ANALISIS DAN PERANCANGAN SISTEM
3.4 Cara Kerja Sistem
Sistem pendukung keputusan yang dibangun memiliki cara kerja untuk menghasilkan suatu keluaran / output nilai akhir setiap alternatif dari hasil proses perhitungan Hybrid (Multifactor Evaluation Process dan Bayes). Sehingga user dapat mengambil keputusan berdasarkan dari nilai yang ditampilkan oleh sistem. Dalam sistem ini, data diperoleh dari data pengajar di Media.Com. Kriteria yang dibutuhkan adalah berkas (tingkat pendidikan, pengalaman mengajar dan sebagainya), wawancara, praktek (pengetahuan teknis, keterampilan teknis dan kemampuan komunikasi). Data dapat dilihat di tabel 3.1.
Tabel 3.1 Data Pengajar Media.Com
No Nama Berkas Wawancara Praktek
1 Afni 61 59.3 67.7 2 Bahri 78 80 65 3 Bastiyan 78 64.3 77.7 4 Fery 60.3 58 66.3 5 Gibran 63.7 66 59.7 6 Janio 67.3 77 78.7 7 Jimmy 77 65.3 79 8 Kholis 87.3 74 88.3 9 Maula 58.7 66 61.7 10 Nur 59.3 61 69.7 11 Pandu 66 59 75 12 Rafi 85 90 89.3 13 Resfi 61.7 75 57.7 14 Riky 66 82 78.7 15 Sugi 65.3 64 64.7
Langkah – langkah yang akan dilakukan sistem adalah sebagai berikut : a. Menentukan aturan awal
b. Menghitung total Weighted Evaluation c. Menentukan alternatif
d. Menghitung total Weighted Evaluation setiap alternatif e. Menentukan disarankan atau tidak disarankan
3.4.1 Menentukan Aturan Awal
Dari data yang ada diambil sebanyak 10 data sebagai aturan awal, dimana data aturan awal ini sebagai pedoman data yang akan digunakan dalam metode Bayes. Oleh karena itu, nilai diubah menjadi keterangan dengan ketentuan :
Tinggi = Nilai >= 75
Normal = Nilai diantara 60 – 74 Rendah = Nilai < 60
Tabel 3.2 Data Aturan Awal
No Nilai Keterangan
Berkas Wawancara Praktek Berkas Wawancara Praktek
1 66 82 78.7 Normal Tinggi Tinggi
2 78 80 65 Tinggi Tinggi Normal
3 59.3 61 69.7 Rendah Normal Normal
4 61 59.3 67.7 Normal Rendah Normal
5 63.7 66 59.7 Normal Normal Normal
6 65.3 64 64.7 Normal Normal Rendah
7 61.7 75 57.7 Normal Tinggi Rendah
8 66 59 75 Normal Rendah Tinggi
9 85 90 89.3 Tinggi Tinggi Tinggi
10 87.3 74 88.3 Tinggi Normal Tinggi
3.4.2 Menghitung Total Weighted Evaluation
Tentukan bobot untuk setiap kriteria, dimana total dari pembobotan sama dengan 1. Selanjutnya hitung Weighted Evaluation, yaitu setiap nilai bobot dikalikan dengan data aturan awal. Selanjutnya dijumlahkan dan tentukan apakah hasil dari Weighted Evaluation disarankan atau tidak berdasarkan keperluan user.
Tabel 3.3 Bobot Setiap Kriteria Kriteria Nilai Bobot
Berkas 0.30 Wawancara 0,25 Praktek 0,45 1. = ( 0,30 x 66 ) + ( 0,25 x 82 ) + (0,45 x 78,7 ) = 19,8 + 20,5 + 35,415 = 75,715 2. = ( 0,30 x 78 ) + ( 0,25 x 80 ) + (0,45 x 65 ) = 23,4 + 20 + 29,25 = 72,65
3. = ( 0,30 x 59,3 ) + ( 0,25 x 61 ) + (0,45 x 69,7 ) = 17,79 + 15,25 + 31,365
= 64,405
Tabel 3.4 Weighted Evaluation dan Kesimpulan
No Berkas Wawancara Praktek Hasil Keterangan
1 19.8 20.5 35.415 75.715 Disarankan 2 23.4 20 29.25 72.65 Disarankan 3 17.79 15.25 31.365 64.405 Tidak Disarankan 4 18.3 14.825 30.465 63.59 Tidak Disarankan 5 19.11 16.5 26.865 62.475 Tidak Disarankan 6 19.59 16 29.115 64.705 Tidak Disarankan 7 18.51 18.75 25.965 63.225 Tidak Disarankan 8 19.8 14.75 33.75 68.3 Disarankan 9 25.5 22.5 40.185 88.185 Disarankan 10 26.19 18.5 39.735 84.425 Disarankan 3.4.3 Menentukan Alternatif
Dalam sistem ini, alternatif yang diperlukan adalah data pengajar sebanyak 5 data. Sehingga proses akhir dari sistem ini adalah untuk mengetahui berapa banyak pengajar yang disarankan dan yang sesuai untuk diterima sebagai pengajar.
Tabel 3.5 Data Calon Pengajar
No Nama Nilai Keterangan
Berkas Wawancara Praktek Berkas Wawancara Praktek
1 Bastiyan 78 64.3 77.7 Tinggi Normal Tinggi 2 Fery 60.3 58 66.3 Normal Rendah Normal 3 Janio 67.3 77 78.7 Normal Tinggi Tinggi 4 Jimmy 77 65.3 79 Tinggi Normal Tinggi 5 Maula 58.7 66 61.7 Rendah Normal Normal
3.4.4 Menghitung Total Weighted Evaluation Setiap Alternatif
Pada tahap ini menggunakan metode Multifactor Evaluation Process untuk mengetahui nilai akhir setiap alternatif berdasarkan bobot yang telah ditentukan. Karena bobot sudah ditentukan sebelumnya. Selanjutnya menghitung total Weighted
Evaluation, proses ini sama seperti menghitung total Weighted Evaluation pada data aturan awal.
Hasil = (bobot berkas x nilai berkas) + (bobot wawancara x nilai wawancara) + (bobot praktek x nilai praktek)
Bastiyan = ( 0,30 x 78 ) + ( 0,25 x 64.3 ) + (0,45 x 77,7 ) = 23,4 + 16,075 + 34,965 = 74,44 Fery = ( 0,30 x 60,3 ) + ( 0,25 x 58 ) + (0,45 x 66,3 ) = 18,09 + 14,5 + 29,835 = 62,425 Janio = ( 0,30 x 67,3 ) + ( 0,25 x 77 ) + (0,45 x 78,7 ) = 20,19 + 19,25 + 35,415 = 74,885 Jimmy = ( 0,30 x 77 ) + ( 0,25 x 65.3 ) + (0,45 x 79 ) = 23,1 + 16,325 + 35,55 = 74,975 Maula = ( 0,30 x 58,7 ) + ( 0,25 x 66 ) + ( 0,45 x 61,7 ) = 17,61 + 16,5 + 27,765 = 61,875
Tabel 3.6 Hasil Total Weighted Evaluation
No Nama Berkas Wawancara Praktek Hasil
1 Bastiyan 23.4 16.075 34.965 74.44
2 Fery 18.09 14.5 29.835 62.425
3 Janio 20.19 19.25 35.415 74.855
4 Jimmy 23.1 16.325 35.55 74.975
3.4.5 Menentukan Disarankan Atau Tidak Disarankan
Pada tahap ini menggunakan metode Bayes untuk menentukan apakah data calon pengajar disarankan atau tidak berdasarkan dengan aturan awal. Perhitungan menggunakan data keterangan aturan awal dan data calon pengajar yang menunjukkan tinggi, normal, dan rendah.
Bastiyan Kemungkinan Ya =
= 0,5 + 0,6 + 0,2 + 0,8 = 2,1 Kemungkinan Tidak =
= 0,5 + 0 + 0,6 + 0 = 1,1
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Fery
Kemungkinan Ya = 0,5 + 0,4 + 0,2 + 0,2 = 1,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0,6 = 2,1
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Janio
Kemungkinan Ya = 0,5 + 0,4 + 0,6 + 0,8 = 2,3 Kemungkinan Tidak = 0,5 + 0,8 + 0,2 + 0 = 1,5
Karena kemungkinan ya > kemungkinan tidak, maka disarankan
Jimmy
Kemungkinan Ya = 0,5 + 0,6 + 0,2 + 0,8 = 2,1 Kemungkinan Tidak = 0,5 + 0 + 0,6 + 0 = 1,1
Maula
Kemungkinan Ya = 0,5 + 0 + 0,2 + 0,2 = 0,9 Kemungkinan Tidak = 0,5 + 0,2 + 0,6 + 0,6 = 1,9
Karena kemungkinan ya < kemungkinan tidak, maka tidak disarankan
Tabel 3.7 Analisis Perhitungan MFEP dan Bayes
No Nama Berkas Wawancara Praktek Hasil Keterangan
1 Bastiyan 23.4 16.075 34.965 74.44 Disarankan
2 Fery 18.09 14.5 29.835 62.425 Tidak Disarankan
3 Janio 20.19 19.25 35.415 74.855 Disarankan
4 Jimmy 23.1 16.325 35.55 74.975 Disarankan
5 Maula 17.61 16.5 27.765 61.875 Tidak Disarankan
3.5 Pemodelan
Pemodelan (modeling) adalah proses merancang piranti lunak sebelum melakukan pengkodean (coding). Membuat model dari sebuah sistem yang kompleks sangatlah penting karena kita tidak dapat memahami sistem semacam itu secara menyeluruh. Semakin komplek sebuah sistem, semakin penting pula penggunaan teknik pemodelan yang baik. Dengan menggunakan model, diharapkan pengembangan piranti lunak dapat memenuhi semua kebutuhan pengguna dengan lengkap dan tepat.
Pada penelitian ini menggunakan UML (Unified Modeling Language) untuk merancang model sebuah sistem yang akan dibangun, UML adalah sebuah "bahasa" yang telah menjadi standar dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak (Dharwiyanti & Romi,2013). UML yang digunakan antara lain use case diagram, activity diagram dan sequence diagram.
3.5.1 Use Case Diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. Use
case diagram dapat sangat membantu bila kita sedang menyusun requirement sebuah sistem. Pada penelitian ini, use case diagram terlihat pada gambar 3.2
Gambar 3.2 Use Case Diagram
Dari gambar 3.2 dijelaskan bahwa user dapat melihat, menginput, mengubah dan menghapus data untuk aturan awal, kriteria dan data calon pengajar. Kemudian melakukan proses perhitungan dengan MFEP dan Bayes. Untuk lebih jelasnya dapat dilihat pada tabel 3.1
Tabel 3.8 Deskripsi Use Case Data Calon Pengajar
Name Data Calon Pengajar
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan untuk mengelola data calon pengajar.
Basic Flow User dapat menginput data dan setelah menginput data, user dapat menampilkan keseluruhan data yang tersimpan. Dan user dapat mengubah dan menghapus data jika dianggap tidak sesuai. Sehingga dapat diproses ke tahap selanjutnya.
Alternate Flow User dapat mengelola aturan awal dan kriteria Pre Condition User ingin input data calon pengajar
Post Condition Data dari calon pengajar telah tersimpan ke database
Tabel 3.9 Deskripsi Use Case Kriteria
Name Kriteria
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan untuk mengelola bobot setiap kriteria yang diinginkan user
Basic Flow User menginput data kriteria dan setelah menginput data, data tersebut akan dihitung untuk proses selanjutnya.
Alternate Flow User dapat mengelola data aturan awal dan data calon pengajar Pre Condition User ingin input bobot untuk setiap kriteria
Post Condition Hasil dari perhitungan bobot setiap kriteria telah tersimpan ke database
Tabel 3.10 Deskripsi Use Case Perhitungan
Name Data Calon Perhitungan
Actors Developer / Staff yang telah ditentukan
Description Use case ini mendeskripsikan proses perhitungan data calon pengajar yang telah diinputkan sebelumnya berdasarkan bobot yang telah ditentukan dengan menggunakan MFEP dan Bayes Basic Flow Setelah data yang diperlukan telah diinputkan oleh User,
selanjutnya data dihitung dengan MFEP dan Bayes Alternate Flow User dapat kembali ke tampilan awal
Pre Condition User ingin mengetahui hasil perhitungan
Post Condition User dapat mengetahui calon pengajar yag sesuai dengan kriteria yang diinginkan
3.5.2 Activity Diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir.
Gambar 3.3 Activity Diagram Input Data
Pada gambar 3.3 menjelaskan bahwa ketika user menginputkan data aturan awal atau data calon pengajar. Maka data tersebut akan tersimpan ke database.
Gambar 3.4 Activity Diagram Ubah Data
Pada gambar 3.4 menjelaskan bahwa ketika user ingin mengubah data aturan awal atau data calon pengajar maka terlebih dahulu user menampilkan data, lalu user
menginputkan data yang akan diubah. Setelah divalidasi, data yang baru akan terupdate dan disimpan ke database.
Gambar 3.5 Activity Diagram Hapus Data
Pada gambar 3.5 menjelaskan bahwa ketika user ingin menghapus data aturan awal atau data calon pengajar maka terlebih dahulu user menampilkan data, lalu user memilih data yang akan dihapus. Setelah divalidasi, data yang terpilih akan terhapus dari database.
Pada gambar 3.6 menjelaskan bahwa ketika proses perhitungan, terlebih dahulu user harus menginput nilai bobot untuk setiap kriteria. Lalu nilai bobot tersebut akan dihitung dengan data aturan awal. Hasil perhitungan tersebut akan dihitung lagi dengan metode MFEP berdasarkan data calon pengajar. Dan proses terakhir akan dihitung dengan metode Bayes.
3.5.3 Sequence Diagram
Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu.
Gambar 3.7 Sequence Diagram Input Data
Pada gambar 3.7 menjelaskan bahwa ketika user menginput data maka sistem akan merespon dengan menampilkan form dan menyimpannya ke database.
Gambar 3.8 Sequence Diagram Ubah Data
Pada gambar 3.8 menjelaskan bahwa ketika user mengubah data maka sistem akan merespon dengan menampilkan form. Dan ketika user memilih data yang akan diubah, sistem akan merespon dengan mengambil data tersebut dari database dan menampilkannya. Data akan terupdate di database.
Gambar 3.9 Sequence Diagram Hapus Data
Pada gambar 3.9 menjelaskan bahwa ketika user menghapus data maka sistem akan merespon dengan menampilkan form. Dan ketika user memilih data yang akan
dihapus, sistem akan merespon dengan mengambil data tersebut dari database dan menampilkannya. Data akan terhapus di database.
Gambar 3.10 Sequence Diagram Perhitungan
Pada gambar 3.10 menjelaskan bahwa ketika user menginput nilai bobot untuk setiap kriteria maka sistem akan menghitungnya dan menyimpannya ke database. Dan menampilkan hasilnya kepada user. Ketika user menekan tombol mfep maka sistem akan menghitung dengan metode mfep menampilkan hasilnya kepada user. Hal yang untuk metode bayes.
3.5.4 Flowchart Bayes
ya
tidak Hitung nilai probabilitas
Input nilai Mulai
P(Ya) > P(Tidak) Disarankan
Gambar 3.11 Flowchart Bayes
Flowchart metode Bayes pada gambar 3.11, inputkan dahulu nilai yang akan dihitung. Selanjutnya nilai tersebut akan dihitung untuk mengetahui nilai probabilitasnya. Setelah diproses maka akan didapat hasil perhitungannya.
3.5.5 Flowchart Multifactor Evaluation Process
Pada metode Multifactor Evaluation Process, terlebih dahulu tentukan faktor kriteria yang diperlukan. Lalu tentukan bobot untuk setiap kriteria. Dengan syarat jumlah pembobot harus sama dengan 1. Selanjutnya tentukan nilai untuk setiap kriteria agar diproses lagi untuk dihitung hasilnya. Flowchart dapat dilihat pada gambar 3.12
Gambar 3.12 Flowchart Multifactor Evaluation Process
Σ pembobotan = 1 ? tidak ya Mulai Menghitung Total Weighted Evaluation ΣWE = Σ(FW x E) Selesai
Tampilkan hasil perhitungan
Selesai
Input bobot setiap faktor/kriteria
3.5.6 Flowchart Sistem
Pada gambar 3.13 akan ditunjukkan gambaran flowchart sistem secara keseluruhan. Dapat dilihat bahwa tentukan dahulu data aturan awal, kriteria yang diperlukan serta bobot untuk setiap kriteria yang kemudian akan dihitung dengan metode Multifactor Evaluation Process. Selanjutnya menginputkan data calon pengajar. Keseluruhan data akan diproses dengan metode Multifactor Evaluation Process dan Bayes. Sehingga dapat ditentukannya alternatif yang terbaik.
Gambar 3.13 Flowchart Keseluruhan Sistem
Mulai
Hitung aturan awal dengan metode MFEP
Hitung data calon pengajar dengan metode Bayes berdasarkan aturan awal
Hasil perhitungan metode Bayes dan MFEP
Selesai
Hitung data calon pengajar dengan metode MFEP Input aturan awal dan