(STUDI KASUS: SMKN 1 BOJONG)
SKRIPSI
Oleh:
ESTI LUTVIA SARI 311410546
PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
(STUDI KASUS: SMKN 1 BOJONG)
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
ESTI LUTVIA SARI 411310546
PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
i
PERSETUJUAN
ii
PENGESAHAN
iii
PERNYATAAN KEASLIAN PENELITIAN
iv
KATA PENGANTAR
Puji syukur peneliti panjatkan ke hadiran Allah SWT. yang telah melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul “SISTEM PENDUKUNG KEPUTUSAN DALAM PENENTUAN PROGRAM STUDI PERGURUAN TINGGI DENGAN ALGORITMA C4.5 (Studi Kasus: SMKN 1 BOJONG)”.
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.
Peneliti sungguh sangat menyadari, bahwa penelitian Skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah selayaknya, dalam kesempatan ini peneliti menghaturkan penghargaan dan ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Dr. Ir. Supriyanto, M.P selaku Ketua STT Pelita Bangsa
2. Bapak Aswan S. Sunge, S.Kom, M.Kom selaku Ketua Program Studi Teknik Informatika STT Pelita Bangsa.
3. Bapak Drs. Muhtajuddin S.Kom.,M.Kom. selaku Pembimbing Utama yang telah banyak memberikan arahan dan bimbingan kepada peneliti dalam penyusunan Skripsi ini.
4. Bapak Windi, S.Pd.,MM. selaku Pembimbing Kedua yang telah banyak memberikan arahan dan bimbingan kepada peneliti dalam penyusunan Skripsi ini.
5. Seluruh Dosen STT Pelita Bangsa yang telah membekali peneliti dengan wawasan dan ilmu di bidang teknik informatika.
6. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya kepada peneliti selama perjalanan studi jenjang Strata 1.
7. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang telah banyak memberikan inspirasi dan semangat kepada peneliti untuk dapat menyelesaikan studi jenjang Strata 1.
v
8. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan peneliti.
Akhir kata, peneliti mohon maaf atas kekeliruan dan kesalahan yang terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa khususnya dan Indonesia pada umumnya.
Bekasi, 09 November 2018
Esti Lutvia Sari
vi
DAFTAR ISI
PERSETUJUAN ... i
PENGESAHAN ... ii
PERNYATAAN KEASLIAN PENELITIAN ... iii
KATA PENGANTAR ... iv
DAFTAR ISI ... vi
DAFTAR TABEL ... x
DAFTAR GAMBAR ... xi
ABSTRACT ... xiii
ABSTRAK ... xiv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah ... 3
1.3 Batasan Masalah ... 3
1.4 Rumusan Masalah ... 4
1.5 Tujuan ... 4
1.6 Manfaat ... 5
1.7 Sistematika Penelitian ... 5
BAB II TINJAUAN PUSTAKA ... 7
vii
2.1 Tinjauan Penelitian ... 7
2.2 Teori Pendukung ... 9
2.2.1 Penentuan Program Studi ... 9
2.2.2 Perguruan Tinggi ... 11
2.3 Sistem Pendukung Keputusan ... 11
2.3.1 Pengertian Sistem Pendukung Keputusan ... 11
2.3.2 Tujuan Sistem Pendukung Keputusan ... 12
2.3.3 Karakteristik Sistem Pendukung Keputusan ... 13
2.3.4 Struktur Keputusan Masalah ... 13
2.3.5 Tahapan-tahapan Pengambilan Keputusan ... 14
2.3.6 Komponen Sistem Pendukung Keputusan ... 15
2.4 Teori Algoritma C4.5 ... 16
2.4.1 Klasifikasi ... 16
2.4.2 Pohon Keputusan (Decision Tree) ... 17
2.4.3 Algoritma C4.5 ... 18
2.4.4 Tahapan Algoritma C.4.5 ... 19
2.5 Teori Perancangan Sistem ... 21
2.5.1 Extreme Programming ... 21
2.5.2 Flowchart ... 22
2.5.3 Unified Modelling Language (UML) ... 23
viii
2.5.4 Metode Pengujian Black Box ... 25
2.6 Teori Pemograman ... 26
2.6.1 PHP ... 26
2.6.2 MySQL ... 26
2.7 Kerangka Berfikir ... 28
BAB III ANALISA DAN PERANCANGAN ... 29
3.1 Objek Penelitian ... 29
3.1.1 Sejarah Penelitian ... 29
3.1.2 Visi dan Misi ... 29
3.1.3 Struktur Organisasi ... 30
3.2 Pengumpulan Data ... 31
3.3 Analisa Algoritma C4.5 ... 31
3.3.1 Data Uji ... 33
3.3.2 Data Preprocessing ... 33
3.3.3 Perhitungan Algoritma C4.5 ... 35
3.4 Metode Pengembangan Sistem ... 44
3.5 Metode Perancangan Sistem... 45
3.5.1 Indikator Aktor ... 46
3.5.2 Diagram Usecase ... 46
3.5.3 Activity Diagram ... 49
ix
3.5.4 Class Diagram ... 55
3.5.5 Diagram Sequence ... 56
3.5.6 Kamus Data ... 61
3.5.6 Desain Interface Aplikasi ... 63
BAB IV HASIL DAN PEMBAHASAN ... 67
4.1 Hasil ... 67
4.1.1 Spesifikasi Sistem ... 67
4.1.2 Implementasi Sistem ... 68
4.2 Pembahasan ... 73
BAB V PENUTUP ... 75
5.1 Kesimpulan ... 75
5.2 Saran ... 75
DAFTAR PUSTAKA ... 77
LAMPIRAN ... 80
x
DAFTAR TABEL
Tabel 2.1 Symbol Flowchart ... 22
Tabel 3.1 Data Uji ... 33
Tabel 3.2 Data Transform (node 1) ... 34
Tabel 3.3 Data Penyelesaian ( node 1) ... 35
Tabel 3.4 Transformation Decision Tree (node 2.1) ... 38
Tabel 3.5 Data Penyelesaian (node 2.1) ... 38
Tabel 3.6 Transformation Decision Tree (node 2.2) ... 41
Tabel 3.7 Data Penyelesaian (node 2.2) ... 41
Tabel 3.8 Skenario Use Case Admin ... 47
Tabel 3.9 Skenario Use Case Siswa ... 49
Tabel 3.10 Transaksi SPK ... 62
Tabel 3.11 Data Program Studi ... 62
Tabel 3.12 Data User ... 63
Tabel 4.1 Tabel Pengujian ... 74
xi
DAFTAR GAMBAR
Gambar 2.1 Kerangka Berfikir ... 28
Gambar 3.1 Struktur Organisasi ... 30
Gambar 3.2 Flowchart SPK ... 32
Gambar 3.3 Pohon Keputusan node 1 ... 37
Gambar 3.4 Pohon Keputusan node 2.1 ... 40
Gambar 3.5 Pohon Keputusan node 2.2 ... 43
Gambar 3.6 Extreme Programming... 45
Gambar 3.7 Use Case ... 47
Gambar 3.8 Activity diagram login ... 50
Gambar 3.9 Activity Diagram User ... 51
Gambar 3.10 Activity Diagram Data Siswa ... 52
Gambar 3.11 Activity diagram Setting Info Prodi ... 53
Gambar 3.12 Activity Diagram Testing ... 54
Gambar 3.13 Activity Diagram Info Prodi ... 54
Gambar 3.14 Activity Diagram Logout ... 55
Gambar 3.15 Clas Diagram ... 56
Gambar 3.16 Diagram Sequence Login ... 56
Gambar 3.17 Diagram Sequence User ... 57
Gambar 3.18 Diagram Sequence Data Siswa ... 58
Gambar 3.19 Diagram Sequence Setting Program Studi ... 59
Gambar 3.20 Diagram Sequence Testing ... 59
Gambar 3.21 Diagram Sequence Info Prodi ... 60
xii
Gambar 3.22 Diagram Sequence Logout ... 61
Gambar 3.23 User Interface Login Admin ... 63
Gambar 3.24 User Interface Menu Utama Admin ... 64
Gambar 3.25 User Interface User Admin ... 64
Gambar 3.26 User Interface Data Siswa Admin ... 64
Gambar 3.27 User Interface Setting Info Prodi Admin ... 65
Gambar 3.28 User Interface Info Prodi Admin ... 65
Gambar 3.29 User Interface Login Siswa ... 65
Gambar 3.30 User Interface Menu Utama Siswa... 66
Gambar 3.31 User Interface Info Prodi Siswa ... 66
Gambar 3.32 User Interface Testing Siswa ... 66
Gambar 4.1 User Interface Login Admin ... 68
Gambar 4.2 User Interface Menu Utama Admin ... 69
Gambar 4.3 User Interface Menu User Admin ... 69
Gambar 4.4 User Interface Data Siswa Admin ... 70
Gambar 4.5 User Interface Setting Info Prodi Admin ... 70
Gambar 4.6 User Interface Info Prodi Admin ... 71
Gambar 4.7 User Interface Login Siswa ... 71
Gambar 4.8 User Interface Menu Utama Siswa ... 72
Gambar 4.9 User Interface Info Prodi ... 72
Gambar 4.10 User Interface Testing Siswa ... 73
xiii ABSTRACT
Determination of study programs in universities is one aspect that influences the learning process and the future of a student or prospective student. The problem in determining the study program at SMKN 1 Bojong is that there are still many students who are confused and hesitant in making decisions because one of them is influenced by the case of a senior or alumni who is wrong in determining the study program, thus inhibiting the learning process. Decision support system (SPK) was built to help solve the problem by providing study program recommendations based on interest criteria and national exam scores (Indonesian, English, Mathematics and KMP). Decision support system for determining this study program uses the C4.5 algorithm. In building this system the compiler uses the Extreme Programming method, and system design uses the Unified Modeling Language (UML). For making applications using the PHP programming language and MySQL database. The testing using the Black Box Testing method. This research produces a decision support system that can recommend 5 study programs at universities, namely Informatics Engineering, Architectural Engineering, Environmental Engineering, Accounting, and Manajemen.
Keywords: SPK, Determination of Study Programs, C4.5 Algorithms, Extreme Programming, UML, PHP, and MySQL.
xiv ABSTRAK
Penentuan program studi pada perguruan tinggi merupakan salah satu aspek yang berpengaruh pada proses pembelajaran dan masa depan seorang siswa atau calon mahasiswa. Permasalahan pada penentuan program studi di SMKN 1 Bojong yaitu dikarenakan masih banyaknya siswa yang binggung dan ragu dalam mengambil keputusan karena salah satunya dipengaruhi oleh adanya kasus kakak kelas atau alumni yang salah dalam menentukan program studi, sehingga menghambat proses pembelajaran. Sistem pendukung keputusan (SPK) dibangun untuk membantu memecahkan masalah tersebut dengan memberikan rekomendasi program studi yang berdasarkan pada kriteria minat dan nilai ujian nasional (Bahasa Indonesia, Bahasa Inggris, Matematika dan KMP). Sistem pendukung keputusan penentuan program studi ini menggunakan algoritma C4.5. Dalam membangun sistem ini penyusun menggunakan metode Extreme Programming, dan perancangan sistem menggunakan Unified Modeling Language (UML). Untuk pembuatan aplikasi menggunakan bahasa pemograman PHP dan database MySQL serta pengujiannya menggunakan metode Black Box Testing. Penelitian ini menghasilkan sebuah sistem pendukung keputusan yang dapat merekomendasikan 5 program studi pada perguruan tinggi yaitu Teknik Informatika, Teknik Arsitektur, Teknik Lingkungan, Akuntansi, dan Manajemen.
Kata Kunci : SPK, Penentuan Program Studi, Algoritma C4.5, Extreme Programming, UML, PHP, dan MySQL
1 BAB I
PENDAHULUAN
1.1 Latar Belakang
Program studi merupakan satu kesatuan rencana belajar dalam suatu jenjang pendidikan tinggi atau perguruan tinggi yang diselenggarakan atas dasar suatu kurikulum yang telah ditentukan. Penentuan program studi merupakan masalah yang sangat sering dihadapi oleh calon mahasiswa. Dalam memilih jurusan atau program studi di Perguruan Tinggi tentulah dipengaruhi oleh banyak faktor. Faktor diantaranya adalah faktor internal dan eksternal. Minat dan bakat yang dimiliki dan ingin dikembangkan merupakan faktor internal yang berasal dari siswa itu sendiri.
Faktor eksternal yaitu berasal dari keinginan orang tua, teman atau bahkan karena mengikuti perkembangan kebutuhan sumber daya manusia di dunia pekerjaan (Rohayani, 2013). Padahal dalam penentuan program studi perguruan tinggi harus sesuai dengan kemampuan dan minat dari siswa. Berhenti kuliah atau pergantian program studi pada saat sudah menempuh beberapa semester sangat tidak efektif dari segi materi maupun dari segi waktu yang telah digunakan.
Masalah penentuan program studi di Perguruan tinggi tersebut juga dialami oleh siswa kelas XII SMKN 1 Bojong. SMKN 1 Bojong merupakan salah satu sekolah menengah kejuruan yang ada di kabupaten Purwakarta yang sebagian banyak siswanya ingin melanjutkan pendidikan ke jenjang perguruan tinggi. Akan tetapi masih banyak siswa SMKN 1 Bojong yang masih bingung menentukan program studi pada perguruan tinggi yang akan di ambil sesuai dengan minat bakat
serta nilai akademis yang siswa miliki. Karena belum adanya pengetahuan mengenai program studi yang akan dipilih dalam penentuan minat ilmu yang akan dipelajari. Serta banyaknya kasus mahasiswa yang salah dalam menentukan program studi mempengaruhi siswa dalam menentukan keputusannya. Maka dari itu untuk mengatasi masalah dalam dunia perkuliahan tersebut perlu adanya suatu sistem pendukung keputusan yang mampu merekomendasikan siswa untuk menentukan program studi.
Sistem pendukung keputusan atau Decision Support System (DSS) merupakan suatu sistem berbasis komputer yang dapat membantu seseorang dalam meningkatkan kinerjanya dalam pengambilan keputusan (Dwi & Supartha, 2014).
Dalam hal ini, sistem pendukung keputusan digunakan untuk membantu siswa supaya mendapatkan gambaran atau untuk merekomendasikan program studi mana yang akan dipilih yang berdasarkan pada kriteria-kriteria yang telah ditentukan.
Peran pemilihan algoritma yang digunakan dalam sistem pendukung keputusan menjadi penting, karena penggunaan algoritma yang tepat menentukan ketepatan dan keakuratan dari solusi yang dihasilkan kepada user sebagai pengguna.
Pada penelitian ini untuk mendapatkan suatu keputusan atau alternatif terbaik dalam proses penentuan keputusan program studi dengan menggunakan algoritma C4.5. Algoritma C4.5 merupakan kelompok algoritma decision tree.
Model C4.5 dipilih karena proses learning dan klasifikasi pohon keputusan sederhana dan cepat. Secara umum, hasil klasifikasi metode pohon keputusan juga lebih mudah dipahami dan diinterpretasikan (Khasanah, 2017). Berdasarkan latar belakang masalah diatas maka peneliti mengambil judul “SISTEM
PENDUKUNG KEPUTUSAN DALAM PENENTUAN PROGRAM STUDI PERGURUAN TINGGI DENGAN ALGORITMA C4.5 (Studi Kasus: SMKN 1 Bojong) “.
1.2 Identifikasi Masalah
Adapun identifikasi masalah dalam penelitian ini adalah sebagai berikut:
1. Banyaknya siswa yang bingung menentukan program studi pada perguruan tinggi yang akan diambil.
2. Belum adanya pengetahuan mengenai program studi yang akan dipilih dalam penentuan minat ilmu yang akan dipelajari.
3. Belum adanya suatu sistem yang dapat merekomendasikan dalam penentuan program studi.
4. Belum adanya suatu metode yang akurat dalam penentuan program studi.
1.3 Batasan Masalah
Berdasarkan rumusan masalah diatas maka dibatasi permasalahan sebagai berikut :
1. Penelitian dilakukan terhadap siswa-siswi kelas XII SMKN 1 Bojong tahun ajaran 2016/2017.
2. Metode yang digunakan untuk penenentuan program studi perguruan tinggi adalah algoritma C4.5.
3. Hanya sebagai alat pertimbangan untuk penentuan program studi perguruan tinggi.
1.4 Rumusan Masalah
Berdasarkan identifikasi masalah diatas, maka dapat dirumuskan permasalahannya, yaitu sebagai berikut:
1. Bagaimana cara mempermudah siswa dalam penentuan program studi pada perguruan tinggi?
2. Bagaimana merancang sistem pendukung keputusan untuk penetuan program studi pada perguruan tinggi berbasis web?
3. Bagaimana menerapkan algoritma C4.5 dalam sistem pendukung keputusan untuk penentuan program studi pada perguruan tinggi ?
1.5 Tujuan
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
1. Mempermudah siswa untuk menentukan program studi pada perguruan tinggi dengan membuat sistem pendukung keputusan.
2. Untuk membuat sistem pendukung keputusan penentuan program studi pada perguruan tinggi berbasis web dengan menggunakan bahasa pemograman PHP.
3. Penerapan algoirtma C4.5 digunakan untuk mempermudah dalam pembuatan alur sistem pendukung keputusan penentuan program studi pada perguruan tinggi.
1.6 Manfaat
Peneliti berharap bahwa tugas skripsi ini dapat memberikan kontribusi lebih yang dapat dirasakan oleh berbagai pihak, khususnya bagi peneliti dan umumnya bagi semua pihak yang terlibat maupun tidak terlibat dalam penelitian tugas skripsi ini, Adapun manfaat penelitian tugas ini adalah sebagai berikut :
1.6.1 Bagi Mahasiswa
Sebagai tambahan dan penerapan ilmu pada jurusan Teknik Informatika dengan kajian data mining dan metode klasifikasi atau sebagai salah satu syarat kelulusan gelar Srata Satu (S1) di STT Pelita Bangsa.
1.6.2 Bagi Program Studi Teknik Informatika STT Pelita Bangsa
Dapat menambah manfaat dalam teknik data mining untuk menganalisa opini mahasiswa dalam pembelajaran menggunakan metode klasifikasi (C4.5).
1.6.3 Bagi Instansi
Sebagai pendukung keputusan secara klasifikasi dengan akurasi terbaik dalam menentukan jurusan kuliah.
1.7 Sistematika Penelitian
Agar pembahasan lebih sitematis, maka makalah ini dibuat dalam lima bab, yaitu :
BAB I PENDAHULUAN
Pada bab ini berisi tentang latar belakang, pembatasan masalah atau ruang lingkup, tujuan dan manfaat penelitian, dan sistematika penelitian.
BAB II LANDASAN TEORI
Pada bab ini berisi tentang teori mengenai kumpulan tujuan pustaka, landasan teori dan kerangka pemikiran yang berhubungan dengan topik pembahasan.
BAB III ANALISA DAN PERANCANGAN
Pada bab ini diuraikan mengenai analisa sistem yang sudah ada sebelumnya dan sistem yang akan dibuat. Menguraikan tentang analisis sistem yang sebelumnya dengan menggunakan pemodelan sistem dengan Unifed Modelling Languange (UML). Sedangkan perancangan sistem yang diusulkan mencakup perancangan basis data.
BAB IV HASIL DAN PEMBAHASAN
Menguraikan tentang hasil dan pembahsan penelitian dalam menyelesaikan permasalahan yang ada.
BAB V PENUTUP
Bab ini berisi tentang kesimpsulan dan saran dari hasil penyusunan yang telah di susun.
7 BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Penelitian
Dari penelitian yang berkaitan dengan skripsi ini terutama dalam hal penentuan keputusan program studi, yaitu :
1. Liliana Swastina (2013), Penerapan Algoritma C4.5 Utuk Penentuan Jurusan Mahasiswa.
Penelitian ini digunakan untuk menentukan jurusan yang akan diambil oleh mahasiswa sesuai dengan latar belakang, minat dan kemampuan. Dengan penenerapan algoritma C4.5 menjadi solusi untuk mahasiswa dalam menentukan jurusan yang ditempuh oleh mahasiswa selama program studi sehingga peluang untuk sukses dalam studi perguruan tinggi semakin besar.
Parameter yang digunakan adalah indeks prestasi kumulatif semester 1 dan 2.
Pada penelitian ini model yang diusulkan algoritma C4.5 akan dibandingkan dengan model Naive Bayes. Algoritma C4.5 menghasilkan lebih tinggi nilai tingkat keakuratan 93,31% dan akurasi rekomendasi jurusan sebesar 82,64%.
Sedangkan Naive Bayes menghasilkan tingkat keakuratan 89,02% dan akurasi rekomendasi jurusan sebesar 66,36%.
2. Mutiara Shany Sinambela, RA Paramita Mayadewi, S.Kom., M.T. dan Ely Rosely, Ir.,M.B.S.(2016), Sistem Pendukung Keputusan Peminatan Jurusan Siswa Di SMA Menggunakan Algoritma Klasifikasi Data mining C4.5).
Pada penelitian ini peneliti membangun sebuah sistem pendukung keputusan untuk membantu menentukan penentuan jurusan dengan algoritma klasifikasi data mining C4.5. Hal ini disebabkan oleh banyaknya data siswa siswi yang ahrus dikelola oleh sekolah sehingga ketika dalam penentuan jurusan tidak efektif. Sistem pendukung keputusan ini dibangun berdasarkan Knowledge Discovery in Database (KDD) untu proses data mining dan metode waterfall untuk aplikasinya. Implementasi dari metode klasifikasi data mining menggunakan tools WEKA menghasilkan rule untuk penentuan jurusan siswa.
Rule yang dihasilkan diterapkan pada aplikasi ini.
3. Yeni Kustiyahningsih dan Eza Rahmanita (2016), Aplikasi Sistem Pendukung Keputusan Menggunakan Algoritma C4.5 Untuk Penjurusan SMA.
Sistem pendukung keputusan pada penelitian ini menggunakan algoritma C4.5.
Kelebihan algoritma C4.5 yaitu dapat menangani atribut kontinyu dan diskrit, kemudian dapat menangani training data dengan missing value, serta menggunakan gain ratio untuk memperbaiki information gain. Tujuan dari penelitian ini adalah membuat klasifikasi penjurusan siswa menggunakan algoritma C4.5 mempermudah dan mempercepat penentuan penyeleksian pemilihan jurusan sehingga proses yang dihasilkan dari seleksi ini lebih akurat dan objektif. Kriteria yang digunakan adalah nilai matematika, fisika, Biologi, Kimia, nilai Psikotest (IQ), Saran Psikotest, Angket/minat siswa, Saran bimbingan konseling. Dari uji coba yang dilakukan nilai akurasi yang dihasilkan setelah dilakukan pruning lebih baik tanpa pruning. Nilai akurasi
yang menggunakan pruning sebesar 96% sedangkan yang tanpa pruning adalah 87%.
4. Siti Nur Khasanah (2017), Penerapan Algoritma C4.5 Untuk Penentuan Kelayakan Kredit.
Pada penelitian ini algoritma C4.5 digunakan untuk penentuan kelayakan kredit apakah calon nasabah akan menjadi nasabah yang pembayarannya lancar atau bermasalah. Dengan menggunakan penialain kredit yang tepat, bank dapat mengevaluasi apakah pemohon layak untuk mendapatkan kredit atau tidak.
Klasifikasi dilakukan terhadap nasabah yang dikategorikan nasabah lancar dan bermasalah dengan membandingkan algoritma C4.5. Nilai akurasi yang didapatkan algoritma C4.5 classifier dengan menggunakan data training 270 nasabah adalah 88.52%.
Dari tinjauan pustaka tersebut dapat di simpulkan bahwa algoritma C4.5 menunjukkan hasil akurasi yang lebih baik dan lebih tinggi. Oleh karena itu peneliti memutuskan menggunakan algoritma C4.5 dalam melakukan klasifikasi penentuan program studi pada perguruan tinggi. Serta rule yang dihasilkan akan digunakan sebagai penentu keputusan, sehingga hasilnya bisa mengklasifikasikan program studi sesuai dengan minat dan kemampuan siswa.
2.2 Teori Pendukung
2.2.1 Penentuan Program Studi
Penentuan program studi (penjurusan) adalah suatu proses menentukan, penetapan atau penyaluran program pembelajaran siswa SMA dan sejajar untuk
melanjutkan ke suatu fakultas atau sekolah tinggi yang sudah di pertimbangan, pemikiran serta pembahasan yang matang untuk mengelola dan mengembangkan suatu bidang studi dan hanya terfokus pada bidang tersebut.
Dalam penentuan program studi ini siswa mempunyai kebebasan dalam memilih program studi sesuai dengan yang siswa inginkan. Ketepatan dalam memilih program studi dapat menentukan keberhasilan belajar siswa. Sebaliknya, kurang tepat memilih program studi akan mengakibatkan berhenti kuliah atau pergantian program studi pada saat sudah menempuh beberapa semester sangat tidak efektif dari segi materi maupun dari segi waktu yang telah digunakan.
Proses pengambilan keputusan individu dipengaruhi oleh beberapa faktor, diantaranya (Tyasasi, 2014) :
1. Faktor Kebudayaan
Faktor ini mempunyai pengaruh yang paling luas dan dalam terhadap pengambilan keputusan remaja dalam menentukan jurusan.
2. Faktor Sosial
Faktor ini meliputi kelompok acuan, keluarga, peran dan status sosial individu dan lingkungan individu.
3. Faktor Pribadi
Pribadi seseorang jiuga mempengaruhi keputusan remaja dalam memilih jurusan seperti gaya hidup dan konsep diri yang bersangkutan.
4. Faktor Psikologis
Dalam faktor psikologis, yang mempengaruhi keputusan ialah motivasi, persepsi proses belajar, kepercayaan dan sikap.
2.2.2 Perguruan Tinggi
Menurut UUD RI Pasal 1 Perguruan tinggi adalah lembaga ilmiah yang mempunyai tugas menyelenggarakan pendidikan dan pengajaran di atas perguruan tingkat menengah, dan memberikan penndidikan dan pengajaran berdasarkan kebudayaan kebangsaan indonesia dengan cara ilmiah (UUD-RI, 1961). Pada pasal 2 dijelaskan bahwa perguruan tinggi pada umumnya bertujuan:
(1) Membentuk manusia susila yang berjiwa pancasila dan bertanggung jawab akan terwujudnya masyarakat sosialis indonesia yang adil dan makmur, materil dan spiritual:
(2) Menyiapkan tenaga yang cakap berdiri sendiri dalam memelihara dan memajukan ilmu pengetahuan;
(3) Melakukan penelitian dan usaha kemajuan dalam lapangan ilmu pengetahuan, kebudayaan dan kehidupan masyarakat.
2.3 Sistem Pendukung Keputusan
2.3.1 Pengertian Sistem Pendukung Keputusan
Sistem pendukung keputusan (SPK) atau decision support system adalah suatu sistem berbasis komputer yang dapat membantu seseorang dalam meningkatkan kinerjanya dalam pengambilan keputusan (Dwi & Supartha, 2014).
Sistem Pendukung Keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambil keputusan dalam situasi yang
semiterstruktur dan situasi yang tidak terstruktur, di mana tidak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat (Wasiati, & Wijayanti, 2014).
Sistem pendukung keputusan sebagai sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi, sistem bahasa (mekanisme untuk memberikan komunikasi antara pengguna dan komponen sistem pendukung keputusan lain), sistem pengetahuan (respositori pengetahuan domain masalah yang ada pada sistem pendukung keputusan sebagai data atau sebagai prosedur), dan sistem pemrosesan masalah (hubungan antara dua komponen lainnya, terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan) (Nofriansyah, 2015).
Sehingga dapat ditarik kesimpulan bahwa SPK adalah sistem informasi interaktif berbasis komputer yang terdiri dari prosedur dalam pemrosesan data dan komponen yang saling berinteraksi untuk menghasilkan informasi yang dapat membantu memudahkan seseorang untuk mengambil keputusan.
2.3.2 Tujuan Sistem Pendukung Keputusan
Adapun tujuan dari sistem pendukung keputusan adalah sebagai berikut (Rohayani, 2013):
1. Membantu manajer dalam pengambilan keputusan atas masalah semi- terstruktur.
2. Meningkatkan efektivitas keputusan yang diambil manajer lebih daripada perbaikan efisiensinya.
3. Peningkatan produktivitas. Pendukung terkomputerasi bisa mengurangi ukuran kelompok dan memungkinkan para anggotanya untuk berasal dari berbagai lokasi yang berbeda-beda (menghemat biaya perjalanan).
2.3.3 Karakteristik Sistem Pendukung Keputusan
Sistem pendukung keputusan mempunyai karakteristik, yaitu (Nofriansyah, 2015) :
a. Mendukung proses pengambilan keputusan suatu organisasi atau perusahaan.
b. Adanya interface manusia/mesin dimana manusia (user) tetap memegang kontrol proses pengmbilan keputusan.
c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi.
d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan.
e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem.
f. Memiliki dua komponen utama yaitu, data dan model.
2.3.4 Struktur Keputusan Masalah
Keputusan yang diambil untuk menyelesaikan suatu masalah dilihat dari struktur masalahnya terbagi menjadi 3, yaitu (Yusnita, & Handini, 2012):
1. Keputusan terstruktur (structured Desicion)
Keputusan yang dilakukan secara berulang-ulang dan bersifat rutin.
Prosedur pengambilan keputusan sangatlah jelas. Keputusan tersebut terutama dilakukan pada manajemen tingkat bawah. Misalnya, keputusan pemesanan barang dan keputusan penagihan piutang.
2. Keputusan semi terstruktur
Keputusan yang memiliki dua sifat. Sebagian keputusan bisa ditangani oleh komputer dan yang lain tetap harus dilakukan oleh pengambil keputusan.
Prosedur dalam pengambilan keputusan tersebut secara garis besar sudah ada, tetapi ada beberpa hal yang masih memerlukan kebijakan dari pengambil keputusan. Biasanya keputusan semacam ini diambil oleh manajer level menegah dalam suatu organisasi.
3. Keputusan tak terstruktur
Keputusan yang penanganannya rumit karena tidak terajadi berulang-ulang atau tidak selalu terjadi. Keputusan tersebut menurut pengalaman dan berbagai sumber yang bersifat eksternal. Keputusan tersebut umumnya terjadi pada manajemen tingkat atas. Contohnya adalah keputusan untuk pengembangan teknologi baru, keputusan untuk bergabung dengan perusahaan lain dan perekrutan ekesekutif.
2.3.5 Tahapan-tahapan Pengambilan Keputusan
Tahapan-tahapan dalam pengambilan keputusan adalah, sebagai berikut (Rozi, 2015) :
1. Tahap Inteligensi
Merupakan tahap indentifikasi permasalahan yang dihadapi. Tahap ini terdiri dari tujuan organisasi, aktivitas penelusuran, pendeteksian serta proses pengenalan masalah.
2. Tahap Desain
Aktivitas yang dilakukan yaitu membuat suatu model yang sesuai dengan permasalahan yang dihadapi, menentukan kriteria pilihan solusi, mencari alternatif-alternatif penyelesaian, dan memperkirakan hasil (outcome) yang akan diperoleh.
3. Tahap Pemilihan
Merupakan tahap dimana dilakukan proses pemilihan di antara berbagai alternatif tindakan yang mungkin dijalankan. Hasil pemilihan tersebut kemudian diimplementasikan dalam proses pengambilan keputusan.
2.3.6 Komponen Sistem Pendukung Keputusan
Sistem pendukung keputusan dibangun oleh tiga komponen utama, yaitu (Nofriansyah, 2015):
1. Sub Sistem Data (Database)
Sub sistem data merupakan komponen sistem pendukung keputusan yang berguna sebagai penyedia data bagi sistem. Data tersebut disimpan untuk diorganisasikan dalam sebuah basis data yang diorganisasikan oleh suatu sistem yang disebut dengan sistem manajemen basis data (database manajemen sistem).
2. Sub Sistem Model (Modelbase)
Model adalah suatu tiruan dari alam nyata. Kendala yang sering dihadapi dalam merancang model adalah bahwa model yang dirancang tidak mampu mencerminkan seluruh variabel alam nyata, sehingga keputusan yang diambil tidak sesuai dengan kebutuhan oleh karena itu, dalam menyimpan berbagai model harus diperhatikan dan harus dijaga fleksibilitasnya. Hal lain yang harus diperhatikan adalah pada setiap model yang disimpan hendaknya ditambahkan rincian keterangan dan penjelasan yang kompersensif mengenai model yang dibuat.
3. Sub Sistem Dialog (User System Interface)
Sub sistem dialog adalah fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan pengguna secara interaktif, yang dikenal dengan subsistem dialog. Melai sub sistem dialog sistem diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dibuat.
2.4 Teori Algoritma C4.5 2.4.1 Klasifikasi
Klasifikasi merupakan suatu proses menemukan kumpulan pola atau fungsi yang mendeskripsikan serta memisahkan kelas data yang satu dengan yang lainnya untuk menyatakan objek tersebut masuk pada kategori tertentu yang sudah ditentukan (Novandya & Oktria, 2017).
Klasifikasi merupakan penentuan sebuah record data baru ke salah satu beberapa kategori dimana telah ditentukan sebelumnya (Sinambela et al., 2016).
Untuk membantu suatu klasifikasi suatu data diperlukan beberapa komponen antara lain (Sinambela dkk., 2016):
1. Kelas, merupakan variabel tidak bebas atau dapat dikatakan hasil dari klasifikasi.
2. Prekditor, merupakan variabel bebas yang digunakan untuk menentukan pola atau karakteristik data yang akan diklasifikasikan.
3. Set data training, merupakan sekumpulan data yang berisi kelas dan prediktor yang akan di uji untuk mendapat pengelompokkan sesuai dengan kelas yang tepat.
4. Set data uji, merupakan data-data baru yang akan di kelompokkan oleh model guna mengetahui akurasi dari mode yang telah dibuat.
2.4.2 Pohon Keputusan (Decision Tree)
Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diintrepretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (Kustiyahningsih, & Rahmanita, 2016).
Pengambilan pohon keputusan adalah pembelajaran pohon keputusan dari tupel pelatihan berlabel kelas. Pohon keputusan adalah struktur pohon mirip-aliran, di mana setiap simpul internal (bukan simpul daun) menunjukkan tes pada atribut, setiap cabang merepresentasikan hasil dari uji, dan setiap simpul daun (atau simpul terminal) memegang label kelas. Node paling atas dalam sebuah pohon adalah simpul akar (Jiawei, et al., 2012).
Algoritma dari decision tree secara otomatis akan menentukan variabel yang terpenting berdasarkan kemampuan mereka menyortir data menjadi output kategori/kelas yang benar (Santosa & Umam, 2018).
Decision tree memiliki kekuatan dan kelemahan, kekuatan diantaranya adalah (Suyanto, 2017):
1. Mempunyai konsep yang jelas dan mudah dipahami. Pohon keputusan yang dihasilkan dari proses pelatihan dapat menjelaskan bagaimana model klasifikasi data bekerja.
2. Mudah diimplementasikan dengan menggunakan algoritma rekursif.
Sementara itu, kelemahan decision tree yang sangat terlihat adalah :
1. Sulit diaplikasikan untuk himpunan data yang sangat besar dengan ribuan atribut dan milyaran objek data.
2. Mudah mengalami overfit karena proses pelatihan greedy tidak menjamin dihasilkannya pohon keputusan yang optimum.
2.4.3 Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk membuat sebuah keputusan dalam bentuk pohon keputusan dengan menetapkan kriteria- kriteria yang menjadi dasar pembentuk keputusan (Sinambela dkk., 2016).
Algoritma C4.5 adalah algoritma yang digunakan untuk menghasilkan sebuah pohon keputusan yang dikembangkan oleh Ross quinlan. Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki priorotas tertinggi atau dapat disebut memiliki nilai gain tertinggi
berdasrakan nilai entropy atribut tersebut poros atribut klasifikasi (Arifin &
Fitrianah, 2017).
Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Didalam algoritma C4.5 ini, pohon-pohon kepututusan yang dibentuk berdasarkan kriteria-kriteria pembentuk keputusan (Nofriansyah, 2014).
Proses pembuatan pohon keputusan pada algoritma C4.5, yaitu (Arifin & Fitrianah, 2017):
1. Memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada.
2. Membuat cabang untuk masing-masing nilai, artinya membuat cabang sesuai dengan jumlah nilai variabel gain tertinggi.
3. Membagi setiap kasus dalam cabang, berdasarkan perhitungan nilai gain tertinggi dan perhitungan dilakukan setelah perhitungan nilai gain tertinggi awal dan kemudian dilakukan proses perhitingan gain tertinggi kembali tanpa menyertakan nilai variabel gain awal.
4. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang memiliki kelas yang sama, mengulangi semua proses perhitungan gain tertinggi untuk masing-masing cabang kasus sampai tidak bisa lagi dilakukan proses perhitungan.
2.4.4 Tahapan Algoritma C.4.5
Menurut Suyanto (2017) Untuk membangun tahapan sebuah pohon keputusan dengan algoritma C4.5 adalah sebagai berikut:
1. Entropy
Secara istilah entropy adalah keberbedaan atau keberagaman. Dalam data minning, entropy didefinisikan sebagai suatu parameter untuk mengukur heterogenitas (keberagaman) dalam suatu himpunan data. Semakin heterogen suatu himpunan data, semakin besar pula nilai entropy-nya.
Secara matematis, entropy dirumuskan sebagai berikut :
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ −𝑝𝑖 ∗ log2(𝑝𝑖)
𝑐
𝑖
Keterangan:
S : Himpunan Kasus c : Jumlah Kasus
Pi : Jumlah kasus pada partisi ke-i 2. Inforamation Gain
Secara istilah information gain adalah perolehan informasi. Dalam data minning, information gain didefinisikan sabagai ukuruan efektivitas suatu atribut dalam mengklasifikasikan data. Secara matematis, information gain dari suatu atribut A, dituliskan sebagai berikut :
𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ |𝑆𝑣|
𝑣𝜖𝑉𝑎𝑙𝑢𝑒𝑠(𝐴) |𝑆|
∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑣)
Keterangan :
A : Atribut
V : Menyatakan suatu nilai yang mungkin untuk atribut A Values(A ) : Himpunan nilai-nilai yang mungkin untuk atribut A
|𝑆𝑣| : Jumlah sample untuk nilai v
|S| : Jumlah seluruh sampel data
Entropy(𝑆𝑣) : Entropy untuk sampel-sampel yang memiliki nilai v
2.5 Teori Perancangan Sistem 2.5.1 Extreme Programming
Extreme Programming adalah metode pengembangan perangkat lunak yang memberikan kesempatan pada klien untuk menambahkan atau merubah proses bisnis aplikasi selama pembangunan aplikasi berjalan (Rahmi, dkk., 2016).
Para pengembang perangkat lunak banyak menggunakan metodologi extreme programming untuk mengembangkan perangkat lunak dengan XP meliputi (Suryantara, 2017):
1. Planning/Perencanaan : Tahap ini dimulai dengan pemahaman konteks bisnis dari aplikasi, mendefinisikan keluaran (Output), fitur yang ada pada aplikasi, fungsi dari aplikasi yang dibuat, penentuan waktu dan biaya pengembangan aplikasi, serta alur pengembangan aplikasi.
2. Design/Perancangan. Tahap ini menekankan pada desain aplikasi secara sederhana. Alat untuk mendesain pada tahap ini dapat menggunakan kartu CRC (Class Responsibility Collaborator). CRC digunakan untuk pemetaan (membangun) kelas-kelas yang akan digunakan pada diagram use case, diagram kelas, dan diagram objek.
3. Coding/Pengkodean : Hal utama dalam pengembangan aplikasi dengan menggunakan XP adalah pair programming (dalam membuat program melibatkan 2 atau lebih programmer).
4. Testing/Pengujian : tahap ini memfokuskan pada pengujian fitur-fitur yang ada pada aplikasi sehingga tidak ada kesalahan (error) dan aplikasi yang dibuat sesuai dengan proses bisnis pada client (pelanggan).
2.5.2 Flowchart
Flowchart atau diagram alir merupakan merupakan sebuah diagram dengan simbol-simbol grafis yang menyatakan aliran algoritma atau proses yang menampilkan langkah-langkah yang disimbolkan dalam bentuk kotak, beserta urutannya dengan menghubungkan masing masing langkah tersebut menggunakan tanda panah. Diagram ini bisa memberi solusi selangkah demi selangkah untuk penyelesaian masalah yang ada di dalam proses atau algoritma tersebut (Yudhistira
& Tania, 2016).
Tabel 2.1 Symbol Flowchart
Nama Simbol Keterangan
Terminator Permulaan/akhir program Garis Alir
(Flow Line)
Arah aliran program
Preparation Proses inisialisasi/pemberian harga awal
Proses Proses perhitungan atau proses pengolahan data
Input/output data
Proses input/output data, parameter, informasi.
Predefined process (sub program)
Permulaan sub program/ proses menjalankan sub program
Nama Simbol Keterangan
Decison Perbandingan pernyataan, penyeleksian data yang meberikan pilihan untuk langkah selanjutnya On page
connector
Penghubung bagian-bagian flowchat yang berada pada satu halaman
Off page connector
Penghubung bagian-bagian flowchart yang berada pada halaman berbeda
Sumber : (Taufik, dkk., 2013)
2.5.3 Unified Modelling Language (UML)
United modelling language atau UML adalah bahasa pemodelan untuk sistem atau perangkat lunak yang berparadigma berorientasi objek. Pemodelan sesungguhnya digunakan untuk menyederhanakan permasalahan-permasalahan yang kompleks sedemikian rupa sehingga lebih mudah dipelajari dan dipahami (Sarjani et al., 2014).
UML merupakan kesatuan dari bahasa pemodelan yang dikembangkan oleh Booch, Object Modeling Technique (OMT) dan Object Oriented Software Engineering (OOSE). Metode Booch dari Gradi Booch sangat terkenal dengan nama Metode Design Object Oriented (Kamda, 2012).
Saat ini sebagian besar para perancang sistem informasi dalam menggambarkan informasi dengan memanfaatkan UML diagram dengan tujuan utama untuk membantu tim proyek berkomunikasi, mengeksplorasi potensi desain, dan memvalidasi desain arsitektur perangkat lunak atau pembuat program (Haviludin, 2011).
Untuk perancangan sebuah sistem UML mempunyai sejumlah elemen grafis yang bisa dikombinasikan menjadi diagram, diantaranya sebagai berikut (Andita, dkk., 2016) :
1. Use Case Diagram
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case mempresentasikan sebuah interaksi antara aktor dengan sistem/sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan- pekerjaan tertentu.
2. Class Diagram
Class diagram merupakan sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah obyek dan merupakan inti dari pengembangan dan desain berorientasi obyek. Sebuah class diagram digunakan untuk menunjukan keberadaan dari kelas dan hubungannya di dalam pandangan logic dari sebuah sistem. Sebuah kelas tunggal mempresentasikan sebuah sudut pandang dari struktur kelas dari sebuah sistem. Class menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi).
3. Sequence Diagram
Sequence diagram digunakan untuk melacak eksekusi dari sebuah skenario use case. Sequence diagram mengambarkan interaksi dengan menandai setiap partisipan dengan garis hidup yang berjalan secara vertikal ke bawah
halaman dan urutan pesan dengan membaca ke bawah halaman dan urutan pesan dengan membaca ke arah bawah halaman.
4. Activity Diagram
Activity diagram menyediakan gambaran visual dari aliran aktifitas, baik dalam sistem, bisnis, alur kerja, atau proses lainnya. Diagram ini berfokus pada kegiatan yang dilakukan dan siapa (atau apa) yang bertanggung jawab atas kinerja dari kegiatan tersebut.
2.5.4 Metode Pengujian Black Box
Black Box testing (Pengujian kotak hitam) yaitu menguji perangkat lunak dari segi spesifikasi fungsional tanpa menguji deain dan kode program, pengujian dimaksudkan untuk mengetahui apakah fungsi-fungsi, masukan dan keluaran dari perangkat lunak sesuai dengan spesifikasi yang dibutuhkan (Maulana, 2014).
Pengujian kotak hitam dilakukan untuk membuat kasus uji yang bersifat mencoba semua fungsi dengan memakai perangkat lunak apakah sesuai dengan spesifikasi yang dibutuhkan. Kasus uji coba yang dibuat dengan kasus benar dan kasus salah, misalkan untuk proses login maka kasus uji yang dapat dibuat adalah sebagai berikut (Maulana, 2014):
1. Jika user memasukan nama pemakai (Username) dan kata sandi (Password) yang benar.
2. Jika user memasukan nama pemakai (Username) dan kata sandi (Password) yang salah, misalkan nama pemakai benar tapi kata sandi salah sebaliknya, atau bahkan keduanya salah.
2.6 Teori Pemograman 2.6.1 PHP
PHP singkatan dari Hypertext Preprocessor yaitu bahasa pemograman web server-side yang bersifat open source. PHP merupakan script yang teringrasi dengan HTML dan berada pada server. PHP adalah script yang digunakan untuk membuat halaman website yang dinamis. Dinamis berarti halaman yang akan ditampilkan dibuat saat halaman itu diminta oleh client. Mekanisme ini menyebabkan informasi yang diterima client selalu yang terbaru. Semua script PHP dieksekusi pada server dimana script tersebut dijalankan (Heldiansyah dkk, 2015).
PHP atau kependekan dari Hypertext Preprocessor adalah salah satu bahasa pemrograman open source yang sangat cocok atau dikhususkan untuk pengembangan web dan dapat ditanamkan pada sebuah skripsi HTML. Bahasa PHP dapat dikatakan menggambarkan beberapa bahasa pemrograman seperti C, Java, dan Perl serta mudah untuk dipelajari (Firman, dkk., 2015)
Sintak dan sematik PHP memiliki kesamaan dengan bahasa C, JAVA, PERL, dengan menambahkan tambahab tag <?php sebagai pembuka dan diakhiri dengan ?>, pasangan kedua kode inilah yang berfungsi sebagai tag kode PHP.
Berdasarkan tag inilah pihak server dapat memahami kode PHP dan kemudian memprosesnya, hasilnya dikirim ke browser (Binarso, dkk., 2012)
2.6.2 MySQL
MySQL adalah database server open source yang cukup popular keberadaannya. Dengan berbagai keunggulan yang dimiliki, membuat software database ini banyak digunakan oleh praktisi untuk membangun suatu project.
Adanya fasilitas API (Application Programming Interfac) yang dimiliki oleh MySQL, memungkinkan bermacam – macam aplikasi komputer yang ditulis dengan berbagai bahasa pemrograman dapat mengakses basis data MySQL (Firman, dkk., 2015).
Kelebihan MySQL dibanding dengan program basis data lainnya adalah sebagai berikut (Sunge, 2015):
a. Source MySQL dapat diperoleh dengan mudah dan gratis.
b. Sintaksnya lebih mudah dipahami dan tidak rumit.
c. Pengaksesan database dapat dilakukan dengan mudah.
d. MySQL merupakan program yang multithread, sehingga dapat dipasang pada server yang memiliki multi CPU.
e. Didukung program-program umum seperti VB.net, C, C++, Java, Perl, PHP, Python, dan lain sebagainya.
f. Bekerja pada berbagai platform. (tersedia berbagai versi untuk berbagai sistem operasi).
g. Memiliki jenis kolom yang cukup banyak sehingga memudahkan konfigurasisistem database.
h. Memiliki sistem security yang cukup baik dengan verifikasi host.
i. Mendukung ODBC untuk sistem operasi Windows.
j. Mendukung record yang memiliki kolom dengan panjang tetap atau panjang bervariasi.
2.7 Kerangka Berfikir
Adapun kerangka pemikiran dari penelitian yang dilakukan adalah sebagai berikut :
Gambar 2.1 Kerangka Berfikir
29 BAB III
ANALISA DAN PERANCANGAN
3.1 Objek Penelitian 3.1.1 Sejarah Penelitian
SMKN 1 BOJONG berdiri dan menyelenggarakan pendidikan mulai tahun pelajaran 2006/2007, bertempat (satu atap) di SMPN 1 Bojong. Bidang keahlian yang diselenggarakan adalah bisnis dan manajemen, dengan program keahlian akuntansi. Selanjutnya pada tahun ketiga (tahun pelajaran 2008/2009) menjadi 3 jurusan yaitu, Akuntansi, Administrasi Perkantoran, Rekayasa Perangkat Lunak (RPL). Pada awalnya guru (tenaga pengajar) adalah guru-guru tidak tetap (GTT) yang sebagian besar berasal dari guru PNS dan non-PNS pada SMPN 1 Bojong, dan beberapa guru kejuruan direkrut dari SMKN 2 Purwakarta, dengan jumlah keseluruhan kurang lebih 17 orang. Pada tahun ajaran 2016/2017 memiliki jurusan sebanyak 8, yaitu Akuntansi, Teknik Sepeda Motor, Adminitrasi Perkantoran, Rekayasa Perangkat Lunak, Mekanisme Pertanian, Perikanan, Tata Busana, Tata Boga. Dan tenaga pengajar sebanyak 60 orang guru yang terdiri dari PNS dan Non PNS.
3.1.2 Visi dan Misi 1. Visi
Dinamis dan berkualitas dalam pendidikan dengan keunggulan sumber daya, menghasilkan lulusan yang terampil dan berakhlak bagi pembangunan Purwakarta yang maju berkebudayaan, pada tahun 2016.
2. Misi
Adapun misi SMKN 1 Bojong adalah, sebagai berikut:
1. Menyelenggarakan pendidikan yang berkualitas dan dinamis denagn penekanan kepada pembelajaran berbasis kompetensi dan life skill education.
2. Membangun sarana-prasarana yang memadai dan mengembangkan keunggulan sumber daya sekolah untuk menciptakan pembelajaran yang kreatif dan berprestasi.
3. Membina dan memberdayakan siswa menjadi manusia Indonesia yang cerdas, terampil, mandiri, berbudaya dan berakhlak mulia bagi pembangunan.
4. Mengembangkan dan meningkatkan kompetensi dan profesionalisme tenaga pendidik dan tenaga adminitrasi untuk pelaksanaan tugas-tugas kependidikan.
5. Menciptakan suasana sekolah yang kondusif, nyaman dan berbudaya lingkungan.
3.1.3 Struktur Organisasi
Gambar 3.1 Struktur Organisasi
3.2 Pengumpulan Data
Dalam pengumpulan data terdapat terdapat 2 jenis data yaitu data primer dan data sekunder. Data primer adalah data yang diperoleh secara langsung dari objek yang diteliti. sedangkan data sekunder adalah sumber data yang tidak langsung memberikan data kepada pengumpul data, misalnya lewat orang lain atau lewat dokumen (Marini, dkk., 2017). Data yang diperoleh yaitu data sekunder yang dilakukan dengan cara meminta data siswa kelas XII tahun ajaran 2016/2017 di SMKN 1 Bojong. Data ini mencakup beberapa variabel, antara lain : NISN, Nama Siswa, Jenis Kelamin, Asal Jurusan, Minat, Hasil Nilai Ujian Nasional (B.Indonesia, B.Inggris, Matematika, KMP), Prodi (program studi yang telah diambil oleh siswa alumni 2016/2017) yang akan diseleksi dan diolah menggunakan algoritma C4.5.
3.3 Analisa Algoritma C4.5
Sistem yang akan dibangun ini merupakan sistem yang dapat menentukan program studi pada perguruan tinggi. Klasifikasi penentuan program studi ini akan mengklasifikasikan beberapa program studi, diantaranya adalah teknik informatika, teknik lingkungan, teknik arsitektur, akuntansi, dan manajemen. Berikut ini merupakan alur dari flowchart SPK yang akan dibuat.
Gambar 3.2 Flowchart SPK
Berikut ini adalah penjelasan dari alur flowchart SPK yang telah dibuat : 1. Kerja sistem diawali dengan menginputkan data uji.
2. Setelah itu dataset dianalisis dengan menggunakan algoritma C4.5.
3. Menghitung nilai Entropy setiap cabang untuk menentukan nilai gain tertinggi dengan menggunakan persamaan 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑𝑛1=0−𝑝𝑖 ∗ log2(𝑝𝑖).
4. Menghitung nilai gain setiap cabang menggunakan persamaan 𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ − |𝑆𝑖|
|𝑆|
𝑛1=0 ∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖) .
5. Langkah selanjutnya yaitu memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada untuk membangun sebuah pohon keputusan.
6. Diperoleh kesimpulan dan hasil prosesnya.
3.3.1 Data Uji
Untuk menentukan data yang nantinya akan dianalisis dengan algoritma C4.5 maka langkah pertama yang dilakukan adalah menentukan data uji. Awalnya data yang didapatkan berjumlah 100 data siswa dan data yang digunakan sebagai data uji yaitu 20% dari 100 data siswa dan hasilnya adalah 20 data siswa. Data yang digunakan diambil secara acak. Adapun data uji yang digunakan dapat dilihat pada tabel berikut:
Tabel 3.1 Data Uji
3.3.2 Data Preprocessing
Data Preprocessing merupakan hal yang penting dalam proses data minning, hal yang termasuk antara lain (Nofriansyah, 2015):
1. Data Selection
Data siswa pada tahun ajaran 2016/2017 tersebut nanti akan menjadi data kasus dalam proses operasional data mining. Dari data yang ada kolom yang diambil sebagai atribut atau variabel dalam
pembentukan pohon keputusan adalah minat, nilai ujian nasional (nilai bahasa indonesia, bahasa inggris, matematika, dan KMP), dan prodi.
Sedangkan kolom yang diambil variabel penentu adalah nisn, nama siswa, jenis kelamin, asal jurusan, minat, nilai ujian nasional (b.indonesia, b.inggris, matematika, kmp), prodi.
2. Data Preprocessing/Data Cleaning
Data cleaning diterapkan untuk menambahkan isi atribut yang hilang atau kosong, dan merubah data yang tidak konsisten.
3. Transformasi Data
Transformasi data dilakukan dengan mengubah beberapa nilai atribut yang awalnya bernilai nominal menjadi nilai-nilai numerik agar dapat dilakukan proses perhitungan algoritma klasifikasi C4.5. Berikut ini adalah data yang sudah di transform dan sudah mendapakan kelas (rekomendasi prodi) yang akan digunakan.
Tabel 3.2 Data Transform (node 1)
4. Data Reduction
Reduksi data dilakukan dengan menghilangkan atribut yang tidak diperlukan sehingga ukuran dari database menjadi kecil dan hanya menyertakan atribut yang diperlukan dalam proses data mining, karena akan lebih efisien terhadap data yang lebih kecil.
3.3.3 Perhitungan Algoritma C4.5
Dari tabel data yang sudah di transform tersebut barulah dapat dimasukan algoritma C4.5 di dalam penyelesaian masalahnya. Berikut ini adalah tabel penyelesaian yaitu sebagai berikut:
Tabel 3.3 Data Penyelesaian ( node 1)
Berdasarkan tabel penyelesaian maka total keseluruhan terdapat 20 data siswa yang terdiri dari 3 siswa yang dinyatakan sesuai pada prodi Teknik Informatika (TI), 4 siswa yang sesuai pada prodi Teknik Lingkungan (TL), 4 siswa sesuai pada prodi Teknik Arsitektur (TA), 3 siswa sesuai pada prodi Akuntansi (AK), dan 6 siswa yang sesuai pada prodi Manajemen (MA).
Dengan hitungan entropy total :
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ −𝑝𝑖 ∗ log2(𝑝𝑖)
𝑛
1=0
Entropy(Total) = (− 3
20∗ log2(3
20)) + (− 4
20∗ log2(4
20)) + (− 4
20∗ log2(4
20)) + (− 3
20∗ log2(3
20)) + (− 6
20∗ log2(6
20)) = 2,27095
Berdasarkan 5 variabel yang ada maka yang akan dijabarkan nilai gain yang terbesar, yaitu pada variabel minat yang terdiri dari 4 parameter yaitu :
a. Parameter minat 1 : Teknologi Entrophy(Teknologi) = (−3
3∗ log2(3
3)) + (−0
3∗ log2(0
3)) + (−0
3∗ log2(0
3)) + (−0
3∗ log2(0
3)) + (−0
3∗ log2(0
3)) = 0,00000
b. Parameter minat 2 : Bisnis
Entropy(Bisnis) = (−0
5∗ log2(0
5)) + (−0
5∗ log2(0
5)) + (−0
5∗ log2(0
5)) + (−0
5∗ log2(0
5)) + (−5
5∗ log2(5
5))
= 0,00000 c. Parameter minat 3 : Desain
Entropy(Desain) = (−0
8∗ log2(0
8)) + (−4
8∗ log2(4
8)) + (−4
8∗ log2(4
8)) + (−0
8∗ log2(0
8)) + (−0
8∗ log2(0
8)) = 1
d. Parameter minat 4 : Ekonomi Entrophy(Ekonomi) = (−0
4∗ log2(0
4)) + (−0
4∗ log2(0
4)) + (−0
4∗ log2(0
4)) + (−3
4∗ log2(3
4)) + (−1
4∗ log2(1
4))
= 0,81128
Jadi dapat disimpulkan berdasarkan keempat nilai enthropy tersebut maka nilai gain nya adalah :
𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ − |𝑆𝑖|
|𝑆|
𝑛 1=0
∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖)
Gain(Minat) = 2,27095− (3
20∗ 0,00000) − (5
20∗ 0,00000) − (8
20∗ 0,65104) − (4
20∗ 0,81128) = 1,70869
Perhitungan tersebut mendeskripsikan bahwa yang perlu dihitung kembali nilai Entrophy dan Gain nya adalah pada node minat dengan parameter desain dan ekonomi. Sedangkan parameter teknologi dan bisnis tidak perlu dicari kembali karena nilai keputusannya sudah mutlak adalah “Teknik Informatika” dan
“Manajemen” berdasarkan kasus yang ada berikut ini adalah gambar pohon keputusannya:
Gambar 3.3 Pohon Keputusan node 1
Berdasarka hasil tersebut diatas maka berikut ini adalah tabel penyelesaian berikutnya:
Tabel 3.4 Transformation Decision Tree (node 2.1)
Setelah itu menentukan kembali decision tabelnya. Berikut ini adalah tabel penyelesaiannya :
Tabel 3.5 Data Penyelesaian (node 2.1)
Untuk node minat desain berdasarkan tabel penyelesaian maka total keseluruhan terdapat 8 data siswa yang terdiri dari 0 siswa yang dinyatakan sesuai pada prodi Teknik Informatika, 4 siswa yang sesuai pada prodi Teknik Lingkungan, 4 siswa sesuai pada prodi Teknik Arsitektur, 0 siswa sesuai pada prodi Akuntansi, dan 0 siswa yang sesuai pada prodi Manajemen.
Dengan hitungan entropy total :
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ −𝑝𝑖 ∗ log2(𝑝𝑖)
𝑛
1=0
Entropy(MinatDesain) = (−0
8∗ log2(0
8)) + (−4
8∗ log2(4
8)) + (−4
8∗ log2(4
8)) + (−0
8∗ log2(0
8)) + (−0
8∗ log2(0
8)) = 1 Berdasarkan 5 variabel yang ada maka yang akan dijabarkan nilai gain yang terbesar yaitu pada variabel matematika. Berikut adalah perhitungan entrophy dan gain dari variabel nilai matematika yang terdiri dari 3 parameter yaitu :
a. Parameter Matematika 1 : Rendah Entrophy(Rendah) = (−0
8∗ log2(0
8)) + (−4
8∗ log2(4
8)) + (−0
8∗ log2(0
8)) + (−3
8∗ log2(3
8)) + (−1
8∗ log2(1
8))
= 0
b. Parameter Matematika 2 : Sedang Entrophy(Sedang) = (−0
4∗ log2(0
4)) + (−0
4∗ log2(0
4)) + (−4
4∗ log2(4
4)) + (−0
4∗ log2(0
4)) + (−0
4∗ log2(0
4))
= 0
c. Parameter Matematika 3 : Tinggi Entropy(Desain) = (−0
0∗ log2(0
0)) + (−0
0∗ log2(0
0)) + (−0
0∗ log2(0
0)) + (−0
0∗ log2(0
0)) + (−0
0∗ log2(0
0)) = 0
Jadi dapat disimpulkan berdasarkan ketiga nilai enthropy tersebut maka nilai gain nya adalah :
𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑ − |𝑆𝑖|
|𝑆|
𝑛 1=0
∗ 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖)
Gain(Minat) = 1 − (8
8∗ 0) − (4
8∗ 0) − (0
8∗ 0)
= 1
Pada perhitungan tersebut mendeskripsikan bahwa masih harus di cari entrophy dan gain karena parameter nilai matematika rendah yang berdasarkan minat ekonomi belum menunjukkan hasil. Sedangkan disatu sisi minat desain dengan parameter nilai matematika rendah, sedang dan tinggi sudah menunjukkan hasil yang mutlak yaitu “Teknik Lingkungan” dan “Teknik Arsitektur”.
Berdasarkan kasus yang ada berikut ini adalah gambar pohon keputusannya:
Gambar 3.4 Pohon Keputusan node 2.1
Berdasarka hasil tree diatas maka berikut ini adalah tabel penyelesaian berikutnya:
