SISTEM PENILAIAN KELAYAKAN KENAIKAN SABUK KARATE MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER DAN
ALGORITMA SIMPLE ADDITIVE WEIGHTING (SAW)
SKRIPSI
SAYYID SABIQ SM RAMBE 171401001
PROGRAM STUDI S-1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
SISTEM PENILAIAN KELAYAKAN KENAIKAN SABUK KARATE MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER DAN
ALGORITMA SIMPLE ADDITIVE WEIGHTING (SAW)
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
SAYYID SABIQ SM RAMBE 171401001
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
iii
UCAPAN TERIMA KASIH
Alhamdulillah, puji dan syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat memperoleh gelar Sarjana Komputer pada Program Studi S-1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi Univeristas Sumatera Utara.
Dengan segala kerendahan hati, penulis ingin menyampaikan rasa hormat dan terimakasih sebesar-besarnya kepada semua pihak yang telah membantu dalam penyelesaian skripsi ini. Penulis mengucapkan terimakasih kepada :
1. Bapak Dr. Muriyanto Amin, S.Sos., M.Si. selaku Rektor Universitas Sumatera Utara.
2. Ibu Dr. Maya Silvi Lydia, B.Sc., M.Sc. selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
3. Ibu Dr. Amalia, S.T., M.T selaku Ketua Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.
4. Bapak Dr. Poltak Sihombing, M.Kom selaku Dosen Pembimbing I yang telah memberikan bimbingan, saran, motivasi dan dukungan kepada penulis dalam pengerjaan skripsi ini.
5. Bapak Herriyance, S.T., M.Kom selaku Dosen Pembimbing II yang telah memberikan bimbingan, saran, motivasi dan dukungan kepada penulis dalam pengerjaan skripsi ini.
6. Bapak Prof. Dr. Muhammad Zarlis selaku Dosen Pembanding I yang memberikan kritik dan saran kepada penulis dalam penyempunaan skripsi ini.
7. Bapak Syahril Efendi, S.Si., M.IT selaku Dosen Pembanding II yang memberikan kritik dan saran kepada penulis dalam penyempunaan skripsi ini.
8. Seluruh dosen dan staf pegawai Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
v
ABSTRAK
Karate merupakan salah satu seni bela diri yang berasal dari Jepang dan merupakan seni agresif yang terutama mencakup teknik tangan terbuka seperti pukulan, tendangan, serangan lutut, serangan siku, pisau-tombak tangan, dan serangan telapak tangan. Anda harus mengikuti tes sabuk setiap 6 bulan untuk mencapai level/posisi ini. Ujian tersebut dibagi menjadi beberapa penilaian yaitu penghafalan
‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis dan kumite. Namun, proses evaluasi tes kenaikan sabuk karate masih manual, oleh sebab itu menghabiskan waktu lebih lama dan penghitungan skor tidak akurat.
Untuk itu dibutuhkan suatu aplikasi untuk membantu juri untuk mengambil keputusan dalam kelulusan peserta uji. Aplikasi yang dibangun menggunakan algoritma Naïve Bayes dalam menentukan kelulusan dan Simple Additive Weight dalam merangking peserta ujian. Dari pengujian sistem jika data yang tersedia semakin banyak dan bervariasi maka hasil akan lebih akurat dan lebih baik akan tetapi kecepatan waktu proses meningkat dengan data 20 peserta memiliki waktu 2112,0218 ms, data 50 peserta memiliki waktu 2158,1703 ms, data 100 peserta memiliki waktu 2182,0619 ms, dan data 200 peserta memiliki waktu 2214,7712 ms.
Selain itu penerapan Simple Additive Weight juga berhasil melakukan perangkingan pada peserta yang lulus. Namun waktu proses Simple Additive Weight mengalami peningkatan seiring bertambah banyaknya data peserta yang lulus yaitu dengan data 10 peserta memiliki waktu 1,4991 ms, data 25 peserta memiliki waktu 3,6647 ms, data 50 peserta memiliki waktu 6,6232 ms, dan data 100 peserta memiliki waktu 12,1418 ms.
Kata kunci : Karate, Naïve Bayes, Simple Additive Weight, Sistem Pendukung Keputusan
vii
KARATE BELT RISE FEASIBILITY RATING SYSTEM USING NAÏVE BAYES CLASSIFIER ALGORITHM AND SIMPLE ADDITIVE
WEIGHTING (SAW) ALGORITHM
ABSTRACT
Karate is one of the martial arts originating from Japan and is an aggressive art that mainly includes open-hand techniques such as punches, kicks, knee strikes, elbow strikes, hand-knives, and palm strikes. You must take a belt test every 6 months to reach this level/position. The exam is divided into several assessments, namely memorizing 'kata', basic Kihon hitting, basic Kihon kicking, basic Kihon parrying, and Kumite. However, the process of evaluating the karate belt increase test is still manual, therefore it takes longer and the calculation of the score is not accurate. For this reason, an application is needed to assist the jury in making decisions in passing the test participants. Applications were built using the Naïve Bayes algorithm in determining graduation and simple additive weight in ranking examinees. From system testing, if the available data is more and more varied, the results will be more accurate and better, but the speed of processing time increases with data from 20 participants having a time of 2112.0218 ms, data from 50 participants having a time of 2158.1703 ms, data from 100 participants having the time of 2182.0619 ms, and the data of 200 participants have a time of 2214.7712 ms. In addition, the application of simple additive weight also succeeded in ranking the participants who passed. however, the simple additive weight process time has increased as the number of participants' data has increased, namely with data of 10 participants having 1.4991 ms, data of 25 participants having 3.6647 ms, data of 50 participants having 6.6232 ms, and data of 100 participants having time 12.1418 ms.
Keywords: Karate, Naïve Bayes, Simple Additive Weight, Decision Support System
DAFTAR ISI
DAFTAR ISI Halaman
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR GAMBAR x DAFTAR TABEL xi BAB I ... 12
PENDAHULUAN ... 12
1.1 Latar Belakang ... 12
1.2 Rumusan Masalah ... 2
1.3 Batasan Masalah ... 2
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 3
1.6 Metodologi Penelitian ... 3
1.7 Sistematika Penulisan ... 4
BAB II ... 6
LANDASAN TEORI ... 6
2.1 Karate ... 6
2.2 Sistem Pendukung Keputusan ... 6
2.3 Teorema Bayes ... 7
2.4 Algoritma Naive Bayes ... 8
2.5 Simple Additive Weighting (Simple Additive Weight ) ... 11
2.6 Penelitian yang Relevan ... 12
BAB III ... 15
ANALISIS DAN PERANCANGAN ... 15
3.1 Analisis Sistem ... 15
3.1.1 Analisis Masalah ... 15
ix
3.1.2 Arsitektur Umum ... 16
3.1.3 Analisis Kebutuhan ... 17
3.1.4 Analisis Proses ... 18
3.2 Pemodelan Sistem ... 18
3.2.1 Use Case Diagram ... 18
3.2.2 Activity Diagram ... 19
3.2.3 Sequence Diagram ... 20
3.2.4 Flowchart ... 20
3.3 Perancangan Antarmuka (Interface) ... 21
3.3.1. Rancangan Halaman Utama ... 21
3.3.2. Rancangan Halaman Data Peserta Ujian ... 22
3.3.3. Rancangan Halaman Perangkingan Peserta ... 24
BAB 4 ... 26
IMPLEMENTASI DAN PENGUJIAN ... 26
4.1 Implementasi Perancangan Antarmuka... 26
4.1.1 Halaman Utama ... 26
4.1.2 Halaman Data Peserta ... 27
4.1.3 Halaman Perangkingan Peserta ... 27
4.2 Pengujian Sistem ... 28
4.2.1 Implementasi Naïve Bayes pada Penilaian Kelulusan Peserta ... 28
4.2.2 Implementasi Simple Additive Weight pada Perangkingan Peserta ... 30
4.2.3 Hasil Evaluasi Sistem ... 31
BAB 5 ... 33
KESIMPULAN DAN SARAN ... 33
5.1 Kesimpulan ... 33
5.2 Saran ... 33
DAFTAR PUSTAKA ... 34 LISTING PROGRAM ...A-1 BIODATA ...B-1
DAFTAR GAMBAR
Nomor
Gambar Nama Gambar Halaman
3.1 Diagram Ishikawa Sistem 16
3.2 Arsitektur Umum Sistem 16
3.3 Use Case Diagram Pada Sistem 18
3.4 Activity Diagram Pada Sistem 19
3.5 Sequence Diagram Pada Sistem 20
3.6 Flowchart Sistem 20
3.7 Rancangan Halaman Utama 21
3.8 Rancangan Halaman Data Peserta Ujian 22
3.9 Rancangan Halaman Perangkingan Peserta 22
4.1 Halaman Utama 25
4.2 Halaman Data Peserta 26
4.3 Halaman Perangkingan Peserta 27
4.4 Halaman Input Nilai Peserta Baru 28
4.5 Hasil Kelulusan Peserta Baru 28
4.6 Halaman Input Nilai Bobot Preferensi 29
4.7 Hasil Perangkingan Peserta 30
4.8 Running Time Algoritma Naive Bayes 31
4.9 Running Time Algoritma Simple Additive Weight 31
xi
DAFTAR TABEL
Nomor
Tabel Nama Tabel Halaman
2.1. Penelitian yang Relevan 14
4.1. Pengujian Algoritma Naïve Bayes 30
4.2. Pengujian Algoritma Simple Additive Weight 30
BAB I PENDAHULUAN
1.1 Latar Belakang
Karate merupakan salah satu seni bela diri yang berasal dari Jepang dan terutama merupakan seni menyerang yang menggunakan teknik tangan terbuka seperti pukulan, tendangan, lutut, siku, tombak, dan pukulan tumit telapak tangan. Sejak tahun 1963, Karate sudah diterapkan di Indonesia. Di Indonesia, karate diperkenalkan oleh pelajar Indonesia yang kembali ke negara asalnya setelah belajar di Jepang.
Tingkat/posisi karate ditandai dengan kemampuan menghafal atau melakukan gerakan-gerakan yang maksimal dari jurus-jurus tersebut. Ini berarti bahwa level dibedakan olehsabuk. Untuk memperoleh level ini, Anda harus lulus ujian sabuk.
Terjadi setiap 6 bulan. Ada sabuk putih, sabuk kuning, sabuk hijau, sabuk biru, sabuk coklat, dan sabuk hitam untuk level ini.
Dalam ujian ini peserta uji akan diberikan beberapa teknik sesuai kriteria kelulusan yaitu kihon, kata, kumite. Dari ketiga kriteria teknik tersebut juga dapat di pecah menjadi beberapa penilaian yang lebih spesifik yaitu penghafalan ‘kata’ , kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis dan kumite.
Proses evaluasi Tes Kenaikan Sabuk Karate masih manual, sehingga memakan waktu dan perhitungan skor yang kurang akurat. Oleh karena itu, juri sering salah dalam memutuskan apakah karateka yang akan mengikuti ujian sabuk karena harus mempertimbangkan banyak hal. Untuk itu, diperlukan aplikasi untuk membantu juri dalam menentukan berhasil tidaknya seorang peserta tes, dengan mempertimbangkan kriteria yang nantinya dapat diimplementasikan sebagai acuan pada saat pengambilan keputusan.
2
Studi Puspita Tri Utami (2015) menemukan bahwa Simple Additive Weight lebih efisien daripada AHP karena membutuhkan waktu komputasi yang lebih sedikit saat menawarkan opsi web hosting alternatif..
Sebuah studi oleh M. Pristian R. (2016) mengklaim bahwa metode pengukuran aditif sederhana lebih akurat daripada metode model produk tertimbang. Oleh karena itu, ketika memilih institusi pendidikan di Kota Medan, nilai kepatuhan pembobotan berbobot sederhana lebih tinggi dibandingkan dengan pembobotan model produk.
Selain itu, penelitian Tengku Aulia Adha (2018) berpendapat bahwa semakin besar ukuran data pelatihan atau training menggunakan fitur kata di Naïve Bayes, semakin banyak kata, semakin tinggi nilai akurasinya saat mengklasifikasikan dokumen.
Sebuah studi lanjutan oleh Ahmad Rifai (2015) berpendapat bahwa Naive Bayesian didasarkan oleh pengetahuan statistik probabilistik, khususnya menggunakan data pelatihan dalam mendukung keputusan klasifikasi. Dalam Naive Bayes, segala atribut berpartisipasi dalam pengambilankeputusan, tetapi bobot atribut yang sejenis adalah penting.
Berdasarkan latar belakang diatas, maka penulis mengajukan penelitian dengan judul “Sistem Penilaian Kelayakan Kenaikan Sabuk Karate Menggunakan Algoritma Naïve Bayes Classifier dan Algoritma Simple Additive Weighting (SAW)”.
1.2 Rumusan Masalah
Penilaian masih manual, membuat proses penilaian untuk ujian tinggi sabuk karate lebih memakan waktu dan lebih murah, dan juri sering membuat keputusan yang tidak akurat tentang apakah karateka layak mengikuti ujian tinggi sabuk. Oleh sebab itu dibutuhkan suatu sistem yang berguna untuk meringankan pekerjaan juri dalam menentukan kelayakan peserta ujian kenaikan sabuk karate.
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini :
1. Sistem yang digunakan berbasis desktop.
2. Bobot kriteria mengambil 5 nilai yaitu :
a. penghafalan ‘kata’
b. kihon dasar memukul c. kihon dasar tendangan d. kihon dasar menangkis e. kumite
3. Output yang dihasilkan adalah hasil klasifikasi kelayakan yaitu layak atau tidak layak
4. Algoritma naïve bayes digunakan dalam menentukan peserta yang layak berdasarkan nilai pengujian. Algoritma Simple Additive Weight digunakan untuk melakukan perangkingan agar juri dapat membatasi berapa banyak jumlah peserta yang terbaik yang layak untuk diluluskan.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini ialah meningkatkan efektifitas dan produktifitas panitia dan juri dalam pemeriksaan kriteria kelulusan dari setiap calon yang akan naik sabuk karate.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut : 1. Menguji kelayakan peserta karate yang diajukan.
2. Membandingkan nilai peserta yang masuk sehingga dapat ditentukan tingkat prioritas untuk layak dan tidak layak.
3. Mempersingkat durasi pemeriksaan tanpa mengatur rapat atau pertemuan dan sejenisnya yang berarti prosedur pemeriksaan akan lebih singkat.
1.6 Metodologi Penelitian
Tahapan yang dilakukan pada penelitian adalah sebagai berikut : 1. Studi Literatur
Tahap ini bertujuan untuk mengkoleksi teori-teori yang menguatkan dari buku, jurnal dan penelitian yang berkaitan dengan kriteria kualifikasi sabuk karate riding, algoritma naive bayesian classifier, dan algoritma Simple Additive Weight measurement (SAW).
4
2. Analisis dan Perancangan Sistem
Langkah berikut yaitu menganalisis data yang dibutuhkan oleh sistem kemudian mengkaji algoritma Naive Bayesian Classifier dan Simple Additive Weighting (Simple Additive Weight ) dalam proses pemeringkatan rekomendasi. Kemudian melanjutkan ke desain dan model untuk memecahkan masalah yang ada.
3. Implementasi
Pada tahap ini,sistem yang telah dibangun akan berbentuk program aplikasi.
4. Pengujian
Pada fase ini, teknik karate diuji dan hasil kelayakannya didiskusikan dengan guru/sensei atau juri untuk melihat apakah memenuhi harapan.
5. Dokumentasi dan Penyusunan Laporan
Tahapini melibatkan pendokumentasian dan pembuatan laporan hasil analisis dan implementasi.
1.7 Sistematika Penulisan
Sistematika kajian disusun dalam bentuk disertasi dan dibagi menjadi beberapa bagian sebagai berikut.:
BAB 1 PENDAHULUAN
Bab ini dimulai dengan rumusan masalah, tujuan penelitian, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistem penulisan, serta merangkum segala sesuatu yang berkaitan dengan latar belakang masalah yang akan diteliti.
BAB 2 LANDASAN TEORI
Bab ini menjelaskan teori sistem pendukungkeputusan, pengklasifikasi naif Bayes, algoritma pembobotan sederhana (Simple Additive Weight), dan penilaian kelayakan sabuk karate.
BAB 3 ANALISIS DAN PERANCANGAN
Tahap ini membahas kendala masalah serta analisis dan peraancangan sistem apliikasi yang akan dibuatpada platform desktop sesuai dengan rumusan masalah dalam penelitian.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Kami menerapkan algoritma naive Bayesian classifier dan algoritma Simple Additive Weighting (SIMPLE ADDITIVE WEIGHT ) untuk mengevaluasi potensi peningkatan sabuk karate, dan mendiskusikan hasil dan analisis pengujian sistem yang dihasilkan.
BAB 5 KESIMPULAN DAN SARAN
Memberikan kesimpulan dan rangkuman dari penelitian pada setiap bab dan memberikan saran untuk penelitian berikutnya agar dapat melanjutkan, memperbaiki kekurangan penelitian ini maupun membagi referensi terkait.
BAB II
LANDASAN TEORI
2.1 Karate
Karate merupakan salah satu seni bela diri yang berasal dari Jepang dan terutama merupakan seni menyerang yang menggunakan teknik tangan terbuka seperti pukulan, tendangan, lutut, siku, tombak, dan pukulan tumit telapak tangan. Sejak tahun 1963, Karate sudah ada di Indonesia. Di Indonesia, karate diperkenalkan oleh pelajar Indonesia yang kembali ke negara asalnya setelah belajar di Jepang.
Tingkat/posisi karate ditandai dengan kemampuan menghafal atau melakukan gerakan-gerakan yang maksimal dari jurus-jurus tersebut. Ini berarti bahwa level dibedakan olehsabuk. Untuk mendapatkan level ini, Anda harus lulus ujian sabuk. Terjadi setiap 6 bulan. Ada sabuk putih, sabuk kuning, sabuk hijau, sabuk biru, sabuk coklat, dan sabuk hitam untuk level ini...
Dalam ujian ini peserta uji akan diberikan beberapa teknik sesuai kriteria kelulusan yaitu kihon, kata, kumite. Dari ketiga kriteria teknik tersebut juga dapat di pecah menjadi beberapa penilaian yang lebih spesifik yaitu penghafalan ‘kata’ , kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis dan kumite 2.2 Sistem Pendukung Keputusan
Decision Suport System (DSS) atau Sistem PendukungKeputusan “DSS” adalah sistem ceddas yang mencakup sistem berbasis penggetahuan untuk mendukung proses pengambilan keputusan secara cepat dan akurat (Holzinger, 2011). DSS menggunakan data, menyediakan interface yang ramah pengguna, dan bisa menjadi pengambil keputusan untuk memanfaatkan wawasan mereka sendiri (Tariq dan Rafi, 2012). DSS tidak dimaksudkan untuk mengotomatisasi pendukung keputusan, tetapi menyediakan alat interaktif yang dapat pengambil keputusan untuk melakukam berbagai analisis mengunakan model yangtersedia (Kusrini, 2007).
Konsep DSS awalnya dikembangkan oleh Scott Morton pada tahun 1970-an.
Menurut (Gorry & Morton, 1971), DSS diartikan sebagai "sistem berbasis komputerinteraktif yang membantupengambil keputusan memecahkan masalah tidakterstruktur dengan mengunakan data dan berbagai model." (Turban, Sharda, Delen, 2005). Dengan berbagai keterampilan pemrosesan informasi/data yang diperlukan untuk proses pengamblan keputusan, DSS hanya bertindak sebagai alat administratif. Oleh karena itu, DSS ini tidak dimaksudkan umtuk mengantikan peran pengambil keputusan dalam pengambilan keputusan (Gustriansyah, et al., 2015). Namun, DSS ini hanya digunakan untuk membantu pegnambil keputusan melakukan tugasnya.
2.3 Teorema Bayes
Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum.
Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes. Persamaan dari teorema Bayes adalah:
𝑃(𝐻|𝑋) =𝑃(𝑋|𝐻). 𝑃(𝐻) 𝑃(𝑋) Keterangan :
X : Data kelas tidak diketahui
H : Hipotesis data X adalah kelas tertentu
P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X (probabilitas posterior)
P(H) : Probabilitas hipotesis H (prior probability) P(X|H) : Probabilitas X berdasarkan kondisi Hipotesis H.
P(X) : Probabilitas X
8
2.4 Algoritma Naive Bayes
Naive Bayes adalah algoritma mengklasifikasikan objek secara sederhana di mana setiap atribut independen dan dapat berperan pada keputusan akhir. Naive Bayes merupakan algoritma yang termasuk dalam metode klasifikasi. Naive Bayes adalah klasifikasi menggunakan metode probabilistik dan statistik yang diusulkan oleh ilmuwan Inggris Thomas Bayes, yang dikenal sebagai teorema Bayes karena memprediksi potensi masa depan berdasarkan pengalaman masa lalu. Teorema ini digabungkan dengan naif, dengan asumsi bahwa kondisi antara atribut adalah independen. Klasifikasi Naive Bayes mengasumsikan bahwa ada atau tidak adanya karakteristik tertentu dari satu kelas tidak ada hubungannya dengan karakteristik kelas lain.
Untuk mendefinisikan Naive Bayes, perlu diingat bahwa proses klasifikasi membutuhkan banyak petunjuk untuk menentukankelas yang sesuai untuk sampel yang akan dianalisis. Oleh karena itu, teorema Bayes di atas berlaku sebagai berikut:
𝑃(𝐶|𝐹1… 𝐹𝑛) =𝑃(𝐶). 𝑃(𝐹1… 𝐹𝑛|𝐶) 𝑃(𝐹1… 𝐹𝑛)
Variabel C mewakili keelas, dan variabel(F_1… F_n) mewakili karakteristi instruksi yang diperlukan untukklasifikasi. Persamaan tersebut kemudian merumuskan peluang masuknyasampel dengan sifat tertentu dari kelas C (posterior) dikalikan dengan peluang munculnyakelas C (sebelum sampel diperoleh, sering disebut sebagai pra), dan peluang terjadinya sampel Jelaskan bahwa itu dikalikan dengan. Karakteristik kelas C (juga dikenal sebagai kemungkinan) dibagi denganprobabilitas bahwa karakteristik sampel akan terjadi secara global (juga dikenal sebagai bukti). Oleh karena iturumus di atas juga dapat dengan mudah ditulis sebagai:
𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = 𝑃𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Nilai bukti selalu ditentukan untuk setiapkelas sampel acak. Nilai akhir dibandingkan dengan nilai akhir di kelas lain untuk menentukan kelas mana yang menjadi sampel. Penyempurnaan lebih lanjut dari rumus Bayesian dilakukan dengan menghitung (C | F_1… F_n) mengunakan aturan perkalian berikut:
(𝐶|𝐹1… 𝐹𝑛) = 𝑃(𝐶). 𝑃(𝐹1… 𝐹𝑛|𝐶)
= 𝑃(𝐶). 𝑃(𝐹1|𝐶) 𝑃(𝐹2… 𝐹𝑛|𝐶, 𝐹1)
= 𝑃(𝐶). 𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3… 𝐹𝑛|𝐶, 𝐹1, 𝐹2)
= 𝑃(𝐶). 𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3|𝐶, 𝐹1, 𝐹2)𝑃(𝐹4… 𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3)
= 𝑃(𝐶). 𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3|𝐶, 𝐹1, 𝐹2) … 𝑃(𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3…𝐹𝑛−1)
Ternyata hasil penyempurnaan menyeebabkan faktor kondisional yang semakin kompleksyang mempengaruh nilai probabilitas, yang hampir tidak dapat dianalisis secara individual. Akibatnya, menjadi sulit untuk menghitung. Di sini, asumsi indepedensi yang sangat tingi (naif) digunakan bahwa semua instruksi (F_1, F_2 ... F_n) independen satu samalain. Dengan asumsi ini, persamaan berikut berlaku:
𝑃(𝑃𝑖|𝐹𝑗) =𝑃(𝐹𝑖 ∩ 𝐹𝑗)
𝑃(𝐹𝑗) = 𝑃(𝐹𝑖)𝑃(𝐹𝑗)
𝑃(𝐹𝑗) = 𝑃(𝐹𝑖)
Untuk i ≠ j, sehingga
𝑃(𝐹𝑖|𝐶, 𝐹𝑗) = 𝑃(𝐹𝑖|𝐶)
Dari persaman di atas, kita dapat menyimpulkan bahwa asumsi independensi sederhana menyederhanakan kondisi probabilitas dan memungkinkan perhitungan.
Selanjutnya, konversi 𝑃(𝐶|𝐹1… 𝐹𝑛) dapat disederhanakan sebagai berikut:
𝑃(𝐶|𝐹1… 𝐹𝑛) = 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶)𝑃(𝐹3|𝐶) …
= 𝑃(𝐶) ∏i=1n 𝑃(𝐹1|𝐶)
10
Persamaan di atasmerupakan model dariteorema naive bayes dan digunakan dalam proses klasifikasi. Rumus densitas Gaussian digunakan untuk klasifikasi dengan data kontinu:
𝑃(𝑋𝑖 = 𝑥𝑖 | 𝑌 = 𝑦𝑗) = 1
√2πσ𝑖𝑗 e−
(𝑥𝑖−µ𝑖𝑗)2 2𝜎2𝑖𝑗
Keterangan : P : Peluang 𝑋𝑖 : Atribut ke i 𝑥𝑖 : Nilai atribut ke i Y : Kelas yang dicari 𝑦𝑗 : Sub kelas Y yang dicari
µ : Mean, Menunjukkan rata-rata dari semua atribut σ : Deviasi standar, Mewakili varians dari semua atribut
Adapun alur dari metode Naive Bayes adalah sebagai berikut : 1. Memasukkan data pelatihan
2. Baca data pelatihan.
3. Hitung angka dan probabilitas, tetapi jika datanya angka maka:
a. Temukan nilai mean dan standar deviasi dari setiap parameter yang merupakan data numerik.
b. Bagilah jumlah data yang sesuai dalam kategori yang sama dengan jumlah data dalam kategori itu untuk mendapatkan nilai probabilitas.
4. Dapatkan nilai dalam tabel mean, standar deviasi dan probabilitas.
2.5 Simple Additive Weighting (SAW )
Simple Additive Weighting adalah kalkulasi jumlah berbobot. Konsep dari algoritma Simple Additive Weight adalah mencari jumlah bobot dari evaluasi kinerja setiap pilihan untuk semua kriteria. Algoritma Simple Additive Weight memerlukan proses untuk menormalkan matriks keputusan (X) ke skala yang dapat dibandingkan dengan evaluasi alternatif yang ada. Algoritma Simple Additive Weight mengenali dua atribut: kriteria utilitas dan kriteria biaya. Perbedaan mendasar antara kedua kriteria ini terletak pada pilihan kriteria dalam pengambilan keputusan (Usito, 2013).
Adapun langkah penylesaian dalam menggunakannya adalah:
1. Tentukan alternatifnya, yaitu Ai
2. Tentukan kriteria yang akan digunakan sebagai acuan pendukung keputusan Cj
3. Berikan penilaian kesesuaian setiap opsi untuk semua kriteria.
4. Tentukan bobot preferensi (W) dari semua kriteria.
5. Buat tabel skor konsistensi untuk setiap alternatif dari semua kriteria.
6. Buat matriks keputusan (X) berdasarkan tabel penilaian profisiensi untuk setiap opsi dari semua kriteria.
7. Menormalkan matriks keputusan degan mendapatkan nilai kinerja ternormalidasi (rij) dari alternatif Ai sesuai dengan kriteria Cj. menghitung.
Jika j adalah atributkeuntungan (benefit):
𝑟𝑖𝑗 = 𝑥𝑖𝑗 max 𝑥𝑖𝑗
Jika j adalah atribut biaya (cost):
𝑟𝑖𝑗 = min 𝑥𝑖𝑗 𝑥𝑖𝑗
Keterangan:
rij = Peringkat kinerja yang dinormalisasi Nilai
12
xij = Nilai atribut milik masing-masing kriteria max xij = Nilai maksimum dari setiap standar min xij = Nilai minimum dari setiap standar benefit = Ketika nilai maksimum tertinggi
cost = Ketika nilai minimum adalah yang terbaik
8. Hasil penilaian kinerja ternormalisasi (rij) membentuk matriks ternormalisasi
9. Hasil akhir dari nilai preferensi (Vi) adalah jumlah elemen baris matriks yang dinormalisasi (R) dan bobot preferensi (W) yang sesuai dengan elemen kolom matriks (W)
𝑉𝑖 = ∑ 𝑊𝑗𝑟𝑖𝑗
𝑛
𝑗=1
Keterangan:
Vi = nilai alternatif
Wj = nilai bobot dari setiap kriteria
rij = Peringkat kinerja yang dinormalisasi Nilai
Hasil perhitungan nilai Vi yang lebih besar menunjukkan bahwa alternatif Ai merupakan alternatif yang lebih baik.
2.6 Penelitian yang Relevan
Berikut ini adalah penelitian mengenai sistem pendukung keputusan yang memiliki kesamaan dengan metode Naïve Bayes Classifier dan Simple Additive Weighting (SAW) :
1. Pada Penelitian Puspita Tri Utami (2015) yang berjudul “ Implementasi perbandingan algoritma Analytic Hierarchy Process (AHP) dengan algoritma Simple Additive Weighting (SAW) dalam Pemilihan Website Hosting”
berkesimpulan bahwasa Aplikasi yang dikembangkan mampu memberikan solusi dengan mengimplementasikan algoritma Simple Additive Weight untuk pemilihan web host, dan dari hasil perbandingan kedua algoritma tersebut,
waktu yang dibutuhkan untuk perhitungan lebih singkat, sehingga algoritma Simple Additive Weight dapat diperoleh lebih efisien.
2. M. Pristian R (2016) dalam penelitian nya yang berjudul “Implementasi Metode Simple Additive Weighting dan Weighted Product Model dalam Pemilihan Lembaga Bimbingan Belajar di Kota Medan” Dinyatakan bahwa algoritma SAW (Simple Additive Weighting) dapat diterapkan pada proses seleksi institusi pendidikan di Medan melalui perbandingan Simple Additive Weight dan Weight Product, dan akurasinya lebih tinggi dari hasil perhitungan menggunakan metode Simple Additive Weighting daripada Metode Weighted Product Model. Oleh karena itu, ketika memilih lembaga bimbingan belajar di Medan, skor Simple Additive Weighting lebih tinggi dibandingkan dengan pembobotan Weight Product Model.
3. Dalam penelitian Tengku Aulia Adha (2018) yang berjudul “Sistem Penilaian Kelayakan Proposal Bantuan Dana dengan menggunakan Metode Naïve Bayes Classifier dan TOPSIS” menyatakan bahwa Hasil dari algoritma Naive Bayes, dikemukakan bahwa semakin besar ukuran data latih atau training yang digunakan dengan jumlah fungsi kata yang banyak, maka semakin tinggi nilai akurasi klasifikasi dokumen.
4. Ahmad Rifai (2015) dalam penelitian berjudul “Implementasi Metode Naive Bayes dalam Menentukan Posisi Ideal Pemain dalam Sepak Bola Berbasis Android (Studi Kasus : Talenta Soccer Rantauprapat)” berkesimpulan bahwa Naive Bayes didukung oleh ilmu pengetahuan dan statistik probabilistik, terutama ketika menggunakan data pelatihan untuk mendukung keputusan klasifikasi. Di Naive Bayes, setiap atribut berpartisipasi dalam pengambilan keputusan, dan bobot atribut sama pentingnya..
14
Tabel 2.1. Penelitian Terdahulu
No. Nama
Peneliti Judul Penelitian Tahun Keterangan
1 Puspita Tri Utami
Implementasi perbandingan algoritma Analytic Hierarchy Process (AHP) dengan algoritma
Simple Additive Weighting (SAW) dalam Pemilihan Website
Hosting
2015
Penelitian ini menggunakan kriteria bandwith, LOS, Security,
Service, Price, RAM, Processor untuk menentukan keputusan pemilihan website hosting.
2 M.
Pristian R.
Implementasi Metode Simple Additive Weighting dan Weighted
Product Model dalam Pemilihan Lembaga Bimbingan Belajar di
Kota Medan
2016
Penelitian ini menggunakan kriteria biaya, fasilitas, jumlah pertemuan, jumlah lulus ke
PTN, jumlah pengajar.
Hasil akhir dari penelitian ini adalah terpilihnya Lembaga Pendidikan yang
cocok sesuai kriteria terhadap siswa di kota
Medan
3
Tengku Aulia Adha
Sistem Penilaian Kelayakan Proposal Bantuan Dana dengan
menggunakan Metode Naïve Bayes Classifier dan TOPSIS
2018
Pada penelitian Tengku Aulia Adha menggunakan
beberapa kriteria seperti besar event, popularitas perusahaan, keuntungan untuk perusahaan, manfaat untuk perusahaan. Dengan
riteria tersebut akan dilakukan perangkingan yang layak untuk diberikan
dana
4 Ahmad
Rifai
Implementasi Metode Naive Bayes dalam Menentukan Posisi
Ideal Pemain dalam Sepak Bola Berbasis Android (Studi Kasus : Talenta Soccer Rantauprapat)
2015
Pada penelitian ini menggunakan 8 kriteria yaitu dribbling, passing,
crossing, shooting, accelarition, agility, stamina, jumping. Hasil
akhir dari penelitian ini adalah posisi yang tepat untuk pemain sepak bola
BAB III
ANALISIS DAN PERANCANGAN
3.1 Analisis Sistem
Analisis sistem yang akan dibangun sebagai bagian dari penelitian ini adalah proses pengumpulan ide dan masalah untuk dipecahkan dalam rangka merancang dan membentuk sistem langkah demi langkah dan memberikan solusi masalah melalui penggunaan komponen yang teratur dan terstruktur. Tahap analisis meliputi analisis masalah, arsitektur umum, analisis kebutuhan, dan analisis proses sistem.
3.1.1 Analisis Masalah
Penilaian kemampuan untuk kelayakan kenaikan sabuk karate adalah hal yang cukup penting dikarenakan Penilaian masih manual sehinga waktu yang diperlukan cenderung lama dan perhitungan nilai kurang akurat dalam proses penilaian ujian kenaikan sabuk karate selain itu seringkali Juri membuat keputusan yang salah apakah akan lulus atau tidak pada karateka yang akan mengikuti ujian kenaikan tingkat sabuk. Untuk itu dibutuhkan suatu aplikasi untuk membantu juri untuk mengambil keputusan dalam kelulusan peserta uji yang dapat dilihat pada diagram ishikawa pada gambar 3.1.
16
Gambar 3.1. Diagram Ishikawa Sistem
3.1.2 Arsitektur Umum
Arsitektur Umum ialah deskripsi umum bagaimana suatu sistem berjalan dan fitur yang mendukung tercapainya penyelesaian suatu masalah. Dalam panelitian ini digambarkan arsitekturumum seperti gambar 3.2.
Gambar 3.2. Arsitektur Umum Sistem
Penjelasan proses rancangan sistem penguji kelayakan menggunakan Algoritma Naïve Bayes Classifier dan Algoritma Simple Additive Weighting (SAW).
1. Data peserta ujian
Pada penelitian ini awal yang dilakukan adalah memasukkan kriteria dari peserta ujian kenaikan sabut. Kriteria yang diisi berupa nilai hasil uji dari peserta ujian.
2. Pengolahan Data Awal
Tahap ini akan melakukan proses untuk normalisasi data agar mendapat data yang bagus dan sesuai yang kemudian dapat diproses pembobotan kriteria.
3. Pembobotan Nilai
Pada tahap ini dilakukan proses pembobotan menggunakan Naïve Bayes yang kemudian akan memunculkan bobot secara acak. Untuk mementukan hasil bobot tentunya mengacu pada database hasil training peserta ujian periode sebelumnya agar menjadi acuan dalam penilaian.
4. Proses Perangkingan Bobot
Tahap selanjutnya adalah tahap perangkingan. Pada tahap Proses Perangkingan Bobot Algoritma Simple Additive Weighting (SAW) akan melakukan proses perangkingan sehingga diketahui siapa yang memiliki kelayakan tertinggi.
3.1.3 Analisis Kebutuhan
Analisis kebutuhan adalah tahap mempersiapkan komponen yang diperlukan untuk membangun sebuah sistem. Ada dua jenis analisis ini.:
1. Persyaratan sistem fungsional
Persyaratan fungsional yang harus dimiliki sistem:
a. Sistem memiliki kriteria untuk setiap kandidat untuk diprioritaskan.
b. Sistem memberikan evaluasi yang objektif dari setiap kriteria evaluasi.
c. Sistem mengurutkan saran peserta dalam urutan tertinggi, dimulai dengan nama yang paling cocok dengan profil peserta yang layak lulus.
2. Persyaratan sistem non-fungsional
18
Kebutuhan non-fungsional sistem disajikan dalam bentuk antarmuka yang dapat dengan mudah dipahami oleh pengguna.
3.1.4 Analisis Proses
Penelitian ini menggunakan algoritma Simple Additive Weight dan Naïve Bayes untuk menemukan peserta karate yang sesuai dengan penilaian juri. Dengan membandingkan nilai kriteria peserta dan nilai profil peserta lainnya hingga didaptkan selsih dengan probabilistika lalu dilakukan pembbotan atas nilai danterakhir hasilnya dirangking secara ascending. Hal yang pertama dilakukan penguna adalah memasukkan nilai atau informasimengenai penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, dan kumite.
Setelah semua kriteria telah diberikan, maka sistem akan melkukan perhitungan Simple Additive Weight dan Naïve Bayes kemudian hasilny akan ditampilkanpada aplikasi.
3.2 Pemodelan Sistem 3.2.1 Use Case Diagram
Diagram use case ialah deskripsi layanan yagn terdapat dalam sistem yng dirancang kepada pengguna sebagai serangkaian tindakanyang menyediakan aksi. Untuk gambar use case diagaram terdapat pada Gambar 3.3.
Gambar 3.3. Use Case Diagram Pada Sistem
Pada gambar 3.3 menjelaskanbahwa pengguna akan memiliki 3 menu case yaitu menyimpan data peserta untuk menjadi acuan penilaian peserta yang akan digunakan untuk menghitung kelayakan menggunakan algoritma Naïve Bayes.
Kemudian menu untuk memasukkan kriteria atau nilai dari setiap indicator penilaian. Yang terakhir adalah menu untuk melakukan perangkingan menggunakan Simple Additive Weight yang kemudian mengurutkan dan memberikan hasil akhir berupa urutan secara ascending calon peserta yang layak untuk naik sabuk karate.
3.2.2 Activity Diagram
Activity Diagram dalampenelitian ini memberikan deskripsi langkah demi langkah dari aktivitas interaksi yang saling terkait antara pengguna dan sistem. Diagram kerja ini juga mencakup urutan pengunaan sistem dari awal hingga akhir. Untuk penjabaran mengenai Activity Diagram dapat dilihat pada gambar 3.4.
Gambar 3.4. Activity Diagram Pada Sistem
20
3.2.3 Sequence Diagram
Sequence Diagram ialah Pengembangan berupa diagramberupa hubungan antar komponen sistemdalam satuan waktu. Sequencediagram menggambarkan interaksi antarkomponen sistem untuk memberikan umpan balik. Gambar 3.5. berikut ini akan menjelaskan diagram sequence sistem pada penelitian ini.
Gambar 3.5. Sequence Diagram Pada Sistem
3.2.4 Flowchart
Flowchart adalah adalah Gambar dengan simboltertentu pada diagram yang merinci urutan prosesdan hubungan di antara mereka. Diagram blok biasanya digunakanterutama untuk tujuan komunikasi dandokumentasi.Berikut penjelasan Flowchart yang dapat dilihatpada gambar 3.6.
Gambar 3.6. Flowchart Sistem 3.3 Perancangan Antarmuka (Interface)
Perancangan Interface idalah rancangan halaman suatu sistem yang memungkinkan penguna berinteraksi degan mudah untuk menjalakan fungsi-fungsi sistem.
3.3.1. Rancangan Halaman Utama
Halaman Utama adalah tampilan yang berisikan keterangan mengenai sistem yaitu menu-menu yang tersedia, judul dari penelitian, logo instansi, dan biodata peneliti seperti nama, NIM, program studi dan tahun penelitian. Untuk melihat perancangan halaman utama, dapatdilihat pada gambar3.7.
22
Gambar 3.7. Rancangan Halaman Utama Keterangan :
1. Menu Bar
Digunakan untuk menampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.
2. Label Judul
Digunakan untuk menampilkan judul dari penelitian.
3. Picturebox Logo USU
Digunakan untuk menampilkan gambar berupa logo instansi.
4. Label Biodata Penulis
Digunakan untuk menampilkan biodata penulis yaitu, nama, NIM, instansi perguruan tinggi dan tahun penelitian ini dilaksanakan.
3.3.2. Rancangan Halaman Data Peserta Ujian
Halaman Data Peserta Ujian adalah tampilan pada sistem yang digunakan untuk menampilkan fitur-fitur mengenai data peserta ujian. Pada halaman ini umumnya digunakan untuk melihat data peserta yang tersedia, memasukkan data baru peserta, memasukkan beberapa kriteria atau nilai dari setiap kriteria kelulusan peserta kedalam sistem. Kriteria peserta yang dimasukkan kedalam sistem yaitu Nama peserta, kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite. Tampilan dari halaman Data peserta ujian dapat dilihatpada gambar3.8.
Gambar 3.8. Rancangan Data Peserta Keterangan :
1. Menu Bar
Digunakan untukmenampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.
2. Tabel Data Peserta
Digunakan untuk menampilkan data nilai peserta yang pernah mengikuti ujian kenaikan sabuk kedalam sistem.
3. Groupbox Input Peserta
Digunakan untuk mengelompokkan kriteria-kriteria untuk dimasukkan kedalam sistem seperti kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite.
4. Button Input Peserta
Digunakan untuk melakukan aksi yaitu menyimpan data peserta kedalam database sistem.
5. Button Reset
Digunakan untuk melakukan aksi yaitu membersihkan semua nilai dari jendela nilai yang dimasukkan.
6. Groupbox Jumlah Peserta
24
Digunakan untuk mengelompokkan jumlah peserta yang mengikuti ujian, peserta yang lulus, dan peserta yang tidak lulus.
3.3.3. Rancangan Halaman Perangkingan Peserta
Halaman perangkingan peserta adalah tampilan sistem yang menunjukan fitur-fitur untuk mengurutkan nama-nama peserta berdasarkan bobot yang diberikan untuk dihitung perangkingannya. Untuk tampilan halaman perangkingan peserta dapat dilihat pada gambar 3.9.
Gambar 3.9. Rancangan Halaman Perangkingan Peserta Keterangan :
1. Menu Bar
Digunakan untukmenampilkan tampilan menu pada sistem yaitu Home, Data Peserta, dan Perangkingan Peserta.
2. Tabel Data Peserta
Digunakan untuk menampilkan data nilai peserta yang lulus mengikuti ujian kenaikan sabuk.
3. Groupbox Bobot
Digunakan untuk mengelompokkan elemen-elemen untuk parameter apa saja yang digunakan dalam menjadi bobot perangkingan pada peserta.
4. Button Rangking Peserta
Digunakan untuk melakukan perangkingan terhadap nilai masukan dan nama-nama peserta yang dinyatakan layak.
5. Button Reset
Digunakan untuk membersihkan atau mengulang semua masukkan menjadi kosong atau bernilai default.
6. Textbox total peserta lulus
Digunakan untuk menampilkan jumlah peserta yang lulus.
7. Tabel Rangking Peserta
Digunakan untuk menampilkan nama peserta yang lulus mengikuti ujian kenaikan sabuk terurut berdasarkan rangking.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada bab Implementasi dan Pengujian akan dideskripsikan mengenai proses penerapan algoritma Naïve Bayes dan Simple Additive Weight pada sistem sesuai perancangan sistem berdasarkan pemaparan dan analisis pada bab sebelumnya dan kemudian melakukan pengujian pada sistem yang dibangun.
4.1 Implementasi Perancangan Antarmuka
Pada penerapan perancangan antarmuka digunakan Bahasa program C# dan software IDE Sharpdevelop 4.4. Adapun penerapan dari perancangan antarmuka yang telah dipaparkan dan dianalisis pada sistem adalah sebagaiberikut:
4.1.1 Halaman Utama
Haalaman utama adalah halaman pertama yang munculsaat user menjalankan sistem, dan berisi menu data mata kuliah dan menu ranking peserta seperti terlihat pada gambar 4.1.
Gambar 4.1. Halaman Utama
4.1.2 Halaman Data Peserta
Halaman data peserta adalah halamanyang berisikan informasi tentang nilai-nilai dari setiap kriteria peserta mengenai kemampuan karate nya. Informasi peserta terdiri dari 5 kemampuan yaitu kemampuan penghafalan ‘kata’, kihon dasar memukul, kihon dasar tendangan, kihon dasar menangkis, kumite. Pada halaman ini juga terdapat textbox untuk menampung masukkan nama peserta dan nilai kemampuan peserta untuk kemudian disimpan ke dalam database sistem. Pengguna dapat memasukkan nama dan nilai kemampuan peserta dan selanjutnya menekan tombol “Input Data” untuk melakukan penyimpanan data kedalam database. Untuk melihat halaman data peserta dapat dilihatpada gambar4.2.
Gambar 4.2. Halaman Data Peserta
4.1.3 Halaman Perangkingan Peserta
Hallaman perangkingan peserta adalah halaman yang menampilkan nama peserta yang lulus dengan nilai-nilai standar yang telah dicapai untuk kemudian mendapatkan rangking tertinggi agar mendapatkan keberhasilan dalam kenaikan sabuk karate. Dari kelayakan peserta pengguna atau panitia hanya memasukkan nilai standar dan kemudian menekan tombol “Rangking Peserta” agar sistem dapat menghitung nilai dan mendapatkan hasil perangkingan peserta. Untuk tampilan perangkingan peserta dapatdilihat pada gambar4.3.
28
Gambar 4.3. Halaman Perangkingan Peserta
4.2 Pengujian Sistem
Sistem yang dibangun menggunakan algoritma Naïve Bayes dan Simple Additive Weight untuk menentukan kelayakan peserta pada ujian kenaikan sabuk karate.
4.2.1 Implementasi Naïve Bayes pada Penilaian Kelulusan Peserta
Implementasi Naïve Bayes dalam sistem yang dibangun pada proses menentukan kelulusan kenaikan sabut karater dengan menghitung nilai ujian dan bobot probabilistic yang terdapat pada database.
Nilai Naïve Bayes dari setiap alternatif didapatkan dari nilai-nilai yang dihitung dengan probabilistika yaitu normalisasi nilai setiap alternatif dengan membagi nilai alternatif dengan semua nilai alternatif kemudian membandingkan nilai tersebut dengan nilai setiap klasifikasi yaitu lulus atau tidak lulus. Untuk perhitungan yang membutuhkan probabilistic nilai membutuhkan data yang besar dan bervariasi agar mendapatkan hasil yang lebih baik.
Dari perhitungan menentukan kelayakan atau kelulusan peserta telah diterapkan kedalam sistem yang dapat digunakan oleh juri dan pelatih dengan memasukan nilai setiap peserta ke dalam sistem. Berikut adalahtampilan input data yang dapatdilihat pada gambar4.4.
Gambar 4.4. Halaman Input Nilai Peserta Baru
Dari gambar 4.4 terdapat beberapa textbox untuk menampung nama dan nilai- nilai ujian. Dari textbox tersebut, juri dapat memasukkan nilai peserta ujian kenaikan sabut karate. Setelah memasukan nilai ujian, selanjutnya juri dapat menekan tombol “Hasil dan Input Data” untuk melakukan proses perhitungan Naïve Bayes dan nilai tersebut akan dimasukkan kedalam sistem. Proses yang sudah dilakukan akan menghasilkan penambahan peserta dengan keterangan lulus maupun tidak lulus pada sistem yang dapat dilihat pada gambar 4.5.
Gambar 4.5. Hasil Kelulusan Peserta Baru
30
4.2.2 Implementasi Simple Additive Weight pada Perangkingan Peserta
Implementasi Simple Additive Weight dalam sistem yang dibangun pada proses pengurutan atau perangkingan dari nilai yangterbesar sampainilai yangterkecil dari data peserta yang sudah dinyatakan lulus yang terdapat pada database.
Nilai Simple Additive Weight dari setiap alternatif didapatkan dari nilai-nilai peserta yang dinyatakan lulus pada sistem kelulusan dengan Naïve Bayes. Untuk menghitung Simple Additive Weight, Anda perlu menentukan prioritas atau kepentingan setiap kriteria. Kemudian buat matriks keputusan berdasarkan tabel penilaian profisiensi untuk setiap pilihan setiap kriteria. Kemudian menormalkan matriks keputusan dengan menghitung nilai evaluasi kinerja yang dinormalisasi untuk kriteria alternatif. Dari perhitungan menentukan rangking tertinggi peserta telah diterapkan kedalam sistem yang dapat digunakan oleh juri dan pelatih dengan memasukan nilai setiap peserta ke dalam sistem. Berikut adalahtampilan input data yang dapatdilihat pada gambar 4.6.
Gambar 4.6. Halaman Input Nilai Bobot Preferensi
Dari gambar 4.6 terdapat beberapa textbox untuk menampung nilai-nilai bobot. Dari textbox tersebut, juri dapat memasukkan nilai bobot untuk setiap kriteria peserta ujian kenaikan sabut karate. Setelah memasukan nilai bobot, selanjutnya juri dapat menekan tombol “Rangking Peserta” untuk melakukan proses perhitungan Simple Additive Weight dan nilai tersebut akan diurutkan didalam
sistem. Proses yang sudah dilakukan akan menghasilkan nama dengan urutan rangking pertama sampai terakhir pada sistem yang dapatdilihat padagambar 4.7.
Gambar 4.7. Hasil Perangkingan Peserta
4.2.3 Hasil Evaluasi Sistem
Implementasi dari algoritma Naïve Bayes dan Simple Additive Weight diuji menggunakan beberapa variasi data peserta untuk mendapatkan nilai pengaruh banyak data dengan waktu proses yang dihasilkan. Untuk itu setiap nilai peserta akan diuji dengan banyaknya data yang digunakan dalam penguji performansi algoritma Naïve Bayes yaitu sebesar 20, 50, 100, 200 data peserta dan pengujian performansi algoritma Simple Additive Weight dengan menggunakan data sebanyak 10, 25, 50, 100 data peserta yang telah lulus.
Tabel 4.1. Pengujian Algoritma Naïve Bayes
Pengujian Naïve Bayes
Banyak Data
20 50 100 200
Running Time 2112,0218 2158,1703 2182,0619 2214,7712
Tabel 4.2. Pengujian Algoritma Simple Additive Weight
Pengujian Simple Additive Weight
Banyak Data
10 25 50 100
Running Time 1,4991 3,6647 6,6232 12,1418
32
Dari tabel4.1. dan4.2 dapat digambarkan menjadi bentuk grafikyang dapatdilihat pada gambar4.8 yang menjelaskan running time algoritma Naïve Bayes dan 4.9 yang menjelaskan running time algoritma Simple Additive Weight.
Gambar 4.8. Running Time Algoritma Naive Bayes
Dari grafik diatas dapat dilihat waktu yang meningkat seiring dengan bertambah banyak data peserta pada database yang dihitung oleh Naïve Bayes.
Gambar 4.9. Running Time Algoritma Simple Additive Weight
Dari grafikdiatas dapat dilihatbahwa waktu yang meningkat seiring dengan banyaknya data peserta yang lulus pada database yang digunakan untuk menghitung nilai v dan dirangking dengan menggunakan algoritma Simple Additive Weight.
20 50 100 200
Running time 2112.0218 2158.1703 2182.0619 2214.7712 2112.0218
2158.1703
2182.0619
2214.7712
2060 2080 2100 2120 2140 2160 2180 2200 2220 2240
Running Time Algoritma Naive Bayes
10 25 50 100
Running time 1.4991 3.6647 6.6232 12.1418
1.4991
3.6647
6.6232
12.1418
0 2 4 6 8 10 12 14
Running Time Algoritma Simple Additive Weight
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Perhitungan pada Naïve Bayes dalam menentukan kelulusan peserta ujian kenaikan sabuk karate dipengaruhi oleh nilai peserta yang telah tersimpan terlebih dahulu pada database. Nilai Naïve Bayes ditentukan melalui probabilistik dengan normalisasi nilai dari setiap alternatif. Kelulusan peserta menjadi lebih ketat dan baik apabila data yang tersedia semakin banyak dan bervariasi akan tetapi kecepatan waktu proses meningkat dengan data 20 peserta memiliki waktu 2112,0218 ms, data 50 peserta memiliki waktu 2158,1703 ms, data 100 peserta memiliki waktu 2182,0619 ms, dan data 200 peserta memiliki waktu 2214,7712 ms.
Selain itu perhitungan Simple Additive Weight juga dapat berhasil melakukan perangkingan pada peserta yang lulus. Namun waktu proses Simple Additive Weight mengalami peningkatan seiring bertambah banyaknya data peserta yang lulus yaitu dengan data 10 peserta memiliki waktu 1,4991 ms, data 25 peserta memiliki waktu 3,6647 ms, data 50 peserta memiliki waktu 6,6232 ms, dan data 100 peserta memiliki waktu 12,1418 ms
5.2 Saran
Saran-saran yang diberikan untuk penelitian berikutnya adalah :
1. Diperlukan riset terlebih dahulu untuk menentukan bobot yang baik untuk digunakan dalam perangkingan menggunakan Simple Additive Weight.
2. Penelitian selanjutnya dapat mengembangkan sistem dengan platform android agar mempermudah juri dalam menilai kemampuan peserta ujian kenaikan sabuk dengan mangkus dan fleksibel.
3. Melibatkan lebih banyak data agar kinerja sistem dapat menghasilkan kinerja yang lebih baik dan akurat.
DAFTAR PUSTAKA
Afeni, Babajide O. dkk. 2017. Hypertension Prediction System Using Naive Bayes Classifier. Department of Computer Science, Joseph Ayo Babalola University, Ikeji - Arakeji, Nigeria.
Anastasia Lubis, Sintha. 2014. Analisis perbandingan metode Simple Additive Weighting (SAW) dan metode Weighted Product (WP) untuk menentukan bonus karyawan (Studi Kasus : PT. Graha Travel & Tour Medan). Skripsi.
Universitas Sumatera Utara
Aulia Adha, Tengku. Sistem Penilaian Kelayakan Proposal Bantuan Dana dengan menggunakan Metode Naïve Bayes Classifier dan TOPSIS. Skripsi.
Universitas Sumatera Utara.
Bagus Syaifullah Azis, I. 2018. Pengembangan Buku Panduan Teknik Dasar (Kihon, Kata, Kumite) Untuk Perguruan Karate Gokasi. Skripsi. Universitas Negeri Yogyakarta.
Gustriansyah, R., Sensuse, D. I. & Ramadhan, A. 2015. Decision Support System for Inventory Management in Pharmacy Using Fuzzy Analytic Hierarchy Process and Sequential Pattern Analysis Approach. In Proceeding of the 3rd International Conference on New Media Studies (CONMEDIA 2015) (hlm.
1823). Tangerang.
Holzinger, A. 2011. Biomedical Decision Making: Reasoning and Decision Support. Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan, 1st ed. Yogyakarta : Andi.
Holzinger, A. 2011. Biomedical Decision Making: Reasoning and Decision Support.
Kusrini. 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan, 1st ed. Yogyakarta:
Andi.
Medhekar, Dhanashree S., dkk. 2013. Heart Disease Prediction System using Naive Bayes. ER PUBLICATIONS, VOL 2 ISSUE 3.
Preety, Sunny Dahiya. 2015. Sentiment Analysis Using SVM And Naïve Bayes Algorithm. Department of Computer science, International Institute of Technology and Business, Jhundpur, Sonipat, Haryana, 131023, India
Pristian R., M. 2016. Implementasi Metode Simple Additive Weighting dan Weighted Product Model dalam Pemilihan Lembaga Bimbingan Belajar di Kota Medan. Skripsi. Universitas Sumatera Utara.
Rifai, Ahmad. 2015. Implementasi Metode Naive Bayes dalam Menentukan Posisi Ideal Pemain dalam Sepak Bola Berbasis Android (Studi Kasus : Talenta Soccer Rantauprapat). Skripsi. Universitas Sumatera Utara.
Tariq, A. and Rafi, K. 2012. Intelligent Decision Support System – A Framework.
Information and Knowledge Management. Inf. Knowl. Manag., 2(6).
Tri Utami, Puspita. 2015. Implementasi perbandingan algoritma Analytic Hierarchy Process (AHP) dengan algoritma Simple Additive Weighting (SAW) dalam Pemilihan Website Hosting. Skripsi. Universitas Sumatera Utara.
Turban, E., Sharda, R.E., & Delan, D. 2005. Decision Support and Business Intelligent Systems, 7th ed. Prentice Hall.
A-1
LISTING PROGRAM
1. MainForm.cs
using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
namespace KenaikanKarate {
public partial class MainForm : Form {
public MainForm() {
InitializeComponent();
}
void InputNilaiHasilBayesToolStripMenuItemClick(object sender, EventArgs e)
{
Nilaihasil fpindah = new Nilaihasil();
this.Hide();
fpindah.Show();
}
void
PerangkinganKelulusanSAWToolStripMenuItemClick(object sender, EventArgs e)
{
Perangkingan fpindah = new Perangkingan();
this.Hide();
fpindah.Show();
} }
}
2. NilaiHasil.cs
using System;
using System.ComponentModel;
using System.Data;
using System.Data.SQLite;
using System.Diagnostics;
using System.Drawing;
using System.Windows.Forms;
namespace KenaikanKarate {
public partial class Nilaihasil : Form {
Stopwatch watch = new Stopwatch();
SQLiteConnection sql = new SQLiteConnection("Data Source=pesertakarate.db;Version=3;");
public Nilaihasil() {
InitializeComponent();
}
void HomeToolStripMenuItemClick(object sender, EventArgs e)
{
MainForm fpindah = new MainForm();
this.Hide();
fpindah.Show();
}
void
PerangkinganKelulusanSAWToolStripMenuItemClick(object sender, EventArgs e)
{
Perangkingan fpindah = new Perangkingan();
this.Hide();
fpindah.Show();
}
void refresh() {
sql.Open();
DataTable dt = new DataTable();
SQLiteDataAdapter da = new SQLiteDataAdapter("SELECT * FROM peserta", sql);
da.Fill(dt);
dataGridView1.Columns.Clear();
dataGridView1.DataSource = dt.DefaultView;
dataGridView1.Columns[0].HeaderText = "Nama Peserta";
dataGridView1.Columns[1].HeaderText = "'Kata'";
dataGridView1.Columns[1].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.Columns[2].HeaderText = "Kihon\nMemukul";
dataGridView1.Columns[2].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.Columns[3].HeaderText = "Kihon\nTendangan";
dataGridView1.Columns[3].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.Columns[4].HeaderText = "Kihon\nMenangkis";
dataGridView1.Columns[4].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.Columns[5].HeaderText = "Kumite";
dataGridView1.Columns[5].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.Columns[6].HeaderText = "Keterangan";
dataGridView1.Columns[6].DefaultCellStyle.Alignment = DataGridViewContentAlignment.MiddleCenter;
dataGridView1.DefaultCellStyle.Font = new Font("Microsoft Sans Serif", 8);
DataGridViewButtonColumn hapus = new DataGridViewButtonColumn();
hapus.HeaderText = "Hapus";
hapus.Text = "Delete";
hapus.UseColumnTextForButtonValue = true;
dataGridView1.Columns.Add(hapus);
SQLiteCommand del = new SQLiteCommand("select COUNT(*) from peserta where keterangan = 'Lulus'", sql);
SQLiteDataReader sqlReader = del.ExecuteReader();
try {
A-3
while (sqlReader.Read()) {
textBox1.Text = sqlReader[0].ToString();
} }
catch (Exception ex) {
}
SQLiteCommand del2 = new SQLiteCommand("select COUNT(*) from peserta where keterangan = 'Tidak Lulus'", sql);
SQLiteDataReader sqlReader2 = del2.ExecuteReader();
try {
while (sqlReader2.Read()) {
textBox3.Text = sqlReader2[0].ToString();
} }
catch (Exception ex) {
}
SQLiteCommand del3 = new SQLiteCommand("select COUNT(*) from peserta ", sql);
SQLiteDataReader sqlReader3 = del3.ExecuteReader();
try {
while (sqlReader3.Read()) {
textBox2.Text = sqlReader3[0].ToString();
} }
catch (Exception ex) {
}
sql.Close();
dataGridView1.Sort(dataGridView1.Columns[0], ListSortDirection.Ascending);
}
void NilaihasilLoad(object sender, EventArgs e) {
refresh();
}
void DataGridView1CellContentClick(object sender, DataGridViewCellEventArgs e)
{
sql.Open();
int col = e.ColumnIndex, row = e.RowIndex;
if (col.Equals(7)) {
SQLiteCommand cmd = new SQLiteCommand("delete from peserta where nama ='"+dataGridView1[0, row].Value.ToString()+"'", sql);
cmd.ExecuteNonQuery();
MessageBox.Show("Data Peserta Dihapus");
}
sql.Close();
refresh();
}
