Jmii Vol 1 No 1 Tahun 2016.pdf

Ny

JURNAL MASYARAKAT INFORMATIKA INDONESIA

ISSN: 2541-5093

Vol 1, No 1, Tahun 2016 

CANCER DETECTION BASED ON CLASSIFICATION MICROARRAY DATA USING PCA AND MODIFIED BACK PROPAGATION

Adiyasa Nurfalah, Adiwijaya, Arie Ardiyanti Suryani 

KELOLA KUBIKAL DATA TRANSAKSIONAL SISTEM INFORMASI RUMAH SAKIT DENGAN TEKNIK ONLINE ANALYTICAL PROCESSING

Feri Sulianta 

ANALISIS PENCAPAIAN MANFAAT DALAM PENGGUNAAN ERP DI PERUSAHAAN INDONESIA

Iqbal Yulizar M 

PREDIKSI JANGKA PANJANG KRISIS EKONOMI DI INDONESIA MENGGUNAKAN MODEL SISTEM DINAMIK DIOPTIMASI MENGGUNAKAN ALGORITMA GENETIKA SECARA ADAPTIF OLEH SISTEM FUZZY

Fajri Rakhmat Umbara 

ANALISIS TEXT-MINING DENGAN METODE DENSITY-BASED CLUSTERING PADA PESAN MEDIA SOSIAL UNTUK PEMETAAN LOKASI KECELAKAAN

Nurjayanti 

PERANCANGAN SISTEM INFORMASI DATA STOK VOUCHER PULSA PADA GRAPARI TELKOMSEL JAKARTA PUSAT

Baysondi Rosidharta 

PERANCANGAN APLIKASI BANK SOAL BERBASIS WEB PADA BIMBINGAN BELAJAR XYZ

Muhammad Benny Chaniago 

MICROSOFT PUBLISHER SEBAGAI OFFICE AUTOMATION SYSTEM DALAM PENUNJANG PEKERJAAN KESEKRETARISAN

Selvi Chintia, Deasy Fitri Hasanah 

SISTEM INFORMASI PEMASARAN BERBASIS WEB, STUDI KASUS : BATIKOLOGI BATIK CRAFT

Iwan Rijayana 

PEMBANGUNAN APLIKASI MULTIMEDIA UNTUK PENYELESAIAN SOAL MATEMATIKA SEKOLAH MENENGAH PERTAMA (SMP) KELAS 9 (IX)

Sukenda

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 4 kali dalam setahun, setiap bulan Maret, Juni, September, dan Desember.

Ketua Redaksi Feri Sulianta

Dewan Redaksi Fajri Rakhmat Umbara Agung Santoso Pribadi Afief Dias Pambudi Benny Yustim Edward Daniel Maspaitella

Editor Pelaksana Farhan Ferdian Mulyadi Vito Hafiz Ricko Firmansyah

Reviewer Prof The Houw Liong (Institut Teknologi Bandung) Hengky Honggo (STMIK MDP Palembang) Bahar Riand Passa (Nanyang Technological University) Dwi Aryanta (ITENAS) Eko Cahyanto ( Universitas Gunadarma) Cholid Fauzi (ST Inten) Wawan Kurniawan (ASMTB) Titan Halim (Universitas BINUS) Muksin Wijaya (STMIK LIKMI) Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT PERUSAHAAN PENERBITAN CV. HASIL USAHA Jl. Gatot Subroto 153 C, Bandung 40273 e-mail: [email protected] website: http://ejurnal.ferisulianta.com

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII) yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi, Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan, Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan Teknologi Informasi dan lainnya. Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini pada edisi – edisi selanjutnya. Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Cancer Detection Based on Classification Microarray Data Using PCA and Modified Back Propagation Adiyasa Nurfalah 1), Adiwijaya 2), Arie Ardiyanti Suryani 3) Telkom University St. Telekomunikasi No. 1, Bandung, Indonesia E-mail : [email protected] 1), [email protected] 2), [email protected] 3)

Abstract—Cancer is the leading cause of death in the world based on data from the World Health Organization (WHO) in 2012, which is about 8.2 million die because cancer and estimated will increase each year due to an unhealthy lifestyle [2]. Deaths due to cancer could be prevented if the cancer was detected early. In recent decades microarray has taken an important role in cancer research. Microarray is a technology that is capable of storing thousands of gene expressions taken from several specific tissues of human at once. By analyzing microarray data can be known some affected by cancer or not. In this study built a fast and accurate framework for cancer detection based on microarray data classification using principal component analysis (PCA) and modified back propagation (MBP). MBP is a modification of standard back propagation (BP) by implementing conjugate gradient algorithm on search direction in BP training. Generally, conjugate gradient algorithm required shorter training time than steepest descent that used by standard back propagation. The experiment results was showed MBPbased system (PCA+MBP or MBP) is able to outperform BP-based system (BP or PCA+BP) in accuracy and especially in training time.

Keywords—cancer detection, microarray, principal component analysis, conjugate gradient algorithm, back propagation.

I.

INTRODUCTION

Cancer is a term used for diseases in which abnormal cells divide without control and are able to invade other tissues. Cancer cells can spread to other parts of the body through the blood and lymph systems [1]. According to data reported by the World Health Organization (WHO), Cancer is the leading cause of death worldwide, which is about 8.2 million deaths in 2012 and estimated will increase each year due to an unhealthy lifestyle [2]. In recent decades Microarray take an important role in the diagnosis of cancer and improve the accuracy of cancer diagnosis compared to traditional techniques. By using Microarray can be seen the level of gene expression in specific cell samples to analyzing thousands of genes simultaneously [3]. The characteristic of microarray data is small sample but huge dimension. Since that, there was a challenge for researcher to provide solutions for Microarray Data classification with high performance both in accuracy and running time. In classification study, Artificial Neural Network (ANN) is one of popular method that gives satisfactory result. There are several algorithms to train ANN, one of the most popular algorithm is Back Propagation (BP). ANN trained by BP has successfully solving various classification problems that gives good accuracy.

Jurnal Nasional JMII 2016

1

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Although BP is good algorithm for ANN training, but BP have several major deficiencies such as [6]: First, the BP algorithm will get trapped in local minima, this can lead to failure in finding a global optimal solution. Second, the convergence rate of BP is still too slow even if learning can be achieved. Third, the convergence behavior of BP depends on choices of learning rate in advance. Many improvements were made to improve the performance of BP, one of them is modify BP based on conjugate gradient [7][11]. By modifying BP with conjugate gradient, search direction is performed not only decrease, as standard BP, but along conjugate directions, which produces generally faster convergence than BP [11]. In this study proposed an alternative framework for cancer detection based on Microarray data

classification using combination of Principal Component Analysis (PCA) and Conjugate Gradient Back Propagation.

II. RESEARCH METHOD Since their development in the mid-1990s by Patrick O. Brown, Joseph DeRisi, David Botstein, and colleagues, DNA microarrays have become a key tool in the fight against cancer [10]. The characteristic of microarray data is small sample but huge dimension. Since that, there is a challenge for researchers to provide solutions for Microarray Data classification with high performance both in accuracy and running time. Figure 1 below illustrate of how microarray data obtained.

Fig. 1 The processes to obtain microarray data [http://www.ebi.ac.uk]

Jurnal Nasional JMII 2016

2

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

In machine learning field, cancer detection problem can be done by classifying data into classes that have been defined. Classification is the process of determining a class of data using methods such as Artificial Neural Networks. ANN trained by back propagation (BP) is popular method for classification that produces good accuracy for microarray classification. Literature review includes the following contributions. Bai [4] in his master thesis was build framework based on PCA and back propagation to classify microarray data. He uses some public microarray dataset such as ovarian cancer data, colon cancer data, and leukemia data, resulting 96% accuracy for ovarian, 95% accuracy for colon, and 97% accuracy for leukemia. In terms of training time, Bai was admitted back propagation required long time for training, around 20-23 seconds for each data. Hieu et al [5] in his study also was build framework based on PCA and back propagation to classify microarray data. PCA is done by implement Singular Value Decomposition (SVD) in this study. Experiment is provides by compared proposed system accuracy with Extreme Learning Method (ELM) and proposed system was able to outperform ELM with 83.6% accuracy for colon cancer data. As we mention in introduction, although BP is good algorithm for train ANN but BP require long time in training. In this research we improve accuracy of standard back propagation by modifying back propagation by implementing conjugate gradient (CG) algorithm on search direction in BP training. BP algorithm use steepest descent to calculate search direction of new weights and use static learning rate as step-size of direction. Steepest descent uses most negative of gradient to be search direction. This is the direction in which the performance function is decreasing most rapidly. It turns out that, although the function decreases most rapidly along the negative of the gradient, this does not necessarily produce the fastest convergence [11]. By modifying search direction of standard back propagation using conjugate gradient 1. method, the search direction is not only decrease but 2. along conjugate directions [8] [11].

The Modified Back Propagation Algorithm Conjugate gradient (CG) uses non-zero vector which is orthogonal and linearly independent [8]. Two vectors and are orthogonal (G-conjugate) if its inner product is zero, it can be written as follows: (1) Before getting into CG algorithm, must be determined objective function to be optimized. If the CG algorithm is used as an artificial neural network training algorithms, then the goal is to minimize the errors that depend on the weights that connect between neurons. Therefore, the objective function is the error function: (2)

Where

is number of patterns in training data,

weighting matrix, the output neurons for

and

is

are target data and

patterns, respectively.

Conjugate gradient is a method to minimize the derivative function by calculating iteratively approach based on: , (3) ,

Where and are the parameters of the momentum to avoid local convergence. Conjugate gradient algorithm for training of back propagation are as follows [7]: Initializing all weights to small random numbers. If the termination conditions were not satisfied, do the steps 2-12.

Jurnal Nasional JMII 2016

3

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Forward propagation [7]: 3.

.

Calculating all the outputs in the hidden units

(j =

7.

1,2, …, p).

Calculating the gradient at the unit output of the objective function is established. (8)

8.

Calculating the gradient at the hidden units.

(4) (9)

4.

Calculating all the outputs in the output units

(k =

1,2, …, m).

9.

Calculating the parameter β for all neurons in the hidden units and output units as follows:

a.

Powell-Beale:

b.

Fletcher-Reeves:

,

, (10)

(5) c.

Polak-Ribiere:

,

Backward Propagation [7]: where: 5.

Calculating the error factor in the output units based on difference (error) value of actual and factual values (output from the output units).

=

in the recent iteration.

= gradient in the recent iteration.

(6) 6.

Calculating the error factor in the hidden units based on the error factor in the unit above it.

(7)

= gradient in the prior iteration.

10. Calculating the direction for all neurons in the hidden units and outputs units.

Jurnal Nasional JMII 2016

4

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

where = number of sample and dimension.

(11)

2.

For the initial direction:

= number of

Calculating covarian matrix (12)

11. Calculate the parameter α for all neurons in hidden units and output units, which is how big the steps taken for each direction. This parameter can be searched by 3. line search technique.

Caculating eigenvalue and eigenvector ,

Weights update [7]: 12. Weight updating is carried out by the following manner: (12)4.

Using PCA for Reducing Dimension Microarray data have very high dimension data that will cause “the curse of dimensionality” problem if we classify it without preprocessing. In this research we 5. add PCA dimension reduction process before classification. PCA tries to transform the high dimensional data into new coordinate system that generate from linear combination of original data. PCA obtained from the calculation of eigenvector and eigenvalue of covariance matrix. Only a number of the eigenvector with the largest eigenvalue was selected as a dimension reduction model (called principal component). After some PC obtained, original data projected into these PC to get transformed data that has reduced dimension. Below is PCA process for reduction dimension.

where

(13)

= Eigenvector and λ = Eigenvalue

Selecting set of eigenvector has the largest eigenvalue The simple way to do this; eigenvector sorted descending by its eigenvalue and then select some most-left eigenvector as we want. Data transformation (16)

Complete Design of PCA+MBP The proposed system was divided into two stages that were training stage and testing stage. Training stage was done first to build a system model. After training stage was done, the system can be used to classifying data in testing stage. Detailed process was described in figure 2.

Let data is matrix X (m, n), each m-sample in the matrix X is represented as a vector sized N. Matrix X is the input of PCA. Below are the steps to reduce dimension using PCA [13]. 1.

Calculating mean of data (11) ,

Jurnal Nasional JMII 2016

5

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Table 1 Data Specification

Data

Fig. 2 Block Diagram of PCA+MBP system

The results of training stage are PCA model and trained ANN. In the testing stage PCA model used to transform data and get data with reduced dimension and then forward propagation is conducted by using trained ANN. Data normalization aims to making uniform input of ANN in range value (0,1).

III. RESULTS AND ANALYSIS

Num. of Classes

Num. of Features

Num. of Samples

Colon

2

65 (25 cancer vs 40 normal)

2000

Ovarian

2

250 (160 cancer vs 90 normal)

15154

Leukemia

2

70 (45 ALL vs 25 AML)

7129

We also run some systems, which are: MBP (without PCA), PCA+BP, and BP to compare the results with proposed system result. We use 5-folds cross validation for selecting model and evaluation. We investigating training time (running time of all processes for building 1 model in k-fold cross validation) in second and accuracy in percent (%). Table 2 is the best result of all systems, bold value specify the best value of measurement for each data. Table 2 Testing Results System

Accuracy

Training Time

PCA+BP

98

45.55

MBP

100

7.87

PCA+MBP

96

5.35

BP

81.2

373.2

Ovarian

We use three public microarray data, leukemia data, colon cancer data, and ovarian cancer data, taken from Kent-Ridge Bio-medical Data Repository [9] for developing and evaluating model. Ovarian data contains proteomic patterns intensity in serum that distinguished ovarian cancer from non-cancer. Colon data collected from colon cancer patients that had tumor biopsies and normal biopsies of colon cancer. Leukemia data collected from the bone marrow samples of leukemia patients to classify the type of leukemia which were acute lymphoblastic leukemia

PCA+BP

MBP

83.0 8 83.0 8

15.74

3.07

Colon

(ALL) and acute myeloid leukemia (AML). Table 1 is specification of all data.

Jurnal Nasional JMII 2016

PCA+MBP

BP

76.9 2 75.3 8

2.28

60.9

6

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

PCA+BP

MBP

94.2 9 69.0 5

4.07

5.44

Leukemia PCA+MBP

BP

97.1 4 64.2 9

1.81

600.52

Table 2 showed PCA+MBP (proposed system) required shortest training time than other systems, around 1-5 second for building model. In terms of accuracy, PCA+MBP only win for leukemia data. Another finding in experiments is the accuracy of MBP superior for ovarian data and colon data compared with other systems. The superiority of MBP is unexpected considering there is no dimension reduction in MBP.

IV. CONCLUSION

produce around 76%-97% for all data. It result were not able to outperform PCA+BP that produce accuracy around 83%-98%. The outstanding result was showed by MBP, the accuracy of MBP higher than PCA+MBP, PCA+BP, and BP in ovarian cancer data and colon cancer data that were 100% and 83.03%. Testing results was showed PCA+MBP require very short time for training, but in terms of accuracy, PCA+MBP must be corrected. If we look MBP performance we can conclude the use of PCA before MBP must be replaced. We suggest for replacing PCA with FLD [12]. FLD is combination of PCA and LDA that achieve good accuracy for dimension reduction of face recognition problem.

We wish to thank to Setia Pramana Ph.D. from Medical Epidemiology and Biostatistics Department Karolinska Institutet, and Putri Wiki Novianti Ph.D. from Utrech University, for discussion and they presentation in indo data mining mailing list.

This study proposes a new framework for REFERENCES detecting cancer based on microarray data using the combination of principal component analysis (PCA) and conjugate gradient back propagation (MBP) National Cancer Institute, “What is cancer?”, method. The MBP was the modification of standard [1] http://www.cancer.gov/cancertopics/cancerlibrary/what back propagation by implementing conjugate gradient -is-cancer, accessed at March 22nd 2013. algorithm in back propagation training. [2] World Health Organization, “Cancer fact sheet”, Some experiments were conducted by http://www.who.int/mediacentre/factsheets/fs297/en/ind implementing 5-fold cross validation using public data ex.html, accessed at March 22nd 2013. from Kent-Ridge Biomedical Data Repository, [3] Sarhan Ahmad M., “Cancer classification based on consisting of ovarian cancer data, colon cancer data, microarray gene expression data using DCT and ANN”, and leukemia data. The accuracy of testing stage and Journal of Theoretical and Applied Information time of training stage were determined as measurement Technology, 2009. tools for measuring performance of PCA+MBP [4] Bai Anita, S.K. Rath, “Classification and clustering (proposed system), MBP, PCA+BP, and BP. using intelligent techniques: application to microarray cancer data”, Master Thesis of Department of Computer The important result of the experiments was Science and Engineering National Institute of PCA+MBP requires around 1-5 seconds for training of Technology Rourkela, India, 2013. each data. It result was the best result of all systems. Hieu Trung Huynh, Jung-Ja Kim, Yonggwan Won. Furthermore, the MBP was also still generates shorter [5] “Classification study on DNA microarray with training time than PCA+BP and BP, it proved that MBP feedforward neural network trained by singular value was able to reduce training time in neural network. In decomposition”, International Journal of Bio-Science terms of accuracy of testing, generally PCA+MBP and Bio-Technology, Vol. 1, No. 1, December, 2009.

Jurnal Nasional JMII 2016

7

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

[6]

[7]

[8]

[9]

[10]

Abbas Y. Al Bayati, Najmaddin A. Sulaiman and Gulnar W. Sadiq, “A modified conjugate gradient formula for back propagation neural network[11] algorithm”, Journal of Computer Science 5 (11): 849856, 2009, ISSN 1549-3636, © 2009 Science Publications. Adiwijaya, U.N. Wisesty, T.A.B. Wirayuda, [12] Z.K.A. Baizal, U. Haryoko, “An improvement of back propagation performance by using conjugate gradient on forecasting of air temperature and humidity in indonesia”, Far East Journal of Mathematical Sciences (FJMS), special vol. 2013, part 1, pages 57-67,[13] Alahabad, India. J. Wang, X. Chi, T. X. Gu, “Nonlinear conjugate gradient methods and their implementations by TAO on dawning 2000-II+”, In Inter. Conf. on Parallel Algorithms and Computing Environments (ICPACE), 2003. Jinyan Li, “Kent-ridge bio-medical data set repository”, School of Computer Engineering Nanyang Technological University, Singapore. Downloaded at January 2013 from URL: http://levis.tongji.edu.cn/gzli/data/mirrorkentridge.html. Nature Scitable, “Genetic diagnosis: DNA microarrays and cancer”, http://www.nature.com/scitable/topicpage/genetic-

diagnosis-dna-microarrays-and-cancer-1017, Accessed at February 26th 2014. Kisi Ozgur, Uncuoglu Erdal, “Comparison of three back propagation training algorithms for two case studies”, Indian Journal of Engineering & Materials Sciences Vol. 12, October 2005, pp. 434-442. Belhumeur P.N., Hespanha J.P., Kriegman D.J., “Eigenfaces vs fisherfaces: recognition using class specific linear projection”, IEEE Transactions Pattern Analysis Machine Intelligent, Vol. 19, pp 711-720, 1997. F.R. Umbara, A. Nurfalah, T.H. Liong, “Colorectal cancer classification using PCA and fisherface feature extraction data from pathology microscopic image”, Information Systems Internation Conference (ISICO), 2013.

Jurnal Nasional JMII 2016

8

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

KELOLA KUBIKAL DATA TRANSAKSIONAL SISTEM INFORMASI RUMAH SAKIT DENGAN TEKNIK ONLINE ANALYTICAL PROCESSING Feri Sulianta Fakultas Teknis, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra No. 204A, Bandung, Indonesia [email protected]

Abstrak Data-data transaksional rumah sakit dapat diberdayakan lebih lanjut untuk ragam keperluan dan bukan hanya sebagai arsip riwayat pasien perseorangan saja. Berbagai informasi berharga dapat diungkapkan dari data transkasional rumah sakit yang dihasilkan dari sistem rekam medis. Dalam kasus ini untuk mendapatkan kejelasan yang melibatkan informasi menyeluruh yang juga melibatkan ragam sudut pandang dapat disolusikan dengan teknik Online Analytical Processing (OLAP). Teknik ini mampu mengakomodasi kelengkapan data yang nantinya menjadi framework untuk dianalisa secara seksama. Mengacu pada data rekam medis dimana setiap pasien memiliki banyak keluhan dan latar belakang yang berbeda yang terelasi dengan sang pasien. Teknik OLAP mampu menyajikan data dalam bentuk multidimensi. Selanjutnya, OLAP akan melakukan eksekusi data yakni slicing (irisan) dan dicing (rotasi) yakni memampatkan, mengakumulasi kumpulan data, melakukan filtrasi, mensorting, serta memberikan label perangkingan yang akan memperkaya temuan berharga dari data kubikal. Kata kunci :

Transactional data in hospital can be further empowered for diverse purposes and not just as an individual patient history archive only. Various valuable information may be disclosed from the hospital transkasional the data generated from the medical record system. In this case to clarify that involve thorough information that also involves diverse viewpoints are treated with techniques Online Analytical Processing (OLAP). This technique is able to accommodate the completeness of the data that will be the framework to be analyzed carefully. Referring to the medical records where each patient has a lot of complaints and different backgrounds who terelasi with the patient. OLAP techniques capable of presenting data in a multidimensional form. Furthermore, OLAP will execute the data that is slicing (slice) and dicing (rotation) that compress, accumulate a data set, perform filtration, mensorting, as well as labeling perangkingan that will enrich prized from the data cubes. Keywords : Online Analytical Processing (OLAP), Data Record Media, Data cubes, Slicing, Dicing.

Online Analytical Processing (OLAP), Data Rekam Media, Data Kubikal, Slicing, Dicing.

Abstract

I. PENDAHULUAN Salah satu rumah sakit swasta di bandung memiliki data pasien rawat inap dalam sistem sistem rekam medis. Data transaksional tersebut akan dianalisa guna menyingkapkan informasi yang berharga untuk membangun strategi bisnis,

Jurnal Nasional JMII 2016

9

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 memberikan layanan dan dasar pembuatan kebijakan rumah sakit. Beberapa hal dari informasi yang dapat dieksplorasi, misalnya dengan dunia yang semakin berkembang dan penyakit pun beragam, pihak rumah sakit harus sigap mengantisipasi keluhan para pasien.

Akan diperlihatkan secara mendasar komponen diperlukan dalam menjalankan OLAP dan implementasi langkah-langkahnya sebagai berikut:

Dalam hal ini teknik Online Analytical Processing akan diterapkan guna menskemakan basis data, analisa datadan menyingkapkan temuan berrharga. Secara prkatikal, teknik Online Analytical Processing pun dapat menghadirkan kebutuhan retrieval data diagnosa. Langkah ini diharapkan mampu mengungkap banyak informasi yang sebelumnya tidak teralamati jika hanya mengandalkan sistem rekam medis dengan fitur sistem pemrosesan transaksi saja.

II. KAJIAN LITERATUR OLAP atau disebut dengan Online Analytical Processing, merupakan metode menganalisa data (atau kumpulan data) secara interaktif tanpa harus menggunakan teknik pemrograman rumit. Pemakai cukup mengakses fitur grafis yang tersedia dalam OLAP. Analisa data menjadi mudah, pemakai dapat dengan mudah mengubah dan memposisikan data dengan fitur grafis yang interaktif.

Gambar 1. Siklus pengolahan data dengan OLAP dan pemetaan ke dalam data kubikal [10]

Berbeda dengan sekedar tabel tunggal sederhana, diperlukan komponen lain untuk membangun OLAP, antara lain :

OLAP pada umumnya digunakan pada pembuatan laporan bisnis seperti laporan keuangan, penjualan, pemasaran, meramal data, analisa budget, business process management, dan meluas pada keperluan riset dan industri [1][2][6][7].



Kumpulan tabel (tabel: kumpulan dari baris dan kolom).



Relasi: keterhubungan antara satu tabel dengan tabel lain.

OLAP memampukan sistem analis menganalisa berbagai data dengan atribut beragam, misalnya saja data pasien berdasarkan penyakit yang diderita, waktu registrasi pasien, jenis asuransi yang digunakan, biaya pengobatan kemudian membandingkannya dengan data yang tersedia. Temuan seperti waktu puncak registrasi dan jenis pernyakit yang diderita atau dikeluhkan, jenis obat yang digunakan, atau bahkan jenis asurasi yang digunakan dapat menjadi dasar dalam membuat layanan lebih baik. Misalnya menyiapkan personel tambahan dalam waktuu-waktu tertentu yang didapati terjadinya puncak registrasi pasien, atau bahkan untuk strategi bisnis dengan menggandeng pihak asurasi guna memberikan tawaran produk asurasi lebih tepat sasaran.

Jurnal Nasional JMII 2016

10

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 diorganisasi terlebih dahulu dalam tabel -tabel. Selanjutnya relasi dibuat untuk membangun keterikatan antara satu tabel dengan tabel lainya. Filtering merupakan hasil pada data OLAP yang akan memilah milah data sesuai kebutuhan analisa data, proses ini mungkin melibatkan berbagai cara yang akan menyusun, meringkas, mengurutkan, memposisikan serta mengeliminasi data yang tidak dibuuhkan. Hasil dari filtrasi adalah membangun image atau pola atau tabel informatif yang nantinya ditelusuri dan dibandingkan guna memahami data dalam perspektif multidemensi. Untuk mendapatkan pengetahuan demikian, maka cara yang ditempuh untuk menyingkapkan temuan berharga dari data tersebut yakni menggunakan data OLAP dengan filtering. Gambar 2. Representasi kubikal data tiga dimensi [10]

Untuk membentuk data multi dimensi dibutuhkan banyak tabel yang terelasi satu sama lain, hal ini penting dalam membangun kelengkapan informasi. Selain membutuhkan data-data yang bergantung pada tabel-tabel lain, data multi dimensi mempunyai elemen-elemen pelabelan yang nantinya dipertimbangkan dalam proses kelola OLAP. Beberapa elemen utama yang dimaksud: 

Dimensi (dimension): atribut yang ditinjau.



Pengukur (measurement): besaran yang sifatnya kuantitatif terpaut pada dimensi yang adalah point of view dari data kubikal.



Kalkulasi (hasil ukur): pengukuran suatu (measurement).

OLAP mampu memetakan data dalam bentuk dimensioal cube (dimensi kubikal), kemudian masing-masing kubikal dapat dengan mudah dibandingkan, Pihak pengambil keputusan mudah dan cepat ketika mencari penyebab permasalahan yang dihadapi. Perangkat lunak yang digunakan untuk mengimplementasikan data pasien rawat inap ini guna melakukan irisan dan rotasi data yang seketika mampu menghasilkan informasi yakni Olap Cube.Aplikasi ini akan membaca data yang disimpan dalam format Ms. Access. Selanjutnya, melakukan seleksi dimension dan measures yang ingin diproses melalui Build Cube OLAP Cube. Konfigurasi komputer yang digunakan dalam penelitian yakni: Sistem Operasi Windows 8, Processor Intel Celeron Processor 1019& 1 GHz, 2 MB L3 cache, dengan spesifikasi memori 4 GB DDR3.

hasil irisan

Dengan membangun OLAP maka data yang diorganisasi dalam tabel dapat diberdayakan lagi untuk keperluan analisa. Informasi yang bernilai tidak ditemukan jika mengandalkan tabel tunggal yang hanya mengorganisasi baris dan kolom saja.

III. ANALISIS DAN PERANCANGAN Setelah transaksional.

mendapati Selanjutnya

wujud dari data mentah

data harus

Gambar 3. Elemen basis data terelasi dalam bentuk normal ke tiga untuk ditransformasikan ke dalam data kubikal

Jurnal Nasional JMII 2016

11

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 Dalam kasus ini, hanya sebagai data saja yang akan diambil dari basis data transaksional yang dipetakan dalam 1 tabel tunggal setelah proses

denormalisasi dengan mengeksekusi Structure Query Language (SQL).

perintah

Tabel 1. Hasil denormalisasi yang akan ditransformasi menjadi data kubikal

Data mentah tersebut mencitrakan data pasien rawat inap diambil dalam kurun waktu dua minggu dengan karakteristik yakni 16 atribut dan 953 record. Selanjutnya, menentukan row data yang diiris atau slicing dan menentukan sudut pandang yang ingin dilihat dari data atau dicing.

IV. IMPLEMENTASI Dikatakan sebelumnya data kubikal virtual dapat diubah sedemikan rupa untuk mencari temuantemuan lain lagi yang berharga. Hal ini dilakukan menggunakan beberapa jenis metoda pengoperasian pada data kubikal virtual. Pada tahan inilah observasi data dilakukan yang mencakup: -

Membuat irisan/ Slicing.

-

Membuat banyak irisan/Dicing.

-

Drill Up.

-

Drill Down.

-

Rotasi atau Pivoting.

Irisan Berganda (OLAP dicing) Irisan berganda atau dicing adalah irisan dilakukan lebih dari dua dimensi data. Dimensi batasan waktu dan area tidak berubah, tetapi tiga kategori suatu item diambil untuk analisa lebih lanjut. OLAP Drill-up dan Drill Down Drill Down serta Drill Up merupakan proses yang dilakukan dalam menspesifikasi atau mengeneralisasi informasi. Semakin ke atas (UP) maka informasi yang didapat semakin umum (berupa ringkasan) dan semakin ke bawah (Down) maka informasi yang didapat semakin spesifik (terinci dan detail). Kubikal virtual (kiri) jika ditranslasikan ke kubikal (kanan) disebut Drill Down sebaiknya dari kanan ke kiri disebut dengan Drill UP.

Berikut akan dijelaskan satu persatu untuk setiap operasi pada OLAP. Irisan ( OLAP slicing )

Irisan atau slicing merupakan langkah dan sub proses guna mengambil satu atau beberapa bagian (dimensi) dari data kubikal virtual. Tujuan dari irisan yakni menyederhanakan kebuthuan data dengan cara mengeliminasi data yang sifatnya akan membiaskan hasil dan kejernihan dari informasi.

Drill Down dilihat sewaktu area kubikal yang dikategorikan dalam produk layanan seperti misalnya ruang pasien kelas A, ruang pasien kelas B, ruang pasien kelas C atau ruang pasien VIP.

Jurnal Nasional JMII 2016

12

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 Rotasi atau OLAP pivoting Rotasi atau Pivoting dilakukan dengan mengubah koordinat atau sudut pandang pengamat terhadap data kubikal virtual, hal ini ditujukan untuk mendapatkan informasi multiperspektif (rich and valuable information). Rotasi data kubikal virtual sedemikian rupa, akan mengubah fokus analisa, misalnya analisa berbasiskan jenis penyakit menjadi berbasis kurun waktu. Temuan informasi baru bisa muncul seperti degradasi penggunaan layanan asuransi tertentu setiap tahunnya. Sebelum dirotasi hal ini tidak nampak karena jumlah pasien masih memiliki tingkat loyalitas tinggi pada rumah sakit yang bersangkutan.

4. Lakukan drag dan drop mouse untuk field atau kolom pada tabel dalam menentukan „dimension‟ dan „measure‟. 5. Membangun kubikal. Data apapun dapat digunakan asalkan memiliki ODBC Driver (middleware untuk basis data agar basis data dapat dikenali oleh sistem yang berbeda) yang cocok untuk database tersebut maka OLAP dapat mengenali datanya[4][5][6]. Atribut memaksudkan jumlah kolom keterangan pasien rawat inap sedangkan record memaksudkan jumlah pasien rawat inap yang terjadi selama kurun waktu dua minggu.

1. Mengkoneksikan OLAP ke sumber data atau datasource yang akan dianalisa.

Agar data dapat diidentifikasi untuk dilakukan pengirisan berbasis atribut menggunakan Olap Cube, maka data pada tabel tunggal tersebut harus diintegrasikann pada apliaksi OLAP sepenuhnya [13][14][15][16].

2. Menambahkan tabel yang diperlukan dari data source.

Sehingga didapati transformasi data pasien rawat inap sebagai berikut:

Tahap-tahap menggunakan OLAP dalam menganalisa data relatif mudah, berikut langkahnya:

3. Membangun Relasi antar Tabel.

Gambar 4. Menentukan irisan pada atribut dan data row untuk membangun temuan

Hingga tahap ini, data kelola dari bentuk normal ketiga, keempat taau kelima sudah terorganisasi dengan adanya relationship, selanjutnya ditindaklajuti

melalui filter yang adalah pengetahuan hasil dari kelola dan drilling data kubikal. Mengacu pada data kubikal yang menjadi objek bahasan, akan ditelusuri informasi yang terkandung

Jurnal Nasional JMII 2016

13

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 didalamnya, serangkaian proses analisa ini dimulai dari memilih serta ditindaklanjuti dengan menelusuri elemen atau atribut, atau menambahkan atribut lain serta mensubstitusi atribut.

V. HASIL DAN DISKUSI Hasil mengkaji data-data yang terfilter dipresentasikan dalam diagram lingkaran yang secara visual menjelaskan dimension dan measures. Berikut ini hasil representasi diagramnya:

Gambar 7.Top 10 Nama Penjamin Pasien (data konfidensial tidak diperlihatkan)

Gambar 5.Top 10 Diagnosa Awal

Gambar 8.Top 10 Usia Pasien

Pengetahuan yang terungkap yang sekaligus dapat dijadikan basis untuk mengetahui hasil banyaknya kasus dua minggu rawat inap pasien yakni:

Gambar 6.Top 10 Jenis Kelamin



Gambar 5: memperlihatkan hasil diagnosa dari data rawat inap pasien yang menunjukan banyak kasusnya adalah Thalasemia major.



Gambar 6: memperlihatkan hasil jenis kelamin yang memiliki banyak kasus adalah wanita.



Gambar 7: memperlihatkan hasil penjamin pasien atau asuransi yang paling banyak digunakan oleh pasien yang dating berobat rawat inap adalah JKN Non PBI atau BPJS.

Jurnal Nasional JMII 2016

14

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 

Gambar 8: memperlihatkan hasil usia pasien yang banyak kasus yang pertama usia satu tahun merupakan bayi lahir dan selanjutnya usia dengan hasil yang sama adalah usia 28 dan 53.

VI. TUJUAN DAN KESIMPULAN Penalaran dengan OLAP memampukan sistem analis dalam membangun sistem analitik yang baik dan tepat sasaran sehubungan kondisi basis data yang dimiliki perusahaan. Sewaktu data yang diinginkan terbentuk dan hasil dinginkan terpenuhi, sebenarnya prototype (model) sudah terbentuk dan sudah siap dikomunikasikan dengan pihak manajemen rumah sakit. Dalam kasus ini, teknik OLAP mampu menyingkapkan informasi pada data pasien rawat inap, yakni berupa pie guna dijadikan acuan untuk rumah sakit. Rumah sakit dapat mengantisipasi untuk kesiapan menerima pasien karena sudah difiltering data menggunakan OLAP. Informasi temuan dari OLAP pada rumah sakit tertentu dapat ditindak lanjuti oleh pemerintah atau dinas kesehatan guna mengantisipasi termasuk melakukan penanggulangan penyakit yang menjangkiti masyarakat disuatu lokasi tertentu. Hasil dari data yang sudah diproses menghasilkan bahwa diagnosa yang banyak dialami adalah Thalasemia major lalu kelahiran yang dialami kebanyakan jenis kelamin perempuan dan usia 28 sampai 53 tahun. Hal ini menjadi informasi berharga bagi dinas kesehatan jika suatu saat diperlukan. Untuk pengembangan OLAP ini, dibutuhkan tambahan informasi detail lainnya sperti misalnya informasi wilayah alamat pasien sehingga bisa mendapatkan hasil yang lebih spesifik untuk mencapai hasil yang lebih detail agar rumah sakit dan masyarakat dapat melakukan tindakan penanggulan secara seksama.

REFERENSI [1]. Motro. Accommodating Imprecision in Database Systems: Issues and Solutions. SIGMOD Record, 19(4):69–74, 1990. [2]. Motro. Sources of Uncertainty, Imprecision and Inconsistency in Information Systems. In

Uncertainty Management Systems, pages 9–34. 1996.

in

Information

[3]. Shoshani. OLAP and Statistical Databases: Similarities and Differences. In PODS 1997. [4]. Bernardino J., et al. Approximate Query Answering Using Data Warehouse Striping. Journal of Intelligent. 2002 [5]. Body M., et al. A Multidimensional and Multiversion Structure for OLAP Applications DOLAP‟02, November 8, McLean, Virginia, USA. 2002. [6]. Chaudruri. S., Dayal U. An Overview of Data Warehousing and OLAP technology. Sigmod Record. 1997. [7]. Codd, E.F., et al. C.T.: Providing OLAP to User Analysts: an it Mandate. Technical Report, E.F. Codd &Associates. 1993. [8]. D T Pham , S S Dimov, and C D Nguyen. Selection of K in K-means clusteringProc. IMechE Vol. 219 Part C: J. Mechanical Engineering Science, Cardiff University, Cardiff, UK. 2004. [9]. D. Burdick, P. M. Deshpande, T. S. Jayram, R. Ramakrishnan, and S. Vaithyanathan. OLAP over uncertain and imprecise data. In VLDB 2005. [10]. Feri Sulianta. OLAP Excel – Cara Hebat Excel Mengelola Data. Elexmedia Komputindo. Jakarta. 2011. [11]. H.-J. Lenz and B. Thalheim. OLAP Databases and Aggregation Functions. In SSDBM 2001. [12]. Information Systems, 19:2, pp. 145-167. [13]. Relational Databases. 7(3):239–267,1992.

Data

Knowl.

Eng.,

[14]. Rui Oliveira, Jorge Bernardino. Building olap tools over large databases. Isec – Instituto Superior de Engenharia de Coimbra, Polytechnic Institute of Coimbra. Quinta da Nora, Rua Pedro Nunes, P-3030-199 Coimbra, Portugal. [15]. S. Abiteboul, R. Hull, and V. Vianu. Foundations of Databases. Addison-Wesley, 1995.

Jurnal Nasional JMII 2016

15

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093 [16]. S. I. McClean, B. W. Scotney, and M. Shapcott. Aggregation of Imprecise and Uncertain Information in Databases. IEEE TKDE, 13(6):902–912, 2001.

Databases Using Granularities. In SSDBM, 1999. [18]. T.Minka. Expectation-maximization as lower bound maximization.,1998.

[17]. T. B. Pedersen, C. S. Jensen, and C. E. Dyreson. Supporting Imprecision in Multidimensional

Jurnal Nasional JMII 2016

16

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

ANALISIS PENCAPAIAN MANFAAT DALAM PENGGUNAAN ERP DI PERUSAHAAN INDONESIA Iqbal Yulizar M Fakultas Teknik, Program Studi Teknik Industri, Universitas Widyatama, Jl. Jl. Cikutra No.204A, Bandung Email: [email protected]

Abstrak Situasi persaingan bisnis yang semakin kompetitif saat ini, mendorong banyak perusahaan di Indonesia untuk mengembangkan proses bisnisnya dengan memanfaatkan sistem informasi melalui implementasi sistem Entrerprise Resource Planning (ERP). Usaha pengembangan yang dilakukan perusahaan tersebut membutuhkan investasi yang tidak sedikit.

organization. Based on the survey results conducted on 41 companies, it was found that the average of these companies has been realized the benefit from the ERP implementation. Keywords: ERP implementation, benefit realization, survey.

I. PENDAHULUAN

Penelitian ini menganalisis ketercapaian manfaat dari implementasi ERP yang telah di implementasikan di perusahaan-perusahaan Indonesia. Ketercapaian manfaat implementasi tersebut dilihat dari perspektif bisnis, teknologi, dan organisasi. Berdasarkan hasil survey yang dilakukan terhadap 41 perusahaan, ditemukan bahwa perusahaan-perusahaan tersebut, secara rata-rata telah cukup mendapatkan manfaat dari implementasi ERP yang dilakukan.

Dikarenakan dampak yang strategis dari kualitas proses bisnis dan informasi terhadap keunggulan kompetitif suatu perusahaan, maka sejak tahun 1990an, Enterprise Resource Planning (ERP) telah menjadi sistem teknologi informasi yang diadopsi oleh banyak perusahaan (Gupta,& Kohli, 2006). ERP merupakan paket sistem informasi yang mengintegrasikan informasi dalam suatu area fungsional atau antar area fungsional dalam perusahaan (Govindaraju, 2002).

Kata kunci: implementasi ERP, realisasi manfaat, survey.

Untuk mengimplementasikan ERP, perusahaan menginvestasikan dana dan waktu yang tidak sedikit. Berdasarkan hasil survey Meta Group terhadap 63 perusahaan yang mempunyai pendapatan antara 12 juta dolar sampai 43 miliar dolar, diperoleh data bahwa rata-rata dana yang dikeluarkan oleh perusahaan-perusahaan untuk mengimplementasikan ERP adalah sebesar 10,6 juta dolar dan waktu yang dibutuhkan untuk mengimplementasikan adalah selama 23 bulan (Umble et al., 2003). Meskipun dana dan waktu telah banyak diinvestasikan, tidak semua perusahaan berhasil merealisasikan manfaat dari implementasi ERP yang dilakukannya. Kegagalan merealisasikan manfaat implementasi ERP ini ditunjukkan dengan tingginya inventori, penurunan

Abstract Today’s competitive business competition has encourage many companies in Indonesia to develop their business processes using information system by implementing Enterprise Resource Planning (ERP) system. This effort requires a siginificant amount of invesment. This research analizes the benefit realization of the ERP implementation in Indonesian companies. The benefit realization in this researh is views from the perspective of business, technology, and

Jurnal Nasional JMII 2016

17

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

pendapatan, dan kehilangan return on investment (ROI) (Martua, 2006). Untuk kondisi implementasi ERP di Indonesia, hasil studi kasus pada beberapa perusahaan besar di Indonesia menunjukkan bahwa pencapaian manfaat dari implementasi ERP belum begitu maksimal. Pada PT. Mitsubishi Chemical Indonesia, pemahaman pengguna mengenai sistem ERP masih rendah dan pengguna merasa kesulitan dalam menggunakan ERP sehingga kinerja perusahaan menurun (Martua, 2006). Pada PT. Indosat Tbk, hasil studi kasus terkait dengan evaluasi kesuksesan implementasi ERP menunjukkan bahwa ERP belum dapat meningkatkan tingkat produktivitas, belum dapat mengurangi biaya organisasi, dan belum dapat meningkatkan kepuasan pelanggan (Novriani, 2008). Pada PT. Danone Dairy Indonesia, akurasi dan kecepatan untuk mendapatkan informasi masih belum begitu baik, hal ini ditandai dengan seringnya keluhan pengguna akibat adanya redudansi data dalam ERP (Handayani, 2009). Penelitian-penelitian terkait ketercapaian manfaat ERP dari perusahaan-perusahaan di Indonesia yang telah dilakukan lebih banyak berupa studi kasus dari masing-masing perusahaan, belum menggambarkan kondisi perusahaan-perusahaan di Indonesia secara keseluruhan. Untuk medapatkan gambaran kondisi pencapaian manfaat dari implementasi ERP oleh perusahaan-perusahaan di Indonesia penelitian ini melakukan survey terhadap 41 perusahaan. Ketercapaian manfaat dari implementasi ERP dalam penelitian ini dilihat dari 3 (tiga) perspektif , yaitu:

2. Perspektif manfaat teknologi, yaitu realisasi manfaat dari implementasi ERP yang berkaitan dengan infrastruktur teknologi dalam perusahaan. Aspek-aspek manfaat yang tercakup dalam variabel realisasi manfaat teknologi adalah sebagai berikut: a. Tingkat kestabilan infrastruktur IT (Shang & Seddon, 2000). b. Tingkat fleksibilitas infrastruktur IT untuk kondisi bisnis saat ini dan perubahan bisnis di masa depan (Shang & Seddon, 2000). 3. Perspektif manfaat organisasi, yaitu realisasi manfaat dari implementasi ERP yang berkaitan dengan sumber daya manusia dan budaya kerja dalam perusahaan. Aspek-aspek manfaat yang tercakup dalam variabel realisasi manfaat organisasi adalah sebagai berikut: a. Tingkat efektivitas komunikasi internal departemen dan antar departemen dalam perusahaan (Spathis & Constanitinides 2003). b. Tingkat terfasilitasinya business learning dan peningkatan kemampuan karyawan (Shang & Seddon, 2000). c. Tingkat pemberdayaan karyawan (Shang & Seddon, 2000). Tingkat perubahan perilaku karyawan untuk lebih peduli terhadap kelancaran aliran kerja secara keseluruhan dalam perusahaan (Shang & Seddon, 2000).

II. KAJIAN LITERATUR 1. Perspektif manfaat bisnis, yaitu realisasi manfaat dari implementasi ERP yang berkaitan dengan pengelolaan manajerial, proses bisnis dan perencanaan strategis perusahaan. Aspek-aspek manfaat yang tercakup dalam variabel realisasi manfaat bisnis ini adalah sebagai berikut: a. Tingkat pengurangan biaya (Shang & Seddon, 2000). b. Tingkat produktivitas (Shang & Seddon, 2000). c. Tingkat dukungan terhadap proses penjalinan hubungan dengan pihak-pihak eksternal (Shang & Seddon, 2000). d. Tingkat efektivitas pengambilan keputusan (Shang & Seddon, 2000).

Untuk dapat mengetahui bagaimana mengukur realisasi manfaat dari implementasi ERP, dilakukan studi terhadap literatur-literatur yang mengkaji manfaat dari implementasi ERP. A. Sistem Enterprise Resource Planning (ERP) Enterprise Resource Planning (ERP) merupakan paket sistem informasi yang mengintegrasikan informasi dalam suatu area fungsional dan antar area fungsional dalam perusahaan (Kumar & Hillegersberg, 2000 dalam Govindaraju 2002).

Jurnal Nasional JMII 2016

18

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Gambar 1. Illustrasi Sistem ERP

ERP adalah tulang punggung dari sistem informasi suatu enterprise. Inti dari software ini adalah basis data terpusat yang mendapatkan dan memberikan data kepada berbagai aplikasi modular yang dioperasikan dalam sistem komputer yang sama. Pada Gambar 1, diilustrasikan modul-modul dalam ERP mencakup berbagai fungsi-fungsi dalam bisnis, seperti manufaktur, manajemen rantai suplai, keuangan, proyek, sumber daya manusia, dan manajemen hubungan pelanggan. Modul-modul dalam paket ERP ini dapat disesuaikan dengan kebutuhan spesifik organisasi. Menggunakan ERP, data yang redundan dapat dihindari karena data hanya perlu dimasukkan satu kali ke dalam basis data. Sistem ini menyediakan konsistensi dan transparansi pada keseluruhan enterprise sehingga memberikan akses informasi yang terpercaya dan terintegrasi [6][14]. B. Karakteristik ERP ERP memiliki beberapa karakteristik yang memiliki dampak yang signifikan bagi organisasi yang mengimplementasikannya. Berikut adalah karaktersistik dari ERP yang diidentifikasi oleh Markus & Tanis (1999), 1. Integrasi (Integration) Dengan ERP, dilakukan integrasi dari seluruh informasi yang mengalir dalam perusahaan. Informasi-informasi ini diantaranya meliputi informasi keuangan, sumber daya manusia, konsumen, rantai suplai, dsb (Markus & Tanis, 1999). 2. Berbentuk paket (Packages) ERP berbentuk paket komersil yang dibeli dari software vendor, bukan berupa aplikasi yang

dibangun dari awal di perusahaan. Terdapat dua dampak penting sebagai implikasi dari hal ini. Pertama, sangat dimungkinkan bahwa proses bisnis yang ada pada perusahaan berbeda dengan proses bisnis yang ada dalam paket ERP, sehingga perlu dilakukan penyesuaian proses bisnis perusahaan dengan proses bisnis dalam paket ERP. Kedua, perusahaan yang membeli paket ERP akan terikat dalam hubungan jangka panjang dengan vendor dikarenakan perbaikan yang berkelanjutan pada ERP tersebut hanya dapat dilakukan oleh vendor yang bersangkutan [22]. 3. Best Practices ERP dirancang untuk dapat memenuhi kebutuhan berbagai bentuk perusahaan, karena itu ERP ini dirancang agar memiliki proses bisnis yang umum (generic) yang hanya sedikit berbeda secara substansi. Untuk beberapa perusahaan, karakteristik best practices pada ERP menjadi alasan kuat bagi untuk mengadopsi sistem ini dikarenakan beberapa perusahaan tersebut merasa perlu untuk merancang ulang keseluruhan proses bisnisnya agar menjadi lebih efektif dan efisien (Markus & Tanis, 1999). 4. Membutuhkan beberapa pemasangan (Some Assembly Required) Aspek integrasi dalam ERP hanyalah untuk software-nya saja, tidak mencakup platform dimana ERP ini akan dipasang. Dalam prakteknya, banyak perusahaan yang mendapat kesulitan dalam mengintegrasikan ERP dengan hardware, sistem operasi, software manajemen basis data, dan infrastrukter teknologi informasi lainnya dalam perusahaan (Markus & Tanis, 1999). 5. Berkembang (Evolving) Sebagaimana bentuk teknologi informasi lainnya, ERP berkembangan dengan pesat. Perkembangan tersebut dapat dilihat dari dua aspek, yaitu aspek arsitektur dan aspek fungsionalisasi. Dari aspek arsitektur, pada tahun 1980-an enterprise system dirancang dengan arsitektur sistem mainframe, sedangkan saat ini telah berkembang sehingga dirancang dengan arsitektur client-server dengan aplikasi berbasis desktop maupun web. Dari

Jurnal Nasional JMII 2016

19

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

aspek fungsionalisasi, saat ini vendor-vendor mulai menawarkan fungsionalisasi tambahan berupa modul-modul untuk diintegrasikan dengan inti dari ERP, seperti modul rantai suplai (supply chain), manajamen hubungan pelanggan (customer relationship management), dan fungsionaliasi modul lainnya (Markus & Tanis, 1999). C. Manfaat Implementasi ERP Shang & Seddon (2000) secara komprehensif mengelompokkan manfaat yang diperoleh dari adopsi ERP ke dalam 5 dimensi sebagai berikut: 1. Dimensi operasional Penerapan sistem informasi yang bersifat enterprise seperti ERP dalam perusahaan dapat meningkatkan kinerja operasional perusahaan dalam hal efisiensi proses bisnis dan mengotomasi transaksi yang ada dalam perusahaan. Secara umum, manfaat implementasi ERP dalam dimensi operasional adalah sebagai berikut (Shang & Seddon, 2000): a. Penurunan biaya tenaga kerja, biaya inventori, dan biaya administratif. b. Pengurangan waktu siklus pada aktivitas customer support, employee support, dan supplier support. c. Peningkatan produktivitas karyawan. d. Peningkatan kualitas produk perusahaan. e. Peningkatan kualitas pelayanan pelanggan. 2. Dimensi manajerial Karakteristik ERP yang mengintegrasikan keseluruhan informasi dalam perusahaan, memberikan manfaat yang signifikan bagi manajemen. Secara umum, manfaat implementasi ERP dalam dimensi manajerial adalah sebagai berikut (Shang & Seddon, 2000): a. Pengelolaan sumber daya perusahaan yang lebih baik. b. Proses pengambilan keputusan yang lebih baik. c. Pengendalian performansi perusahaan yang lebih baik. 3. Dimensi strategis ERP yang terintegrasi sangat menunjang perusahaan dalam lima aspek strategis perusahaan, yaitu diferensiasi (differentiation),

biaya (cost), inovasi (innovation), pertumbuhan (growth), dan jalinan kerjasama (alliance). Secara umum, manfaat implementasi ERP dalam dimensi strategis adalah sebagai berikut (Shang & Seddon, 2000): a. Mendukung perencanaan bisnis untuk saat ini dan masa depan. b. Mendukung aliansi bisnis perusahaan dengan adanya standardisasi proses bisnis. c. Mendukung dilakukannya inovasi dalam bisnis perusahaan dengan cara merancang rantai proses yang baru, merancang strategi penetrasi pasar yang baru, dan merancang bisnis yang baru. 4. Dimensi infrastruktur teknologi informasi (IT) Infrastruktur IT terdiri dari sumber daya IT yang menjadi dasar dari sistem informasi yang dibangun. Secara umum, manfaat implementasi ERP dalam dimensi strategis adalah sebagai berikut (Shang & Seddon, 2000): a. Meningkatkan fleksibilitas bisnis dalam merespon perubahan dari kondisi internal perusahaan ataupun kondisi eksternal. b. Pengurangan biaya IT dalam hal biaya perawatan sistem, biaya modifikasi sistem, dan biaya pengembangan dan riset. c. Meningkatkan stabilitas, dan fleksibilitas infrastuktur IT dalam merespon kondisi bisnis saat ini dan masa depan. 5. Dimensi Organisasi Implementasi ERP dalam perusahaan yang mengubah cara kerja karyawan sangat mempengaruhi kondisi organisasi terkait sumber daya manusia dan budaya kerja dalam perusahaan. Secara umum, manfaat implementasi ERP dalam dimensi organisasi adalah sebagai berikut (Shang & Seddon, 2000): a. Terfasilitasinya business learning dan peningkatan kemampuan karyawan. b. Karyawan lebih terlibat dalam kelancaran aliran kerja secara keseluruhan dalam perusahaan. c. Karyawan merasa puas dalam menggunakan sistem informasi yang ada. d. Memungkinkan dilakukannya perubahan struktur organisasi ke arah yang lebih baik yang dapat meningkat efisiensi dan efektivitas proses bisnis dalam perusahaan.

Jurnal Nasional JMII 2016

20

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

D. Kajian Perspektif dalam Implementasi ERP Implementasi ERP dapat dilihat dari 3 perspektif, yaitu: 1. Perspektif organisasi Implementasi ERP dapat dilihat dari perspektif organisasi termasuk manusia didalamnya karena implementasi ERP dalam suatu organisasi berkonsikuensi pada dibutuhkannya kompetensi baru dan penyesuaian dari setiap orang dalam organisasi tersebut dikarenakan perubahan sistem yang digunakan sebelum dan sesudah implementasi ERP dilakukan (Kræmmergaard & Møller, 2000). 2. Perspektif bisnis Implementasi ERP dapat dilihat dari perspektif bisnis karena implementasi ERP berkonsikuensi pada berubahnya proses bisnis dalam organisasi, bahkan membawa organisasi menuju bisnis yang benar-benar baru (Kræmmergaard & Møller, 2000). 3. Perspektif teknologi Implementasi ERP dapat dilihat dari perspektif teknologi karena ERP adalah suatu sistem software yang cukup kompleks, yang dimana dalam implementasinya tentu memiliki tantangan yang cukup besar dari sisi teknis (Kræmmergaard & Møller, 2000).

III. PENGUMPULAN DATA Metode pengumpulan data yang digunakan pada penelitian ini adalah metode survey dengan kuesioner yang disebar ke perusahaan-perusahaan yang menjadi objek penelitian. Proses pengumpulan data diawali dengan mengidentifikasi sampel penelitian hingga kemudian kuisioner disebarkan pada responden. A. Indentifikasi Sampel Penelitian Populasi dalam penelitian ini adalah perusahaanperusahaan di Indonesia yang telah mengimplementasikan ERP di perusahaannya dan telah memasuki fase dimana ERP tersebut telah digunakan dalam operasional perusahaan paling sedikit selama 1 tahun. Pemilihan responden sebagai sampel dalam survey ini menggunakan metode judgment sampling dimana responden yang dipilih

berada dalam posisi terbaik yang dapat memberikan informasi yang diperlukan (Sekaran, 2006). Metode ini digunakan karena untuk mendapatkan informasi terkait pencapaian manfaat dari implementasi ERP, responden yang dipilih haruslah seorang wakil dari perusahaan yang mengetahui pengelolaan implementasi ERP di perusahaannya. B. Penyusunan Kuisioner Penentuan jumlah dan isi butir pernyataan dalam kuisioner dilakukan dengan mengacu pada indikatorindikator dari tiap-tiap variabel penelitian. Metode penskalaan yang digunakan adalah metode penskalaan numerikal memiliki 10 titik pilihan (terdiri dari poin 1 s/d 10) dengan dua kutub, dimana poin 1 menyatakan sangat tidak baik/sangat tidak benar/sangat tidak setuju/sangat jarang dan poin 10 menyatakan sangat baik/sangat benar/sangat setuju/sangat sering. Responden diminta untuk memilih salah satu dari poin yang tersedia. Penggunakan skala numerikal ini secara konsisten memberikan persentase pernyataan terjawab lebih tinggi daripada pernyataan terbuka (Brace, 2008). Secara umum, pilihan penilaian yang terdiri dari poin 1 s/d 10 cukup popular digunakan dalam menilai persepsi seseorang dan memberikan validitas dan kekuatan ekplanatori yang lebih besar daripada penskalaan 5 titik pilihan (Coelho & Esteves, 2010). Poin jawaban yang berjumlah genap dipilih agar responden tidak cenderung memilih poin tengah dari poin jawaban yang tersedia (Coelho & Esteves, 2010). C. Penyebaran Kuisioner Kuisioner yang disebar dalam penelitian berjumlah 78 buah kuisioner dan menghasilkan 44 buah atau 56,41% hasil kusioner yang dikembalikan. Dari 44 buah kusioner yang dikembalikan, 3 buah kuisioner atau 6,8% dari hasil kuisioner yang dikembalikan dinyatakan tidak valid dikarenakan perusahaan bersangkutan belum menggunakan ERP sepenuhnya, sehingga kusioner yang dapat diolah berjumlah 41 buah kuisioner atau 52,56% dari total kuisioner yang disebar. Penyebaran kuisioner dilakukan dengan beberapa cara yaitu kuisioner diberikan secara pribadi, melalui surat, dan email. Penyebaran dilakukan pada bulan Maret - April 2010.

Jurnal Nasional JMII 2016

21

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

IV. PENGOLAHAN DATA DAN ANALISIS DATA Berdasarkan data hasil survey yang terkumpul, dilakukan pengolahan data untuk mendapatkan statistik deskriptif dari pencapaian manfaat atas implementasi ERP yang dilakukan oleh perusahaanperusahaan yang menjadi responden dalam penelitian ini. A. Demografi Perusahaan Mayoritas dari perusahaan tercakup dalam survey penelitian ini, berdasarkan kriteria dari Badan Pusat Statistik RI tahun 2009 dapat digolongkan sebagai perusahaan besar, dikarenakan semua perusahaan yang disurvey memiliki jumlah karyawan lebih dari 99 orang. Dari sisi tingkat penghasilan, 73.17% dari perusahaan-perusahaan yang disurvey memiliki tingkat penghasilan pertahunnya sebesar lebih dari Rp. 50 milyar, hanya 26.83% diantaranya yang berpenghasilan antara Rp. 2.5 milyar – Rp. 50 milyar.

Gambar 4. Vendor ERP Perusahaan Responded

Lama ERP telah digunakan dalam operasional oleh perusahaan yang disurvey dikelompokan kedalam 5 kelompok yaitu 1 tahun (15%), 2 tahun (7%), 3 tahun (2%), dan > 3 tahun (76%).

Jenis industri dari perusahaan-perusahaan yang disurvey dikelompokan kedalam 4 kategori, yaitu jasa (42%), manufaktur (24%), hasil bumi (17%), dan telekomunikasi (17%).

Gambar 5. Lama Penggunaan ERP oleh Perusahaan Responden

B. Pencapaian Manfaat ERP Gambar 3. Jenis Industri Perusahaan Responden

Berdasarkan hasil survey, secara umum rata-rata perusahaan telah mulai mendapatkan manfaat dari implementasi ERP yang dilakukan (Gambar 6).

Vendor ERP dari perusahaan yang disurvey dikelompokan kedalam 5 vendor, yaitu SAP (49%), Oracle (22%), JD Edwards (5%), Ms. Dynamics (5%), dan Lainnya (19%).

Jurnal Nasional JMII 2016

22

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

3.

Pada perspektif teknologi, implementasi ERP mendorong infrastruktur teknologi informasi yang ada menjadi lebih stabil dan efisien.

Untuk perspektif organisasi, rata-rata nilai perusahaan responden adalah 7,3. Hal ini menunjukkan bahwa dengan adanya ERP, komunikasi internal dan antar departemen lebih efektif, terjadi peningkatan kemampuan karyawan dalam bidang kerjanya, dan perilaku karyawan telah mendukung kelancaran alian kerja secara keseluruhan dalam perusahaan. Gambar 6. Ketercapaian Manfaat Implementasi ERP

Pada perspektif bisnis, rata-rata nilai perusahaan responden adalah 7,4. Hal ini menunjukkan bahwa dengan adanya ERP, proses bisnis perusahaan mulai menjadi lebih efisien dan efektif. Dilihat perspektif teknologi, rata-rata nilai perusahaan responden adalah 7,9. Hal ini menunjukkan bahwa dengan implementasi ERP, infrastruktur teknologi informasi yang ada menjadi lebih stabil dan efisien. Untuk perspektif organisasi, rata-rata nilai perusahaan responden adalah 7,3. Hal ini menunjukkan bahwa dengan adanya ERP, komunikasi internal dan antar departemen lebih efektif, terjadi peningkatan kemampuan karyawan dalam bidang kerjanya, dan perilaku karyawan telah mendukung kelancaran alian kerja secara keseluruhan dalam perusahaan.

V. KESIMPULAN Berdasarkan hasil survey yang dilakukan dalam penelitian ini, dapat disimpulkan beberapa temuan sebagai berikut: 1.

2.

Secara umum rata-rata perusahaan telah mulai mendapatkan manfaat dari implementasi ERP yang dilakukan. Pada skala 1 sampai dengan 10, nilai rata-rata manfaat ERP yang dirasakan oleh perusahaan pada perspektif bisnis, teknologi, dan organisasi secara berututan adalah 7,4, 7,9, dan 7,3. Pada perspektif bisnis, ERP yang ada telah mendorong proses bisnis perusahaan mulai menjadi lebih efisien dan efektif.

VI. SARAN Penelitian ini hanya melihat ketercapaian manfaat dari implementasi ERP menggunakan analisa statistik deskriptif, belum mempelajari faktorfaktor yang menjadi kunci keberhasilan dari pencapaian manfaat dari implementasi ERP. Untuk itu, perlu dilakukan penelitian lanjutan untuk memahami faktor-faktor yang memiliki dampak positif terhadap pencapaian manfaat implementasi ERP, terutama pada fase post-project, yaitu fase dimana sistem ERP telah digunakan sebagai bagian dari prosedur operasional rutin perusahaan.

REFERENSI [1]. Brace, I. (2008). Questionnaire Design: How to Plan, Structure and Write Survey Material for Effective Market Research (Market Research in Practice) (2nd Edition ed.). Philadelphia, USA: Kogan Page Limited. [2]. Govindaraju, R. (2002). Effective Enterprise Systems Implementations. Dissertation, University of Twente, Enschede, The Netherland. [3]. Gupta, M., & Kohli, A. (2006). Enterprise resource planning systems and its implications for operations function. Technovation , 26. [4]. Handayani, F. (2009). Pengembangan Kausal dan Evaluasi Kesuksesan Enterprise Resource Planning (ERP) Danone Dairy Indonesia. Skripsi, Teknologi Bandung, Bandung.

Jurnal Nasional JMII 2016

Model Sistem di PT. Institut

23

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

[5]. Kræmmergaard, P., & Møller, C. (2000). A Research Framework for Studying the Implementation of Enterprise Resource Planning (ERP) systems. Proceedings of IRIS 23. Uddevalla. [6]. Markus, M. L., & Tanis, C. (1999). The Enterprise System Experience - From Adoption to Success. Retrieved 2009 йил 29-August from http://pro.unibz.it/staff/ascime/documents/ERP% 20paper.pdf [7]. Martua, T. (2006). Identifikasi Pengaruh Karakteristik Relative Advantage, Compatibility, dan Complexity Terhadap Behavior Change dalam Ruang Lingkup Implementasi Sistem Enteprise Resource Planning (ERP) (Studi Kasus: PT. Mitsubishi Chemical Indonesia). Tesis, Institut Teknologi Bandung, Bandung.

Implementasi Di PT. Indosat Tbk. Skripsi, Institut Teknologi Bandung, Bandung. [9]. Sekaran, U. (2006). Metodologi Penelitian untuk Bisnis, Buku 2 (Edisi 4 ed.). Jakarta, Indonesia: Salemba 4. [10]. Shang, S., & Seddon, P. B. (2000). A Comprehensive Framework for Classifying the Benefits of ERP Systems. Americas Conference on Information Systems (AMCIS). Association for Information Systems. [11]. Umble, E. J., Haft, R. R., & Umble, M. M. (2003). Enterprises resource planning: Implementation procedures and critical success factors. European Journal of Operation Research .

[8]. Novriani, M. (2008). Pengembangan Model dan Evaluasi Kesuksesan ERP pada Fase Post

Jurnal Nasional JMII 2016

24

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

PREDIKSI JANGKA PANJANG KRISIS EKONOMI DI INDONESIA MENGGUNAKAN MODEL SISTEM DINAMIK DIOPTIMASI MENGGUNAKAN ALGORITMA GENETIKA SECARA ADAPTIF OLEH SISTEM FUZZY Fajri Rakhmat Umbara Fakultas MIPA, Jurusan Informatika, Universitas Jenderal Achmad Yani Jalan Terusan Jenderal Sudirman, Cimahi, Jawa Barat, Indonesia [email protected]

Abstrak Krisis ekonomi merupakan masalah yang sangat kompleks sekaligus menjadi ancaman bagi setiap Negara di dunia. Oleh karena itu dibutuhkan cara agar krisis ekonomi tersebut dapat dihindari, salah satunya adalah dengan sistem prediksi. Sistem prediksi dalam penelitian ini adalah untuk memprediksi krisis ekonomi di Indonesia dalam jangka panjang. Pendekatan analisis tren digunakan untuk melihat apakah suatu saat Indonesia akan mengalami lagi krisis ekonomi seperti yang telah dialami pada tahun 1998. Model pembuatan tren menggunakan pemodelan Sistem Dinamik, dimana akan dioptimasi menggunakan Algoritma Genetika yang di adaptif oleh Sistem Fuzzy. Data yang digunakan adalah data terurut waktu Produk Domestik Bruto dan Hutang Luar Negeri di Indonesia yang dikeluarkan oleh World Bank dari tahun 1970 sampai dengan masa pemerintahan Bapak Prof. Dr. H. Susilo Bambang Yudhoyono berakhir, yaitu tahun 2014. Pendekatan tren ini dipercaya mampu untuk mengantisipasi datangnya krisis ekonomi yang tentunya memang didasari oleh banyak sekali elemen – elemen yang terlibat didalamnya. Kata kunci : krisis ekonomi Indonesia, analisis tren, model sistem dinamik, algoritma genetik, sistem fuzzy

Abstract

Economic crisis is the complex problem and considered as a threat for many country in this world. A solution is needed for avoid this problem, such as a prediction system. In this research uses for prediction of economic crisis in Indonesia for long term with trend analysis approach. Trend model creates using System Dynamic Model and optimized by Genetic Algorithm Adaptive with Fuzzy System. Time series data such as Gross Domestic Product and External Debt from World Bank are needed for prediction, where data is from 1970 until Prof. Dr. H. Susilo Bambang Yudhoyono end of era, it is in 2014. Trend analysis believed to be able to anticipation future economic crisis in Indonesia certainly is constituted by many elements involved. Keywords : Indonesia economic crisis, tren analyst, sistem dynamic model, genetic algorithm, fuzzy system

I. PENDAHULUAN Krisis ekonomi di Indonesia pernah terjadi pada tahun 1998. Pada saat itu, Indonesia terkena dampak oleh krisis ekonomi yang terjadi di Thailand pada tahun 1997. Pada saat itu Hutang Luar Negeri nilainya lebih tinggi daripada Produk Domestik Bruto. Dalam sejarahnya, Indonesia sendiri sudah dipimpin oleh 7 orang presiden semenjak merdeka pada tahun 1945. Presiden yang saat ini menjabat adalah Bapak Ir. Joko Widodo. Masing – masing presiden Republik Indonesia yang memimpin

Jurnal Nasional JMII 2016

25

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

memiliki masalah perekonomian yang berbeda – beda.

1970 hingga 2014, yaitu sebanyak 45 data terurut waktu untuk tiap-tiap faktor dan disajikan pertahun.

Krisis ekonomi merupakan masalah yang kompleks yang dihadapi oleh setiap Negara, tidak hanya di Indonesia. Pada tahun 1998, nilai tukar rupiah sempat jatuh dari Rp. 2400,00 menjadi Rp. 16.000,00 , maka tidak heran ketika itu banyak sekali perusahaan dan perbankan yang mengalami kebangkrutan. Selain itu, para investor asing juga enggan untuk menanamkan modalnya di Indonesia karena mereka beranggapan bahwa Indonesia tidak akan bisa keluar dari krisis ekonomi tersebut. Penelitian ini akan mencoba untuk memprediksi krisis ekonomi di endonesia jangka panjang (long term) dengan menggunakan data Produk Domestik Bruto (PDB) dan Hutang Luar Negeri (keduanya dalam Dolar Amerika) yang dikeluarkan oleh World Bank dari tahun 1970 sampai dengan tahun 2014 menggunakan pendekatan analisis tren dengan Model Sistem dinamik yang dioptimasi menggunakan Algoritma Genetika dan adaptif oleh Sistem Fuzzy.

Gambar 1. Data PDB dan Hutang Luar negeri (Dalam dolar Amerika) Dari Tahun 1970 Hingga 2014

Model Sistem Dinamik digunakan untuk membuat tren data yang kemudian akan dicocokkan (trend fitting) dengan data sebenarnya. Menurut J. W. Forrester, Model Sistem Dinamik memiliki persamaan :

II. KAJIAN LITERATUR Krisis ekonomi merupakan suatu keadaan yang komplex. Krisis tersebut dapat disebabkan oleh banyak hal, termasuk kebijakan pemerintah pun termasuk di dalamnya. Untuk itulah permasalahan krisis ekonomi biasanya hanya dilihat dari beberapa faktor yang sangat berpengaruh saja. Di Indonesia, banyak berita mengenai permasalahan krisis ekonomi, baik itu di televisi maupun surat kabar. Misalnya pada surat kabar elektronik Tempo (28-12-12), menjelaskan bahwa saat ini (tahun 2012), nilai hutang luar negeri hampir mencapai 30% dari PDB, yang berarti Indonesia hampir memasuki fase krisis ekonomi (Toni Prasentiantono). Permasalahan ekonomi di Indonesia tidak terlepas dari nilai PDB dan Hutang Luar Negeri, hubungannya masing-masing adalah bi-directional berdasarkan beberapa referensi. Maka dari itu, penelitian yang dilakukan kali ini menggunakan nilai-nilai tersebut untuk membuat model dalam memprediksi krisis ekonomi di Indonesia. Data yang dipergunakan merupakan data time series dari tahun

(1) Kemudian persamaan tersebut di dekatkan dengan Persamaan Diferensial orde 1, sehingga menjadi : (2) Dimana : 

= nilai parameter k pada waktu n+1



= nilai parameter k pada waktu n



= koefisien dinamik untuk parameter k



= salah satu paramer yang digunakan

Algoritma Genetika digunakan untuk mengoptimalisasikan variable koefisien dinamik dari Model Sistem Dinamik. Berikut adalah tahapan dari Algoritma Genetik secara umum :

Jurnal Nasional JMII 2016

26

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Start

Population

Evaluation

Elitisme / Survivor Selection

Parent Selection

Finish

Gambar 4. Fungsi Trapesium

Dan untuk menghitung derajat keanggotaan pada fungsi trapesium menggunakan persamaan : Mutation

CrossOver

Gambar 2. Algoritma Genetika

Kemudian akan menggunakan Sistem Fuzzy untuk membuat Algoritma Genetika tersebut berperilaku adaptif. µ

Crisp Input

Gambar 5. Ilustrasi Fungsi Trapesium

Fuzzification Fuzzy Input

Fuzzy Rule

Inference Fuzzy Output

Trapesium(a,b,c,d) =

(3)

Dimana dapat dilihat dari gambar 5 : Output µ

Defuzification Crisp Value Gambar 3. Sistem Fuzzy Dengan Model Mamdani

 

x = crisp input a,b,c,d = batas kaki fungsi trapesium

Didalam penelitian ini, Sistem Fuzzy berperan untuk mengubah – ubah nilai variabel Probabilitas Mutasi (Pm) yang digunakan setiap iterasi dalam Algoritma Genetika. Model fuzzy yang digunakan adalah model Mamdani. Untuk proses fuzzifikasinya dengan menggunakan centroid berdasarkan persamaan :

Untuk fungsi keanggotaan menggunakan fungsi trapesium dimana terdapat 3 buah nilai yaitu tinggi, sedang, dan rendah.

(4) Dimana : 

y = nilai crisp

Jurnal Nasional JMII 2016

27

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093



µR(y) = derajat keanggotaan dari y

Algoritma Genetika digabungkan dengan Sistem Fuzzy Mamdani sehingga proses – proses yang dijalankan adalah :

Sistem Fuzzy Algoritma Genetik

Parameter

Statistik

PDB dan Hutang Luar Negeri dari tahun 1970 sampai dengan 2014 yang digunakan sebagai data history. Terdapat 3 bagian utama dalam penelitian ini yaitu : 1) Normalisasi data, 2) Pembuatan model menggunakan Model Sistem Dinamik yang dioptimasi menggunakan Algoritma Genetika Adaptif oleh Sistem Fuzzy dengan acuan data history, 3) Pembangunan model tren di Indonesia selama 130 tahun, dari tahun 1970 hingga 2100 berdasarkan Model Sistem Dinamik yang telah dihasilkan. Normalisasi Data Time Series

Permasalahan

Membuat model Dinamik Sistem dengan Algoritma Genetika Adaptif oleh Sistem Fuzzy menggunakan data history

Model yang sudah di optimasi

Gambar 4. Algoritma Genetik Adaptif Dengan Sistem Fuzzy

Tren yang dihasilkan oleh Model Sistem Dinamik yang sudah di optimasi akan di cocokkan dengan data time series yang sesungguhnya, dalam hal ini dapat disebut juga dengan data history menggunakan (MAPE) sebagai parameter evaluasi. Adapun persamaan MAPE yang digunakan adalah :

Membuat tren selama 130 tahun

Gambar 5. Metodologi Penelitian

IV. HASIL PENELITIAN Variabel masukan untuk Algoritma Genetika adalah : 

Jumlah populasi (population): 2000



Jumlah generasi : 100000

Dimana :



Probabilitas mutasi (Pm) : 0.3



At = Data aktual



Probabilitas cross-over (Pc) : 0.9



Ft = Data prediksi



n = panjang time series

Sedangkan untuk Sistem Fuzzy menggunakan 3 fungsi keanggotaan trapesium yaitu Fitnes Maksimum, Fitnes Minimum, dan Fitnes Rata – rata yang masing masing memiliki 3 buah nilai, yaitu tinggi, sedang, dan rendah dan 1 buah fungsi trapesium untuk proses inference yaitu nilai Probabilitas Mutasi yang akan di cari.

(5)

Indikator untuk menentukan apakah suatu kondisi dinyatakan krisis ekonomi atau tidak adalah apabila nilai Hutang Luar Negeri lebih tinggi dari nilai Produk Domestik Bruto, seperti yang terjadi pada Indonesia pada tahun 1998.

III. ANALISIS DAN PERANCANGAN Penelitian ini akan membuat model tren sampai dengan masa pemerintahan Bapak Prof. Dr. H. Susilo Bambang Yudhoyono dengan menggunakan data

Hasil penelitian dari parameter diatas menunjukan bahwa fitting history data dengan Model Sistem Dinamik menghasilkan MAPE total sebesar 0.3706. Grafik hasil fitting dapat dilihat dari gambar dibawah ini :

Jurnal Nasional JMII 2016

28

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

0.3706. Sistem Fuzzy juga sudah berjalan dengan baik untuk membuat Algoritma Genetik menjadi Adaptif nilai Probabilitas Mutasinya. Tren yang ditunjukkan pada hasil penelitian mengisyaratkan bahwa jika tren GDP dan Hutang Luar Negri tidak dapat diubah, maka pada tahun 2064, Indonesia akan mengalami krisis ekonomi yang sama seperti yang telah terjadi pada tahun 1998. Perubahan tren harus dilakukan, salah satunya adalah dengan kebijakan yang efektif. Gambar 7. Grafik Fitting Data History dengan Data Model

Untuk prediksi sampai dengan tahun 2100 menggunakan Data Model dapat dilihat dari gambar dibawah ini :

Penambahan parameter pemicu krisis ekonomi dapat ditambah untuk pengembangan penelitian ini dan berbagai metode analisis tren juga dapat digunakan untuk perbandingan hasil.

REFERENSI [1]. Chen. G and Pham. T. T., Introduction to Fuzzy Set, Fuzzy Logic, and Fuzzy Control System. CRC Press LLC, United State. 2001. [2]. Chontanawat. J, Hunt. L. C, Pierse. R, Causality Between Energy Consumption and GDP : Evidence From 30 OECD and 78 Non-OECD Country. Surey Energy Economics Discussion paper Series. ISSN 1749-8384. 2006. [3]. Forrester, J. W., Economic Theory for The New Millennium. International System Dynamics Conference. New York. 2003.

Gambar 8. Grafik Prediksi Sampai Dengan Tahun 2100

Dari gambar diatas, dapat dilihat bahwa terdapat kondisi dimana Hutang Luar Negeri lebih tinggi daripada PDB yaitu pada tahun 2064, hasil tersebut dapat dilihat dari tabel dibawah ini : Tabel 1. Data Hasil Prediksi Tahun 2061 Sampai 2068 2061 0.92 5359 0.91 5938

2062 0.92 3198 0.91 9011

2063 0.92 1117 0.92 1272

2064 0.91 9126 0.92 2783

2065 0.91 7231 0.92 3609

2066 0.91 5439 0.92 3816

2067 0.91 3754 0.92 3468

2068 0.91 2176 0.92 2631

V. KESIMPULAN DAN SARAN Dari hasil penelitian diatas menunjukkan bahwa tingkat keberhasilan penelitian sudah cukup baik. Hal ini dapat dilihat dari nilai MAPE total sebesar

[4]. Herrera. F. and Lozano. M., Fuzzy Genetic Algorithm : Issues and Models. Dept. of Computer Science and A.I. University of Granada. Spain. [5]. Kaminsky. G, Lizondo. S, Reinhart. C. M., Leading Indicator of Currency Crisis. Munich Personal RePEc Archive No. 6981. University of Maryland. 2008. [6]. Malhotra. R. Singh. N, Singh. Y, Genetic Algorithm : Concepts, Design for Optimization of Process Controller. Canadian Center of Science and Education Vol.4 No. 2. 2011. [7]. Meadows. D. H, Meadows. D. L, Randers. J, Behrens III. W. W., The Limits To Growth. MIT. Universe Book. ISBN 0-87663-165-0. New York. 1972. [8]. Razzaqi. S & Sherbaz. S., Dynamic Relationship Between Energy and Economic Growth :

Jurnal Nasional JMII 2016

29

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Evidance for D8 Country. The Pakistan development review PDR [s.n.], ISSN 00309729, ZDB-ID 2075544. - Vol. 50.2011, 4, p. 437-458. Islamabad. 2011. [9]. Roberts. , et al., Introduction to Computer Simulation : A System Dynamics Modelling Approach. Addison-Wesley. 1983. [10]. Saadah. S. Liong. T. H. Wijaya. A., Prediction System of Economic Crisis in Indonesia Using Time Series Analysis and System Dynamics Optimized by Genetic Algorithm. International Conference of Science, Engineering, and Technology. 2012.

[11]. Suyanto, Soft Computing : Membangun Mesin er-IQ Tinggi. Informatika. Bandung. 2008. [12]. Suyanto, Artificial Intelligence : Searching, Reasoning, Planning, Learning. Informatika. Bandung. 2011. [13]. Wu. Q. H, Cao. Y. J, Wen. J. Y., Optimal Reactive Power Dispatch Using Adaptive Genetic Algorithm. Electrical Power and Energy System Vol 20, No 8 pp 563-569. Elsevier Science. 1998.

Jurnal Nasional JMII 2016

30

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

ANALISIS TEXT-MINING DENGAN METODE DENSITY-BASED CLUSTERING PADA PESAN MEDIA SOSIAL UNTUK PEMETAAN LOKASI KECELAKAAN Nurjayanti Fakultas Teknis, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra No. 204A, Bandung, Indonesia [email protected]

Abstrak Salah satu fungsi media sosial adalah untuk berbagi pesan atau kabar berita dari satu pengguna kepada pengguna media sosial lainnya. Adanya kesadaran atau perhatian (awareness) masyarakat terhadap kejadian nyata seperti kecelakaan menjadi pemicu bagi masyarakat untuk menggunggah kabar berita tersebut ke media sosial. Pesan pada media sosial yang diunggah seringkali menyebutkan lokasi kejadian tersebut. Proses deteksi kejadian secara real-time lengkap dengan informasi geospatial merupakan dasar dalam membuat pemetaan lokasi kecelakaan ini. Yang disebut kejadian pada penelitian ini adalah pesan media sosial yang memiliki topik “kecelaakan alat transportasi”. Dengan menggunakan text-mining, pesan tersebut dapat diproses untuk diperoleh infomasi geospatial yang kemudian dapat divisualisasikan kedalam peta. Algoritma yang digunakan pada text-mining dengan metode densitybased clustering yaitu algoritma DBSCAN (DensityBased Spatial Clustering of Applications with Noise). Algoritma DBSCAN menggunakan dua parameter yaitu radius masing-masing anggota cluster dengan inti cluster Eps ( ) dan MinPts (Minimal Points) yang memberikan batasan jumlah minimum anggota cluster dalam Eps. Ektraksi lokasi kemudian dilakukan pada cluster yang dihasilkan proses clustering. Visualisasi peta dilakukan terhadap lokasi cluster yang diekstrak menggunakan metode NER rule-based dan parsing lokasi ke Google Maps Geocoding API. Kata kunci :

geospatial, text-mining, density-based clustering, DBSCAN, NER rule-based

Abstract Social media has a function as messages or news feed sharing platform between users, either in the form of texts, images, photos, or videos. The public awareness on real-time events such as accidents become a trigger for users to upload the news feed into social media. Messages on social media often mentioned the location where the event happened. The process of events detection in real-time and geospatial information is the basis for mapping event location. An event in this study is a message on social media which has “transportation accident” as the topic. The social media messages can be processed to obtain geospatial information by using text-mining and then visualized into a map. The algorithm used in the text-mining with density-based clustering method is DBSCAN (Density-Based Spatial Clustering of Applications with Noise) algorithm. DBSCAN algorithm uses two parameters: the radius of each cluster member to the cluster core (ε) and MinPts (Minimal Points) which provides a minimum number of cluster members in Eps. Extraction locations then performed on each cluster that produced from clustering. Mapping visualization is done against cluster locations that are extracted using NER rulebased method and parsing to Google Maps Geocoding API. Keywords : geospatial, text-mining, density-based clustering, DBSCAN, NER rule-based

Jurnal Nasional JMII 2016

31

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

I. PENDAHULUAN Proses deteksi kejadian secara real-time lengkap dengan informasi geospatial merupakan dasar dalam membuat pemetaan lokasi. Yang disebut kejadian pada penelitian ini adalah pesan media sosial yang memiliki topik “kecelaakan alat transportasi”. Algoritma yang akan digunakan pada textmining dengan metode density-based clustering yaitu algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Algoritma DBSCAN menggunakan dua parameter yaitu radius masing-masing anggota cluster dengan inti cluster ( ) dan MinPts (Minimal Points) yang memberikan batasan jumlah minimum anggota cluster dalam Eps.

Analisa cluster atau clustering adalah proses pembagian atau pengelompokan (partitioning) satu set objek data kedalam beberapa subset yang disebut cluster. Objek dalam sebuah cluster bisa memiliki kemiripan satu dengan yang lainnya atau ketidakmiripan dengan objek pada cluster lain [5]. Density-Based Clustering Density-based clustering adalah metode clustering yang dapat digunakan untuk mencari clusters yang betuknya berubah-ubah (arbitary shape) yang dimodelkan berupa daerah yang padat (dense regions) pada ruang data yang dipisahkan oleh daerah yang jarang (sparse regions) [5]. Algoritma DBSCAN: Density-Based Spatial Clustering of Applications with Noise Algoritma DBSCAN digunakan pada spatial

II. LANDASAN TEORI a.

database yang memuat noise. Density dari objek

Text-mining dan Data Mining

Data mining dapat lebih dikarakterisasi sebagai ekstraksi dari implisit, yang sebelumnya tidak diketahui, dan informasi yang berpotensi berguna dari data [12]. Informasi pada data mining diperoleh dari data implisit: data tersebut tersembunyi, tidak dikenali, dan sulit diekstrak tanpa sumber daya untuk teknik otomatis data mining. Sementara text-mining, informasi yang diekstrak adalah jelas dan eksplisit disebutkan dalam teks [10]. b. Vector Space Model (VSM) Vector Space Model adalah teknik pada teks clustering yang digunakan untuk pembobotan dengan merepresentasikan teks sebagai kumpulan titik di suatu ruang vektor. Dalam VSM, teks direpresentasikan dalam bentuk vektor (t1, t2, ... ti) dimana setiap ti mewakili sebuah kata. Kumpulan teks kemudian direpresentasikan dalat satu set vektor yang dapat digambarkan dalam bentuk matriks sebagai berikut. Perhitungan bobot pada VSM dapat menggunakan TF-IDF (Term Frequency – Inverse Document Frequency) dimana dari matriks diatas bobot direpresentasikan oleh setiap elemen xji [5]. Perhitungan bobot dengan TF-IDF dapat dilihat pada persamaan 1:

c.

Analisa Cluster

dapat diukur dari banyaknya objek yang dekat ke . DBSCAN mencari objek inti (core objects) yaitu objek yang memiliki daerah sekitar yang padat (dense neighborhoods). DBSCAN menghubungkan (densityconnected) objek inti dan daerah sekitarnya untuk membentuk daerah padat sebagai cluster. Sementara objek yang bukan anggota cluster dianggap sebagai noise [5]. Berikut contoh pseudocode algoritma DBSCAN. Algoritma II.1 DBSCAN: a density-based clustering algorithm Input : D: a data set containing n objects : the radius parameter, and MinPts : the neighborhood density threshold Output: A set of density-based clusters Method: (1) mark all objects as unvisited; (2) do (3) randomly select an unvisited object p; (4) mark p as visited; (5) if the -neighborhood of p has at least MinPts objects (6) create a new cluster C, and add p to C; (7) let N be the set of objects in the neighborhood of p; (8) for each point p’ in N

Jurnal Nasional JMII 2016

-

32

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

(9) if p’ is unvisited (10) mark p’ as visited; (11) if the -neighborhood of p’ has at least MinPts points, (12) add those points to N; (13) if p’ is not yet member of any cluster, add p’ to C; (14) end for; (15) output C; (16) else mark p as noise; (17) until no object is unvisited;

Evaluasi Clustering Silhoutte coefficient merupakan metode evaluasi cluster secara internal dimana menggabungkan konsep cohesion (bagaimana relasi kedekatan/ kepadatan objek dalam cluster) dan separation (seberapa baiknya masing-masing cluster terpisah antara satu dan lainnya). Silhoutte coefficient berikut pada persamaaan 2.

didefinisikan sebagai

banyak pengguna Twitter. Attribut yang dipilih adalah teks tweet dengan jumlah maksimal karakter per teks adalah 140 karakter. Tabel 1 Daftar Kata Kunci Pencarian Data Kata Kunci kecelakaan tabrakan

Format Parameter kecelakaan, kecelakaan mobil, kecelakaan motor, kecelakaan kendaraan tabrakan, tabrakan mobil, tabrakan motor, tabrakan kendaraan, menabrak

Metode scrapping web digunakan pada pengambilan data secara langsung dari halaman Twitter Search. Implementasi program akan mengakses URL https://twitter.com/i/search/timeline. Proses dimulai dengan mengirimkan query permintaan pencarian teks tweet. Apabila respon yang dikirimkan kembali oleh Twitter adalah sukses, teks tweet kemudian diekstrak dari informasi yang diterima. Teks tweet yang diekstrak tersebut kemudian disimpan sebagai data mentah (raw data). Sementara jika gagal permintaan akan dikirimkan kembali oleh sistem.

Dimana a(o) adalah rata-rata jarak objek o ke objek lain dalam cluster dan b(o) adalah minimal jarak rata-rata dari objek o ke objek lain dalam cluster berbeda. Nilai silhoutte coefficient adalah antara -1 dan 1. Kondisi yang baik adalah jika nilai silhoutte coefficient mendekati 1, yang menunjukan cluster dimana objek o berada padat dan jauh terpisah dari cluster lainnya.

b. Tahapan Penelitian

d. Named Entity Recognition

2.

Named Entity Recognition (NER) merupakan sub-tasks dari Information Extraction (IE) [6]. NER merupakan bagian penting dari Natural Language Processing (NLP). NER bertugas untuk mencari dan menklasifikasi nama (entitas) dalam teks yang ditulis dengan bahasa natural.

3.

Berikut gambaran alur kerja atau tahapan penelitian implementasi text-mining dengan metode density-based clustering pada media sosial yang akan dilakukan. Tahapan penelitian diatas sebagai berikut: 1.

4.

III. ANALISIS DAN PERANCANGAN a.

Sumber Data

5.

Jenis data yang digunakan adalah teks tweet pada Twitter yang berisi informasi kecelakaan dimana teks menggunakan bahasa Indonesia. Pengambilan teks tweet dibatasi parameter kata kunci dan bahasa. Data yang dipilih berasal dari

Raw Data, pada tahap ini data penelitian dikumpulkan kemudian disimpan dan disebut sebagai data mentah (raw data). Preprocessing, data mentah diolah pada tahap preprocessing sehingga sesuai dan siap diproses oleh text-mining, yaitu pada tahap implementasi density-based clustering. Data after preprocessing merupakan data yang diperoleh dari tahap preprocessing. Density-Based Clustering, tahap implementasi metode density-based clustering pada data hasil preprocessing. Pada proses clustering, jarak antar teks dihitung menggunakan fungsi Euclidean Distance kemudian proses clustering dilakukan dengan algoritma DBSCAN. Extract locations, ektraksi informasi lokasi dari teks pada cluster dengan menggunakan NER rule-based untuk memilih teks yang diperkirakan mengandung informasi lokasi secara eksplisit. Kata hasil keluaran NER kemudian di parsing

Jurnal Nasional JMII 2016

33

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

6. 7.

8.

9.

menggunakan Google Maps Geocoding API untuk meminta informasi geocoding. Data from text-mining, data hasil keluaran penerapan metode density-based clustering. Analysis & evaluation, analisa dan evaluasi hasil keluaran metode density-based clustering dan hasil ekstraksi lokasi dari setiap cluster yang dihasilkan proses clustering. Result, data yang sudah dievaluasi kemudian diproses untuk dibuat kedalam visualisasi pemetaan atau geospatial. Pada tahap ini dibuat hasil dan kesimpulan dari penelitian. Mapping, tahap menampilkan visualisasi pemetaan lokasi kecelakaan. Pemetaan dilakukan dengan bantuan Google Maps Geocoding API.

objek-objek dalam radius

Pada tahap preprocessing dihasilkan data set yang siap untuk diproses oleh metode density-based clustering. Tahapan preprocessing terdiri dari sub tahap yaitu text-preprocessing dan pembobotan kata.Pada text-preprocessing dilakukan case folding dan tokenizing pada data mentah yang dikumpulkan. Proses processing diawali dengan inisialisasi tabel hash yaitu tabel yang digunakan untuk menyimpan frekuensi kemunculan kata pada sejumlah data yang akan diproses oleh clustering.Teks pada data yang dihasilkan tahap text-preprocessing dipecah ke dalam bentuk kata kemudian dihitung bobot untuk kata tersebut. Pembobotan kata akan menghasilkan nilai TF-IDF setiap kata pada teks. Persamaan untuk menghitung TF-IDF yang digunakan sebagai berikut.

Tahapan Visualisasi Pemetaan Visualisasi dilakukan terhadap setiap cluster yang dihasilkan DBSCAN. Adapun tahapan pada visualisasi pemetaan antara lain: 1.

Tahap ekstraksi lokasi masing-masing cluster dengan menggunakan NER rule-based. Visualisasi dengan menggunakan Google Maps Geocoding API dimana parameter yang digunakan adalah kata pada setiap cluster. Dengan menggunakan geocoding akan dihasilkan koordinat geografis (dalam latitude dan longitude) yang kemudian dapat digunakan sebagai titik lokasi pada Google Maps.

Respon status yang diberikan geocoding pada permintaan (request) yang dikirimkan terdiri dari kode berikut: [4] Tabel 2 Respon Status Geocoding Status OK

ZERO_RESULTS

OVER_QUERY_LIMIT

Tahapan Implementasi DBSCAN Hasil pembobotan kata yang sudah dilakukan kemudian digunakan dalam proses density-based clustering. Algoritma DBSCAN yang akan diimplementasikan akan membuat cluster sesuai dengan parameter masukan, yaitu

dan MinPts.

Parameter dan MinPts akan mempengaruhi jumlah cluster yang terbentuk. DBSCAN akan membuat suatu daerah yang berpusat di radius sebesar

.

Perhitungan jarak objek p ke objek pusat dapat menggunakan pengukuran numerik yaitu menggunakan Euclidean Distance. Berikut rumus Euclidean Distance:

2.

Tahapan Preprocessing

dari objek pusat

REQUEST_DENIED INVALID_REQUEST

UNKNOWN_ERROR

Keterangan menunjukan tidak ada error terjadi. Alamat berhasil diuraikan dan paling sedikit satu geocode dikembalikan. menunjukan geocode berhasil tetapi mengembalikan hasil kosong. Hal tersebut mungkin jika geocoder memberikan alamat yang tidak ada (not existing address). menunjukan bahwa permintaan melebihi kuota menunjukan bahwa permintaan ditolak umumnya menunjukan bahwa query (address, components atau latlng) hilang menunjukan bahwa permintaan tidak dapat diproses karena server error. Pemintaan munkin berhasil diproses jika dikirim ulang.

IV. IMPLEMENTASI DAN ANALISIS

dengan

, sehingga anggota cluster adalah

Preprocessing

Jurnal Nasional JMII 2016

34

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Penelitian implementasi density-based clustering dilakukan terhadap 50 pesan teks dari Twitter. Preprocessing dimulai dengan textpreprocessing yang terdiri dari tahap case folding dan tokenizing. Setelah text-preprocessing selesai kemudian dilanjutkan dengan tahap pembobotan kata. Data hasil text-preprocessing dibentuk kedalam vektor yang direpresentasikan dengan kata. Kemudian dihitung frekuensi kemunculan setiap kata tersebut. Berikut contoh data pada tabel hasil perhitungan bobot yang dilakukan oleh sistem.

clustering. Pada tahap awal, DBSCAN akan menandai semua objek sebagai “unvisited” dan kemudian memilih secara random satu objek untuk diuji kedekatannya dengan menggunakan fungsi pengukuran jarak yaitu Euclidean Distance. Berikut hasil clustering untuk teks yang diuji.

Tabel 4 Contoh Hasil Clustering ID 1

Tabel 3 Pembobotan Kata Terms arah

F term on text 1

Total text with terms 9

Total Text 50

TFIDF 0.745

Perhitungan untuk kata “arah” pada teks kesatu muncul sebanyak 1 kali dalam teks ke-1 dimana dari 50 teks yang diuji kata muncul pada 9 teks. Sehingga perhitungannya adalah sebagai berikut. (5)

dan minpts = 1 untuk 50

2

Teks gunakan jalur sesuai ketentuan jangan melawan arus karena rawan kecelakaan kesadaran kita keselamatan semua pictwittercomuzyzwcnq gunakan jalur sesuai ketentuan jangan melawan arus krn rawan kecelakaan kesadaran kita keselamatan semua pictwittercomlitosjblr

Cluster 7

7

Iterasi pengujian pada teks dilakukan sampai semua teks dikunjungi (visited). Misal jika objek berikutnya yaitu teks-1 dan teks-2 yang akan diuji dimana teks-1 adalah objek pusat cluster C1 maka perhitungan jaraknya adalah:

Density-based Clustering dengan DBSCAN

Tabel 5 Contoh Perhitungan Bobot

Setiap teks adalah objek yang akan diuji kedekatannya oleh DBSCAN dalam proses p Term TFIDF1 TFIDF2 x J i 1 arus 1.097 1.097 0 2 gunakan 1.222 1.222 0 3 jalur 1.097 1.097 0 4 jangan 1.097 1.097 0 5 karena 1.398 0 1.954404 6 kecelakaan 0.009 0.009 0 7 kesadaran 1.398 1.398 0 8 keselamatan 1.398 1.398 0 9 ketentuan 1.398 1.398 0 10 kita 1.398 1.398 0 11 melawan 1.398 1.398 0 12 pictwittercomuzyzwcnq 1.699 0 2.886601 13 rawan 0.854 0.854 0 14 semua 1.398 1.398 0 15 sesuai 1.398 1.398 0 16 pictwittercomlitosjblr 0 1.699 2.886601 ∑

Jurnal Nasional JMII 2016

7.727606

35

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Teks-2 karena berada didalam radius yaitu sehingga teks-2 adalah anggota cluster C1. Pada iterasi pembuatan cluster baru berikutnya semua noise akan diuji, termasuk objek r apakah berada dalam radius

untuk cluster atau tidak.

Visualisasi Pemetaan Data yang dihasilkan DBSCAN kemudian diproses pada tahap preprocessing visualiasi yaitu dengan menghitung frekuensi kemunculan kata dalam sebuah cluster. Kemudian dilakukan pengecekan apakah kata dapat diidentifikasi oleh Google Maps Geocoding. Berikut contoh tabel hasil pengecekan lokasi menggunakan Google Maps Geocoding, informasi yang diberikan terdiri dari status, longitude, latitude, dan alamat. Pengujian dan Analisis Jumlah cluster yang dihasilkan dari proses density-based clustering menunjukan jumlah kejadian (event) yaitu kecelakaan yang terjadi. Pada percobaan menggunakan nilai diantara 1 sampai 10 untuk data 50 teks tweet yang diambil secara realtime pada tanggal 21 Juni 2016 diperoleh jumlah kejadian sebagai berikut.

Gambar 2 Grafik Keterhubungan Nilai Epsilon, MinPts, dan Jumlah Cluster

Dari grafik pada gambar 2 dapat dilihat bahwa jumlah cluster yang dihasilkan dari proses clustering dipengaruhi oeh nilai dan MinPts. Pada percobaan yang dilakukan jumlah cluster paling banyak pada nilai MinPts = 1 dan dimana sebuah cluster paling sedikit memiliki anggota 1 teks tweet dan jarak antara teks dengan inti cluster . Sementara jumlah cluster yang paling sedikit pada pada nilai dimana berarti jarak antara teks dengan inti cluster

. Sehingga dapat disimpulkan bahwa

semakin kecil nilai dan MinPts maka jumlah cluster semakin banyak. Dan sebaliknya semakin besar nilai dan MinPts maka jumlah cluster semakin sedikit.

Gambar 1 Grafik Jumlah Kejadian (Event) Kecelakaan yang Terjadi

Pengujian hasil keluaran sistem dilakukan pada 6 skenario pengujian. Dimana pengujian dilakukan dengan variasi parameter ϵ dan MinPts untuk melihat jumlah cluster yang dihasilkan. Evaluasi clustering dilakukan dengan menghitung nilai Silhoutte Coefficient. Nilai Silhoutte Coefficient adalah antara 1 dan 1. Kondisi yang baik adalah jika nilai Silhoutte Coefficient mendekati 1, yang menunjukan cluster dimana teks tweet berada padat dan jauh terpisah dari cluster lainnya. Berikut nilai Silhoutte Coefficient pada masing-masing skenario pengujian. Tabel 6 Hasil Evaluasi Clustering

5 6 7 3

MinPts

Jumlah Cluster

1 1 1 2

26 9 2 2

Jurnal Nasional JMII 2016

Jumlah Teks dalam Cluster 50 50 50 4

Silhoutte Coefficient 0.055 0.142 0.254 0.532

36

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

MinPts

Jumlah Cluster

2 2

2 2

4 5

Jumlah Teks dalam Cluster 10 26

Silhoutte Coefficient 0.522 0.126

Dari hasil evaluasi clustering diatas diperoleh nilai Silhoutte Coefficient yang paling mendekati 1 adalah hasil clustering pada skenario 4 yaitu 0.532

Setelah dilakukan evaluasi clustering, kemudian dilakukan analisa terhadap informasi lokasi yang ditemukan pada hasil clustering. Pengujian informasi lokasi dilakukan dengan membandingkan hasil keluaran sistem dengan hasil observasi pada informasi lokasi yang eksplisit ada pada teks dalam cluster.

dengan 3, MinPts = 2 dan jumlah cluster 2. Dimana nilai Silhoutte Coefficient pada skenario 4 menunjukan bahwa teks dalam cluster memiliki density yang baik dan memiliki kemiripan atau kesamaan kejadian yang lebih tinggi. Nilai Silhoutte Coefficient pada skenario 1 sebesar 0.055 dengan 5, MinPts = 1 dan jumlah cluster 26 adalah nilai yang paling mendekati -1. Sehingga pada skenario 1 teks dalam cluster memiliki density yang kurang baik dan memiliki kemiripan atau kesamaan kejadian yang lebih rendah. Tabel 7 Hasil Pengujian Lokasi pada Cluster

Jumlah Cluster

Silhoutte Coefficient

Jumlah Lokasi Ditemukan

26 9 2 2 2 2

0.055 0.142 0.254 0.532 0.522 0.126

26 26 26 2 5 17

Jumlah Lokasi Benar 14 14 14 2 5 11

Jumlah Lokasi Salah 12 12 12 0 0 6

Probalitas Lokasi Benar

Probalitas Lokasi Salah

0.538 0.538 0.538 1 1 0.647

0.462 0.462 0.462 0 0 0.353

Dari pengujian diatas dihasilkan kemungkinan lokasi cluster benar paling tinggi pada percobaan clustering pada skenario ke-4 dengan skenario ke-5 dengan

3 dan MinPts = 2 dan

4 dan MinPts = 2.

Dari pengujian diatas dihasilkan kemungkinan lokasi cluster benar paling tinggi pada percobaan clustering pada skenario ke-4 dengan

3 dan

MinPts = 2 dan skenario ke-5 dengan MinPts = 2.

4 dan

Jurnal Nasional JMII 2016

37

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

clustering. Semakin kecil nilai dan MinPts maka jumlah cluster semakin banyak. Dan

4.

5. Gambar 3 Grafik Hubungan Jumlah Cluster dan Probalitas Lokasi

Pada skenario pengujian 4 dan 5 probalitas lokasi benar lebih tinggi dibandingkan dengan hasil skenario 3 dan 6 walaupun jumlah cluster sama. Hal ini dipengaruhi juga nilai Silhoutte Coefficient pada skenario 4 dan 5 yang paling mendekati 1. Dimana dapat disimpulkan bahwa pada skenario ke 4 dan 5, teks pada cluster memiliki kemiripan atau kesamaan kejadian lebih tinggi sehingga probalitas lokasi kejadian yang ditemukan juga lebih tinggi.

V. KESIMPULAN Dari penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut: 1.

2.

3.

Density-based clustering menggunakan algoritma DBSCAN dapat digunakan untuk mendeteksi dan mengelompokan kejadian (event) nyata yang diunggah user melalui pesan pada media sosial. DBSCAN membuat sejumlah cluster berdasarkan paramater masukan yaitu dan MinPts. Identifikasi dan ekstraksi informasi geospatial atau lokasi dari suatu event pada sebuah cluster dapat menggunakan Google Maps Geocoding API, dimana parameter pencarian yang digunakan adalah kata pada teks anggota cluster. Informasi koordinat geografis yang dihasilkan geocoding dapat digunakan sebagai titik lokasi pada visualisasi pemetaan lokasi kecelakaan. Nilai parameter jumlah cluster

dan MinPts mempengaruhi yang dihasilkan proses

sebaliknya semakin bear nilai dan MinPts maka jumlah cluster semakin sedikit. Nilai silhoutte coefficient pada evaluasi clustering mempengaruhi probalitas lokasi benar dari cluster. Jika nilai silhoutte coefficient mendekati 1 maka probalitas lokasi benar semakin tinggi dan jika nilai silhoutte coefficient mendekati -1 maka probalitas lokasi benar semakin rendah. Hasil keluaran sistem sudah dapat memberikan informasi lokasi kecelakaan. Informasi lokasi berupa daftar kemungkinan lokasi yang ada secara eksplisit dalam teks pesan media sosial pada setiap cluster. Akan tetapi hasil keluaran belum dapat disajikan dengan baik untuk publik karena lokasi yang ditemukan belum spesifik menyebutkan suatu lokasi dengan detail.

REFERENSI [1]. Chung-Hong, L. (2012). Mining spatiotemporal information on microblogging streams using a density-based online clustering method. 39(10). [2]. Data Mining. (n.d.). Retrieved March 20, 2015, from Oracle: http://www.oracle.com/technetwork/database/o ptions/advanced-analytics/odm/index.html [3]. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (n.d.). A density-based algorithm for discovering clusters in large spatial databases with noise. [4]. Google Maps APIs. (n.d.). Retrieved May 20, 2016, from Google Developers: https://developers.google.com/maps/documenta tion/geocoding [5]. Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques, Third Edition. USA: Elsevier Inc. [6]. Konkol, M. (2012). Named Entity Recognition. Pilsen: University of West Bohemia. [7]. Krstajic, M., Rohrdantz, C., Hund, M., & Weiler, A. (2012). Getting There First: RealTime Detection of Real-Word Incidents on Twitter. Proceedings of the 2nd IEEE

Jurnal Nasional JMII 2016

38

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Workshop on Interactive Visual Text Analytics -IEEE VisWeek 2012. Seattle, WA, USA: Konstanzer Online Publications System. [8]. Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: ANDI. [9]. Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing, 34, 1-47. [10]. The Streaming APIs | Twitter Developers. (n.d.). Retrieved 05 01, 2016, from Twitter: https://dev.twitter.com/streaming/overview [11]. Witten, I. (2005). Text mining. In M. Singh, Practical handbook of internet computing. Boca Raton, Florida: Chapman & Hall/CRC Press. [12]. Witten, I. a. (2000). Data mining: Practical machine learning tools and techniques. San Francisco, CA: Morgan Kaufmann.

Jurnal Nasional JMII 2016

39

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

PERANCANGAN SISTEM INFORMASI DATA STOK VOUCHER PULSA PADA GRAPARI TELKOMSEL JAKARTA PUSAT Baysondi Rosidharta Fakultas Teknik, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra No. 204A, Bandung, Indonesia [email protected]

Abstrak Pendataan suatu informasi secara terstruktur dan mudah diakses sangat diperlukan dalam setiap perusahaan, seperti halnya bagian Card Management (CM) pada Grapari Telkomsel Wisma Alia Jakarta Pusat yang merupakan bagian pada perusahaan penyedia jasa layanan telekomunikasi yang bertugas untuk mendata seluruh voucher dan hal yang berkaitan dengan penjualan dari Telkomsel tersebut, seperti Device, Nomor baru dan ganti kartu. Pada penelitian ini diuat sebuah Sistem Informasi yang berbasis web dengan menggunakan metode asosiasi untuk mendapatkan data akurat yang dibutuhkan untuk pendataan transaksi pada Grapari sesuai dengan keperluan dan urutanya, terutama untuk mendapatkan informasi barang masuk dan barang keluar secara tepat untuk meminimalisir dalam kesalahan data. Dalam Kasus ini didapati data-data dengan nilsai yang tidak valid dan kendala ketidaklengkapan data yang harus ditangani dengan seksama sehingga layak untuk dibangunkan aturan asosiasi. Metode yang digunakan dalam penulisan laporan ini dengan melakukan fase perencanaan,faseanalisis, analisis sistem yang berjalan, observasi dan pengumpulan data-data untuk memperoleh informasi yang dibutuhkan. Kebutuhan user digambarkan dengan use case diagram dan glosarium usecase. Metode perancangan proses dengan menggambarkan Diagram Konteks dan Diagram Alir Data Level 0, Diagram Alir Data Level 1 pemodelan data dengan menggambarkan ERD, rancangan antar muka program sebagai penghubung antara user dengan database.

Kesimpulan yang dapat penulis ambil yaitu dengan adanya Sistem Informasi Data Stok voucher pada Grapari Telkomsel Jakarta Pusat, maka diharapkan dapat meningkatkan kualitas pelayanan yang dapat dilakukan dengan mudah dan cepat. Kata kunci : apriori, Sistem Informasi, Data, Stok Voucher, Grapari Telkomsel

Abstract Documenting the information in a structured and easily accessible is needed in every company, like other parts of Card Management (CM) on Grapari Telkomsel Wisma Alia Jakarta, which is part the leading provider of telecommunications services whose job is to record the whole voucher and matters related to the sale Telkomsel, such as Device, a new number and replace the card. In this study diuat a web-based information system using the association to obtain accurate data needed for data collection Grapari transactions in accordance with the purposes and urutanya, especially for information goods in and goods out appropriately to minimize the data errors. In this case the data found by nilsai invalid and constraints incompleteness of data that must be handled carefully so it deserves to be woken association rules. The method used in this document to do the planning phase, faseanalisis, analysis of system running, observation and collection of data to obtain the information needed. User needs is described by use case diagrams and a glossary usecase. The design method to describe the

Jurnal Nasional JMII 2016

40

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

process of Context Diagram and Data Flow Diagram Level 0, Level 1 Data Flow Diagrams illustrating ERD data modeling, interface design program as a liaison between users and databases. The conclusion could be that the authors take their Information System Data Telkomsel Grapari Stock voucher at Central Jakarta, it is expected to improve the quality of service that can be done easily and quickly. Keywords : priori, Voucher Stock, Data, Information System, Grapari Telkomsel

I. PENDAHULUAN Kegiatan mengolah berbagai macam data seperti halnya voucher pulsa pada Grapari Telkomsel Jakarta pusat selalu diusahan dalam keadaan yang tepat tanpa adanya kesalahan data, baik itu Data Stok Voucher pulsa yang baru datang dari kantor pusat maupun Data Stok Voucher pulsa yang akan diberikan kepada pelanggan. Sehingga dengan demikian pekerjaan yang harus dikerjakan dalam memberikan pelayanan terhadap pelanggan telkomsel tentang pembelian voucher pulsa pada grapari telkomsel Jakarta pusat harus dapat dilakukan secara tepat dan efisien. Artinya Data Stok Voucher pulsa dapat dicari dengan mudah dan cepat sehingga menyebabkan bagian Card Management (CM) dalam melayani penyajian data informasi tentang Data Stok Voucher pulsa dapat berjalan dengan semestinya dengan meminimalisir kesalahan data.

II. KAJIAN LITERATUR Pengolahan data merupakan kebutuhan utama dalam industri informasi dan bisnis dalam dekade terakhir, hal ini dikarenakan kebutuhan ketersediaan informasi dalam jumlah besar. Umumnya data didapat dari kegiatan transaksional dan arsip yang terseimpan dalam sistem komputer. Teknik penyimpanan data tersebut dapat menghasilkan informasi yang berharga yang dapat menguntungkan bagi pihak perusahaan. Sehingga dapat mengurangi kesalahan data yang sering terdapat dalam proses transaksinya, penataan data, penyimpanan data, dan masih banyak lagi informasi yang harus disimpan dalam sebuah sistem komputer. Dalam pembuatan aplikasi ini menggunakan APEX (Application Express) yang merupakan suatu lingkungan pengembangan deklaratif yang terpusat untuk penggunaan dan pengembangan aplikasi web berdasarkan database – centric. Berkat fitur-fitur built-in seperti halnya user interface theme, control navigasi, penanganan form, report-report yang fleksibel, Oracle Application mampu untuk mempercepat process pengembangan suatu aplikasi database yang berbasis web. Application Express engine membantu untuk Merancang aplikasi secara real time dari data yang sudah disimpan di dalam table database. Ketika anda Merancang atau mengembangkan sebuah aplikasi, Oracle Application Express Merancang atau memodifikasi metadata yang disimpan dalam table database. Pada saat aplikasi dijalankan, Application Express engine kemudian akan membaca metadata dan menampilkan aplikasi. Asitektur

Pada prakteknya di Grapari Telkomsel Jakarta pusat Data Stok Voucher pulsa yang tersebut direkap secara manual oleh bagian Card Management (CM), untuk itu alangkah baiknya jika di Sistem Informasikan pengolahan Data Stok Voucher pulsanya memakai computer. Komputer merupakan sarana yang tepat untuk pengolahan data yang bersifat rutin. Di samping itu komputer juga mempunyai kemampuan dengan tingkat ketelitian yang tinggi, pemrosesan yang cepat, daya tampung pengingatnya besar dan yang paling utama adalah efisien waktu dan tenaga.

Gambar 2.1 ArsitekturAPEX

Komunikasi antara web browser dan Database dimana engine APEX berada melalui Web Listener. Adapun web listener yang bisa dipakai adalah 1.

Oracle Application Express Listener

Jurnal Nasional JMII 2016

41

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Cara pertama memakai Oracle Application Express Listener yang merupakan sebuah Java based sebagai alternative dari Apache mod_plsql. Anda bisa memakai web listener seperti OC4J, Oracle WebLogic Server dan Oracle GlassFish Server 2.

Apache MOD_PLSQL

Cara kedua dengan mengimplementasikan Oracle HTTP Server (Apache) sebagai middle tier yang berisi mod_plsql plug-in . Plugin berfungsi sebagai penghubung komunikasi antara Web server dan Oracle Application Express objects yang ada didalam Oracle database. Arsitektur ini memerlukan konfigurasi file dads.conf. serta file image yang disimpan didalam Oracle HTTP Server (Apache).



Oracle designer



Oracle developer

Oracle developer memungkinkan untuk membangun system dengan performance yang tinggi menguntungkan bagi GUI (Graphical User Interface), database, client-server, dan teknologi web. Tools dari oracle developer mempunyai interface dan karakteristik umum yang memudahkan user dalam penggunaan serta mendesain elemen modular, kemudian dapat digunakan kembali (reusable). Dalam hal ini perhitungan apriori dapat diimplementasikan pada APEX yang bertujuan untuk mempermudah dan tentunya tidak mengurangi tujuan akhir yaitu pendataan informasi sesuai urutan berdasarkan data masuk dan keluar. Sebelum membahas data mining dan mendapatkan aturan asosiasi, data mentah harus proses terlebih dahulu, yang mencakup transformassi data, agregasi, normalisasi terhadap redudansi data serta mengkonstruksi atribut.

Gambar 2.2 Apache MOD

3.

Embedded PL/SQL Gateway

Cara ke tiga dengan Embedded PL/SQL Gateway (EPG) yang bekerja didalam oracle Database itu sendiri yaitu XML DB HTTP server. Arsitektur ini menyimpan file metadata seperti images, CSS, dan JavaScript didalam database. Konfigurasi ini cocok untuk development karena memerlukan konfigurasi yang mudah namun untuk production tidak disarankan untuk memakai ini.

Gambar 2.4 Proses penyimpnan data

1.

Karakteristik utama oracle developer Karakteristik utama dari oracle developer 6 memberi kontribusi dan fleksibelitas untuk produk oracle.

Gambar 2.3 Embedded PL/SQL

Oracle merupakan suatu kelompok produk yang mendukung desain, kreasi, dan menjalankan aplikasi melalui platform yang berbeda. Tool desain, development, dan akses data dari oracle desain adalah:

a.

Mendukung GUI yang komprehensif

b.

Aplikasi yang dapat didistribusi

c.

Tools yang produk dan komperhansif

d.

Partisipasi aplikasi

e.

Source control yang fleksibel

f. Scalabilty g. Orientasi object 2.

Kelebihan oracle developer

Jurnal Nasional JMII 2016

42

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Release 6 menyederhanakan beberapa tugas developer. Karakteristik yang termasuk di dalamnya: a.

Wizard untuk memudahkan tugas yang dikerjakan berulang-ulang.

b.

Visual query builder sebagai eksekusi yang berdiri sendiri dan sebagai sebuah utilitas yang disimpan di dalam reports.

Sebuah hirarki persentasi ulang dengan identasi dan node yang dapat dikembangkan.

b.

Menemukan field dan ikon

Sebelum didefenisikan dan template ekstensi user.

c.

Icon yang terdapat pada toolbar yang vertical

d.

Gallery sebelum didefenisikan dan template ekstensi user

d.

Sebuah ikon yang didepannya untuk setiap objek mengindikasikan tipe objek tersebut.

e.

Mendukung klien yang berjalan pada Microsoft Messaging Application Program interface (MAPI) compliant clients untuk memudahkan distribusi report

2.

Open Application Programming Interface (APIs), memungkinkan developers untuk memanipulasi sebuah file, penyediaan program interface yang sangat cepat.

Pengenalan Developer

komponen-komponen

a.

Project Builder

b.

Form builder

c.

Report builder

d.

Graphic builder

e.

Query Builder

f.

Schema Builder

g.

Procedure Builder

h.

Translation Builder

Pallete property Semua objek di dalam module, termasuk module itu sendiri mempunyai properties yang dapat dilihat dan dimodifikasi dalam pallete property. Karakteristiknya antara lain:

Oracle 3.

a.

Mengcopy dan menggunakan properties dari objek lain

kembali

b.

Menemukan field dan ikon, sama dengan navigasi objek.

Layout editor Layout editor adalah fasilitas desain grafis untuk Merancang dan menyusun item interface dan objek grafikal pada aplikasi. Ketika menggunakan pallete tool dan toolbar yang terdapat pada layout editor, dapat mendesain style, warna, size, dan susunan objek visual pada aplikasi yang ada. Layout dapat memasukkan objek grafik dan image bitmap ketika dijalankan pada GUI.

4.

Komponen – komponen utama

Lingkungan PL/SQL development Lingkungan pengembangan merupakan kumpulan fungsionalitas dari procedure builder yang ada pada builder aplikasi, yang menyediakan:

Oracle developer merupakan produk untuk Merancang form, report, dan Graapichs. Oracle Developer memiliki beberapa komponen utamanya. Komponen-komponen ini termasuk pilihan dalam suatu tool yang tidak dipakai pada aplikasi yang lain, tapi fungsional utamanya adalah sama. Komponen –komponen ini membantu menyediakan lingkungan pengembangan Oracle Developer yang fleksibel dan produktif development environment. 1.

a.

c.

f.

3.

Navigasi objek merupakan pencarian yang hirarki dan pengeditan interface yang memungkinkan untuk mengalokasikan dan memanipulasikan objek aplikasi dengan cepat dan mudah. Karakteristiknya antara lain:

a.

Pengembangan trigger, procedurs, functions, dan paket data oracle developer sebaik database.

b.

Pengembangan libraries menempatkan unit program PL/SQL

c.

Mendebug level statement dari PL/SQL pada waktu dijalankan

Navigasi object 5.

untuk

Oracle Toolkit dan Oracle multimedia

Jurnal Nasional JMII 2016

43

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Oracle toolkit adalah fungsi library yang menampilkan user interface event, seperti control scroll bar dan menu aktifasi. Bersama oracle multimedia menyediakan kumpulan images, suara, dan fasilitas media lainnya, toolkit mendasari pengembangan tool oracle developer, menjembatani aplikasi oracle developer dan lingkungan asli yang dikerjakan. Sebagai fasilitas yang dibutuhkan oleh aplikasi seperti membuka jendela atau menampilkan menu, oracle developer menempatkan permintaan pada toolkit yang berkomunikasi dengan platform asli.

III. ANALISIS DAN PERANCANGAN Kebutuhan fungsionalitas produk yang digunakan yaitu Data Flow Diagram. Data Flow Diagram merupakan suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluaran dari system, dimana data di simpan, proses apa yang menghasilkan data tersebut, dan interaksi antara data yang tersimpan dan proses yang dikenakan pada data tersebut. Diagram Konteks

Gambar 3.2 Data Flow Diagram

Pada tahap inii terdapat tiga proses yang dilakukan oleh system, yaitu proses penginputan data voucher yang selanjutnya akan dipesan oleh kasir penjualan, kemudian proses transaksi stock voucher yang dilakukan oleh kasir ketika ada pembeli dating, dan terakhir proses pembuatan laporan yang melaporkan Data Stok voucher dan transaksi ke pimpinan. Data Flow Diagram Level 1

Gambar 3.1 Diagram Konteks

Pada diagram konteks diatas dapat dilihat bahwa system stock voucher ini melibatkan 3 external entity yaitu PIC Card Management (CM), Kasir Penjualan, dan pimpinan. Penjelasan singkat dari diagram diatas PIC Card Management (CM) memberikan Data Stok voucher yang tersedia ke system sehingga kasir penjulan dapat melihat stock yang masih tersedia yang kemudian akan dijual oleh kasir penjualan, semua transaksi yang berlangsung akan dicatat oleh system sehingga PIC Card Management (CM) dapat melaporkan Stock Voucher dan Transaksi kepada pimpinan.

Gambar 3.3 Data Flow Diagram Level 1

Tahap ini adalah penjabaran dari proses pertama pada DFD. PIC Card Management (CM) akan melakukan penginputan data voucher yang selanjutnya akan dipantau secara terus menerus oleh PIC Card Management (CM) mengenai ketersediaan Stock Voucher yang akan dijual oleh Kasir Penjualan, setelah itu jika Stock Voucher telah habis, maka secara cepat pula akan dapat terpantau oleh PIC Card Management (CM) yang selanjutnya akan Diinput Data Stok Voucher baru yang tersedia berikutnya.

Data Flow Diagram Level 0 Jurnal Nasional JMII 2016

44

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Data Flow Diagram Level 2

Gambar 3.4 Data Flow Diagram Level 2

Pada Tahap ini dapat dilihat Kasir Penjulan melakukan penjualan Voucher, pertama Kasir Penjualan akan melakukan pengecekan ketersediaan Stock Voucher, kemudian system akan memberikan data voucher yang tersedia, jika Kasir Penjualan melakukan transaksi penjualan system kemudian akan menyimpan data tersebut ke dalam data Store Voucher kembali, agar data Voucher siupdate lagi perubahanya. Kemudian transaksi tersebut akan tercatat oleh system, jika stock voucher habis maka PIC Card Management (CM) dapat memantau secara cepat dan agar segera dimasukan Data Stok Voucher yang baru, kemudian dilakukan Entry data pemesanan kedalan data store transaksi dan data Store Voucher.

Gambar 3.6 Entity Relationship Diagram

Relasi Tabel Relasi merupakan hubungan yang terjadi pada suatu table dengan lainnya yang mempresentasikan hubungan antara objek di dunia nyata dan berfungsi untuk mengatur operasi suatu database.

Data Flow Diagram Level 3

Gambar 3.5 Data Flow Diagram Level 3

Pada proses ini adalah tahap dimana laporan Stock Voucher akan dilakukan. System akan mengambil data Vocuher selanjutnya system akan mengolah laporan jumlah Stock Voucher, data Voucher dan Tanggal Transaksi, yang selanjutnya system akan mengolah data laporan tersebut yang kemudian akan diberikan ke pimpinan. Entity Relationship Diagram ERD adalah diagram untuk menggambarkan model data Entity-Relationship (ER). Model ini digunakan untuk mendeskripsikan basis data di level konseptual. Artinya, basis data yang akan dibangun kita coba ungkapkan dalam bentuk entitas-entitas data berikut hubungan keterkaitan diantaranya. Dengan demikian, kita dapat membayangkan data apa saja yang nanti akan disimpan dalam basis data.

Gambar 3.7 Relasi Tabel

IV. KESIMPULAN DAN SARAN SIMPULAN dari hasil pembahasan tentang perancangan sistem informasi data stok voucher pada grapari telkomsel jakarta pusat, maka diambil kesimpulan: 1. Dengan adanya perancangan sistem informasi ini, maka pihak perusahaan diharapkan dapat lebih mudah dalam menyajikan informasi tentang data stok voucher 2. Mempermudah informasi data stok voucher pada grapari telkomsel jakarta pusat,

Jurnal Nasional JMII 2016

45

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

baik dalam pencarian data, proses pengadaan dan penjualan maupun dalam pembuatan laporan.

REFERENSI

3. Membantu pekerjaan dari pic card manejemen dalam melakukan pengecekan data, baik berupa input, update, delete data stok voucher pada grapari telkomsel jakarta pusat.

[1]. Alter., Analisis Sistem Yogyakarta, Andi. 1992.

Informasi,

[2]. Bodnar, Hopwood., Membangun Sistem Informasi, Yogyakarta, Andi. 1993.

SARAN Dalam pengembangan Perancangan Sistem Informasi ini ke depan, dapat disarankan beberapa hal berikut ini: 1. Layanan yang digunakan untuk PIC Card Management (CM) diharapkan dapat berkembang sehingga memungkinkan untuk bisa melakukan berbagai kegunaan tidak hanya data stok voucher saja. 2. Dapat melakukan pembacaan data lebih detail dan akurat sehingga dapat mempermudah kerja PIC Card Management (CM) dalam mengolah data.

[3]. Gelinas Oram., wiggins,. Menolah Sistem Informasi, Yogyakarta, Andi. 1993. [4]. Hall., Menjadi Administrator Informasi. Semarang, Andi. 2001. [5].

Jeffrey L.Witten,, Analisis & Design Sistem Informasi. Semarang, Andi. 2002

[6]. Kadir., Pengenalan Semarang, Andi. 2002 [7].

3. Diharapkan dapat diterapkan Sistem Informasi Data Stock Voucher secepatnya untuk Grapari Telkomsel Jakarta Pusat.

Sistem

Sistem

Informasi.

Said El Fairuz., Analisis Sistem Informasi – Diagram Alir Data (DAD) / Data Flow Diagram. (DFD), http://fairuzelsaid.wordpress.com/2010/01/0 8/analisis-sistem-informasi-diagram-alirdata-dad-data-flow-diagramdfd/, diakses tanggal 8 November 2015.

4. Pengembangan Sistem Informasi yang nyata selanjutnya dapat diterapkan pada Grapari Telkomsel yang lain, tidak terpaku pada Grapari Telkomsel Jakarta Pusat saja.

Jurnal Nasional JMII 2016

46

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

PERANCANGAN APLIKASI BANK SOAL BERBASIS WEB PADA BIMBINGAN BELAJAR XYZ Muhammad Benny Chaniago Fakultas Teknik, Jurusan Sistem Informasi Universitas Widyatama Jalan Cikutra 204A, Bandung, Indonesia [email protected]

Abstrak Aplikasi bank soal dengan menggunakan web dapat diakses lebih mudah dan efisien, karena dapat menghemat waktu dalam pencarian yang dilakukan secara manual. Penelitian ini bertujuan untuk menata penyimpanan soal-soal dan mempermudah transaksi dengan pelajar dalam mengakses soal-soal pada Bimbingan Belajar XYZ. Metode penelitian yang digunakan adalah metode deskriptif analisis yaitu menggambarkan hasil observasi dan menganalisa data-data yang diperoleh dari lapangan. Cara kerja dari aplikasi ini adalah user melakukan pendaftaran dan login untuk mendapatkan soal, karena pengaksesan soal hanya dapat dilakukan oleh member. Setelah melakukan login member dapat melakukan pengaksesan soal dengan kategori yang ada. Hasil dari layanan ini, user tidak harus datang ke Lembaga Bimbingan XYZ untuk mendapatkan soal yang diperlukan, tetapi cukup dengan membuka website ini dan melakukan pendaftaran dengan mengisi form pendaftaran yang sudah tersedia. Setelah melakukan analisis dan pembahasan masalah, dapat disimpulkan bahwa sistem yang berjalan di Bimbingan Belajar XYZ cukup baik. Kata kunci : Bank soal, Website, Bimbingan belajar, Pelajar, Member, Transaksi

Abstract A set of test application using the web is accessible more easily and efficiently because it can save time in searching manually. This research aims to organize the storage problems and facilitate transactions with students in accessing of questions in Bimbingan Belajar XYZ. The method that we used

is descriptive analysis method which describes the results of observations and analyzes the data obtained from the field. Ways of workings of this application are the user registration and login to get a set of the test because the access question can only be done by a member. After login, the member can access the set of test with existing categories. The results of this service, the user does not have to come to Bimbingan Belajar XYZ to get a set of test that they need, but all they have to do is to go to the website and register by filling out the registration form that is already provided. According to the analysis and discussion above, it can be concluded that the system has been running well in "Bimbingan Belajar XYZ". Keywords : A set of test, Website, Bimbingan belajar, Student, Member, Transaction

I. PENDAHULUAN Seiring dengan perkembangan teknologi informasi yang semakin pesat, tuntutan mendapatkan informasi yang lebih cepat menjadi aspek yang penting bagi organisasi untuk menuju arah yang lebih baik lagi. Salah satu perkembangan teknologi informasi yang telah banyak dipakai oleh banyak orang adalah internet. Pada awalnya hanya beberapa orang yang dapat menggunakan internet, tetapi semakin lama internet semakin berkembang dan semakin banyak orang yang menggunakan internet pada saat ini. Hal ini menyebabkan adanya kemajuan dalam penggunaan internet dalam berbagai bidang, salah satunya perkembangan internet dalam bidang pendidikan yang berguna untuk mempermudah kegiatan belajar peserta didik.

Jurnal Nasional JMII 2016

47

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Pendidikan merupakan salah satu upaya meningkatkan kualitas hidup manusia untuk dapat menjadi lebih baik. Kegiatan belajar mengajar dalam kaitannya dengan pendidikan yang sebenarnya telah dijalani semenjak manusia lahir, baik dalam lingkungan informal maupun lingkungan formal. Salah satu aspek penting dalam kegiatan belajar mengajar di lingkungan pendidikan formal adalah menguji tingkat pengetahuan pembelajaran dalam bidang ilmu yang dipelajarinya, sehingga dapat menyalurkan ilmu yang dipelajarinya dengan sebaik mungkin. Keberhasilan mutu pendidikan sangat tergantung dari keberhasilan proses belajar mengajar yang merupakan sinergi dari komponen-komponen pendidikan baik kurikulum, tenaga pendidikan, sarana dan prasarana, sistem pengelolaan, maupun berupa faktor lingkungan alamiah dan lingkungan sosial dengan peserta didik sebagai subyeknya. Proses belajar mengajar sebagai sistem yang dipengaruhi oleh berbagai faktor, dan salah satu faktor utamanya adalah guru yang merupakan pelaksana pendidikan di lapangan. Kualitas guru, kualitas akademik maupun non akademik sangat mempengaruhi kualitas pembelajaran. Faktor lainnya yang tidak kalah penting dalam menentukan keberhasilan kegiatan belajar mengajar adalah sumber belajar yang peserta didik dapatkan. Dalam rangka mengupayakan peningkatan kualitas program pembelajaran, perlu adanya pandangan sistematik terhadap kegiatan belajar mengajar yang harus didukung dengan upaya pendayagunaan sumber belajar diantaranya adalah bimbingan belajar. Pembelajaran dalam keseharian manusia memiliki arti yang penting dalam rangka mengawal manusia menjadi manusia yang berbudi dan berperadaban yang luhur. Pembelajaran adalah proses untuk mentransfer ilmu, karena dengan adanya transfer ilmu maka manusia menjadi pribadi yang cerdas otaknya dan juga cerdas akhlaknya. Untuk meningkatkan efektivitas belajar peserta didik, pembelajaran dilakukan tidak lagi terkait dengan terbatasnya waktu dan tempat, melainkan dapat dilakukan dimana ada waktu untuk belajar dan mengembangkan ilmu disana. Karena tidak akan efektif jika harus terikat dengan waktu dan tempat. Bimbingan Belajar XYZ merupakan lembaga pendidikan yang baru berkembang dalam dunia

pendidikan. Bimbingan Belajar XYZ bergerak dalam bidang Bimbingan Belajar yang bertujuan untuk menghasilkan sumber daya manusia yang mempunyai kualitas yang tinggi dan memiliki peran yang tinggi bagi masyarakat. Dalam memperlancar kegiatan Bimbingan Belajar dan pelatihan komputer yang berlangsung, Bimbingan Belajar XYZ memberikan modul dalam setiap pelajarannya yang lebih memperbanyak latihan-latihan dengan mengisi soal-soal, serta memperbanyak praktek-praktek untuk membuat peserta didik agar cepat memahami yang dikerjakannya. Dengan memberikan berbagai macam soal akan membantu peserta didik dalam menghadapi ujian nasional. Seiring dengan banyaknya kegiatan pendidikan yang telah dijalankan, jumlah soal yang dimiiliki pun terus meningkat dan pengaksesan soal menjadi terhambat karena harus mencari data soal yang diperlukan dalam kumpulan soal-soal, jika soal yang diperlukan adalah soal yang sudah lama maka akan kesulitan dalam menemukannya atau bahkan sudah rusak dan hilang. Untuk menangani hal tersebut maka diperlukan suatu sistem yang dapat membantu mengatur penyimpanan soal-soal tersebut agar tersusun dengan baik dan dapat digunakan untuk waktu berikutnya jika diperlukan serta untuk menghindari terjadinya kehilangan data soal.

II. KAJIAN LITERATUR Penggunaan PHP untuk membuat website yang sesuai dengan keinginan dapat dikatakan tepat, karena PHP tidak memerlukan compiler dalam penggunaanya, dan banyak web server yang mendukung PHP serta dalam penulisannya pun tidak sulit karena memiliki referensi yang banyak. Pembuatan web menggunakan PHP tidak dapat berdiri sendiri, diperlukan sebuah perantara seperti Adobe Dreamweaver sebagai alat untuk menuliskan script-script PHP yang akan digunakan dalam pembuatan web ini. Selain itu, sebelum menggunakan PHP diperlukan pengetahuan seperti HTML, JAVASCRIPT dan CSS untuk membuat tampilan web yang dibuat sesuai dengan keinginan. Setelah mengerti dan memahami konsep dasar pembuatan web maka kita tidak akan mengalami kesulitan dalam menggunakan PHP.

Jurnal Nasional JMII 2016

48

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

Untuk mempercantik tampilan web, kita dapat mendesain sendiri atau dapat menggunakan Framework dan Template yang sudah tersedia. 2.1. Data Menurut Tata Sutabri dalam bukunya Konsep Sistem Informasi, ANDI, Yogyakarta, 2012, hal 1-2, mengungkapkan bahwa data merupakan bentuk jamak dari bentuk tunggal datum. Data adalah kenyataan yang menggambarkan suatu kejadian-kejadian dan kesatuan nyata. Kejadiankejadian adalah sesuatu yang terjadi pada saat tertentu di dalam dunia bisnis. Bisnis adalah perubahan dari suatu nilai yang disebut transaksi. Kesatuan nyata adalah berupa suatu objek yang nyata seperti tempat, benda dan orang yang betulbetul ada dan terjadi. Sehingga dapat disimpulkan bahwa data adalah bahan mentah yang diproses untuk menyajikan informasi.[1] Menurut John J. Longkutoy dalam bukunya Pengenalan Komputer yang dikutip Tata Sutabri dalam bukunya Konsep Sistem Informasi, ANDI, Yogyakarta, 2012, hal 2, mengungkapkan bahwa : “Istilah data adalah suatu istilah majemuk yang berarti fakta atau bagian dari fakta yang mengandung arti yang dihubungkan dengan kenyataan, simbol-simbol, gambar-gambar, angkaangka, huruf-huruf, atau simbol- simbol yang menunjukkan suatu ide, objek, kondisi, atau situasi dan lain-lain. Jelasnya, data itu dapat berupa apa saja dan dapat ditemui dimana saja. Kegunaan data adalah sebagai bahan dasar yang objektif (relative) di dalam proses kebijaksanaan dan keputusan oleh pemimpin organisasi.”[1] 2.2. Bank Soal Pengertian dan karakteristik bank soal yang diakses dari situs edukasi.kompasiana.com diantaranya :[2] 2.2.1. Pengertian Bank Soal

Menurut Ward dan Ward (2004) mengungkapkan : “ a item bank is a collection of test items that may be easily accessed for use in preparing examinations“. Bank soal adalah koleksi butir soal yang sudah dipergunakan untuk menyiapkan sebuah penilaian.”[3] Menurut Grounlund, dalam Rudner mengungkapkan : “Bank soal adalah sekumpulan soal yang layak yang dikodekan berdasarkan subjek materi, tingkat pembelajaran, tujuan pembelajaran yang diukur, dan bermacam karakteristik lain butir soal yang berguna.”[4] Menurut Sumardyono dalam handout diklat in on in, pengembangan Keprofesian Berkelanjutan, menyimpulkan : “Bank soal berarti sekelompok butir soal terkalibrasi (teruji) baik secara teoritis maupun empiris dan memuat informasi penting sehingga dapat dengan mudah dipergunakan dalam penyusunan sebuah instrumen penilaian (tes).”[5] 2.2.2. Karakteristik Bank Soal a.

b.

c.

Setiap butir soal pada bank soal merupakan butir soal yang terkalibrasi (teruji), soal-soal disebut layak (suitable) mengandung pengertian soal berkualitas, baik validitas (validity), keterbacaan (realiability), keterukuran (measurable) maupun aspek ekonomisnya (efisien, lugas). Setiap butir soal dilengkapi berbagai informasi berguna. Setiap butir soal pada bank soal memiliki informasi yang bermanfaat dalam penyusunan sebuah instrumen penilaian. Database (soal-soal) pada sebuah bank soal dibangun secara terstruktur. Dan Bank soal bukan merupakan kumpulan soal saja namun merupakan suatu organisasi soal di mana antar soal satu dengan yang lain mempunyai link atau hubungan berdasarkan komponen spesifikasi yang sama.

2.3. Pengenalan HTML

Dalam literatur berbahasa Inggris istilah Bank Soal berarti item bank yang berarti “bank butir”. Hal ini berarti bank soal adalah berisi butir- butir soal tes maupun butir pernyataan angket. Bank soal bermanfaat untuk mengatasi guru dalam mengambil soal yang diperlukan apabila guru akan melakukan penilaian. Guru tinggal mengambil butir soal yang telah tersimpan.

Hypertext Markup Language atau lebih dikenal dengan HTML adalah bahasa yang digunakan pada dokumen web sebagai bahasa untuk pertukaran dokumen web. Struktur dokumen HTML terdiri dari tag pembuka dan tag penutup. Struktur dokumen HTML adalah Sebagai berikut :

Jurnal Nasional JMII 2016

49

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093



tersebut tidak berlaku untuk atribut identitas, seperti atribut id dan name.





Elemen body dengan atribut id dan class.

Atribut class pada elemen P secara otomatis bernilai sama dengan induknya.



Struktur HTML di atas adalah satu kesatuan yang harus ada dalam setiap dokumen HTML. Dokumen HTML terdiri dari komponen yaitu tag, elemen dan atribut.[6]

2.4. Pengenalan Javascript

Elemen adalah nama penanda yang diapit oleh tag yang memiliki fungsi dan tujuan tertentu pada dokumen HTML. Elemen dapat memiliki elemen anak dan juga nilai. Elemen anak adalah suatu elemen yang berada di dalam elemen pembuka dan elemen penutup induknya. Nilai yang dimaksud adalah suatu teks atau karakter yang berada di anatara elemen pembuka dan elemen penutup. Contoh :

Javascript adalah bahasa pemrograman yang dikembangkan untuk dapat berjalan pada web browser. Javascript adalah bahasa skrip (scripting language), yaitu kumpulan intruksi perintah yang digunakan untuk mengendalikan beberapa bagian dari sistem operasi.[6] Sebagai bahasa skrip yang berjalan pada web browser atau sisi klien (client side) javascript tidak memiliki fungsi untuk menjalankan suatu perintah pada server atau sisi server (client server). Dengan keterbatasan itu maka para pengembang javascript kemudian menambahkan suatu mekanisme agar javascript dapat berinteraksi dengan server. Mekanisme tersebut adalah AJAX (Asynchronous Javascript and XML), yaitu mekanisme komunikasi antara javascript yang berada disisi klien dengan bahasa disisi server seperti PHP dan lainnya. Prinsip kerjanya yaitu menjalankan suatu alamat perintah pada server dan menerima data yang dikembalikan oleh server. Sama hal nya dengan HTML, Javascript juga mempunyai struktur penulisan, yaitu:



elemen HEAD

<SCRIPT LANGUAGE = ”JavaScript”>

elemen Anak dari elemen HEAD


Tag adalah tanda awal < dan tanda akhir > yang digunakan sebagai pengapit suatu elemen. Tag pada elemen pembuka diawali dengan tanda < dan diakhiri dengan tanda >. Sedangkan untuk elemen penutup diawali dengan tanda < dan / kemudian diakhiri dengan tanda >. Untuk penulisan tag elemen tunggal cukup menuliskan tanada < dan sebelum tanda > ditambah tanda /. Contoh :

tag elemen pambuka HEAD



tag elemen penutup HEAD

tag elemen tunggal



Penulisan kode javascript // - - >





Atribut adalah property elemen yang digunakan untuk mengkhususkan suatu elemen. Elemen dapat memiliki atribut yang berbeda tiap masing-masingnya. Pendefinisian nilai atribut hanya dapat dilakukan pada elemen pembuka. Untuk elemen dari tag yang memiliki atribut yang sama dengan induknya, namun nilai atribut tidak didefinisikan secara implisit maka nilai atribut elemen tersebut sama dengan nilai atribut pada tag induk atau istilah lainnya inherit. Sifat inherit

Keterangan : Kode umumnya disertakan dengan tujuan agar sekiranya browser tidak mengenali JavaScript maka browser akan memperlakukannya sebagai komentar sehingga tidak ditampilkan pada jendela browser. 2.5. Pengenalan PHP Menurut Dodit Suprianto dalam bukunya Buku Pintar Pemrograman PHP, Oase Media, Bandung, 2008, hal 17, mengungkapkan bahwa : “PHP

Jurnal Nasional JMII 2016

50

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

merupakan kependekan dari Hypertext Prepocessor. PHP tergolong sebagai perangkat lunak open source yang diatur dalam aturan general purpose lisences (GPL).”[7] Pemrograman PHP sangat cocok dikembangkan dalam lingkungan web, karena PHP bisa diletakkan pada script HTML atau sebaliknya. PHP dikhususkan untuk pengembangan web dinamis, karena mampu menghasilkan website yang secara terus menerus hasilnya dapat berubah-ubah. Di bawah ini adalah sintaks dasar dari PHP : a.

HTML Escaping

Ketika PHP menerima suatu file, PHP akan mencari tag pembuka (“”). Hal ini juga sebagai pemberitahuan agar PHP mulai menerjemahkan baris-baris kode PHP tersebut serta mengakhiri penerjemahan-nya sampai bertemu dengan tag penutup. Sintak sederhana :

ini akan diabaikan

ini

akan

diparse

atau

yang ini akan diabaikan juga

b.

Pemisah Intruksi



d.

Tipe Data

PHP tidak memerlukan pendeklarasian tipe data suatu variabel secara eksplisit, tetapi lebih ditentukan oleh runtime program PHP, tergantung pada konteks dimana varibel tersebut digunakan. PHP mempunyai beberapa jenis data antara lain : Boolean , Integer, Float (floating point, „double‟), String, Array dan Null. e.

Variabel

Variabel mutlak diperlukan dalam pemrograman PHP karena berfungsi sebagai tempat untuk menampung suatu nilai data, baik berupa masukan maupun keluaran. Contoh penulisan variabel :
PHP membutuhkan penghenti baris pernyataan serta memisahkan antara baris satu dengan baris lain dengan cara memberikan tanda titik koma (“ ; ”) diakhir setiap baris. Kode tag penutup (“?>”) disebuah blok PHP secara otomatis akan berimplikasi sebagai titik koma sehingga tidak diperlukan lagi adanya titik koma penghenti perintah diakhir baris suatu blok PHP.

$var = „dodit‟; $Var = „rini‟; Echo “$var, $Var”;

f.

Operator


Operator memiliki beberapa urutan (hierarki) eksekusi, mana operator yang harus didahulukan dan mana operator yang akan dieksekusi selanjutnya. Ada tiga jenis operator dalam pemrograman PHP yang sering digunakan, yaitu : Operator Aritmatika, Operator Perbandingan dan Operator Logika.

c.

g.



Komentar atau Remarks

PHP mendukung pemberian komentar. Terkadang dibutuhkan beberapa baris kalimat untuk memberikan keterangan pada suatu baris program. Hal ini sering disebut Remarks. Remarks tidak akan ikut dieksekusi oleh server. Jika remarks hanya satu baris maka mengunakan tanda (“ // “) atau (“#”). Jika remarks terdiri atas beberapa baris secara berurutan maka menggunakan tanda (“/* …. */”).

Konstanta

Konstanta adalah pemberian nama baru terhadap suatu nilai. Konstanta tersebut bernilai tetap dan tidak terpengaruhi oleh eksekusi script apapun. Konstanta bersifat case-sensitive. Menurut kesepakatan bersama, penulisan kostanta selalu menggunakan huruf besar.
Jurnal Nasional JMII 2016

51

JURNAL MASYARAKAT INFORMATIKA INDONESIA JMII Vol 1, No. 1, Oktober-Desember 2016 ISSN: 2541-5093

define(“KONS”, :sesuatu”);



2.6. Pengenalan MySQL

Menurut Wahana Komputer dalam bukunya Membuat Web Interaktif dengan Adeobe Dreamweaver CS5.5, PHP & MYSQL, ANDI dan Wahana Komputer, Semarang, 2012, hal 61-70, mengungkapkan bahwa membuat CSS sangatlah mudah, kita tinggal memasukkan atribut-atribut yang akan digunakan dalam dokumen CSS seperti untuk jenis huruf, warna teks, ataupun warna background, hyperlink dan lain sebagainya.[8] Dengan pengaturan atribut tersebut maka secara otomatis CSS akan terbentuk. Perbedaan dari pembuatan class dan style dalam CSS adalah jika class yang telah dibuat dapat diterapkan pada seluruh tag pada bagian halaman web, sedangkan style hanya diterapkan pada tag-tag HTML tertentu missal tag ,