BAB I PENDAHULUAN
1.7 Sistematis Penulisan
Penelitian skripsi ini dikelompokan menjadi beberapa sub bab yang dijelaskan sebagai berikut
BAB I : PENDAHULUAN
Bab ini berisi latar belakang, maksud dan tujuan, rumusan masalah, batasan masalah, metode pengumpulan data dan sistematika penulisan.
BAB II : TINJAU PUSTAKA DAN LANDASAN TEORI
Bab ini berisi teori-teori relevan yang akan saya bahas pada penelitian ini dari sumber sumber yang relevan yang benar-benar sebagai panduan penyusunan penelitian skripsi.
BAB III : METODE PENELITIAN
Bab ini menjelaskan tentang objek/ subjek penelitian, dan teknik pengambilan data, metode pengumpulan data.
Merupakan inti pembahasan pengujian data menggunakan metode algoritma K-means dalam menentukan minat siswa terhadap mata pelajaran matematika.
BAB IV : HASIL DAN PEMBAHASAN
Bab ini menjelaskan dan menampilkan hasil prediksi dengan metode algoritma K-means.
BAB V : KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang dapat diambil dari penelitian ini dan saran-saran keseluruhan penelitian yang telah dibahas.
6 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjauan Pustaka
Pada bab ini akan membahas beberapa penelitian dan riset terdahulu yang berkaitan dengan metode data mining menggunakan algoritma K-Means yang menjadi acuan atau rujukan dalam membuat penelitian ini diantaranya :
2.1.1 Pengelompokan Mahasiswa Menggunakan Algoritma K-Means
Makalah ini membahas pengelompokan mahsiswa berdasarkan data akademik menggunakan teknik clustering dan membuat aplikasinya kemudian menganalisis hasilnya sehingga diharapkan mampu memberikan informasi bagi yang berkepentingan. Algoritma K-Means merupakan salah satu algoritma teknik clustering yang dimulai dengan pemilihan secara acak K, yang merupakan banyaknya cluster yang dibentuk dari data yang akan cluster yang ingin dibentuk dari data yang akan di cluster, yaitu nilai tes mahasiswa saat masuk dan indeks presetasi komulatif mahsiswa sampai dengan semester 8. Sistem yang dibuat menampilkan hasil clustering data akedemik mahasiswa, yaitu pola dari prestasi mahasiswa yang clusternya tetap, turun, dan naik, dan dapat terlihat dari asal program studi, asal kota dan asal SMA. Dari hasil studi kasus dapat diperoleh informasi mahasiswa yang tetap pada clusternya seperti awal masuk sebanyak 422 (45, 085%), mahasiswa yang naik cluster sebanyak 284 (30,342%), dan mahasiswa yang turun clusternya sebanyak 230(24,573%) [3] .
2.1.2 Penerapan K-Means Clustering Pada Data Penerimaan Mahasiswa Baru
Pembentukan cluster merupakan salah satu teknik yang digunakan dalam mengekstrak pola kecenderungan suatu data. Teknik ini ini digunakan dalam proses Knowledge discovery in database (KDD). Data mining biasanya identik dengan proses penggalian data-data yang cukup besar dan dikelompokkan menjadi data yang tersusun rapi. Dalam hal ini penulis mengelompokkan data mahasiswa baru tahun ajaran 2014/2015 dengan teknik clustering.
Pengelompokkan yang penulis terapkan menggunakan algoritma K-Means Clustering, algoritma K-Means Clustering mampu mengelompokkan data pada kelompok yang sama dan data yang berbeda pada kelompok yang berbeda.
Sehingga akan terlihat kelompok data mahasiswa baru tahun ajaran 2014/2015 pada Universitas Potensi Utama yang tidak terstruktur menjadi terstruktur. Tujuan dari penelitian ini adalah menerapkan algoritma K-means clustering pada data penerimaan mahasiswa baru tahun jaran 2014-2015(studi kasus : Universitas Potensi Utama ). Hasil K-means clustering yang diperoleh ada dua kelompok, pusat cluster dengan cluster 1 = 1 ; 1.75; 1.5 dan Cluster 2 = 2.95; 1.65;
1.4,Cluster pertama jika sekolah adalah sekolah menengah atas atau sekolah menengah keatas maka rata-rata jurusan yang diambil adalah sistem informasi dan kedua jika asal sekolahnya adalah sekolah menengah kejuruan rata-rata jurusan yang diambil adalah teknik informatika[4].
2.1.3 Implementasi Algoritma K-Means Untuk Menentukan Kelompok Pengayaan Materi Mata Pelajaran Ujian Nasional
Pengayaan materi merupakan salah satu persiapan peserta didik untuk menghadapi Ujian Nasional. Di SMP Negeri 101 Jakarta terdapat dua pengayaan materi, yaitu pengayaan materi wajib dan pengayaan materi khusus. Pengayaan materi khusus dilaksanakan dengan melihat hasil akhir rapor semester 5. Proses pengelompokkan kemampuan siswa untuk melaksanakan pengayaan materi khusus masih belum maksimal karena kemampuan siswa-siswi tersebut tidak hanya diukur dari rapor terakhir saja, melainkan nilai rapor semester 1 hingga 5 berikut nilai tes terakhir untuk menambah keakuratan data. Untuk itu diperlukan solusi yang dapat mengatasi kesulitan tersebut. Metode clustering dengan menggunakan algoritma K-Means diimplementasikan dalam aplikasi ini. Jumlah cluster ada empat sesuai jumlah mata pelajaran UN, sedangkan jumlah sampel data adlah 12 siswa yang memiliki nilai terendah. Aplikasi ini selain menampilkan pengelompokkan kemampuan siswa pada mata pelajaran Ujian Nasional, juga dapat digunakan untuk memantau perkembangan kemampuan setelah mengikuti pengayaan materi [5].
2.1.4 Memanfaatkan Algoritma K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Center Untuk Clustering Program SDP
Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan. Teknik data mining mempunyai beberapa metode dalam mengelompokan salah satu teknik yang dipakai penulis saat ini adalah K-means.
Dalam hal ini penulis mengelompokan data daftar program SDP tahun 2017 untuk mengetahui manakah pegawai yang layak lolos dalam program SDP sehingga dapat melakukan registrasi assessment center. Pengelompokan tersebut berdasarkan kriteria-kriteria data program SDP. Pada penelitian ini, penulis menerapkan algoritma K-means Clustering untuk pengelompokan data program SDP di PT.Bank Syariah. Dalam hal ini, pada umumnya untuk memamasuki program SDP tersebut disesuaikan dengan ketentuan dan parameter program SDP saja, namun dalam penelitian ini pengelompokan disesuaikan dengan kriteria – kriteria program SDP seperti kedisiplinan pegawai, target kerja pegawai, kepatuhan program SDP. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok SDP pada program SDP yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok lolos, hampir lolos dan tidak lolos.
Terdapat pusat cluster dengan Cluster-1= 8;66;13, Cluster-2= 10;71;14 dan Cluster-3=7;60;12. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal [6].
2.1.5 Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa
Pengelompokan data pelamar beasiswa bantuan belajar mahasiswa (BBM) dikelompokan menjadi 3 kelompok yaitu berhak menerima, dipertimbangkan dan tidak berhak menerima beasiswa. Pengelompokan menjadi 3 kelompok ini berguna untuk memudahkan dalam menentukan penerima beasiswa BBM.
Algoritma k-means merupakan algoritma dari teknik clustering yang berbasis
partisi. Teknik ini dapat mengelompokan data mahasiswa pelamar beasiswa.
Tujuan dari penelitian ini adalah untuk pengukuran kinerja algoritma. Pengukuran ini di lihat dari hasil cluster dengan menghitung nilai kemurnian (purity measure) dari masing-masing cluster yang di hasilkan. Data yang digunakan dalam penelitian ini adalah data mahasiswa yang mengajukan beasiswa kepada fakultas ilmu komputer UNSIKA sebanyak 36 mahasiswa. Data akan diubah menjadi 3 dataset dengan format yang berbeda-beda, yakni data atribut kodifikasi sebagian, atribut kodifikasi keseluruhan dan atribut data asli. Nilai purity pada dataset data kodifikasi sebagian untuk hasil cluster algoritma k-means sebesar 61.11%. Pada dataset kodifikasi keseluruhan nilai purity hasil cluster algoritma k-means sebesar 80.56%. Dan untuk dataset data asli nilai purity hasil cluster algoritma k-means sebesar 75%. Maka dapat di simpulkan bahwa algoritma kmeans lebih cocok digunakan pada dataset dengan format atribut yang dikodifikasi keseluruhan [7].
2.1.6 Penerapan Algoritma K-Means Untuk Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa
Dalam ruang lingkup perguruan tinggi, aktivitas penilaian kinerja juga diterapkan untuk menilai kinerja dosen. Dasar yang digunakan dalam penilaian tersebut menggunakan dasar tri dhrama perguruan tinggi. Dalam penilaian kinerjanya, diperlukan data terkait kepuasan mahasiswa terhadap dosen. Data yang digunakan dalam penelitian ini adalah data kepuasan mahasiswa jurusan ilmu pengetahuan alam, FMIPA, UNNES, berjumlah 146 untuk semua dosen di prodi yang berjumlah 12 dosen. Dalam pengambilan data menggunakan kuesioner dari badan penjaminan mutu unnes. Varibale yang digunakan yaitu: kehandalan dosen (reliability), sikap tanggap (responsiveness), jaminan (assurance), dan , empati (empathy). Data akan diolah dengan melakukan clustering kinerja dosen dalam cluster baik, atau kurang. Metode clustering yang digunakan dalam penelitian ini adalah metode K-Means. Cetroid data untuk cluster_baik 17.099 dan cluster_kurang 15.874. Sehingga diperoleh penilaian dosen berdasarkan indeks kepuasan mahasiswa dengan 5 dosen cluster_baik dan 7 dosen_clusterkurang. Hasil yang dari penelitian dapat digunakan untuk
meningkatkan kinerja dosen dalam mengajar untuk meningkatkan indeks kepuasan mahasiswa.
2.2 Landasan Teori 2.2.1 Data Mining
Istilah data mining memiliki beberapa pandangan, seperti knowledge discover ataupun pattern recognition. Kedua istilah tersebut sebenernya memiliki ketepatannya masing-masing, istilah knowledge discovery atau penemuan pengetahuan tepat karna digunakan tujuan utama dari data mining memang untuk mendapat pengetahuan yang masih tersembunyi di dalam bongkahan data [3,4].
Istilah pattern recognition atau pengenalan pola pun tetap untuk digunakan karena pengetahuan yang hendak digali memang berbentuk pola-pola yang juga masih perlu digali dari dalam bongkahan data yang tengah dihadapi[8].
Data Mining adalah teknik analisa data secara otomatis untuk membuka atau membongkar hubungan dari banyak data yang tidak diketahui sebelumnya.
Data Mining sering dihubungkan dengan analisa simpanan data di dalam sebuah warehouse. Secara umum ada tiga teknik utama data mining yaitu regresi, klasifikasi dan klastering[9].
Data mining merupakan bagian dari proses knowledge discovery from data (KDD). Dibawah ini digambarkan skema dari proses KDD.
Gambar 2. 1 Data mining sebagai dari proses knowledge discovery
(sumber: Data mining concept and tehniques, Han & Kamber)[10]
Gambar diatas menunjukkan proses penjelajahan pengetahuan dimulai dari beberapa database dilakukan proses cleaning dan integration sehingga menghasilkan data warehouse. Dilakukan proses selection dan transformation yang kemudian disebut sebagai data mining hingga menemukan pola dan memperoleh pengetahuan dari data (knowledge).
Terdapat beberapa teknik data mining yang sering disebut-sebut dalam literatur. Namun ada 3 teknik data mining yaitu:
1) Association Rule Mining
Association Rule mining adalah teknik mining untuk menemukan asosiatif antara kombinasi atribut. Contoh dari aturan asosiatif dari analisa pembelian disuatu pasar swalayan dapat mengatur penempatan barangnya atau merancang strategi pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.
2) Clustering
Berbeda dengan association rule mining dan klasifikasi dimana kelas data telah ditentukan sebelumnya, clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui. Karena itu clustering sering digolongkan sebagai metode unsupervised learning. Prinsip clustring adalah memaksimalkan kesamaan antar cluster. Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.
3) Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, pendapatan rendah [10].
2.2.2 Clustering
Analisis kelompok (cluster analysis) adalah mengelompokkan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan diantaranya. Analisis cluster
sebagai metodologi untuk klasifikasi data secara otomatis menjadi beberapa kelompok dengan menggunakan ukuran asosiasi, sehingga data yang sama berada dalam satu kelompok yang sama dan data yang berbeda berada dalam kelompok data yang tidak sama. Masukan (input) untuk sistem analisis cluster adalah seperangkat data dan kesamaan ukuran (atau perbedaan) antara dua data.
Sedangkan keluaran (output) dari analisis cluster adalah sejumlah kelompok yang membentuk sebuah partisi atau struktur partisi dari kumpulan data[10]. Salah satu hasil tambahan dari analisis cluster adalah deskripsi umum dari setiap cluster dan hal itu sangat penting untuk analisis lebih dalam dari karakteristik data set tersebut[9]. Ada saatnya di mana set data yang akan diproses dalam data mining belum diketahui label kelasnya. Pengelompokan data dilakukan dengan menggunakan algoritma yang sudah ditentukan dan selanjutnya data akan diproses oleh algoritma untuk dikelompokkan menurut karakteristik alaminya.[6]
Gambar 2. 2 Contoh pengelompokan dengan clustering [6].
2.2.3 Algoritma K-Means
Algoritma K-means merupakan salah satu algoritma clustering (pengelompokan). K-means clustering merupakan metode clustering non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokkan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda dikelompokkan dengan cluster/kelompok yang lain, sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi kecil[11].
Sedangkan menurut Wu & Kumar (2009:33) K-means adalah algoritma clustering yang mempartisi himpunan D menjadi k cluster data. Algoritma
K-means mengklaster semua titik data pada D sedemikian sehingga titik data xi menjadi satu-satunya k partisi. Dengan kata lain, satu titik data hanya masuk ke dalam satu cluster[11].
Langkah-langkah melakukan clustering dengan metode K-Means adalah sebagai berikut:
1) Tentukan nilai k sebagai jumlah klaster yang ingin dibentuk.
2) Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara, namun yang paling sering dilakukan adalah dengan cara random/acak yang di ambil dari data yang ada
3) Menghitung jarak setiap data input terhadap masing – masing centroid menggunakan rumus jarak Euclidean (Euclidean Distance) hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid.
Berikut adalah persamaan Euclidian Distance : ( , ) =√( )² -(2.1)
Dimana :
d : titik dokumen xi : data kriteria
µj : centroid pada cluster ke-j
4) Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (jarak terkecil).
5) Memperbaharui nilai centroid. Nilai centroid baru di peroleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus:
(𝑡+1)
∑ j 𝜖 Dimana :
µj(t+1) : centroid baru pada iterasi ke (t+1) Nsj : banyak data pada cluster sj,
6) Melakukan perulangan dari langkah 2 hingga 5,sampai anggota tiap cluster tidak ada yang berubah.
Jika langkah 6 telah terpenuhi, maka nilai pusa cluster (µj) pada iterasi terakhir akan digunakan sebagai parameter untuk menentukan klasifikasi data[12].
2.2.4 Keuntungan Algoritma K-Means
Berikut ini beberapa keuntungan menggunakan algoritma K-means menurut saya pribadi :
1) Mudah dilakukan saat mengimplemantasikan dan dijalankan.
2) Waktu yang dibutuhkan untuk melakukan pembelajaran relative lebih cepat.
3) Sangat fleksibel, adaptasi yang mudah untuk di lakukan.
4) Sangat umum penggunaannya.
5) Menggunakan prinsip yang sederhana dapat di jelaskan dalam non-statistik.
2.2.5 Kekurangan Algoritma K-Means
Berikut ini beberapa kekurangan menggunakan algoritma K-means menurut saya pribadi :
1) Keluaran dari K-means bergantung pada centroid awal yang ditentukan secara acak
2) K-Means sering terjebak pada optimum lokal, dimana centroid akhir yang dihasilkan tidak benar-benar menjadi pusat cluster yang sesungguhnya.
3) K-Means tidak dapat menjamin konvergen pada optimum global.
2.2.6 Matematika
Matematika merupakan salah satu jenis pengetahuan yang dibutuhkan manusia dalam menjalankan kehidupannya sehari-hari. Misalnya ketika berbelanja maka kita perlu memilih dan menghitung jumlah benda yang akan dibeli dan harga yang harus dibayar. Saat akan pergi, kita perlu mengingat arah jalan tempat yang akan didatangi, berapa lama jauhnya, serta memilih jalan yang lebih bisa cepat sampai di tujuan [13].
Kata matematika berasal dari perkataan latin mathematika yang mulanya diambil dari perkataan Yunani mathematike yang berarti mempelajari. Perkataan itu mempunyai asal katanya mathema yang berarti pengetahuan atau ilmu (knowledge, science). Kata mathematike berhubungan pula dengan kata lainnya yang hampir sama, yaitu mathein atau mathenein yang artinya belajar (berpikir).
Jadi, berdasarkan asal katanya, maka perkataan matematika berarti ilmu pengetahuan yang didapat dengan berpikir (bernalar). Matematika lebih menekankan kegiatan dalam dunia rasio (penalaran), bukan menekankan dari hasil eksperimen atau hasil observasi matematika terbentuk karena pikiran-pikiran manusia, yang berhubungan dengan idea, proses, dan penalaran[14].
Matematika terbentuk dari pengalaman manusia dalam dunianya secara empiris. Kemudian pengalaman itu diproses di dalam dunia rasio, diolah secara analisis dengan penalaran di dalam struktur kognitif sehingga sampai terbentuk konsep-konsep matematika supaya konsepkonsep matematika yang terbentuk itu mudah dipahami oleh orang lain dan dapat dimanipulasi secara tepat, maka digunakan bahasa matematika atua notasi matematika yang bernilai global (universal). Konsep matematika didapat karena proses berpikir, karena itu logika adalah dasar terbentuknya matematika[14].
2.2.7 Faktor-Faktor Minat Siswa Terhadap Pelajaran Matematika
Faktor lain yang menyebabkan kecilnya minat siswa terhadap pelajaran matematika adalah metode maupun pendekatan pembejalaran yang digunakan oleh guru. Selain itu, pada setiap proses pembelajaran siswa hanya belajar dengan cara mendengarkan ceramah dan mencatat sehingga proses belajar dikelas terasa kurang menarik dan membosankan. Kurang menariknya proses pembelajaran tersebut mengakibatkan berkurangnya minat belajar siswa terutama pada mata pelajaran matematika. Pada akhirnya kurangnya pula minta belajar siswa tersebut menjadi salah satu factor penyebab rendahnya prestasi belajar[15].
2.2.8 Teori Supervised Machine Learning Dan unsupervised learning
Machine learning merupakan kemampuan komputer untuk melakukan pembelajaran tanpa harus menjelaskan secara eksplisit kepada komputer, Dengan kata lain machine learning adalah bagaimana memberikan kemampuan kepada komputer untuk melakukan aktivitas belajar guna menyelesaikan masalah secara mandiri. Algoritma machine learning dapat dikelompokkan berdasarkan masukan dan keluaran yang diharapkan dari algoritma. Adapun tipe algoritma machine learning diantaranya adalah supervised learning, unsupervised learning,
semi-supervised learning, reinforcement learning, developmental learning algorithm, transduction, dan learning to learn. Adapun supervised learning merupakan algoritma yang belajar berdasarkan sekumpulan contoh pasangan masukan dan keluaran yang diinginkan. Algoritma ini mengamati contoh-contoh tersebut dan kemudian menghasilkan sebuah model yang mampu memetakan masukan yang baru menjadi keluaran yang tepat. Sementara unsupervised learning mempunyai tujuan untuk mempelajari dan mencari pola-pola menarik pada masukan yang diberikan. Meskipun tidak disediakan keluaran yang tepat secara eksplisit. Salah satu algoritma unsupervised learning yang paling umum digunakan adalah clustering atau pengelompokan.[16]
2.2.9 Validasi Davies Bouldin Index (DBI)
Davies bouldin index (DBI) adalah metric untuk mengevaluasi atau mempertimbangkan hasil algoritma clustering. Pertama kali diperkenalkan oleh David L. Davies dan Donald W. Bouldin pada tahun 1979. Dengan menggunakan DBI suatu cluster akan dianggap memiliki skema clustering yang optimal adalah yang memiliki DBI minimal[17].
1) Sum Of Square Within-Cluster (SSW)
Untuk mengetahui kohesi dalam sebuh cluster ke-I salah satunya adalah dengan menghitung nilai dari Sum Of Square Within-Cluster (SSW).
Dengan rumus sebagai berikut :
∑ ……….…………(2.3)
2) Sum Of Square Between-Cluster (SSB)
Perhitungan Sum Of Square Between-Cluster (SSB) bertujuan untuk mengetahui separasi atau jarak antar cluster, dengan rumus perhitungan sebagai berikut:
....………(2.4) Dimana :
= jarak antara data ke i dengan data ke j di cluster lain.
3) Ratio (Rasio)
Perhitungan rasio (Ri,j) ini bertujuan untuk mengetahui nilai perbandingan antara cluster ke-i dan cluster ke-j untuk menghitung nilai rasio yang dimiliki oleh masing-masing cluster. indeks I dan j merupakan merepresentasikan jumlah cluster, dimana jika terdapat 4 cluster maka terdapat indeks sebanyak 4 yaitu i,j,k dan l. untuk menentukan nilai rasio dengan rumus sebagai berikut :
=
Pada rumus perhitungan 2.5 n akan berlanjut sejumlah cluster yang dipilih dengan syarat ni tidak sama dengan nj.
4) Davies Bouldin Index (DBI)
Nilai rasio yang diperoleh dari rumus 2.5 digunakan untuk mencari nilai DBI dengan menggunakan perhitungan sebagai berikut :
∑ ...(2.6)
Dimana, Ri,j merupakan ratio dari nilai SSW dan SSB melalui perhitungan rumus 2.5 dari perhitungan 2.6 maka dapat diketahui k adalah jumlah cluster. Dari perhitungan Davies Bouldin Index (DBI) dapat disimpulkan bahwa jika semakin kecil nilai Davies Bouldin Index (DBI) yang diperoleh (non negatif >= 0) maka cluster tersebut semakin baik[17].
2.2.10 Pengertian Sistem
Kata sistem berasal dari bahasa Yunani yaitu systema, yang mempunyai satu pengertian yaitu sehimpunan bagian atau komponen yang saling berhubungan secara teratur dan merupakan satau kesatuan yang tidak terpisahkan. Sistem secara teknis berarti seperangkat komponen yang saling berhubungan dan bekerja sama untuk mencapai suatu tujuan. Mendefinisikan sistem sebagai suatu kesatuan dari berbagai elemen atas bagianbagian yang mempunyai hubungan fungsional dan berinteraksi secara dinamis untuk mencapai hasil yang diharapkan. Dari ketiga definisi tersebut, dapat ditarik kesimpulan bahwa pengertian sistem adalah seperangkat bagian-bagian yang saling berhubungan erat satu dengan lainya untuk mencapai tujuan bersamasama[18].
Dari ketiga definisi tersebut, dapat ditarik kesimpulan bahwa pengertian sistem adalah seperangkat bagian-bagian yang saling berhubungan erat satu dengan lainya untuk mencapai tujuan bersamasama[18].
2.2.11 Pengertian Informasi
Sistem informasi merupakan sekumpulan komponen yang saling bekerja sama untuk mengumpulkan,mengolah, menyimpan dan menyebarkan informasi untuk mendukung pengambilan keputusan, koordinasi, pengendalian, analisis masalah, dan visualisasi dalam sebuah organisasi [19].
Sistem informasi merupakan sebuah kombinasi teratur yang terdiri dari orang-orang, jaringan komunikasi, hardware, software, dan sumber daya data yang mengumpulkan, menyimpan, mengubah dan menyebarkan informasi dalam suatu organisasi [20].
Berdasarkan definisi di atas, sistem informasi merupakan sekumpulan komponen yang terdiri dari orang-orang, jaringan komunikasi, hardware, software dan sumber daya data untuk mengumpulkan, mengolah, menyimpan dan menyebarkan informasi untuk mendukung pengambilan keputusan, koordinasi, pengendalian, analisis masalah, dan visualisasi dalam suatu organisasi[21]
2.2.12 Konsep Teknologi Informasi
Untuk mengetahui pengertian teknologi informasi terlebih dahulu kita harus mengerti pengertian dari teknologi dan informasi itu sendiri. Berikut ini pengertian teknologi dan informasi.
Teknologi adalah pengembangan dan aplikasi dari alat, mesin, material dan proses yang menolong manusia menyelesaikan masalahnya, sedangkan Informasi adalah hasil pemrosesan, manipulasi dan pengorganisasian/penataan dari sekelompok data yang mempunyai nilai pengetahuan (knowledge) bagi penggunanya. Istilah yang baru berkembang dan mulai banyak digunakan untuk menggantikan sistem informasi manajemen adalah teknologi informasi (Information Technology). Istilah teknologi informasi (TI) lebih berorientasi ke teknologinya. Teknologi informasi atau Information Technology (IT) adalah subsistem atau sistem bagian dari sistem informasi .
Pengertian teknologi informasi menurut beberapa ahli teknologi informasi
Pengertian teknologi informasi menurut beberapa ahli teknologi informasi