BAB I PENDAHULUAN
1.7 Sistematika Penelitian
Agar pembahasan lebih sitematis, maka makalah ini dibuat dalam lima bab, yaitu :
BAB I PENDAHULUAN
Pada bab ini berisi tentang latar belakang, pembatasan masalah atau ruang lingkup, tujuan dan manfaat penelitian, dan sistematika penelitian.
BAB II LANDASAN TEORI
Pada bab ini berisi tentang teori mengenai kumpulan tujuan pustaka, landasan teori dan kerangka pemikiran yang berhubungan dengan topik pembahasan.
BAB III ANALISA DAN PERANCANGAN
Pada bab ini diuraikan mengenai analisa sistem yang sudah ada sebelumnya dan sistem yang akan dibuat. Menguraikan tentang analisis sistem yang sebelumnya dengan menggunakan pemodelan sistem dengan Unifed Modelling Languange (UML). Sedangkan perancangan sistem yang diusulkan mencakup perancangan basis data.
BAB IV HASIL DAN PEMBAHASAN
Menguraikan tentang hasil dan pembahsan penelitian dalam menyelesaikan permasalahan yang ada.
BAB V PENUTUP
Bab ini berisi tentang kesimpsulan dan saran dari hasil penyusunan yang telah di susun.
7 BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Penelitian
Dari penelitian yang berkaitan dengan skripsi ini terutama dalam hal penentuan keputusan program studi, yaitu :
1. Liliana Swastina (2013), Penerapan Algoritma C4.5 Utuk Penentuan Jurusan Mahasiswa.
Penelitian ini digunakan untuk menentukan jurusan yang akan diambil oleh mahasiswa sesuai dengan latar belakang, minat dan kemampuan. Dengan penenerapan algoritma C4.5 menjadi solusi untuk mahasiswa dalam menentukan jurusan yang ditempuh oleh mahasiswa selama program studi sehingga peluang untuk sukses dalam studi perguruan tinggi semakin besar.
Parameter yang digunakan adalah indeks prestasi kumulatif semester 1 dan 2.
Pada penelitian ini model yang diusulkan algoritma C4.5 akan dibandingkan dengan model Naive Bayes. Algoritma C4.5 menghasilkan lebih tinggi nilai tingkat keakuratan 93,31% dan akurasi rekomendasi jurusan sebesar 82,64%.
Sedangkan Naive Bayes menghasilkan tingkat keakuratan 89,02% dan akurasi rekomendasi jurusan sebesar 66,36%.
2. Mutiara Shany Sinambela, RA Paramita Mayadewi, S.Kom., M.T. dan Ely Rosely, Ir.,M.B.S.(2016), Sistem Pendukung Keputusan Peminatan Jurusan Siswa Di SMA Menggunakan Algoritma Klasifikasi Data mining C4.5).
Pada penelitian ini peneliti membangun sebuah sistem pendukung keputusan untuk membantu menentukan penentuan jurusan dengan algoritma klasifikasi data mining C4.5. Hal ini disebabkan oleh banyaknya data siswa siswi yang ahrus dikelola oleh sekolah sehingga ketika dalam penentuan jurusan tidak efektif. Sistem pendukung keputusan ini dibangun berdasarkan Knowledge Discovery in Database (KDD) untu proses data mining dan metode waterfall untuk aplikasinya. Implementasi dari metode klasifikasi data mining menggunakan tools WEKA menghasilkan rule untuk penentuan jurusan siswa.
Rule yang dihasilkan diterapkan pada aplikasi ini.
3. Yeni Kustiyahningsih dan Eza Rahmanita (2016), Aplikasi Sistem Pendukung Keputusan Menggunakan Algoritma C4.5 Untuk Penjurusan SMA.
Sistem pendukung keputusan pada penelitian ini menggunakan algoritma C4.5.
Kelebihan algoritma C4.5 yaitu dapat menangani atribut kontinyu dan diskrit, kemudian dapat menangani training data dengan missing value, serta menggunakan gain ratio untuk memperbaiki information gain. Tujuan dari penelitian ini adalah membuat klasifikasi penjurusan siswa menggunakan algoritma C4.5 mempermudah dan mempercepat penentuan penyeleksian pemilihan jurusan sehingga proses yang dihasilkan dari seleksi ini lebih akurat dan objektif. Kriteria yang digunakan adalah nilai matematika, fisika, Biologi, Kimia, nilai Psikotest (IQ), Saran Psikotest, Angket/minat siswa, Saran bimbingan konseling. Dari uji coba yang dilakukan nilai akurasi yang dihasilkan setelah dilakukan pruning lebih baik tanpa pruning. Nilai akurasi
yang menggunakan pruning sebesar 96% sedangkan yang tanpa pruning adalah 87%.
4. Siti Nur Khasanah (2017), Penerapan Algoritma C4.5 Untuk Penentuan Kelayakan Kredit.
Pada penelitian ini algoritma C4.5 digunakan untuk penentuan kelayakan kredit apakah calon nasabah akan menjadi nasabah yang pembayarannya lancar atau bermasalah. Dengan menggunakan penialain kredit yang tepat, bank dapat mengevaluasi apakah pemohon layak untuk mendapatkan kredit atau tidak.
Klasifikasi dilakukan terhadap nasabah yang dikategorikan nasabah lancar dan bermasalah dengan membandingkan algoritma C4.5. Nilai akurasi yang didapatkan algoritma C4.5 classifier dengan menggunakan data training 270 nasabah adalah 88.52%.
Dari tinjauan pustaka tersebut dapat di simpulkan bahwa algoritma C4.5 menunjukkan hasil akurasi yang lebih baik dan lebih tinggi. Oleh karena itu peneliti memutuskan menggunakan algoritma C4.5 dalam melakukan klasifikasi penentuan program studi pada perguruan tinggi. Serta rule yang dihasilkan akan digunakan sebagai penentu keputusan, sehingga hasilnya bisa mengklasifikasikan program studi sesuai dengan minat dan kemampuan siswa.
2.2 Teori Pendukung
2.2.1 Penentuan Program Studi
Penentuan program studi (penjurusan) adalah suatu proses menentukan, penetapan atau penyaluran program pembelajaran siswa SMA dan sejajar untuk
melanjutkan ke suatu fakultas atau sekolah tinggi yang sudah di pertimbangan, pemikiran serta pembahasan yang matang untuk mengelola dan mengembangkan suatu bidang studi dan hanya terfokus pada bidang tersebut.
Dalam penentuan program studi ini siswa mempunyai kebebasan dalam memilih program studi sesuai dengan yang siswa inginkan. Ketepatan dalam memilih program studi dapat menentukan keberhasilan belajar siswa. Sebaliknya, kurang tepat memilih program studi akan mengakibatkan berhenti kuliah atau pergantian program studi pada saat sudah menempuh beberapa semester sangat tidak efektif dari segi materi maupun dari segi waktu yang telah digunakan.
Proses pengambilan keputusan individu dipengaruhi oleh beberapa faktor, diantaranya (Tyasasi, 2014) :
1. Faktor Kebudayaan
Faktor ini mempunyai pengaruh yang paling luas dan dalam terhadap pengambilan keputusan remaja dalam menentukan jurusan.
2. Faktor Sosial
Faktor ini meliputi kelompok acuan, keluarga, peran dan status sosial individu dan lingkungan individu.
3. Faktor Pribadi
Pribadi seseorang jiuga mempengaruhi keputusan remaja dalam memilih jurusan seperti gaya hidup dan konsep diri yang bersangkutan.
4. Faktor Psikologis
Dalam faktor psikologis, yang mempengaruhi keputusan ialah motivasi, persepsi proses belajar, kepercayaan dan sikap.
2.2.2 Perguruan Tinggi
Menurut UUD RI Pasal 1 Perguruan tinggi adalah lembaga ilmiah yang mempunyai tugas menyelenggarakan pendidikan dan pengajaran di atas perguruan tingkat menengah, dan memberikan penndidikan dan pengajaran berdasarkan kebudayaan kebangsaan indonesia dengan cara ilmiah (UUD-RI, 1961). Pada pasal 2 dijelaskan bahwa perguruan tinggi pada umumnya bertujuan:
(1) Membentuk manusia susila yang berjiwa pancasila dan bertanggung jawab akan terwujudnya masyarakat sosialis indonesia yang adil dan makmur, materil dan spiritual:
(2) Menyiapkan tenaga yang cakap berdiri sendiri dalam memelihara dan memajukan ilmu pengetahuan;
(3) Melakukan penelitian dan usaha kemajuan dalam lapangan ilmu pengetahuan, kebudayaan dan kehidupan masyarakat.
2.3 Sistem Pendukung Keputusan
2.3.1 Pengertian Sistem Pendukung Keputusan
Sistem pendukung keputusan (SPK) atau decision support system adalah suatu sistem berbasis komputer yang dapat membantu seseorang dalam meningkatkan kinerjanya dalam pengambilan keputusan (Dwi & Supartha, 2014).
Sistem Pendukung Keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambil keputusan dalam situasi yang
semiterstruktur dan situasi yang tidak terstruktur, di mana tidak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat (Wasiati, & Wijayanti, 2014).
Sistem pendukung keputusan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi, sistem bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan komponen sistem pendukung keputusan lain), sistem pengetahuan (respositori pengetahuan domain masalah yang ada pada sistem pendukung keputusan sebagai data atau sebagai prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan) (Nofriansyah, 2015).
Sehingga dapat ditarik kesimpulan bahwa SPK adalah sistem informasi interaktif berbasis komputer yang terdiri dari prosedur dalam pemrosesan data dan komponen yang saling berinteraksi untuk menghasilkan informasi yang dapat membantu memudahkan seseorang untuk mengambil keputusan.
2.3.2 Tujuan Sistem Pendukung Keputusan
Adapun tujuan dari sistem pendukung keputusan adalah sebagai berikut (Rohayani, 2013):
1. Membantu manajer dalam pengambilan keputusan atas masalah semi-terstruktur.
2. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya.
3. Peningkatan produktivitas. Pendukung terkomputerasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berasal dari berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan).
2.3.3 Karakteristik Sistem Pendukung Keputusan
Sistem pendukung keputusan mempunyai karakteristik, yaitu (Nofriansyah, 2015) :
a. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan.
b. Adanya interface manusia/mesin dimana manusia (user) tetap memegang kontrol proses pengmbilan keputusan.
c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan.
e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.
f. Memiliki dua komponen utama yaitu, data dan model.
2.3.4 Struktur Keputusan Masalah
Keputusan yang diambil untuk menyelesaikan suatu masalah dilihat dari struktur masalahnya terbagi menjadi 3, yaitu (Yusnita, & Handini, 2012):
1. Keputusan terstruktur (structured Desicion)
Keputusan yang dilakukan secara berulang-ulang dan bersifat rutin.
Prosedur pengambilan keputusan sangatlah jelas. Keputusan tersebut terutama dilakukan pada manajemen tingkat bawah. Misalnya, keputusan pemesanan barang dan keputusan penagihan piutang.
2. Keputusan semi terstruktur
Keputusan yang memiliki dua sifat. Sebagian keputusan bisa ditangani oleh komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan.
Prosedur dalam pengambilan keputusan tersebut secara garis besar sudah ada, tetapi ada beberpa hal yang masih memerlukan kebijakan dari pengambil keputusan. Biasanya keputusan semacam ini diambil oleh manajer level menegah dalam suatu organisasi.
3. Keputusan tak terstruktur
Keputusan yang penanganannya rumit karena tidak terajadi berulang-ulang atau tidak selalu terjadi. Keputusan tersebut menurut pengalaman dan berbagai sumber yang bersifat eksternal. Keputusan tersebut umumnya terjadi pada manajemen tingkat atas. Contohnya adalah keputusan untuk pengembangan teknologi baru, keputusan untuk bergabung dengan perusahaan lain dan perekrutan ekesekutif.
2.3.5 Tahapan-tahapan Pengambilan Keputusan
Tahapan-tahapan dalam pengambilan keputusan adalah, sebagai berikut (Rozi, 2015) :
1. Tahap Inteligensi
Merupakan tahap indentifikasi permasalahan yang dihadapi. Tahap ini terdiri dari tujuan organisasi, aktivitas penelusuran, pendeteksian serta proses pengenalan masalah.
2. Tahap Desain
Aktivitas yang dilakukan yaitu membuat suatu model yang sesuai dengan permasalahan yang dihadapi, menentukan kriteria pilihan solusi, mencari alternatif-alternatif penyelesaian, dan memperkirakan hasil (outcome) yang akan diperoleh.
3. Tahap Pemilihan
Merupakan tahap dimana dilakukan proses pemilihan di antara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
2.3.6 Komponen Sistem Pendukung Keputusan
Sistem pendukung keputusan dibangun oleh tiga komponen utama, yaitu (Nofriansyah, 2015):
1. Sub Sistem Data (Database)
Sub sistem data merupakan komponen sistem pendukung keputusan yang berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (database manajemen sistem).
2. Sub Sistem Model (Modelbase)
Model adalah suatu tiruan dari alam nyata. Kendala yang sering dihadapi dalam merancang model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variabel alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam menyimpan berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. Hal lain yang harus diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang kompersensif mengenai model yang dibuat.
3. Sub Sistem Dialog (User System Interface)
Sub sistem dialog adalah fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melai sub sistem dialog sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.
2.4 Teori Algoritma C4.5 2.4.1 Klasifikasi
Klasifikasi merupakan suatu proses menemukan kumpulan pola atau fungsi yang mendeskripsikan serta memisahkan kelas data yang satu dengan yang lainnya untuk menyatakan objek tersebut masuk pada kategori tertentu yang sudah ditentukan (Novandya & Oktria, 2017).
Klasifikasi merupakan penentuan sebuah record data baru ke salah satu beberapa kategori dimana telah ditentukan sebelumnya (Sinambela et al., 2016).
Untuk membantu suatu klasifikasi suatu data diperlukan beberapa komponen antara lain (Sinambela dkk., 2016):
1. Kelas, merupakan variabel tidak bebas atau dapat dikatakan hasil dari klasifikasi.
2. Prekditor, merupakan variabel bebas yang digunakan untuk menentukan pola atau karakteristik data yang akan diklasifikasikan.
3. Set data training, merupakan sekumpulan data yang berisi kelas dan prediktor yang akan di uji untuk mendapat pengelompokkan sesuai dengan kelas yang tepat.
4. Set data uji, merupakan data-data baru yang akan di kelompokkan oleh model guna mengetahui akurasi dari mode yang telah dibuat.
2.4.2 Pohon Keputusan (Decision Tree)
Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diintrepretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (Kustiyahningsih, & Rahmanita, 2016).
Pengambilan pohon keputusan adalah pembelajaran pohon keputusan dari tupel pelatihan berlabel kelas. Pohon keputusan adalah struktur pohon mirip-aliran, di mana setiap simpul internal (bukan simpul daun) menunjukkan tes pada atribut, setiap cabang merepresentasikan hasil dari uji, dan setiap simpul daun (atau simpul terminal) memegang label kelas. Node paling atas dalam sebuah pohon adalah simpul akar (Jiawei, et al., 2012).
Algoritma dari decision tree secara otomatis akan menentukan variabel yang terpenting berdasarkan kemampuan mereka menyortir data menjadi output kategori/kelas yang benar (Santosa & Umam, 2018).
Decision tree memiliki kekuatan dan kelemahan, kekuatan diantaranya adalah (Suyanto, 2017):
1. Mempunyai konsep yang jelas dan mudah dipahami. Pohon keputusan yang dihasilkan dari proses pelatihan dapat menjelaskan bagaimana model klasifikasi data bekerja.
2. Mudah diimplementasikan dengan menggunakan algoritma rekursif.
Sementara itu, kelemahan decision tree yang sangat terlihat adalah :
1. Sulit diaplikasikan untuk himpunan data yang sangat besar dengan ribuan atribut dan milyaran objek data.
2. Mudah mengalami overfit karena proses pelatihan greedy tidak menjamin dihasilkannya pohon keputusan yang optimum.
2.4.3 Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk membuat sebuah keputusan dalam bentuk pohon keputusan dengan menetapkan kriteria-kriteria yang menjadi dasar pembentuk keputusan (Sinambela dkk., 2016).
Algoritma C4.5 adalah algoritma yang digunakan untuk menghasilkan sebuah pohon keputusan yang dikembangkan oleh Ross quinlan. Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki priorotas tertinggi atau dapat disebut memiliki nilai gain tertinggi
berdasrakan nilai entropy atribut tersebut poros atribut klasifikasi (Arifin &
Fitrianah, 2017).
Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Didalam algoritma C4.5 ini, pohon-pohon kepututusan yang dibentuk berdasarkan kriteria-kriteria pembentuk keputusan (Nofriansyah, 2014).
Proses pembuatan pohon keputusan pada algoritma C4.5, yaitu (Arifin & Fitrianah, 2017):
1. Memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada.
2. Membuat cabang untuk masing-masing nilai, artinya membuat cabang sesuai dengan jumlah nilai variabel gain tertinggi.
3. Membagi setiap kasus dalam cabang, berdasarkan perhitungan nilai gain tertinggi dan perhitungan dilakukan setelah perhitungan nilai gain tertinggi awal dan kemudian dilakukan proses perhitingan gain tertinggi kembali tanpa menyertakan nilai variabel gain awal.
4. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang memiliki kelas yang sama, mengulangi semua proses perhitungan gain tertinggi untuk masing-masing cabang kasus sampai tidak bisa lagi dilakukan proses perhitungan.
2.4.4 Tahapan Algoritma C.4.5
Menurut Suyanto (2017) Untuk membangun tahapan sebuah pohon keputusan dengan algoritma C4.5 adalah sebagai berikut:
1. Entropy
Secara istilah entropy adalah keberbedaan atau keberagaman. Dalam data minning, entropy didefinisikan sebagai suatu parameter untuk mengukur heterogenitas (keberagaman) dalam suatu himpunan data. Semakin heterogen suatu himpunan data, semakin besar pula nilai entropy-nya.
Secara matematis, entropy dirumuskan sebagai berikut :
πΈππ‘ππππ¦(π) = β βππ β log2(ππ)
Pi : Jumlah kasus pada partisi ke-i 2. Inforamation Gain
Secara istilah information gain adalah perolehan informasi. Dalam data minning, information gain didefinisikan sabagai ukuruan efektivitas suatu atribut dalam mengklasifikasikan data. Secara matematis, information gain dari suatu atribut A, dituliskan sebagai berikut :
πΊπππ (π, π΄) = πΈππ‘ππππ¦(π) β β |ππ£|
π£πππππ’ππ (π΄) |π|
β πΈππ‘ππππ¦(ππ£)
Keterangan :
A : Atribut
V : Menyatakan suatu nilai yang mungkin untuk atribut A Values(A ) : Himpunan nilai-nilai yang mungkin untuk atribut A
|ππ£| : Jumlah sample untuk nilai v
|S| : Jumlah seluruh sampel data
Entropy(ππ£) : Entropy untuk sampel-sampel yang memiliki nilai v
2.5 Teori Perancangan Sistem 2.5.1 Extreme Programming
Extreme Programming adalah metode pengembangan perangkat lunak yang memberikan kesempatan pada klien untuk menambahkan atau merubah proses bisnis aplikasi selama pembangunan aplikasi berjalan (Rahmi, dkk., 2016).
Para pengembang perangkat lunak banyak menggunakan metodologi extreme programming untuk mengembangkan perangkat lunak dengan XP meliputi (Suryantara, 2017):
1. Planning/Perencanaan : Tahap ini dimulai dengan pemahaman konteks bisnis dari aplikasi, mendefinisikan keluaran (Output), fitur yang ada pada aplikasi, fungsi dari aplikasi yang dibuat, penentuan waktu dan biaya pengembangan aplikasi, serta alur pengembangan aplikasi.
2. Design/Perancangan. Tahap ini menekankan pada desain aplikasi secara sederhana. Alat untuk mendesain pada tahap ini dapat menggunakan kartu CRC (Class Responsibility Collaborator). CRC digunakan untuk pemetaan (membangun) kelas-kelas yang akan digunakan pada diagram use case, diagram kelas, dan diagram objek.
3. Coding/Pengkodean : Hal utama dalam pengembangan aplikasi dengan menggunakan XP adalah pair programming (dalam membuat program melibatkan 2 atau lebih programmer).
4. Testing/Pengujian : tahap ini memfokuskan pada pengujian fitur-fitur yang ada pada aplikasi sehingga tidak ada kesalahan (error) dan aplikasi yang dibuat sesuai dengan proses bisnis pada client (pelanggan).
2.5.2 Flowchart
Flowchart atau diagram alir merupakan merupakan sebuah diagram dengan simbol-simbol grafis yang menyatakan aliran algoritma atau proses yang menampilkan langkah-langkah yang disimbolkan dalam bentuk kotak, beserta urutannya dengan menghubungkan masing masing langkah tersebut menggunakan tanda panah. Diagram ini bisa memberi solusi selangkah demi selangkah untuk penyelesaian masalah yang ada di dalam proses atau algoritma tersebut (Yudhistira
& Tania, 2016).
Tabel 2.1 Symbol Flowchart
Nama Simbol Keterangan
Terminator Permulaan/akhir program Garis Alir
(Flow Line)
Arah aliran program
Preparation Proses inisialisasi/pemberian harga awal
Proses Proses perhitungan atau proses pengolahan data
Input/output data
Proses input/output data, parameter, informasi.
Predefined process (sub program)
Permulaan sub program/ proses menjalankan sub program
Nama Simbol Keterangan
Decison Perbandingan pernyataan, penyeleksian data yang meberikan pilihan untuk langkah selanjutnya On page
connector
Penghubung bagian-bagian flowchat yang berada pada satu halaman
Off page connector
Penghubung bagian-bagian flowchart yang berada pada halaman berbeda
Sumber : (Taufik, dkk., 2013)
2.5.3 Unified Modelling Language (UML)
United modelling language atau UML adalah bahasa pemodelan untuk sistem atau perangkat lunak yang berparadigma berorientasi objek. Pemodelan sesungguhnya digunakan untuk menyederhanakan permasalahan-permasalahan yang kompleks sedemikian rupa sehingga lebih mudah dipelajari dan dipahami (Sarjani et al., 2014).
UML merupakan kesatuan dari bahasa pemodelan yang dikembangkan oleh Booch, Object Modeling Technique (OMT) dan Object Oriented Software Engineering (OOSE). Metode Booch dari Gradi Booch sangat terkenal dengan nama Metode Design Object Oriented (Kamda, 2012).
Saat ini sebagian besar para perancang sistem informasi dalam menggambarkan informasi dengan memanfaatkan UML diagram dengan tujuan utama untuk membantu tim proyek berkomunikasi, mengeksplorasi potensi desain, dan memvalidasi desain arsitektur perangkat lunak atau pembuat program (Haviludin, 2011).
Untuk perancangan sebuah sistem UML mempunyai sejumlah elemen grafis yang bisa dikombinasikan menjadi diagram, diantaranya sebagai berikut (Andita, dkk., 2016) :
1. Use Case Diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah βapaβ yang diperbuat sistem, dan bukan βbagaimanaβ. Sebuah use case mempresentasikan sebuah interaksi antara aktor dengan sistem/sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.
2. Class Diagram
Class diagram merupakan sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah obyek dan merupakan inti dari pengembangan dan desain berorientasi obyek. Sebuah class diagram digunakan untuk menunjukan keberadaan dari kelas dan hubungannya di dalam pandangan logic dari sebuah sistem. Sebuah kelas tunggal mempresentasikan sebuah sudut pandang dari struktur kelas dari sebuah sistem. Class menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi).
3. Sequence Diagram
Sequence diagram digunakan untuk melacak eksekusi dari sebuah skenario use case. Sequence diagram mengambarkan interaksi dengan menandai setiap partisipan dengan garis hidup yang berjalan secara vertikal ke bawah
halaman dan urutan pesan dengan membaca ke bawah halaman dan urutan pesan dengan membaca ke arah bawah halaman.
4. Activity Diagram
Activity diagram menyediakan gambaran visual dari aliran aktifitas, baik dalam sistem, bisnis, alur kerja, atau proses lainnya. Diagram ini berfokus pada kegiatan yang dilakukan dan siapa (atau apa) yang bertanggung jawab atas kinerja dari kegiatan tersebut.
2.5.4 Metode Pengujian Black Box
Black Box testing (Pengujian kotak hitam) yaitu menguji perangkat lunak dari segi spesifikasi fungsional tanpa menguji deain dan kode program, pengujian dimaksudkan untuk mengetahui apakah fungsi-fungsi, masukan dan keluaran dari perangkat lunak sesuai dengan spesifikasi yang dibutuhkan (Maulana, 2014).
Pengujian kotak hitam dilakukan untuk membuat kasus uji yang bersifat mencoba semua fungsi dengan memakai perangkat lunak apakah sesuai dengan spesifikasi yang dibutuhkan. Kasus uji coba yang dibuat dengan kasus benar dan kasus salah, misalkan untuk proses login maka kasus uji yang dapat dibuat adalah sebagai berikut (Maulana, 2014):
1. Jika user memasukan nama pemakai (Username) dan kata sandi (Password) yang benar.
2. Jika user memasukan nama pemakai (Username) dan kata sandi (Password) yang salah, misalkan nama pemakai benar tapi kata sandi salah sebaliknya, atau bahkan keduanya salah.
2.6 Teori Pemograman 2.6.1 PHP
PHP singkatan dari Hypertext Preprocessor yaitu bahasa pemograman web server-side yang bersifat open source. PHP merupakan script yang teringrasi dengan HTML dan berada pada server. PHP adalah script yang digunakan untuk
PHP singkatan dari Hypertext Preprocessor yaitu bahasa pemograman web server-side yang bersifat open source. PHP merupakan script yang teringrasi dengan HTML dan berada pada server. PHP adalah script yang digunakan untuk