 4750 33.86 2.89 72.86 15.00 97.00 apai karena proses terbakarnya sangat singkat 4800 33.87 2.91 73.00 15.00 97.00 4850 33.90 2.94 73.17 15.00 97.00 Sebagai pembanding maka diambil data 4900 33.91 3.00 74.26 15.00 97.00kondisi kualitas udara daerah setelah selesaiterjadinya pembakaran untuk adapun data nya Dari data yang diperoleh menunjukan bahwaadalah sebagai berikut . hasil pembakaran lahan gambut menghasilkan beberapa partikel gas diantaranya adalah methan Tabel 3. Kondisi sesudah kualitas udara setelah dengan konsentrasi 3 ppm, gas oline dengan terjadinya kebakaran konsentrasi 74,26 , gas CO ( karbon monoksida ) 15 Gas  ppm , dan gas CO2 adalah 97 ppm. Data ke  suhu  Methan   CO   CO2  Oline  5050  32.00  0.40  49.00  14.00  95.00  5100  32.00  0.65  49.00  14.00  95.00  5. Kesimpulan 5150  32.00  0.74  49.00  14.00  95.00  5200  32.00  0.77  49.00  14.00  95.00  Berdasarkan data yang di peroleh bahwa asap 5250  32.00  0.89  49.00  14.00  95.00  hasail pembakaran lahan gambut di ruang terbuka 5300  32.00  0.89  49.00  14.00  95.00  mengandung banyak unsur CO (15 ppm), 5350  32.00  0.90  49.00  14.00  95.00  CO2(97ppm) , Methan( 3 ppm), gas oline (74,26 5400  32.00  0.91  49.00  14.00  95.00  ppm). Dengan demikian pembakaran lahan gambut 5450  32.03  0.96  49.00  14.00  95.00  turut menyumbang dampak polusi di kota 5500  32.09  1.00  49.00  14.00  95,7  5550  pekanbaru. 32.17  1.00  49.00  14.00  95,7  5600  32.26  1.00  49.00  14.00  95,7  5650  32.40  1.00  49.00  14.00  95,7  5700  32.49  1.00  49.00  14.00  95,7  5750  32.74  1.00  49.00  14.00  95,7  5800  32.91  1.00  49.00  14.00  95,7  5850  33.00  1.00  49.00  14.00  95,7  5900  33.00  1.00  49.00  14.00  95,7  5950  33.00  1.12  49.00  14.00  95,7  Berdasarkan data di dapatkan kondisi normalpada saat telah terjadinya proses pembakarandengan konsentarsi gas methan 1.12 ppm, gas oline49 ppm, gas CO 14 ppm dan gas CO2 95,7 ppm Dengan hal-hal tersebut untuk mendapatkanperbandingan dari kondisi pengukuran skalalaboratorium maka pengukuran sebenarnya , akanperlu dilakukan secara langsung di lapangan.Pengambilan data di lakukan di daerah kandispropinsi riau pada tanggal 12 juli 2011 dengankondisi pembakaran dalam upaya pembukaan lahanperkebunan sawit. Adapun data yang di dapat daripngukuran lapangan adalah : data ke suhu Methan Gas oline CO CO2 4000 32.60 1.00 65.17 15.00 96.00 4050 32.77 1.00 67.74 15.00 96.11 4100 32.91 1.00 67.86 15.00 96.14 4150 32.93 1.00 68.00 15.00 96.17 4200 32.94 1.00 68.83 15.00 96.26 4250 33.09 1.00 69.00 15.00 96.27 4300 33.74 1.11 69.50 15.00 96.46 4350 33.74 1.14 69.09 15.00 96.49 4400 33.76 1.40 69.09 15.00 96.54 Data Maning dan Database System 3-5
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Referensi[1] Farukh NADEEM, Erich LEITGEB, Radio Engineering Vol.19. No.2 Dense maritime Fog Attenuation Prediction From measured Visibility data, Institute of Broadband Communication, Graz University Of Technology, Graz, Austria, June 2010[2] Edward E. Altshuer ,Fellow, IEEE Transaction On Antennas and Propagation , Vol.AP-32 , No.7 A simple Expression For Estimating attenuation By Fog at Millimeter Wavelengths , july 1984[3] C.C. Chen ,Attenuation of Elektromagnetic Radiation by haze, Fog, Clauds, and Rain United State Air Force Project Rand , april 19753-6 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Analisis Efektivitas Algoritma C4.5 dalam Menentukan Peserta Pemenang Tender Projek Jose Augusto Duarte Guterres, Paulus Mudjihartono, Ernawati 1 Magister Teknik Informatika Universitas Atma Jaya Yogyakarta 2,3 Universitas Atma Jaya Yogyakartaagoest.jaguar777@gmail.com , paulusmudjihartono@gmail.com, ernawati@mail.uajy.ac.id Abstrak keputusan yang terbaik dalam memilih kontraktor [1]. Pemilihan kontraktor yang tepat dalam Penentuan pemilihan terhadap kontraktormenangani sebuah projek dapat pula bertujuan untuk mengetahui kemampuan secaramempengaruhi kualitas kerja. Keputusan teknis oleh panitia penyelenggara tender projekPemenang tender projek merupakan keputusan akan pentingnya suatu perencanaan pembangunanyang dilakukan oleh panitia penyelenggara tender untuk tahapan projek selanjutnya. Persaingan usahaprojek yang bersifat transparan yang dapat yang semakin ketatpun melatarbelakangi perlunyamemberikan nilai riil sesuai dengan ketentuan sistem penilaian sebagai alat evaluasi kinerjadalam menentukan pemenang tender projek. Saat konsultan perencana dalam menangani suatu projekini dalam penentuan pemenang tender projek masih perencanaan, sehingga tercipta suatu produkbersifat manual sehingga informasi-informasi yang perencanaan yang optimal, sebagai acuanmerupakan kriteria penentuan pemenang tender pelaksanaan pekerjaan konstruksi dan sebagai suatuprojek terkadang terabaikan. keunggulan [3] dalam pendukung keputusan. Kriteria penilaian yang peneliti gunakan Pembuatan sistem pendukung keputusandalam menentukan pemenang tender projek menurut [2] untuk prakualifikasi kontraktor yangmeliputi evaluasi administasi, evaluasi teknis, dalam pembuatan model base-nya dilakukanevaluasi harga dan evaluasi kualifikasi. Empat dengan mengidentifikasi variabel-variabel pembedakriteria tersebut, peneliti gunakan untuk terhadap kinerja kontraktor dari segi Evaluasimengklasifikasikan pemenang tender projek administrasi, evaluasi teknis, evaluasi harga, danmenggunakan algoritma C4.5 dengan mencari nilai evaluasi Kualifikasi. Hal tersebut dapat dilihat dariEntropy dan Gain yang mana dapat membentuk validasi eksternal yang dilakukan terhadap datapohon keputusan dalam menentukan pemenang yang tidak dipergunakan dalam pembuatan modeltender projek. Penentuan pemenang tender projek base yang memberikan keakuratan cukup tinggi [2].ini setelah dianalisa dengan menggunakan Sistem pendukung keputusan digunakan dalamalgoritma C4.5 dapat memberikan informasi yang memadukan data dan pengetahuan untukefektif dalam menentukan peserta pemenang tender meningkatkan efektivitas dan efisiensi dalam prosesprojek. pengambilan keputusan [4]. Dalam sistem pendukung keputusan terdapat informasi-informasiKata Kunci : Algoritma C4.5, Entropy, Gain, yang perlu ditelaah lebih dalam lagi sehingga Pemenang tender projek, Pohon informasi-informasi yang dibutuhkan dalam Keputusan. pemecahan sebuah masalah dapat diselesaikan dengan baik. Dalam sistem pendukung keputusan,1. Pendahuluan terdapat pula sebuah teknik penggalian data atau yang dikenal dengan penambangan data (data Menurut [1] menyampaikan bahwa Pemilihan mining) untuk menyelesaikan suatu masalah dalamkontraktor yang tepat dalam menangani sebuah memberikan informasi-informasi yang dibutuhkan,projek dapat pula mempengaruhi kualitas kerja metode penggalian data tersebut biasa dikenaldalam kemajuan pembangunan yang didasarkan dengan teknik penambangan data.pada evaluasi multi-atribut. Penilaian dalam Penambangan data merupakan proses analisisberbagai atribut untuk dipertimbangkan dalam data untuk menemukan suatu pola dari kumpulanpemilihan kontraktor dapat membantu data-data. Penambangan data mampu menganalisameningkatkan proses seleksi dalam mendapatkan data yang besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Data Maning dan Database System 3-7
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Salah satu teknik yang ada pada penambangan data Di mana :adalah klasifikasi. Beberapa kelompok klasifikasi, S = Himpunan kasusdi antaranya adalah pohon keputusan, Bayesian dan A = Atributjaringan saraf. Salah satu klasifikasi penambangan i = Jumlah Partisi Atributdata dalam pohon keputusan adalah Algoritma Si = Jumlah Kasus pada partisi ke iC4.5. Dalam algoritma C4.5 pemilihan atribut S = Jumlah Kasus dalam Sdilakukan dengan menggunakan Gain Ratio denganmencari nilai entropy. Algoritma C4.5menggunakan pendekatan induksi dimana, dalampendekatan ini, algoritma C4.5 membagi-bagi databerdasarkan kirteria yang di pilih untuk membuatsebuah pohon keputusan. Algoritma C4.5 ini jugamenggunakan pendekatan secara top-down [5].2. Metode Metode yang digunakan untuk analisis adalahmetode Klasifikasi, menggunakan konseppenambangan data klasifikasi algoritma C4.5 yaitudengan mencari nilai information gain dan entroopysehingga dari metode ini dapat membentuk sebuah Gambar 1. Pohon Keputusan Lengkap (Abidin., A.pohon keputusan dalam menangani peserta Z. Z., 2011)pemenang tender projek yang mana secara umumalgoritma C4.5 dapat membangun pohon keputusan Gambar 1 menunjukan pohon keputusan dalam[10] adalah sebagai berikut: pemberian rekomendasi ajar [11]. Jumlah simbol1. Pilih atribut sebagai akar lingkaran sebagai node menunjukkan jumlah atribut2. Buat cabang untuk masing-masing nilai sebagai atribut sumber kognitif, minat dan nilai3. Bagi kasus dalam cabang awal. Sedangkan atrinut tujuan berupa rekomendasi4. Ulangi proses untuk masing-masing cabang ajar yang bernilai induktif dan nondirektif. sampai semua kasus pada cabang memiliki kelas yang sama. 4. Hasil dan Pembahasan3. Pembahasan Analisis efektivitas algoritma C4.5 dalam menentukan pemenang tender projek seperti pada Algoritma C4.5 adalah pengembangan dari tabel 1, data penetuan pemenang tender projekalgoritma ID3. Oleh karena pengembangan tersebut merupakan tahap pengambilan keputusanalgoritma C4.5 mempunyai prinsip dasar kerja yang berdasarkan kriteria evaluasi administrasi, evaluasisama dengan algoritma ID3, hanya saja Algoritma teknis, evaluasi harga dan evaluasi kulaifikasi untukC4.5 menggunakan pendekatan induksi dimana, dijadikan sebagai modal pengetahuan dalamdalam pendekatan ini, algoritma C4.5 membagi- membentuk sebuah pohon keputusan. Analisis danbagi data berdasarkan kirteria yang di pilih untuk perancangan sistem yang dapat membantumembuat sebuah pohon keputusan. Algoritma C4.5 memberikan keputusan kepada panitiaini juga menggunakan pendekatan secara top-down penyelenggara tender projek akan kemungkinan[5] dalam algoritma C4.5 ([7] [9] [8] [6] 2007) perserta tender projek yang akan menerima ataupemilihan atribut dilakukan dengan menggunakan tidaknya sebuah projek diantaranya menentukanGain Ratio dengan rumus : pohon keputusan, menentukan aturan, model data, fungsionalitas sistem dan perancangan struktur Entropy(S ) = ........(1) halaman. Implementasi sistem menggunakan bahasa pemrograman Visual studio dan MySQLAtribut dengan nilai Gain Ratio tertinggi dipilih sebagai database-nya.sebagai atribut test untuk simpul. Dengan gain Sebagai langkah awal untuk melakukanadalah information gain dengan rumus : perhitungan pencarian nilai gain dan entropy dapat dilihat pada kasus di bawah ini (Tabel 1). MisalkanGain(S,A) ditampilkan 54 dataset pengujian untuk klasifikasi C4.5= Entropy(S) - .........(2)3-8 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Tabel 1. Tabel Dataset Uji Penentuan peserta Baris Total Kolom Entropy pada Tabel 2 di pemenang tender projek hitung dengan Rumus Sebagai Berikut Peserta Evaluasi Evaluasi Evaluasi Evaluasi  Keputusan PenawaranTender Trojek (P) Adminstrasi Teknis Harga Kualifikasi (Diterima Atau Tidak) P1 Baik Tinggi Tinggi Lengkap No P2 Baik Tinggi Tinggi  Tidak Lengkap No P3 Baik Tinggi Sedang Lengkap Yes P4 Baik Tinggi Sedang Tidak Lengkap No P5 Baik Tinggi Rendah Lengkap Yes P6 Baik Tinggi Rendah Tidak Lengkap No P7 Baik Sedang Tinggi Lengkap Yes P8 P9 Baik Baik Sedang Sedang Tinggi  Sedang Tidak Lengkap Lengkap No Yes Entropy(Total) = (-37/54 * Log2 (37/54)) + (- P10 P11 Baik Baik Sedang Sedang Sedang Rendah Tidak Lengkap Lengkap No Yes 17/54 * Log2(17/54) P12 Baik Sedang Rendah Tidak Lengkap No P13 Baik Rendah Tinggi Lengkap No P14 Baik Rendah Tinggi  Tidak Lengkap No P15 P16 Baik Baik Rendah Rendah Sedang Sedang Lengkap Tidak Lengkap Yes No Entropy(Total) = ((-37/54) * 0,584962501) + ((- P17 P18 Baik Baik Rendah Rendah Rendah Rendah Lengkap Tidak Lengkap Yes No 17/54) * (-1,584962501) P19 cukup Tinggi Tinggi Lengkap No P20 P21 cukup cukup Tinggi Tinggi Tinggi  Sedang Tidak Lengkap Lengkap No Yes = 0,37372339 + 0,524929986 P22 P23 cukup cukup Tinggi Tinggi Sedang Rendah Tidak Lengkap Lengkap No Yes = 0,898653376 Perhitungan selanjutnya adalah menghitung P24 cukup Tinggi Rendah Tidak Lengkap No P25 cukup Sedang Tinggi Lengkap Yes P26 cukup Sedang Tinggi  Tidak Lengkap No P27 P28 cukup cukup Sedang Sedang Sedang Sedang Lengkap Tidak Lengkap Yes No nilai gain total untuk Evaluasi Administrasi dengan P29 P30 cukup cukup Sedang Sedang Rendah Rendah Lengkap Tidak Lengkap Yes No menggunakan persamaan (2) berdasarkan nilai entropy dari masing-masing atributnya sebagai P31 cukup Rendah Tinggi Lengkap No P32 cukup Rendah Tinggi  Tidak Lengkap No P33 cukup Rendah Sedang Lengkap No P34 P35 cukup cukup Rendah Rendah Sedang Rendah Tidak Lengkap Lengkap No Yes berikut : P36 cukup Rendah Rendah Tidak Lengkap No P37 Kurang Tinggi Tinggi Lengkap No P38 Kurang Tinggi Tinggi  Tidak Lengkap No P39 Kurang Tinggi Sedang Lengkap Yes P40 Kurang Tinggi Sedang Tidak Lengkap No P41 Kurang Tinggi Rendah Lengkap Yes P42 Kurang Tinggi Rendah Tidak Lengkap No P43 Kurang Sedang Tinggi Lengkap No P44 Kurang Sedang Tinggi  Tidak Lengkap No P45 Kurang Sedang Sedang Lengkap Yes P46 Kurang Sedang Sedang Tidak Lengkap No P47 Kurang Sedang Rendah Lengkap Yes P48 Kurang Sedang Rendah Tidak Lengkap No P49 Kurang Rendah Tinggi Lengkap No P50 Kurang Rendah Tinggi  Tidak Lengkap No P51 Kurang Rendah Sedang Lengkap No P52 Kurang Rendah Sedang Tidak Lengkap No P53 Kurang Rendah Rendah Lengkap No P54 Kurang Rendah Rendah Tidak Lengkap No EntropyAdminstrasi (Baik) = (-11/18 *Untuk bisa menentukan nilai-nila gain dan entropy Log2(11/18) + (-7/18) * Log2(7/18)dari masing-masing atribut di atas, maka terlebih = 0,434190401 + 0,529888364kita konversi ke dalam bentuk tabel klasifikasi yang = 0,964078765lebih detail sebagai berikut : EntropyAdminstrasi (Cukup) = (-12/18 * Tabel 2. Tabel klasifikasi untuk perhitungan nilai Log2(12/18) + (-6/18) * Log2(6/18) gain dan entropy = 0,389975 + 0,528320834 = 0,918295834 Node Jumlah No Yes Entropy GAIN Kasus (S) (S1) (S2) EntropyAdminstrasi (Kurang) = (-14/18 * 1 TOTAL 54 37 17 0,898653376 Evaluasi 0,016460341 Log2(14/18) + (-4/18) * Log2(4/18) Administrasi Baik 18 11 7 0,964078765 = 0,281998951 + 0,482205556 Cukup 18 12 6 0,918295834 = 0,764204507 Kurang 18 14 4 0,764204507 Evaluasi 0,216674141 Information Gain (Total,EVAdmin) Teknis Tinggi 18 12 6 0,918295834 = 0,898653376 - ((18/54 * 0,964078765 ) Sedang 18 10 8 0,99107606 Rendah 18 15 3 0,650022422 + (18/54 * 0,918295834 ) + (18/54 * 0,764204507)) Evaluasi 0,079182323 Harga Tinggi 18 16 2 0,503258335 = 0,898653376 - (0,882193035) Sedang 18 11 7 0,964078765 = 0,036102799 Rendah 18 10 8 0,99107606 Perhitungan nilai entropy dan gain diteruskan Evaluasi 0,423175351 sampai atribut terakhir dan diperoleh nilai-nilai gain Kualifikasi Lengkap 27 10 17 0,950956048 Tidak Lengkap 27 27 0 0 dan entropy tertentu. Hasil dari nilai gain kemudian dibandingkan dengan nilai gain lainnya untuk mencari nilai tertinggi yang akan dijadikan acuan Setelah tabel 2 dibuat, maka langkah untuk melakukan proses perhitungan kembali padaselanjutnya adalah melakukan perhitungan nilai proses pembentukan struktur pohon [10]. padaentropy dengan menggunakan persamaan (2), untuk perhitungan pada Tabel 2 diatas maka nilan Gainmencari nilai gain nya nanti. Langkah pertama Tertinggi terdapat pada Atribut Evaluasi Kualifikasimencari nilai entropy total, dilakukan sebagai Sehingga membentuk pohon Keputusannya sepertiberikut : pada gambar 1. Data Maning dan Database System 3-9
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  6. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Sedang) THEN YES. 7. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Baik) THEN YES. 8. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Baik) THEN NO. 9. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Baik) THEN YES.Gambar 2. Pohon Keputusan Untuk Evaluasi Kualifikasi 10. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Tinggi) AND (Evaluasi Teknis Sedang) AND Tender Projek Menggunakan algoritma C4.5 (Administrasi Cukup) THEN YES. 11. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Setelah melakukan perhitungan seperti Harga Tinggi) AND (Evaluasi Teknis Sedang) AND (Administrasi Kurang) THEN YES.langkah perhitungan dengan mencari nilai gain dan 12. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasietropy maka proses selanjutnya adalah melakukan Harga Tinggi) AND (Evaluasi Teknis Rendah) THENperhitungan kembali, yang mana atribut evaluasi NO.kualifikasilah yang menjadi akar perhitungansehingga bisa mendapatkan nilai entopy dan gain 4.2. Algoritma C4.5 dengan Metode Lain :untuk proses selanjutnya. Setelah semua prosesdihitung maka dapat membentuk pohon keputusan a. Algoritma C4.5yang lengkap seperti pada gambar 3. Algoritma C4.5 dalam aplikasi weka dikenal juga dengan J48 maka hasil dari C4,5 adalah b. Algoritma ID3 Gambar 3. Pohon Keputusan Lengkap Penentuan Peserta Pemenang Tender Projek4.1. Aturann Klasifikasi Algoritma C4.5 Dari Hasil Analisi berdasarkan gambar 3diatas maka algoritma dalam menentukanpemenang tender projek memiliki beberapa aturan:1. IF (Evaluasi Kulaifikasi Tidak Lengkap) THEN NO.2. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Rendah) THEN YES. c. Aturan NNge3. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Kurang) THEN NO.4. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Cukup) THEN YES.5. IF(Evaluasi Kulaifikasi Lengkap) AND (Evaluasi Harga Sedang) AND (Evaluasi Teknis Rendah) AND (Evaluasi Administrasi Baik) THEN YES.3-10 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 5. Kesimpulan Ieee., 2010, Assessment Of The Risk Factors Of Coronary Heart Events Based On Data Dari Hasil Analisis data diatas dengan Mining With Decision Trees, Ieee.pembuktian-pembukitan algoritma C4.5 [6] Al-Hegami, Ahmed Sultan., 2007, Classicalberdasarkan literatur yang digunakan maka dapat And Incremental Classification In Datadisimpulkan bahwa metode algoritma C4.5-pun Mining Process, Ijcsns International Journaldapat diterapkan dalam menentukan peserta Of Computer Science And Network Security,pemenang tender projek dengan menggunakan Vol.7 No.12, December.kriteria kriteria evaluasi administrasi, evaluasi [7] Chih-Chiang Wei., And Jiing-Yun You.,teknis, evaluasi harga dan evaluasi kualifikasi dan 2011, C4.5 Classifier For Solving Thejika dibandingkan dengan metode lain seperti ID3 Problem Of Water Resources Engineering,dan NNge maka algoritma C4.5 memiliki correctly Proceeding Of The International Conferenceclassified yang lebih tinggi jika dibandingkan On Advanced Science, Engineering Anddengan metode yang lain (metode ID3 dan aturan Information Technology, Isbn 978-983-NNge) dan root relative squere error Pada 42366-4-9, Juanuary.algoritma C4.5 lebih rendah jika dibandingkan [8] Karegowda, Asha Gowda., Manjunath, A. S.,dengan metode yang lain (metode ID3 dan aturan And Jayaram, M.A., 2010, ComparativeNNge) sehingga algoritma C4.5 dapat dikatakan Study Of Attribute Selection Using Gain Ratiosebagai metode yang efektif dalam menentukan And Correlation Based Feature Selection,peserta pemenang tender projek. International Journal Of Information Technology And Knowledge Management,Referensi Volume 2, No. 2, Pp. 271-277, July- December.[1] Turskis, Zenonas., 2008., Multi-Attribute [9] Minegishi, Tatsuya., Ise, Masayuki., Niimi, Contractors Ranking Method By Applying Ayahiko., Konishi, And Osamu., 2009, Ordering Of Feasible Alternatives Of Extension Of Decision Tree Algorithm For Solutions In Terms Of Preferability Stream Data Mining Using Real Data, Fifth Technique, Baltic Journal On Sustainability, International Workshop On Computational 14(2): 224–239. Intelligence & Applications, Ieee Smc[2] Demir, Hülya And Bostanci, Bülent., 2010., Hiroshima Chapter, Hiroshima University, Decision-Support Analysis For Risk Japan, November. Management, African Journal Of Business [10] Kusrini, Luthfi, E. T., 2009, Algoritma Data Management, Vol. 4(8), Pp. 1586-1604,18 Mining, Edisi 1, Andy Offset, Yogyakarta. July, Issn 1993-8233 ©2010 Academic [11] Abidin., A. Z. Z., 2011, Implementasi Journals. Algoritma C4.5 dalam menganalisa[3] Diputra, I Gede Astawa., 2009, Sistem kemungkinan pembelian komputer sebagai Penilaian Kinerja Konsultan Perencana media pembelajaran mahasiswa, Digital Dalam Menangani Proyek Perencanaan Information & Sistem conference, ISBN 978- Bangunan Gedung, Jurnal Ilmiah Teknik Sipil 979; Bandung. Vol. 13, No. 2, Juli.[4] Suprapto, Heri., And Wulandari Sri., 2006, Decision Support System (Dss) Dalam Prakualifikasi Kontraktor, International Civil Engineering Conference "Towards Sustainable Civil Engineering Practice, Surabaya, August 25-26.[5] Karaolis, Minas A., Member., Ieee., Moutiris, Joseph A., Hadjipanayi Demetra., And Pattichis, Constantinos S., Senior Member., Data Maning dan Database System 3-11
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-12 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Sistem Tracking antaran Paket pada Unit Pelayanan PT. Pos Indonesia Menggunakan metode pendekatan Algoritma Graph Travelling Salesperson Problem Richki Hardi, Yul Hendra, dan Munar Fakultas Ilmu Komputer Universitas Almuslim richkihardi@gmail.com, yul_hendrapdg@yahoo.com, munar_amik@yahoo.co.id   Abstrak terjadinya perubahan-perubahan yang dampaknya mempengaruhi segala aspek kehidupan dan terjadi Persoalan Travelling Salesperson Problem- secara berkelanjutan pada lingkungan perusahaanTSP merupakan persoalan optimasi untuk mencari pengiriman barang standar nasional.perjalanan terpendek bagi pedagang keliling yang Salah satu jenis perkembangan ilmuingin berkunjung ke beberapa kota, dan kembali ke pengetahuan dan teknologi adalah perkembangankota asal keberangkatan. TSP merupakan dunia komputasi, satu diantaranya adalah kemajuanpersoalan yang sulit bila dipandang dari sudut sistem informasi. Hampir tidak ada batas ruang dankomputasinya. Beberapa metode telah digunakan waktu sehubungan dengan sistem informasiuntuk memecahkan persoalan tersebut namun tersebut, informasi dari tempat yang jauh secarahingga saat ini belum ditemukan algoritma yang fisik dapat dengan cepat dan mudah diketahui olehmangkus untuk menyelesaikannya. Cara termudah kita. Melalui Sistem Informasi berbasis teknologiuntuk menyelesaikan TSP yaitu dengan mencoba informasi pekerjaan menjadi mudah, efektif dansemua kemungkinan rute dan mencari rute yang efisien.terpendek. Namun, pada zaman yang serba praktis PT. Pos Indonesia sebagai perusahaansekarang ini dibutuhkan algoritma yang dapat mediator dalam bidang pengiriman dan antaranmenyelesaikan TSP dengan cepat sehingga mempunyai tantangan berat dalam menghadapidiperoleh solusi yang mendekati solusi optimal. dampak perubahan yang ada saat ini, antara lainAlgoritma TSP sangat tepat digunakan untuk yaitu adanya pola pergeseran demand masyarakatpenyelesaian masalah optimasi yang kompleks dan dimana unit-unit pelayanan masih belum maksimal,sukar diselesaikan dengan metode konvensional. namun di sisi lain kebutuhan konsumenpun semakinData rute dan jarak serta waktu tempuh yang meningkat, selain itu masalah-masalah yangdigunakan untuk menentukan rute terpendek pada berkaitan dengan sarana pelayanan, pengirimansistem ini didapat dari hasil survey di kantor pos barang, tarif pengiriman, keadaan barang, kepuasanLhokseumawe. konsumen, keselamatan kerja, dan lain sebagainya juga perlu mendapatkan perhatian dan penangananKata kunci : Algoritma Graph, Rute Terpendek, yang serius. Travelling Salesperson Problem, Proses antaran paket yang sedang berjalan di Tracking Paket, Web. kantor pos, khususnya daerah Aceh menggunakan  rute transportasi umum, dengan armada yang sangat1. Pendahuluan terbatas sehingga membutuhkan waktu yang lama. Jika kantor pos kecamatan (KPC) ingin mengirim1.1 Latar belakang Masalah paket ke kota lain maka paket tersebut harus diolah Perkembangan ilmu pengetahuan dan terlebih dahulu oleh kantor pos pemeriksa (KPRK)teknologi kian pesat, hal tersebut dapat dilihat dan untuk kemudian dikirim ke kota tujuan, walaupundirasakan secara langsung maupun tidak langsung. jarak antara Kantor pos kecamatan lebih dekatPerkembangan tersebut tengah berdampak pada dengan kota tujuan.segala aspek kehidupan manusia. Globalisasi yang Permasalahannya adalah bagaimanaterjadi sekarang ini mengakibatkan terjadinya menentukan rute yang tepat sehingga paket dapatperubahan-perubahan yang dampaknya sampai ke kota tujuan dalam waktu yang sesingkatmempengaruhi segala aspek kehidupan dan terjadi mungkin dengan menggunakan rute tersebut, paketsecara berkelanjutan, termasuk di lingkungan yang sampai ke suatu kota atau kantor pos dapatperusahaan pengiriman barang standar nasional. diarahkan ke kantor pos berikutnya yang tepatGlobalisasi yang terjadi dewasa ini mengakibatkan sehingga paket menuju kota atau kantor pos Data Maning dan Database System 3-13
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 penerima dengan delai (delay) waktu yang Lhokseumawe dalam menentukan rute pengirimanminimum. Dengan kata lain, harus menentukan paket dari satu kota ke kota lainnya sehingga dapatlintasan terpendek dan mendekati yang akan dilalui menghemat waktu dalam proses pengiriman paket.oleh paket tersebut dari kantor pos pengirim ke Diharapkan dapat memberikan sumbangan bagikantor pos penerima. pengembang ilmu di bidang komputer dan Dalam proses antaran paket dari satu kota ke informatika serta memanfaatkan kemajuankota lain tentunya perlu ada pertimbangan efisiensi teknologi untuk kemajuan masyarakat,waktu dan biaya oleh Perusahaan sehingga pembelajaran bagi mahasiswa teknik informatikadiperlukan ketepatan dalam menentukan rute khususnya dan sebagai implementasi ilmuterpendek antar suatu kota. Hasil penentuan rute pengetahuan dari penelitian tersebut.terpendek bisa didapatkan dengan menggunakanmetode pendekatan algoritma Travelling 1.5 Tujuan PenelitianSalesperson Problem (TSP), yaitu algoritma yangmencari panjang lintasan terpendek dan mendekati   Tujuan penelitian ini adalah merancang danoptimal dari titik asal ke titik tujuan dan kembali ke mengimplementasikan sebuah sistem penelusurantitik asal dalam sebuah graf berbobot tersambung paket yang dapat memberikan kemudahan bagidengan biaya minimal. suatu permasalahan tracking dengan menggunakan Dari latar belakang masalah di atas, maka metode pendekatan algoritma TSP pada kantor Posjudul yang dapat diangkat dalam tesis ini yaitu Lhokseumawe.”Sistem Tracking Antaran Paket Pada UnitPelayanan PT.Pos Indonesia menggunakan metode 1.6 Batasan Masalahpendekatan Algoritma Graph - Travelling Berdasarkan latar belakang masalah tersebut,Salesperson Problem (TSP). agar hasil penelitian ini maksimal maka pembahasan masalah hanya dibatasi pada:1.2 Rumusan Masalah 1. Pencarian rute terpendek antaran paket menggunakan algoritma Graph TSP. Adapun permasalahan dalam penelitian ini 2. Rute di dalam sistem ini mengacu pada titikdapat dirumuskan sebagai berikut : yang telah ditentukan oleh PT.Pos sebagai1. Bagaimana memilih dan menentukan rute-rute sarana untuk memberikan laporan. terpendek yang mendekati optimal untuk 3. Data yang digunakan dalam sistem ini adalah antaran paket dari kota asal ke kota tujuan data sekunder (rute, data jarak, dan data kantor kemudian kembali ke kota asal. pos di Aceh) yang bersumber dari kantor pos2. Bagaimana mengimplementasikan algoritma Lhokseumawe dan kantor perhubungan Aceh TSP dalam menentukan rute pada proses antaran Utara. paket.3. Bagaimana membuat aplikasi untuk pencarian rute antaran paket di kantor pos Lhokseumawe. 2. Tinjauan Pustaka dan Landasan Teori1.3 Keaslian Penelitian 2.1 Tinjauan Pustaka Penelitian sejenis yang pernah dilakukan olehpeneliti sebelumnya dilakukan dengan cara Penelitian sebelumnya dilakukan Mukti (2005)menggunakan algoritma djikstra dalam menentukan dengan judul membangun system informasilokasi titik terdekat pengeboran batubara. Dengan geografis untuk pemetaan papan reklame didasar tersebut di atas penulis akan mencoba Yogyakarta. Pada penelitian tersebut masihmelakukan penelitian yang bersifat baru, sampai menggunakan software tambahan macromedia flashdengan saat ini sepanjang yang penulis ketahui, sebagai antar muka sehingga file yang dihasilkanbelum ada dan belum pernah dilakukan penelitian dengan digitasi deprogram arcview harus dieksportentang penggunaan sistem tracking antaran paket menjadi file berekstensi *.dxf sehingga melakukanpada unit pelayanan PT. Pos Indonesia dua kali pekerjaan selain itu digitasi onscreen padamenggunakan metode pendekatan Algoritma Graph program arcview jika di ekspor kedalam file dxf“Travelling Salesperson Problem (TSP)” menjadi kurang sempurna. Perangkat lunak arcview sebebarnya sudah di desain cukup lengkap bahkan arcview bisa membuat antar muka sendiri dengan1.4 Manfaat Penelitian menggunakan fasilitas customize dan tidak perlu  Manfaat dari penelitian adalah diharapkan menggunakan perangkat yang lain. Disini penulisdapat menjadi salah satu acuan bagi kantor Pos3-14 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 menggunakan software arcview dan Microsoft jumlah titik yang terdapat adalah empat buah danaccess untuk menyimpan basis data. banyak kemungkinan lintasannya adalah tiga buah. Penelitian ini juga mengacu pada penelitian Yaitu :yang dilakukan oleh Wijayanto (2005), denganjudul SIG untuk pemetaan transceiver station BTS.Telkom Flexi PT.Telkom cabang Bantul. Padapenelitian tersebut peneliti menggunakan perangkatlunak arcview tetapi penggunaannya belummenggunakan hotlink untuk menampilkan Gambar 2.9 contoh tiga macam lintasan kasusinformasi yang lebih detail sehingga informasi yangdihasilkan hanya berupa atribut dari theme yang Lintasan pertama = (a,b,c,d,a) atau (a,d,c,b,a)ada. Arcview memiliki fasilitas hotlink sehingga Mempunyai panjang = 10 + 12 + 8 + 15 = 45.dapat membantu menampilkan informasi yang lebih Lintasan Kedua = (a,c,d,b,a) atau (a,b,d,c,a)lengkap dan menarik. Dan penelitian ini penulis Mempunyai panjang = 12 + 5 + 9 + 15 = 41,telah menggunakan fasilitas hotlink sehingga dapat Lintasan Ketiga = (a,c,b,d,a) atau (a,d,b,c,a)ditampilkan informasi yang lebih luas dan lebih Mempunyi panjang = 10 + 5 + 9 + 8 = 32detail. Karena fasilitas hotlink dapat menerima Dari hasil enumerasi ini didapat hasil minimummasukan yang berupa file text, image, dan file doc, yaitu 32. Tetapi jumlah enumerasi dari algoritma inisehingga dapat ditampilkan informasi yang lebih adalah (n – 1)! yang tidak akan efisien jika jumlah nluas dan lebih menarik. bernilai sangat besar.2.2 Landasan Teori 2) Branch and Bound2.2.1 Algorima Graph-Travelling Salesperson ProblemProsedur Sederhana Pemecahan TSP Dalam penyelesaian masalah TSP kita dapatmembagi kedalam 2 metode, yaitu metode optimaldan metode aproksimasi. Metode optimal akanmenghasilkan hasil yang optimal (minimum)sedangkan metode aproksimasi akan menghasilkanhasil yang mendekati optimal.2.2.2 Metode Optimal Sejak permasalahan TSP ditemukan pada Gambar: Branch and Boundtahun 1800 oleh matematikawan Irlandia SirWilliam Rowan Hamilton dan matematikawan Sama dengan complete enumeration, padaInggris Thomas Penyngton Kirkman, pusat algoritma Branch and Bounpun ternyata memilikiperhatian studi ini adalah menemukan secara pasti kompleksitas algoritma (n-1)!, dimana n adalahnilai minimum dari persoalan TSP dengan jumlah kota. Untuk kasus diatas hasil yang di capaikonsekuensi dibutuhkan waktu yang cukup lama adalah 15untuk menyelesaikannya. 2.2.3 Metode Aproksimasi1) Complete Enumeration Greedy Heuristic Metode ini akan mengenumerasi setiapkemungkinan yang terdapat dalam graf, setelah itualgoritma ini akan membandingkan lintasan manayang paling minimum. Misal untuk kasus berikutini : Gambar: contoh empat titik lintasan kasus Gambar: Greedy Heuristic Data Maning dan Database System 3-15
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada algoritma ini, pemilihan lintasan akan Metodologi yang digunakan adalah analisisdimulai pada lintasan yang memiliki nilai paling dan desain terstruktur dengan tahap-tahap sebagaiminimum, setiap mencapai suatu kota, algoritma ini berikut :akan memilih kota selanjutnya yang belumdikunjungi dan memiliki jarak yang paling 3.3.1 Penelitian Lapangan (Field Research)minimum. Algoritma ini disebut juga Nearest a. Dalam melakukan penelitian ini penulisNeighbour. melakukan Observasi, Yaitu metode Kompleksitas algoritma ini memang sangat pengumpulan data dengan menggunakanmengagumkan yaitu O(n), tetapi hasil yang kita pengamatan langsung dan pencatatan dengandapat bisa sangat jauh dari hasil yang optimal, sistematik terhadap gejala atau fenomena yangsemakin banyak kota semakin besar pula perbedaan terkait tanpa mengajukan pertanyaan.hasil yang dicapai. Misalnya untuk contoh kasus b. wawancara dengan Kepala bagian Pengolahanyang sama dengan algoritma Branch and Bound data dan Kepala bagian pusat informasi disebelumnya yang menghasilkan nilai 15, maka kantor pos Lhokseumawe. Teknik analisisalgoritma ini menghasilkan nilai 18 berbeda sebesar terhadap sistem yang ada atau sedang berjalan20% dari hasil sebelumnya padahal jumlah kota c. Implementasi, Yaitu metode dengan carahanya 5 buah. mengimplementasikan hasil perancangan yang  telah dibuat menjadi suatu tampilan yang3. Metodologi Penelitian menarik sehingga memudahkan dalam pembelajaran tentang objek penelitian.3.1 Lokasi Penelitian d. Metode Uji Coba, Yaitu suatu metode dimana perancangan yang telah diimplementasikan Lokasi penelitian adalah PT.Pos Indonesia kedalam program dapat diuji cobakan(Persero), kantor cabang Lhokseumawe, Dinas kebenarannya kepada orang lain yang inginPerhubungan Aceh Utara, Bapedda Aceh Utara dan mempelajarinya.Bapedda Lhokseumawe. 3.3.2 Penelitian Kepustakaan (Library Research)3.2 Alat dan Bahan Penelitian Metode ini merupakan metode pengumpulan3.2.1. Alat Penelitian data dengan cara mempelajari literature, paket modul dan panduan, buku-buku pedoman, buku-1) Perangkat Keras buku perpustakaan dan segala kepustakaan lainnya Perangkat keras yang digunakan dalam yang dianggap perlu dan mendukung.penelitian ini yaitu : Spesifikasi perangkat keras(hardware) yang digunakan pada penelitian ini 3.4 Langkah-langkah Penelitianyaitu berupa Laptop dengan spesifikasi tinggi IntelCore2Duo, Memory 2GB, dan nVidia Graphic Langkah-langkah dalam melakukan penelitian512MB, Serta alat cetak printer Canon MP450 ini adalah sebagai berikutuntuk memudahkan peneliti dalam melakukan a. Tahap Perancangan Sistempenelitian b. Perancangan graf dan algoritma TSP yaitu untuk2) Perangkat Lunak, PHP dan MySQL - Menentukan graf yang akan dipakai.  - Menggambarkan graf sesuai dengan Peta3.2.2. Bahan Penelitian jalan seluruh Aceh. Bahan penelitian yang dibutuhkan adalah - Menentukan titik-titik didalam graf.sebagai berikut : - Memasukkan bobot nilai dalam graf.a. Data kantor pos di Nanggroe Aceh Darussalam - Menentukan rute-rute yang bisa dilewatib. Data Paket di kantor pos untuk antaran paket dari titik awal ke titik-c. Data rute yang dilalui pada saat antaran paket titik selanjutnya.d. Data lokasi kantor pos - Menentukan rute terpendek atau nilaie. Data jarak antar kota dan kabupaten di minimumnya dengan menggunakan Nanggroe Aceh Darussalam algoritma TSP.f. Peta jalan Nanggroe Aceh Darussalam. c. Tahap Pembuatan Sistemg. Data berita seputar perusahaan Langkah-langkah yang digunakan untukh. Data profile Perusahaan membuat sistem adalah sebagai berikut :i. Data Tarif - Menentukan bahasa pemograman yang akan dipakai.3.3 Metode Pengumpulan Data - Membuat tabel-tabel database.3-16 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  - Merancang menu interface sistem. Table: Perhitungan Rute optimal dari simpul awal a - Mengimplementasikan sistem kedalam = A (Lsm) kesemua simpul lainnya. bahasa pemograman. (Untuk Nilai D)d. Tahap Pengujian Sistem   Langkah-langkah yang digunakan dalam menguji sistem adalah sebagai berikut: - Melakukan Test Case - Memberikan jenis uji Black Box test4. Hasil dan Pembahasan4.1 Perhitungan Matriks Ketetanggaan Graf Matriks ketetanggaan dari graf diatas adalah:Tabel Matriks ketetanggan perhitungan rute optimal   untuk graf kantor pos di Aceh: Dari perhitungan diatas maka Rute optimal antaran paket pada kantor pos Lhokseumawe ke kantor pos tujuan adalah sebagai berikut : Tabel Lintasan optimal dari simpul asal ke simpul tujuan:  4.2 Rute Terpendek Menggunakan Algoritma TSPTable Perhitungan Rute optimal dari simpul awal a = A (Lsm) kesemua simpul lainnya.   (Untuk Nilai S):   4.3 Implementasi Sistem 4.3.1 Lokasi Sistem Tracking     Data Maning dan Database System 3-17
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  1. Sistem Tracking paket hanya menyediakan fasilitas penentuan rute antaran paket dengan lintasan optimal, daftar tarif, ekspedisi paket,   kritik saran, profile, dan berita. Untuk pengembangan sistem ini lebih lanjut, dapat Gambar: Hasil dari pencarian rute terpendek ditambahkan modul-modul lain yang menggunakan algoritma TSP mendukung sistem ini 2. Dalam menentukan rute optimal algoritma TSP Gambar di atas menunjukkan pencarian rute tidak selamanya dapat memberikan rute yangterpendek dari node asal A ke node tujuan N. Proses nilainya minimal, karena prinsip yangpencarian rute terpendek dari node asal A ke node digunakan oleh algoritma TSP disini adalahakhir N menggunakan algoritma TSP melalui semua cara dicoba untuk mencari rute yangproses penentuan titik ke titik yang terdekat optimal, untuk bisa mendapatkan pencarian ruteberdasarkan bobot jarak. Algoritma TSP akan optimal secara baik kedepannya dalammencari semua lintasan yang mungkin dilewati pencarian rute terpendek bisa menggunakanmenuju titik akhir untuk kemudian ditentukan algoritma yang lebih luas ruang lingkuplintasan terpendeknya. Dan lintasan terpendek dari kerjanya.node asal A ke node akhir N dapat melewati A – F– K– L – M - N dengan total jarak 371 Km. Daftar Pustaka Betha, Sidik, Ir, 2002, Pemrograman Web dengan5. Penutup PHP, Penerbit Informatika, Bandung5.1 Kesimpulan Handoyo, Hendri Purwo, dkk, Pemecahan Masalah Jalur Terpendek dengan Travelling Setelah membuat aplikasi sistem tracking SalesPerson Problem, Jurusan Teknikantaran paket dengan menggunakan Algoritma TSP Informatika Sekolah tinggi Teknologi Telkom,pada PT. Pos Indonesia Persero Lhokseumawe, Bandung.maka dapat diambil kesimpulan sebagai berikut: Hardi, Richki, 2007. Sistem Ekspedisi Paket1. Sistem ini dapat menemukan urutan kunjungan Sentral Pengolahan Pos Yogyakarta PT. Pos lokasi (satu lokasi hanya dikunjungi satu kali) Indonesia (Persero) Berbasis WEB. Skripsi yang total "nilai"-nya paling optimal (bisa S1 Universitas Ahmad Dahlan, Yogyakarta. minimal atau maksimal bergantung tujuannya). Hardi, Richki, 2009. Tugas Analisa Algoritma "Nilai, di sini bisa berupa jarak, biaya, Graph. kenyamanan, dan sebagainya. tujuannya adalah Kadir, Abdul, 2008. Dasar Pemograman Web menemukan urutan lokasi pengantaran paket Dinamis Menggunakan PHP. Penerbit Andi, yang total jaraknya paling minimal. Yogyakarta.2. Aplikasi sistem Tracking paket ini dapat Munir, Rinaldi, 2005. Buku Teks Ilmu Komputer digunakan untuk meningkatkan pencarian paket Matematika Diskrit Edisi Ketiga. Penerbit dan penentuan rute dalam pengiriman paket Informatika, Bandung. serta mempersingkat waktu pencarian rute Nugroho, Bunafit, 2004, Aplikasi Pemograman antaran paket secara efektif dan efisien serta Web Dinamis dengan PHP dan MySQL, menyediakan informasi yang cepat dan mudah. Penerbit Gava Media, Yogyakarta.3. Sistem Tracking paket ini sangat efektif dalam Pradhana, Aditya Bayu, Studi Dan Implementasi memberikan hasil yang akurat dan terkini Persoalan Lintasan Terpendek Suatu Graf, tentang status dan kondisi paket. Program Studi Teknik Informatika, Institut4. Sistem Tracking paket ini menyediakan Teknologi Bandung. keamanan data kepada setiap kantor cabang dan Rafiudin, Rahmat. 2004. Panduan Menjadi juga kantor pusat yang mempunyai hak akses, Seorang Webmaster. Penerbit yaitu dengan memberikan user ID dan password Andi,Yogyakarta. yang dapat di enkripsi. Setioko, Budy, Solusi Chinese Postman Problem yang Berprinsip Greedy. Jurusan Teknik5.2 Saran Informatika, Sekolah Tinggi Teknologi Telkom, Bandung. Beberapa saran yang dapat diberikan untuk Sigit, Poncow, Analisis dan Perancangan Sistem,pengembangan sistem tracking ini adalah sebagai Khusus untuk kalangan sendiri.berikut:3-18 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 http://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Ha milton.htmlhttp://www-groups.dcs.st- andrews.ac.uk/~history/Mathematicians/Kirk man.htmlhttp://www.oup.co.uk/isbn/0-19-853916-9 Data Maning dan Database System 3-19
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-20 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Kajian Pengaruh Teknologi Informasi dan Komunikasi Dalam Pengembangan Pertanian Dalam Rangka Meningkatkan Produktifitas Komoditi Pertanian Hotden Leonardo Nainggolan Dosen Program Studi Agribisnis Fakultas Pertanian Universitas HKBP Nommensen Medan Email : hotden_ngl@yahoo.com ABSTRAK dengan demikian kesejahteraan hidup masyarakat petani akan semakin baik. Teknologi informasi dan komunikasi diyakinisebagai alat yang mampu membuat perubahan Kata Kunci : pertanian, penanaman, pemeliharaan,dalam kehidupan manusia yang dapat diaplikasikan teknologi komunikasi dan informasi.dalam berbagai bidang yang bertujuan untukmemberikan kemudahan dalam aktivitas kehidupansehingga memberikan manfaat bagi masyarakat. 1. Pendahuluan.Kajian ini dilakukan untuk mengetahui manfaat dan Keberhasilan penerapan suatu sistempengaruh Teknologi informasi dan komunikasi informasi yang didukung oleh perangkat teknologidalam pengembangan pertanian baik dalam bidang informasi merupakan tujuan dari manajemenpenanaman, pemeliharaan, prediksi panen hinga perusahaan sehingga tercipta cara kerja yang efektifproses pengolahan hasil panen, serta untuk dan efisien, namun demikian dalam prakteknyamengoptimalkan pemanfaatan faktor faktor tidak sedikit perusahaan yang mengalami kegagalanproduksi pertanian dalam peningkatan produktifitas dalam membangun suatu sistem informasi yangkomoditi pertanian. Kajian ini menggunakan terintegrasi dengan baik. Hal itu disebabkan olehmetode kepustakaan dalam melihat manfaat dan beberapa faktor yang harus dipertimbangkan untukpengaruh Teknologi informasi dan komunikasi memberikan solusi terhadap permasalahan tersebut,dibidang pertanian. Berdasarkan hasil kajian sehingga diperlukan komitmen dan kerja keras yangdiketahui; a) teknologi informasi dan komunikasi cerdas dari tim implementator system demiberperan penting dalam pengembangan pertanian terciptanya kesuksesan dalam penerapan suatuterutama dalam bidang penanaman, pemeliharaan sistem informasi secara terintegrasi.dan prediksi panen, b) jika diaplikasikan dalam Salah satu faktor penting yang harusinternet akan bermanfaat untuk mengetahui diperhatikan adalah bagaimana melakukanpenanaman sesuai dengan kondisi lahan hingga perubahan cara kerja dan pola pikir pengguna agarprediksi panen yang tepat, c) petani juga akan dapat mendukung pekerjaan dengan systemmendapatkan informasi yang cepat dan akurat komputerisasi. Perlu diperhatikan bahwadengan mengakses semua informasi yang berkaitan perubahan cara kerja dan pola pikir tersebut tidakdengan kegiatan pertanian melalui internet. bisa dilakukan secara instan tetapi memerlukanMelalui kajian ini disimpulkan; a) teknologi tahapan proses yang relatif lama, terlebih bagiinformasi dan komunikasi membantu memperlancar pengguna yang telah terbiasa menggunakan caraarus informasi bagi petani, b) mencegah kerja tradisional. Beberapa faktor sepertiketerlambatan terutama mengenai penanaman, kecerdasan dan kedewasaan mental penggunapemupukan, penyemprotan, pemanenan, dalam menjalankan suatu system informasi barupengeringan bahkan ramalan cuaca, dan harga yang belum dikenal merupakan kunci keberhasilanbahan pertanian, c) teknologi informasi dan dalam melakukan implementasi system informasikomunikasi bermanfaat bagi petani untuk yang terintegrasi. Disamping itu perubahan caramengetahui kebutuhan akan faktor produksi kerja maupun pola pikir yang didukung olehmingguan dengan akurat. Dengan demikian perangkat teknologi informasi sangatlahteknologi informasi dan komunikasi merupakan dipengaruhi oleh perubahan organisasiharapan yang dapat digunakan oleh petani (organization change).Indonesia sebagai alat pengembangan pertanian Perubahan organisasi ini identik denganuntuk meningkatkan produktivitas pertanian maka upaya perubahan budaya (culture) perusahaan. Perubahan budaya perusahaan ini sangat ditentukan Data Maning dan Database System 3-21
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 oleh peranan top manajemen perusahaan sebagai penanaman, peternakan, dan perikanan. Salah satuteladan (contoh) bagi karyawan / pengguna untuk contoh teknologi informasi komunikasi yaitumendukung cara kerja dengan dukungan penuh internet yang menyajikan dunia tanpa batas. Lewatpenggunaan teknologi informasi. Penelitian ini sarana inilah diharapkan dapat digunakan untukbertujuan untuk membahas bagaimana pengaruh mencari segala informasi yang dibutuhkan danteknologi informasi dan perubahan organisasi dapat pula digunakan oleh masyarakat desa untukdalam mencapai kesuksesan membangun suatu meningkatkan kesejahteraan perekonomian melaluisistem informasi yang terintegrasi. korespondensi dengan orang lain di berbagai penjuru dunia yang menyangkut berbagai informasi.2. Teknologi Informasi dan Komunikasi Secara umum bahwa masyarakat desa selalu mengalami kendala dalam dalam mendapatkan dalam Bidang Pertanian informasi yang baru dan tepat. Oleh karena itu Dalam era globalisasi bahwa penguasaan informasi dari internet akan berperan sebagaiterhadap teknologi komunikasi dan informasi pembeneri informasi bagi petani menyangkutmerupakan suatu keharusan karena diyakini berbagai hal yang berkaitan dengan kegiatansebagai alat pengubah. Sejarah membuktikan pertaniannya, mulai dari pemeliharaan tanaman,evolusi teknologi selalu terjadi yang pada gilirannya pemberian pupuk, irigasi, ramalan cuaca dan hargabahwa temuan teknologi tersebut dapat pasaran. Dengan internet juga bermanfaat untukdiaplikasikan untuk memperoleh kemudahan dan memberikan informasi yang menyangkutmanfaat dalam aktivitas kehidupan manusia. penanaman hingga persediaan di pasar.Teknologi informasi komunikasi merupakan faktor Maka dengan demikian arus informasi akanyang sangat penting dalam mendukung peningkatan lancar sehingga keterlambatan dan miskomunikasikualitas baik sumber daya manusia, sumber daya mengenai penanaman, pemupukan, penyemprotan,alam hingga pada pelayanan pemerintah kepada pemanenan, pengeringan, dan penjualan hampirmasyarakat. Teknologi informasi mempunyai tiga tidak akan terjadi lagi. Demikian juga denganperanan pokok yaitu : koperasi akan dapat mengetahui kebutuhana. Instrumen dalam mengoptimalkan proses mingguan para petani secara akurat serta koperasi pembangunan, yaitu dengan memberikan akan dapat meningkatkan perannya sebagai dukungan terhadap manajemen dan pelayanan pengumpul serta pemasar hasil produksi pertanian kepada masyarakat. langsung kepada konsumen akhir. Sehinggab. Produk dan jasa teknologi informasi dengan demikian bahwa teknologi informasi dan merupakan komoditas yang mampu komunikasi ini diharapkan dapat dipergunakan oleh memberikan peningkatan pendapatan baik bagi sebanyak mungkin petani Indonesia sehingga perorangan, dunia usaha dan bahkan negara produktivitas pertanian mereka meningkat. dalam bentuk devisa hasil ekspor jasa dan produk industri telematika lainnya. 3. Peran Teknologi Informasi danc. Teknologi informasi bisa menjadi perekat Komunikasi dalam Pertanian persatuan dan kesatuan bangsa melalui pengembangan sistem informasi yang mampu Pertanian merupakan sebuah sektor yang menghubungkan semua institusi pada area yang memilki peranan cukup penting dalam kehidupan berbeda dan berjauhan diseluruh wilayah manusia, karena merupakan sektor yang mampu nusantara. penyediaan kebutuhan akan pangan masyarakat Kesadaran akan pentingnya teknologi dalam kehidupannnya sehari-hari. Disamping itukomunikasi dan informasi (information and bahwa sektor pertanianl merupakan sektor andalancommunication technologi), bukan hanya monopoli disamping sektor-sektor lainnya karena mampukalangan pengusaha besar saja tetapi juga memberikan kontribusi bagi devisa Negara sertabertumbuh di kalangan pengusaha kecil dan menjadi tumpuan kehidupan masyarakat di daerahmasyarakat lainnya, seperti koperasi, kelompok pedesaan. Akan tetapi bahwa pengelolaan usahatani, bahkan masyarakat biasa. Teknologi informasi tani rakyat di Indonesia umumnya masih bersifatdan komunikasi berperan penting dalam tradisional dan belum menerapkan menggunakanpengembangan bisnis, kelembagaan organisasi dan teknologi baru.juga mampu mendorong percepatan kegiatan Rendahnya penerapan teknologi di padaekonomi dan taraf hidup masyarakat. Teknologi sektor pertanian tentu berdampak pada rendahnyajuga memegang peranan penting dalam produktivitas usaha tani yang dihasilkan, sementarapengembangan pertanian. Teknologi dimafaatkan itu pertambahan penduduk semakin tidak terkendalidalam tiga cabang utama pertanian yaitu maka sudah tentu kebutuhan terhadap sektor3-22 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 pertanian dan tuntutan terhadap pangan akan yang biasa dijalankan oleh petani dengansemakin meningkat. Dalam memasuki era pengetahuan dan teknologi yang selalu berkembangperdagangan bebas pada saat ini bahwa yang menjadi kebutuhan petani tersebut. Penyuluhpembangunan sektor pertanian menghadapi pertanian akan membimbing petani denganberbagai tantangan terutama dalam hal; pemenuhan pengetahuan dan teknologi yang sedangkecukupan pangan, peningkatan kesejahteraan berkembang untuk diterapkan kepada petani dalampetani, serta penyediaan lapangan kerja melalui usaha taninya.pengembangan usaha dan sistem agribisnis yangberdaya saing tinggi. 3.1. Peran Teknologi Informasi Dalam Maka dalam rangka memenuhi tuntutan yang Penentuan Lahansemakin besar terhadap sektor pertanian khusunyakebutuhan akan pangan, maka diperlukan adanya Penginderaan jauh dengan menggunakanupaya pengembangan di berbagai sisi, termasuk pesawat atau sejenisnya merupakan suatu ilmu ataupengembangan teknologi, sistem manajemen usaha teknologi untuk memperoleh informasi mengenaitani dan sebagainya. Pengembangan teknologi fenomena alam melalui analisis suatu data yangdibidang pertanian tentu akan sangat berpengaruh diperoleh dari hasil rekaman daerah yang dikaji.dalam proses pengembangan pertanian. Dengan Perekaman atau pengumpulan data penginderaandemikian, untuk mengelola usaha taninya dengan jauh dilakukan dengan menggunakan alatbaik, petani memerlukan berbagai sumber pengindera (sensor) yang dipasang pada pesawatinformasi, antara lain : kebijakan pemerintah; hasil terbang atau satelit. Dan ternyata bahwa satelitpenelitian dari berbagai disiplin ilmu; pengalaman penginderaan jauh telah mampu memberikan datapetani lain; dan informasi terkini mengenai prospek atau informasi yang berkaitan dengan sumberdayapasar yang berkaitan dengan sarana produksi dan alam dataran dan sumberdaya alam kelautan secaraproduk pertanian. Sistem pengetahuan dan teratur dan periodik (Darsiman , B. dan Ayiinformasi pertanian tersebut dapat berperan dalam Sudrajat. 2011)membantu petani dengan melibatkannya secara Untuk sektor pertanian bahwa penginderaanlangsung terhadap sejumlah besar kesempatan, jauh ini mampu memberikan informasi mengenaisehingga mampu memilih kesempatan yang sesuai kesuburan dan kelayakan lahan yang sesuai dengandengan situasi dan kondisi faktual di lapangan. jenis komoditi pertanian tertentu, pengindraanPerkembangan jejaring pertukaran informasi di dengan menggunakan pesawat sudah dilengkapiantara pelaku yang terkait merupakan aspek penting dengan remote sensing, sehingga bisa mengenaliuntuk mewujudkan sistem pengetahuan dan jenis tanah hingga strukturnya, maka informasi iniinformasi pertanian. Dengan dukungan teknologi akan memudahkan para petani dalam menentukaninformasi dan komunikasi serta peran aktif berbagai komoditi pertanian yang akan dikelola (ditanam)institusi pemerintahan maupun nonpemerintahan mereka.(swasta dan LSM) dan masyarakat jaringaninformasi bidang pertanian di tingkat petanidiharapkan dapat diwujudkan. Maka dengan demikian bahwa peranpenyuluh pertanian harus dapat mensosialisasikantentang penggunaan teknologi yang dapat membatudalam pengelolaan usaha tani mereka sehingganantinya akan menciptakan suatu usaha tani yang Gambar diatas merupakan proses pengindraanlebih produktif dan efisien. Oleh karena itudiperlukan tenaga penyuluh yang benar-benar dibidang pertanian untuk melihat proseskompeten untuk membantu memaparkan dan pertumbuhan tanaman. Dan hasilnya akan terekam dalam bentuk scan seperti dibawah ini :mengaplikasikan penggunaan teknologi ke parapetani. Dengan berkembangnya teknologi informasidan multimedia yang begitu cepat maka akanberdampak pada peningkatan terhadap kualitassumber daya tenaga penyuluh. Penyuluh pertaniandituntut untuk memahami teknologi informasi dankomunikasi selain dari ilmu-ilmu mengenaipertanian. Sehingga pada akhirnya Penyuluhan berfungsiuntuk menjembatani kesenjangan antara praktek Data Maning dan Database System 3-23
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Salah satu keuntungan dari data citra satelituntuk deteksi dan inventarisasi sumberdaya lahanpertanian adalah setiap lembar (scene) citra inimencakup wilayah yang sangat luas yaitu sekitar60–180 km2 (360.000–3.240.000 ha). Denganmengamati daerah yang sangat luas sekaligus,beserta keadaan lahan yang mencakup topografi/ (Petani di Pedesaan sedang membajak sawah)relief, pertumbuhan tanaman/ vegetasi danfenomena alam yang terekam dalam citra memberi Dengan perkembangan teknolgi yang semakinpeluang untuk mengamati, mempelajari pengaruh pesat maka proses pengolahan lahan pertanianiklim, vegetasi, litologi dan topografi terhadap sudah menggunakan peralatan yang canggih seprtipenyebaran sumberdaya lahan dan lahan pertanian traktor, sebagaimana pada gambar dibawah ini.(Puslit. Tanah dan Agroklimat, 2000). Danketersediaan data citra satelit dalam bentuk digitalmemungkinkan penganalisaan dengan komputersecara kuantitatif dan konsisten. Sehingga dengan demikian pemanfaatanteknologi penginderaan di Indonesia perludikembangan dan diaplikasikan untuk mendukungefisiensi pelaksanaan inventarisasi sumberdayalahan dan identifikasi penyebaran karakteristik 3.3. Peran Teknologi Informasi Dalamlahan pertanian (lahan sawah, lahan kering, lahan Pemeliharaan Tanamanrawa, lahan tidur, lahan kritis, estimasi produksi)terutama pada wilayah sentra produksi pangan. Teknologi informasi dan komunikasi akan Proses penginderaan ini sangat diperlukan mampu memberikan informasi kepada para petanikarena penyebaran, kondisi serta perubahan lahan dalam hal pemeliharaan tanaman yang berkaitantidak dapat diketahui secara pasti tanpa bantuan dengan pemberian pupuk hingga irigasi danteknologi yang lebih maju, disamping karena laju peramalan cuaca. Sehingga dengan demikian bahwapertumbuhan penduduk yang tinggi (1,6% per teknologi informasi dan komunikasi ini akantahun) menyebabkan perubahan penggunaan lahan memberikan keuntungan bagi para petani karenadengan cepat, maka dengan demikian bahwa dengan pemeliharaan yang tepat melalui pemberianinventarisasi dan pemantauan penggunaan lahan pupuk dan pengaturan pengairan akan mampuperlu dilaksanakan dengan baik. Disamping itu memacu peningktan produksi. Pada gambarbahwa dalam usaha pemantapan ketahanan pangan dibawah ini menunjukkan sebuah systemdan pengadaan stok pangan nasional, pada era pengelolaan irigasi tanaman berbasis komputer.globalisasi informasi dituntut ketepatan, kecepatan Pada areal tanam (batang tanaman) atau lokasi yangpenyampaian data sumberdaya pertanian, dengan akan dipantau (field station) ditempatkan scannerdemikian bahwa teknologi penginderaan jauh ini untuk mendeteksi kondisi yang terjadi (kering,juga memungkinkan untuk digunakan dalam deteksi lembab, basah, dll), kemudian data yang terekampenyebaran lahan pertanian, dan hasilnya lewat scanner akan masuk ke base station danmerupakan sumber informasi utama dalam selanjutnya data diproses maka secara otomatispemutakhiran dan pembaharuan (updating) data proses selanjutnya akana berlangsung baiksumberdaya pertanian. penyiraman atau pemupukan sesuai dengan data yang masuk di base station (Darsiman, B. dan Ayi Sudrajat. 2011).3.2. Peran Teknologi Informasi Dalam Proses Pengolahan Lahan Pertanian Salah satu faktor yang mempengaruhiproduktifitas tanaman pertanian adalah pengolahanlahan yang baik. Pada umumnya petani selalumengalami kendala dalam proses pengolahan lahankarena keterbatasan teknologi. Para petani yangberada di daerah pedesaan umumnya mengelolalahan pertaniannya seacara tradisional sehinggadengan demikian produktifitasnya tidak maksimal. 3-24 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Pada gambar dibawah ini terlihat peran teknologi kegiatan manusia yang terlepas dari teknologi,dengan menggunakan traktor untuk melakukan artinya bahwa dengan menggunakan teknologiproses pemupukan dengan menempatkan GPS dan sebagai media informasi bagi petani, maka aktivitassensor pada peralatan mesin traktor tersebut. penyuluhan pertanian akan menjadi lebih baikPemanfaatan teknologi ini tentu akan memberikan (Darsiman , B. dan Ayi Sudrajat. 2011)dampak yang sangat positif bagi proses Peningkatan kualitas sumber daya petani danpengembangan pertanian sebagai upaya untuk pelaku pertanian merupakan suatu keharusanmeningkatkan produksi pertanian itu sendiri. dengan kemajuan tekonologi informasi dan komunikasi sehingga penyebarluasan informasi akan menjadi semakin efisien dan efektif. Beberapa solusi yang ditawarkan dalam rangka mengatasi persoalan transfer teknologi dan pengetahuan pertanian adalah pemanfaatan information and communication technologies (ICTs) yang untuk penyuluhan pertanian adalah : a. Menggunakan “cyber extension” yang merupakan penggunaan jaringan on-line,3.4. Peran Teknologi Informasi Dalam computer dan digital interactive multimedia Pemantauan Pertumbuhan Tanaman untuk memfasilitasi diseminasi teknologi pertanian. Model ini dipandang sangat strategis Dengan perkembangan teknologi informasi karena mampu meningkatkan akses informasiyang semakin pesat bukan hanya bisa diterapkan bagi petani, petugas penyuluhan pertanian,pada proses pemeliharaan yang meliputi pemberian peneliti baik di lembaga penelitian maupun dipupuk dan pengaturan pengairan tetapi universitas serta para manajer penyuluhan.perkembangan tanaman juga sudah bisa dipantau b. Dalam penyuluhan pertanian saat ini jugadengan cermat melalui program computer. Maka menggunakan multiple information system bagidengan demikian bahwa proses peningktan masyarakat pedesaan untuk mendukung usahaproduksi tanaman pertanian juga akan semakin dan bisnis pertanian serta perbaikan ekonomibaik. Pada gambar dibawah ini menunjukkan rumah tangga masyarakat pedesaan.sebuah system pemantauan pertumbuhan tanamanberbasis komputer. Pada tanaman yang akandiantau, apakah batang, pertumbuhan buah ataudahan/ ranting ditempatkan scanner untukmendeteksi kondisi yang terjadi dan selanjutnyadata yang terekam lewat scanner akan masuk kebase station untuk diproses dan selanjutnya dicatatsesuai dengan yang diinginkan. c. Belakangan ini juga sudah mulai mempergunakan aplikasi android (melalui Smartphone), dalam rangka memperlancar proses penyuluhan kepada para petani. Cara ini cocok untuk penyuluh yang mewawancarai petani padi tanpa akses ke internet. Setelah wawancara, informasi dari petani tersimpan dalam Smartphone. Setelah ada akses ke internet, anjuran pemupukan dapat langsung dikirim melalui3.5. Peran Teknologi Informasi Dalam SMS ke hape petani. Penyuluhan Pertanian d. Aplikasi Hand Phone (melalui SMS). Dalam memperlancar proses penyuluhan kepada Teknologi informasi dan komunikasi petani, dapat menggunakan fasilitas yangberhubungan dengan pengolahan data sehingga terdapat pada hand phone (HP). Departemenmenjadi informasi yang dapat dipergunakan sebagai Pertanian RI sedang merancang hal ini, denganinformasi untuk membantu jalannya penyuluhan menyediakan kontak nomor bebas pulsa.pertanian. Pada saat ini sudah tidak ada lagi Data Maning dan Database System 3-25
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kebutuhan akan faktor produksi mingguan dengan akurat. 4.2. Saran. Perkembangan teknologi informasi dan komunikasi merupakan harapan yang dapat Tidak perlu internet dan kontak nomor bebas digunakan oleh petani Indonesia sebagai alat pulsa … ! Ikuti petunjuk yang terdengar di pengembangan pertanian untuk meningkatkan Hand Phone(HP). Anjuran pemupukan dapat produktivitas pertanian maka dengan demikian segera diterima dalam bentuk SMS kesejahteraan hidup masyarakat petani akan Sepenuhnya otomatis dan tidak memerlukan semakin baik, maka melalui kajian ini disarankan operator telpon. bahwa pemerintah harus berperan dalam rangkae. Selanjutnya juga digunakan teknologi pengembangan teknologi di bidang pertanian serta information yang lainnya seperti Multiple memberikan kemudahan bagi petani untuk communication systemtelephone, wireless mengakses teknologi tersebut. information system, off-talk communication, FAX, CATV, personal computer Daftar Pustaka communication, video tex, satellite communication system, internet (EI-net), Darsiman B dan Ayi Sudrajat 2011. Tantangan television telephone system. Indonesia Dalam Mengadopsi Pertanian Dengan penggunaan teknologi dalam Presisi menuju Kedaulatan Pangan. Makalahpenyuluhan pertanian diharapkan dapat Seminar Medan.2011.meningkatkan layanan penyuluhan pada aktivitas Direktorat Jenderal TPH, 1998. Departemenpetani dalam enyediakan inovasi pertanian yang Pertanian Republik Indonesia. Jakarta.semakin advance sehingga membantu petugas Haryono, 2011. Pengembangan dan Implementasipenyuluhan pertanian di daerah maka disamping itu Sistem Cerdas pada Tanaman Padi Sawahsangat diperlukan adanya kerjasama dengan pihak- berbasis Precision Farming Mendukungpihak atau otoritas terkait. Surplus 10 juta ton Beras Tahun 2014. Disamping itu salah satu hal penting yang Makalah Seminar. Kementerian Pertanian RI.berkaitan dengan proses penyuluhan pertanian Jakarta.yang perlu mendapatkan fokus perhatian dari Pusat Penelitian Tanah dan Agroklimat, 2000.pemerintah pusat maupun daerah adalah Departemen Pertanian Republik Indonesia.menumbuhkan dan membangun kolaborasi antara Jakarta.lembaga pemerintah (penyuluhan dan penelitian),pihak swasta dan universitas sehingga prosespenyuluhan pertanian di Indonesia berjalan denganlancar dan berkembang dengan baik sehingga parapetani akan merasakan manfaat dari kegiatanpenyuluhan pertanian tersebut.4. Penutup4.1. Kesimpulan Berdasarkan kajian yang dilakukan dapatdiambil kesimpulan sebagai berikut :a. Teknologi informasi dan komunikasi membantu memperlancar arus informasi bagi petani.b. Mencegah keterlambatan terutama mengenai penanaman, pemupukan, penyemprotan, pemanenan, pengeringan bahkan ramalan cuaca, dan harga bahan pertanian.c. Teknologi informasi dan komunikasi bermanfaat bagi petani untuk mengetahui3-26 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pemanfaatan Fuzzy Logic untuk Memprediksi Prestasi Mahasiswa Berdasarkan Nilai Ujian Nasional (Studi Kasus : STMIK IBBI) B. Ricson Simarmata dan Hartono STMIK IBBI, Jl. Sei Deli No. 18 Medan Email : hartono_ibbi@yahoo.com Abstrak Untuk meningkatkan kualitas seleksi mahasiswa maka untuk masa mendatang dapat Fuzzy Logic sering digunakan untuk dipertimbangkan suatu aplikasi yang dapatmengatasi suatu permasalahan di mana data yang memprediksi prestasi seorang calon mahasiswa.ada memiliki batasan nilai yang tidak jelas, Adapun parameter input yang dapat digunakanmaksudnya di sini adalah bahwa mungkin nilai untuk memprediksi prestasi seorang calonyang ada dapat dimasukkan dalam lebih dari satu mahasiswa baru adalah berdasarkan nilai Ujiankategori himpunan dengan nilai keanggotaan yang Nasional (UN) yang meliputi tiga mata pelajaranberbeda dari masing – masing himpunan. Salah yaitu Matematika, Bahasa Inggris, dan Bahasasatu permasalahan yang ada adalah di dalam Indonesia.prediksi prestasi mahasiswa. Prediksi prestasi Mengingat luasnya permasalahan yangmahasiswa ini dirasakan penting untuk menentukan berkaitan dengan prediksi prestasi mahasiswa makabagaimana prestasi seorang siswa berdasarkan peneliti merasa perlu untuk membatasi ruangparameter input tertentu. Parameter input yang lingkup permasalahan yang akan dibahas dalamdigunakan di sini adalah berdasarkan nilai Ujian penelitian ini, yaitu antara lain :Nasional Mahasiswa yang memiliki 3 komponen 1. Input yang digunakan adalah nilai matamata pelajaran yaitu Matematika, Bahasa pelajaran yang diikutkan di dalam UjianIndonesia, dan Bahasa Inggris. Prediksi prestasi Nasional yang terdiri dari Mata Pelajaranmahasiswa ini dapat dijadikan sebagai salah satu Matematika, Bahasa Inggris, dan Bahasatolok ukur bagi STMIK IBBI Medan di dalam Indonesiapenerimaan mahasiswa baru disamping ujian 2. Output yang dihasilkan adalah berupa nilaiseleksi tertulis yang dilakukan oleh STMIK IBBI prediksi IPK seorang calon mahasiswaMedan. 3. Cara akuisisi pengetahuan dilakukan dengan menganalisa data – data mahasiswa STMIKKeywords : Fuzzy Logic, Prediksi, Nilai IBBI dalam kurun waktu 2006 – 2009 yang Keanggotaan berjumlah 1200 orang mahasiswa. 4. Untuk pembentukan fuzzy rule base dilakukan1. Pendahuluan dengan analisa terhadap basis data mahasiswa yang memiliki parameter nilai matematika, Pada saat ini seleksi penerimaan mahasiswa nilai Bahasa Indonesia, dan nilai Bahasaperlu semakin dilakukan dengan selektif mengingat Inggris beserta nilai IPK yang diperoleh setelahsemakin meningkatnya calon mahasiswa baru yang menjalani perkuliahan.akan melanjutkan pendidikan ke perguruan tinggi. 5. Adapun kumpulan data yang ada hanya akanNamun, di sisi lain kapasitas daya tampung dijadikan rule base jika data itu memenuhi nilaiperguruan tinggi tidak meningkat. minimum support sebesar 0.025. Seleksi dengan menggunakan ujian secara 6. Proses defuzzifikasi dilakukan dengantertulis yang selama ini digunakan memang cukup menggunakan metode Centroid.baik untuk memperoleh gambaran mengenaimampu tidaknya seorang calon mahasiswa untukmengikuti kegiatan perkuliahan. Namun, seleksi 2. Model, Analisa, Desain, dansecara tertulis ini terkadang tidak dapat memberikan Implementasigambaran mengenai prestasi mahasiswa setelah Lofti Zadeh mengembangkan Fuzzy Logicmengikuti perkuliahan. pada tahun 1964. Dasar pemikirannya adalah tidak ada keadaan yang selalu “benar” dan “salah”. Data Maning dan Database System 3-27
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 (Lanny, 2007:123). Bila pada himpunan tegas / 2.1 Fuzzifikasicrisp nilai anggota – anggota himpunan dinyatakansecara tegas, namun pada himpunan fuzzy ini Fuzzifikasi adlaah suatu proses untukmemiliki nilai derajat keanggotaan tertentu. Dengan mengubah masukan tegas menjadi masukan fuzzy.fuzzy ini maka kita dapat menyatakan secara Pada proses ini memiliki 3 masukan data masing –fleksibel (secara linguistik) yaitu Sangat Baik, Baik, masing untuk nilai Matematika, nilai BahasaCukup, dan Kurang. Indonesia, dan nilai Bahasa Inggris. Secara umum, fuzzy logic adalah sebuah Masing – masing input telah ditentukan nilaimetodologi “berhitung” dengan variabel kata – kata maksimum dan nilai minimumnya. Adapun fungsi(linguistic variable), sebagai pengganti berhitung keanggotaan untuk masing – masing himpunandengan bilangan (Naba, 2009:1). fuzzy dapat dilihat pada gambar 2, 3, dan 4. Dalam mengimplementasikan sistem berbasisFuzzy Logic, maka harus menspesifikasikanhimpunan fuzzy dan fungsi keanggotaan masukandan keluaran serta aturan – aturan yang berlakudalam pengubahan masukan menjadi keluaran.Untuk pengubahan masukan menjadi keluarandinamakan penalaran fuzzy yang merupakanprosedur inferensi yang digunakan untuk menarik Gambar 2 Fungsi Keanggotaan Nilai Matematikakesimpulan dari himpunan aturan fuzzy pada satuatau lebih kondisi.Gambar 1 menunjukkan tiga transformasi yangharus ada pada suatu sistem berbasis Fuzzy Logic. Sistem Fuzzy Gambar 3 Fungsi Keanggotaan Nilai Bahasa Indonesia Gambar 1. Diagram Blok Sistem Fuzzy Pada gambar 1 terlihat bahwa secara umumproses inferensi fuzzy dibagi menjadi tiga langkah,yaitu fuzzifikasi, pengevaluasian aturan, dandefuzzifikasi. Fuzzifikasi adalah proses pemetaan masukansistem ke satu atau lebih derajat keanggotaan padakelompok – kelompok kualitatif fuzzy. Fungsi Gambar 3 Fungsi Keanggotaan Nilai Bahasa Inggriskeanggotaan adalah fungsi untuk menentukan artinumeris masukan sistem terhadap satu atau lebih Output yang dihasilkan adalah IPK Mahasiswa.himpunan fuzzy. Adapun fungsi keanggotaan dari IPK Mahasiswa Evaluasi aturan fuzzy adalah proses bisa dilihat pada Gambar 4.pengubahan masukan fuzzy menjadi menjadi aksikeluaran fuzzy. Jadi aksi masukan fuzzydikombinasikan dengan aturan – aturan padakumpulan aturan yang telah terdefinisikan sesuaisistemnya, yang selanjutnya menghasilkan keluaranfuzzy berupa nilai linguistik. Defuzzikasi adalahproses penggabungan seluruh keluaran fuzzymenjadi sebuah hasil yang dapat diaplikasikanuntuk setiap keluaran sistem.3-28 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 2.2 Inferensi 3.1 ≤ X ≤ 3.5 dikategorikan Memuaskan 3.6 ≤ X ≤ 4 dikategorikan Sangat Memuaskan Tahap penalaran berisi aturan – aturan fuzzy Berdasarkan kriteria yang telah dikemukakanyang telah ditentukan agar program dapat bekerja sebelumnya maka Tabel 1 dapat diubah menjadisecara maksimum. Proses penentuan IPK nilai linguistik seperti yang terlihat pada Tabel 2.mahasiswa dapat dilakukan dengan menggunakanparameter input yang terdiri dari nilai Matematika, Tabel 2. Hasil Pengubahan Nilai MahasiswaBahasa Indonesia, dan Bahasa Inggris. Untuk penentuan aturan ini bersumber dari Nama Nilai Nilai B. Nilai B. Nilai IPK Mhs Matematika Indonesia Inggristabel data mahasiswa yang berisi nilai matematika, Sangatbahasa indonesia, dan bahasa inggris beserta nilai Tommy Sangat Baik Baik Sangat Baik MemuaskanIPK yang diperoleh. Di mana data yang memiliki Andy Baik Baik Cukup Memuaskannilai Support ≥ 0.025 yang akan dijadikan rule. Sangat Sebagai contoh misalkan tabel nilai mahasiswa Michael Sangat Baik Baik Sangat Baik Memuaskanbeserta IPK dapat dilihat pada tabel 1. David Baik Baik Cukup Memuaskan Sandy Baik Baik Cukup Memuaskan Tabel 1. Data Nilai Mahasiswa Sangat Eddy Sangat Baik Baik Sangat Baik Memuaskan Nama Nilai Nilai B. Nilai B. Nilai Mhs Matematika Indonesia Inggris IPK Susi Cukup Cukup Cukup Cukup Tommy 90 80 90 4 Cindy Cukup Baik Cukup Cukup Andy 76 85 70 3.3 Yuli Cukup Baik Cukup Memuaskan Michael 87 76 91 3.7 Sangat Sangat Sangat Yenni Baik David 80 77 72 3.4 Memuaskan Memuaskan Memuaskan Sandy 81 79 73 3.35 Eddy 88 77 92 3.9 Setelah diperoleh nilai linguistik maka langkah Susi 70 72 73 2.95 selanjutnya adalah mengelompokkan dan Cindy 72 77 75 3 menghitung jumlah kemunculan dari masing– Yuli 74 78 67 3.1 masing data. Seperti yang terlihat pada tabel 3. Yenni 91 81 88 3.76 Tabel 3. Jumlah Kemunculan Data untuk Tiap Item Berdasarkan data nilai yang ada supayamenjadi data linguistik maka perlu diubah dengan Nilai Nilai Nilai Nilai IPK Jumlahmenggunakan kriteria penilaian yang digunakan Matematika B. Indonesia B. Inggris Sangat Baik Baik Sangat Baik Sangat 40oleh STMIK IBBI Medan. Kriteria penilaian adalah Memuaskansebagai berikut. Baik Baik Cukup Memuaskan 30 Untuk nilai Matematika, kriteria pengubahan Cukup Cukup Cukup Cukup 20adalah sebagai berikut. Cukup Baik Cukup Cukup 8<60 dikatakan Kurang Cukup Baik Cukup Memuaskan 260 ≤ X ≤ 75 dikategorikan Cukup Kemudian setelah itu hitung nilai support76 ≤ X ≤ 85 dikategorikan Baik untuk masing – masing data. Dengan menggunakan86 ≤ X ≤ 100 dikategorikan Sangat Baik persamaan 1. Untuk nilai Bahasa Indonesia, kriteriapengubahan adalah sebagai berikut.<60 dikatakan Kurang Nilai Support = JlhData ………………..(1)60 ≤ X ≤ 75 dikategorikan Cukup TotalData76 ≤ X ≤ 85 dikategorikan Baik86 ≤ X ≤ 100 dikategorikan Sangat Baik Adapun nilai support untuk masing – masing item Untuk nilai Bahasa Inggris, kriteria data adalah sebagai berikut.pengubahan adalah sebagai berikut. 1. Untuk kombinasi Sangat Baik – Baik – Sangat<60 dikatakan Kurang Baik – Sangat Memuaskan, nilai support60 ≤ X ≤ 75 dikategorikan Cukup adalah :76 ≤ X ≤ 85 dikategorikan Baik 40 = 0.486 ≤ X ≤ 100 dikategorikan Sangat Baik 100 Sedangkan untuk IPK Mahasiswa, kriteria 2. Untuk kombinasi Baik – Baik – Cukup –pengubahan adalah sebagai berikut. Memuaskan, nilai support adalah :<2 dikatakan Kurang 30 = 0.32.1 ≤ X ≤ 3 dikategorikan Cukup 100 Data Maning dan Database System 3-29
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3. Untuk kombinasi Cukup – Cukup – Cukup – 1. Membangun sebuah Fuzzy Inference System Cukup, nilai support adalah : (FIS) baru dengan perintah : 20 = 0.2 a = newfis(snastikom.fis) 100 2. Mendefinisikan variabel – variabel input dan4. Untuk kombinasi Cukup – Baik – Cukup – output FIS dengan menggunakan perintah : Cukup, nilai support adalah : a.input(1).name=Matematika a.input(2).name=BIndonesia 8 = 0.08 a.input(3).name=BInggris 100 a.output(1).name=IPK5. Untuk kombinasi Cukup – Baik – Cukup – 3. Mendefinisikan rentang nilai dari tiap variabel Memuaskan, nilai support adalah : input dan output dengan menggunakan 2 = 0.02 perintah: a.input(1).range=[0 100] 100 a.input(2).range=[0 100] Pada bagian awal kita telah menentukan a.input(3).range=[0 100]bahwa nilai minimum support supaya suatu item a.output(1).range=[0 4]data dapat dijadikan rule adalah dengan nilai 4. Membentuk fungsi keanggotaan dari masing –minimum support sebesar 0.025. Sehingga masing variabel Input dan Output dengandiperoleh bahwa item data yang dapat dijadikan perintah.sebagai rule adalah : a.input(1).mf(1).name=kurang a.input(1).mf(1).type=trapmf1. Sangat Baik – Baik – Sangat Baik – Sangat a.input(1).mf(1).params=[0 0 50 60] Memuaskan2. Baik – Baik – Cukup – Memuaskan a.input(1).mf(2).name=Cukup3. Cukup – Cukup – Cukup – Cukup a.input(1).mf(2).type=trapmf a.input(1).mf(2).params=[50 65 65 80]4. Cukup – Baik – Cukup – Cukup Sehingga diperoleh bahwa rule yang terbentuk a.input(1).mf(3).name=baikadalah sebagai berikut. a.input(1).mf(3).type=trapmf a.input(1).mf(3).params=[70 80 80 90]1. Jika Nilai Matematika adalah Sangat Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai a.input(1).mf(4).name=Sangatbaik Bahasa Inggris adalah Sangat Baik maka IPK a.input(1).mf(4).type=trapmf adalah sangat Memuaskan a.input(1).mf(4).params=[80 90 90 100]2. Jika Nilai Matematika adalah Baik dan Nilai Bahasa Indonesia adalah Baik dan Nilai Bahasa a.input(2).mf(1).name=kurang a.input(2).mf(1).type=trapmf Inggris adalah Cukup maka IPK adalah a.input(2).mf(1).params=[0 0 50 60] Memuaskan3. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(2).name=Cukup Bahasa Indonesia adalah Cukup dan Nilai a.input(2).mf(2).type=trapmf a.input(2).mf(2).params=[50 65 65 80] Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(3).name=baik4. Jika Nilai Matematika adalah Cukup dan Nilai a.input(2).mf(3).type=trapmf a.input(2).mf(3).params=[70 80 80 90] Bahasa Indonesia adalah Baik dan Nilai Bahasa Inggris adalah Cukup maka IPK adalah Cukup a.input(2).mf(4).name=Sangatbaik a.input(2).mf(4).type=trapmf a.input(2).mf(4).params=[80 90 90 100]2.3 Defuzzifikasi a.input(3).mf(1).name=kurang Proses defuzzifikasi merupakan proses akhir a.input(3).mf(1).type=trapmfdari perancangan sistem Fuzzy. Proses defuzzifikasi a.input(3).mf(1).params=[0 0 50 60]ini akan menghasilkan suatu bilangan tunggal.Proses defuzzifikasi dilakukan dengan a.input(3).mf(2).name=Cukup a.input(3).mf(2).type=trapmfmenggunakan metode Centroid. a.input(3).mf(2).params=[50 65 65 80]2.4 Perancangan a.input(3).mf(3).name=baik a.input(3).mf(3).type=trapmf Perancangan sistem berbasis Fuzzy ini a.input(3).mf(3).params=[70 80 80 90]dilakukan dengan menggunakan aplikasi Matlab a.input(3).mf(4).name=Sangatbaik7.0. Adapun langkah – langkah di dalam a.input(3).mf(4).type=trapmfperancangan ini adalah sebagai berikut. a.input(3).mf(4).params=[80 90 90 100] a.output(1).mf(1).name=kurang3-30 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  a.output(1).mf(1).type=trapmf a.output(1).mf(1).params=[0 0 1.5 2] a.output(1).mf(2).name=cukup a.output(1).mf(2).type=trapmf a.output(1).mf(2).params=[1.5 2.25 2.25 3] a.output(1).mf(3).name=memuaskan a.output(1).mf(3).type=trapmf a.output(1).mf(3).params=[2.5 3 3 3.5] a.output(1).mf(4).name=sangatmemuaskan a.output(1).mf(4).type=trapmf a.output(1).mf(4).params=[3 3.5 4 4]5. Membentuk rule dengan menggunakan perintah. a.rule(1).antecedent=[4 3 4]; a.rule(1).connection=1; a.rule(1).consequent=[4]; a.rule(1).weight=1; Gambar 5. Tampilan Program Pembentukan Fis a.rule(2).antecedent=[3 3 2]; a.rule(2).connection=1; a.rule(2).consequent=[3]; 2. Kemudian untuk penginputan data dapat a.rule(2).weight=1; dilakukan dengan menggunakan perintah minput a.rule(3).antecedent=[2 2 2]; Kemudian Tekan Tombol Enter. Maka akan a.rule(3).connection=1; a.rule(3).consequent=[2]; dijumpai tampilan seperti yang terlihat pada a.rule(3).weight=1; gambar 6. a.rule(4).antecedent=[2 3 2]; a.rule(4).connection=1; a.rule(4).consequent=[2]; a.rule(4).weight=1; writefis(a,my_file)6. Simpan program dengan nama ‘mdata’7. Kemudian berikut program untuk mengisikan input matematika = input (Matematika = ); BIndo= input (Bahasa Indonesia = ); BIngg=input(Bahasa Inggris =); a=readfis(my_file) a=evalfis([matematika,BIndo,BIngg],a)8. Simpan program dengan nama ‘minput’2.5 Implementasi Adapun untuk menjalankan aplikasi yangdihasilkan langkah – langkahnya adalah sebagaiberikut.1. Pada Command Window dari program Matlab, Gambar 6. Tampilan Hasil Pemrosesan Fuzzy ketikkan perintah. mdata 3. Hasil dan Diskusi Kemudian Tekan Tombol Enter. Maka akan dijumpai tampilan seperti yang terlihat pada Berdasarkan hasil analisa yang dilakukan oleh gambar 5. peneliti maka diperoleh hasil bahwa penerapan aplikasi fuzzy logic untuk memprediksi prestasi mahasiswa ini setelah diterapkan untuk memprediksi prestasi mahasiswa calon mahasiswa untuk TA 2010/2011 memiliki tingkat akurasi yang Data Maning dan Database System 3-31
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 cukup dapat diandalkan yang mencapai ± 80%. Daftar PustakaAnalisa dilakukan terhadap nilai Semester I dan IIdari mahasiswa yang telah diuji coba sebelumnya [1] Desiani, A. & Arhami, M., 2006, ”Konsepdengan aplikasi Fuzzy Logic. Untuk meningkatkan Kecerdasan Buatan”, Penerbit Andi,akurasi maka diharapkan agar nilai support untuk Yogyakarta.masing – masing item data dapat semakin dikurangi [2] Kusumadewi, Sri, 2002, ”Analisa & Desainsehingga jumlah rule yang digunakan akan semakin Sistem Fuzzy”, Penerbit Graha Ilmu,banyak. Yogyakarta. [3] Naba, Agus., 2009, ”Belajar Cepat Fuzzy4. Kesimpulan dan Saran Logic Menggunakan Matlab”, Penerbit Andi, Yogyakarta4.1 Kesimpulan [4] Pandjaitan, Lanny W, 2007, ”Dasar-Dasar Komputasi Cerdas”, Penerbit Andi, Adapun kesimpulan dari hasil penelitian adalah Yogyakarta.sebagai berikut. [5] Siswanto, 2010, ”Kecerdasan Tiruan Edisi 2”,1. Penerapan Fuzzy Logic untuk memprediksi Penerbit Graha Ilmu, Yogyakarta prestasi mahasiswa ini dapat digunakan di dalam proses penerimaan mahasiswa baru.2. Untuk kesempurnaan dari aplikasi yang dirancang diharapkan agar variabel input dapat ditambah dengan melibatkan nilai mata pelajaran lainnya.3. Untuk program aplikasi yang dirancang ini maka semakin banyak rule yang ada akan memberikan hasil yang semakin akurat.4.2 Saran Adapun saran yang dapat diberikanberdasarkan hasil penelitian adalah sebagai berikut.1. Perlu dipastikan bahwa user telah paham dengan cara menjalankan program aplikasi.2. Untuk ke depan proses untuk menginputkan data dapat memanfaatkan fasilitas GUI yang telah disediakan oleh Matlab sehingga dapat lebih user friendly.3-32 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi penentuan Parameter Motor Induksi dengan Inverter Tiga Phasa Herri Trisna Frianto 1, 2 Birowo3 Agus Priyono4 Agus Sofwan4 1 Polteknik Negeri Medan 2 Sekolah Tinggi Teknik Harapan 3 STMIK Triguna Dharma Medan 4 Institut Sains dan Teknologi Nasional Email : herri_trisna@yahoo.co.id Abstrak Parameter motor induksi tiga-phasa yangakan dipakai melakukan prediksi dari kinerja motortersebut, ditentukan berdasarkan data yang tersediadari pabrik, yang berupa arus maksimum, arusstarting, arus beban penuh dan factor kerja untukbeban penuh. Bila diinginkan untuk mendapatkankinerja yang optimum dari motor tersebut. Makaparameter-parameter dari motor perlu dikaji lagidengan menggunakan Genetic Algorithm. Adapunmodel yang digunakan dari motor tersebut adalah Gambar-1, Kinerja Pompa Airmodel d-q. Berdasarkan gambar-1, maka daya rata-rata yang dibutuhkan oleh pompa air adalah 24,16 kW.1. Pendahuluan Selanjutnya dipilih motor yang ada dipasaran Daya yang diperlukan oleh pompa untuk dengan data yang tercantum dalam table-1.memompakan air bersih ditentukan oleh head dandebit air dari pompa. Setelah daya dan kinerja dari Tabel-1 Parameter Motor Induksipompa diketahui, maka kebutuhan daya dari motor HP (Daya) 33 Rs (ohm) 0,0556induksi yang dibutuhkan untuk menggerakkanpompa induksi tiga phasa ditentukan dari kinerja V *Tegangan) 220 Rr (ohm) 0,028pompa tersebut. Selanjutnya besar motor beserta f (rekuensi) 50 Xls (ohm) 0,2158data dan parameter dapat ditentukan berdasarkan Tmula (N.m) 456.6 Xlr (ohm) 0,471ukuran yang ada d pasaran. Pole 2 Xm (ohm) 3,906 Namun motor induksi yang tersedia di pasaran Tnominal 35.56 J (kg.m2) 0.59seringkali tidak menghasilkan kinerja yangdikehendaki. Karena itu perlu dikaji lagi parameter-parameter dari motor yang dikeluarkan oleh pabrik 3. Kinerja dari Motor Induksipembuatannya. Sehingga diperoleh kondisi arus Kinerja motor induksi tiga phasa dapatyang optimum. Hal itu dapat dilakukan dengan diprediksi dari model yang dikembangkan untukmenggunakan genetic algorithm. maksud itu. Dalam makalah ini digunakan model d- q. Dari parameter model tersebut selanjutnya2. Pemilihan Motor Induksi Untuk kinerja dari motor yang dinyatakan oleh kurva Pompa Air karakteristik arus terhadap waktu yang dapat ditentukan. Kinerja dari pompa air di dermaga Ketapang Untuk membuat kinerja dari motor induksidiperlihatkan pada gambar-1 menjadi optimum, maka parameter dari motor induksi perlu dikaji lagi dengan menggunakan Genetic Algorithm. Makalah ini membahas hal tersebut. Data Maning dan Database System 3-33
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 4. Model Motor Induksi Tiga Phasa Tegangan keluaran inverter dapat didekati dengan deret Fourier . Persamaan tegangan untuk motor induksi Va-b = Vb-c = Va-c = [ 2 3/ π *Vi] (17)dalam model d-q adalah : Misalnya tegangan Vl-l dapat dinyatakan sebagai :Vds = rs.ids + dλds /dt – ω. qs (1) {sin(wt+phi/6) + 1/5*sin(5wt – phi/6)+Vqs = rs.ids + dλqs /dt – ω. ds (2) 1/7*sin(7wt+phi/6)+1/11*sin(11wt – phi/6+…}V’qr = r’r.iqr + dλqr /dt –(ωe-ωr)λ’dr (3) Jika dianggap tidak ada daya yang hilang, makaV’dr = r’r.iqr + dλdr /dt –(ωe-ωr)λ’qr (4) daya dari inverter adalah :Ψqs = Lqs.iqs + Lm(iqs + I’qr ) (5) Vi*Ii = [3/2*(Veqs *Ieqs)+ (Veds *Ieds)] (18)Ψds = Lds.ids + Lm(ids + I’dr ) (6) Arus Inverter menjadi :Ψ’qr = L’qr.i’qr + Lm(iqs + I’qr ) (7) Ii = [ 3/π*((geqs *Ieqs)+ (geds *Ieds)] (19)Ψ’dr = L’dr.i’dr + Lm(ids + I’dr ) (8) Dimana : Persamaan 1 sampai dengan 8 dapat geqs =1+[2/35*cos(6ωt) – 2/143*cos(12ωt)+…dinyatakan dalam bentuk matriks sebagai berikut : geds =[12/35*cos(6ωt)–2/143*cos(12ωt)+.. (20) Vqd = Zqd * iqd (9)dengan :Vqd = [ Vqs Vds V’qr V’dr ] ‘ (10) Iqd = [ Iqs Ids I’qr I’dr ] ‘ (11)A= invers A atau invers ZqdDan Zqd adalah matrix impedansi yang dinyatakanoleh:Zqd = A (12)Dimana : Ls = L@ + Lm (13)Persamaan untuk Torsi dinyatakan oleh :Τe=(3/2*p/2( ds*is– qs*ids)) (14)Dimana : ds dan qs dinyatakan oleh persamaan5 dan 6. Berdasarkan persamaan 1 s/d 4, diagramrangkaian ekivalen untuk motor induksi terlihatpada gambar-2 Gambar-3, Karakteristik Arus Maksimum Motor Induksi Keadaan Standart 6. Optimasi Parameter Motor Induksi Dengan Menggunakan Genetic Algorithm a. Genetic Algorithm Genetic Algorithm adalah metode lain yang biasa digunakan untuk menentukan parameter rangkaian ekivalen motor induksi tiga phasa, sehingga diperoleh arus maksimum. Genetic a Algorithm menggunakan objective function yang Gambar-2, Rangkaian Ekivalen Motor Induksi didasarkan pada suatu criteria kinerja untuk menentukan error. Parameter rangkaian ekivalen5. Formulatif Kemudi Motor induksi gambar-1 dipakai sebagai pedoman dalam Karakteristik inverter square wave dapat menentukan optimasi torsi motor induksi.bekerja secara nominal ditunjukkan melalui kurva Persamaan torsi untuk locked rotor, breakdown dantegangan terhadap waktu dan arus terhadap waktu, full-load membentuk multi objective optimizationseperti pada gambar-3. Tegangan dan arus yang problem, dimana tiap persamaan adalah fungsi daridiperoleh sebagai berikut : tiga atau lebih dari parameter mesin. TigaTegangan Fundamental : persamaan torsi dapat dituliskan sebagai berikut :Vµ (rms) = 6 / π *Vd (15) F1(R1,R2,Xl)= Te – Tfl (21)Arus Fundamental : F2(R1,R2,Xl)= Te – Tlr (22)I fundamental =[ P(VA) 3Φ / 3*VL-L] (16) F3(R1,Xl) = Te – Tbd (23)3-34 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Dimana Te adalah persamaan (14). didapat dari rangkaian ekivalen motor induksi Selanjutnya parameter rangkaian ekivalen model d-qmotor dikodekan dengan bilangan decimal dan nilaifitness (kemampuan) maksimum didapatkan untuk b. Hasil Perhitunganmenentukan torsi tersebut. Maka setiap parameter Hasil dari nilai fitness yang dinyatakan olehrangkaian ekuivalen motor induksi dapat dilakukan kurva fitness terhadap jumlah generasi yang terlihatdengan genetic algorithm. Dalam hal ini error pada gambar-5 yang menghasilkan parameterfunction diperoleh sebagai formula dari kuadrat dengan harga torsi optimum yang terlihat padatorsi error function, sedangkan fitness function table-2.adalah inverse dari error. Sasaran dari geneticalgorithm membuat nilai error minimum atau Tabel-2, Parameter Motor Induksi Dengan Metodemembuat fitness maksimum. Error function dapat Genetic Algorithmdituliskan sebagai :E = F1(.)2 + F2(.)2 + F3(.)2 (24) HP (Daya) 33 Rs (ohm) 0,030sedangkan fitness dinyatakan oleh : V *Tegangan) 220 Rr (ohm) 0,016Fitness = 1/ E (25) f (rekuensi) 50 Xls (ohm) 0,12 Secara umum proses genetic algorithm yang Tmula (N.m) 527,89 Xlr (ohm) 0,26dilukiskan gambar-4 terdiri dari : Pole 2 Xm (ohm) 2,164 Tnominal 42,3 J (kg.m2) 0.59 Gambar-4, Genetic algorithmI. Pembangkitan SpesiesC^k=[X1^k ,Y1^k, X2^k,Y2^k,,Xm^k,Ym^k] (25)Dimana: (xi^k, yi^k) : lokasi dari pembangkitankromosom. Gambar-5, Nilai fitness terhadap Populasii,j : urutan nomor spesies (1,2,3..)ii. Perkalian silang Dan dengan cara yang sama karakteristik arusXi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 terhadap waktu dari data pada table-3 dapatYi = ri * yi^k1 + ( 1-ri) * Xi^k.2 ditentukan hasilnya pada gambar-6.Dimana ri : bilangan acak, dengan :i = 1,2,3, …,mII. MutasiNilai Random dinyatakan oleh : Xi = Xi^k + random nilai [ E ] Yi = yi^k + random nilai [ E ] Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Yi = nilai random [ Ymin, Ymax ] Hasil eveluasi pada proses genetic algorithm,digunakan untuk mencari nilai error terkecil ataunilai fitness terbesar. Nilai error yang diperolehdigunakan untuk menentukan parameter motorinduksi tersebut. Parameter motor induksi tersebut Gambar-6, Karakteristik Torsi terhadap Kecepatan Motor Induksi hasil Genetic Algorithm Data Maning dan Database System 3-35
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 7. Kesimpulan Dengan Genetic Algorithm nilai arus Daftar Pustakamaksimum, arus awal dan arus nominal dapat 1. T.A Lipo and A.Consoli,” Modelling anddinaikkan secara optimum seperti terlihat pada Simulation Of Induction Motors wth saturabletable-3 leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Tabel-3 Hasil Simulasi Motor Induksi Jan/Feb.1984 Torsi Motor Induksi Motor Induksi 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter dengan Data dengan Data Estimation throught an output error technique”, Standart Hasil Optimasi IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM (AMP) (AMP) 019-9EC Arus Max 3700 7341 3. E.Muljadi,” Water Pumping with a Peak-Power Atus Min 55,315 60,318 Tracker using a Simple Six-Step Square Wave Inverter,” IEEE Transaction On Industry Application, Vol.33 No.3 May/Juny 1997. 4. Ray Nolan and Towhidul Haque,” Application Of Genetic Algorithm to Motor Parameter Detertermination For Transient Torque Calculation “, IEEE Transaction On Industry Applicate,” September/October 1997. 5. Warring R.H, “ Pump Selection to System And Application, second Edition, Trade and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984. 6. Lawrence Davis,” Handbook Of Genetic Algorithm”, Van Nostrand Reinhold, New York, 1991 7. Goldberg,” Genetic Algorithm In Machine,” New York 1996.3-36 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penggunaan Genetic Algorithm untuk Optimasi Pengaturan Kecepatan Perjalanan Kereta API Birowo 1, Herri Trisna Frianto2, 3 Agus Priyono4 Agus Sofwan4 1 STMIK Triguna Dharma Medan 2 Polteknik Negeri Medan 3 Sekolah Tinggi Teknik Harapan Medan 4 Institut Sains dan Teknologi Nasional Email : birowonanang@yahoo.co.id, herri_trisna@yahoo.co.id Abstrak ∑m = (mf+mfvk+mfvm+mfh+mfi+mfh+mfaj) dimana : Kereta Api merupakan suatu alat transportasi F : Beban gaya kereta apiyang menghubungkan suatu daerah ke daerah lain Fvk : Kerugian oleh mesindengan ketepatan waktu yang dikehendaki. Dalam Fvm: Kerugian oleh manusiaketepatan waktu perjalanan dan lalu lintas FH : Kerugian Lalu lintas Kereta Apiperhubungan yang padat adalah merupakan Fj : Kerugian Jalur Kereta Apikendala dalam membuat jadwal pemberangkatan Fh : Kerugian Bahaya Banjirselama perjalanan kereta api tersebut. Bila Faj : Kerugian Simpangandiinginkan untuk mendapatkan jadwal perjalanankereta api yang optimum, maka waktu tempuh Persamaan (1) dengan persamaan (2)kereta api perlu dikaji lagi dengan menggunakan menghasilkan:genetic algorithm. Xt = Vo*t + [1/2*(∑F / ∑m )*t) (5)Kata Kunci : Genetic Algorithm Vo = [Xt - [1/2*(∑F / ∑m )*t)] / t (6) Data waktu tempuh yang dicapai oleh kereta1. Pendahuluan api sekarang ini untuk Jurusan Surabaya-Jakarta untuk kereta api Argo Anggrek dapat ditunjukkan Dalam menjaga kebutuhan pelayanan yang pada gb-1.baik, kinerja kereta api dalam menempuhpemberangkatan dan perjalanan membutuhkan Tabel-1, Perbedaan kecepatan perjalanan kereta apiwaktu yang tepat. Supaya waktu yang ditempuh Awal- SBY- SBY- SBY-oleh kereta api tersebut optimal juga. Namun Kota SBY SMG CRB JKT Ketseringkali dengan mengatur waktu tersebut terjadi Jarak (km) 0 475 625 850 Plantketerlambatan dalam kedatangan maupun Waktukeberangkatan. (jam) 0 5 9 12 Normal Untuk menbuat kinerja kereta api yangoptimum dalam menempuh waktu perjalanan, maka Gb-1. Waktu thp Jarak tempuh Sby – Jktpercepatan dari kereta api perlu dikaji lagi denganmenggunakan genetic algorithm. Dalam makalah 3. Optimasi waktu tempuh denganini membahas hal tersebut. menggunakan Genetic Algorithm2. Model Persamaan a. Genetic Algorithm Persamaan jarak perjalanan kereta api yang Genetic Algorithm adalah salah satu metodeditempuh dalam waktu tertentu dan percepatan yang yang dapat digunakan untuk mengoptimalkanberubah ubah dalam metode kinematika adalah : percepatan kereta api sehingga diperoleh waktu yang optimum. Genetic Algorithm menggunakan Xt = Vo*t + [1/2*a*t) objective function yang didasarkan pada suatu(1) criteria kinerja untuk menentukan error. a = ∑F / ∑m (2) Selanjutnya percepatan kereta api dikodekan∑F = F–(Fvk+Fvm+FH+Fi+Fh+Faj) (3) dengan bilangan decimal dan nilai fitness Data Maning dan Database System 3-37
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 (kemampuan) maksimum didapatkan untuk jarak dan gaya dari hokum Newton. Kemudianmenentukan waktu tersebut. Maka setiap gaya yang percepatan kereta api diacak untuk mendapatkandiperoleh menimbulkan percepatan kereta api yang nilai optimum dengan metode Genetic Algorithm,dapat dilakukan dengan Genetic Algorithm. Dalam sehingga didapatkan nilai fitness (kemampuan)hal ini error function diperoleh sebagai formula dari yang maksimum.persamaan kuadrat waktu error function, sedangkanfitness function adalah inverse dari error. Sasaran b. Analisadari Genetic Algorithm adalah membuat nilai error Dari persamaan (1) s/d (8), makaminimum atau membuat fitness maksimum. Fitness menghasilkan perbedaan kecepatan kereta apifunction dapat dituliskan sebagai : selama perjalanan dari SBY ke Jakarta seperti yangFitness = [ 1 – (t0 – t1)] (7) ditunjukkan pada table-2.Sedangkan error dinyatakan oleh :Error = 1 / fitness (8) Tabel-2, Perbedaan kecepatan perjalanan kereta api Secara umum proses Genetic Algorithm yang Awal- SBY- SBY- SBY-dilukiskan dalam gambar-2 terdiri dari : Kota Ket. SBY SMG CRB JKT Kecepatan 0 95 69.44 70.83 Normal (km/jam) Kecepatan 0 105.55 73.52 77.27 optimum (km/jam) 4. Hasil Perhitungan Percobaan yang dilakukan adalah menggunakan parameter-parameter jarak, waktu sebagai berikut : - Jumlah elemen array : 14 Gb-2, Genetic Algorithm - Nilai waktu level maksimum: 0.05i. Pembangkitan Spesies - Jumlah individu dalam populasi : 20 - Jumlah Gen satu kromosom : 14 Pembangkitan Spesies dilakukan dengan - Jumlah Generasi : 200memperhatikan persamaan berikut : Hasil yang didapat dari nilai fitnessC^k=[X1^k,Y1^k,X2^k,Y2^k,.,Xm^k,Ym^k] dinyatakan dalam bentuk kurva fitness terhadapDimana: (xi^k, yi^k) : lokasi dari pembangkitan jumlah generasi yang terlihat pada gambar-3. Darikromosom. gambar tersebut menghasilkan waktu dan jaraki,j : urutan nomor spesies (1,2,3..) serta percepatan kereta api dengan harga waktu optimum. Kecepatan dan waktu optimum yangii. Perkalian silang didapat terlihat pada gambar-4 Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2Dimana ri : bilangan acak, dengan :i = 1,2,3, …,miii. Mutasi Nilai Random dinyatakan oleh : Xi = Xi^k + random nilai [ E ] Yi = yi^k + random nilai [ E ] Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Yi = nilai random [ Ymin, Ymax ] Hasil evaluasi pada proses Genetic Algorithm Gb.3 Karakteristik Nilai Fitness terhadap Jumlahdigunakan untuk mencari nilai error terkecil atau Generasinilai fitness terbesar. Nilai error yang diperolehdigunakan untuk menentukan percepatan kereta api.Percepatan kereta api tersebut didapat dari rumus3-38 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Tabel-3, Perbedaan kecepatan perjalanan kereta api Daftar Pustaka Awal- SBY- SBY- SBY- Kota SBY SMG CRB JKT Ket 1. T.A Lipo and A.Consoli,” Modelling and Jarak Simulation Of Induction Motors wth saturable 0 475 625 850 Plant (km) leackage reactances,”IEEE, Trans, Ind.Applicat. Waktu 0 4.5 8.5 11 Optimum Vol. I.A-20 pp. 180-198, Jan/Feb.1984 (jam) 2. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter Estimation throught an output error technique”, Perbedaan Kecepatan Kereta Api IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM 120 019-9EC 100 3. E.Muljadi,” Schedule of Water Pumping Project with a Peak-Power Tracker using a Simple Six- Kecepatan 80 60 Step Square Wave Inverter,” IEEE Transaction 40 20 On Industry Application, Vol.33 No.3 0 May/Juny 1997. 1 2 3 4 4. Ray Nolan and Towhidul Haque,” Application Jarak Of Genetic Algorithm to Motor Parameter Normal Optimum Detertermination For Transient Torque Calculation “, IEEE Transaction On IndustryGb.4, Karakteristik kecepatan terhadap waktu yang Applicate,” September/October 1997. optimum. 5. Warring R.H, “ Schedule of Pump Selection to System And Application, second Edition, Trade5. Kesimpulan and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984.a. Dari gambar-4 didapat nilai waktu tempuh 6. Lawrence Davis,” Handbook Of Genetic sebesar 11 jam dengan menggunakan metode Algorithm”, Van Nostrand Reinhold, New Genetic Algorithm. Ini menunjukkan bahwa York, 1991 waktu tempuh kereta api lebih singkat sekitar 1 7. Goldberg,” Genetic Algorithm In Machine,” jam dari waktu tempuh yang sebenarnya sebesar New York 1996. 12 jam. Kalau dinyatakan dalam prosentase, maka waktu tempuh yang optimum mengalami kenaikan sebesar 2,94%.b. Dengan mengoptimasi nilai waktu tempuh dengan metode Genetic Algorithm diharapkan kinerja kereta api optmal. Selain itu terdapat beberapa hal yang perlu diperhatikan dalam pemakaian Genetic Algorithm untuk menekan waktu tempuh, yaitu gangguan yang disebabkan oleh manusia, mesin, bencana alam sekecil mungkin dan diharapkan lebih lanjut kearah pemakaian Genetic Algorithm dengan kromosom float. Data Maning dan Database System 3-39
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-40 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Perancangan Aplikasi Penjadwalan Produksi menggunakan beberapa Algoritma Heuristik dan Aturan Penjadwalan pada bagian Plastik PT. Inti Pindad Mitra Sejati (IPMS) Dessy Revita Nasution, Dida Diah Damayanti, dan Seno Adi Putra dessy.revita.nasution@gmail.com, dyh@stttelkom.ac.id, seno_ap@yahoo.com Abstrak produksi masih bisa diatur dan dihitung penjadwalan bedasarkan aturan prioritasnya. PT. Inti Pindad Mitra Sejati pada bagian Bedasarkan wawancara, prioritas pekerjaan hanyaproduksi plastic bersifat make to order. dilakukan ketika ada job yang masuk denganPerusahaan ini belum memiliki pegendalian bersamaan. Prioritas ini didasarkan pada Due date,produksi, penjadwalan produksi proses produksi tingkat kepentingan konsumen, keuntungan danyang standar dan terdokumentasi. Akibatanya, kecepatan waktu proses (Budi, 2011). Namunhanya 19% pesanan yang tepat produksi. Belum faktor-faktor tersebut hanya merupakan bahanadanya pendokumentasian informasi penjadwalan pertimbangan, belum ada perhitungan heuristikmengakibatkan perusahaan sulit melalukan terhadap prioritas tersebut.evaluasi proses produksi untuk mencapai hasil yang Hanya 19% pesanan yang dipenuhi secaralebih baik. Tujuan dari penelitian ialah untuk tepat waktu. Sisa persentasenya menunjukkanmerancang sistem yang dapat mengendalikan, bahwa pesanan tidak selesai tepat waktu. Hal inimerencanakan (penjadwalan), dan disebabkan karena perkiraan due date yangmendokumentasikan proses produksi. dilakukan oleh manajer tidak tepat. Metode yang digunakan di pilih untuk Oleh karena itu dibutuhkan suatu sistem yangmerencanakan produksi bedasarkan kebutuhan dan dapat membantu PT. IPMS dalam penjadwalan,tujuan perusahaan dalam menjalankan perencanaan pengendalian produksi, danproduksinya. SPT ialah metode untuk meminimasi pendokumentasian proses produksi untukflowtime. WSPT ialah metode yang digunakan jika meningkatkan efisiensi PT. IPMS dalamsebuah pesanan mempunyai prioritas dan nilai merencanakan mengendalikan produksinya.lebih dibanding pesanan lain. Slack dan algoritmaHodgson ialah metode yang digunakan untuk 2. Metodologi Penelitianmeminimasi keterlambatan, atau nilai lateness. Dengan menggunakan aplikasi ini,perusahaan dapat mengatur pekerjaan, serta dapatmengalokasikan pekerjaan ke mesin dengan kondisisistem yang sudah disesuaikan Selain itu, aplikasiini dapat mendokumentasikan proses produksi yangterjadi.Kata Kunci : make to order, pengendalianproduksi, penjadwalan produksi, perancanganaplikasi, aturan prioritas. Gambar 1 Model Konseptual1. Pendahuluan Penelitian ini membutuhkan input berupa data PT. Inti Pindad Mitra Sejati pada bagian demand, data matres sesuai, status mesin, danproduksi plastic bersifat make to order. Perusahaan waktu proses. Semua data ini diolah untukini belum memiliki pegendalian produksi, menentukan simulasi jadwal. Penjadwalan inipenjadwalan produksi proses produksi yang standar didalamnya mencakup proses alokasi job ke mesin,dan terdokumentasi. Setiap ada pekerjaan yang mengurutkan job bedasarkan metode SPT, WSPT,masuk, IPMS tidak memperhatikan pekerjaan – Slack dan Algoritma Hodgson, serta menghitugpekerjaan lain yang ada di lantai produksi, padahal performansi dari setiap metode yang digunakanjob yang masuk dengan job yang ada dilantai yang berupa flow time dan Lateness. Didasarkan oleh kebutuhan perusahaan, maka proses Data Maning dan Database System 3-41
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 penjadwalan ini dilakukan dalam sebuah aplikasi 3. Dapat menghasilkan suatu penjadwalanproduksi. produksi yang outputnya berupa tanggal mulai dan selesainya suatu pesanan.3. Perancangan Sistem 4. Dari hasil penjadwalan, dapat dilihat performansinya yang berupa lateness dan flow time, juga dapat dilihat waktu penyelesaian produk yang dapat menjadi acuan untuk tahap negosiasi. 3.1. Aliran Proses Usulan Gambar 3 Aliran Proses Usulan Gambar 2 Aliran Proses Eksisting Dengan melihat gambaran sistem eksistingperusahaan, maka dapat diidentifikasi beberapamasalah, yaitu:1. IPMS membutuhkan suatu sistem yang dapat memperkirakan waktu penyelesaian pesanan, sehingga waktu due date yang deal untuk pelanggan memiliki perhitungan yang nyata.2. IPMS membutuhkan suatu sistem yang dapat mengatur pengalokasian matres ke mesin secara otomatis3. IPMS membutuhkan suatu sistem yang dapat menyesuaikan jadwal produksi eksisting jika ada pesanan baru yang masuk.4. IPMS membutuhkan suatu sistem penjadwalan yang dapat meminimasi keterlambatan dan flow time. Identifikasi Kebutuhan Sistem1. Memberikan opsi mesin untuk dioperasikan secara otomatis bedasarkan matres yang dipilih dan mesin sesuai.2. Menyediakan metode – metode urutan prioritas penjadwalan yang dapat disesuaikan dengan kondisi eksisting perusahaan   Gambar 4 Aliran Proses Penjadwalan Usulan3-42 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3.2. Algoritma penjadwalan 1 = kurang menguntungkan 1 = kurang penting Beberapa algoritma penjadwalan yang 2 = menguntungkan 2 = pentingdirumuskan meliputi: 3 = sangat menguntungkan 3 = sangat1. Algoritma memunculkan mesin tersedia  penting - Masukkan berat produk - Terlihat gantt chart ke empat metode beserta - Identifikasi mesin mana yang dapat perfomansinya. Pilih gantt chart yang sesuai. dimasuki oleh produk tersebut, dengan - Jika masih ada mesin yang belum di ketentuan: jadwalkan, maka kembali ke tahap 3. Ketentuan mesin bedasarkan berat Nama Mesin Kapasitas Berat (dalam gr) Pada tahap 5, akan membutuhkan algoritma dari keempat metode yang dipakai. Berikut ialah Moulding Nissei 250 <= 500 algoritma dari keempat metode tersebut: Moulding Engle 175 <= 200 Moulding Engle 150 <= 200 a. Shortest Processing Time Moulding Arburg 80 <= 100 Tahap 1 : Hitung waktu proses setiap job Moulding Arburg 70 <= 50 bedasarkan kapasitas produksi seperti yang telah di jelaskan sebelumnya. - Bedasarkan kode produk, teridentifikasi Tahap 2 : Urutkan job dari yang memiliki waktu persediaan matres yang ada di lantai proses terkecil sampai terbesar. produksi yang dapat digunakan. - Cari ’irisan’ mesin sesuai antara matres dan b. Weighted Shortest Processing Time produknya. - Buang mesin yang tidak mempunyai irisan. Tahap 1 Beri bobot pada setiap pekerjaan yang - Tampil mesin – mesin hasil dari irisan pending bedasarkan tingkat keuntungan antara sesuai terhadap matres dan sesuai dan tingkat kepentingan konsumen. terhadap produk. Tahap 2 Hitung waktu proses setiap job bedasarkan - Maksimal Jumlah mesin yang dipilih = kapasitas produksi seperti yang telah di Jumlah matres; dimana 1 jenis matres tidak jelaskan sebelumnya (ti). Tahap 3 Jumlahkan nilai bobot yang telah diisi (wi). boleh dipilih pada 2 mesin atau lebih.2. Algoritma Penjadwalan Dengan Beberapa Tahap 4 Hitung nilai setiap job ini dengan . Tahap 5 Urutkan nilai job yang paling kecil sampai Aturan Prioritas yang paling besar. Berikut ialah alur dari job masuk sampai keluar c. Slack dari tahap penjadwalan sebelum masuk ke metode penjadwalan: Tahap 1 Ubah satuan due date ke dalam jam per job. - Masukkan kapasitas produksi mesin pada Tahap 2 Hitung completion time per job. mesin – mesin yang dipilih. Tahap 3 Kurangi due date dengan completion time. - Masukkan total produksi per mesin. Tahap 4 Urutkan nilai job yang paling kecil sampai - Jika mesin yang dipilih lebih dari satu, maka yang paling besar. inputkan total produksi per mesin. - Jika hanya satu mesin yang dipilih maka d. Algoritma Hodsgon total produksinya sama dengan jumlah produk yang di pesan. Sebelum merumuskan algoritma Hodgson ini, - Jadwalkan setiap mesinnya. harus diketahui terlebih dahulu algoritma dari - Jika tidak ada job lain yang masih pending aturan Earliest Due date (EDD). Berikut ialah tahap pada mesin, maka langsung di jadwalkan – tahap dari aturan EDD: pada mesin tersebut, langsung ke tahap 5. Tahap 1 Ubah satuan due date dari hari ke dalam - Jika ada job lain yang masih pending pada satuan jam kerja pada setiap job (proses mesin, maka masuk ke tahap 4. perhitungan seperti yang telah dijelaskan - Masukan Data pendukung penjadwalan. Data sebelumnya). pendukung penjadwalan ini berupa bobot Tahap 2 Urutkan job bedasarkan nilai due date keuntungan dan bobot tingkat kepentingan yang paling kecil. konsumen dengan inisialisasi berikut: Data Maning dan Database System 3-43
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Setelah mengetahui aturan EDD, maka 4. Pengujian dan Analisis Hasilalgoritma Hodgson dapat di jalankan. Tahap dari Rancanganalgoritma ini ialah sebagai berikut:Tahap 1 Urutkan job bedasarkan aturan EDD.Tahap 2 Hitung lateness dari setiap job. Jika tidak 4.1. Analisis hasil perancangan aplikasi ada lateness yang positif, maka lanjut ke Proses perkiraan due date, cek matres dan tahap 7. pilih mesin, jadwal ulang pekerjaan pending denganTahap 3 Cari job pertama yang memiliki lateness yang baru masuk dan proses perhitungan aturan positif. prioritas yang sebelumnya tidak ada, padaTahap 4 Bandingkan waktu proses dari job – job perbaikan menjadi ada yang diwujudkan dalam sebelum job pertama yang memiliki aplikasi. Selain itu, penyimpanan data yang lateness positif dan cari waktu proses sebelumnya tidak dilakukan untuk proses produksi, terbesarnya. dengan menggunakan aplikasi ini menjadi tersediaTahap 5 Hapus job yang memiliki waktu proses informnasi proses produksinya. terbesar pada tahap 4.Tahap 6 Setelah dihapus, maka ulang tahap 1.Tahap 7 Taruh job – job yang di hapus di urutan 4.2. Analisis Metode paling belakang. - Analisis metode Shortest Processing Time (SPT)3.3. Data Flow Diagram Metode ini digunakan ketika user meninginkan flow time yang seminimal mungkin. Selain untuk memimasi flow time, aturan SPT dapat juga digunakan ketika user ingin meminimasi waktu tunggu pada pekerjaan. Jika waktu proses pada job – job yang barus saja masuk tidak terlalu beda, maka SPT ini cocok digunakan. Namun apabila terdapat job dengan waktu proses yang jauh lebih lama, sedangkan order yang beru datang ke lantai produksi waktu prosesnya sangat kecil dibanding dengan job sebelumnya, maka metode ini tidak cocok lagi digunakan. SPT akan memproses order dengan waktu proses terkecil, tidak peduli berapa lama order tersebut telah menunggu di proses, tidak peduli seberapa dekat order tersebut dengan due date. Hal ini mengakibatkan nilai waiting time pada job yang mempunyai waktu proses besar menjadi sangat besar. Salah satu solusi untuk permasalahan seperti ini ialah dengan mengecek secara periodik job yang telah menunggu lama untuk dikerjakan agar dikerjakan setelah job yang ada di mesin3.4. Entity Relationship Diagram selesai. Dan solusi lainnya ialah menggunakan metode lain yang mempertimbangkan jarak waktu due date dengan waktu proses pesanan. - Analisis metode Wieghted Shortest Processing Time Metode ini merupakan variasi dari aturan SPT. Metode ini digunakan karena mungkin saja terjadi masing – masing pekerjaan mempunyai arti penting yang berbeda – beda, sehingga3-44 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  digunakan pembobotan pada masing – masing Oleh karena itu lateness yang positif ini akan pekerjaan. di taruh di urutan paling belakang. Walaupun Fungsi dari metode ini sama dengan metode nilai lateness job tersebut akan lebih besar dari SPT yaitu meminimasi rata – rata flow time. sebelumnya, namun jumlah pekerjaan yang Yang membedakan ialah ketika waktu proses terlambat akan berkurang. yang dimiliki oleh pesanan dibagikan dengan Jika denda keterlambatan masing – masing bobot tertentu. Dalam penelitian ini bobot pekerjaan sama besanya dan pekerjaan tidak yang digunakan ialah keuntungan dan tergantung pekerjaan lain, maka algoritma ini kepentingan. Dimana semakin untung atau cocok digunakan perusahaan. penting order tersebut, maka nilai bobotnya akan semakin besar yang artinya semakin 4.3. Verifikasi Hasil mendesak pula pesanan ini untuk didahulukan. Metode ini cocok jika pelanggan memiliki - Verifikasi fungsi pilih mesin sesuai nilai lebih dimata perusahaan, baik karena Produk Status pelanggan ini memiliki order yang nilai keuntunganya besar dan atau karena pelanggan Insulator R54 Berhasil ini sangat penting untuk di dahulukan. Tangkai Penegak Berhasil Sebaliknya, jika pelanggan memiliki nilai Pistol Grib Berhasil yang sama saja dimata perusahaan, maka tidak disarankan untuk menggunakan metode ini. - Verifikasi hasil perhitungan metode   - Analisis metode Slack   Berbeda dengan 2 metode sebelumnya yang Aplikasi Manual berfungsi untuk meminimasi rata – rata flow SPT PO2-PO1 PO2-PO1 time, metode ini berfungsi untuk mengurangi WSPT PO2-PO1 PO2-PO1 keterlambatan atau lateness. Slack ialah Slack PO2-PO1 PO2-PO1 rentang waktu antara waktu penyeleseian Hodgson PO2-PO1 PO2-PO1 pesananya (waktu proses) dengan due date.   Metode ini cocok bagi perusahaan untuk - Verifikasi perhitungan waktu menghindari denda keterlambatan yang sangat   besar bagi pelanggan tertentu karena metode ini tidak memperdulikan siapa yang lebih penting, siapa yang lebih untung, maupun siapa yang lebih cepat. Dengan pendekatan waktu Slack ini, yang akan dikerjakan terlebih   dahulu ialah yang memiliki rentang waktu lebih kecil terhadap due date. - Waktu proses total = Total produksi (buah) : Kapasitas produksi (buah/hr) - Analisis Algoritma Hodgson = 2000 : 2000 Sama seperti slack, algoritma ini juga = 1 hari bertujuan untuk mengurangi keterlambatan. = 24 jam Namun jika slack memilih pekerjaanya - Due date = 2x 24 jam kerja bedasarkan rentang waktu due date dan waktu = 48 jam proses, algoritma Hodgson - Completion time = waktu idle + waktu mempertimbangkan due date dan lateness proses + waktu istirahat yang dilalui + waktu sebagai acuanya. Aturan awal yang digunakan set up oleh algoritma ini ialah aturan EDD (Earliest = 0 + 24 + 4+1 Due date), dimana aturan ini hanya melihat due date dari suatu pesanan. Dimana yang = 29 paling dekat dengan due date maka itulah - Lateness = completion time – due date yang akan diprioritaskan. = 29-48 Setelah diurutkan bedasarkan EDD, algoritma = -19 ini akan menggunakan lateness sebagai - Flowtime = waktu idle + waktu proses + acuannya dimana lateness yang positif waktu istirahat (terlambat), dianggap memperlambat waktu. Data Maning dan Database System 3-45
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  = 0 + 24 + 4+1 - Dapat menambah ruang lingkup dari aplikasi = 29 ke bagian lain seperti pemasaran, Hasil completion time yang dilakukan accounting, bahkan konsumen. dengan manual dan aplikasi sedikit mengalami perbedaan pembulatan waktu dan algoritma perhitungan. Pada program, dibutuhkan konversi terhadap pengurangan Daftar Pustaka tanggal dengan waktunya. Sehingga hasil yang berupa angka desimal akan dibulatkan Amin, Faisal (2006). Pengembangan Algoritma ke atas. Penjadwalan Heuristik Flow Shop untuk Pesanan Baru yang Memperhatikan Lantai Produksi. Tugas Akhir S-1 Teknik Industri,5. Penutup Institut Teknologi Bandung.5.1. kesimpulan Baker, Kenneth R. (2001). Elements of Sequencing and Scheduling. Sine Nomine.1. Sistem yang dibangun dapat membantu Bedworth, David D. dan James E. Bailey (1987). perusahaan dalam menjadwalkan pekerjaan, Integrated Production Control System : baik pekerjaan baru maupun pekerjaan yang Management, Analysis, Design. John Wiley & menunggu untuk diproses, juga dapat Sons Inc. New York. mensimulasikan terhadap konsumen tanggal Elsayed, Elsayed S and Boucher, O Thomas. (1995). penyelesaian serta dapat mendokumentasikan Analysis and Control of Production System. hasil dari perencanaan produksi. Second Edition. Springer Publishing. New2. Aplikasi penjadwalan dibuat sesuai dengan York. kondisi perusahaan yang unik terhadap Ginting, Rosnani (2007). Penjadwalan Mesin. Graha pengaturan matres, dan mesin. Aplikasi ini Ilmu. Yogyakarta. mampu menyediakan mesin sesuai terhadap Ketaren, Dewi (2006). Perancangan Aplikasi matres dan produk, yang merupakan proses Penjadwalan Produksi Job Shop Dengan yang unik dari perusahaan ini. Selain itu, Mengggunakan Beberapa Metode Heuristik. metode – metode yang disediakan memiliki Tugas Akhir S-1 Teknik Industri, Institut fungsi tujuan yang dapat meminimalisir Teknologi Telkom. permasalahan yang terjadi pada IPMS. Rasjidin, Roesfjandsyah (2006). Penjadwalan produksi mesin Injection moulding pada PT.5.2. Saran Duta flow Machine machinery. Tugas Akhir S- 1 Teknik Industri, Universitas Indonesia Esa1. Untuk perusahaan Unggul. - Dalam melaksanakan produksi, sebaiknya Sipper, Daniel and Bulfin, Ir Robert L. (1995). perusahaan melakukanya sesuai dengan Production Planning, Control and penjadwalan produksi yang telah dibuat. Integration. Mc Graw-Hill Companies Inc. Sehingga tanpa implementasi yang New York. melenceng dari proses perencanaan, fungsi pendokumentasian produksi yang telah dibuat dapat berguna ke depannya. - Perusahaan dapat melakukan pengembangan terhadap aplikasi.2. Untuk penelitian selanjutnya - Dapat mengintegrasikan kondisi mesin yang sesungguhnya dengan aplikasi produksi. Dapat membuat gantt chart pada aplikasi sehingga visualisasi lebih mudah.3-46 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Model Aturan Keterhubungan Data Mahasiswa dengan Algoritma Decision Tree Dedy Hartama Staf Program Studi Manajemen Informatika, AMIK Tunas Bangsa Pematang Siantar E-mail : dedyhartama@yahoo.com Abstract maupun bahan kajian dan pelajaran serta cara penyampaian dan penilaiannya yang digunakan Penelitian ini mengusulkan sebuah model sebagai pedoman penyelenggaraan kegiatanaturan keterhubungan data mahasiswa dengan belajar mengajar di perguruan tinggi. Kelompokindeks prestasi di perguruan tinggi swasta. Faktor- Mata Kuliah berbasis kompetensi yangfaktor mana yang lebih dominan yang dilaksanakan berdasarkan Kepmendiknas Nomempengaruhi indeks prestasi belum dapat 232/U/2000 adalah Matakuliah Pengembangandiketahui dengan pasti. Data diperoleh dari Kepribadian (MPK), Kelompok Matakuliahdatabase Akademik AMIK Tunas Bangsa dan hasil Keilmuan dan Keterampilan (MKK), Kelompoksurvei terhadap mahasiswa semester III tahun Matakuliah Keahlian Berkarya (MKB),ajaran 2008 dan 2009. Dalam Penelitian ini Kelompok Matakuliah Perilaku Berkarya (MPB)algoritma C 4.5 decision tree diaplikasikan agar dan Kelompok Matakuliah Berkehidupanmendapatkan suatu model aturan yang dapat Bermasyarakat (MBB).memperlihatkan keterhubungan antara nilai rata Dalam beberapa penelitian yang telahrata matakuliah kurikulum berbasis kompetensi dilakukan oleh peneliti yang dituliskan dalam jurnaldengan data ekonomi, dukungan orang tua dan atau karya ilmiah tentang penggunaan data miningfasilitas belajar terhadap indeks prestasi pada perguruan tinggi adalah : Romero danmahasiswa. Model aturan yang diperoleh Ventura, (2007), telah melakukan survey datamenunjukkan bahwa variabel terbaik dari prediktor mining dalam bidang pendidikan antara tahun 1995yang digunakan adalah faktor ekonomi yang sampai 2005, mereka menyimpulkan bahwa datamemberikan kontribusi sebesar 79,8% terhadap mining yang berhubungan dengan pendidikanindeks prestasi mahasiswa. sangat baik untuk diteliti terutama di bidang e- learning, multimedia, artificial intelligent dan webKey Word : decision tree, model aturan, indeks database. Merceron dan Yacep, (2005) melakukan prestasi penelitian menggunakan data mining untuk mengidentifikasi perilaku mahasiswa yang cenderung gagal pada prestasi akademik sebelum1. Pendahuluan ujian akhir. Ogor, (2007) menggunakan teknik Dalam Proses belajar mengajar untuk data mining yang digunakan untuk membangunmendapatkan nilai akhir mahasiswa di AMIK Tunas prototipe Penilaian Kinerja Monitoring SystemBangsa Pematangsiantar memiliki penilaian terdiri (PAMS) untuk mengevaluasi kinerja mahasiswa.dari penilaian absensi, tugas, quis, ujian tengah Sembiring, et al., (2009) menggunakan teknik datasemester (UTS) dan ujian akhir semester ( UAS ). mining dalam pemantauan dan memprediksiPeningkatan prestasi akademik dapat dilaksanakan peningkatan prestasi mahasiswa berdasarkan minat,dengan pemberian tugas yang berhubungan dengan prilaku belajar, pemanfatan waktu dan dukungankompetensi mata kuliah yang pilih. Ujian dapat orang tua di perguruan tinggi.diselenggarakan melalui ujian tengah semester, Walaupun telah banyak penelitian yangujian akhir semester, ujian akhir program studi dan dilakukan berkaitan dengan indeks prestasiujian skripsi. mahasiswa namun faktor-faktor yang Berdasarkan Kepmendiknas No. 232/U/2000 mempengaruhi indeks prestasi mahasiswa masihPenilaian hasil belajar dinyatakan dengan huruf A, belum dapat diketahui dengan pasti sehingga perluB, C, D, dan E yang masing masing bernilai 4, 3, 2, dilakukan penelitian untuk melihat keterhubungan1, dan 0. data mahasiswa dengan indeks prestasi. Kurikulum pendidikan tinggi adalah Penelitian ini mengaplikasikan teknik dataseperangkat rencana dan pengaturan mengenai isi mining dengan algoritma C 4.5 dalam membuat Data Maning dan Database System 3-47
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 model aturan keterhubungan data mahasiswa bergantian untuk menjelaskan proses penggalianberdasarkan matakuliah Kurikulum Berbasis informasi tersembunyi dalam suatu basis data yangKompetensi (KBK) dan data demografi yang besar. Sebenarnya kedua istilah tersebut memilikimendukung peningkatan indeks prestasi mahasiswa. konsep yang berbeda, tetapi berkaitan satu samaModel aturan yang diperoleh untuk lain. Dan salah satu tahapan dalam keseluruhanmengklasifikasikan predikat mahasiswa yang terdiri proses KDD adalah data mining. Proses KDDdari dengan pujian, sangat memuaskan, secara garis besar dapat dijelaskan sebagai berikutmemuaskan, dan buruk. (Fayyad, 1996). Dengan menggunakan Algoritma C 4.5, 1. Data Selectionpenelitian ini akan memberikan aturan dalam 2. Pre-processing/Cleaningbentuk decision tree bagi mahasiswa yang akan 3. Transformationmeningkatkan nilai matakuliah dan indeks prestasi 4. Data miningpada semester yang akan diambil berikutnya. 5. Interpretation/EvalutionPenelitian ini diharapkan dapat memberikan Tahap ini mencakup pemeriksaan apakah polakontribusi bagi perguruan tinggi swasta khususnya atau informasi yang ditemukan bertentanganAkademi Manajemen Informatika dan Komputer dengan fakta atau hipoPenelitian yang ada(AMIK) Tunas Bangsa Pematangsiantar. sebelumnya. Penjelasan di atas dapat direfresentasikan pada Gambar 12. Permasalahan Berdasar pada latar belakang di atas, makadapat dirumuskan masalah dalam Penelitian inisebagai berikut:1. Bagaimana membuat model aturan keterhubungan data mahasiswa dengan indeks prestasi menggunakan algoritma C 4.5. Gambar 1. Proses dari Data Mining2. Bagaimana menggunakan model aturan untuk Sumber: SPSS, 2004 mengklasifikasikan predikat akhir seorang mahasiswa berdasarkan indeks prestasi. Dalam CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam3. Tinjauan Teoritis enam fase Gambar 2. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya Data mining adalah suatu istilah yang dalam urutan bergantung kepada keluaran dari fasedigunakan untuk menemukan pengetahuan yang sebelumnya. Hubungan penting antar fasetersembunyi di dalam database. Data mining digambarkan dengan panah. Sebagai contoh, jikamerupakan proses semi otomatik yang proses berada pada fase modeling. Berdasar padamenggunakan teknik statistik, matematika, perilaku dan karakteristik model, proses mungkinkecerdasan buatan, dan machine learning untuk kembali kepada fase data preparation untukmengekstraksi dan mengidentifikasi informasi perbaikan lebih lanjut terhadap data atau berpindahpengetahuan potensial dan berguna yang maju kepada fase evaluation.bermanfaat yang tersimpan di dalam database besar.(Turban et al, 2005 ). Menurut Gartner Group data mining adalahsuatu proses menemukan hubungan yang berarti,pola, dan kecenderungan dengan memeriksa dalamsekumpulan besar data yang tersimpan dalampenyimpanan dengan menggunakan teknikpengenalan pola seperti teknik statistik danmatematika (Larose, 2006). “Data mining adalah analisis otomatis daridata yang berjumlah besar atau kompleks dengan Gambar 2. Proses Data Mining Menurut CRISP-DMtujuan untuk menemukan pola atau kecenderungan Sumber: CRISP, 2005yang penting yang biasanya tidak disadarikeberadaannya.” (Pramudiono, 2006). 2.1. Algoritma C 4.5 Istilah data mining dan Knowledge Discovery Algoritma C 4.5 adalah salah satu metodein Database (KDD) sering kali digunakan secara untuk membuat decision tree berdasarkan training3-48 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 data yang telah disediakan. Algoritma C 4.5 data kuisioner mahasiswa yang merupakan data setmerupakan pengembangan dari ID3. Beberapa kedua. Sumber data yang dikumpulkan dari catatanpengembangan yang dilakukan pada C 4.5 adalah kartu hasil studi akademik mahasiswa.sebagai antara lain bisa mengatasi missing value, Untuk dataset kedua, penulis mengembangkanbisa mengatasi continue data, dan pruning. kuesioner (Lampiran A) untuk mengukur Secara umum algoritma C4.5 untuk keterhubungan data demografi yang sesungguhnyamembangun pohon keputusan adalah sebagai dari mahasiswa. 5 (lima) pertanyaan menghasilkanberikut: informasi demografi untuk responden. Pertanyaan1. Pilih atribut sebagai akar pertanyaan yang dibuat adalah tipe skala point2. Buat cabang untuk masing-masing nilai linker 5 yang disusun dari “ sangat setuju” sampai “3. Bagi kasus dalam cabang sangat tidak setuju”. yang berkenaan untuk4. Ulangi proses untuk masing-masing cabang membuat aturan indeks prestasi akhir mereka. Data sampai semua kasus pada cabang memiliki kelas set pertama dapat dilihat pada Tabel 1 yang sama. Tabel 1 Tampilan Data Set Pertama Untuk memilih atribut sebagai akar,didasarkan pada nilai Gain tertinggi dari atribut- No Role Name Typeatribut yang ada. Untuk menghitung Gain 1 Label predikat nominal 2 Regular IP nominaldigunakan rumus seperti tertera dalam Rumus 1 3 Regular Ratamkb Nominal(Craw, 2005). 4 Regular Ratamkk nominal Si 5 Regular Ratampk nominalGain(S,A) = Entrropy(S) – Σi =1 n * Entropy(Si) 6 Regular Ratambb nominal S 7 Regular Semester nominalDengan Pada Tabel 1 atribut predikat sebagai labelS : Himpunan Kasus yang merupakan tujuan dari atribut IP,A : Atribut ratamkb,ratamkk,ratampk,ratambb dan semester.N : Jumlah partisi atribut A Data set kedua dapat dilihat pada Tabel 2|Si| : Jumlah kasus pada partisi ke i|S| : Jumlah kasus dalam S Tabel 2 Tampilan Data Set Kedua Sedangkan perhitungan nilai Entropy dapat No Role Name Typedilihat pada rumus 2 berikut (Craw, 2005): 1 Label predikat nominal Entropy(A) = Σin=1 − pi *log 2 pi 2 3 Regular Regular IP ekonomi nominal nominalDengan 4 Regular dukungan orang tua nominalS : Himpunan Kasus 5 Regular fasilitas belajar nominalA : Fitur 6 regular semester nominaln : Jumlah partisi S Pada Tabel 2. atribut predikat sebagai labelpi : Proporsi dari Si terhadap S yang merupakan tujuan dari atribut IP, dukungan orang tua, ekonomi, fasilitas dan semester.3. Prosedur Pengumpulan Data Keterhubungan data antara data set pertama dan data set kedua dapat dilihat pada Tabel 3. Dalam studi kasus ini, untuk data set pertama,penulis mengumpulkan data dari SQL Server Tabel 3. Tampilan Data Set Pertama dan Keduadatabase nilai rata-rata matakuliah kurikulumberbasis kompetensi AMIK Tunas Bangsa No Role Name Type 1 Label predikat nominalPematangsiantar yang telah mendapatkan kartu 2 Regular IP nominalhasil studi pada semester 3 yaitu tahun ajaran 2008 3 Regular Ratamkb nominalsampai dengan 2009 yang terdiri dari predikat, IP, 4 Regular Ratamkk nominalratamkb, ratamkk, ratampk, ratambb, ratampb, 5 Regular Ratampk nominalsemester. 6 Regular Ratambb nominal Dataset kedua penulis mensurvei mahasiswa 7 Regular ekonomi nominal 8 Regular dukungan orang tua nominaltentang prediksi prestasi akademik dengan 9 Regular fasilitas belajar nominalmenggunakan kuesioner tertulis. Penulis 10 Regular semester nominalmenciptakan instrument survey dan termasukpertanyaan demografis secara umum. Jumlah Pada Tabel 3 atribut predikat sebagai labelmahasiswa sebanyak 755 orang, dan penulis yang merupakan tujuan dari atribut IP,mendapatkan data sampel sebanyak 734 orang dari ratamkb,ratamkk,ratampk,ratambb, dukungan orang735 untuk data set pertama dan 734 orang untuk tua, ekonomi, fasilitas dan semester. Data Maning dan Database System 3-49
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3.1. Validitas dan Reliabilitas Data tabel 5 di atas kemudian disederhanakan (Keakuratan) Data kembali. Karena nim, nama bersifat primary key maka data tidak digunakan dalam penelitian, Keakuratan instrumen yang digunakan pada sehingga data yang dipilih dalam penelitian adalahpenelitian ini adalah penting. Keakuratan mengacu pada Tabel 6 dengan menambahkan field predikatapakah instrumen yang digunakan mengukur secara berdasarkan IP dimana ketentuannya sebagaikonsisten setiap waktu dan populasi ( Gall et al., berikut :1996 ). Survei dalam studi ini diuji dalam jangka No IP Predikatwaktu dan ukuran internal yang terpercaya yang 1 < 2,00 Burukmemiliki keterkaitan antara bagian bagian tes ( 2 2,00 - 2,75 MemuaskanBrown and Alexander, 1991 ). Hal ini menjamin 3 2,76 - 3.50 sangat memuaskanapakah pengukuran instrumen secara akurat 4 3.51 - 4,00 dengan pujiandimaksudkan untuk mengukur. Cronbach’s Alpha diberikan survei untuk Tabel 6 Tabel Data Penelitianmengukur konsistensi internal. Menurut Mitchell Predikat IP MKB MPK MKK MPB MBB Semesterdan Jolley ( 1999 ), Cronbach’s Alpha pada atau di …… …… ……. ……. ……. ……. ……. …….atas 0.60 diterima sebagai bukti realibilitasinternal. Validitas dan Realibilitas dari kuesioner 3.3.2 Preprocessing Data Kuesionerdengan jumlah data sebanyak 60 item, seperti padaTabel 4 Data survei dalam bentuk kuesioner yang dibagikan kepada mahasiswa terdiri dari beberapa Tabel 4 Statistik Reliabilitas Data field. Data yang dikumpulkan dapat dilihat pada Tabel 7 Cronbachs Jumlah No Variabel dalam Skala alpha Data 1 Faktor Ekonomi .634 60 Tabel 7 Data Kuesioner 2 Faktor Dukungan .635 60 NIM Nama IP Q1 Q2 Q3 Q4 Q5 Re Orang Tua …… …… ……. ……. ……. ……. ……. ……. ……. 3 Faktor Fasilitas .629 60 Data pada tabel 7 di atas dapat dijelaskan Dari Tabel di atas Cronbachs alpha dari ke bahwa :tiga variabel berjumlah di atas 0.60 ini 1. Q1 sampai dengan Q5 adalah pertanyaan untukmenunjukkan bahwa data yang diolah adalah valid ekonomi orang tua.dan dipercaya. 2. RE adalah rata-rata ekonomi dari pertanyaan Q1 sampai dengan Q53.3 Preprocessing Data Dari keterangan tabel 3.7 di atas, pengolahan data penelitian dibagi dua, yaitu rata-rata ekonomi,3.3.1 Preprocessing Database Akademik dukungan orang tua dan fasilitas belajar digunakan Untuk mendapatkan input yang lebih baik dari pada software rapidminer sedangkan nilai dariteknik data mining, penulis melakukan beberapa pertanyaan digunakan pada software SPSS 18.preprocessing untuk data yang akan dikumpulkan.Data disusun dalam tabel yang berbeda yang 3.3.2 Signifikandihubungkan dalam tabel tunggal. Tabel yang Dalam penelitian ini, penulis telah mengujidigabungkan adalah : hubungan antara empat prediktor variabel model1. tabel mahasiswa aturan untuk predikat keberhasilan mahasiswa2. tabel matakuliah dengan menggunakan metode analisis regresi3. tabel nilai berganda dengan model fit untuk mengetahui4. tabel IP variabel manakah yang paling memberikan Dari pilihan field ke empat tabel di atas datayang dipilih dapat dilihat pada Tabel 5 kontribusi. Hasil yang diperoleh menunjukkan bahwa ada tiga dari empat variabel tersebut di atas memiliki korelasi yang sangat signifikan terhadap Tabel 5 Tabel Preprocessing Data Gabungan Empat Tabel model aturan untuk predikat keberhasilan mahasiswa ekonomi, dukungan orang tua, fasilitasNIM Nama MKB MPK MKK MPB MBB Semester IP belajar. Semua-prediktor tiga variabel di atas…… …… ……. ……. ……. ……. ……. ……. ……. memberikan kontribusi 82,8% dalam membuat3-50 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 model aturan untuk predikat keberhasilan faktor ekonomi untuk mendapatkan predikat denganmahasiswa, seperti terlihat pada Tabel 8 pujian, sangat memuaskan, memuaskan dan buruk Untuk melihat penyederhanaan dari decision Tabel 8 Korelasi Signifikan dari Tiga Prediktor tree dalam bentuk model aturan induction rule Variabel Predikat dapat dilihat pada Gambar 4 if RATAMKK = B and RATAMKB = B then SANGAT MEMUASKAN  (95 / 0 / 0  / 0) if Orang Tua = 4.6 then SANGAT MEMUASKAN (104 / 0 / 0 / 0) if Orang Tua = 4.4 then SANGAT MEMUASKAN (97 / 0 / 0 / 0) if Orang Tua = 4 then MEMUASKaAN (0 / 91 / 0 / 0) if Ekonomi = 3.8 then SANGAT MEMUASKAN (53 / 0 / 0 / 0) if RATAMKK = A and RATAMKB = A then DENGAN PUJIAN (0 / 0 / 80 / 0) if RATAMKK = C and RATAMKB = C then MEMUASKAN (1 / 46 / 0 / 1) Dari Tabel 8 dapat melihat bahwa variabel if Ekonomi = 3 then BURUK (0 / 0 / 0 / 45) if Fasilitas = 4.4 then SANGAT MEMUASKAN (37 / 0 / 0 / 0)terbaik dari prediktor ekonomi (lihat pada R square if Orang Tua = 3.8 and Ekonomi = 3.4 then MEMUASKAN (0 / 8 / 0 / 0)ubah) memberikan kontribusi 79,8%. Keempat if Ekonomi = 3.2 and RATAMKK = E then BURUK (0 / 0 / 0 / 14) if Orang Tua = 3.8 and RATAMKK = B then MEMUASKAN (0 / 5 / 0 /variabel memberikan kontribusi yang signifikan R 2 0)= 0,828. Dengan demikian, dapat disimpulkan if Orang Tua = 4.8 then DENGAN PUJIAN (0 / 0 / 13 / 0) if RATAMBB = C and RATAMKB = B then MEMUASKAN (1 / 4 / 0 /bahwa tiga variabel tersebut di atas adalah sangat 0)dipercaya untuk digunakan sebagai penaksir model if Fasilitas = 4 and RATAMPK = A then SANGAT MEMUASKAN (9 /aturan untuk predikat keberhasilan mahasiswa, 1 / 0 / 0) if Ekonomi = 3.2 then BURUK (0 / 4 / 0 / 11)seperti yang terdapat pada Tabel 9 else MEMUASKAN (4 / 5 / 2 / 0)  correct: 717 out of 731 training examples.    Tabel 9 Signifikan dari Tiga Variabel Prediktor Predikat Gambar 4. Model Aturan Induction Rule Dari Gambar 4. di atas dapat disederhanakan rule yang terbaik berdasarkan predikat gain rasio, seperti pada Tabel 10 dengan ketentuan M = Memuaskan, SM = Sangat Memuaskan, DP = Dengan Pujian dan B = Buruk. Tabel 10 Model Aturan Penyederhanaan4. Hasil Percobaan Decision Tree Induction Rule Model sampel aturan decision tree dengan Rule Keterangan Rule SM M DP Bmodel grafik dari software rapidminer yang akan if ratamkk = B and ratamkb = 95 0 0 0 B then sangat memuaskandigunakan dapat dilihat pada gambar 3 1 if orang tua = 4.6 then sangat 104 0 0 0 memuaskan if orang tua = 4 then 0 91 0 0 memuaskan 2 if orang tua = 3.8 and ratamkk 0 5 0 0 = B then memuaskan if ratamkk = A and ratamkb = 0 0 80 0 A then dengan pujian 3 if orang tua = 4.8 then dengan 0 0 13 0 pujian if ekonomi = 3 then buruk 0 0 0 45 4 if ekonomi = 3.2 and ratamkkGambar 3. Grafik Decision Tree = E then buruk 0 0 0 14 Dari Gambar 3 dapat dijelaskan bahwa faktor Tabel 10 dapat dijelaskan bahwa rule sangatekonomi memiliki pengaruh paling besar dalam memuaskan terdiri dari jika ratamkk dan ratamkbdata penelitian Penelitian ini, setelah dilakukan bernilai B dengan nilai Gaint Rasion 95 dan jikapercobaan dengan menggunakan rapidminer bahwa rata orang tua 4.6 dengan gaint rasio 104. Rulevariabel ekonomi berada pada node paling atas, memuaskan terdiri dari jika rata orang tua 4kemudian dibandingkan dengan rata-rata nilai dari dengan gaint rasio 91 kemudian jika rata orang tua 3.8 dan ratamkk=B dengan gaint rasio 5. Rule Data Maning dan Database System 3-51
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 dengan pujian terdiri dari jika ratamkk dan 3. Dari pendekatan model aturan yang didapat,ratamkb bernilai A dengan nilai Gaint Rasion 80 perlu menjadi perhatian khusus bagi manajemendan jika rata rata orang tua 4.8 dengan gaint rasio AMIK Tunas Bangsa Pematangsiantar untuk13. Rule buruk terdiri dari jika rata ekonomi 3 melihat dan mengambil keputusan variabeldengan gaint rasio 45 kemudian jika rata ekonomi mana yang harus diperhatikan untuk3.2 dan ratamkk=E mendukung peningkatan indeks prestasi mahasiswa agar mendapatkan predikat sangat5. Penutup memuaskan dan dengan pujian, sehingga mahasiswa yang akan lulus dapat bersaing di5.1 Kesimpulan pasar kerja global. Penelitian ini menghasilkan beberapakesimpulan sebagai berikut :1. Diperoleh suatu model aturan yang dapat Daftar Pustaka memperlihatkan aturan keterhubungan antara [1] Craw, S. (2005). Case Based Reasoning : nilai rata-rata matakuliah dengan faktor Lecture 3: CBR Case-Base Indexing ekonomi, dukungan orang tua dan fasilitas www.comp.rgu.ac.uk/staff/smc/teaching/cm3 belajar terhadap indeks prestasi mahasiswa. 016/Lecture-3-cbr-indexing .ppt, diakses2. Dalam studi kasus pada Akademi Manajemen tanggal 11 april 2011 Informatika Komputer (AMIK) Tunas Bangsa [2] CRISP ( Cross Industry Standard Process for Pematangsiantar bahwa sebagian besar Data Mining http://www.crisp- mahasiswa yang memiliki predikat buruk dm.org/Process/index.htm, diakses tanggal 11 apabila faktor rata-rata ekonomi = 3 dan april 2011 ratamkk bernilai E dan predikat dengan pujian [3] Fayyad, U. M, 1996, Advances in Knowledge apabila jika ratamkk = A dan ratamkb = A Discovery and Data Mining. Camberidge, kemudian rata-rata dukungan orang tua = 4.8 MA: The MIT Press.3. Penelitian ini telah menunjukkan ada tiga dari [4] Gall, M. D., Borg, W. R., & Gall, J. P. empat variabel yaitu fasilitas, ekonomi, orangtua (1996). Educational research introduction dan predikat memiliki korelasi yang sangat (6th ed.). White Plains, NY: Longman signifikan terhadap model aturan aturan Publishers USA. keterhubungan data mahasiswa untuk [5] Keputusan Mentri Pendidikan Nasional No. meningkatkan indeks prestasi seperti yang 232/U/2000 tentang pedoman penyusunan diusulkan (faktor ekonomi, faktor dukungan kurikulum pendidikan tinggi dan penilaian orang tua dan fasilitas belajar) dengan predikat hasil belajar mahasiswa. indeks prestasi mahasiswa pada akhir semester. [6] Larose D, T., 2006, Data Mining Methods Semua prediktor tiga variabel di atas and Models, Jhon Wiley & Sons, Inc. memberikan kontribusi 82,8% dan variabel Hoboken New Jersey terbaik dari prediktor ekonomi memberikan [7] Merceron, A and Yacef, K. 2005. kontribusi 79,8%. Educational Data mining: A case study. In proceedings of the 12th International5.2 Saran Conference on Artificial Intelligence in Saran penulis terhadap Penelitian ini Education AIED 2005, Amsterdam, The Netherlands, IOS Press, Vol 5, pp 1-8adalah sebagai berikut : [8] Mitchell M dan Jolley J, 1999. Research1. Untuk mendapatkan hasil yang lebih variatif Design Explained. New York: Holt, Rinehart mungkin penelitian ini dapat dikembangkan and Winston. dengan teknik data mining yang lain seperti [9]  Ogor E. N, 2007. Student Academic Fuzzy Decision Tree, algoritma genetika, Performance Monitoring and Evaluation, association rule dan algoritma KNearest Congress of Electronics, Robotics and Neighbor untuk mencari aturan atau pendekatan Automotive Mechanic, Vol.4, pp-354-359 model yang ingin dicapai. [10] Pramudiono, I, 2006, Apa itu Data Mining ?2. Dalam penelitian lebih lanjut, pengujian model dalam aturan dapat menggunakan metode SSVM http://datamining.japati.net/cgibin/indodm.cgi (Smooth Support Vector Machine) sebagai alat ?bacaarsip%115552761&artikel, diakses pengujian akurasi kebenaran model aturan yang tanggal 11 april 2011 didapat.3-52 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 [11] Romero, C. and Ventura, S. 2007. Educational Data mining: A survey from 1995 to 2005, Expert systems With Application” Vol. 33, pp. 135-146.[12] Sembiring S, Embong A, Mohammad, M. A, Furqan M, “Improving Student Academic Performance by An Application of Data Mining Techniques”, Proceeding The 5th IMT-GT International Conference on Mathematics, Statistics, and Their Application (ICMSA 2009), ISBN 978-602- 95343-0-6, page 390-394.[13] SPSS, Clementine 7.0 User’s guide, 2004[14] Turban, E., Aronson, J. E. & Liang, T., 2005, Decision Support Sistems and Intelligent Sistems (Sistem Pendukung Keputusan dan Sistem Cerdas), Edisi Ketujuh, Andi, Yogyakarta. Data Maning dan Database System 3-53
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-54 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Klaster Sub-Ruang Berdasarkan Kerapatan Data Rahmat Widia Sembiring1,2, Jasni Mohamad Zain2 1 Manajemen Informatika, Politeknik Negeri Medan 2 Fakulti Sistem Komputer dan Kejuruteraan Perisian, Universiti Malaysia Pahang Abstract Jarak antara objek dalam dataset dimensi tinggi umumnya mirip satu sama lain, klaster yang Analisis klaster dilakukan untuk menemukan cenderung sangat rapat, bahkan dapat tumpangkelompok-kelompok, atau pola yang mirip, tindih. Untuk mendeteksi kluster biasanyaalgoritma konvensional sering menghasilkan dilakukan penilaian kesamaan objek. Kemiripanklaster tidak relevan. Jarak antara objek dalam atau kesamaan antara objek sering ditentukandataset berdimensi tinggi umumnya cenderung dengan mengukur jarak antara obyek dalamserupa satu sama lain, yang akan menghasilkan berbagai dimensi. Metode subruang sangat idealklaster sangat rapat, atau bahkan tumpang tindih. digunakan untuk kasus dataset dimensi tinggi.Metode sub-ruang ideal digunakan untuk Pengelompokan subruang merupakan perpanjanganmendeteksi kluster karena kesamaan objek klastering konvensional [1], yang dapat digunakanpenilaian. Pada riset ini algoritma SC2D untuk menemukan klaster kedua, ketiga dandigunakan untuk menghitung kerapatan dimensi, seterusnya dari dataset.sementara algoritma DBSCAN digunakan untuk Gambar 2 memperlihatkan keadaan klastermenentukan klaster berdasarkan kepadatan subruang yang saling bertumpuk. Pengelompokankoneksi. Kemudian digabungkan dengan algoritma subruang adalah metode untuk mendeteksi semuaSUBCLU yang dapat menghasilkan subruang kelompok dalam semua subruang [2]. Bisa terjadidimensi dan terakhir menentukan klaster subruang. satu titik menjadi anggota dari beberapa kelompok yang ada di dalam subruang yang berbeda, pada1. Pendahuluan umumnya terjadi pada klaster berdimensi tinggi. Umumnya, objek direpresentasikan sebagaivektor atau poin yang terkandung dalam satu ataulebih dimensi. Analisis klaster dilakukan untukmenemukan kelompok-kelompok [1], terlihatsebagai pola yang mirip (Gambar 1a). Untukmeningkatkan kualitas data sering diperlukanproses 2 dimensi, pengelompokan ini akanmenghasilkan outlier (Gambar 1b). Sementara itudalam data dimensional tinggi, algoritmakonvensional sering menghasilkan kluster yangtidak relevan, cenderung tidak mendapatkan hasil Pada dataset berdimensi tinggi, dapat terjadiklaster dengan maksimal, bahkan menghasilkan masalah dimana objek klaster di setiap klaster akanoutlier (Gambar-1c). Masalah seperti ini dalam data akan sulit dikenali. Jika dimensi dihapus dapatmining disebut sebagai "curse of dimensionality". mengakibatkan hilangnya keaslian data, sehingga pengurangan dimensi menjadi tidak relevan untuk dilakukan. Dalam dua dimensi, dapat membentuk tiga kelompok, seperti dalam Gambar 3a, data plot sampel dalam 2 dimensi (a dan b), dua kelompok benar dipisahkan, namun 1 klaster tetap bercampuran. Bisa juga data sampel plot dalam 2 dimensi (b dan c), dua kelompok benar terpisah, tapi masih klaster campuran (Gambar 3b). Selain itu juga dapat diproduksi dengan pemisahan yang jelas dari klaster (Gambar 3c), tapi masih objek tumpang tindih, dan tidak mudah untuk Data Maning dan Database System 3-55
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 memisahkan menggunakan algoritma Gambar 5 memperlihatkan pseudocode algoritmspengelompokan konvensional. DBSCAN. DBSCAN (SetOfPoints, Eps, MinPts) // SetOfPoints is UNCLASSIFIED KlasterId := nextId(NOISE); FOR i FROM 1 TO SetOfPoints.size DO Point := SetOfPoints.get(i); IF Point.ClId = UNCLASSIFIED THEN IF ExpandKlaster(SetOfPoints, Point, KlasterId, Eps, MinPts) THEN KlasterId := nextId(KlasterId) END IF END IF END FOR END; // DBSCAN Untuk mengatasi hal ini, perlu untukmenempatkan setiap dataset objek ke dalam Figure-5 DBSCAN Algorithmsubruang yang berbeda. Hal ini menjadi tantangandalam penelitian data mining, yaitu bagaimanauntuk mengeksplorasi data yang memiliki 3. Kajian Klaster Sub Ruangmultidimensi, dan menempatkan setiap benda ke CLIQUE [5] mengidentifikasi kepadatandalam klaster yang terpisah. kelompok dari dimensi maksimum, setelah subruang yang sesuai ditemukan, titik data2. Klaster Berdasar Kerapatan Dimensi dipisahkan menurut celah kelompok data. CLIQUE Klaster berdasarkan kerapatan data dilakukan dimulai dari mengidentifikasi subruang yangdengan mencari perbedaan kerapatan dari satu mengandung klaster, menemukan unit yang rapat, dengan terlebih dahulu menentukan 1-dimensi unitklaster dengan klaster tetangganya. Dua parameteryang digunakan adalah radius volume titik data, data, Jika dimensi dari subruang dianggapyang dinyatakan dengan ε, dan jumlaj minimu titik meningkat, akan ada peningkatan jumlah unit klaster dan perlu untuk dipangkas. Set yangsebagai dasar menghitung kerapatan, yangdinyatakan dengan [3] dipangkas kemudian digunakan untuk membentuk DBSCAN menggagas kepadatan berbasis unit kandidat dalam tingkat berikutnya, diikuti dengan mengidentifikasi klaster.klaster yang dirancang untuk menemukan klasteryang berubah-ubah [4], diperlukan dua parameter PreDeCon (subspace PREference weighted DEnsity CONnected klastering) adalah konsepinput (Eps dan MinPts ), digunakan untuk preferensi subruang lokal, untuk memastikanmenentukan nilai titik p (sebagai pusat klaster).Kepadatan-terjangkau (density reachable) bentuk kualitas klaster dalam ruang dimensi tinggi [6]. PreDecon menggunakan mengukur jarak Euclideansimetris untuk beberapa pasang pusat klaster. tertimbang untuk menghitung kluster spesifik yangGambar 4b menunjukkan density reachable. titik pdicapai dari titik q yang merupakan hasil dari Eps, lebih kecil, dengan melakukan scan tunggal atas database, dan linier dalam jumlah dimensi.MinPts dimana dan . Dengan memperkenalkan definisi kepadatanJangkauan kerapatan (density connectivity) adalah dimensi, SC2D (Subspace Klastering withhubungan simetris (Gambar 4b), dimana titik p Dimensional Density) menempatkan objek keadalah densitas terhubung ke titik q, titik o adalah dalam klaster yang sama jika mereka memilikisebagai pusat dari titik p dan titik q. kepadatan dimensi yang sama (Huang, et.al.). Kelompok akan terpisah satu sama lain jika ada lebih dari satu klaster dalam subruang yang sama. Dalam langkah ini, dan sebagai parameter masukan. Hasil kerapatan dimensi digunakan untuk mengetahui subruang dari klaster. Algoritma DBSCAN digunakan untuk mengukur Secara intuitif, klaster didefinisikan sebagai kerapatan klaster dimensi. PreDeCon menggunakansatu set kepadatan yang terhubung secara maksimal. untuk mewakili hasil klastering,Noise (outlier) didefinisikan sebagai bagian yang dan menghitung validasi subruang.tidak termasuk relatif dalam himpunan klaster. Sementara divalidasi sebagai subruang, kelompok objek akan masuk dalam klaster yang3-56 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 sama jika mereka berada dalam subruang yang untuk memangkas subruang. Algoritma dimulaisama. Jelas bahwa dua atau lebih kelompok yang dengan menghasilkan klaster 1-dimensi, untukberbeda mungkin ada dalam subruang yang sama, setiap klaster terdeteksi akan dicek apakah klastersehingga perlu untuk menghitung kekompakan ini menjadi bagian dari subruang dimensi yangintra-klaster klaster, yang dapat dihitung dengan lebih tinggi.persamaan Scat(i) berikut: Untuk setiap k-dimensi subruang , cari semua k-dimensi subruang lainnya memiliki (k-1) atribut yang sama dan bergabung dengan mereka untuk menghasilkan (k +1)-dimensi subruang calon. Himpunan (k +1)-dimensi subruang Scat(i) didasarkan pada jarak Euclidean yang calon dinotasikan dengan . Untuk masing-merupakan jumlah dari perbedaan antara obyek dan masing kandidat subruangpusat-pusat klaster. Perbedaan-perbedaan ini masing-masing berisi k-dimensi subruang TS (jTj =dihitung dalam subruang karena jarak dimensi k), dengan pemangkasan calon ini setidaknya satupenuh pada tinggi-dimensi dataset tidak efektif. k-dimensi subruang tidak termasuk dalam Sk. Hal ini Jika Scat(i) Si lebih besar dari ambang batas akan mengurangi jumlah (k +1)-dimensi subruangyang diberikan yakni β, ini menunjukkan bahwa ada calon.lebih dari satu klaster di subruang yang sama. SC2D (Subspace Klastering with DimensionalSehingga perlu untuk memisahkan mereka dengan Density) menempatkan objek ke dalam klaster yangmenerapkan DBSCAN pada c dalam subruang sama jika mereka memiliki dimensi kepadatantersebut. Jika Scat(i) kurang dari β, maka Scat(i) serupa 0. Kemudian memisahkan kelompok jikaadalah hasil akhir yang kita inginkan. Kami ada lebih dari satu klaster dalam subruang yangmenggunakan set untuk sama. Algoritma menghitung kepadatan mulai darimewakili hasil akhir dari algoritma. dimensi objek masing-masing, DBSCAN juga Algoritma lain adalah subruang kepadatan digunakan untuk kerapatan klaster dimensi, danberbasis subruang EDSC (Efficient Density-based dengan pengelompokan akan diketahui hasil yangSubspace Klastering) mengusulkan deteksi efisien memiliki dimensi kepadatan serupa. Dapat jugalossless kepadatan berbasis klaster subruang [7]. terjadi dua atau lebih kelompok yang berbedaAlgoritma EDSC mengurangi biaya komputasi mungkin ada dalam subruang yang sama, untuk iniyang tinggi, hypercube mengurangi jumlah scan akan dicek kekompakan intra-klaster klaster.database untuk perhitungan kepadatan dan, melaluimonotonisitas, yang memungkinkan untukpemangkasan efektif di banyak sub-ruang yang 4. Pembahasantidak relevan. Selanjutnya, filter kepadatan Pertama perlu difahami masalah datasubruang, langkah ini memberikan pemangkasan multidimensi, dimisalkantambahan berdasarkan monotonisitas kepadatan adalah himpunan berhingga,data. Kedua langkah menyaring secara signifikan adalah ruang n-dimensi numerik . Kami akanmengurangi jumlah calon subruang tanpa mengacu pada sebagai dimensi (atribut)kehilangan keaslian data. Pada langkah dari S.penyempurnaan akhir, bias pada kepadatan berbasissub-ruang hasil klastering dapat dideteksi. Langkahperbaikan akhir memastikan bahwa kepadatan ,klaster berbasis subruang akan ditemukan. Langkahalgoritma EDSC ditunjukkan pada Gambar 6dibawah ini: Masukan terdiri dari satu set n-dimensi poin mana . Komponen jth dari vi diambil dari domain Aj. Akan dipartisi ruang S menjadi rectanguler yang tidak tumpang tindih. Unit diperoleh dengan partisi setiap dimensi ke dalam interval ξ panjang yang sama, SUBCLU (density connected SUBspace dimana ξ adalah parameter masukan.Klastering) menggunakan konsep bottom-updengan memanfaatkan kepadatan-konektivitas darialgoritma DBSCAN [8]. Algoritma inimenggunakan deteksi kluster yang berubah-ubah,monotonisitas kepadatan-konektivitas digunakan Data Maning dan Database System 3-57
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Jika unit u adalah interseksi dari satu intervaldari setiap atribut. Sebuah unit u unit memilikibentuk dimana adalahinterval terbuka di partisi Ai. Kita katakan bahwatitik yang terkandung dalam satuan jika untuk semua u.Selektivitas unit didefinisikan sebagai fraksi titiktotal data yang terkandung dalam unit data. Kitasebut satuan u rapat apabila selektivitas (u) lebihbesar dari τ, dimana ambang batas kepadatan τmerupakan parameter masukan. Semua unit di subruang dari ruang n-dimensiasli merupakan proyeksi kumpulan data V ke dimana k<d dan ti<tj jika i<j.Sebuah unit dalam subruang adalah perpotonganinterval dari masing-masing atribut k. Sebuah klaster adalah himpunan unit Gambar 7. Aliran usulan algoritmamaksimum terhubung dalam k-dimensi. Dua k-dimensi unit u1, u2 adalah tersambung Detail pseudocode dari usulan algoritmajika mereka memiliki bentuk sama atau ada unit tersebut seperti terlihat pada Gambar 8.lain k-dimensi u3 sehingga u1 terhubung ke u3 dan Input datasets S,u2 terhubung ke u3. Unitdan memiliki bentuk yang sama Output Klaster result Cjika memiliki k-1 dimensi, /*Step-1: Hitung DiDen*/diasumsikan , seperti juga Begin Hitung kerapatan dimensi dengan DiDen atau , untuk . Dalam riset ini diadopsi fungsi Dimensional /*Step-2: Cari klaster awal dengan DBSCAN */Density (DiDen), yang digagas oleh Huang et.al., Setdimana WHILE /*Step-3: Menghasilkan (k+1) calon klaster subspace */ FOR each DO FOR each DO Setelah hasil DiDen ditemukan, selanjutnya IFDBSCAN digunakan mengidentifikasiklaster awal. Eksponensial digunakan THENmenentukan bobot masing-masing insert into CandSk+1;dimensi untuk setiap klaster, metode ini telah ENDIFdigunakan dalam klastering subruang, juga END FORtelah divalidasi pada klaster data berdimensi tinggi. END FORGambar 7 di bawah ini menunjukkan alur kerja dari /*Step-4: Buang candidate subspace yang tidak relevan*/algoritma. Ada enam langkah utamauntuk algoritma: FOR each DO FOR EACH DO IF THEN delete cand from END IF END FOR END FOR /*Step-5: Uji klaster kandidat & hasilkan (k+1) dimensi klaster subruang*/ FOR EACH DO FOR EACH klaster DO3-58 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  IF THEN References ; ; [1] Parson, Lance, Ehtesham Haque, Huan Liu, END IF “Subspace Klastering for High Dimensional END FOR END FOR Data: A Review”, ACM SIGKDD k:=k+1 Explorations Newsletter, Volume 6, 2006,END WHILE p.90–105 [2] Agrawal, Rakesh, Johannes Gehrke, Dimitrios Gambar 8. Pseudocode usulan algoritma Gunopulos, Prabhakar Raghavan, “Automatic Subspace Klastering of High Dimensional5. Kesimpulan Data for Data”, IBM Almaden Research Center, 1998, Jarak antara objek dalam dataset berdimensi [3] Bicici, Ergun, Deniz Yuret, “Local Scaledtinggi umumnya cenderung serupa satu sama lain, Density Based Klastering”, ICANNGA, 2007,oleh karena itu metode subruang ideal digunakan pp.739-748untuk mendeteksi kluster. Algoritma SC2D [4] Ester, Martin, Hans-Peter Kriegel, Jörgdigunakan untuk menghitung kerapatan dimensi, Sander, Xiaowei Xu, “A Density-Basedsementara algoritma DBSCAN digunakan untuk Algorithm for Discovering Klasters”, 2ndmenentukan klaster berdasarkan kepadatan koneksi. International Conference on KnowledgeSUBCLU dapat digunakan mendeteksi kluster yang Discovery and Data Mining (KDD-96), 1996berubah-ubah, dimana monotonisitas kepadatan- [5] Agrawal, Rakesh, Johannes Gehrke,konektivitas digunakan untuk memangkas “Automatic Subspace Klastering of Highsubruang. Kemudian digabungkan dengan Dimensional Data”, Data Mining andalgoritma SUBCLU yang dapat menghasilkan Knowledge Discovery, 2005, pp.5-33subruang dimensi dan terakhir menentukan klaster [6] Boehm, C., K. Kailing, H.-P. Kriegel, P.subruang. Kroeger: “Density Connected Klastering with Local Subspace Preferences”, Proceeding 4th IEEE Int. Conf. on Data Mining (ICDM04), Brighton, UK, 2004 [7] Assent, Ira, Ralph Krieger, Emmanuel Müller Thomas Seidl, “EDSC: Efficient Density- Based Subspace Klastering”, CIKM’08 Napa Valley, California, USA. 2008, 1093-1102 [8] Karin Kailing Hans-Peter Kriegel Peer Kroger, “Density-Connected Subspace Klastering for High-Dimensional Data”, SIAM Conference Data Mining, 2004, pp. 246-257 [9] Huang, Wangfei, Lifei Chen, Qingshan Jiang, “A Novel Subspace Klastering Algorithm with Dimensional Density”, IEEE, 2010, pp. 71-75 Data Maning dan Database System 3-59
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-60 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Studi Kajian Web Usage Mining Berbasis Open Source Rafiqa Dewi1, Suhada1, Saifullah1, Rahmat Widia Sembiring2 1 AMIK Tunas Bangsa Pematangsiantar 2 Manajemen Informatika, Politeknik Negeri Medan Abstract Untuk menemukan data dari web dengan cara yang cepat dapat dimanfaatkan web data mining. Namun dengan pertumbuhan web yang sangat Dengan web data mining dapat dieksplorasi datacepat mengakibatkan akses sumber informasi di yang diperlukan dengan waktu yang relatif lebihdunia menjadi begitu luas pula , sehingga singkat. Namun dengan pertumbuhan web yangdiperlukan cara yang cepat untuk mendapatkan sangat cepat mengakibatkan akses sumberinformasi yang tepat. Web mining yang informasi di dunia menjadi begitu luas pula, hal inidiklasifikasikan atas web content mining, web yang menjadikan mining informasi danstructure mining dan web usage mining dapat pengetahuan yang berguna menjadi tantangan untukdigunakan untuk mencari data dengan cepat. dijadikan riset.Strategi utama impelementasi web usage miningadalah mengurangi customer cost dan menjadikanfungsi pemanggilan modul. Algoritma LUI dapat 2. Web Data Miningdigunakan sebagai web usage mining berbasis open Ada beberapa karakteristik tentang pentingnyasource. data mining pada web [0], yakni: a. Jumlah data/informasi pada web sangat besar1. Introduction dan terus bertumbuh b. Jenis data atau informasi pada web sangat Implementasi web tidak mungkin tanpa bervariasi dan berbedainternet, yang menyediakan jaringan komunikasi c. Karena kepemilikan website berbeda sangatuntuk fungsi web. Dengan internet dimungkinkan mungkin terjadi ada halaman yang terdapat padamelakukan akses universal terhadap informasi yang banyak websitebersifat hypermedia. World wide web (www) d. Jumlah informasi yang saling terhubungdijadikan sebagai pintu masuk akses informasi dibeberapa website juga sangat besartersebut. Dalam www selalu diimplementasikan e. Data pada web juga cenderung noisy, hal inimodel client-server, pengguna disebut sebagai dapat dikarenakan tidak adanya pengawasanclient yang terhubung ke remote machine, yang terhadap kualitas isi website.selanjutnya disebut sebagai server, yang f. Website cenderung dinamis, sehingga selalumenyimpan data dalam jumlah besar. berubah Data yang tersimpan dalam server dapat g. Website juga dapat berupa virtual society, yangdiklasifikasikan sebagai data yang dapat diakses berisikan interaksi banyak pengguna.untuk dilihat saja, selain data yang juga bisa Karakteristik tersebut menjadikan web datadiupdate oleh pengguna yang mempunyai hak, yang mining menjadi tantangan sekaligus menjadiselanjutnya disebut sebagai web admin. peluang untuk diteliti. Jika pengguna internet ingin mendapatkan Web mining memiliki klasifikasi sbb [0]:data yang diperlukan dari server maka akan merekaakan menggunakan fasilitas search engine. Denganmemasukkan kata kunci (keyword) tertentu makasearch engine akan mencari dan menemukaninformasi yang berkaitan, dapat berupa website,file, citra (image) atau bentuk data lainnya.Sementara itu untuk mengeksplorasi data dari webtidak jarang kita memerlukan waktu yang panjangsehingga kita menemukan data yang sebenarnyakita perlukan. Gambar 1. Klasifikasi Web Mining Data Maning dan Database System 3-61
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Dari Gambar 1 diatas dapat dilihat bahwa web a. Menemukenali sumber data (resourcemining [0] terdiri dari mining isi web (web content discovery)mining), mining struktur web (web structure b. Pemilihan informasi dan pra-prosesmining) dan mining pengguna web (web usage (information selection and pre-processing)mining). c. Mencari pola umum dari satu website maupun Mining isi web pada umumnya adalah antar website (generalization)mengeksplorasi isi web, hal ini dimungkinkan d. Validasi dan interpretasi pola hasil miningkarena banyak halaman web yang bersifat terbuka (analysis)(open access). Target knowledge discovery adalah e. Menampilkan hasil analisa secara interaktifdokumen teks, dan juga dokumen multimedia. sehingga mudah difahami (visualization)Mining isi web dapat diklasifikasikan pada duapendekatan, yakni pendekatan berdasar agen (the 3. Web Mining Open Sourceagent based approach) dan pendekatan berdasardatabase (database approach) [0]. 3.1 DEiXTo Pendekatan berdasar agen bertujuan DEiXTo (or ∆EiXTo) adalah aplikasi berbasismeningkatkan informasi yang ditemukan, web yang dapat digunakan mengekstraksi data [0],melakukan penyaringan (filtering), dan hasilnya tool berdasarkan W3C Document Object Modeldibagi atas tiga kategori, yakni [0]: (DOM). Gambar 2 memperlihatkan tampilana. Intelligent Search Agent, yakni dengan mencari DeiXTo. informasi yang relevan, menggunakan karakteristik dan domain penggunab. Information Filtering, yakni dengan menggunakan teknik pemanggilan informasi (information retrieval) secara otomatis, menyaringnya dan mengakgorisasikan hasilnyac. Personalized Web Agent, yakni memanfaatkan preferensi pengguna maupun pengguna lainnya yang memiliki ketertarikan yang sama, kemudian menemukan informasi yang diperlukan. Pendekatan berdasar database bertujuanmemodelkan data dari web ke dalam bentuk Gambar 2. Aplikasi DEiXToterstruktur, sehingga dapat mengaplikasikan querydatabase dan mengaplikasikan data mining. Dengan aplikasi DEiXTo memungkinkan Mining struktur web dilakukan untuk pengguna untuk membuat akurasi tinggi aturanmerepresentasikan struktur informasi yang ekstraksi (extraction rules). DEiXTo terdiri dariditampilkan, termasuk hubungan antara halaman tiga komponen sistem, yaitu:pada web yang sama, ataupun dengan web yang a. GUI DEiXTo, sebagai aplikasi berbasislain. Windows , dengan implementasi ramah Mining pengguna web ditujukan untuk melihat pengguna yang digunakan untuk mengelolapola keterhubungan antara pengguna. Dalam extraction rules, seperti membangun, menguji,beberapa tahun terakhir tantangan utama dalam riset meningkatkan akurasi, menyimpan danmining pengguna adalah [0]: memodifikasi.a. Pra-proses (pre-processing), ini perlu dilakukan b. DEiXToBot, dengan mengimplementasikan Perl karena data cenderung noise (mengandung data digunakan untuk menciptakan pola dari hasil yang tidak diperlukan). Dalam hal ini yang GUI DEiXTo. Aplikasi ini seperti solusi tailor- dilakukan adalah pembersihan data, inegrasi, made. transformasi dan reduksi data. c. Command Line Executor, adalah aplikasi stand-b. Menemukan pola (pattern discovery), beberapa alone, sebagai utilitas yang dapat digunakan metode statistik, algoritma data mining dan mengekstraksi rule secara massif. teknik pengenalan pola dapat digunakan.c. Analisa pola (pattern analysis), digunakan agar 3.2 Mozenda pola yang ada dapat difahami melalui visualisasi Mozenda adalah aplikasi data mining berbasis maupun interpretasi data. web, digunakan untuk tujuan membuat perencanaan Pada web mining ada beberapa sub tasks yang [0], tugas perencanaan. Dengan aplikasi ini dapatdilakukan [0], yaitu: disusun perencanaan pemasaran dan perencanaan3-62 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 penjualan. Dengan informasi yang dihasilkan dapat 3.3 RapidMinermemperkirakan apa yang akan dilakukan pesaing.Gambar 3 memperlihatkan tampilan antarmuka RapidMiner adalah salah satu aplikasi openaplikasi Mozenda. source data mining yang sangat populer [0]. Ada terdapat 400 modul atau operator, termasuk software dengan fitur yang lengkap. Gambar 4 memperlihatkan antarmuka aplikasi RapidMiner. Gambar 3. Aplikasi Mozenda Mozenda memiliki beberapa fitur sebagaiberikut: Gambar 4. Aplikasi RapidMinera. Ekstraksi Data Dengan mengekstrak data memungkinkan RapidMiner mendukung semua tahapan data pengguna mendapat informasi yang strategis, mining, seperti memanggil file data, pra-proses, yakni mencakup mendapat informasi dari visualisasi data, desain dan inspeski yang interaktif, pemerintah, merangkum data statistik dari otomasi permodelan, pengaturan parameter dan rencana bisnis, serta mengumpulkan data untuk fitur lainnya. Dengan RapidMiner juga dapat tujuan yang legal. dilakukan fungsi web mining.b. Screen Scrapping Screen scraper Mozenda digunakan untuk 4. Hasil dan Pembahasan mengumpulkan data yang vital dari sejumlah halaman web yang telah diakses. Jika telah Algoritma web mining dapat diklasifikasikan dikumpulkan akan mudah mengelola data seperti klasifikasi web mining, yakni terdiri dari tersebut ke dalam format yang sesuai, seperti web content mining, web structure mining dan web database, spreadsheets, dan lainnya. Dengan usage mining. Beberapa algoritma yang dikenal Mozenda screen scrapers akan mudah adalah association rule mining, neares neighbour memanggil ulang sejumlah website karena telah classifier, decision tree, bayesian classifier, neural dimasukkan ke dalam sebuah database. network classifier, the k-Medan algorithm, danc. Web Harvesting yang lainnya [0]. Istilah memanen (harvesting) digunakan untuk Strategi utama impelemntasi web usage menangkap (capture) data yang diperlukan, mining adalah mengurangi customer cost dan dengan sekumpulan points, clicks, dan menjadikan fungsi pemanggilan modul dari website highlights, akan mudah untuk menangkap data dapat dilakukan dengan optimal [0]. Untuk dan menyimpannya dalam format Excel, CSV, mencapai hal ini dapat dilakukan dengan ataupun XML. mengembangkan algoritma dengan blok sbb:d. Web Crawling a. Mengumpulkan informasi pengguna Mesin pencari (seperti Firefox, Google, Yahoo, b. Mengembangkan struktur topologi website dan lainnya), melakukan pekerjaan yang c. Mengembangkan matriks konjungsi dari menakjubkan, yang mampu menyediakan kunjungan pengguna terhadap halaman website berbagai informasi yang diperlukan. Dengan Dengan blok algoritma seperti ini diharapkan metode crawl, Mozenda juga mampu dapat dicatat waktu dan kebiasaan kunjungan dari mengumpulkan informasi yang sudah pengguna. ditemukan dan dapat dipanggil kembali di Untuk mencapai hal tersebut langkah taktis waktu mendatang. Dengan Mozenda Web Agent yang perlu dilakukan adalah menemukenali Builder semua instruksi dapat dinavigasi dan halaman website yang penting, menemukan disimpan. pengunjung yang diidenstifikasi sebagai pengunjung utama, menemukan informasi yang menjadi ketertarikan pengunjung. Data Maning dan Database System 3-63
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  kembali centorid dari kluster SCLk sebagai Cid k = 1/ Ck Σ j∈Ck S j ; Jika tidak, tentukan s’i sendiri sebagai klaster baru dan centroid dari kluster ini. Step 4: Ulangi step 2 sampai 4 sampai semua sesi diproses dan semua all centroids tidak ada diperbaharui lagi. Algoritma-2-Membentuk profil pengguna dengan LUI Input: Set sesi klaster pengguna sebagai SCL = {SCLk} Output: Set profil pengguna sebagai SCL = {SCLk} Step 1: Untuk masing-masing sesi di kluster SCLk, dihitung nilai mean weight value dari halaman dengan Gambar 5. Prosedur Web Usage Mining wτ ( p , SCLk ) = 1 / SCLk Σ w( p , s ) s∈SCLk Gambar 5 memperlihatkan prosedur web dimana w(p, s) adalah weight of page p dalam sesi w(p, s), dan |SCLk| ditentukan sebagaiusage mining [0]. Dari gambar tersebut dapat kita cluster SCLk.lihat bahwa proses web usage mining terdiri dari 3 Step 2: Untuk sestiap klaster, selanjutnya dihitungtahapan utama, yakni pra-proses, mining dan mean vector (yaitu centroid) sebagaianalisa. Beberapa hal penting yang perlu dilakukan mvτ = {< p , wτ ( p , SCLk ) > p ∈ P}dalam pra-proses adalah memastikan bahwa data Step 3: Untuk setiap halamn dari klaster, jika nilaiyang akan diproses telah diidentifikasi dan sesuai lebih rendah dari threshold µ, halamndengan tujuan mining data yang akan dilakukan. koresponden akan difilter, jika tidak agar Dalam proses mining dapat dipilih metode dibiarkan saja. Step 4: Urukan halaman dengan dasar weights secarayang diperlukan, apakah association rule, descending order dan output dari mean vectorpengenalan pola, klasifikasi, dan proses klaster, sebagai profil pengguna dengan .ataupun dapat dilakukan dengan kombinasi dari dua upk = {< p1k , wτ ( p1k , SCLk ) >,..., <atau tiga metode yang diperlukan. p 2k , wτ ( p 2k , SCLk ) >, ..., < pτ k , wτ ( pτ k , SCLk )} Memperhatikan bahwa mengenali pengguna dimana wt(p1k,SCLk) > wt(p2k,SCLk) > ...>adalah aspek penting dalam web usage mining, wt(ptk,SCLk)>µ.maka riset ini fokus pada algoritma pengenalan web Step 5: Ulangi step 1 sampai 4 sampai semua sesidengan mengembangkan klastering. klaster sesi diproses, dan hasilkan profile pengguna. Salah satu model klastering yang cukupterkenal adalah Latent Usage Information (LUI).LUI algoritma untuk klaster web berdasarkan Gambar 6. Rincian Algoritma LUIklaster semantik [0]. Algoritma ini terdiri dari duatahapan, yakni diawali dengan algoritma clustering, 5. Kesimpulandimana klaster awal dikonversi menjadi kelompok.Langkah berikutnya adalah algoritma menghasilkan Untuk menemukan data dari web dengan carasatu set profil pengguna, yakni dengan yang cepat dapat dimanfaatkan web data mining.menghubungkan centroid dari klaster. Berikut Web mining diklasifikasikan atas web contentadalah rincian algoritma tersebut (Gambar 6.). mining, web structure mining dan web usage mining. Strategi utama impelemntasi web usageAlgoritma-1-Menentukan klaster mining adalah mengurangi customer cost dan Input: Konversi matriks usage SP dan similarity menjadikan fungsi pemanggilan modul. Algoritma threshold ε LUI dapat digunakan sebagai web usage mining. Output: Set sesi klaster pengguna sebagai SCL={SCLi} Ada beberapa aplikasi web mining yang berbasis dan centroids koresponden sebagai Cid ={Cidi} Step 1: Pilih sesi pengguna pertama s’i sebagai klaster open source, yaitu DEiXTo, Mozenda dan awal SCL1 dan centroid klaster, yaitu SCL1 = RapidMiner. {si} dan Cidk1 = s’i. Step 2: Untuk setiap sesi s’i, hitung kemiripan antara s’i dan centroid dengan klaster yang lain sebagai sim(s’i,Cidj). Step 3: jika sim(s’i,Cidk) = maxj (sim(s’i,Cidj)) > ε , alokasikan s’i ke dalam SCLk dan hitung3-64 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Referensi[1] Liu, Bing, “Web Data Mining”, Springer- Verlag, Berlin, 2007[2] Sharma, Kavita, Gulshan Shrivastara, Vikas Kumar, “Web Mining : Today and Tomoorow”, IEEE, 2011, pp. 399-403[3] Boddu, Sekhar Babu, V.P. Krishna Anne, Rajasekhara Rao Kurra, Durgesh Kumar Mishra, “Knowledge Discovery and Retrieval on World Wide Web Using Web Structure Mining”, Fourth Asia Conference on Mathematical/Analytical Modelling and Computer Simulation, IEEE, 2010, pp. 532- 537[4] Cooley, R, B. Mobasher, J. Srivastara, “Web Mining : Information and Pattern Discovery on the World Wide Web”, IEEE, 1997, pp. 558-567[5] Singh, Brijendra, Hemant Kumar Singh, “Web Data Mining Research : A Survey”, IEEE, 2010[7] www.deixto.com[8] www.mozenda.com[9] www.rapidminer.com[10] Xu, Guandong, Yanchun Zhang, Lin Li, “Web Mining and Social Networking”, Springer, New York, 2010[11] Bai, Shuyan, Qingtian Han, Qiming Liu, Xiaoyan Gao, “Research of an Algorithm Based on Web Usage Mining”, IEEE, 2009, pp. 1-4[12] Huiying, Zhang, Liang Wei, “An Intelligent Algorithm of Data Pre-Processing in Web Usage Mining”, Proceeding of the 5th World Congress on Intelligent Control and Automation, June 15-19, 2004, IEEE, pp. 3119-3123 Data Maning dan Database System 3-65
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-66 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Aplikasi E-CRM Membangun Hubungan Pelanggan Siswono Jurusan Sistem Informasi, School of Information Systems, Universitas Bina Nusantara sisbinus@yahoo.com; siswono@binus.edu Abstrak Dalam memaksimalkan usaha meningkatkan jumlah pelanggannya dapat diterapkan strategi CRM (Customer Relationship Management) CRM yang dikombinasikan dengan teknologiadalah strategi bisnis yang dirancang untuk internet (biasa disebut e-CRM). E-CRM merupakanmengoptimalkan keuntungan, pendapatan dan suatu sistem berbasis internet yang menghubungkankepuasan konsumen dengan cara perusahaan dengan pelanggannya gunamengorganisasikan perusahaan di antara segmen meningkatkan kualitas layanan yang diberikanpasar, mengetahui perilaku kepuasan pelanggan untuk menciptakan loyalitas pelanggan sertadan membuat hubungan dari pelanggan sampai menarik pelanggan baru.pemasok. Keunggulan CRM adalah memperluaspasar dengan cara mempertahankan pelangganyang sudah ada, meningkatkan penjualan ke 2. Literature Reviewpelanggan melalui up-selling dan cross-selling dan 2.1 Pengertian CRM dan e-CRMmenjadikan CRM sebagai sarana promosi sehinggaperusahaan dapat memperoleh pelanggan baru. Menurut Malthouse dan Calder (2005, p152),Kemajuan teknologi internet telah membuka CRM mencakup setiap antarmuka antara pelangganpeluang untuk memanfaatkan keunggulan internet dan perusahaan. CRM adalah himpunan seluruhuntuk diintegrasikan dengan CRM, biasa disebut e- interaksi atau kontak dengan konsumen, baik yangCRM. diprakarsai oleh perusahaan atau dengan konsumen Cook (2008, p28) menyatakan bahwa sistemKata kunci : CRM, E-CRM, Customer Relationship CRM menawarkan kesempatan organisasi untukManagement mengelola hubungan mereka dengan pelanggan. Prinsip dari CRM adalah jika perusahaan memiliki1. Pendahuluan informasi lebih jauh tentang pelanggan, maka semakin baik. Seperti dikutip oleh Cook menurut Internet yang ditemukan oleh Leonard Profesor Adrian Payne dari Cranfield University,Kleinrock pada tahun 1969, telah berkembang pesat CRM adalah proses strategis untukhingga saat ini dan telah memberikan kemudahan mengidentifikasi segmen apa yang diinginkanuntuk menyelesaikan berbagai kegiatan keseharian pelanggan, mikro-segmen atau pelanggan individuperusahaan maupun individu. Internet telah atas dasar one-to-one dan mengembangkanmempersingkat jarak antara produsen dan program-program terpadu yang memaksimalkankonsumen, hubungan antara keduanya menjadi nilai bagi pelanggan dan nilai seumur hiduplebih dekat, dengan fungsi internet sebagai alat pelanggan untuk organisasi melalui akuisisiuntuk berkomunikasi dan saling menghubungkan sasaran pelanggan, meningkatkan keuntungankedua belah pihak, sehingga tidak lagi merasakan kegiatan dan retensi.jarak yang jauh meskipun mereka berada dalam Menurut Kotorov (2002, p220), seperti semuanegara yang berbeda. teknologi baru, teknologi yang berhubungan dengan Perusahaan menyadari bahwa internet memberi CRM, seperti portal hubungan pelanggan, datakemudahan dalam menjalin kerjasama dengan mining, call center cerdas, dll, menjanjikanpelanggan dan target untuk meningkatkan jumlah perubahan besar. Perubahan besar terjadi ketika adapelanggan secara terus-menerus serta meningkatkan perubahan paradigma, yaitu dalam cara melakukanloyalitas pelanggan yang merupakan asset terbesar sesuatu. Ada banyak definisi dari CRM yangperusahaan. Dalam usaha untuk peningkatan jumlah menambah kebingungan tentang bagaimanapelanggan ini, perusahaan harus mengetahui apa sebenarnya CRM akan mengubah apa yang kitasaja harapan (ekspektasi) dan keinginan pelanggan lakukan (Ernst & Young 1999). Namun perubahansehingga pada akhirnya pelanggan menjadi loyal tersebut tidak konseptual (Peppard, 2000). Konsepkepada perusahaan. Data Maning dan Database System 3-67
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 pelayanan pelanggan dan manajemen hubungan Teknologi memungkinkan untuk mengirim emailadalah sama tuanya dengan konsep pasar. sebanyak mungkin dengan biaya lebih rendah Turban et al. (2008, p607) mengatakan e-CRM dan juga menyediakan halaman web untuk grupmerupakan sebuah manajemen hubungan pelanggan yang lebih kecil dari pelanggan (mikro-segmen).yang diadakan secara elektronik. Dengan 3. Meningkatkan, kedalaman, keluasan, dan sifatmenggunakan teknologi internet, data mengenai hubungan.pelanggan dapat dengan mudah diintegrasikan Sifat dari media internet memungkinkandengan pemasaran, penjualan, analisis dan aplikasi informasi lebih lanjut yang akan diberikanlayanan pelanggan. Sekarang ini dunia dihubungkan kepada pelanggan jika dibutuhkan.oleh internet, e-CRM telah menjadi suatu 4. Hubungan pembelajaran dapat dicapai dengankebutuhan untuk bertahan, selain sebagai menggunakan alat yang berbeda di seluruhkeunggulan kompetitif. siklus hidup pelanggan. Sedangkan menurut David (2010, p486), e- Alat-alat ini adalah semacam fasilitasCRM adalah memanfaatkan teknologi komunikasi pembelajaran online tentang apa yangdigital untuk memaksimalkan penjualan untuk dibutuhkan pelanggan.pelanggan yang ada dan terus mendorong 5. Biaya menjadi lebih rendah.penggunaan layanan online. Menghubungi pelanggan via email atau dengan membuka halaman web dapat mengurangi biaya2.2 Tujuan dan Manfaat CRM daripada menggunakan surat dalam bentuk fisik, tetapi mungkin yang lebih penting, informasi Tujuan utama CRM sudah jelas yaitu usaha hanya perlu untuk dikirim ke pelanggan-untuk memperoleh dan mempertahankan pelanggan yang telah mengungkapkan preferensipelanggan, (Turban et al., 2005, p262). untuk itu, sehingga sedikit mail-outs (suratKalakota dan Robinson (2001, p173) menyebutkan keluar).tujuan-tujuan dari kerangka kerja CRM yaitu :• Menggunakan hubungan yang telah ada untuk 2.3 Fase CRM meningkatkan pendapatan.• Menggunakan informasi yang terintegrasi untuk Kalakota dan Robinson (2001, p174-175) layanan yang unggul. menyebutkan ada tiga fase dari CRM yaitu :• Mengajukan proses dan prosedur penjualan yang 1. Acquiring New Customers lebih konsisten dan dapat berulang. Mendapatkan pelanggan baru dilakukan dengan Sedangkan manfaat utama dari CRM menurut kepemimpinan produk/jasa yang mendorongTurban et al. (2008, p608) adalah ketersediaan batasan kinerja mengenai kenyamanan danpemeliharaan pelanggan yang superior melalui inovasi. Nilai yang diusulkan buat pelangganpenggunaan internet dan teknologi informasi. CRM adalah penawaran produk yang superior denganmembuat pelanggan senang, dengan menyediakan ditopang oleh layanan yang unggul.pilihan produk dan jasa, respon, dan resolusi 2. Enhancing the profitability of existingmasalah yang cepat, serta akses informasi yang customers.cepat dan mudah. Perusahaan mencoba untuk Meningkatkan profitabilitas pelanggan ataumemperoleh keunggulan kompetitif terhadap hubungan yang telah ada dapat dilakukankompetitor mereka dengan menyediakan CRM dengan cara mendorong keunggulan dalamyang lebih baik. cross-selling dan up-selling, hal ini menambah Menurut David (2010, p487), manfaat-manfaat kedalaman hubungan. Nilai yang diusulkan buatdari e-CRM yaitu : pelanggan adalah penawaran kenyamanan yang1. Menargetkan biaya menjadi lebih efektif. lebih baik dengan biaya yang rendah. Internet memiliki keuntungan bahwa list dari 3. Retaining profitable customers for life. contacts adalah self-selecting (memilih sendiri) Mempertahankan hubungan pelanggan untuk atau pre-qualified (pra-kualifikasi). Perusahaan selamanya. Penyimpanan informasi pelanggan hanya akan bertujuan untuk membangun berfokus pada kemampuan beradaptasi dalam hubungan dengan mereka yang telah pelayanan, mengirimkan apa yang diinginkan mengunjungi situs web dan menyatakan minat pelanggan. Sekarang, lebih banyak perusahaan pada produk dengan mendaftarkan nama dan yang berfokus pada strategi mempertahankan alamat. Tindakan mengunjungi situs web dan pelanggan daripada menarik pelanggan baru. browsing menunjukkan target pelanggan. Alasan dibalik strategi ini sebenarnya sederhana2. Mencapai banyak kustomisasi dari pesan : If you want to make money, hold onto your pemasaran (dan mungkin produk). good customers.3-68 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Gambar 1. Fase CRM (sumber Kalakota dan Secara tradisional, sistem CRM menggunakan Robinson (2001, p175)) klien / server teknologi di mana semua program dan aplikasi yang dijalankan pada satu atau lebih server2.4 Perbedaan CRM dan e-CRM terpusat. Sistem antarmuka operasi front-end Chandra dan Strickland (2004, p410) dengan operasi backend melalui sistem ERPmenjelaskan bahwa pada tahun 1990-an merupakan tradisional. Sistem ini tidak menggunakanperiode pertumbuhan yang luar biasa dari sebuah datawarehouse atau data mart. Sistem ERPkelas perangkat lunak yang disebut ERP (Enterprise bertindak sebagai repositori data dan menangkapResource Planning). Sistem ERP merupakan data dari front-end dan back-end operasi. Touchsebuah sistem yang banyak digunakan untuk points’ pelanggan adalah toko ritel dan layananoperasi back-end sehingga sistem di seluruh pelanggan dan support centers, misalnya, kontakperusahaan terintegrasi, membuat informasi di pribadi melalui outlet ritel, telepon, dan fax.seluruh perusahaan yang tersedia lebih mudah. Dengan eCRM, antarmuka antara front-endSampai saat ini, perusahaan mengembangkan dan back-end operasi tidak hanya melalui ERP,sejumlah aplikasi khusus server, masing-masing tetapi juga menggunakan datawarehouse dan datadidedikasikan untuk mengerjakan fungsi tertentu. mart. Datawarehouse adalah kumpulan dariDengan sistem ERP, sebuah perusahaan mampu informasi, yang dikumpulkan dari beberapamenangkap data dalam satu tempat dan database operasional, digunakan untuk membuatmengintegrasikan dengan mudah berbagai business intelligence dalam mendukung kegiatandepartemen dan proses. Meskipun sistem ERP bisnis dan pengambilan keputusan. Datawarehousesangat membantu dalam mengelola operasi "back- adalah database multidimensi. Lapisan dalamend", mereka tidak dirancang untuk menangkap sebuah datawarehouse mewakili informasi sesuaidata dan mendukung kompleksitas pemasaran. Di dengan dimensi yang berbeda. Sebuah data martsisi lain, sistem CRM secara khusus dikembangkan adalah subset dari data warehouse di mana hanyauntuk Aplikasi ’front-end dan dengan cepat sebagian terfokus informasi datawarehousediadopsi. Idealnya, CRM memungkinkan sebuah disimpan (4). ’Touch points’ pelanggan di eCRMperusahaan untuk menyesuaikan produk dan diperluas untuk memasukkan Internet danlayanan untuk preferensi setiap pelanggan. perangkat nirkabel, yang mendukung teknologi Chandra dan Strickland (p410-411) mobile dan PDA.mengatakan bahwa perbedaan antara CRM dan Tabel 1 memperlihatkan perbedaan dari duaeCRM sangat tipis, tapi penting. Mereka teknologi tersebut.berkonsentrasi pada teknologi yang mendasari dan Tabel 1 Perbedaan Teknologi antaraantarmuka dengan pengguna dan sistem lain. CRM dan e-CRMSebagai contoh, sistem eCRM banyak menyediakan Kriteria CRM e-CRM Kontak Kontak pelanggan biasanya Selain telepon, kontakpelanggan dengan browser self-service didasari Pelanggan dimulai melalui cara juga dimulai melalui tradisional dari toko ritel, Internet, e-mail, nirkabel,window untuk memesan, cek status pesanan; telepon, atau fax. teknologi mobile danmeninjau sejarah pembelian; meminta informasi PDA. Sistem antar- Bekerja dengan back-end Dirancang untuk aplikasitambahan tentang produk; mengirim e-mail dan muka aplikasi melalui sistem ERP. front-end, yang padaterlibat dalam sejumlah kegiatan lainnya. gilirannya antarmuka dengan aplikasi backendKemampuan ini memberikan kebebasan pelanggan melalui sistem ERP, datawarehouse, dan datadalam hal tempat dan waktu. Pelanggan tidak lagi mart.terbatas untuk menghubungi organisasi selama jam Sistem Overhead (komputer klien) Web-aplikasi memerlukan PC klien untuk men- Tidak ada persyaratan; browser adalah portalbisnis biasa, dan organisasi tidak harus memberikan download applet dan pelanggan untuk eCRM. berbagai aplikasi. Aplikasikontak langsung di bagian lain untuk pertanyaan ini dan applet harus ditulispelanggan dan permintaan. ulang untuk platform yang berbeda. Data Maning dan Database System 3-69
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Kustomisasi dan Audiens yang berbeda Pandangan "dinamis" dan Personalisasi membutuhkan pandangan personal yang sangat 4. Penerapan eCRM di PT. NESTLE Informasi yang berbeda dan jenis individual didasarkan informasi. Pandangan pribadi untuk audiens yang berbeda pada pembelian dan preferensi yang mungkin. Salah satu contoh perusahaan yang telah adalah tidak mungkin. Setiap audiens individual menerapkan e-CRM adalah PT. Nestlé Indonesia Individu memerlukan menyesuaikan perubahan kustomisasi pandangan. dengan meluncurkan Sahabat Nestlé (lihat Sistem Fokus pemrograman. Sistem dirancang di sekitar Sistem dirancang di lampiran). Pada website tersebut terdapat beberapa produk dan fungsi pekerjaan sekitar kebutuhan fasilitas diantaranya adalah : (untuk penggunaan internal). pelanggan (untuk Web-aplikasi yang dirancang penggunaan eksternal). • Berbagi resep makanan sehat sekitar satu departemen atau unit bisnis. Portal perusahaan yang luas yang dirancang dan • Dunia Bayi tidak terbatas pada departemen atau unit • Informasi tentang makanan dan gizi bisnis. • Parenting Sistem Pelaksanaan lebih lama dan Mengurangi waktu dan Pemeliharaan manajemen adalah mahal biaya. Implementasi • Promo dan Modifikasi karena sistem ini terletak di berbagai lokasi dan pada sistem dan ekspansi dapat dikelola dalam satu lokasi • Kalender event-event yang akan diadakan oleh beberapa server. dan pada satu server. Nestlé Dalam website tersebut pelanggan serasa3. Sejarah PT. NESTLE dimanjakan dan diperhatikan oleh Nestlé. Sedangkan keuntungan yang didapatkan oleh Merasa prihatin dengan tingginya angka Nestlé adalah:mortalitas bayi di akhir abad 19 di Swiss, Henri • Memiliki space untuk arena promosiNestlé, seorang ahli kimia Jerman yang berdomisili • Memiliki space untuk arena surveydi Vevey, Swiss berhasil menciptakan makanan • Memiliki space untuk melakukan diskusi (tanyapendamping bagi bayi yang tidak mendapat cukup jawab) dengan pelanggan secara langsungASI. “Farine Lactee” berhasil menyelamatkan • Mendapatkan keinginan pasar melalui saran danbanyak jiwa bayi pada saat itu dan Nestlé pun kritik dari feedback pelangganmendapatkan kepercayaan masyarakat. • Peningkatan kepercayaan terhadap produk- Henri Nestlé kemudian memanfaatkan nama produk Nestlé.keluarganya menjadi logo perusahaannya. Dalam E-CRM dirancang dengan maksud memenuhidialek Jerman Swiss, "Nestlé" berarti sarang burung harapan dan kebutuhan pelanggan untuk mencapaikecil (little nest). Logo itu menjadi lambang rasa nilai lifetime pelanggan yang maksimal danaman, kasih sayang, kekeluargaan dan tradisi. memberikan hasil pada usaha. Penggunaan produk Perusahaan Nestlé terus mengembangkan e-CRM, software e-CRM dan solusi e-CRM akanproduk-produknya dan kemudian menjadi pelopor memperkaya implementasi e-CRM yang efektif dibeberapa produk seperti susu kental di Eropa tahun dalam perusahaan. Ada banyak kisah sukses e-1905, susu coklat tahun 1929, kopi instant tahun CRM, namun kesuksesan dalam implementasi E-1938 dan lain-lain. CRM diukur dengan upaya yang dilakukan perusahaan untuk menunjukkan sasaran danNestlé Indonesia harapannya. Dengan menyediakan sarana untuk Produk-produk Nestlé telah beredar di Bumi mengatur dan mengkoordinasi interaksi pelangganNusantara sejak akhir Abad ke-19, dimana salah seperti yang di lakukan oleh PT. Nestlé Indonesia,satunya ialah susu kental manis yang dikenal teknologi E-CRM membantu perusahaandengan sebutan "Tjap Nona" (sekarang "Nestlé memaksimalkan nilai setiap interaksi konsumenMilkmaid"). Kantor pusat Nestlé di Swiss, Nestlé yang pada akhirnya meningkatkan kinerja korporat.S.A., bersama sejumlah mitra lokal mendirikan Perlunya pemahaman yang lebih baik terhadapanak perusahaan di Indonesia pada bulan Maret perilaku konsumen dan fokus pada konsumen yang1971. Saat ini PT.Nestlé Indonesia mengoperasikan dapat memberikan profit jangka panjang telahtiga pabrik yang berlokasi di daerah Tangerang mengubah para marketer dalam memandang dunia.(Banten), Panjang (Lampung), dan Kejayan (JawaTimur). Beberapa merek produk Nestlé yangdipasarkan di Indonesia antara lain : susu bubuk 5. PenutupNestlé Dancow, kopi instant Nescafé, Nestlé Milo, E-CRM telah menjadi strategi penting bagiNestlé Bubur Bayi, Kit Kat, Polo, dan lain-lain. perusahaan yang siap bersaing menuju era Nestlé Indonesia berkomitmen untuk tetap globalisasi dengan cara membangun hubungan yangmengembangkan produk-produk melalui inovasi intim antara perusahaan dengan pelanggan.dan renovasi demi memuaskan kebutuhan Aplikasi e-CRM dapat digunakan olehkonsumennya di seluruh Indonesia. perusahaan manufaktur dan jasa. Yang perlu dipertimbangkan perusahaan adalah memilih3-70 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 aplikasi software yang tepat dan sesuai dengan yang Daftar Pustakadiperlukan. Kunci keberhasilan e-CRM adalah memahami [1] Chapter 12- managing customer relationships.keseluruhan jalinan/hubungan kerja sama yang 2008. United States, New qYork: Theterjadi di dalam organisasi/perusahaan, baik yang McGraw-Hill Companies, Inc., Thebersifat intern maupun ekstern dengan Professional Book Group. (179-187).memanfaatkan Teknologi Informasi. Available at : http://search.proquest.Com Bagi pelanggan, website e-CRM yang mudah /docview/189489383?accountid=31532digunakan, sangat efektif dan efisien serta dapat [2] Chandra, Satish. dan Strickland, Ted J. 2004.dipakai untuk melacak hal-hal yang berkaitan Issues in Information Systems, Volume V No.dengan hubungan pelanggan. Pada sisi perusahaan 2.memperoleh manfaat untuk meningkatkan efisiensi [3] Cook, Sarah. 2008. Chapter 01: Andan produktivitas serta memberikan layanan dan introduction to customer care. Unitedpengalaman yang konsisten bagi pelanggannya. Kingdom, London: Kogan Page Ltd. (1-38). Available at : http://search.proquest.com/ docview/287921484?accountid=31532 [4] David, Fred R. 2010. Strategic Management : Manajemen Strategis Konsep. Edisi Kedua Belas. Salemba Empat, Jakarta. [5] Kalakota, Ravi dan Robinson Marcia. 2001. E-business2.0, Roadmap for Success. Second Edition. Pearson Education, New Jersey. [6] Kotorov, R. P. 2002. Ubiquitous organization: Organizational design for e-CRM. Business Process Management Journal, 8(3), 218-218. Available at : http://search.proquest.com/ docview/220296480?accountid=31532 [7] Malthouse, E., & Calder, B. (2005). Section iii: From strategy to implementation - chapter 8: Relationship branding and crm. United States, Hoboken: John Wiley & Sons, Inc. Retrieved from http://search.proquest.com/ docview/ 189247661?accountid=31532 [8] Stone, M., Bond, A., & Foss, B. (2004). Chapter 04: Customer relationship management (CRM). United Kingdom, London: Kogan Page Ltd. Retrieved from http://search.proquest.com/docview/28796649 6? accountid =31532 [9] Turban, Efraim., Rainer, R Kelly., dan Potter, Richard E. (2005). Introduction To Information Tecnology. Third Edition. Wiley, USA. [10] Turban, Efraim., King., McKay., Marshall., Lee., dan Viehland. (2008). Electronic Commerce 2008 : A Managerial Perspective. Pearson Education, New Jersey. Data Maning dan Database System 3-71
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Lampiran perkembangan Website Sahabat Nestlé. Ini mendukung salah satu tujuan dari CRM. Gambar 6. Laman Newsletter Pada laman Newsletter, Sahabat Nestlé memberikan sebuah majalah dalam bentuk Gambar 3. Website Sahabat Nestle elektronik yang memberikan informasi yang selalu di update setiap bulan, laman ini memliki banyak pilihan (menu), yaitu : Masak di rumah, panduan cepat, info keluarga, jalan-jalan, galeri produk, gabung sahabat Nestlé, print, kirim ke teman, stop berlangganan, dan artikel lengkap. Dengan lengkapnya pilihan ini diharapkan majalah elektronik ini dapat memberikan info-info terupdate kepada pelanggan setiap bulan, sehingga pelanggan Gambar 4. Laman Cheff Welly dapat selalu mengikuti perkembangan dari Nestlé Di laman ini pelanggan benar-benar sendiri.mendapatkan jawaban pertanyaan seputar masakanatau sekedar ingin berbagi tips dan resep-resepfavorit sehingga pelanggan merasakan Chef Wellybenar-benar ada dan memberikan masukan-masukan yang mereka butuhkan sehingga merekamendapatkan kepuasan tersendiri. Ini sangat mendukung program CRM karenadengan adanya laman ini pelanggan mendapatkanrespons yang menyebabkan kepuasan mereka Gambar 7. Laman Sahabat Nestle Facebookbertambah. Pada laman ini pelanggan akan diberikan sebuah link yang langsung terhubung dengan facebook yang dibuat khusus untuk Sahabat Nestle yang membutuhkan informasi dan panduan gaya hidup sehat dalam rangka mewujudkan Masyarakat Indonesia yang lebih sehat. Dengan demikian para Sahabat Nestlé dapat memperoleh perubahan status ketika ada informasi baru yang akan di bagikan pada laman facebook Gambar 5. Laman Dancow Parenting Sahabat Nestlé tersebut, serta mendapatkan Laman yang mempunyai motto “Mitra feedback untuk memuaskan keinginan Sahabatorangtua untuk tumbuh kembang anak ini” Nestlé.merupakan sebuah laman yang memungkinkanBunda (pelanggan) untuk berbagi tips dan langkahapa saja yang bisa Bunda lakukan untukmenumbuhkan rasa percaya diri si Kecil. Selain itu,jika bunda bisa memberikan komentar terbaiknyamaka Bunda bisa memenangkan voucher belanja. Dengan cara seperti di atas Bunda selakupelanggan memiliki keinginan untuk mendapatkanhadiah, sehingga mereka akan selalu mengikuti Gambar 8. Laman Journey to Wellness3-72 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Journey to Wellness menyediakan panduanpraktis berupa e-book berisi petunjuk hidup sehatyang dapat pelanggan terapkan secara langsungbersama keluarga tercinta, di dalam laman inidisediakan beberapa menu menarik seperti Gamesyang dapat dimainkan pelanggan untuk mengetahuiinformasi-informasi kandungan gizi makanan, e-book yang berisi petunjuk hidup sehat yang dapatditerapkan secara langsung bersama keluargatercinta. PT. Nestlé Indonesia sangat mengharapkanloyalitas pelanggan-pelanggannya terus meningkatdengan adanya website berbasis e-CRM yangkhusus dibuat perusahaan untuk melayanipelanggan setianya. Begitu juga pelanggan PT.Nestlé Indonesia merasa sangat nyaman untuk terusdapat berhubungan dengan PT. Nestlé Indonesiakarena adanya website tersebut. Data Maning dan Database System 3-73
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-74 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Usulan Perbaikan Proses Bisnis Advertising PT. XYZ Regional Jawa Barat menggunakan Business Process Improvement Annisa Rahmataya, Sri Widaningrum, Amelia Kurniawati Fakultas Rekayasa Industri, Institut Teknologi Telkom Bandung heyitsmetaya@yahoo.com, sri@ittelkom.ac.id, amelia.kurniawati@gmail.com Abstrak mengatur jalannya perusahaan sekaligus terus menerus mengevaluasinya. Tidak hanya bagaimana Kegiatan advertising yang dijalankan oleh perusahaan berinteraksi dengan pelangganDivisi Marketing PT. XYZ Regional Jawa Barat eksternalnya, namun juga bagaimana perusahaanmencakup fungsi periklanan, sponsorship, dan menjalankan proses-proses bisnisnya. Proses bisniskegiatan lainnya yang bertujuan untuk suatu perusahaan dapat memengaruhi besarnyamempromosikan perusahaan. Ini sebabnya pangsa pasar suatu perusahaan secara signifikan.pelaksanaan advertising perlu dijadikan lebih Terlebih lagi, proses bisnis yang baik dapatefisien. menghemat biaya yang dikeluarkan oleh Penelitian ini untuk mengefisienkan waktu perusahaan secara signifikan (Harrington: 1991, p.siklus dari proses bisnis kegiatan advertising 1-3).dengan menggunakan metode Business Process Berdasarkan wawancara pada tanggal 4Improvement (BPI). Metode BPI ini akan Agustus 2010 (studi pendahuluan untuk mendukungmenghasilkan proses bisnis usulan dengan proposal penelitian) kepada divisi Marketing PT.melakukan analisis streamlining dan perubahan- XYZ Regional Jawa Barat diketahui keadaanperubahan yang inkremental terhadap proses bisnis existing proses bisnis di perusahaan. Ternyataexisting. Proses bisnis usulan ini disusun dengan proses bisnis yang ada saat ini untuk advertisingmempertimbangkan harapan dan keluhan yang dilakukan oleh Divisi Marketing mulai daripelanggan serta input dari pihak perusahaan. tender vendor hingga tagihannya dapat dibayarkanSelain menghasilkan suatu proses bisnis usulan, cukup rumit. Rumitnya proses bisnis existingpenelitian ini juga akan menyusun beberapa dipengaruhi oleh banyaknya personil yang terlibatStandard Operational Procedure (SOP) dari antar divisi, tidak adanya standar kerja yang jelas,beberapa aktivitas dalam proses bisnis usulan. SOP dan juga panjangnya birokrasi dalamini dimaksudkan untuk mempermudah transisi menyelesaikan kegiatan advertising. Hal ini dirasapihak perusahaan dari proses bisnis existing ke terlalu lama oleh vendor yang telah melakukanusulan. kegiatan advertising hingga pihak vendor tersebut Kesimpulan dari penelitian ini adalah SOP sendiri yang mengeluhkan lamanya pemrosesan inidapat disertai pada proses bisnis usulan hasil BPI ke perusahaan.untuk merealisasikan waktu siklus hasil perbaikan. Advertising yang mengalami keluhanHasil dari penelitian ini berupa proses bisnis terbanyak adalah kegiatan dengan tagihan yangadvertising usulan dengan efisiensi sebesar 67% berkisar antara Rp 200,000,000.00 hingga Rpdan waktu siklus selama 199.9 jam. Selain itu 500,000,000.00, yaitu tiga kali (60%) selama tujuhdisusun SOP sebanyak delapan buah untuk bulan pertama tahun 2010. Padahal PT. XYZ sudahmengakomodasi sebelas aktivitas hasil analisis memiliki standar waktu yang ditentukan, yaitu 5.9streamlining. minggu untuk advertising, hanya saja standar ini belum dapat diterapkan dengan baik. Pada1. Pendahuluan kenyataannya, rata-rata waktu siklus untuk kelima kasus yang terjadi selama Januari hingga Juli 20101.1. Latar Belakang adalah 26 minggu. Keseluruhan kasus yang terjadi melampaui batas 5.9 minggu yang ditetapkan oleh PT. XYZ merupakan salah satu provider perusahaan, dan tiga diantaranya dikeluhkan secarajaringan Global System for Mobile Communications langsung oleh vendor karena dirasa terlalu lama.(GSM) di Indonesia. Selayaknya sebagai provider Permasalahan dari proses bisnis ini yangGSM dengan pangsa pasar yang luas di Indonesia, menyebabkan lamanya waktu pemrosesan aktualPT. XYZ harus menjalankan organisasinya dengan secara umum adalah rumitnya birokrasi di dalamefektif. Untuk itu, PT. XYZ tentunya harus Data Maning dan Database System 3-75
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 perusahaan. Untuk menyederhanakan proses bisnis dirasa tidak lagi efektif dalam menjalankan proses-di dalam perusahaan tanpa mengurangi tingkat proses bisnisnya.keamanannya, akan digunakan metode Business Jika dibandingkan dengan metodeProcess Improvement (BPI) yang telah sebelumnya reengineering yang menawarkan perbaikan prosesdikembangkan oleh Harrington. bisnis yang radikal dan menyeluruh, BPI lebih tepat Agar waktu siklus aktual dapat mendekati digunakan untuk perbaikan proses bisnisstandar yang telah ditetapkan, penting untuk advertising PT. XYZ karena menawarkan perbaikanmemahami dan memetakan proses bisnis existing yang inkremental dan berkelanjutan. Hal iniyang terjadi di dalam perusahaan. Selain menjadi sangat cocok jika diterapkan padamenyederhanakan proses bisnis, dalam penelitian perusahaan yang sudah berjalan dan memilikiini juga akan disusun langkah-langkah operasional proses bisnis existing seperti PT. XYZ. Denganyang perlu diterapkan oleh perusahaan dalam perubahan yang sedikit demi sedikit, akan lebihbentuk Standard Operational Procedure (SOP). memungkinkan bagi perusahaan untukSetelah jelas alur kerja dalam proses bisnis mengimplementasikan perubahan yang disarankanpembayaran tagihan usulan, akan dilakukan validasi sebagai hasil dari penelitian ini.untuk mengukur seberapa signifikan pengurangan Secara garis besar, terdapat lima tahapanwaktu yang dapat dilakukan. Dengan pelaksanaan BPI, yaitupenyederhanaan proses bisnis ini diharapkan waktu 1. Organizing for Improvementproses yang diperlukan untuk membayarkan 2. Understanding The Processtagihan-tagihan Divisi Marketing dapat menjadi 3. Streamlininglebih efisien. Dari uraian di atas menjadi latar 4. Measurement and Controlbelakang perlunya penelitian untuk mengkaji proses 5. Continuous Improvementbisnis advertising PT. XYZ menggunakan BusinessProcess Improvement. 2.2. Advertising Advertising yang dimaksudkan dalam1.2. Tujuan Penelitian penelitian ini bermula ketika Divisi Marketing PT. Adapun tujuan dari penelitian tugas akhir ini XYZ menugaskan pihak ketiga (selanjutnya akanadalah mengefisiensikan waktu siklus advertising. disebut vendor) untuk melakukan kegiatan-kegiatan1. Merancang proses bisnis advertising Divisi yang berkaitan dengan promosi perusahaan seperti Marketing yang terstandardisasi. iklan media cetak, radio, event, maupun2. Merancang SOP proses bisnis advertising sponsorship. usulan. Cuplikan aliran kerja kegiatan advertising dapat dipelajari pada gambar berikut ini.1.3. Batasan Masalah Adapun batasan masalah dari penelitian tugasakhir ini agar pembahasan mengenai hasilpenelitian dapat lebih terarah adalah1. Kegiatan yang diamati adalah advertising yang memiliki nilai Rp 200,000,000.00 hingga Rp 500,000,000.00.2. Penelitian ini membahas usulan proses bisnis advertising, sedangkan implementasi dari proses bisnis ini terlepas dari penelitian. Kegiatan advertising dimulai ketika PT. XYZ2. Landasan Teori mengadakan tender untuk menentukan vendor pelaksana kegiatan dan berakhir saat Divisi2.1. Business Process Improvement (BPI) Keuangan membayar vendor tersebut setelah selesai Business Process Improvement (BPI) adalah menyelenggarakan kegiatan advertising.suatu metodologi sistematis yang dikembangkanuntuk membantu suatu organisasi atau perusahaanmeningkatkan kinerjanya dengan memperbaikiproses bisnis di dalamnya (Harrington: 1991, p. 20).BPI ini dikembangkan oleh H. James Harringtonsaat perusahaan-perusahaan di Amerika Serikat3-76 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3. Metodologi Penelitian akan menjadi salah input untuk pelaksanaan analisis streamlining.3.1. Model Konseptual PENYELESAIAN PROSES PEMBAYARAN 4.3. Batasan Proses VENDOR Keluhan waktu siklus advertising ADVERTISING PT. XYZ MARKETING KEUANGAN GENERAL ADMINISTRATION 5. Analisis dan Usulan PEMETAAN PROSES BISNIS 5.1. Analisis Streamlining AKTIVITAS ADVERTISING ANALISIS PROSES BISNIS PERBAIKAN PROSES BISNIS METODE BUSINESS PROCESS Analisis streamlining amat erat kaitannya AKTIVITAS AKTIVITAS PENELITIAN ADVERTISING ADVERTISING IMPROVEMENT dengan konsep improvisasi. Improvisasi suatu proses bisnis dapat diartikan mengubah proses bisnis existing menjadi lebih efektif, efisien, dan4. Pengumpulan Data mudah diadaptasi. Mirip dengan tujuan analisis4.1. Diagram Alir dan Waktu Siklus Proses streamlining untuk meningkatkan kinerja dan Bisnis Existing Advertising kualitas suatu proses dengan mengurangi aktivitas- aktivitas yang tidak diperlukan atau dapat disederhanakan (Harrington: 1991, p. 131-133). Pemetaan proses bisnis existing serta Dari hasil analisis streamlining yangpengumpulan data waktu siklusnya menjadi bagian dilakukan didapatkan proses bisnis usulan yangdari tahapan “Understanding The Process”-nya telah dikurangi aktivitas-aktivitas birokrasi danmetode BPI. Proses bisnis existing dari kegiatan duplikasi serta usulan SOP untuk menjalankanadvertising dipetakan dalam bentuk diagram alir advertising. Proses bisnis usulan yang dihasilkanyang terdiri dari 51 aktivitas dan melibatkan 12 adalah output penelitian BPI dengan efisiensi waktupersonil dari PT. XYZ. Waktu siklus didapatkan siklus yang lebih tinggi.selama 5.9 minggu. Data ini akan kemudiandibandingkan dengan data proses bisnis usulan 5.2. Diagram Alir Proses Bisnis Usulanoutput penelitian ini. Advertising4.1. Identifikasi Input dan Output Proses Pada proses bisnis usulan ini terjadi perubahan Bisnis Existing Advertising dan penghapusan beberapa aktivitas yang dirasa tidak efisien dari analisis streamlining. Validasi Pemahaman input, output, dan pemilik proses yang berulang diubah menjadi aktivitas tandadari setiap aktivitas yang terjadi dalam proses bisnis tangan saja sedangkan validasi dilakukan oleh satuadvertising menjadi penting karena perlunya orang saja. Validasi-validasi ini juga memunculkanpemahaman hasil yang diharapkan dari setiap form baru untuk membantu pemeriksa untukaktivitas untuk melakukan analisis ke depannya. melakukan validasi yang diperlukan. Form-form iniInput dan output yang diperlukan oleh masing- juga diperlihatkan pada diagram alir proses bisnismasing aktivitas menjadi salah satu bentuk usulan untuk memperjelas penambahannya. Halspesifikasi dari proses bisnis usulan yang akan lainnya yang berubah pada proses bisnis usulanmenjadi output dari penelitian ini. adalah penggabungan beberapa aktivitas menjadi satu aktivitas dalam upaya menyederhanakan proses4.2. Identifikasi Kebutuhan Pelanggan bisnis sebelumnya. Internal & Eksternal Keluhan dari proses bisnis existing sertaharapan untuk proses bisnis usulan dikumpulkandari pelanggan internal dan eksternal kegiatanadvertising. Kebutuhan pelanggan yang didapat Data Maning dan Database System 3-77
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 5.3. SOP Proses Bisnis Usulan 3. Beberapa aktivitas yang didapat dari hasil analisis streamlining membutuhkan rancangan Sesuai dengan hasil dari analisis streamlining SOP. Kesebelas SOP yang disusunsebelumnya, terdapat beberapa aktivitas dalam menjelaskan langkah-langkah prosedur yangproses bisnis usulan advertising yang memerlukan dimaksudkan untuk membantuSOP untuk memperbaiki kinerjanya. Di antara pegawai/pemilik proses yang bersangkutansemua aktivitas yang terdapat pada proses bisnis untuk menjalankan aktivitas sesuai denganusulan advertising, terdapat sebelas aktivitas yang rancangan proses bisnis usulan yang tertulis.memerlukan SOP. Dalam pengembangan SOP-nya Langkah-langkah pelaksanaan prosedur initerdapat lembar-lembar yang diadakan untuk dilengkapi dengan lembar-lembar checklistmembantu proses pengerjaan aktivitas-aktivitas yang dimaksudkan sebagai upaya errortersebut. Lembar-lembar pendukung SOP ini proofing sekaligus panduan pengerjaan.dilampirkan bersamaan dengan SOP yangbersangkutan. 6.2. Saran5.4. Perbandingan Proses Bisnis Existing Saran yang dapat diberikan dari penelitian ini dengan Proses Bisnis Usulan dapat dibagi dua menjadi saran untuk perusahaan serta saran untuk penelitian-penelitian ke depannya. Proses Bisnis Pertama yang akan dibahas adalah saran untuk PT. XYZ. Perbandingan Existing 1. Menerapkan proses bisnis usulan dan seluruh Existing Usulan Aktual SOP-nya dalam pelaksanaan kegiatan Waktu Siklus advertising. 235.6 1040 199.9 2. Melakukan continuous improvement secara (Jam) berkala. Efisiensi (Tn) 65% 21% 67% 3. Dalam mengidentifikasi dan memperbaiki Jumlah proses bisnis sebaiknya pandangan dari 51 51 48 Aktivitas keseluruhan personil diikutsertakan. 4. Perbaikan proses bisnis dan standardisasi prosedur kerja dilakukan untuk keseluruhan6. Kesimpulan dan Saran aktivitas dalam perusahaan.6.1. Kesimpulan Selain saran untuk perusahaan berikut adalah beberapa saran dan untuk penelitian ke depannya.1. Efisiensi waktu siklus suatu proses bisnis harus 1. Analisis proses bisnis advertising yang disesuaikan dengan implementasi yang memiliki nilai selain Rp 200,000,000.- hingga memungkinkan. Mengingat adanya perbedaan Rp 500,000,000.-. yang cukup signifikan antara waktu siklus 2. Analisis proses bisnis advertising pada aktual dengan waktu siklus tertulis untuk beberapa kantor di beberapa daerah yang proses bisnis existing, efisiensi yang dilakukan berbeda. pada penelitian ini adalah mengurangi 3. Melakukan tahapan Continuous Improvement perbedaan tersebut. Usulan dari penelitian ini untuk proses bisnis usulan yang telah dilakukan menghasilkan suatu proses bisnis dengan dan diimplementasikan sebelumnya sebagai efisiensi sebesar 67%, waktu siklus selama penelitian lanjutan. 199.9 jam, dan aktivitas yang terlibat sebanyak 4. Membangun sistem database online yang 48 buah. terintegrasi antar seluruh divisi dalam2. Proses bisnis advertising usulan hasil penelitian perusahaan untuk hal penggunaan tenaga ini disusun berdasarkan perubahan yang outsourcing. bertahap dan bertujuan mendekatkan waktu siklus aktual dengan waktu siklus yang tertulis. Sebagai tahapan perubahan awal, proses bisnis usulan yang disusun dimaksudkan agar mudah diimplementasikan. Sebagai upaya memperkecil perbedaan waktu siklus aktual dengan waktu siklus tertulis proses bisnis usulan dari penelitian ini dilengkapi dengan SOP untuk beberapa prosedur.3-78 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Daftar Pustaka[1] Harrington, H. James, Business Process Improvement: The Breakthrough Strategy for Total Quality, Productivity, and Competitiveness , Mc.Graw-Hill, New York, 1991.[2] Harrington, H. James, et al, Business Process Improvement Workbook: Documentation, Analysis, Design, and Management of Business Process Improvement, Mc.Graw-Hill, New York, 1997.[3] Indrajit, Richardus E. and Djokopranoto, Richardus, Proses Bisnis Outsourcing, Grasindo, Jakarta, 2004.[4] Ishikawa, Kaoru, Introduction to Quality Control, 3A Corporation, California, 1990.[5] Omachuno, Vincent K. and Ross, Joel E, Principles of Total Quality, Taylor & Francis, London, 2005.[6] Sutalaksana, Iftikar Z., et al, Teknik Perancangan Sistem Kerja, ITB, Bandung, 2006.[7] Tenner, Arthur R. and DeToro, Irving J., Process Redesign: The Implementation Guide for Managers, Addison Wesley, Reading, 1996.[8] Tjiptono, Fandy, Prinsip Prinsip Total Quality Service, Andi, Yogyakarta, 1997. Data Maning dan Database System 3-79
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3-80 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Penanganan Mising Value dengan Metode Bound and Collapse pada Struktur Bayesian Network Sayuti Rahman, Ihsan Lubis, Husni Lubis Sekolah Tinggi Teknik Harapan (STTH) Medan Masay.ram@gmail.com Abstrak Makalah ini bertujuan untuk memaparkan cara kerja metode BC untuk mengkonstruksi struktur BN Berkembang pesatnya teknologi dari data yang tidak lengkap. Paparan akan dimulaipenyimpanan data menyebabkan penumpukan data dengan mendeskripsikan definisi umum BN,yang belum dimanfaatkan secara optimal, metoda BC, konstruksi struktur BN dengan BC,memunculkan teknologi Data Mining. Teknologi ini analisa metode BC, dan experimen yang dilakukan.bekerja dengan melakukan penambangan datauntuk memperoleh pola (pattern). Salah satu teknikdalam data mining adalah Bayesian network (BN). 2. Tinjauan Pustakamakalah ini menyampaikan paparan tentang proses Data complete disebut juga dengan datakonstruksi struktur DAG (network) BN dari basis lengkap, contoh dekomposisi relation/table Rdata incomplete dengan metode Bound and menjadi beberapa fragmen R1 , R2 , ..., RnCollapse (BC) yang bekerja bukan dengan Missing dikatakan komplit kalau setiap item data pada RIn Principle. dapat juga ditemukan di beberapa R i. Sedangkan Algoritma BC dalam tugas akhir ini sangat data incomplete adalah kebalikan dari data completememuaskan hingga data yang sulit untuk dikelola atrinya data ini tidak lengkap atau item data pada Rmenjadi dapat digunakan dengan baik. Data yang tidak ditemukan dibeberapa Ri (Dunning dantidak lengkap dikelola oleh Bound and Collapse, Freedman 2008).pada tahap Bound dicari estimasi probabilitas Incomplete data atau sering disebut denganminimum dan maksimum, lalu dijadikan estimasi missing of data, Seringkali, sebagian atau semuaprobabilitas tunggal pada tahap Collapse, sehingga dari data hilang (missing) dari sebuah subjek.data dapat dikelola dan dibuat Bayesian network-nya. 2.1. Metode Bound and Collapse1. Pendahuluan Metode BC pada awalnya dikembangkan untuk mengestimasi probabilitas kondisional yang Salah satu tahapan dalam proses Knowledge mendefinisikan hubungan ketergantunganDiscovery in Databases (KDD) adalah data mining, (dependency) dalam sebuah BN berdasarkan dariyaitu sebuah langkah yang menghasilkan pattern basis data yang incomplete. Kemudian BCdari data dengan menerapkan algoritma analisis dan dikembangkan lebih lanjut sehingga dapatpenemuan data. Ada beberapa teknik yang dapat menghasilkan struktur grafis BN. Dalamdigunakan dalam proses data mining, antara lain mengkonstruksi struktur BN dari basis dataclassification, regression, clustering, incomplete, BC mengasumsikan kondisi datasummarization, dependency modeling, dan change Missing At Random (MAR) (Ramoni and Paolaand deviation detection. 1997). Asumsi lain adalah adalah sebagai berikut : Contoh metode yang sering digunakan untuk 1. Atribut-atribut dalam basis data memiliki nilaikonstruksi BN (Bayesian Network) dari basis data yang diskret.incomplete adalah algoritma EM dan Gibbs 2. Informasi tentang keterurutan node (nodeSampling. Kedua metode tersebut bekerja ordering) telah didefinisikan.berdasarkan Missing Information Principle. Prinsip Metode BC memiliki tiga bagian utama, yangkerjanya adalah melengkapi data yang hilang pertama adalah pencarian interval estimasiterlebih dahulu, kemudian mengkonstruksi struktur probabilitas, disebut dengan tahap bound. Bagiandengan menggunakan data yang lengkap. Karena kedua adalah tahap collapse yang mencari nilaiharus melengkapi nilai-nilai yang hilang, maka estimasi tunggal dari interval yang telah diperoleh.semakin banyak jumlah missing data semakin Sedangkan bagian terakhir adalah pembangunanbanyak waktu ekseskusi yang diperlukan. struktur BN itu sendiri. Data Maning dan Database System 3-81
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 2.2 Tahap Bound Tahapan ini bertujuan untuk menghasilkaninterval nilai estimasi yang mungkin untuk setiappasangan variabel. Adapun persamaan untuk menghitung nilaiminimum dan nilai maksimum probabilitaskondisional p(j| i) adalah sebagai berikut (Ramoniand Paola 1997):• Untuk nilai probabilitas minimum, dinotas ikan dengan p (j| i) min ...…..... 2.1 Gambar 3.1 Activity Diagram Tahap BC• Untuk nilai probabilitas maksimum, dinotasikan dengan p (j| i) Pada keadaan awal akan dilakukan max pemeriksaan data yang telah ada pada database yang telah dimasukan pada bagian input data, jika ……… 2.2 data ditemukan pada database maka langkah selanjutnya inisialisasi parameter lamda, m dan n,2.3 Tahap Collapse kebalikanya bila data tidak tersedia maka akan dilakukan pengecekan data ulang. Setelah Dari interval yang diperoleh di tahap Bound, inisialisasi langkah selanjutnya adalah pencarianselanjutnya dicari satu nilai estimasi tunggal dari jumlah data yang mempunya data lengkap yangprobabilitas kondisional yang bersesuaian ditampung pada variabel n dan data yang tidak(dinotasikan dengan ). Adapun nilai lenkap pada variabel m, setelah ditemukan nilai ndihasilkan melalui per-samaan berikut (Ramoni and dan m langkah selanjutnya akan mencariPaola 1997): kemungkinan maksimum dan minimum atau p(max) dan P(min) dangan rumus pada persamaan 2.1 dan persamaan 2.2, dari selang interval 2.3 probabilitas p(min) dan P(max) maka ditetapkan estimasi tunggalnya dengan rumus pada persamaandimana: 2.3.• = p(X = j| Y = i, X = ?), yaitu probabilitas nilai X = j jika ditemukan kasus dimana nilai X 3.2. Activity Diagram Bayesian Network tidak diketahui (X=?) sementara diketahui bahwa nilai Y yang bersesuaian adalah i (Y=i). Skenario use case Bayesian Network dapat dilihat pada gambar 3.5 :• dan merupakan hasil dari tahap Bound.3. Perancangan3.1. Activity Diagram Bound and Collapse Perhitungan Bound and Collapse dapat dilihatpada gambar 3.1: Gambar 3.2 Activity Diagram Membangun struktur BN3-82 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Pada gambar 3.5 dapat dilihat bagaimana Pcollapse(A=1|B=1) = (0.5*0.71)+(1-0.5)*0.57membangun sebuah DAG Bayesian Network, pada = 0.642857143keadaan awal ditentukan masing-masing field pada Dimanadatabase yang nantinya akan dibangun sebuah nBA Adalah dimana ditemukan kondisiJaringan Bayesian, field tersebut dianggap sebagainode yang tidak terhubung dengan node lainnya, (A=1,B=1)node yang terpisah tersebut akan dicari parent dari α BA Adalah jumlah B=1 dan diketahui A=1masing-masing node, setelah menemukan parent mB Adalah jumlah B=? dan diketahui A=1dengan scoring fungtion maka node dibuat arcsesuai dengan parentnya. Sehingga terbentukalah nB + Adalah jumlah A=1sebuah DAG Bayesian Network. 4. Pengujian3.3. Perhitungan BC Berguna atau tidaknya program akan diuji, Perhitungan BC pertama kali dilakukan untuk adapun contoh data yang dibuat sperti terlihat padamemberi nilai kemungkinan terhadap data yang gambar 4.6.hilang (Bound) hingga menhasilkan estimasiprobabilitas tunggal (Collapse), Jika data yangdiberikan adalah seperti pada tabel 3.4 Tabel 3.4 Data yang diberikan A B C D 1 1 1 1 1 2 2 1 Gambar 4.1 database yang diuji 1 1 ? 2 Cara pengujian penulis menggunakan 3 cara: 2 1 1 2 1. Menghilangkan data yang tidak lengkap Jika data yang tidak lengkap dihilangkan, maka 2 1 2 2 akan mengubah probabilitas yang ada seperti telihat 1 ? 2 1 pada gambar 4.7Dari tabel 3.1 maka dapat dilihat terdapat missingdata yaitu pada variabel B dan C yang ditandaidengan tanda tanya (?), dan dapat dijabarkansebagai berikut:Untuk mencari probabilitas minimum Gambar 4.2 menghilangkan data tidak lengkap Kemunculan variabel “a” yang bernilai 1 menjadi 2, sedangkan data awal kemunculan a=1 sebanyak 4 kali, maka konsep ini tidak benar. = 0.571428571 2. Membiarkan data tetapuntuk mencari probabilitas maksimum Data yang tidak lengkap tidak dapat diolah dengan query sacara langsung karena nilainya tidak diketahui, maka secara automatis metode ini tidak dapat digunakan. 3. Pengolahan dengan metode Bound and Collapse Data yang hilang akan dilengkapi dengan kemungkinan yang ada pada variabel tersebut = 0.714285714 dengan melihat dari tetangganya. Hal ini lebih efesien karena tidak mengubah data yang telah ada. Data Maning dan Database System 3-83
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 5. Kesimpulan Makalah ini membuktikan bahwa BC mampumenyelesaikan masalah missing data dengan baik,tanpa harus membuang data yang tidak lengkap, halini menunjukan bahwa data yang tidak lengkapdapat diolah dengan baik dengan algoritma BC danBayesian Network sehingga menghasilkaninformasi yang bermanfaat.Daftar PustakaPhil, Jones (28 April 2011). Visual Basic: A Complete Course Letts Higher Education List Series. Cengage Learning EMEAVardiansyah, Dani.2008. Filsafat Ilmu Komunikasi: Suatu Pengantar, Indeks, JakartaCheng, Jie, David Bell, Weiru Liu. Learning Bayesian Networks from Data : An Efficient Approach Based On Information Theory. 1998. Faculty of Informatics, University of Ulster, U.K.Fayyad, Usama M.; Piatetsky-Shapiro, G.; Smyth, P. From Data Mining to Knowledge Discovery. 1996. AAAI Press.Lauritzen, Steffen L., David J. Spiegelhalter. Local computations with probabilities on graphical structures and their application to expert systems. 1988. Journal Royal Statistics Society B, 50(2), 157-194.Neapolitan, Richard, E. Learning Bayesian Networks. 2004. Pearson Prentice Hall.Ramoni, Marco; Sebastiani, Paola. Learning Bayesian Network from Incomplete Data- bases. 1997. Technical Report KMi-TR- 43, Knowledge Media Institute, The Open University.Ramoni, Marco; Sebastiani, Paola. Parameter Estimation in Bayesian Networks from Incom-plete Database. 1997. Technical Report KMi-TR-57, Knowledge Media Institute, The Open University.3-84 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6  Optimasi Pengolahan KWH Meter pada PT. PLN (PERSERO) Menggunakan Genetic Algorithm Darjat Saripurna, Jufri Halim, Ishak STMIK Triguna Dharma Medan Email : darjat_btw@yahoo.com Abstrak Dalam hal ini mencoba mengembangkan suatu sistem tentang Informasi Stand Kwh yang dibuat Pencatatan KWH meter di setiap rumah yang dengan alat bantu computer yang menggunakansekarang dikerjakan oleh PT. PLN (Persero) fasilitas software-software (perangkat lunak) sepertibanyak mengalami gangguan terutama saat Mysql, Microsoft Visual Basic 2008 dan Crystalpetugas dari PT. PLN (Persero) mencatat Report 8.5.penggunaan pemakaian daya listrik pada akhir Berdasarkan permasalahan diatas maka PT.bulan. Gangguan pencatatan KWH meter yang PLN (Persero) Cabang Binjai memerlukan suatuditimbulkan oleh manusia sering disebabkan waktu sistem yang lebih baik sesuai dengan kebutuhandan kelelahan dalam pencatatan penggunaan daya yang dapatlistrik. Untuk mengatasi masalah tersebut, maka Membantu penyampaian informasi yang lebihperlu optimasi pada pengolahan KWH meter cepat dan efisien dalam mengolah data-datamenggunakan database dengan metode genetic pemakaian pelanggan.algorithm. Bila diinginkan untuk mendapatkankinerja yang optimum dari KWH meter tersebut. 2. Penentuan Data Flow DiagramMaka parameter-parameter dari KWH meter perludikaji lagi dengan menggunakan Genetic Penggambaran sistem dan arus data dibuatAlgorithm. Adapun model yang digunakan dari dengan menggunakan Data Flow Diagram (DFD)pengolahan KWH meter tersebut adalah model ini memiliki 3 entitas, yaitu: Lahta, Petugas danprogram database. Pimpinan. Aliran data Sistem Informasi tersebut dapat diuraikan dengan Diagram Konteks berikutKata kunci : Genetic Algorithm, parameter ini:1. Pendahuluan Di era Informasi sekarang ini, kemajuan ilmupengetahuan dan teknologi pada saat sekarang inikhususnya dalam bidang perusahaan maupuninstansi pemerintahan dan lembaga–lembagalainnya sudah banyak menerapkan komputerisasisebagai sarana dalam menangani masalah-masalahyang dihadapi. PT. PLN (Persero) Cabang Binjai merupakanPerusahaan Badan Usaha Milik Negara (BUMN)yang menyediakan serta memasok tenaga listrik Gb-1, Data Flow Diagram Programuntuk masyarakat, harus menjadikan kepuasan Petugas melakukan penginputan datapelanggan baik pelanggan social, industri maupun program dalam sistem, data petugas tadi kemudianpelanggan rumah tangga sebagai target yang harus di teruskan ke Lahta. Lahta memberikan datadicapai. Banyak data-data pelanggan PT. PLN pelanggan ke dalam sistem yang kemudian(Persero) Cabang Binjai yang harus dikelola setiap diteruskan ke Petugas untuk dilakukan penyusunansaat, oleh karena itu diperlukan suatu system yang data pemakaian. Data pemakaian tersebutdapat mengolah data-data tersebut. Salah satunya diinputkan ke dalam sistem untuk di berikan keyaitu memberikan informasi mengenai jumlah Lahta. Kesemua data yang masuk ke dalam sistempemakaian pelanggan dan jenis tarif yang digunakan untuk penyusunan laporan ke Manager.digunakan. Data Maning dan Database System 3-85
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 3. Penentuan Entity Relational Diagram Tabel-2, Normal Penggambaran sistem dan arus data dibuatdengan menggunakan Data ER ini, yaitu: 6. Optimasi Parameter Program Pencatatan KWH meter Dengan Menggunakan Genetic Algorithm Gb-2, Entyty Relational Diagram a. Genetic Algorithm4. Penentuan Diagram Alir Genetic Algorithm adalah metode lain yang Penggambaran sistem dan arus data dibuat biasa digunakan untuk menentukan parameterdengan menggunakan Diagram Alir ini, yaitu: program database pengolahan KWH meter, sehingga diperoleh laporan pencatatan KWH meter maksimum pada setiap rumah. Metode Genetic Algorithm ini menggunakan objective function yang didasarkan pada suatu criteria kinerja untuk menentukan error pada setiap kinerja pencatatan KWH meter. Parameter pencatatan KWH meter dengan program database ini ditunjukkan pada gambar- yang dipakai sebagai pedoman dalam menentukan optimasi program database untuk pencatatan KWH meter. Persamaan pencatatan KWH meter ini untuk efisiensi, kinerja dan waktu membentuk multi objective optimization problem, dimana tiap persamaan adalah fungsi dari tiga atau lebih dari parameter program database pencatatan database ini. Tiga persamaan program database KWH meter ini, sebagai berikut: Gb-3, Entyty Relational Diagram Tabel-3, Program KWH meter5. Penentuan Normalisasi Penggambaran sistem dan arus data dibuatdengan menggunakan Data Normalisai ini, yaitu: Tabel-1, UnNormal Id No.No Bln Thn Daya Ranting Total Konsumen Gardu 1/450 Pancur 1 Juni 2011 2345 111 Rp. 25.340 VA Batu Juli Rp. 35.604 2 2435 1/220 VA 112 Tuntungan Rp. 45.345 Selanjutnya parameter pencatatan program database KWH meter ini dikodekan dengan bilangan decimal dan nilai fitness (kemampuan)3-86 Data Maning dan Database System
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 maksimum didapatkan untuk menentukan nilai meter ini didapat dari waktu, efisiensi dan tenagakesalahan terkecil tersebut. Maka setiap parameter operasional.program pencatatan KWH meter ini dapatdilakukan dengan genetic algorithm. Dalam hal ini b. Hasil Perhitunganerror function diperoleh sebagai formula darikuadrat Program error function, sedangkan fitness Hasil dari nilai fitness yang dinyatakan olehfunction adalah inverse dari error. Sasaran dari kurva fitness terhadap jumlah generasi yang terlihatgenetic algorithm membuat nilai error minimum pada gambar-5 yang menghasilkan parameteratau membuat fitness maksimum. Error function pencatatan KWH meter secara optimum yangdapat dituliskan sebagai : terlihat pada table-4.E = F1(.)2 + F2(.)2 + F3(.)2 (24)sedangkan fitness dinyatakan oleh :Fitness = 1/ E (25) Secara umum proses genetic algorithmyang dilukiskan gambar-4 terdiri dari : Gambar-5, Nilai fitness terhadap Populasi Dan dengan cara yang sama karakteristik Gambar-4, Genetic algorithm program database terhadap waktu dari data pada table-4 dapat ditentukan hasilnya pada gambar-6.i. Pembangkitan Spesies C^k=[X1^k ,Y1^k, X2^k,Y2^k,,Xm^k,Ym^k] (25) Dimana: (xi^k, yi^k) : lokasi dari pembangkitan kromosom. i,j : urutan nomor spesies (1,2,3..)ii. Perkalian silang Xi = ri * Xi^k1 + ( 1-ri) * Xi^k.2 Yi = ri * yi^k1 + ( 1-ri) * Xi^k.2 Gambar-6, Karakteristik Tenaga Orang terhadap Dimana ri : bilangan acak, dengan : Waktu hasil Genetic Algorithm I = 1,2,3, …,m 7. Kesimpulaniii. Mutasi Nilai Random dinyatakan oleh : Dengan Genetic Algorithm nilai arus maksimum, arus awal dan arus nominal dapat Xi = Xi^k + random nilai [ E ] dinaikkan secara optimum seperti terlihat pada Yi = yi^k + random nilai [ E ] table-4. Dimana : E : bilangan real positif Xi = nilai random [ Xmin, Xmax ] Tabel-4 Hasil Simulasi Pelanggan Waktu Waktu Yi = nilai random [ Ymin, Ymax ] Pelanggan Pelanggan Hasil evaluasi pada proses genetic algorithm,digunakan untuk mencari nilai error terkecil atau Konsumen Programnilai fitness terbesar. Nilai error yang diperoleh (menit) (menit)digunakan untuk menentukan parameter pencatatan 2345 60 menit 45 menitKWH meter menggunakan genetic algorithm i 2435 60 menit 45 menittersebut. Parameter pencatatan program KWH Data Maning dan Database System 3-87
  • Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2012)  ISBN 978‐602‐19837‐0‐6 Daftar Pustaka1. T.A Lipo and A.Consoli,” Modelling and Simulation Of Induction Motors wth saturable leackage reactances,”IEEE, Trans, Ind.Applicat. Vol. I.A-20 pp. 180-198, Jan/Feb.19842. J.A De Kocks, F,S van der Merwe, and H.J Vermeuler,” Induction Motor Parameter Estimation throught an output error technique”, IEEE/PES Jan, 31 pp.5 1993 paper no. 93 WM 019-9EC3. E.Muljadi,” Water Pumping with a Peak-Power Tracker using a Simple Six-Step Square Wave Inverter,” IEEE Transaction On Industry Application, Vol.33 No.3 May/Juny 1997.4. Ray Nolan and Towhidul Haque,” Application Of Genetic Algorithm to Motor Parameter Detertermination For Transient Torque Calculation “, IEEE Transaction On Industry Applicate,” September/October 1997.5. Warring R.H, “ Pump Selection to System And Application, second Edition, Trade and Technical Press Ltd, Morgan, Surrey, SM 45 EW, England, 1984.6. Lawrence Davis,” Handbook Of Genetic Algorithm”, Van Nostrand Reinhold, New York, 19917. Goldberg,” Genetic Algorithm In Machine,” New York 19963-88 Data Maning dan Database System