19
Bab 3
Metode dan Perancangan Sistem
3.1
Metode Pengembangan Sistem
Metode penelitian yang digunakan pada pembuatan aplikasi ini adalah model prototype. Model prototype merupakan suatu teknik untuk mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi pengguna secara cepat, dengan metode prototyping ini pengembang dan pelanggan dapat saling berinteraksi selama proses pembuatan sistem. Secara lengkap, alur model prototype akan digambarkan seperti pada Gambar 3.1.
Gambar 3.1 Prototype Model (Pressman, 2001).
3.1.1 Pengumpulan Kebutuhan (Requirements)
Tahap requirements, user mencari dan mengumpulkan data yang dibutuhkan sistem yang nantinya digunakan untuk aplikasi tersebut. Hal ini sangat dibutuhkan karena aplikasi harus dapat berinteraksi dengan perangkat – perangkat lain seperti hardware, database serta user. Keuntungan dari model prototype ini, yaitu kesalahan yang mungkin akan terjadi dapat dideteksi lebih dini jadi aplikasi yang dihasilkan dapat sesuai dengan yang diinginkan.
Guna mendapatkan data yang dibutuhkan untuk mendukung dalam merancang aplikasi tersebut menggunakan beberapa metode, antara lain :
1. Metode Observasi
2. Metode Referensi
Metode referensi dilakukan melalui artikel dan buku-buku yang membahas tentang algoritma Iterative Dichotomizer Three, Sistem Pendukung Keputusan serta mengambil data dari internet yang menyediakan informasi yang berhubungan dengan tema tersebut.
Pengumpulan kebutuhan yang dilakukan juga berkaitan dengan kebutuhan software dan hardware yang digunakan dalam membangun aplikasi. Spesifikasi hardware yang dipakai saat pembuatan aplikasi adalah :
- Prosesor Intel Core 2 Duo 2.2 Gb - RAM 2 GB
- Harddisk 320 GB
Spesifikasi software yang dipakai adalah : - Netbeans 7.0
- Windows 7 32 bit
- Rational Rose Enterprise Edition - Jdk 6.0-windows
- phpMyAdmin 3.3.9 - WampServer 2.1 3.1.2 Perancangan (Design)
sebagai bahasa untuk menggambarkan sistem. UML (Unified Modeling Language) akan digambarkan dengan menggunakan bagan alir sistem yang menunjukkan bagaimana sistem secara fisik nantinya akan ditempatkan dan diterapkan sehingga dapat menunjukkan arah aliran data suatu proses.
3.1.3 Evaluasi Prototype
Setelah prototype selesai dirancang maka tahap selanjutnya adalah melakukan evaluasi prototype, pada tahap ini user mengevaluasi prototype yang telah dibuat. Evaluasi ini akan digunakan untuk memperjelas kebutuhan program. Jika tujuan umum yang telah dibuat di tahap paling awal belum tercapai, maka proses perbaikan dimulai kembali dari tahap awal dan dilanjutkan ke tahap berikutnya. Proses ini berakhir setelah tujuan umum telah tercapai.
3.2 Perancangan Sistem
Aplikasi ini ditujukan guna membantu mahasiswa yang akan mengerjakan tugas akhir serta KPTA sebagai saran dalam pemilihan dosen pembimbing. Sistem ini dirancang untuk membantu memberikan saran calon dosen pembimbing yang sesuai dengan judul tugas akhir mahasiswa. Perancangan sistem menggunakan Unified Modelling Language (UML).
3.2.1 Use Case Diagram
yang ada. Use case diagram untuk aplikasi ini dapat dilihat pada Gambar 3.2.
Gambar 3.2 Use Case Diagram
3.2.2 Sequence Diagram
Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atas dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait). Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai response dari sebuah event untuk menghasilkan output tertentu.
Aktivitas – aktivitas yang dapat dilakukan admin pada sistem antara lain dapat melakukan pengolahan data (meliputi tambah, ubah dan hapus) yang dipilh pada menu yang disediakan. Gambar 3.3 menunjukkan sequence diagram admin saat tambah dosen.
Gambar 3.3 Sequence Diagram Tambah Dosen
harus login dengan memasukkan username dan password untuk menjaga kerahasiaan data. Admin dapat melakukan tambah dosen dengan menginpukan seluruh data dosen yang diperlukan. Ketika data selesai dinputkan maka pada database akan diperbarui secara otomatis.
Gambar 3.4 Tambah Bidang Pengembangan
Gambar 3.5 Tambah Berita
Gambar 3.5 menjelaskan tentang cara kerja sistem saat admin ingin menambah berita. Admin dapat langsung masuk ke menu berita dan menginputkan judul, prakata serta isi pada berita yang akan ditampilkan.
Gambar 3.6 Sequence Diagram Konsultasi
3.2.3 Activity Diagram
Activity diagram digunakan untuk mendokumentasikan alur kerja pada sebuah sistem. Admin merupakan aktor yang dapat mengelola semua data. Untuk activity diagram dapat dilihat pada Gambar 3.7.
Gambar 3.7 Activity Diagram Tambah Kata Kunci
Gambar 3.8 Activity Diagram Tambah Dosen
Gambar 3.8 menjelaskan tentang proses yang dilakukan oleh admin untuk menambah data dosen. Setelah admin berhasil login, admin memilih menu dosen. Pada menu dosen, admin dapat menambahkan dosen dengan mengisi data dosen yang disediakan sistem.
Gambar 3.10 Activity Diagram Lihat Berita, Beranda, Daftar Anggota Dan Daftar Keyword
Gambar 3.10 menjelaskan tentang aktivitas yang dapat dilakukan oleh user. User hanya dapat melihat daftar anggota bidang pengembangan, daftar kata kunci bidang pengembangan, berita dan beranda.
3.2.4 Class Diagram
Gambar 3.11 Class Diagram
3.3 Rumusan Perhitungan ID3
Dalam perancangan aplikasi sistem konsultasi dosen pembimbing menggunakan algoritma Iterative Dichotomizer Three (ID3) guna mempermudah dalam penentuan rule atau aturan yang dipakai pada aplikasi. Untuk menentukan aturan yang dipakai pada aplikasi diperlukan sampel data seperti pada Tabel 3.1
69 Ya Ya Belum Belum Penuh Tidak Terima
3.3.1 Perhitungan Algoritma dan Mekanisme Kasus 3.3.1.1 Entropy (S)
Entropy digunakan sebagai suatu parameter untuk mengukur homogenitas dari suatu kumpulan sampel data seperti pada Persamaan 2.1
Catatan :
Entropy(S) = 0, jika semua contoh pada S berada dalam kelas yang sama.
Entropy(S) = 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S adalah sama.
0 < Entropy(S) < 1, jika jumlah contoh positif dan jumlah contoh negatif dalam S tidak sama.
3.3.1.2 Information Gain
Gain (S,A) adalah ukuran dalam mengukur efektivitas suatu atribut dalam mengklasifikasikan data seperti pada Persamaan 2.2
1. Value (Keahlian) = Ya, TidakSYa = [42+, 8-], |SYa| = 50
SYa = [40+, 8-], |SYa| = 48
STidak = [20+, 12-], |STidak| = 32
Entropy SYa = [40+,8-]
= - (40/48) log2 (40/48) - (8/48) log2 (8/48) = 0,650022
Entropy STidak = [20+,12-]
= - (20/32) log2 (20/32) - (12/32) log2 (12/32) = 0,954434
Gain Masuk dalam Bid.Pengembangan = Gain(S, Masuk dalam Bid.Pengembangan)
= Entropy(S) - (48/80)Entropy(SYa) - (32/80)Entropy(STidak)
= 0,039491
3. Value (Sudah S2) = Sudah, Belum S Sudah = [38+, 6-], |SSudah | = 44
SBelum = [22+, 14-], |SBelum| = 36
Entropy SSudah = [38+,6-]
= - (38/44) log2 (38/44) - (6/44) log2 (6/44) = 0,574636
Entropy SBelum = [22+,14-]
= - (22/36) log2 (22/36) - (14/36) log2 (14/36) = 0,964079
Gain Sudah S2= Gain(S, Sudah S2)
= Entropy(S) - (44/80)Entropy(SSudah) - (36/80)Entropy(SBelum)
4. Value (Kapasitas Membimbing) = Penuh, Tidak SPenuh = [8+, 6-], |SPenuh| = 14
STidak = [52+, 14-], |STidak| = 66
Entropy SPenuh = [8+,6-]
= - (8/14) log2 (8/14) - (6/14) log2 (6/14) = 0,985228
Entropy STidak = [52+,14-]
= - (52/66) log2 (52/66) - (14/66) log2 (14/66) = 0,745518
Gain Kapasitas Membimbing = Gain(S, Kapasitas Membimbing) = Entropy(S) - (14/80)Entropy(SPenuh) - (66/80)Entropy(STidak)
= 0,023811
5. Value (Studi Lanjut S3) = Ya, Tidak SYa = [15+, 4-], |SYa| = 19
STidak = [45+, 16-], |STidak| = 61
Entropy SYa = [15+,4-]
= - (15/19) log2 (15/19) - (4/19) log2 (4/19) = 0,742488
Entropy STidak = [45+,16-]
= - (45/61) log2 (45/61) - (16/61) log2 (16/61) = 0,83019
Gain Studi Lanjut S3= Gain(S, Studi Lanjut S3)
= 0,001917
Setelah semua atribut diketahui nilai gainnya, maka diketahui gain tertinggi yang nilainya mendekati angka 1 yaitu gain pada atribut Sudah S2. Dengan begitu atribut Sudah S2 dijadikan sebagai root. Untuk menghitung node di bawahnya dihitung nilai value sudah dan value belum pada atribut Sudah S2 dengan menghitung semua kemungkinan pada semua atribut.
Entropy Sudah S2(Sudah) = [22+,14-]
= - (22/36) log2 (22/36) - (14/36) log2 (14/36) = 0,964078765
1. Value (Keahlian) = Ya, Tidak SYa = [25+, 1-], |SYa| = 26
2. Value (Masuk dalam Bid.Pengembangan) = Ya, Tidak SYa = [28+, 2-], |SYa | = 30
STidak = [10+, 4-], |STidak| = 14
= - (28/30) log2 (28/30) - (2/30) log2 (2/30) = 0,353359335
Entropy STidak = [10+,4-]
= - (10/14) log2 (10/14) - (4/14) log2 (4/14) = 0,863120569
Gain Masuk dalam Bid.Pengembangan = Gain(S, Masuk dalam Bid.Pengembangan)
= Entropy(S) - (30/44)Entropy(SYa) - (14/44)Entropy(STidak)
= 0,059079607
3. Value (Kapasitas Membimbing) = Penuh, Tidak SPenuh = [7+, 1-], |SPenuh| = 8
STidak = [31+, 5-], |STidak| = 36
Entropy SPenuh = [7+,1-]
= - (7/8) log2 (7/8) - (1/8) log2 (1/8) = 0,543564443
Entropy STidak = [31+,5-]
= - (31/36) log2 (31/36) – (5/36) log2 (5/36) = 0,581321499
Gain Kapasitas Membimbing = Gain(S, Kapasitas Membimbing) = Entropy(S) - (8/44)Entropy(SPenuh) - (36/44)Entropy(STidak)
= 0,000179118
4. Value (Studi Lanjut S3) = Ya, Tidak SYa = [14+, 3-], |SYa| = 17
STidak = [24+, 3-], |STidak| = 27
= - (14/17) log2 (14/17) - (3/17) log2 (3/17)
Berdasarkan hasil dari perhitungan entropy dari semua atribut dengan atribut tujuan value terima pada atribut Sudah S2 didapat kesimpulan bahwa node di bawah atribut Sudah S2 dengan value sudah adalah atribut keahlian.
Entropy Sudah S2(Belum) = [22+,14-]
= - (22/36) log2 (22/36) - (14/36) log2 (14/36) = 0,964078765
2. Value (Masuk dalam Bid.Pengembangan) = Ya, Tidak SYa = [12+, 6-], |SYa | = 18
STidak = [10+, 8-], |STidak| = 18
Entropy SYa = [12+,6-]
= - (12/18) log2 (12/18) - (6/18) log2 (6/18) = 0,918296
Entropy STidak = [10+,8-]
= - (10/18) log2 (10/18) - (8/18) log2 (8/18) = 0,991076
Gain Masuk dalam Bid.Pengembangan = Gain(S, Masuk dalam Bid.Pengembangan)
= Entropy(S) - (18/36)Entropy(SYa) - (18/36)Entropy(STidak)
= 0,009393
3. Value (Kapasitas Membimbing) = Penuh, Tidak SPenuh = [15+, 9-], |SPenuh| = 24
STidak = [7+, 5-], |STidak| = 12
Entropy SPenuh = [15+,9-]
= - (15/24) log2 (15/24) - (9/24) log2 (9/24) = 0,954434
Entropy STidak = [7+,5-]
= - (7/12) log2 (7/12) – (5/12) log2 (5/12) = 0,979869
Gain Kapasitas Membimbing = Gain(S, Kapasitas Membimbing) = Entropy(S) - (24/36)Entropy(SPenuh) - (12/36)Entropy(STidak)
4. Value (Studi Lanjut S3) = Ya, Tidak
Berdasarkan hasil dari perhitungan entropy dari semua atribut dengan atribut tujuan value terima pada atribut Sudah S2 didapat kesimpulan bahwa node di bawah atribut Sudah S2 dengan value belum adalah atribut keahlian. Percarian node di bawah atribut keahlian dengan cara melakukan perhitungan entropy dan pencarian nilai gain dari atribut masuk dalam bidang pengembangan, kapasitas membimbing dan studi lanjut S3 dengan value ya pada atribut keahlian.
Entropy = [38+,6-]
= - (38/44) log2 (38/44) - (6/44) log2 (6/44) =
1. Value (Masuk dalam Bid.Pengembangan) = Ya, Tidak SYa = [34+, 4-], |SYa | = 38
STidak = [4+,2-], |STidak| = 6
= - (34/38) log2 (34/38) - (4/38) log2 (4/38) = 0,485461
Entropy STidak = [4+,2-]
= - (4/6) log2 (4/6) - (2/6) log2 (2/6) = 0,918296
Gain Masuk dalam Bid.Pengembangan = Gain(S, Masuk dalam Bid.Pengembangan)
= Entropy(S) - (38/44)Entropy(SYa) - (6/44)Entropy(STidak)
= 0,030152
2. Value (Kapasitas Membimbing) = Penuh, Tidak SPenuh = [10+, 3-], |SPenuh| = 13
STidak = [28+, 3-], |STidak| = 31
Entropy SPenuh = [10+,3-]
= - (10/13) log2 (10/13) - (3/13) log2 (3/13) = 0,77935
Entropy STidak = [28+,3-]
= - (28/31) log2 (28/31) - (3/31) log2 (3/31) = 0,458686
Gain Kapasitas Membimbing = Gain(S, Kapasitas Membimbing) = Entropy(S) - (13/44)Entropy(SPenuh) - (31/44)Entropy(STidak)
= 0,021208
3. Value (Studi Lanjut S3) = Ya, Tidak SYa = [7+, 1-], |SYa| = 8
Entropy SYa = [7+,1-]
Berdasarkan hasil dari tiga atribut diketahui bahwa gain masuk dalam bid.pengembangan mendekati angka satu, maka node di bawah atribut masuk dalam keahlian adalah atribut masuk dalam bid.pengembangan. Pencarian selanjutnya dilakukan guna mencari node di bawah atribut masuk dalam bid.pengembangan dengan value ya pada atribut masuk dalam bid.pengembangan.
Entropy = [34+,4-] = - (34/38) log2 (34/38) - (4/38) log2 (4/38) = 0,485461
Gain Kapasitas Membimbing = Gain(S, Kapasitas Membimbing) = Entropy(S) - (6/38)Entropy(SPenuh) - (32/38)Entropy(STidak)
= 0,056433
2. Value (Studi Lanjut S3) = Ya, Tidak SYa = [7+, 1-], |SYa| = 8
STidak = [27+, 3-], |STidak| = 30
Entropy SYa = [7+,1-]
= - (7/8) log2 (7/8) – (1/8) log2 (1/8) = 0,543564
Entropy STidak = [27+,3-]
= - (27/30) log2 (27/30) - (3/30) log2 (3/30) = 0,468996
Gain Studi Lanjut S3= Gain(S, Studi Lanjut S3)
= Entropy(S) - (8/38)Entropy(SYa) - (30/38)Entropy(STidak)
= 0,000766
Gambar 3.12 Pohon Yang Terbentuk Berdasarkan Sampel
Gambar 3.12 merupakan alur pohon keputusan yang terbentuk berdasarkan sampel data pada Tabel 3.1 dengan penjelasan sebagai berikut :
- Atribut Sudah S2, digunakan untuk mengecek pendidikan terakhir calon dosen pembimbing dengan acuan Kepmenkowasbangpan Nomor 38/1999 (Depdiknas, 2008) yang menyatakan bahwa dosen harus memiliki pendidikan minimal S2. Dosen dengan pendidikan S2 atau S3 dijadikan sebagai calon pembimbing 1 dan dosen dengan pendidikan S1 dijadikan sebagai calon pembimbing 2.
- Atribut Bidang Pengembangan (root). Pada atribut bidang pengembangan kata yang dicek pertama kali adalah kata dibelakang kata berbasis (based). Kemudian dicek lagi berdasarkan jumlah kata kunci (keyword) terbanyak yang berada pada database keyword bidang pengembangan. Setelah ditemukan bidang pengembangan yang memiliki keyword terbanyak maka akan ditemukan dosen yang berada di bawah bidang pengembangan tersebut berdasarkan abjad. - Atribut Kapasitas Membimbing, digunakan untuk melihat
kapasitas bimbingan dosen. Kapasitas bimbingan dosen diasumsikan penuh apabila dosen tersebut sedang membimbing 70 mahasiswa dengan perhitungan :
Jam Kerja Dosen/hari = 8 jam
Jam Bimbingan/hari = 15 menit/mahasiswa
Apabila dalam sehari dosen membimbing 14 mahasiswa, maka butuh 3,5 jam setiap harinya untuk melakukan bimbingan dengan mahasiswa. Bila dihitung keseluruhan maka perhitungannya :
14 mahasiswa x 5 hari = 70 mahasiswa/minggu
Setelah proses pencarian kandidat calon dosen pembimbing selesai dan nama dosen muncul, maka akan dilakukan pengecekan tahap akhir guna mencari pasangan calon dosen pembimbing (pembimbing 1 dan pembimbing 2) dengan ketentuan sebagai berikut :
- Dosen dengan pendidikan terakhir S3, maka dijadikan sebagai kandidat pembimbing 1. Jika terdapat dosen dengan pendidikan S3 lebih dari satu, maka dilihat jabatan fungsionalnya. Dosen dengan jabatan fungsional tertinggi dijadikan calon pembimbing 1 sedangkan dosen dengan jabatan fungsional di bawahnya dijadikan calon pembimbing 2.
- Apabila masih ditemukan kandidat dosen dengan pendidikan terakhir dan jabatan fungsional yang sama, maka ditentukan dengan mencocokkan keyword yang paling banyak dimiliki dosen tersebut. Dengan kata lain, dosen yang memiliki keyword terbanyak yang sesuai dengan judul dijadikan sebagai pembimbing 1 dan dosen dengan keyword terbanyak kedua dijadikan pembimbing 2.
3.3.2 Mekanisme Penentuan Dosen Pembimbing
Gambar 3.13 Mekanisme Penentuan Dosen Pembimbing
Gambar 3.13 menjelaskan tentang mekanisme penentuan dosen pembimbing saat pengguna memasukkan judul skripsi. Setelah judul diinputkan maka akan dilakukan pemecahan kata dan diseleksi per kata dari seluruh judul yang dimasukkan. Kemudian kata yang ada di cek dengan kata kunci yang terdapat pada database. Apabila terdapat kata kunci yang sesuai maka dosen yang memiliki keahlian tersebut dijadikan sebagai kandidat dosen pembimbing.
3.3.3 Kelebihan dan Kekurangan ID3
Seperti yang telah dijelaskan di atas bahwa ID3 merupakan algoritma matematika yang digunakan untuk menghasilkan pohon. Berikut ini menrupakan kelebihan dari algoritma Iterative Dichotomizer Three (ID3) :
- Membangun pohon keputusan dengan cepat. - Membangun pohon keputusan yang pendek.
- Hanya membutuhkan beberapa tes atribut hingga semua data diklasifikasikan.
Setelah mengetahui kelebihan dari algoritma ID3, berikut merupakan kekurangan dari algoritma ID3 antara lain :
- Jika contoh yang diteliti terlalu kecil/sederhana mungkin membuat data over-classified.
- Hanya satu atribut yang dapat dites dalam satu waktu untuk membuat keputusan.
- Membangun pohon keputusan yang pendek.
- Mengelompokkan data yang berkelanjutan mungkin terhitung mahal, sebanyak pohon yang harus dibuat untuk melihat dimana menghentikan proses kelanjutannya.
3.4 Perancangan Database
Dalam aplikasi ini database merupakan kebutuhan utama, perancangan database yang efektif dan efisien akan sangat membantu dalam penggunaannya. Database sistem ini akan diberi nama bimbingan yang nantinya digunakan untuk meletakkan tabel-tabel pada database program.
Tabel 3.2 Tabel berita
Kolom Tipe Panjang Keterangan
Id int 11 primary key
Judul varchar 100
Prakata varchar 200
Isi text
Tabel berita menyimpan data mengenai berita yang berisi id, judul, prakata dan isi. Id merupakan primary key yang dijadikan sebagai identitas pada tabel berita.
Tabel 3.3 Tabel bidang_pengembangan
Kolom Tipe Panjang Keterangan
Id int 11 primary key
bidang_pengembangan varchar 50
Tabel bidang_pengembangan menyimpan data dengan field id dan bid_pengembangan. Id merupakan primary key yang dijadikan sebagai identitas pada tabel bidang_pengembangan.
Tabel 3.4 Tabel dosen
Kolom Tipe Panjang Keterangan
Nik varchar 9 primary key
nama_lengkap varchar 50
Alamat text
no_telepon varchar 15
Email varchar 50
pendidikan_terakhir Int 11
Fungsional Int 11
studi_lanjut Int 11
Bimbingan Int 11
Kuota Int 11
Tabel 3.5 Tabel dosen_bidang_pengembangan
Kolom Tipe Panjang Keterangan
Id int 11 primary key
Nik varchar 9 foreign key
bidang_pengembangan int 11
Tabel dosen_bidang_pengembangan mempunyai field id, nik, dan bidang_pengembangan. Id merupakan primary key yang dijadikan sebagai identitas pada tabel dosen_bidang_pengembangan. Field nik dan bidang_pengembangan merupakan foreign key yang berhubungan dengan tabel dosen dan bidang_pengembangan.
menghubungkan dengan tabel mas_keyword dan bidang_pengembangan.
Tabel 3.6 Tabel keyword_bidang_pengembangan
Kolom Tipe Panjang Keterangan
Id Int 11 primary key
Keyword Int 11
bidang_pengembangan Int 11
Tabel 3.7 Tabel keyword_dosen
Kolom Tipe Panjang Keterangan
Id Int 11 primary key
Nik Varchar 9 foreign key
Keyword Int 11
Tabel keyword_dosen mempunyai field id, nik dan keyword. Id merupakan primary key yang dijadikan sebagai identitas pada tabel keyword_dosen. Field nik dan keyword dijadikan sebagai foreign key yang menghubungkan dengan tabel mas_keyword dan dosen.
Tabel login mempunyai field username dan password. Username merupakan primary key yang dijadikan sebagai identitas pada tabel login. Apabila admin ingin mengganti username dan password, admin dapat langsung merubahnya di tabel login.
Tabel 3.8 Tabel login
Kolom Tipe Panjang Keterangan
Username Varchar 10 primary key
Tabel 3.9 Tabel mas_fungsional
Kolom Tipe Panjang Keterangan
Nilai Int 11 primary key
Fungsional Varchar 15
Tabel mas_fungsional mempunyai field nilai dan fungsional. Nilai merupakan primary key yang dijadikan sebagai identitas pada tabel mas_fungsional. Field fungsional berisi data mengenai jabatan fungsional yang terdapat pada perguruan tinggi meliputi asisten ahli, lektor, lektor kepala dan guru besar.
Tabel 3.10 Tabel mas_keyword
Kolom Tipe Panjang Keterangan
Id int 11 primary key
keyword_indonesia varchar 100
keyword_inggris varchar 100
Tabel mas_keyword mempunyai field id, keyword_indonesia dan keyword_inggris. Id merupakan primary key yang dijadikan sebagai identitas pada tabel mas_keyword.
Tabel 3.11 Tabel mas_pendidikan_terakhir
Kolom Tipe Panjang Keterangan
Nilai int 11 primary key
pendidikan_terakhir varchar 5
Tabel mas_pendidikan_terakhir mempunyai field nilai dan pendidikan_terakhir. Pada tabel ini menyimpan data pendidikan terakhir dosen seperti S1, S2 dan S3.
Kolom Tipe Panjang Keterangan
konsentrasi varchar 30
judul text
bidang_pengembangan varchar 50
pembimbing_1 varchar 50
pembimbing_2 varchar 50
tanggal date
paper varchar 50
foto varchar 50
Tabel formulir mempunyai field id, nama, nim, telepon, progdi, konsentrasi, judul, bidang_pengembangan, pembimbing_1, pembimbing_2, tanggal, paper dan foto. Id merupakan primary key yang dijadikan sebagai identitas pada tabel formulir. Tabel formulir akan menyimpan data proposal mahasiswa yang telah dikirimkan. 3.4.1 Relasi Antar Tabel
Gambar 3.14 Relasi Antar Tabel
3.5 Perancangan Tampilan 1. Halaman Utama
Halaman utama merupakan halaman yang pertama kali muncul saat aplikasi dibuka. Pada halaman utama ini terdapat 4 menu yaitu Beranda, Bidang Pengembangan, Konsultasi, Tentang. Rancangan tampilan untuk halaman utama dapat dilihat pada Gambar 3.15.
Gambar 3.15 merupakan tampilan awal saat user membuka aplikasi. Pada beranda berisi informasi serta pengumuman yang berkaitan dengan KPTA FTI UKSW.
2. Menu Login
Perancangan ini hanya dipakai oleh Admin saja, karena mahasiswa sebagai user hanya menggunakan aplikasi ini tanpa harus menyimpan datanya.
Gambar 3.16 Form Login Admin
Admin harus menginputkan username dan password yang telah disimpan pada database. Jika username dan password tidak sesuai dengan yang tersimpan pada database maka pada form login admin akan kembali pada kondisi sebelum admin menginputkan username dan password.
3. Menu Form Tambah Dosen
Gambar 3.17 Form Tambah Dosen
Gambar 3.17 menunjukkan halaman untuk menambahkan data dosen meliputi NIK, Nama, alamat, no telp, email, pendidikan terakhir, jabatan fungsional, jumlah bimbingan dan apakah studi lanjut.
4. Menu Tambah Keyword
Gambar 3.18 Form Tambah Kata Kunci
Gambar 3.18 merupakan tampilan untuk menambah kata kunci/keyword. Pada menu tambah kata kunci disediakan dalam dua bahasa sebagai alternatif untuk topik skripsi berbahasa inggris. 5. Menu Tambah Bidang Pengembangan
Gambar 3.19 Form Tambah Bidang Pengembangan
6. Menu Tambah Berita
Gambar 3.20 Menu Tambah Berita
Gambar 3.20 menjelaskan tentang rancangan tampilan menu tambah berita. Pada tambah berita terbagi menjadi 3 bagian yaitu judul, prakata (ulasan singkat) dan isi (isi keseluruhan berita). Pada menu tambah berita, berisi pengumuman yang berhubungan dengan KPTA.