11. Rekursi level 1 iterasi ke-3
2.9.4 Squence Diagram
Sub Bab 2.9.4 seluruhnya diambil dari buku tulisan Rosa dan Salahudin (Rosa dan Salahudin, 2011). Diagram sekuen menggambarkan kelakuan objek pada use case
dengan mendeskripsikan waktu hidup objek dan message yang dikirmkan dan diterima antar objek. Banyaknya diagram sekuen yang harus digambar adalah sebanyak pendefinisian use case yang memiliki proses sendiri. Berikut adalah simbol-simbol yang pada diagram sekuen:
Tabel 2.5 Simbol-simbol squence diagram
Simbol Deskripsi
Aktor
Atau
Orang, proses, atau sistem lain yang berinteraksi dengan sistem informasi yang akan dibuat diluar sistem
Garis hidup/lifetime Menyatakan kehidupan suatu objek
Objek Menyatakan objek yang berinteraksi
pesan
Waktu aktif Menyatakan objek dalam keadaan aktif
dan berinteraksi pesan
Pesan tipe create Menyatakan suatu objek membuat objek yang lain, arah pana mengarah pada objek yang dibuat
Pesan tipe call Menyatakan suatu objek memanggil operasi/metode yang ada pada objek lain atau dirinya sendiri
Pesan tipe send Menyatakan bahwa suatu objek
mengirimkan data/masukan/informasi keobjek lainya, arah panah mengarah pada objek kirimi
Pesan tipe return Menyatakan bahwa suatu objek yang telah menjalankan operasi atau metode menghasilkan suatu pengembalian ke objek tertentu
Pesan tipe destroy Menyatakan suatu objek mengakhiri hidup objek yang lain, arah panah mengarah pada objek yang diakhiri.
2. 10 Conceptual Data Model (CDM)
Sub Bab 2.10 seluruhnya diambil dari buku tulisan Rosa dan Salahudin (Rosa dan Salahudin, 2011). CDM (conceptual data model) atau model konsep data merupakan konsep yang berkaitan dengan pandangan pemakai terhadap data yang disimpan dalam basis data. CDM dibuat sudah dalam bentuk tabel-tabel tanpa tipe data yang menggambarkan relasi antar tabel untuk keperluan implementasi kebasis data. CDM merupakan hasil penjabaran lebih lanjut dari ERD. Entity Relationship Diagram (ERD) salah satu bentuk pemodelan basis data yang sering digunakan dalam pengembangan sistem informasi.
Berikut adalah simbol-simbol yang ada pada CDM: Tabel 2.6 Simbol-simbol pada CDM
Simbol Deskripsi
Entitas/Tabel Entitas/tabel yang menyimpan data dalam basis data
Relasi Relasi antar tabel yang terdiri atas nama relasi dan multiplicity
3. 1 Kerangka Konseptual Pengembangan
Kerangka konseptual merupakan suatu bentuk kerangka berpikir yang dapat digunakan sebagai pendekatan dalam memecahkan masalah. Biasanya kerangka penelitian ini menggunakan pendekatan ilmiah dan memperlihatkan hubungan antar variabel dalam proses analisisnya. Dalam penelitian ini kerangka konseptual dibangun berdasarkan System Development Life Cycle (SDLC) dengan model prototype dalam buku tulisan Rosa dan Salahudin (Rosa dan Salahudin, 2011). Gambar 3.1 merupakan kerangka konseptual dalam penelitian ini.
Berdasarkan Gambar 3.1, maka proses pengembangan sistem ini dibagi menjadi tiga tahap yaitu:
1. Listening customer
Listeing customer merupakan tahap awal untuk melakukan pengembangan pada sistem ini. Pada tahap ini pengembang mendengarkan kebutuhan user dengan menggunakan teknik wawancara dalam mengumpulkan data atau informasi yang dibutuhkan untuk menganalisis serta mengembangkan kebutuhan user. Pada tahap ini akan menghasilkan suatu analisis kebutuhan pada setiap iterasinya.
2. Build/revise mock-up
Build/revise mock-up merupakan tahap desain dan pengkodean (programing) dari analisis kebutuhan pada tahap listening customer. Desain dilakukan lebih dulu sebelum pengkodean. Pada tahap ini akan menghasilkan desain dan mock-up baru pada setiap iterasinya. Dalam penelitian ini terdapat enam desain yang akan dilakukan, yaitu:
a. Sistem pendukung keputusan (SPK) b. Use case diagram
c. Activity Diagram d. Class Diagram e. Squence Diagram f. Conceptual Data Model g. User Interface
Setelah setelah melewati tahap desain, maka tahap selanjutnya adalah merubah desain tersebut melalui programing menjadi suatu mock-up. Dalam membangun mock-up dibutuhkan bahasa pemrograman sebagai berikut:
a. HTML, b. CSS,
c. PHP & MySQL, dan d. JavaScript
Dari hasil pemrograman tersebut yaitu mock-up yang nantinya akan di gunakan pada tahap selanjutnya. Mock-up yang dibangun diharapkan telah mampu mendemostrasikan sebagian besar dari fungsi perangkat lunak. 3. Testing mock-up
Testing mock-up merupakan tahap pengujian dari mock-up yang telah dibuat. Selain peneliti pengujian mock-up juga dilakukan oleh guru. Pengujian meliputi pengujian secara fungsional terhadap sistem, pengujian decicion tree (pohon keputusan) yang dihasilkan algoritma ID3 secara otomatis dan pengujian hasil keputusan yang dihasilkan sistem. Jika pengujian ini tidak sesuai dengan yang diharapkan maka pengembangan sistem kembali ketahap listening customer. Jika telah sesuai dengan yang diharapkan maka pengembangan sistem akan diselesaikan sehingga menjadi sistem yang sebenarnya.
3. 2 Alat dan Bahan
Dalam penelitian ini menggunakan alat dan bahan sebagai berikut:
Perangkat keras berupa personal computer dengan spesifikasi sebagai berikut: 1. prosesor AMD 2.80 GHz, 2. RAM 2 GB, dan 3. HDD 250 GB. Perangkat lunak: 1. Windows 8 64 bit, 2. Adobe Dreamweaver CS 5, 3. Adobe Photoshop CS 5 64 bit, 4. Web server (Wamp server), 5. JQuery open source plugin, 6. DIA (UML maker), dan
7. Browser (Mozila Firefox dan Google Crhome) 3. 3 Tempat dan Waktu Penelitian
Pengembangan sistem pendukung keputusan ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung. Waktu penelitian dilaksanakan dari bulan April 2013 hingga selambat-lambatnya Desember 2013.
3. 4 Analisis Kebutuhan
a. Dalam menentukan jurusan SMA dibutuhkan suatu informasi berupa data-data sebagai input yang dibutuhkan oleh sistem. Informasi tersebut yaitu:
1. nilai matematika, 2. nilai fisika, 3. nilai kimia, 4. nilai biologi, 5. nilai sejarah, 6. nilai geografi, 7. nilai sosiologi, 8. nilai ekonomi,
9. nilai bahasa indonesia, 10. nilai bahasa inggris, 11. nilai bahasa asing lain, 12. bakat, dan
13. minat.
b. Kebutuhan output dari sistem yang dibuat yaitu mendapatkan suatu keputusan berupa jurusan yang sesuai untuk siswa.
c. Dalam membangun suatu sistem pendukung keputusan (SPK) penentuan jurusan SMA dibutuhkan fungsi-fungsi sistem yaitu sebagai berikut:
1. Sistem dapat merubah dan menambah data training tanpa merubah skrip program,
2. Sistem dapat menjadikan setiap data yang uji yang bukan merupakan data training menjadi suatu pengalaman/exprience yang selanjutnya dapat dijadikan data training,
3. Sistem dapat memfasilitasi guru untuk memvalidasi data pengalaman/exprience menjadi data training,
4. Sistem dapat menampilkan pohon keputusan sesuai dengan data training 5. Sistem dapat memfasilitasi guru untuk dapat merubah mutu nilai yang
digunakan, dan
6. Sistem dapat melakukan pengujian data satu per satu maupun data lebih dari satu secara bersamaan.
3. 5 Desain
3. 5. 1 Sistem Pendukung keputusan (SPK)
Membangun sistem pendukung keputusan menggunakan algoritma ID3 biasanya dilakukan dengan perhitungan secara manual untuk mendapatkan aturan-aturan(rule) seperti dalam penelitian Utami (Utami, 2012). Sehingga, sulit untuk memberikan training baru kepada sistem guna menambah akurasi dari SPK itu sendiri. Tetapi, dalam penelitian ini SPK dibangun secara automatis dengan mengimplementasikan algoritma ID3 secara maksimal.
Secara umum sistem pendukung keputusan penentuan jurusan siswa SMA dapat digambarkan melalui diagram blok pada Gambar 3.2. Pada diagram blok tersebut memiliki dua input yaitu data training dan data testing. Data training merupakan data-data yang diajarkan pada sistem untuk dipelajari. Data training harus ada terlebih dahulu sebelum melakukan testing. Data training diolah oleh algoritma
ID3 untuk mendapatkan pohon keputusan. Pohon keputusan akan menghasilkan aturan-aturan (rule) sesuai dengan data yang telah dipelajari.
Kemudian data testing yang dimasukan berupa nilai-nilai yang bernilai continue dirubah menjadi nilai-nilai yang bernilai diskrit dengan tiga level yaitu kurang, cukup, dan baik. Setiap level ketentuanya dapat diatur pada sistem. Jika data testing yang diajukan tidak sama dengan salah satu dari data training maka data testing dimasukan dalam pengalaman yang dapat divalidasi untuk dijadikan data training untuk menambah keakuratan SPK.
Gambar 3.2 Diagram Blok SPK 3. 5. 2 Use Case Diagram
Use case diagram pada sistem ini memiliki dua aktor yaitu tamu dan guru pelatih yang digambarkan pada Gambar 3.3. Kedua aktor tersebut merupakan user dari sistem ini, tetapi memiliki hak akses yang berbeda. Pada aktor tamu hanya bisa
melakukan testing pada sistem atau meminta dukungan keputusan pada sistem. Tetapi, pada aktor guru pelatih tidak hanya dapat melakukan testing melainkan juga dapat melakukan login, training, validasi pengalaman dan melihat pohon keputusan. Guru pelatih adalah guru yang paling dipercaya sekolah dalam melakukan penjurusan siswa SMA. Setiap proses pada use case diagram ini akan dijelaskan lebih dalam pada Sub Bab 3.5.3.
Gambar 3.3 Use case diagram 3. 5. 3 Activity Diagram
Pada penelitian ini activity diagram atau diagram aktivitas disesuaikan dengan setiap proses pada use case diagram. Proses login merupakan proses authentification user untuk dapat menjadi user sebagai guru pelatih proses ini digambarkan pada Gambar 3.4. Proses training merupakan proses pelatihan pada sistem yang dilakukan guru pelatih proses ini digambarkan pada Gambar 3.5. Proses validasi pengalaman merupakan proses yang dilakukan oleh guru pelatih untuk melakukan validasi dari pengalaman-pengalaman yang dimiliki untuk dijadikan data training, proses ini digambarkan pada Gambar 3.6. Proses view
pohon merupakan proses pengecekan pohon keputusan oleh guru pelatih, proses ini digambarkan pada Gambar 3.7. Proses untuk mendapatkan keputusan yang dilakukan oleh user digambarkan pada Gambar 3.8.
Gambar 3.5 Activity diagram training
Gambar 3.7 Activity Diagram view pohon keputusan
Gambar 3.8 Activity Diagram mendapatkan keputusan 3. 5. 4 Class Diagram
Gambar 3.9 merupakan class diagram dari sistem pendukung keputusan penentuan jurusan SMA.
Gambar 3.9 Class Diagram 3. 5. 5 Squence Diagram
Berdasarkan usecase yang dibuat didapatkan 5 proses yaitu login, training, validasi pengalaman, view pohon keputusan, dan mendapatkan keputusan. Dari setiap proses tersebut maka dibuatlah squence diagram seperti pada Gambar 3.10 sampai Gambar 3.16.
1. Squence Diagram: Login
Gambar 3.10 Squence diagram login
Dari Gambar 3.10 diketahui bahwa tamu (aktor) melakukan request terhadap halaman user interface untuk mendapatkan tampilan untuk melakukan pengimputan data username dan password untuk melakukan login. Selanjutnya halaman login melakukan pemanggilan method validasiLogin() pada kelas login yang digunakan untuk memproses input username dan password pada class login. Dari pemanggilan method tersebut mendapatkan pengembalian (return) berupa true atau false yang memberikan isyarat kepada halaman apakah login telah valid atau tidak valid. Penjelasan Gambar 3.10 ini serupa dengan penjelasan Gambar 3.11 dan Gambar 3.16.
2. Squence Diagram: Training
Pada use case training terdapat tiga proses yaitu proses tambah training, edit training dan hapus training. Setiap proses disajikan dalam squence diagram pada Gambar 3.11, 3.12 dan 3.13.
Gambar 3.11 Squence diagram tambah training
Gambar 3.12 Squence diagram edit training
Dalam melakukan edit training, objek edit pada class Training harus dibuat terlebih dahulu sehingga dalam melakukan request UI halaman training memanggil method tampil() pada class training guna menampilkan daftar training yang telah dilakukan sebelumnya. Setelah itu guru pelatih (aktor) bisa melakukan operasi edit terhadap data yang telah ditampilkan. Method edit() digunakan untuk menyimpan data yang telah dirubah oleh guru pelatih (aktor). Dari method edit() menghasilkan pengembalian (return) berupa true atau false yang memberikan isyarat kepada halaman apakah peng-edit-an berhasil dilakukan. Penjelasan Gambar 3.12 ini serupa dengan penjelasan Gambar 3.13, Gambar 3.14, dan Gambar 3,15.
Gambar 3.13 Squence diagram hapus training 3. Squence Diagram: Validasi Pengalaman
Gambar 3.14 Squence diagram validasi pengalaman 4. Squence Diagram: View pohon keputusan
5. Squence Diagram: Mendapatkan keputusan
Gambar 3.16 Squence diagram mendapatkan keputusan 3. 5. 6 Conceptual Data Model (CDM)
Gambar 3.10 merupakan Conceptual Data Model (CDM) dari sistem pendukung keputusan penentuan jurusan SMA.
3. 5. 7 User Interface
User interface atau halaman antarmuka pada sistem ini dibangun dan disesuaikan berdasarkan desain usecase yang telah dibuat. Desain interface tersebut adalah sebagai berikut:
1. Interface home
Interface ini adalah interface yang pertama kali muncul saat membuka sistem pendukung keputusan penjurusan SMA. Interface ini memiliki dua tipe yaitu halaman home sebelum melakukan login seperti pada Gambar 3.18 dan halaman home setelah melakukan login seperti Gambar 3.19. Interface home baik telah melakukan login maupun tidak melakukan login memiliki fungsi yang sama yaitu mendapatkan suatu keputusan penentuan jurusan dengan mengisi input yang disediakan.
Gambar 3.19 Interface home setelah login 2. Interface training
Interface ini dapat dibuka apabila pengguna telah melakukan login. Interface ini memiliki dua sub halaman yaitu halaman daftar training seperti Gambar 3.20 dan halaman tambah/edit training seperti Gambar 3.21.
Gambar 3.21 Interface tambah/edit training
Halaman daftar training berfungsi untuk melihat keseluruhan data training yang pernah diberikan. Halaman ini memungkinkan guru pelatih untuk melakukan tambah, edit dan hapus training. Pada halaman tambah/edit training berfungsi untuk menambah suatu data training baru atau merubah data training yang telah dipilih.
3. Interface validasi pengalaman
Halaman ini dapat dibuka apabila pengguna telah melakukan login. Halaman ini befungsi untuk memvalidasi pengalaman menjadi data training seperti Gambar 3.22.
4. Interface view pohon keputusan
Halaman ini dapat dibuka apabila pengguna telah melakukan login. Halaman ini befungsi untuk melihat pohon keputusan yang dihasilkan oleh algoritma ID3 secara otomatis seperti Gambar 3.23.
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulkan beberapa hal sebagai berikut ;
1. Sistem pendukung keputusan telah berhasil dibangun untuk membantu guru atau sekolah dalam menentukan jurusan siswa SMA sesuai dengan kebutuhan. 2. Algoritma ID3 dapat diimplementasikan secara otomatis oleh sistem sehingga
sistem dapat melakukan learning secara otomatis.
3. Semakin banyak data latih dapat meningkatkan akurasi dari keputusan dengan tingkat komposisi keberagaman data yang baik dan menyeluruh.
4. Data latih dengan noise memiliki akurasi yang baik terhadap data uji diluar data latih.
5. Pohon keputusan yang dihasilkan oleh data latih dengan noise lebih kompleks dibandingkan dengan pohon keputusan yang dihasilkan oleh data latih tanpa noise.
5.2 Saran
Beberapa saran yang diberikan untuk pengembangan penelitian ini lebih lanjut adalah sebagai berikut ;
1. Dalam penentuan jurusan perlu juga diberi daya tampung dari setiap jurusan sebagai tambahan parameter untuk menentukan keputusan.
2. Dalam mengimplementasikan algoritma ID3 diteruskan hingga menjadi mesin pembuat pohon keputusan sehingga dapat dimanfaatkan dengan mudah untuk berbagai bidang.
Ariani, Pepi Dwi. 2010. Sistem Pendukung Keputusan Pemilihan Jurusan SMK Menggunakan Neuro-Fuzzy. Undergraduate Thesis, Institut Teknologi Sepuluh Nopember: Surabaya.
Desiani, A. dan Muhammad Arhami. 2006. Konsep Kecerdasan Buatan. Palembang: ANDI
Fitriyani. 2012. Sistem Pendukung Keputusan Penjurusan Sma Menggunakan Metode AHP.Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012). ISBN 979 - 26 - 0255 – 0. Jurusan Sistem Informasi, STMIK Atma Luhur Pangkalpinang.
Setiawan, Bambang. 2010. Perancangan Sistem Pendukung Keputusan (Spk) Untuk Menentukan Kelaiklautan Kapal : Studi Kasus Di Kantor Administrasi Pelabuhan Klas Utama Tj. Perak Surabaya. Master Thesis, Institut Teknologi Sepuluh Nopember: Surabaya.
Siswoutomo, Wiwit. 2005. PHP Undercover Mengungkap Rahasia Pemrograman PHP. Jakarta: Elex Media Komputindo.
Slocum, Mary. 2012. Decision Making Using ID3 Algorithm. Rivier Academic Journal, Volume 8, Number 2, Fall. M.S. Program in Computer Science, Rivier University.
Suyanto. 2011. Artificial Intelegent (Cetakan kedua). Informatika: Bandung. Sutojo. T, Edy Mulyanto, Vincent Suhartono. 2011. Kecerdasan Buatan. Semarang:
ANDI.
Rosa A. S dan Salahudin. 2011. Rekayasa Perangkat Lunak. Modula: Bandung. Utami, Winda Pangesti. 2012. Penerapan Algoritma Iterative Dichotomiser Three
untuk Pemilihan Dosen Pembimbing. Universitas Kristen Satya Wacana: Jawa Tengah.
Wahyudin. 2009. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru. Jurnal Pendidikan Teknologi Informasi Dan Komunikasi (PTIK). ISSN 1979-9462. Universitas Pendidikan Indonesia: Bandung.