Implementasi Algoritma Genetika pada Sistem Rekomendasi Spesifikasi Komputer

Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis dan melisensikan ciptaan turunan dengan syarat yang serupa dengan ciptaan asli. Copyright and reuse: This license lets you remix, tweak, and build upon work non-commercially, as long as you credit the origin creator and license it on your new creations under the identical terms.. Team project ©2017 Dony Pratidana S. Hum | Bima Agus Setyawan S. IIP.

BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM. 4.1 Spesifikasi Sistem Spesifikasi sistem komputer terdiri dari perangkat keras dan perangkat lunak yang digunakan untuk menjalankan, mengembangkan dan menguji website Sistem Rekomendasi Spesifikasi Komputer Berdasarkan Anggaran menggunakan Algoritma Genetika ini adalah sebagai berikut. 4.1.1 Spesifikasi Hardware Spesifikasi perangkat keras yang digunakan : 1. Processor Intel i5 2Core, @2.3 GHz 2. RAM 8 GB 3. SSD 256 GB 4.1.2 Spesifikasi Software Spesifikasi perangkat lunak yang digunakan : 4. Visual Studio Code 1.31.1 5. Google Chrome 72.0.3626.109 (Stable Build) (64-bit) 6. MacOS Mojave 10.14.3 7. PHP 7.1, Laravel 5.7.9 8. MySQL 5.7 9. Web Hosting. 38 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

4.2 Implementasi Sistem dibangun pada platform website dengan menggunakan bahasa pemrograman PHP 7.1 disertai dengan database MySQL 5.7 yang digunakan sebagai media penyimpanan data, dan menggunakan Laravel 5.7.9 sebagai Framework PHP, yang dihosting pada https://skripsi.indonesiangamersonly.com. 4.2.1 Implementasi Tampilan Aplikasi. Gambar 4.1 Halaman Utama Tampilan diatas merupakan Halaman Utama dari website sistem rekomendasi, salah satunya adalah menu Login untuk diarahkan kepada halaman Login dan melakukan proses Login, dapat dilihat pada Gambar 4.2.. 39 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.2 Halaman Login Pada halaman ini user harus menginput data yang valid, jika data yang dimasukan oleh user tidak valid, maka error message akan muncul pada input box yang di-highlight merah, seperti pada Gambar 4.3.. Gambar 4.3 Error Message Pada Halaman Login. 40 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

User dapat melakukan register terlebih dahulu dengan menekan tulisan Sign Up Here berwarna biru, lalu user akan diarahkan ke halaman register, seperti pada Gambar 4.4. Gambar 4.4 Halaman Register Setelah berada di halaman register, user dapat melakukan proses registrasi dengan memasukan nama, email, password dan konfirmasi password, jika data valid maka user akan diarahkan pada halaman utama dengan status login, dan menu login akan berubah sesuai menjadi nama yang telah dimasukan sewaktu proses register sebelumnya, seperti pada Gambar 4.5.. 41 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.5 Halaman Utama Setelah Login atau Register Pada halaman utama, user dapat memilih menu logout atau result pada menu navigasi nama user atau seperti pada Gambar 4.5 menjadi Thomas Dwiatmoko, user dapat melihat komponen yang tersedia, dengan menekan tombol Component lalu akan muncul Dropdown seperti yang ada pada Gambar 4.6.. Gambar 4.6 Halam Utama Dengan Dropdown Pada Menu Component. 42 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

User dapat melihat seluruh daftar komponen tertentu, misalnya komponen Processor seperti yang ada pada Gambar 4.7.. Gambar 4.7 Halaman Komponen Processor Jika tombol Recommendation pada menu navigasi ditekan, maka user akan ditampilkan halaman recommendation, halaman tersebut dapat dilihat pada Gambar 4.8.. Gambar 4.8 Halaman Recommendation 43 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

User dapat memilih komponen apa saja yang diinginkan, paling tidak satu komponen harus dipilih untuk mencari rekomendasi, komponen yang dipilih digunakan untuk melanjutkan ketahap selanjutnya. Ketika user telah memilih komponen yang diinginkan, maka user dapat menekan tombol Confirm Component dan user akan ditampilkan halaman filtering, dapat dilihat pada Gambar 4.9.. Gambar 4.9 Halaman Filter Component Komponen yang ditampilkan pada halaman Filter Component akan menampilkan seluruh komponen yang dipilih oleh user pada halaman sebelumnya. Tombol Proceed To The Next Step pada halaman tersebut digunakan untuk menuju ke tahap selanjutnya. Gambar 4.10 menunjukan halaman Input Budget atau anggaran, budget minimal adalah 500 ribu Rupiah, jika user memasukan anggaran dibawah dari 500. 44 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

ribu Rupiah, maka akan muncul peringatan bahwa batas bawah anggaran adalah 500 ribu Rupiah.. Gambar 4.10 Halaman Input Budget Halaman Result (Gambar 4.11) akan ditampilkan setelah user menakan tombol Get Recommendation dan Algoritma Genetika selesai mengolah data yang dilakukan pada webserver.. Gambar 4.11 Halaman Result 45 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

User dapat memilih socket yang diinginkan dengan menekan panah kebawah yang berada disebelah kiri tombol Change Socket, pilih socket yang diinginkan dan tekan tombol Change Socket, Algoritma Genetika akan mengolah data-data kembali menyesuaikan socket yang dipilih oleh user, waktu eksekusi ditampilkan pada halaman result, tepat diatas opsi socket. User dapat menyimpan hasil rekomendasinya dengan menekan tombol Save Solution jika user sudah login sebelumnya. Gambar 4.12 menampilkan Halaman My Recommendation yang berisi seluruh dari hasil rekomendasi yang sudah pernah dilakukan sebelumnya setelah user menekan tombol Save Solution. User dapat mengakses halaman ini dengan cara menekan tombol nama pada menu navigasi dan pilih result.. Gambar 4.12 Halaman My Recommendation. 46 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

4.2.2 Implementasi Algoritma Genetika. Gambar 4.13 Potongan Kode Class Chromosome Gambar 4.13 adalah potongan kode dari class chromosome. Terdapat variable genes yan3g berupa array, yang isinya adalah susunan dari komponen komputer yang dipilih. Variable fitness adalah variable pengukur besar atau kecilnya nilai fitness suatu Chromosome, memory_type adalah variable penampung tipe memori pada motherboard, max_ram adalah variable penampung kapasitas. 47 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

maksimum memori pada motherboard, dan ram adalah variable penampung kapasitas besarnya memori (RAM), motherboardGeneIdx dan memoryGeneIdx adalah variable penampung index. GenerateChromosome adalah fungsi untuk mengisi gen-gen yang masih kosong dengan komponen dan sebanyak komponen yang digunakan. Komponen-komponen yang sudah ditentukan akan disimpan pada session user, getRandomComponen adalah fungsi statik yang dimiliki oleh class Component, membutuhkan parameter kode komponen yang berguna untuk mengisi Chromosome dengan komponen secara acak sesuai dengan kode komponennya. Potongan kode class Component dapat dilihat pada Gambar 4.14. Gambar 4.14 Potong Kode Class Component Fungsi RetrieveComponent akan dipanggil terlebih dahulu sebelum Algoritma Genetika menampilkan solusi rekomendasi, untuk mengambil data produk yang dipilih oleh user sesuai dengan socket yang dipilih 48 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.15 Potongan Kode Recommendation Controller Seperti yang terlihat pada gambar 4.15, fungsi Retrieve Component akan dipanggil oleh fungusi getRecommendation pada class Recommendation Controller. Jika fungsi Retrieve Component mengembalikan nilai false maka user akan dtampilkan halaman product not available, hal tersebut dapat terjadi apabila produk tidak ditemukan pada kriteria yang ditentukan. FitnessCalculator adalah class yang melakukan perhitungan nilai fitness pada setiap Chromosome yang ada.. 49 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.16 Potongan Kode Class FitnessCalculator Gambar. 4.16. merupakan. class. FitnessCalculator,. fungsi. CalcuateChromosomeFitness akan menghitung nilai fitness pada chromosome. Fungsi initSolution digunakan untuk menetapkan anggaran pada pencarian.. 50 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.17 Potongan Kode Class Population Gambar 4.17 menunjukan class Population, variable Chromosome adalah array yang ukurannya ditentukan oleh parameter yang dimiliki oleh constructor class yang ditentukan oleh fungsi GetBestChromosome. 51 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.18 Potongan Kode Fungsi Evolve pada Class AlgorithmLogic Setelah populasi yang mempunyai nilai fitness paling tinggi telah ditetapkan, fungsi Evolve (Gambar 4.18) akan jalankan agar solusi yang didapatkan akan semakin optimal, dengan cara mengambil nilai fitness yang paling tinggi pada populasi sampai populasi tersebut mendekati atau sama dengan nilai fitness maksimal. Variabel population adalah objek populasi yang mengambil setengah dari array chromosome sebenarnya dan memiliki fitness paling baik, yaitu dari 40 chromosome menjadi 20 chromosome paling baik. Variable firstParent dan secondParent akan mengambil acak dari 20 chromosome untuk dipakai pada proses reproduksi oleh fungsi Reproduction yang dimana dilakukan dengan operator Single-Point Crossover. Gambar 4.19 merupakan potongan kode Reproduksi.. 52 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.19 Potongan Kode Fungsi Reproduksi Pada Class AlgorthmLogic Offspring merupakan hasil dari reproduksi, variable point merupakan variabel untuk menentukan titik potong, variable cutpoint akan mengecek apakah varabel point mempunyai ukuran sepanjang firstParent, jika iya maka nilai dari variable point akan dikurang oleh 1. Offspring yang telah dihasilkan oleh proses reproduksi akan dilakukan proses mutase pada gen-gen yang dimiliki oleh offspring tersebut. Gambar 4.20 adalah potongan kode dari fungsi mutasi.. 53 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.20 Potongan Kode Fungsi Mutasi Pada Class AlgorithmLogic. 4.3 Uji Coba Aplikasi Pengujian sistem dilakukan dengan menguji metode seleksi Natural Selection menguji operator One-Point Crossover dan menguji metode mutasi Uniform Mutation pada Algoritma Genetika. 4.3.1 Pengujian Metode Natural Selection Natural Selection adalah metode penyeleksian chromosome terbaik pada sebuah populasi, dengan cara mengambil chromosome sebanyak n, n adalah seberapa banyak chromosome yang ingin kita ambil pada populasi. Konfigurasi 54 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

yang digunakan untuk menguji metode ini adalah, dengan mengambil 20 chromosome dengan fitness terbaik pada populasi, anggaran dua belas juta rupiah dan dengan 8 pilihah komponen.. Gambar 4.21 Populasi Sebelum Seleksi. Gambar 4.22 Populasi Sebelum Seleksi Lanjutan. 55 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.21 dan Gambar 4.22 menampilkan 40 Chromosome yang akan dilakukan seleksi, akan diambil sebanyak 20 chromosome dengan fitness terbaik. Gambar 4.23 Populasi Sesudah Seleksi Gambar 4.23 menampilkan 20 populasi dengan fitness terbaik, yang selanjutnya akan dimasukan kedalam kumpulan populasi baru. 4.3.2 Pengujian Operator One-Point Crossover Pengujian operator One-Point Crossover yang digunakan pada proses reproduksi Algoritma Genetika dilakukan dengan konfigurasi anggaran sebesar sepuluh juta rupiah serta dengan 8 komponen, parent akan dipilih dari 20 chromosome dengan fitness terbaik yang telah diseleksi.. 56 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.24 First Parent dan Cutpoint Gambar 4.24 menampilkan titik potong yang akan diaplikasikan pada kedua parent, dan First Parent yang akan dipotong pada index ke 3, dan dibagi menjadi Head dan Tail, Head adalah index 0 sampai dengan 2, sedangkan Tail adalah index 3 sampai dengan 7. Second Parent (Gambar 4.25) juga akan dilakukan pemotong pada index yang sama, yaitu pada index ke 3. Sesudah kedua parent ditentukan, maka head First Parent dan tail Second Parent akan digabungkan.. 57 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.25 Second Parent. Gambar 4.26 Hasil Akhir One Point Crossover Gambar 4.26 menampilkan hasil akhir dari One-Point Crossover yang merupakan hasil gabungan dar First Parent Head dan Second Parent Tail. Proses akan dilakukan sebanyak dua puluh kali sampai populasi maksimal terpenuhi 4.3.3 Pengujian Metode Uniform Mutation Pengujian Uniform Mutation yang digunakan pada proses reproduksi Algoritma Genetika dilakukan dengan konfigurasi anggaran sebesar sepuluh juta rupiah serta dengan 8 komponen, Mutation Rate sebesar 0.5. 58 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.27 Chromosome Sebelum Mutasi Gambar 4.27 menampilkan nilai acak, Mutation Rate, gen-gen pada chromosome yang akan dilakukan mutasi dan total harga, pada gambar diatas menunjukan bahwa Mutation Rate lebih besar dari nilai acak yang ditentukan oleh sistem, oleh karna itu akan dilakukan proses mutasi. Gambar 4.28 Chromosome Sesudah Mutasi. 59 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.28 menampilkan chromosome sesudah proses mutasi, seluruh gen-gen dari chromosome berubah, dengan total harga awal 8.868.000 rupiah menjadi 20.422.000 rupiah. Gambar diatas menunjukan bahwa proses mutasi berhasil berjalan 4.3.4 User Acceptance Test Pengujian ini user diberikan kesempatan untuk melihat apakah sistem dapat memberikan hasil rekomendasi yang sesuai seperti yang diharapkan dan termasuk dengan anggaran yang ditetapkan. Dalam tes yang dilakukan, user diharuskan untuk memasukan komponen yang digunakan, minimum spesifikasi, dan anggaran yang telah ditetapkan. Setelah semua berhasil dimasukan, maka sistem akan menghasilkan rekomendasi, dan user akan diberikan pertanyaan, apakah rekomendasi yang diberikan oleh sistem membuat user puas atau tidak. Tabel Hasil UAT dapat dilihat pada Lampiran 1 4.4 Uji Kepuasan Pengguna Uji Kepuasan pengguna dilakukan dengan cara meminta user mencoba sistem rekomendasi pada https://skripsi.indonesiangamersonly.com dan meminta pengguna untuk memberikan respon mengenai sistem rekomendasi melaui kuisoner, metode kuisoner yang digunakan untuk mengukur tingakat kepuasan pengguna adalah End-User Computing Satisfaction (EUCS). Tabel 4.1 Daftar Pernyataan Survei Kepuasaan Pengguna Aspek EUCS Bentuk Kemudahan Isi Akurasi Waktu. Bentuk atau tampilan website Kemudahan dalam mengakses Website Isi dari website Akurasi rekomendasi Kecepatan dalam menghasilkan rekomendasi. 60 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Tabel 4.2 Hasil Survei Berdasarkan Aspek EUCS Aspek EUCS Bentuk Kemudahan Isi Akurasi Waktu. Jawaban SS 20 21 17 14 19. S 14 16 19 16 13. C 4 4 5 10 5. R 2 1 2 1 2. TS 3 1 0 1 1. STS 0 0 0 1 1. Seluruh jawaban yang telah diterima akan dihitung presentase skor pada tiap aspeknya. 1. Bentuk Aspek bentuk pada EUCS diukur dari “Bentuk atau tampilan website”. Tabel diatas menunjukan bahwa responded menjawab sangat setuju sebanyak 20, 14 menjawab setuju, 4 menjawab cukup, 2 menjawab ragu, 3 menjawab tidak setuju, dan tidak ada yang menjawab sangat tidak setuju, berikut perhitungan presentase skor untuk aspek bentuk. Presentase Skor = (20*6)+(15*5)+(4*4)+(2*3)+(3*2)+(0*1) *100% 6 * 43 = 86.43%. Gambar 4.29 Pie Chart Aspek Bentuk 61 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

2. Kemudahan Aspek kemudahan pada EUCS diukur dari “kemudahan dalam mengakses website”, berdasarkan tabel diatas 21 responded menjawab sangat setuju, 16 responded menjawab setuju, 4 responded menjawab cukup, 1 responded menjawab ragu, 1 responded menjawab tidak setuju, dan tidak ada yang menjawab sangat tidak setuju, berikut perhitungan presentase skor untuk aspek kemudahan. Presentase Skor = (21*6)+(17*5)+(4*4)+(1*3)+(1*2)+(0*1) *100% 6 * 43 = 89.92%. Gambar 4.30 Pie Chart Aspek Kemudahan 3. Isi Aspek isi pada EUCS diukur dari “Isi dari website”, berdasarkan tabel diatas 17 responded menjawab sangat setuju, 19 responded menjawab setuju, 5 responded menjawab cukup, 2 responded menjawab ragu, dan tidak ada yang menjawab tidak setuju dan sangat tidak setuju, berikut perhitungan presentase skor untuk aspek isi.. 62 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Presentase Skor = (17*6)+(20*5)+(5*4)+(2*3)+(0*2)+(0*1) *100% 6 * 43 = 88.37%. Gambar 4.31 Pie Chart Aspek Isi Akurasi 4. Akurasi Aspek akurasi pada EUCS diukur dari “Akurasi rekomendasi”, berdasarkan tabel diatas 14 responded menjawab sangat setuju, 16 responded menjawab setuju, 10 responded menjawab cukup, 2 responden menjawab ragu, 3 responden menjawab tidak setuju dan tidak ada yang menjawab sangat tidak setuju, berikut perhitungan presentase skor untuk aspek akurasi. Presentase Skor = (14*6)+(17*5)+(10*4)+(2*3)+(3*2)+(0*1) *100% 6 * 43 = 83.33%. 63 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.32 Pie Chart Aspek Akurasi. 5. Waktu Aspek waktu pada EUCS diukur dari “Kecepatan dalam menghasilkan rekomendasi”, berdasarkan tabel diatas 19 responded menjawab sangat setuju, 13 responded menjawab setuju, 10 responded menjawab cukup, 5 responden menjawab ragu, 1 responden menjawab tidak setuju dan 1 responded menjawab sangat tidak setuju, berikut perhitungan presentase skor untuk aspek waktu Presentase Skor = (19*6)+(14*5)+(10*4)+(5*3)+(1*2)+(1*1) *100% 6 * 43 = 82.55%. 64 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Gambar 4.33 Pie Chart Aspek Waktu Presentase kesuksesan sistem dapat diketahui setelah rata-rata presentasi dari seluruh aspek tersebut dihitung. Presentase tingkat kepuasan sistem = Total Presentase Aspek = 86.12 Banyak Aspek 4.5 Uji Validitas Soal dari kuisoner dibuat berdasarkan aspek End-User Computing Satisfaction(EUCS), Tabel 4.4 menampilkan hasil dari kuisoner yang diisi dari 44 responden Tabel 4.3 Hasil Kuisoner Responden. Soal 1. Soal 2. Soal 3. Soal 4. Soal 5. Responden 1. 4. 5. 4. 6. 6. Responden 2. 5. 6. 4. 3. 2. Responden 3. 6. 5. 5. 6. 6. Responden 4. 6. 6. 1. 4. 3. Responden 5. 6. 6. 6. 5. 5. Responden 6. 5. 5. 4. 1. 3. 65 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Tabel 4.4 Hasil Kuisoner (Lanjutan) Responden 7. 5. 5. 5. 6. 5. Responden 8. 5. 5. 5. 5. 5. Responden 9. 4. 5. 4. 5. 5. Responden 10. 6. 6. 5. 2. 4. Responden 11. 5. 6. 6. 6. 6. Responden 12. 3. 2. 2. 3. 2. Responden 13. 6. 6. 6. 6. 6. Responden 14. 5. 5. 4. 6. 5. Responden 15. 6. 6. 5. 3. 6. Responden 16. 4. 4. 4. 4. 4. Responden 17. 5. 5. 5. 5. 5. Responden 18. 6. 5. 6. 6. 6. Responden 19. 6. 5. 5. 5. 6. Responden 20. 5. 6. 6. 5. 6. Responden 21. 6. 6. 5. 5. 5. Responden 22. 5. 5. 5. 6. 6. Responden 23. 6. 6. 6. 5. 6. Responden 24. 6. 6. 6. 6. 6. Responden 25. 6. 6. 5. 5. 5. Responden 26. 6. 6. 6. 6. 6. Responden 27. 5. 5. 6. 6. 6. Responden 28. 5. 5. 5. 5. 6. Responden 29. 6. 6. 6. 5. 6. Responden 30. 5. 5. 5. 6. 6. Responden 31. 5. 4. 6. 6. 5. Responden 32. 6. 4. 5. 6. 6. Responden 33. 6. 6. 6. 5. 4. Responden 34. 4. 5. 5. 4. 5. Responden 35. 5. 4. 5. 6. 5. Responden 36. 5. 6. 5. 4. 6. Responden 37. 3. 3. 3. 3. 2. Responden 38. 5. 6. 4. 5. 5. Responden 39. 5. 6. 6. 4. 4 66. Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Tabel 4.5 Hasil Kuisoner (Lanjutan) Responden 40. 6. 6. 4. 6. 6. Responden 41. 4. 5. 4. 6. 5. Responden 42. 5. 6. 6. 6. 6. Responden 43. 5. 6. 4. 6. 5. Responden 44. 5. 5. 5. 5. 5. Tabel 4.6 Variabel Perhitungan Validitas Kuisoner Variable N ∑X ∑y ∑xy ∑(x^2) ∑(y^2) (∑x)^2 (∑y)^2. Soal 1 Soal 2 42 42 218 221 1066 1066 5628 5704 1160 1197 27710 27710 47524 48841 1136356 1136356. Soal 3 42 206 1066 5375 1062 27710 42436 1136356. Soal 4 42 208 1066 5424 1094 27710 43264 1136356. Soal 5 42 213 1066 5579 1139 27710 45369 1136356. N = Jumlah responden ∑X = Jumlah nilai dari soal x ∑y = Jumlah nilai dari semua soal ∑xy = Jumlah nilai dari (soal x * jumlah nilai dari responden n) ∑(x^2) = Jumlah nilai dari soal x pangkat 2 ∑(y^2) = Jumlah nilai dari responden n untuk semua soal pangkat 2 (∑x)^2 = Jumlah nilai dari soal x pangkat 2 (∑y)^2 = jumlah nilai dari semua soal pangkat 2 Setelah didapatkan data variabel, dilakukan perhitungan rxy untuk masingmasing butir soal.. 67 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

rxy Soal 1 = ((42 * 5628) – (218 * 1066) / sqrt((42*1160 - 47524) * (42 * 27710 – 1136356)) = 0,695837 rxy Soal 2 = ((42 * 5704) – (221 * 1066) / sqrt((42*1197 - 48841) * (42 * 27710 – 1136356)) = 0,634741 rxy Soal 3 = ((42 * 5375) – (206 * 1066) / sqrt((42*1062 - 42436) * (42 * 27710 – 1136356)) = 0,797528 rxy Soal 4 = ((42 * 5424) – (208 * 1066) / sqrt((42*1094 - 43264) * (42 * 27710 – 1136356)) = 0,708158 rxy Soal 5 = ((42 * 5579) – (213 * 1066) / sqrt((42*1139 - 45369) * (42 * 27710 – 1136356)) = 0,881646 Setelah mendapatkan hasil rxy dari masing-masing soal, rxy akan dibandingkan dengan nilai rtabel. Untuk responden berjumlah 44 dengan taraf signifikan 5% adalah 0.2455, karena nilai rxy tiap soal lebih besar dari nilai r tabel, maka dapat disimpulkan bahwa tiap soal dinyatakan valid. Tabel 4.7 Varian Tiap Butir Soal Soal 1 0,678005. Soal 2 0,812358. Soal 3 1,229025. Soal 4 1,521542. Soal 5 1,39966. 68 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.

Berdasarkan Tabel 4.7 didapat nilai jumlah varian skor tiap soal yaitu 5.6 dan akan dilakukan perhitungan realibilitias kuisoner sebagai berikut St. = (27710– (1066^2/44)) / 44. St. = 5,64059. Si. = Jumlah varians setiap butir soal.. Si. = 0.3905 + 0.2477 + 0.2040 + 0.3089 + 0.2018 + 0.3996. Si. = 15,56916. r11 (Reliabilitas). = (5/(5-1))*(1-(5,64059/15,56916)) = 0,797. Dengan nilai alpha 0.797 dapat dikatakan bahwa reliabilitas kuisoner adalah sedang atau moderat. 69 Implementasi algoritma genetika..., Thomas Dwiatmoko, FTI UMN, 2019.