JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
(JATISI)
Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan
Sistem Informasi (JATISI) merupakan media penyampaian hasil penelitian untuk semua
bidang yang ada pada rumpun teknik informatika dan sistem informasi, diharapkan hasil
penelitian yang ada pada jurnal ini dapat menjadi penghubung antara peneliti dan pihak yang
berkepentingan. ISSN 2407-4322, diterbitkan pertama kali pada tahun 2014
KETUA PENYUNTING
Muhammad Rizky Pribadi
DEWAN PENYUNTING
Gasim
Teguh Bharata Adji
Samsuryadi Sahmin
Achmad Nizar Hidayanto
Ermatita
STAF AHLI (MITRA BESTARI)
Bernard Renaldy Suteja
Aji prasetya wibawa
Hermawan Syahputra
Andi Wahju Rahardjo Emanuel
Bambang Sugiantoro
TATA USAHA
Yulistia
Mulyati
Usniawati Keristin
Nur Rachmat
Eva Rianti
PENANGGUNG JAWAB
Ketua STMIK Global Informatika MDP, Johannes Petrus, S.Kom., M.T.I
PENERBIT
Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika
MDP bekerjasama dengan IndoCEISS (Indonesian Computer, Electronics and
Instrumentation Support Society)
ALAMAT PENYUNTING & TATA USAHA
Gedung STMIK GI MDP, Jalan Rajawali No. 14 Palembang 30113
Telp. 0711-376400, Fax. 0711-376360,
Jatisi, Vol. 3 No. 2 Maret 2017
Title of manuscript is short and clear, implies research results (First Author)
DAFTAR ISI
Perancangan Sistem Informasi Kelulusan Berdasarkan Tahun Akademik di Yayasan SMP Makna Bakti
Achmad Irfan, Budi Arifitama 85-94
Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE
Fandy Ferdian Harryanto, Seng Hansun 95-103
Analisis Pengaruh Penggunaan Internet Terhadap Minat Belajar Mahasiswa (Studi Kasus:Perguruan Tinggi di Kota Palembang)
Desi Pibriana, Desy Iba Ricoida 104-115
Pengembangan Model Rantai Pasok Minyak Goreng Untuk Meningkatan Produktivitas Menggunakan Sistem Dinamik pada PT XYZ
Donaya Pasha, Erma Suryani 116-128
Analisis Performa AES Untuk Sekuriti Jaringan Scada Berbasis ATMega16
Eka Puji Widiyanto 129-136
Analisa dan Perancangan Sistem Informasi Administrasi Kepegawaian
Pada Dinas Kebudayaan dan Pariwisata Provinsi Kepulauan Bangka Belitung
Anisah, Nia Novianti 137-150
Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan
Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian
Dewi Sartika, Dana Indra Sensuse 151-161
Pengenalan Mobil pada Citra Digital Menggunakan HOG-SVM
Derry Alamsyah 162-168
Pengaruh Kualitas Sistem Informasi Cyber CampusTerhadap Kepuasan dan Loyalitas Mahasiswa STIKOM Surabaya
Puspita Kartikasari 169-182
Pengembangan Simulasi Sinyal Radar dan Proses Interleaving Sebagai Inputan pada Radar Detector
Norma Ningsih 183-195
Biodata Penulis 196
Indeks Penyunting/Mitra Bestari 198
Abstrak Volume 3 Nomor 1 200
Indeks Jurnal Volume 1 Nomor 1 204
Pedoman Penulisan Makalah JATISI 205
Jatisi, Vol. 3 No. 2 Maret 2017 85
Perancangan Sistem Informasi Kelulusan Berdasarkan
Tahun Akademik di Yayasan SMP Makna Bakti
Achmad Irfan*1, Budi Arifitama2
1,2
Program Studi Teknik Informatika Universitas Trilogi;Jl.TMP Kalibata No.1 Kampus Trilogi e-mail: *[email protected],[email protected]
Abstrak
Dalam perkembangan teknologi informasi pendataan kelulusan saat ini tidak terlalu diperhatikan oleh pihak sekolah maupun pemerintah terutama sekolah swasta yang berakreditasi cukup baik. Penggunaan data serta penyimpanan arsip yang digunakan saat ini masih bersifat manual di Yayasan SMP Makna Bakti yang artinya penyimpanan arsip informasi kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara langsung. Berdasarkan permasalahan tersebut, dibangunlah perancangan sistem akademik serta penyimpanan arsip menggunakan metode SDLC Waterfall (air terjun) untuk memperbaiki sistem yang masih bersifat manual menjadi lebih terstruktur. Dalam membangun perancangan sistem tersebut sangat bermanfaat untuk pihak sekolah maupun pemerintah sekali pun jika membutuhkan arsip data kelulusan siswa sewaktu-waktu dibutuhkan, menjaga kestabilan sistem yang sudah ada di Yayasan SMP Makna Bakti serta memberikan sebuah informasi kelulusan siswa dengan akurat dan efisien.
Kata kunci: Perancangan Sistem Informasi, Sistem Informasi Sekolah, Sekolah.
Abstract
The development of data collection graduation based on information technology are very less considered by the school and the government, especially accredited rivate schools. The use of data and archival storage in use today is still manual in SmpYayasan Bakti Which means archival storage academic graduation information still involves people as a means of delivering it directly. Based on these problems, this research will developan academic system design built archive storage using Waterfall SDLC (waterfall) to improve the system which still manual to be more structured. The building of the system design would benefit the school and the government for data archiving when needed, to maintain the stability of the existing system at Yayasan Bakti SMP as well as providing a graduation information accurately and efficiently. Keywords: Information System Design, School Information System, School.
1. PENDAHULUAN
erkembangan teknologi informasi sungguh memiliki kemajuan yang sangat pesat dalam dunia pendidikan. Dalam sebuah pendataan kelulusan tahun akademik saat ini tidak terlalu diperhatikan oleh pihak sekolah. Maka dari itu penerapannya sudah hampir menjadi dominan di semua kegiatan yang melibatkan teknologi informasi. Perancangan sistem adalah penentuan proses dan data yang diperlukan oleh sistem baru, jika sistem itu berbasis komputer, perancangan dapat dinyatakan spesifikasi peralatan yang digunakan [1]. Untuk saat ini penggunaan diterapkan untuk mendata dan menyimpan arsip kelulusan tahun akademik yayasan SMP Makna Bakti, dimana masih bersifat manual yang artinya penyediaan serta penyimpanan
86 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
arsip informasi kelulusan akademik masih melibatkan manusia sebagai alat penyampaian secara langsung. Pengembangan sistem idealnya dilaksanakan dalam suatu kerangka rancangan induk sistem yang mengkoordinasikan proyek pengembangan sistem kedalam rancangan strategis perusahaan [2].
Penelitian yang dilakukan disini adalah untuk merancang serta mengimplementasikan sistem perancangan data kelulusan berdasarkan tahun akademik di SMP Yayasan Makna Bakti oleh pihak tatausaha dengan menggunakan metodologi pengembangan SDLC Waterfall.
Metode SDLC Waterfall adalah suatu proses pengembangan perangkat lunak berurutan, dimana kemajuan dipandang sebagai terus mengalir kebawah seperti air terjun melewati fase-fase perencanaan, analisis, implementasi dan pengujian. Model waterfall adalah model klasik yang bersifat sistematis, berurutan dalam membangun perangkat lunak [3]. Tahapan utama dari waterfall model langsung mencerminkan aktifitas pengembangan dasar. Terdapat 5 tahapan pada waterfall model, yaitu requirement analysis and definition, system and software design, implementation and unit testing, integration and system testing, dan operation and maintenance [4]. Model SDLC Waterfall (air terjun) juga biasa sering disebut model sekuensial atau alur hidup klasik (classic life cycle). Adapun kegunaan utama dari SDLC adalah mengakomodasikan beberapa kebutuhan, biasanya berasal dari kebutuhan pengguna akhir dan juga pengadaan perbaikan sejumlah masalah yang terkait dengan pengembangan perangkat lunak tersebut. Adapun keunggulan model pendekatan pengembangan perangkat lunak dengan model waterfall adalah pencerminan kepraktisan rekayasa, yang membuat kualitas software tetap terjaga karena pengembangannya yang terstruktur dan terawasi.
Didalam perancangan sistem hanya memaparkan data informasi kelulusan akademik di Yayasan SMP Makna Bakti yang masih bersifat manual maka dari itu dikembangkan suatu perancangan sistem untuk memberikan sebuah informasi kelulusan dengan efisien dan akurat. Pada pengembangan perancangan sistem informasi sangat mempermudah pengelolaan kelulusan siswa sehingga semua data yang sudah ada mudah disimpan dengan terstruktur yang disajikan dalam bentuk informasi yang cukup akurat. Sehingga semua informasi ini akan sangat bermanfaat untuk guru, staf tatausaha, siswa, orang tua, hingga pemerintah sekalipun dengan meningkatkan kualitas pendidikan khususnya di Yayasan SMP Makna Bakti. Adapun perancangan secara keseluruhan dari sistem informasi menggunakan flowchart dan Data Flow Diagram (DFD). Pengertian Data Flow Diagram (DFD) adalah gambaran grafis yang memperlihatkan aliran data dari sumbernya dalam obyek kemudian melewati suatu proses yang mentransformasikan ketujuan yang lain, yang ada pada objek lain [5]. Diharapkan dengan adanya penelitian yang sudah dilakukan, proses pencarian dan pengolahan data kelulusan siswa berdasarkan tahun akademik di Yayasan SMP Makna Bakti, akan memberikan kemudahan bagi guru maupun staf tatausaha untuk mencari data kelulusan siswa yang sudah terlampau dapat diproses lebih efisien dan akurat.
Berdasarkan informasi diatas yang sudah di telaah maka penulis merumuskan judul perancangan sistem informasi kelulusan siswa berdasarkan tahun akademik di Yayasan SMP Makna Bakti.
2. METODE PENELITIAN
Sebagai upaya dalam penyelesaian permasalahan dari penelitian, metode yang akan digunakan untuk perancangan sistem informasi akademik di SMP Makna Bakti yaitu metode SDLC Waterfall dimana sebuah model yang melakukan pendekatan pada perkembangan perangkat lunak secara sistematik dan sekuensial terbagi-bagi menjadi beberapa fase/tahapan,
dimulai dari tahapan user requirement, yang berfungsi sebagai proses pengambilan data awal dari aplikasi, kemudian diteruskan dengan fase analisis design dimana dalam proses ini dilakukan permodelan analisis berdasarkan data yang dihasilkan pada tahapan user requirement, dimana pemodelan ditransformasikan pada beberapa model desain seperti yang pertama kedalam sebuah flowchart, kedua Desain Flow Diagram (DFD). Desain Flow Diagram (DFD) adalah model logika data atau proses yang dibuat untuk menggambarkan darimana asal data, kemana tujuan data yang akan keluar dari sistem, dimana data disimpan, proses yang akan dihasilkan oleh data tersebut dan interaksi antara data yang tersimpan hingga proses yang dikenakan data tersebut. Desain ketiga adalah Entity Relationship Diagram (ERD). Dalam rekayasa perangkat lunak sebuah ERD merupakan suatu abstrak dan konseptual representasi data, juga sebuah metode pemodelan basis data yang digunakan untuk menghasilkan skema konseptual dari sebuah sistem.
3. HASIL DAN PEMBAHASAN
Untuk lebih mendalam menjelaskan proses yang dijelaskan satu per satu dari proses yang masing-masing secara rinci. Perancangan sistem informasi membutuhkan komponen data valid dari penelitian yang sudah dilakukan, adapun perancangan data kelulusan siswa dari implementasi flowchart, Desain Flow Diagram (DFD), dan Entity Relationship Diagram (ERD) yang akan dijabarkan berdasarkan gambar dari masing-masing metode yang dilakukan dengan cara mengambil langsung data kelulusan siswa di Yayasan SMP Makna Bakti berdasarkan data yang valid. Adapun data yang sudah dapat dalam penelitian ini terdapat dua kategori nilai yaitu nilai yang paling tertinggi sampai nilai yang paling terendah. Berikut gambar tabel kategori nilai.
Tabel 1. Kategori Nilai Siswa
No Nama Jumlah Nilai NilaiTertin ggi NilaiTere ndah x1 Ade Irma 222,5 222.5 123,5 2 Genta 210,0 3 Chiko 203,5 4 Yesieka 202,5 5 NurAulia 200,5 6 Dindyasria 200,5 7 Akbar 200,5 8 Ade Maulana 199,0 9 Muhammad Havit 198,5
3.1 Perancangan Sistem dengan Basic Flowchart
Perancangan sistem penyimpanan kelulusan akademik pada penelitian ini sangat sederhana, dimana perancangan menggunakan flowchart.
88 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page Gambar 1. Flowchart Guru
Pada flowchart ini hanya digunakan untuk memudahkan proses berjalannya sistem yang dirancang untuk Guru, Siswa, serta Staf TU dalam pemrosesan pencarian data kelulusan siswa dari seluruh aspek yang berkaitan didalam sistem. Pada gambar 1 terdapat flowchart guru, dimana pengecekan dan penginputan nilai siswa harus sesuai dengan perencanaan awal yang sudah dirancang dan juga guru memiliki user ID masing masing untuk login setelah itu proses dapat berjalan sehingga penginputan nilai siswa kedalam sistem tidak ada kesalahan untuk seterusnya. Masing-masing siswa memiliki user ID untuk dapat melihat nilai ujian yang sudah keluar dalam sistem, selanjutnya siswa dapat mengeprint nilai jika nilai sudah keluar yang ada dalam sistem seperti pada gambar 2.
Gambar 2. Flowchart Siswa
Staf TU adalah pusat dari seluruh aspek dalam sistem yang dirancang. Seluruh pengolahan data kelulusan oleh pihak Staf TU sangat bepengaruh terhadap guru maupun siswa dikarenakan informasi akan keluar dengan baik bergantung terhadap sistem kerja dari pihak Staf TU yang mengolah dan memasukan data nilai kelulusan siswa oleh tahapan paling terakhir. Secara bertahap proses penginputan nilai siswa kedalam sistem pihak Staf TU harus melakukan monitoring rekapitulasi nilai siswa sebelum dimasukan kedalam sistem bertujuan untuk menghasilkan sebuah informasi kelulusan siswa dengan efisien dan akurat. Tahapan perancangan berikutnya adalah perancangan dengan context diagram. Untuk ilustrasi flowchart dapat dilihat pada gambar 3 pada contoh dibawah ini.
90 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page 3.2 Perancangan Menggunakan Context Diagram
Context diagram digunakan sebagai model untuk memudahkan pembuatan siklus/alur tahapan proses dari perkembangan sistem yang dikembangkan dari basic flowchart dan menggambarkan ruang lingkup suatu sistem. Context diagram juga merupakan level tertinggi dari DFD yang menggambarkan keseluruhan input ke dalam sistem atau output dari sistem, yang dapat dilihat pada gambar 4.
Gambar 4. DFD Level 0
Ilustrasi dari diagram level 0 bertujuan untuk pendetailan dari masing masing proses entitas yang menghubungkan dari entitas satu ke satu (one to one) yang lainnya. Tahapan ini memang harus sedetail mungkin dari penjabaran hingga penggambaran alur proses masing masing entitas jelas serta perancangan memenuhi sesuai dengan tujuan perancangan awal. Pada tahapan ini juga merupakan pemecahan dari context diagram menuju diagram 0, didalam diagram ini memuat penyimpanan data. Pembuatan model ini sering digunakan, khususnya bila perancangan sistem merupakan bagian yang lebih penting dan kompleks dari pada yang dimanipulasikan oleh sistem itu sendiri. Dengan kata lain, diagram level 0 ini adalah pembuatan model yang memberikan penekanan hanya pada fungsi sistem. Penjabaran pada tahapan ini merupakan alat perancangan sistem yang berorientasi terhadap alur data dengan konsep dekomposisi yang dapat digunakan untuk penggambaran analisa maupun rancangan sistem yang mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program.
Gambar 5. Diagram DFD Level 0
Gambar 6. ERD 3.3 Perancangan User Interface
Perancangan antarmuka merupakan perancangan halaman aplikasi yang berinteraksi langsung dengan pengguna baik admin maupun pengunjung. User interface juga merupakan bagian sistem komputer yang memungkinkan manusia berinteraksi langsung atau tidak bergantung kepada sistem yang akan dibuat sesuai dengan perancangan maupun perencanaan awal.
92 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
Gambar 7. Rancangan Input Login Siswa
Gambar 9. Rancangan Staf TU
Gambar 10. Rancangan Input Menu Utama
4. KESIMPULAN
Setelah semua tahap penelitian dilakukan, dapat dikembangkan proses perkembangan teknologi informasi pendataan kelulusan saat ini menggunakan aplikasi sistem agar lebih terstruktur dalam penyimpanan maupun pendataan nilai siswa. Perancangan sistem yang akan dibangun untuk memudahkan pihak sekolah khususnya dalam penyimpanan nilai serta memperbaiki perancangan sistem bersifat manual menjadi lebih terstruktur sehingga menghasilkan sebuah informasi yang efisien dan akurat.
94 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page 5. SARAN
Pengembangan yang dapat dilakukan untuk penelitian ini lebih lanjut yaitu mengukur kualitas pengembangan sistem yang sudah ada dalam pihak internal dengan hasil penyeteraan perkembangan dalam dunia pendidikan. Pemerintah pun juga harus memperhatikan lebih dalam untuk pengembangan sistem mengenai media penyimpanan yang masih bersifat manual ini untuk di tindak lanjuti.
UCAPAN TERIMA KASIH
Penulis mengucapkan terimakasih kepada pihak SMP Makna Bakti yang telah member dukungan terhadap penelitian ini.
DAFTAR PUSTAKA
[1] Mc. Leod, R., & Schell, G. P. , 2007, Management Information Systems, 10th ed, Pearson Education, New Jersey.
[2] Mardi, 2011, Sistem Informasi Akuntansi, Ghalia, Bogor.
[3] Pressman, R.S., 2010, Software Engineering: A Practitioner’s Approach, McGraw-Hill, New York.
[4] Sommerville, Ian, 2011, Software Engineering (Rekayasa Perangkat Lunak), Erlangga, Jakarta.
[5] Wijaya, A. 2007, Penggunaan DFD dan ERD pada Analisis dan Perancang Sistem Informasi Penjualan Suku Cadang dan Pelayanan Service pada PT. Mitra Maju Mobilindo, Jurnal Teknik Industri: Media Keilmuan dan Kaitan Aplikasi Bidang Teknik Industri.
Penerapan Algoritma C4.5 untuk Memprediksi
Penerimaan Calon Pegawai Baru di PT WISE
Fandy Ferdian Harryanto*1, Seng Hansun2
1,2
Universitas Multimedia Nusantara; Jl. Scientia Boulevard, Gading Serpong, Tangerang, Banten-15811 Indonesia
e-mail: *[email protected],[email protected]
Abstrak
Perusahaan pada umumnya memerlukan pegawai yang memiliki kemampuan yang baik, perilaku yang baik serta dapat menyelesaikan pekerjaan yang diberikan kepadanya.Namun terdapat beberapa kesulitan untuk mengetahui kualitas orang-orang yang memiliki potensi baik sebagai pegawai pada suatu perusahaan. Oleh karena itu diperlukan cara atau metode untuk mengidentifikasi calon pegawai suatu perusahaan. Algoritma C4.5 dapat digunakan untuk melakukan prediksi dan klasifikasi terhadap calon pegawai yang berpotensi untuk masuk ke dalam perusahaan dengan cara membuat pohon keputusan berdasarkan data-data yang sudah ada dan melakukan prediksi terhadap calon pegawai baru yang ingin masuk ke perusahaan. Berdasarkan metode pengukuran akurasi ten-fold cross validation telah didapatkan hasil pengukuran tingkat keberhasilan prediksi calon pegawai baru sebesar 71% dengan menggunakan aplikasi prediksi calon pegawai yang menerapkan algoritma C4.5. Kata kunci: Algoritma C4.5, Calon Pegawai, Prediksi, Pohon Keputusan.
Abstract
A company in general needs employee that have good ability, good manners and also can company. But there are difficulties in finding the qualities of people as a good employee candicacy. That’s why we need a way or method to identify peoples with the potential to become a new employee candidate. C4.5 algorithm can be used to predict and classify new employee candidate that have the potential to get into a corporation by using decision tree according to the data that we have and predict the new employee candidate qualities. According to the testing method called ten-fold cross validation, the accuracy of the prediction for the new employee candidate is 71% by using the built prediction application which implementing C4.5 algorithm.
Keywords: C4.5 Algorithm, Decision Tree, Employee Candidate, Prediction.
1. PENDAHULUAN
Pegawai merupakan sumber daya yang paling penting dalam suatu perusahaan dan pegawai yang baik dan memenuhi standar perusahaan hanya dapat diperoleh melalui proses penerimaan pegawai yang efektif [1]. Pegawai yang baik dan berkualitas tentu saja memiliki dampak yang positif terhadap perusahaan tempat mereka bekerja. Oleh karena itu perusahaan harus menyeleksi orang–orang yang ingin masuk dan bekerja ke dalam perusahaan itu dengan baik.
96 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
melakukan rekrutmen terhadap orang–orang yang melamar ke perusahaan tersebut dan menentukan apakah orang tersebut memenuhi kriteria dan kebutuhan unit kerja pada perusahaan tersebut. Menurut Tjahyono dan Anggara [2] alasan dilakukannya penerimaan calon pegawai baru adalah pengembangan unit usaha perusahaan tersebut yang mengakibatkan perlunya penambahan pegawai baru dan kebutuhan perusahaan tersebut untuk mengisi posisi kosong yang ditinggalkan oleh pegawai lama mereka.
Selain itu, Slamet [3] menyatakan bahwa proses rekrutmen ini berguna untuk mendapatkan informasi mengenai kecakapan, kepribadian, dan kemampuan lain yang dimiliki oleh tenaga kerja yang melamar ke perusahaan tersebut. Informasi tersebut dipandang sangat diperlukan untuk menentukan apakah pekerja tersebut berkualitas dan pantas untuk masuk ke dalam perusahaan. Tenaga kerja yang berkualitas tentunya akan membantu untuk meningkatkan kinerja perusahaan.
Berdasarkan hasil wawancara dengan salah satu pekerja pada PT WISE, Bapak Paulus Harryanto, dapat ditarik kesimpulan bahwa perusahaan ini masih membutuhkan bantuan tambahan pada proses perekrutan calon pegawai. Menurut Bapak Paulus masih terdapat beberapa pegawai kantor yang malas dan tidak kompeten. Hal ini berarti proses perekrutan pegawai pada perusahaan ini tidak berjalan dengan baik. Selain itu, berdasarkan hasil wawancara dengan Cendrawati selaku divisi Human Resource Development (HRD), ada beberapa faktor yang menentukan apakah seseorang dapat diterima ke dalam perusahaan. Faktor–faktor tersebut adalah: umur, pendidikan terakhir, pengalaman bekerja, jenis kelamin, perilaku saat wawancara, permintaan gaji awal dan penyakit yang sedang diderita.
Algoritma C4.5 dapat digunakan untuk meneliti berbagai macam hal, diantaranya adalah prediksi tingkat kemenangan pada pertandingan bola [4], mencari pola prediksi hujan [5], hingga menentukan guru terbaik [6]. Sebelumnya juga telah ada yang melakukan penelitian yang serupa dengan menggunakan algoritma ini, namun atribut yang digunakan untuk mengklasifikasikan pohon keputusan berbeda. Adapun pembedanya lainnya adalah penelitian tersebut dilakukan kepada calon pegawai negeri sipil. Penelitian tersebut dilakukan oleh Kumara dan Supriyanto [7] dengan judul “Klasifikasi Data Mining untuk Penerimaan Seleksi Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5”. Tingkat akurasi yang didapatkan menggunakan algoritma C4.5 ini sudah cukup tinggi, oleh karena itu dapat disimpulkan algoritma ini cocok untuk diimplementasikan pada penelitian yang melibatkan proses perekrutan [7].
Algoritma C4.5 digunakan pada penelitian ini untuk memprediksi proses penerimaan calon pegawai baru pada PT WISE. Menurut penelitian HSSINA, dkk.[8], algoritma C4.5 merupakan algoritma terkuat untuk proses pembuatan decision tree jika dibandingkan dengan algoritma lain seperti ID3, C5.0, dan CART. Berdasarkan penelitian inilah algoritma C4.5 diputuskan untuk digunakan pada penelitian ini karena algoritma ini lebih kuat daripada algoritma lainnya. Data pegawai yang bekerja sebagai pegawai lapangan (maintenance, service) akan digunakan sebagai data training untuk pembuatan decision tree yang akan digunakan untuk memprediksi penerimaan pegawai dan mengetes tingkat keberhasilan prediksi tersebut menggunakan data testing terhadap pegawai yang memiliki jabatan pekerjaan yang sama.
2. LANDASAN TEORI
Beberapa literatur yang mendasari penelitian ini akan dibahas pada bab ini, meliputi sistem pendukung keputusan, pohon keputusan, algoritma C4.5, dan validasi silang.
2.1 Sistem Pendukung Keputusan
Sistem pendukung keputusan adalah sebuah sistem yang dapat membantu manusia untuk mengambil keputusan secara objektif. Konsep sistem seperti ini pertama kali dicetuskan pada tahun 1970-an oleh Michael S.Scott Morton, Michael pertama kali menyebut sistem seperti
ini dengan nama Management Decision System. Maksud dan tujuan dari adanya sistem pengambil keputusan adalah mendukung pengambil keputusan untuk memilih alternatif keputusan menggunakan model-model pengambilan keputusan dan untuk menyelesaikan masalah yang bersifat terstruktur, semi terstruktur, maupun tidak terstruktur [9].
Menurut Mengkepe [9], kerangka dasar pengambilan keputusan manajerial dalam tipe keputusan dibagi menjadi beberapa bagian, yaitu:
1. Terstruktur: Berisi masalah yang sering terjadi, solusinya dapat berupa standar dan baku. 2. Tidak Terstruktur: Berisi masalah kompleks menggunakan pemecahan masalah yang tidak
standar, solusinya melibatkan intuisi manusia sebagai dasar pengambil keputusan.
3. Semi Terstruktur: Gabungan antara keputusan terstruktur dengan tidak terstruktur, solusinya merupakan gabungan antara prosedur solusi standar dengan kemampuan individu manusia. 2.2 Pohon Keputusan
Manusia selalu dihadapkan dengan berbagai macam masalah dari berbagai bidang kehidupan. Masalah ini juga memiliki variasi tingkat kesulitannya. Untuk menghadapi masalah ini manusia mulai mengembangkan sebuah sistem untuk membantu mereka menyelesaikan masalah-masalah ini, salah satu sistem tersebut adalah pohon keputusan [10].
Pohon keputusan adalah metode klasifikasi dan prediksi yang sudah terbukti powerfull dan sangat terkenal. Metode ini berfungsi untuk mengubah fakta menjadi pohon keputusan yang merepresentasikan aturan yang dapat mudah dimengerti dengan bahasa alami. Proses dari pohon keputusan ini dimulai dari node akar hingga node daun yang dilakukan secara rekursif dimana setiap percabangan menyatakan kondisi dan setiap ujung pohon akan menyatakan keputusan [10].
Arsitektur pohon keputusan dibuat sedemikian rupa agar menyerupai pohon asli, dimana terdapat beberapa bagian yaitu [11]:
- Root Node: Node ini terletak pada bagian paling atas dari pohon keputusan.
- Internal Node: Node ini merupakan percabangan dimana membutuhkan satu input dan mengeluarkan maksimal dua output.
- Leaf Node: Node ini merupakan node yang terletak pada ujung pohon. Node ini hanya memiliki satu input dan tidak memiliki output.
Menurut Triisant [11], pohon keputusan ini memiliki beberapa kekurangan dan kelebihan, yakni:
1. Kelebihan Pohon Keputusan:
- Daerah pengambilan keputusan yang kompleks dapat diubah menjadi sederhana.
- Dapat menghilangkan perhitungan yang tidak penting karena proses pengujian hanya berdasarkan kriteria yang diperlukan saja.
- Proses pemilihan fitur dari internal node yang berbeda lebih fleksibel. Fitur yang telah dipilih ini akan menjadi pembeda antara kriteria yang satu dengan kriteria lainnya.
- Metode ini dapat menghindari munculnya permasalahan dengan cara menggunakan kriteria dengan jumlah yang sedikit pada node internal tanpa mengurangi kualitas keputusan yang dihasilkan.
2. Kekurangan Pohon Keputusan :
- Dapat terjadi overlap apabila hasil keputusan dan kriteria yang digunakan jumlahnya sangat banyak. Hal ini juga dapat berakibat bertambahnya waktu yang digunakan untuk pengambilan keputusan dan jumlah memori yang dibutuhkan semakin tinggi.
- Akumulasi jumlah error dari setiap tingkat pohon keputusan besar. - Mendesain pohon keputusan yang optimal sulit.
- Kualitas keputusan yang didapatkan sangat tergantung dengan bagaimana pohon tersebut didesain.
2.3 Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk melakukan proses klasifikasi data dengan menggunakan teknik pohon keputusan. Algoritma C4.5 merupakan
98 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
ekstensi dari algoritma ID3 dan menggunakan prinsip decision tree yang mirip [11]. Algoritma ini sudah sangat terkenal dan disukai karena memiliki banyak kelebihan. Kelebihan ini misalnya dapat mengolah data numerik dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diinterpretasikan dan performanya merupakan salah satu yang tercepat dibandingkan dengan algoritma lain [11].
Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki prioritas tertinggi atau dapat disebut memiliki nilai gain tertinggi berdasarkan nilai entropy atribut tersebut sebagai poros atribut klasifikasi [12]. Kemudian secara rekursif cabang-cabang pohon diperluas sehingga seluruh pohon terbentuk. Menurut kamus IGI Global (International Publisher of Progressive Academic), entropy adalah jumlah data yang tidak relevan terhadap informasi dari suatu kumpulan data [13]. Gain adalah informasi yang didapatkan dari perubahan entropy pada suatu kumpulan data, baik melalui observasi atau bisa juga disimpulkan dengan cara melakukan partisipasi terhadap suatu set data [12].
Berdasarkan apa yang ditulis oleh Jefri [10], terdapat empat langkah dalam proses pembuatan pohon keputusan pada algoritma C4.5, yaitu:
1. Memilih atribut sebagai akar
3. Membuat cabang untuk masing-masing nilai 4. Membagi setiap kasus dalam cabang
5. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang memiliki kelas yang sama.
Menurut Jiandi [12] data yang dimiliki harus disusun menjadi sebuah tabel berdasarkan kasus dan jumlah responden sebelum dilakukan perhitungan untuk mencari nilai entropy dan gain.
ܧ݊ݐݎݕ(ܵ) = ∑ −݅∗logଶ݅
ୀ (1)
Rumus (1) merupakan rumus yang digunakan dalam perhitungan entropy yang digunakan untuk menentukan seberapa informatif atribut tersebut. Berikut keterangannya [10]: ܵ : Himpunan kasus
݊ : Jumlah partisi ܵ
݅ : Jumlah kasus pada partisi ke-i
ܩܽ݅݊(ܵ, ܣ) = ܧ݊ݐݎݕ(ܵ) − ∑ |ௌ||ௌ| ∗ ܧ݊ݐݎݕ(ܵ݅)
ୀଵ (2)
Rumus (2) merupakan rumus yang digunakan dalam perhitungan gain setelah melakukan perhitungan entropy. Berikut keterangannya [10]:
ܵ : Himpunan kasus ݊ : Jumlah partisi atribut A |ܵ݅| : Jumlah kasus pada partisi ke-i |ܵ| : Jumlah kasus dalam ܵ
Dengan mengetahui rumus–rumus diatas, data yang telah diperoleh dapat dimasukkan dan diproses dengan algoritma C4.5 untuk proses pembuatan decision tree.
Gambar Gambar 1 merupakan
pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan. Selanjutnya akan dilakukan perhitungan
keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat dibentuk berdasarkan nilai gain
tertinggi akan terletak pada pr tinggi juga pada pohon keputusan. 2.4 Validasi Silang
Validasi silang merupakan metode dan komparasi terhadap sebuah satu dua bagian, yaitu data training
cross validation [15]. Validasi ini dilakukan dengan cara membagi suatu set data menjadi sepuluh segmen݀1 – ݀10 yang berukuran sama besar dengan cara melakukan pengacakan data. Kemudian ݀1 akan digunakan terlebih dahulu untuk proses
menggunakan sisa dari data selain
sisa data selain݀2 digunakan untuk validasi, dan seterusnya. Dengan melakukan validasi seperti ini maka akurasi yang akan didapatkan akan lebih tinggi
Implementasi algoritma C4.5 untuk prediksi penerimaan calon pegawai baru menggunakan langkah-langkah penelitian
1. Studi Pustaka
Penelitian dimulai dengan mempelajari informasi serta algoritma yang bersangkutan dengan penelitian ini dengan ca
pembelajaran lain. Pada tahapan ini ko
dimatangkan, seperti definisi dari algoritma C4.5 dan penerapannya. 2. Pengumpulan Sampel Data
Gambar 1. Pseudocode Algoritma C4.5 [14]
merupakan pseudocode dari algoritma C4.5 yang berfungsi untuk pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan. Selanjutnya akan dilakukan perhitungan entropy dan gain untuk menentukan
keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat gain yang telah dihitung sebelumnya. Atribut dengan nilai tertinggi akan terletak pada prioritas yang lebih tinggi dan memiliki kedudukan yang lebih tinggi juga pada pohon keputusan.
lidasi silang merupakan metode statistika yang digunakan untuk melakukan evaluasi dan komparasi terhadap sebuah satu set data dengan cara membagikan data tersebut menjadi
data training dan data testing. Salah satu jenis validasi silang adalah
Validasi ini dilakukan dengan cara membagi suatu set data menjadi yang berukuran sama besar dengan cara melakukan pengacakan data. akan digunakan terlebih dahulu untuk proses training dan dilakukan validasi menggunakan sisa dari data selain݀1. Setelah itu ݀2 akan digunakan untuk training
digunakan untuk validasi, dan seterusnya. Dengan melakukan validasi seperti ini maka akurasi yang akan didapatkan akan lebih tinggi [15].
3. METODE PENELITIAN
Implementasi algoritma C4.5 untuk prediksi penerimaan calon pegawai baru langkah penelitian sebagai berikut:
Penelitian dimulai dengan mempelajari informasi serta algoritma yang bersangkutan dengan penelitian ini dengan cara membaca e-book, e-journal, serta beberapa referensi pembelajaran lain. Pada tahapan ini konsep-konsep yang dibutuhkan dalam penelitian akan dimatangkan, seperti definisi dari algoritma C4.5 dan penerapannya.
Pengumpulan Sampel Data
dari algoritma C4.5 yang berfungsi untuk pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan. untuk menentukan leaf dari pohon keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat yang telah dihitung sebelumnya. Atribut dengan nilai gain ioritas yang lebih tinggi dan memiliki kedudukan yang lebih
tatistika yang digunakan untuk melakukan evaluasi embagikan data tersebut menjadi . Salah satu jenis validasi silang adalah ten-fold Validasi ini dilakukan dengan cara membagi suatu set data menjadi yang berukuran sama besar dengan cara melakukan pengacakan data. dan dilakukan validasi training, sementara digunakan untuk validasi, dan seterusnya. Dengan melakukan validasi seperti
Implementasi algoritma C4.5 untuk prediksi penerimaan calon pegawai baru
Penelitian dimulai dengan mempelajari informasi serta algoritma yang bersangkutan , serta beberapa referensi konsep yang dibutuhkan dalam penelitian akan
100 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
Pada tahap ini proses pengumpulan sampel data akan dilakukan dengan cara meminta data pegawai langsung kepada perusahaan, yakni PT WISE. Data pegawai ini mencakup berbagai macam informasi mulai dari nama, umur, gaji, alamat, dan atribut lain yang kemudian akan diolah menggunakan algoritma C4.5. Jumlah data yang akan digunakan adalah 84 data pegawai lapangan.
3. Analisis Sampel Data
Setelah data-data pegawai didapatkan, dilakukan pemilahan dan perhitungan atribut data sesuai dengan parameter yang telah ditentukan untuk dilakukan perhitungan nilai entropy dan gain untuk mendapatkan gambaran umum dari suatu set data.
4. Perancangan dan Pembangunan Aplikasi
Pada tahap ini, beberapa hal akan ditentukan, yakni prosedur dan proses apa saja yang dapat dilakukan oleh aplikasi, alur proses, serta tampilan dasar aplikasi. Rancangan aplikasi akan direpresentasikan dalam bentuk diagram yang akan menggambarkan alur proses dari aplikasi. Setelah itu barulah aplikasi mulai dibangun menggunakan bahasa pemrograman yang tepat.
5. Uji Coba Aplikasi
Pada tahap ini uji coba akan dilakukan terhadap aplikasi yang sudah dibuat terhadap data-data yang telah dikumpulkan sebelumnya. Pengamatan apakah algoritma C4.5 dapat terimplementasi dengan baik pada sistem serta dapat memiliki tingkat akurasi yang tinggi pada proses prediksi calon pegawai baru juga dilakukan pada tahap ini.
6. Analisis Hasil Aplikasi
Setelah uji coba pada aplikasi berhasil dilakukan, selanjutnya akan dilakukan pengukuran tingkat akurasi prediksi menggunakan validasi silang ten-fold cross validation. Validasi silang digunakan agar akurasi pengukuran prediksi lebih tepat.
7. Penulisan Laporan
Pada tahap ini akan dilakukan proses pencacatan setiap kegiatan yang dilakukan selama proses penelitian ini berlangsung dan menyalurkan informasi tersebut ke dalam bentuk laporan sebagai bentuk dokumentasi.
4. HASIL DAN PEMBAHASAN
Bagian ini menjelaskan hasil dari pengukuran akurasi aplikasi yang telah dibangun dalam penelitian. Uji coba dilakukan menggunakan data sample sebanyak 84 dan menggunakan metode pengukuran ten fold cross validation. Data tersebut kemudian akan dibagi menjadi 10 buah kelompok data training dan data testing. Setelah itu barulah uji coba untuk mengukur akurasi aplikasi dilakukan.
Analisis yang akan dilakukan pada aplikasi adalah perhitungan tingkat akurasi menggunakan metode 10-fold cross validation, baik akurasi perkluster maupun secara keseluruhan. Uji coba akan dilakukan pada 84 buah sampel data yang ada pada database secara otomatis melalui sistem.
Gambar 2. Hasil Pengukuran Akurasi
Gambar 2 menjabarkan hasil perhitungan dari cross validation yang dilakukan oleh aplikasi. Dapat dilihat hasil perhitungan akurasi untuk tiap kluster dan secara keseluruhan.
Hasil pengukuran akurasi secara keseluruhan adalah 71%. Hasil prediksi tidak mencapai angka 100% karena ada beberapa kasus dimana sampel data masih kurang banyak sehingga hasil prediksi masih bersifat ambigu.
Gambar 3. Hasil Pengukuran Akurasi dengan Tambahan
Dapat dillihat pada Gambar 3 ketika perhitungan dilakukan dengan penambahan tiga sampel data baru, maka perhitungan akurasi meningkat sebanyak 5%. Hal ini berarti beberapa
102 ISSN: 2407-4322
IJCCS Vol. x, No. x, July201x : first_page–end_page
sampel tambahan tersebut dapat memperbaharui pohon sehingga mengurangi tingkat kesalahan prediksi.
5. KESIMPULAN
Implementasi algoritma C4.5 untuk melakukan prediksi terhadap calon pegawai baru pada PT WISE telah berhasil dilakukan. Hasil tingkat keberhasilan prediksi calon pegawai baru di PT WISE secara keseluruhan yang telah diukur menggunakan metode ten-fold cross validation adalah sebesar 71%. Untuk penelitian selanjutnya, sebaiknya dilakukan uji coba menggunakan sampel data yang lebih banyak agar tingkat akurasi aplikasi dapat ditingkatkan.
DAFTAR PUSTAKA
[1] IGI Global Dictionary, 2015, What is Information Gain,
http://www.igiglobal.com/dictionary/information-gain/14407/, diakses tgl 10 Desember 2015.
[2] Jiandi, R., 2016, Implementasi Algoritma C4.5 untuk Prediksi Potensi Mahasiswa Sebagai Pengurus Organisasi Menggunakan Data Hasil PAPI KOSTICK (Studi Kasus: Universitas Multimedia Nusantara), Universitas Multimedia Nusantara, Tangerang. [3] Jefri, 2013, Implementasi Algoritma C4.5 Dalam Aplikasi untuk Memprediksi Jumlah
Mahasiswa yang Mengulang Mata Kuliah STMIK Yogyakarta, STMIK AMIKOM, Yogyakarta.
[4] Kumara, R. dan Supriyanto, C., 2015, Klasifikasi Data Mining untuk Penerimaan Seleksi Calon Pegawai Negeri Sipil 2014 Menggunakan Algoritma Decision Tree C4.5, Universitas Dian Nuswantoro, Jawa Tengah.
[5] Mengkepe, E., 2004, Sistem Pendukung Keputusan Pemberian Kredit Mobil PT. Astra International tbk., Isuzu Division Makassar, Universitas Widyatama, Bandung.
[6] Putri, S. U., 2015, Implementasi Metode C4.5 untuk Menentukan Guru Terbaik pada SMK 1 Percut Sei Tuan Medan, STMIK Budi Darma, Medan.
[7] HSSINA, B., dkk., 2014, A Comparative Study of Decision Tree ID3 and C4.5, Sultan Moulay Slimane University, Morocco.
[8] Raditya, A.,2012, Implementasi Data Mining Classification untuk Mencari Pola Prediksi Hujan dengan Menggunakan Algoritma C4.5, Universitas Gunadarma, Depok.
[9] Sulistiyani, T. dan Ambar, R., 2003, Manajemen Sumber Daya Manusia, Graha Ilmu, Yogyakarta.
[10] Slamet, A.,2007, Manajemen Sumber Daya Manusia, Universitas Negeri Semarang, Semarang.
[11] Tjahyono, A. dan Anggara, A. M., 2010, Sistem Pendukung Keputusan Penerimaan Pegawai Baru pada PT. Kanasritex Semarang, Techno.com, Vol. 9 No.3.
[12] Marwana, 2014, Algoritma C4.5 untuk Simulasi Prediksi Kemenangan Dalam Pertandingan Sepakbola, STIMED, Nusa Palapa, Makassar.
[13] Triisant, 2015, Pohon Keputusan dengan Algoritma C4.5,
http://dokumen.tips/documents/algoritma-c45.html, Diakses tgl 21 Maret 2016.
[14] Ruggieri, S., 2002, Efficient C4.5, IEEE Transaction on Knowledge and Data Engineering 14(2), hal.438-444.
[15] Refaeilzadeh, P., Tang, L.,dan Liu, H., 2009, Cross-Validation, Encyclopedia of Database Systems, hal.532-538.
104 ISSN: 1978-1520
Analisis Pengaruh Penggunaan Internet Terhadap
Minat Belajar Mahasiswa
(Studi Kasus:Perguruan Tinggi di Kota Palembang)
Desi Pibriana*1, Desy Iba Ricoida2
1,2
STMIK GI MDP; Jalan Rajawali No 14 Palembang
12
Program StudiSistem Informasi
e-mail: *1[email protected],[email protected]
Abstrak
Pemanfaatan Teknologi informasi pada perguruan tinggi diharapkan dapat meningkatkan kualitas pembelajaran mahasiswa antara lain dengan memberikan kemudahan akses internet sehingga mahasiswa dapat dengan mudah mendapatkan informasi dari situs-situs online. Akan tetapi pemanfaatan internet sering disalahgunakan dengan tidak menggunakannya guna menunjang pembelajaran sebaliknya digunakan untuk mengakses media jejaring online dan main game. Berdasarkan hal tersebut maka diperlukan pengujian untuk mengetahui bagaimana pengaruh dari penggunaan internet terhadap minat belajar mahasiswa pada Perguruan Tinggi yang ada di Kota Palembang dengan menggunakan konsep Model TRA (Theory of Reasoned Action). Metode analisis pada penelitian ini dilakukan dengan menggunakan metode Structural Equation Modeling (SEM) dengan bantuan software AMOS 22. Hasil dari penelitian ini terlihat bahwa norma subjektif tidak memiliki pengaruh terhadap minat belajar mahasiswa sementara perilaku penggunaan Internet memiliki pengaruh terhadap minat belajar mahasiswa. Hal ini dapat memberikan masukan bagi perguruan tinggi untuk memaksimalkan penggunaan internet guna mendukung minat belajar mahasiswa.
Kata kunci: Mahasiswa, Minat, Theory of Reasoned Action, TRA, Structural Equation Modeling.
Abstract
Information Technology in higher education are expected to be used to improve the quality of student in learning, such as facilitating student to access the Internet easily by making it easy to get the information from online sites. However, Internet is often misused by student, they are using it to access social media and gamesinstead of support their learning process. Based on this fact, we need to evaluate how Internet usage can affect students learning interest and behavior in Palembang by using the concept of Theory Reasoned Action (TRA) Model. Structural Equation Modeling (SEM) with software AMOS 22 is used to analyze this problem. The result of this study show that the subjective norm have no effect on student interest on learning while Internet Usage behavior has. Based on this result, it can provide an input for universities to maximize Internet usage to support student interest on learning.
Keyword: Student, Interest, Behaviour, Theory of Reasoned Action, TRA, Structural Equation Modeling.
1. PENDAHULUAN
Perkembangan teknologi khususnya pada teknologi jaringan Internet saat ini secara tidak langsung telah mengubah paradigma masyarakat dalam mendapatkan informasi dan komunikasi. Salah satu bidang yang sangat membutuhkan teknologi Internet ini adalah dunia pendidikan, khususnya perguruan tinggi dimana Internet dapat menjadi salah satu sumber belajar yang dapat dimanfaatkan oleh mahasiswa.
Beberapa Perguruan Tinggi yang ada di Kota Palembang telah memanfaatkan teknologi internet dalam proses pembelajaran yang dilakukan antara lain dengan membuat sistem informasi akademik secara online, pemanfaatan sistem informasi akademik secara online juga diikuti dengan memberikan fasilitas akses jaringan internet sehingga mahasiswa dapat bebas mengakses internet kapanpun dan dimanapun di area gedung kampus.
Berdasarkan wawancara dan pengamatan yang dilakukan, mahasiswa menggunakan Internet di lingkungan kampus untuk berbagai keperluan termasuk dalam hal pembelajaran, tetapi tidak sedikit mahasiswa yang menggunakan Internet untuk kepentingan pribadi seperti bermain games dan membuka situs-situs yang tidak memiliki hubungan dengan pembelajaran. Seringkali juga ditemukan bahwa mahasiswa menyalin tugas dari Internet dan tidak dapat menjelaskan maksud dari tugas yang diperolehnya dari Internet. Hal ini menunjukkan bahwa mahasiswa tidak memahami materi dan informasi yang didapatkan dari Internet dengan baik.
Kehadiran Internet di perguruan tinggi bertujuan untuk menumbuhkan minat belajar mahasiswa jika digunakan dengan tepat agar prestasi mahasiswa dapat meningkat. Berdasarkan hal tersebut diperlukan pengujian apakah Internet dapat mempengaruhi minat belajar mahasiswa. Salah satu pendekatan yang sering digunakan untuk mempelajari perilaku manusia adalah Theory of Reasoned Action (TRA) [1]. TRA dimulai dengan melihat intensi/minat berperilaku sebagai anteseden terdekat dari suatu perilaku. Dipercaya bahwa semakin kuat minat seseorang untuk menampilkan suatu perilaku tertentu, diharapkan semakin berhasil orang tersebut melakukannya [1].
1.1 Internet
Internet adalah alat penghubung antara organisasi dan pelanggannya, sehingga tercipta sebuah organisasi baru secara virtual [2]. Menurut DeFleur & Dennis dalam Zin, Muda, & Nordin, internet adalah sebuah sistem komputasi di seluruh dunia yang menggunakan sarana umum untuk menghubungkan perangkat keras dan mentransmisikan informasi digital, komunitas orang dengan menggunakan sebuah teknologi komunikasi yang umum dan mendistribusikan sistem informasi secara global [3].
Sehingga dapat disimpulkan Internet memungkinkan satu individu untuk terhubung dengan satu atau lebih individu lainnya baik untuk berkomunikasi, menerima serta menyebarkan informasi.
1.2 Minat Belajar
Minat merupakan suatu keinginan seseorang untuk melakukan suatu perilaku tertentu [4]. Dapat dikatakan bahwa seseorang akan melakukan suatu hal tertentu apabila memiliki kemauan dari dalam diri untuk melakukannya. Salah satu pendukung yang berpengaruh dalam memperoleh prestasi dalam belajar adalah minat belajar. Menurut Djamarah dalam [5] adalah suatu penerimaan akan suatu hubungan antara diri sendiri dengan sesuatu di luar diri. Seseorang memiliki minat terhadap subjek tertentu cenderung untuk memberikan perhatian yang lebih besar terhadap subjek tertentu.
Sementara menurut Slameto (2003) dalam [6] menyatakan bahwa minat adalah suatu rasa lebih suka (senang) dan rasa ketertarikan pada suatu hal atau aktivitas. Penelitian yang dilakukan oleh Wardhani dalam skripsinya mengenai keterhubungan Internet dan minat belajar, disimpulkan dalam skripsinya bahwa pemanfaatan internet sebagai sumber belajar merupakan faktor yang berasal dari luar diri siswa sedangkan minat belajar merupakan faktor yang berasal
ISSN: 1978-1520 106
dari dalam diri siswa. Keduanya berpengaruh secara tidak langsung terhadap peningkatan belajar siswa [6]
1.3 Theory of Reasoned Action(TRA)
Teori tindakan beralasan (Theory of Reasoned Action) merupakan teori yang menjelaskan tahapan-tahapan manusia melakukan perilaku. Pada tahap awal, perilaku (behavior) diasumsikan ditentukan oleh minat (intention). Pada tahap berikutnya niat dapat dijelaskan dalam bentuk sikap-sikap terhadap perilaku (attitudes towards the behavior) dan norma-norma subyektif (subjective norm). Tahap-tahap ketiga dipertimbangkan sikap-sikap (attitudes) dan norma-norma subjektif (subjective norm) dalam bentuk kepercayaan tentang konsekuensi melakukan perilakunya dan tentang ekspektasi normatif dari orang yang direferensi (referent) yang relevan [6].
Anis Fakhrunnisa menyatakan bahwa Model TRA ini menunjukkan bahwa sikap (attitude) seseorang, misalnya sikap terhadap belajar, digabungkan dengan norma-norma subjektif (subjective norm), misalnya kepercayaan-kepercayaan orang lain terhadap belajar, akan mempengaruhi minat (behavioral intention) terhadap belajar dan pada akhirnya akan menentukan seseorang untuk belajar atau tidak (behavioral) [7].
1.4 Penelitian Terdahulu
Berikut ini penelitian-penelitian terdahulu yang memiliki relevansi dengan penelitian yang dilakukan.
1.4.1 Penelitian I Made Agus Ana Widiatmika dan Dana Indra Sensuse
Penelitian yang berjudul “Pengembangan Model Penerimaan Teknologi Internet Oleh Pelajar Dengan Menggunakan Konsep Technology Acceptance Model (TAM)” oleh Widiatmika & Sensuse [8], menyatakan bahwa Technology Acceptance Model (TAM)” yang diusulkan secara umum dapat dijadikan sebagai model penerimaan teknologi internet oleh pelajar khususnya pelajar sekolah menengah atas dengan fasilitas dan kondisi yang memenuhi. Model TAM pada penelitian ini menggunakan 9 variabel laten dengan 33 buah indikator sebagai variabel manifes.
Hasil penelitian ini menunjukkan bahwa 15 hipotesa yang diajukan dapat diterima dan memberikan pengaruh positif terhadap manfaat yang dirasakan oleh pelajar dan juga memberikan pengaruh positif terhadap tingkah laku atau kebiasaan pelajar dalam menggunakan internet. Sikap atau tingkah laku pelajar dalam menggunakan internet seperti rasa senang yang diperoleh akan memberikan dampak positif pada peningkatan keinginan untuk menggunakan internet dan mendorong pelajar untuk selalu ingin mencoba berinternet yang tentunya akan berpengaruh positif terhadap semakin lamanya waktu yang dihabiskan oleh pelajar untuk berinternet.
Dorongan pelajar untuk selalu ingin mencoba berinternet yang berpengaruh positif terhadap lamanya waktu yang dihabiskan untuk berinternet. Melalui penelitian ini diambil variabel penggunaan internet (attitude toward using) sebagai indikator untuk mengukur sikap penggunaan internet dan perhatian untuk menggunakan internet (behavioral intention to use) sebagai indikator minat belajar. Sikap penggunaan ini akan dihubungkan dengan minat belajar mahasiswa. Minat belajar mahasiswa ini akhirnya akan dihubungkan dengan perilaku belajar mahasiswa.
1.4.2 Penelitian Astutik Nur Qomariyah
Berdasarkan penelitian yang telah dilakukan oleh A.N Qomariyah [9] yang berjudul “Perilaku Penggunaan Internet pada Kalangan Remaja di Perkotaan” menyimpulkan bahwa usia responden pertama kali mengenal dan menggunakan internet adalah 12 tahun. Berdasarkan aspek intensitas penggunaan internet, sebagian besar remaja perkotaan lebih sering mengakses
internet di warnet meskipun di sekolah mereka terdapat fasilitas internet yang dapat dimanfaatkan secara gratis.
Penggunaan internet remaja perkotaan tergolong heavy user dimana menghabiskan waktu lebih dari 40 jam sebulan. Kalangan remaja di perkotaan menggunakan internet untuk empat dimensi kepentingan, yaitu informasi, aktivitas kesenangan, komunikasi dan transaksi. Meskipun dari keempat kepentingan pengguna internet tersebut aktivitas-aktivitas internet yang dilakukan kalangan remaja di perkotaan lebih banyak ditujukan untuk aktivitas kesenangan daripada untuk kepentingan lainnya, namun aktivitas internet yang paling banyak dilakukan para remaja tersebut adalah mencari sumber atau bahan terkait dengan tugas atau pelajaran sekolah.
Dari penelitian ini penulis mengambil faktor sikap penggunaan internet dan norma subjektif terhadap penggunaan internet.
1.4.3 Penelitian Vasilis Gialamas, Kleopatra Nikolopoulou & George Koutromanos
Penelitian yang dilakukan oleh Gialamas, Nikolopoulou, & Koutromanos [10] yang berjudul “Student teachers’ perception about the impact of internet usage on their learning and jobs” ditujukan untuk menginvestigasi persepsi mahasiswa fakultas pendidikan mengenai dampak penggunaan internet terhadap pembelajaran dan pekerjaan mereka dimasa yang akan datang. Persepsi mahasiswa pendidikan mengenai dampak penggunaan internet terhadap pembelajaran dan pekerjaan mereka di masa yang akan datang secara umum adalah positif. Kebanyakan mahasiswa percaya bahwa penggunaan internet pada studi universitas membuat pembelajaran lebih menarik dan efektif, dan memiliki kemampuan menggunakan internet akan membantu prospek pekerjaan mereka di masa mendatang. Penelitian ini telah menunjukkan bahwa semakin tinggi pengalaman digital dan frekuensi penggunaan internet, semakin positif persepsi para mahasiswa mengenai dampak internet terhadap pembelajaran dan pekerjaan mereka dimasa mendatang.
Dari penelitian ini diambil variabel Internet Usage khususnya faktor perceived enjoyment, internet usage, perceived usefullness, impact on general learning, impact collaborative learning, impact on distance learning, serta social pressure sebagai indikator untuk mengukur sikap penggunaan, norma subjektif dan minat belajar dengan menggunakan internet.
2. METODE PENELITIAN 2.1 Tahapan Penelitian
Penelitian ini dilakukan dengan tahapan – tahapan berikut:
Gambar 1. Tahapan Penelitian
a. Perumusan masalah, pada tahapan ini merumuskan masalah yang akan digunakan dalam topik penelitian dalam hal ini pengaruh pemanfaatan internet terhadap minat belajar mahasiswa di kota Palembang.
b. Studi Literatur yaitu melakukan studi literatur untuk mendapatkan informasi baik yang berkaitan dengan topik penelitian dari berbagai sumber antara lain jurnal, buku maupun artikel.
ISSN: 1978-1520 108
c. Perumusan model dan penyusunan instrumen adalah merumuskan model yang digunakan yaitu konsep Model TRA (Theory of Reasoned Action). Kemudian penyusunan instrumen penelitian. Instrumen penelitian ini merupakan kumpulan pertanyaan-pertanyaan yang bersifat close ended question.
d. Pengumpulan Data dilakukan dengan melakukan penyebaran kuesioner terhadap responden.
e. Pengolahan dan Analisis Data, menggunakan metode statistik dalam menganalisis data yang berhasil dikumpulkan dari para responden. Teknik statistik yang digunakan adalah teknik multivariate structural equation model (SEM) yang diolah dengan program AMOS 22.
f. Penarikan kesimpulan dilakukan setelah melakukan pengujian hipotesis dan mengetahui hubungan antar setiap variabel. Kesimpulan merupakan jawaban dari pertanyaan penelitian yang telah diajukan yang sesuai dengan hasil analisis dan pengujian hipotesis.
2.2 Populasi dan Sampel
Sumber data dan instrumen yang akan digunakan dalam penelitian ini adalah data kuantitatif dengan menggunakan metode convenience sampling yang dilakukan dengan cara penyebaran kuesioner yang dibuat oleh peneliti dengan menyebarkannya dalam bentuk hard copy. Pengambilan sampel secara acak ini ditujukan agar hasil penelitian bisa dijadikan ukuran untuk mengestimasikan populasi, atau melakukan generalisasi.
Populasi dari penelitian ini adalah semua mahasiswa Perguruan Tinggi baik swasta maupun negeri yang ada di kota Palembang dan telah memanfaatkan Teknologi Informasi dalam proses pembelajaran. Akan diambil sejumlah sampel secara random sampling. Jumlah sampel yang dianjurkan dalam menggunakan teknik SEM, dengan prosedur estimasi MLE adalah 100 – 150 sampel [11]. Pendapat lain mengatakan bahwa jumlah sampel yang ideal untuk MLE yaitu sebanyak lima kali jumlah indikator/pertanyaan [12] yaitu sebanyak 150. Pada penelitian ini digunakan 273 sampel sehingga memenuhi asumsi tersebut.
2.3 Metode Pengumpulan Data
Pengumpulan data yang dilakukan dalam penelitian ini menggunakan kuisioner, dimana pertanyaan yang diajukan telah memiliki pilihan jawaban dengan skala likert. Skala likert merupakan salah satu skala yang paling banyak dilakukan pada penelitian sosial [13].
2.4 Model, Variabel, dan Indikator Penelitian
Berdasarkan teori dan temuan hasil penelitian sebelumnya, kemudian diusulkan suatu model penelitian yang secara langsung menunjukkan hipotesis yang diajukan pada penelitian ini. Selain itu, dari model penelitian yang diajukan dapat diketahui hubungan dari penggunaan internet terhadap minat dan perilaku belajar mahasiswa. Model penelitian ini dapat dilihat pada Gambar 2.
Hipotesis pada penelitian ini adalah :
H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa.
H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa.
Adapun indikator masing-masing variabel dan simbol-simbol untuk butir dalam kuesioner ditunjukkan seperti pada Tabel 1.
Tabel 1. Variabel dan Indikator Penelitian
Variabel Indikator Sumber
Sikap Penggunaan Internet
- Interaksi dengan internet
- Membagikan informasi di internet
- Pengalih perhatian/ kesenangan menggunakan internet - Transaksi online
- Komunikasi dan pertemanan menggunakan internet - Informasi dari internet
[8], [9], [10]
Norma Subjektif Penggunaan Internet
- Pendapat tentang rujukan informasi dari internet - Pendapat tentang membagikan informasi pribadi di
internet
- Pendapat tentang kesenangan yang berasal dari internet
- Pendapat tentang keamanan transaksi online - Pendapat tentang pertemanan di internet
- Pendapat tentang pertanggungjawaban informasi di internet
[8], [9], [10]
Minat Belajar - Keinginan belajar menggunakan internet
- Ketidakjenuhan belajar dengan menggunakan internet - Belajar dengan materi yang dapat diakses melalui
internet
- Internet suatu keharusan
- Mengerjakan tugas dengan bantuan internet - Bertukar informasi dalam tugas
[8], [9], [10]
2.5 Pengujian Kuisioner
Pengujian validitas dan reliabilitas kuisioner dilakukan untuk mengukur valid atau reliabel tidaknya suatu pernyataan dalam kuisioner yang akan digunakan pada penelitian ini. 2.6 Metode Analisis Data
Metode yang digunakan untuk menganalisis data adalah metode statistik dengan teknik multivariate SEM (Structural Equation Modeling) menggunakan aplikasi AMOS 22. SEM merupakan generasi kedua teknik analisis multivariate yang memungkinkan peneliti untuk menguji hubungan antara variabel kompleks untuk memperoleh gambaran menyeluruh tentang suatu model. Data yang telah diperoleh kemudian diolah menggunakan program Microsoft Excel 2010 dan program SPSS 16.0. Selanjutnya, pengolahan dan analisis data dengan implementasi SEM menggunakan aplikasi AMOS 22.
3. HASIL DAN PEMBAHASAN 3.1 Perancangan Kuisioner
Berdasarkan indikator yang dihasilkan dari model penelitian yang diusulkan didapatkan sebanyak 18 indikator dimana indikator ini menentukan jumlah pertanyaan yang akan ditanyakan dalam kuisioner. Adapun indikator tersebut tercantum pada Tabel 2.
ISSN: 1978-1520 110
Tabel 2. Rancangan Kuesioner
Variabel Nomor
Pert. Indikator Simbol
Sikap Penggunaan Internet
1 Informasi dari internet SP1
2 Interaksi dengan internet SP2
3 Pengalih perhatian/ kesenangan menggunakan internet
SP3
4 Transaksi online SP4
5 Komunikasi dan pertemanan di internet SP5
6 Membagikan informasi di internet SP6
Norma Subjektif 7 Pendapat tentang rujukan informasi dari internet NS1 8 Pendapat tentang membagikan informasi
pribadi di internet
NS2 9 Pendapat tentang kesenangan yang berasal dari
internet
NS3 10 Pendapat tentang keamanan transaksi online NS4 11 Pendapat tentang pertemanan di internet NS5 12 Pendapat tentang pertanggungjawaban
informasi di internet
NS6
Minat Belajar 13 Keinginan belajar menggunakan internet MB1
14 Ketidakjenuhan belajar dengan menggunakan internet
MB2 15 Belajar dengan materi yang dapat diakses
melalui internet
MB3
16 Internet suatu keharusan MB4
17 Mengerjakan tugas dengan bantuan internet MB5
18 Bertukar informasi dalam tugas MB6
3.2 Pengujian Kuisioner
Untuk menguji validitas, dilakukan perbandingan antara nilai correcteditem-totalcorrelation pada setiap indikator atau pertanyaan dengan nilai r tabel. Jika correcteditem-totalcorrelation (r hitung) bernilai positif dan lebih besar dari nilai r tabel, maka indikator atau pertanyaan pada variabel dapat dikatakan valid [14]. Nilai r tabel pada penelitian ini untuk tingkat signifikansi sebesar 5% adalah 0,1187 dengan perhitungan sampel sebesar 273 (df = 273-2 = 271) . Sehingga nilai corrected item-total correlation untuk setiap indikator atau pertanyaan masing-masing variabel harus diatas 0,1187 agar indikator yang digunakan pada penelitian ini dapat dikatakan valid. Hasil perhitungan pada penelitian ini, didapatkan semua indikator memiliki nilai corrected item-total correlation diatas 0,1187 maka semua indikator pada penelitian ini dinyatakan valid.
Sedangkan untuk menguji reliabilitas data dilakukan dengan membandingkan nilai Cronbach Alpha untuk 30 item indikator dan 273 responden. Standar batas Cronbach’s Alpha yang ditetapkan para ahli berbeda- beda. Suatu basic research secara umum direkomendasikan memiliki kisaran nilai cronbach’s alpha antara 0,7 - 0,8. Pada penelitian ini dipilih batas Cronbach’s Alpha untuk semua indikator diatas 0,7. Hasil pengujian reliabilitas pada penelitian ini diperoleh nilai Cronbach Alpha rata- rata di atas 0,7 sehingga ini menunjukkan data reliabel.
3.3 Data Responden
Populasi dari penelitian ini adalah seluruh mahasiswa perguruan tinggi yang ada di kota Palembang, dimana dari seluruh populasi mahasiswa diambil sampel yang dapat mewakili keseluruhan populasi dengan teknik convenience sampling. Dari penyebaran sebanyak 300
lembar kuesioner ke sampel yang mewakili populasi, terkumpul kembali sebanyak 273 lembar yang layak untuk dianalisis. Adapun demografi responden dari sampel yang kembali adalah sebagai berikut:
a. Jenis kelamin
Dari responden didapatkan 41% berjenis kelamin laki-laki dan 59% berjenis kelamin perempuan.
b. Masa studi (Semester yang telah ditempuh)
Dari keseluruhan responden didapatkan hasil 26% mahasiswa yang memiliki rentang semester satu sampai dengan semester 3, terdapat 45% mahasiswa rentang semester 4 sampai dengan semester 6, terdapat 10% dari semester 8 dan sisanya 4% telah menempuh lebih dari delapan semester.
c. Lama mengenal dan menggunakan komputer
Dari keseluruhan responden 86% telah mengenal dan menggunakan komputer selama lebih dari 5 tahun dan 14% mengenal kurang dari 5 tahun
d. Lama mengenal dan menggunakan internet
Dari keseluruhan responden 82% telah mengenal dan menggunakan internet selama lebih dari 5 tahun dan 18% mengenal kurang dari 5 tahun
3.4 Hasil Penelitian
Pada penelitian ini digunakan metode teknik statistik yaitu teknik multivariate Structural Equation Model (SEM) yang dapat diolah dengan program AMOS (Analysis Moment of Structural) 22.
3.4.1 Pembuatan Path Diagram
Setelah model, variabel dan indikator dibuat, proses selanjutnya adalah membuat path diagram menggunakan ikon-ikon yang ada tools AMOS yang merupakan representasi dari model, indikator, dan variabel yang telah dibuat sebelumnya. Adapun path diagram pada penelitian ini dapat dilihat pada gambar 3. Setelah dilakukan analisis konfirmatori maka selanjutnya dilakukan pengujian struktural pada keseluruhan model penelitian, pengujian ini dilakukan untuk mengetahui hubungan antar variabel laten beserta indikator – indikatornya. Pada penentuan kriteria uji kecocokan beberapa kriteria yang umum digunakan dan telah memiliki standar. Jika kriteria tersebut belum memperoleh model yang fit, maka dilakukan modifikasi hingga menghasilkan model yang fit.
ISSN: 1978-1520 112
Berdasarkan hasil modifikasi model yang dilakukan maka dilakukan pengukuran uji kecocokan untuk model structural. Berikut adalah ringkasan hasil uji kecocokan atau goodness of fit untuk model struktural dapat dlihat pada Tabel 3.
Tabel 3. Ringkasan Hasil Uji Goodness of Fit Model Struktural Setelah Modifikasi
Indikator Standar Hasil Keterangan
CMIN/DF < 2 1,972 Good Fit
GFI
>0,9 (good fit)
0,80 < GFI < 0,90 (marginal fit) 0,862 Marginal Fit
AGFI
>0,9 (good fit)
0,80 < AGFI < 0,90 (marginal fit) 0,831 Marginal Fit
PGFI >0,60 0,705 Good Fit
NFI >0,9 (good fit)
0,80 < NFI < 0,90 (marginal fit) 0,841 Marginal Fit
CFI >0,9 (good fit)
0,80 < CFI < 0,90 (marginal fit)
0,914 Good Fit
TLI >0,9 (good fit)
0,80 <TLI <0,90 (marginal fit)
0,902 Good Fit
PRATIO Antara 0 - 1 0,878 Good Fit
RMSEA <0,08 (good fit) 0,060 Good Fit
Berdasarkan data pada tabel 3 dapat disimpulkan bahwa model penelitian sudah fit secara keseluruhan dengan data yang ada. Setelah uji kecocokan atau goodness of fit dari model struktural terpenuhi, maka dapat dilakukan analisis hubungan antar konstruk.
3.4.2 Analisis hubungan antar konstruk
Menganalisis hubungan antar konstruk atau variabel yang menjadi hipotesis dilakukan dengan melihat nilai Critical Ratio (CR) dan nilai probability (p) dari setiap hubungan antar variabel laten. Nilai CR didapat melalui perbandingan dengan nilai t-table. Untuk sisa sampel sebanyak 273 (df= 271) maka nilai t- table adalah 1,96. Sementara nilai probabilitas dibandingkan dengan nilai 0,05. Apabila nilai CR lebih besar dari 1,96 dan nilai probabilitas kurang dari atau sama dengan 0,05 maka hipotesis penelitian yang diajukan dapat diterima. Nilai CR dan probability dapat diketahui melalui aplikasi AMOS dari keluaran Regression Weight dan Covariances. Ringkasan hasil analisis hubungan antar konstruk atau pengujian hipotesis dapat dilihat pada Tabel 4.
Tabel 4. Ringkasan Hasil Analisis Hubungan Antar Konstruk pada Model Penelitian Hubungan Antar Konstruk Nilai C.R Nilai p Keterangan Kesimpulan
H1 SP MB 9,551 0,00 Ada hubungan signifikan Hipotesis Diterima
H2 NS MB 1,578 0,115 Tidak ada hubungan
signifikan Hipotesis Ditolak Dari hasil analisis hubungan antar konstruk yang terdapat pada Tabel 4 menunjukkan bahwa dari 2 hipotesis awal pada model penelitian, 1 hipotesis memiliki hubungan yang signifikan sementara 1 hipotesis tidak memiliki hubungan yang signifikan. Adapun hipotesis yang memiliki hubungan yang signifikan adalah hipotesis yang memiliki nilai CR lebih dari 1,96 dan nilai probability kurang dari atau sama dengan 0,05.
Hipotesis yang diterima menunjukkan adanya hubungan yang signifikan antara sikap penggunaan Internet terhadap minat belajar mahasiswa. Sementara dari hasil pengujian menunjukkan bahwa Norma Subjektif penggunaan Internet tidak memiliki hubungan yang signifikan terhadap minat belajar mahasiswa.
3.4.3 Kesimpulan Pengujian Hipotesis
Setelah melalui beberapa tahapan analisis data menggunakan teknik SEM berbasis kovarians dengan memanfaatkan aplikasi AMOS 22, hasil akhir pengolahan data harus diinterpretasikan untuk membuktikan hipotesis penelitian yang telah diajukan. Berikut kesimpulan dari setiap hipotesis sebagai hasil dari analisis hubungan antar konstruk pada model penelitian.
H1: Sikap Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa
Hipotesis ini terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model struktural, variabel sikap penggunaan internet memiliki hubungan yang signifikan terhadap variabel minat belajar mahasiswa. Sikap mahasiswa dalam menggunakan internet dapat menumbuhkan minat belajar mahasiswa. Kemudahan memperoleh informasi dari internet dapat menjadi salah satu motivasi mahasiswa untuk menumbuhkan minat belajar.
H2: Norma Subjektif Penggunaan Internet memiliki hubungan yang signifikan terhadap minat belajar mahasiswa
Hipotesis ini tidak terbukti melalui pengolahan data yang ada. Berdasarkan pengujian model struktural, variabel norma subjekif penggunaan internet tidak memiliki hubungan yang signifikan terhadap variabel minat belajar mahasiswa. Hal ini menunjukkan bahwa pendapat orang disekitar tentang penggunaan internet tidak mampu untuk menumbuhkan minat belajar mahasiswa.
4. KESIMPULAN
Adapun kesimpulan yang dapat diambil dalam pengaruh pemaanfaatan internet terhadap minat belajar adalah:
1. Model penelitian yang diadopsi dari TRA adalah model dapat diterapkan untuk mengetahui pengaruh penggunaan internet terhadap minat belajar mahasiswa.
2. Berdasarkan hasil pengujian, dapat dianalisis bahwa sikap responden dalam penggunaan internet memiliki pengaruh terhadap minat belajar responden yang dalam hal ini adalah mahasiswa. Dengan kata lain dapat disimpulkan bahwa sikap mahasiswa dalam menggunakan internet dapat menumbuhkan minat belajar mahasiswa.
3. Dari hasil pengujian juga menunjukkan bahwa norma subjektif yang dalam hal ini adalah pendapat orang di sekitar responden yang pendapatnya dipertimbangkan oleh responden tidak mampu untuk menumbuhkan minat belajar responden.
5. SARAN
Adapun saran yang dapat disampaikan dalam penelitian ini yaitu penelitian ini diharapkan model penelitian ini dapat dikembangkan lebih lanjut, dapat dengan cara menghubungkan antar variabel yang telah dibangun di penelitian ini atau menambahkan variabel baru yang memungkinkan berdasarkan teori yang kuat. Model juga dapat dikembangkan dengan menggunakan model lain seperti Theory Planned Behavior (TPB) yang merupakan pengembangan dari Theory Reasoned Action (TRA) mengingat TRA masih memiliki
![Gambar 1. Pseudocode Algoritma C4.5 [14]](https://thumb-ap.123doks.com/thumbv2/123dok/4759401.3430820/18.892.259.632.146.482/gambar-pseudocode-algoritma-c.webp)
