1
IMPLEMENTASI ALGORITMA FUZZY C-MEANS UNTUK
MENEMUKAN PENGELOMPOKAN DATA PENSIUN DI BADAN
KEPEGAWAIAN DAERAH KOTA SEMARANG
Raditya Gilang Bagaskara1, Heru Lestiawan2
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Imam Bonjol No. 207, Semarang, 50131, Telp. (024) 3517261 E-mail : [email protected], [email protected]
Abstrak
Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tapi minim informasi. Data mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Pensiun adalah keadaan dimana seorang pegawai atau karyawan sudah tidak diperbolehkan untuk melanjutkan pekerjaannya di sebuah organisasi / instansi dikarenakan usianya sudah melampaui batas masa kerja. Badan Kepegawaian Daerah adalah salah satu instansi daerah yang memiliki kewenangan dalam melakukan kebijakan manajemen pegawai negeri sipil. Dalam rangka meningkatkan penertiban administrasi kepegawaian khususnya pencatatan pegawai pensiun di lingkungan Kota Semarang, Pegawai Negeri Sipil dalam badan kepegawaian daerah kota semarang memiliki tiga kategori pensiun yaitu batas usia pensiun , atas permintaan sendiri dan janda atau duda. Metode Fuzzy C-Means digunakan untuk mengelompokan data pensiun pegawai per tahun, Banyaknya jumlah pensiun tiap Pegawai Negeri Sipil yang dihasilkan dengan keterangan kategori batas usia pensiun, atas permintaan sendiri dan janda/duda. Hasil penelitian ini menghasilkan informasi pensiun pegawai dengan pengelompokan selama tiga tahun dengan hasil kategori tinggi, sedang, rendah sehingga membantu Badan Kepegawaian Daerah Kota Semarang dalam memonitoring dan mengevalusai data pensiun pegawai. Aplikasi pada penelitian ini diimplementasikan dengan menggunakan bahasa pemograman Borland Delphi 7 dan database MySQL 5.0.
Kata Kunci: Metode Fuzzy C-Means, MySQL, Pegawai, pensiun
Abstract
The rapid growth of data accumulation has created conditions data-rich but minimal information. Data mining is a mining or the discovery of new information by looking for patterns or particular rules of a number of large amounts of data are expected to tackle the condition. Retirement is a state where an employee or employees are not allowed to continue his work in an organization / agency because he was already beyond the limit of tenure. Regional Employment Board is one of the local agencies that have the authority to perform civil service management policy. In order to improve enforcement personnel administration, in particular, the recording of employee pensions in the city of Semarang, the Civil Service in the area staffing agencies Semarang has three categories namely the retirement age pension, at his own request and widows or widowers. Fuzzy C-Means method used to categorize the data service pension per year, a large number of retired Civil Servant each generated with a description of the retirement age categories, at his own request and widows / widowers. The results of this study resulted in employee pension information with the grouping of three years with the results of the category of high, medium, low, helping the Regional Employment Board of Semarang in the data monitor and evaluate the employee pension. Applications of this research are implemented using Borland Delphi 7 programming language and MySQL 5.0 database.
▸ Baca selengkapnya: pernyataan di atas, pengelompokan daerah pada fenomena di atas menggunakan konsep....
(2)2
1. PENDAHULUAN
Pegawai Negeri Sipil (PNS) adalah salah satu Instansi Pemerintah yang menjadi alat ukur kesuksesan dalam melayani masyarakat. Instansi pemerintah yang mendapatkan nilai buruk dan memiliki citra negatif apabila
dalam melayani masyarakat menjadi lamban dikarenakan produktifitas pegawainya yang kurang. Maka diperlukan peraturan untuk masa akhir jabatan seorang pegawai yang telah mencapai masa usia tertentu yang disebut pensiun. Untuk menetapkan peraturan tersebut kepada pegawai pemerintahan, pemerintah telah menetapkan undang-undang yang mengatur masa kerja (usia) seorang PNS selama bekerja dan mengabdi pada pemerintah. Hal ini diatur dalam Undang-Undang Republik Indonesia Nomor 11 Tahun 1969 tentang pensiun pegawai.
Pensiun adalah keadaan dimana seorang pegawai atau karyawan sudah tidak diperbolehkan untuk melanjutkan pekerjaannya di sebuah organisasi / instansi dikarenakan usianya sudah melampaui batas masa kerja. Badan Kepegawaian Daerah adalah salah satu instansi daerah yang memiliki kewenangan dalam melakukan kebijakan manajemen PNS.
2. Metode Fuzzy C-Means
Suatu teknik peng-cluster-an yang mana keberadaannya tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan [14]. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Asumsikan ada sejumlah data dalam set dan X yang berisi n data yang dinotasikan X = { x1, x2, ..,xn}, dimana setiap data mempunyai fitur r dimensi : xi1, xi2, ..,xir dinotasikan xi = { xi1, xi2, ..,xir }. Ada sejumlah cluster C dengan centroid : c1 , c2, .. ck, dimana k adalah jumlah cluster. Setiap data mempunyai derajat keanggotaan pada setiap cluster, dinyatakan dengan uij, dengan nilai diantara 0 dan 1, i menyatakan data xi dan j menyatakan cluster cj. Jumlah nilai derajat keanggotaan setiap data xi selalu dengan 1, yang diformulasikan pada persamaan berikut :
∑
Untuk cluster cj , setiap cluster berisi paling sedikit satu data dengan nilai keanggotaan tidak nol, namun tidak berisi derajat satu pada semua data. Cluster cj dapat diformulasikan sebagai berikut :
∑
Seperti halnya teori himpunan fuzzy bahwa suatu data bisa menjadi anggota dibeberapa himpunan yang dinyatakan dengan nilai derajat keanggotaan pada setiap himpunan, maka dalam FCM setiap data juga menjadi anggota pada setiap cluster dengan derajat keanggotaan .
3 berikut :
∑
Parameter cj adalah centroid cluster ke –j, D( ) adalah jarak antara data dengan centroid, sedangkan w adalah parameter bobot pangkat (weighting exponent) yang diperkenalkan dalam Fuzzy C-Means w tidak memiliki nilai ketetapan, biasanya nilai w>1 dan umumnya diberi nilai 2.
Nilai keanggotaan tersebut disimpan dalam matriks fuzzy pseudo-partition berukuran N x k, dimana baris merupakan data, sedangkan kolom adalah nilai keanggotaan pada setiap cluster. Bentuknya seperti dibawah ini :
Untuk menghitung centroid pada cluster c1 pada fitur j, digunakan persamaan berikut :
∑
∑
Parameter N adalah jumlah data, w adalah bobot pangkat, dan adalah nilai derajat keanggotaan data xi ke cluster c1.
sementara fungsi objektif menggunakan persamaan berikut :
∑ ∑
Algoritma Clustering fuzzy C-Means :
1. Inisialisasi : tentukan jumlah cluster (k ≥ 2), tentukan bobot pangkat (w > 1), tentukan jumlah maksimal iterasi, tentukan ambang batas perubahan nilai fungsi objektif (jika perlu juga perubahan nilai cetroid).
2. Berikan nilai awal pada matriks fuzzy pseudo-partition.
3. Lakukan langkah 4 sampai 5 selama syarat dipenuhi : (1) apabila perubahan pada nillai fungsi objektif masih diatas nilai ambang batas yang ditentukan; atau (2) perubahan pada nilai centroid masih diatas nilai ambang batas yang ditentukan; atau (3) itesi maksimum belum tercapai.
4. Hitung nilai centroid dari masing – masing cluster.
Hitung kembali matriks fuzzy pseudo partition (derajat keanggotaan setiap data pada setiap cluster).
2.1 METODE PENELITIAN
Objek penelitian dalam penyusunan tugas akhir ini menggunakan data absensi di Badan Kepegawaian Daerah Kota Semarang.
1 Jenis Data
Data yang di gunakan dalam penelitian ini menggunakan data kuantitatif, karena data yang digunakan adalah angka. Data ini berisikan jam masuk dan jam pulang pegawai di Badan Kepegawaian Daerah Kota Semarang.
4 2. Sumber Data
1) Data Primer
Data primer merupakan data-data yang peneliti dapatkan secara langsung dari sumber data yang berkaitan dengan penelitian yang dilakukan. Data-data tersebut diperoleh melalui observasi atau pengamatan secara langsung di Badan Kepegawaian Daerah Kota Semarang.
2) Data Sekunder
Sumber data sekunder merupakan data yang didapat bukan dari sumbernya. Data yang diperoleh berasal dari dokumen, buku, data statistik, laporan yang berhubungan dengan penelitian ini. Disini peneliti bertindak sebagai pemakai data yang didapat dari Badan Kepegawaian Daerah Kota Semarang.
2.3 Metode Pengumpulan Data
1) Observasi
Penulis melakukan pengamatan, pengumpulan, dan mendokumentasikan data dan informasi dengan hanya memperhatikan mekanisme pengajuan dan pemberian pensiun yang berlangsung pada bidang Sekretariat di Badan Kepegawaian Daerah Kota Semarang.
2) Studi Pustaka
Pengumpulan data dengan metode ini berlangsung dengan cara membaca, mendalami, dan menelaah informasi yang berkaitan dengan penelitian dan objek yang diteliti. Data dan informasi yang dikumpulkan dapat berasal dari buku, ebook, jurnal dan internet. Pengumpulan data ini dilakukan dalam rangka memperoleh data sekunder yang bersifat teoritis.
3) Interview
Teknik pengumpulan data berupa tanya jawab dengan Bu Widyastuti selaku Kepala Sub Bidang Sekretariat pada Badan Kepegawaian Daerah Kota Semarang untuk memperoleh data-data yang dibutuhkan diantaranya mengenai data pensiun suatu pegawai.
2.4 Metode Pengembangan Sistem
Prototyping merupakan metode pengembangan sistem yang banyak digunakan. Dengan metode ini pengembang dan pelanggan dapat saling berinteraksi selama proses pembuatan sistem. Metode prototype sistem melibatkan user secara langsung dengan analisis dan perancangan, sangat efektif untuk pengoreksian sistem. Dalam membangun sebuah sistem diperlukan suatu metodologi pengembangan sistem. Metode ini dimulai dengan komunikasi antara pengembang dengan pengguna untuk mendiskusikan tujuan secara keseluruhan dari pengembangan sistem dan mengidentifikasi kebutuhan-kebutuhan yang harus ada pada sistem. Kemudian pengembang membuat rancangan sistem secara cepat dan tepat dengan fokus pada aspek-aspek yang terlibat, yang selanjutnya rancangan tersebut dibangun menjadi prototype.
1. Listen to customer
Pada tahap ini pengembang mendengarkan kebutuhan pelanggan sebagai pemakai sistem perangkat lunak (user) untuk menganalisis serta mengembangkan kebutuhan user.
5 2. Build/revise mock-up
Mengonversi dari kebutuhan user pada tahap berikutnya menjadi suatu mockup. Mock-up adalah suatu yang digunakan sebagai model desain yang digunakan untuk mengajar, demonstrasi, evaluasi desain, promosi, atau keperluan lain. Sebuah mock-up disebut sebagai prototipe perangkat lunak jika menyediakan atau mampu mendemostrasikan sebagian besar fungsi dari sistem perangkat lunak.
3. Customer test drives mock-up Customer
Melakukan pengujian terhadap mock-up yang telah dibuat. Jika telah sesuai prototipe akan diselesaikan sepenuhnya jika masih belum sesuai kembali ketahap pertama menggunakan sistem.
2.5 Kerangka Pemikiran
Gambar 1. Kerangka Pemikiran
3. HASIL DAN PEMBAHASAN 3.1 Perancangan Metode Fuzzy C-Means
Penggunaan algoritma Fuzzy C-Means pada sub bab ini akan dibahas cara mengimplementasikan algoritma pada data pensiun pegawai :
Tabel 1: Data Rekap Pensiun
Jumlah Cluster yang akan dibentuk dalah 3 cluster yaitu :
Tinggi
Sedang
Rendah
Ambang batas untuk menghentikan iterasi adalah= nilai positif terkecil. Weight (Bobot) = 2
6 1. Inisialisasi
Matriks fuzzy pseudo-partition diinisialisi dengan memberikan nilai sembarang dalam jangkauan [0,1] dengan jumlah untuk setiap data(baris) adalah 1
Tabel 2: Data Inisialisasi
1. Iterasi 1 a.Cluster 1
Rumus :
= inisialisasi u1 dipangkat weight (2)
= inisialisasi u1dipangkat weight (2) X Data TglBeliAkhir
= inisialisasi u1 dipangkat weight (2) X Data Frekuens_iBeli
= inisialisasi u1 dipangkat weight (2) X Data TotalBeli Tabel 3 : Cluster 1
Tabel 4: Data Centroid 1 Centroid-nya didapatkan sebagai berikut :
Centroid T S R
∑
∑ 108,3846 70,64089 67,58348
Centroid yang didapatkan untuk 4 cluster tersebut sebagai berikut :
Centroid T S R
1 108,3846 70,64089 67,58348
2 104,728 68,40674 65,27202
3 20,6058 17,06597 12,95866
2. Jarak Data ke Centroid
D(x1, c1) = √ = √ Data ke 1 0,3025 2,7225 3,025 1,815 2 0,3844 97,2532 61,1196 61,1196 3 0,3025 7,26 5,7475 3,9325 Jumlah 107,2357 69,8921 66,8671 107,2357
7 =131,7085 D(x1, c2) = √ = √ = 126,8399 D(x1, c3) = √ =√ = 15,26583
Hasil lengkap sebagai berikut :
data ke jarak ke centroid
1 2 3
1 131,7085 126,8399 15,26583
2 192,5563 197,4251 308,999
3 112,9907 108,1221 3,906756
3. Nilai Keanggotaan Data Matrikspseudo-partition
∑ = 0,013069 ∑ 0,014092
8 ∑ 0,972839
Hasil lengkap sebagai berikut :
Data ke-i 1 0,013069 0,014092 0,972839 2 0,427421 0,406599 0,16598 3 0,001193 0,001302 0,997505
4. Nilai Fungsi Objektif
= nilai keanggotaan psedo-partition, pangkat w
= jarak kecentroid Data ke-i Cluster 2 Cluster 3 1 2,963029 3,19486 220,558 2 6773,708 6443,729 2630,436 3 0,018156 0,019827 15,18668
Fungsi objektif di total semua = 16089,81351
Perubahan fungsi objektif = 16089,81351 - 0 = 16089,81351
Iterasi dilakukan sampai nilai perubahan fungsi objektif sesuai dengan kondisi ( | – |< eror terkecil ) dengan eror terkecil 0,01, Pt adalah total fungsi objektif pada iterasi ke n dan t = iterasi ke n. Hasil akhir cluster pensiun pegawai =
Kd Kategori NamaKategori 2013 2014 2015 Frekuensi 1 Batas Usia Pensiun 9 10 6 Sedang 2 Atas Permintaan Sendiri 253 159 159 Tinggi
9
3.2 Perancangan Sistem Secara Umum
Dalam Implementasi Data Mining di BKD Kota Semarang ini digunakan alat bantu Data Flow Diagram (DFD) tersebut adalah:
1. Context Diagram
Gambar 2 : Context diagram
0 implementasi data mining Pegawai Bagian Administrasi Kepegawaian Kepala BKD Data_Pegawai Laporan_Hasil_FCM Data_Skpd Data_Pensiun Data_Kategori Data_Periode_Tahun Data_Golongan Data_Inialisasi Data_Rekap_Pensiun Project Name: Project Path: Chart File: Chart Name: Created On: Created By: Modified On: Modified By:
implementasi data mining c:\tagila~1\ dfd00001.dfd cd-datamining Nov-28-2016 gilang Nov-28-2016 gilang
10 2. DFD Level 0 Gambar 3 : DFD Level 0 1 display data pensiun 2 Rekap Pensiun 3 Data Mining FCM Pegawai Bagian Administrasi Kepegawaian Kepala BKD Master_pgw Master_tgolongan master_tskpd Master_tktgr Master_Pensiun
Master_rkppsn fungsiobj inialisasi
cluster nilaiagt jrkcentroid centroid Data_Pegawai master_pensiun Data_Golongan Data_Skpd Data_Kategori Data_Periode_Tahun Data_Inialisasi Data_Rekap_Pensiun Data_Pensiun master_pgw master_tgolongan master_tskpd master_tktgr Laporan_Hasil_FCM master_rkppsn master_rkppsn fungsiobj inialisasi cluster nilaiagt jrkcentroid centroid Project Name: Project Path: Chart File: Chart Name: Created On: Created By: Modified On: Modified By:
implementasi data mining c:\tagila~1\ dfd00003.dfd dfd level 0 Nov-28-2016 gilang Nov-28-2016 gilang
11 3. ERD (Entity Relationship Diagram)
pegawai nip Id namapegawai gelardpn gelarblk kotalhr tgllhr Gender agama kodepos kelurahan kecamatan kabupaten propinsi Alamat rt rw Bagian kategori nip Kd_ktgr Kd_ktgr Nm_Ktg N N Mempunyai Mempunyai nip Kd_ktgr pensiun nip tmtpensiun Kd_ktgr N 1 golongan Kd_gol pangkat nip Kd_gol N 1 Rekap Inisialisasi rkp3 N N Cluster NilaiAgt u2 tahun N Kd_ktgr u4 rkp1 Kd_ktgr rkp2 urut Kd_ktgr tahun Kd_gol Kd_skpd Memiliki skpd Kd_skpd Nm_skpd nip Kd_skpd N 1 GolRuang Id u2 u1 u3 u1 u3 tahun Urutclstr centroid urutclstr urut tahun f3 f2 f1 Objektif Jarak centroid tahun Urut Kd_ktgr obj3 obj2 obj1 Kd_ktgr jrk3 tahun jrk2 jrk1
urut urut nil3
tahun nil2 Kd_ktgr nil1 N N N N N N
12 4. Relasi Tabel PEGAWAI NIP ** NoFinger Nm_pgw Gelar_dpn Gelar_blk Kotalhr Gender Agama Sts_kawin Alamat Rt Rw Kelurahan Kecamatan Kabupaten kodepos Propinsi Kd_gol ** Kd_skpd ** SKPD Kd_skpd * Nm_skpd GOLONGAN Kd_gol * GolRuang Pangkat KATEGORI Kd_ktgr * Nm_ktg INISIALISASI Periode ** Kd_ktgr ** Urut * U1 U2 U3 REKAP_ABS Kd_ktgr ** Periode * Rkp1 Rkp2 Rkp3 CLUSTER Periode ** Kd_ktgr ** Urut ** Urut_clstr * U_1 U_2 U_3 U_4 CENTROID Periode ** Urut ** Urut_clstr ** f1 f2 f3 FUNGSIOBJ Periode ** Kd_ktgr ** Urut ** obj1 obj2 obj3 JRKCENTROID Periode ** Kd_ktgr ** Urut ** jrk1 jrk2 jrk3 NILAIAGT Periode ** Kd_ktgr ** Urut ** nil1 nil2 nil3 NILAIP Periode ** Urut ** Total_all SUMCLUSTER Periode ** Urut ** Urut_clstr ** Sum_1 Sum_2 Sum_3 Sum_4 Absensi Nip ** NoSerahSK TmtPensiun TglSkPensiun Kd_ktgr **
13 3.3Implementasi
1) antarmuka data Pegawai
antarmuka data pegawai adalah form yang menampilkan data pegawai pada Badan Kepegawain Daerah Kota Semarang.
Gambar 6 : Data Pegawai
2) Antarmuka data pensiun untuk menampilkan data pensiun
Gambar 7 : Data Pensiun
3) Antarmuka data inialisasi untuk menampilkan data inialisasi
14 4) Antarmuka Nilai Clustering yang menampilkan Nilai Clustering setiap clusternya Tahap nilai Clustering adalah tahap perkalian antara data pensiun dengan data inialiasasi.
Gambar 9 : Data Mining Cluster dan Centroid 5) antarmuka Jarak Centroid menampilkan data jarak centroid.
15 6) antarmuka Nilai Keanggotaan adalah nilai yang berfungsi untuk menggantikan
inialisasi pada itersasi berikutnya.
Gambar 11 : Data Mining Nilai Keanggotaan 7) antarmuka Fungsi Objektif menampilkan nilai fungsi objektif.
Gambar 12 : Data Mining Fungsi Objektif
8) antarmuka Kategori menampilkan kategori pensiun dan memiliki keterangan pensiun di setiap kategorinya yaitu keterangan tinggi , sedang, dan rendah.
16 9) Antarmuka Cetak Hasil Distance yang menampilkan opsi untuk mencetak
laporan hasil dari data pensiun pegawai tersebut.
Gambar 14: Cetak Hasil Perhitungan 10)Form Rekapitulasi Pensiun
Pada Form Rekapitulasi Pensiun adalah form yang menampilkan laporan data pensiun pegawai.
Gambar 15 : Hasil Rekapitulasi Pensiun 11)Form Hasil Kategori
Laporan Hasil Kategori data Pensiun Pegawai.
17
4.1Kesimpulan
Dengan Menggunakan Metode Fuzzy C-Means dapat mengetahui pengelompokan pensiun pegawai yang ada di Badan Kepegawain Daerah Kota Semarang dengan begitu sistem ini dapat menjadi bahan Analisis bagi pihak yang bersangkutan,serta memberikan kemudahan informasi secara cepat, tepat dan akurat yang meliputi pemasukan, penyimpanan, pencarian data-data tertentu jika suatu waktu dibutuhkan
5. Saran
Dari Implementasi Data mining pada Badan Kepegawain Daerah Kota Semarang masih dapat dikembangkan batasan-batasan masalah pegawai selain dengan bagian kepegawaian, yang berhubungan dengan pensiun pegawai.
DAFTAR PUSTAKA
[1] Republik Indonesia. 1969. Undang-Undang No. 11 Tahun 1969 tentang Pensiun Pegawai dan Pensiun Janda/ Duda Pegawai. Sekretariat Negara. Jakarta.
[2] Sunar. 2012. Pengaruh faktor biografis (usia, masa kerja, dan gender) terhadap produktifitas karyawan (studi kasus PT Bank X). Forum Ilmiah, Vol. 9 No. 1. http://ejurnal.esaunggul.ac.id/index.php/Formil/article/viewFile
/803/736?sbmfkluoahomwjzy. (Diakses pada tanggal 29 Juni 2016)
[3] Megawati, N., Mukid, M. A., & Rahmawati, R. (2013). Segmentasi Pasar Pada Pusat Perbelanjaan Menggunakan Fuzzy C-Means (Studi Kasus : Rita Pasaraya Cilacap). Jurnal Gaussian Vol. 2 No.4 , pp 343 - 350. 35.
[4] Badan Kepegawaian Daerah Kabupaten Kuningan. Pensiun. http://bkd.kuningankab.go.id/ pelayanan/pensiun. (Diakses 13 Juli 2016)
[5] Republik Indonesia. 2003. Peraturan Pemerintah Republik Indonesia Nomor 9 Tahun 2003 tentang Wewenang Pengangkatan, Pemindahan, dan Pemberhentian Pegawai Negeri Sipil. Sekretariat Negara. Jakarta.
[6] Republik Indonesia. 2014. Undang-Undang Republik Indonesia Nomor 5 Tahun 2014 Tentang Aparatur Sipil Negara. Sekretariat Negara. Jakarta.
[7] Wikipns. UU Aparatur Sipil Negara (UU ASN No 5 Th 2014). http://wiki pns.com/uu-aparatur-sipil-negara-uu-asn-no-5-th-2014/. (Diakses 20 Juli 2016) [8] Wikipns. Batas Usia Pensiun PNS Menurut UU ASN.
18 [9] Jogiyanto. 2005. Analisis dan desain sistem informasi: Pendekatan terstruktur teori
dan praktek aplikasi bisnis. Yogyakarta: Andi Publisher.
[10] Pramudiono, Iko. 2006. Apa Itu Data Mining?, http://datamining.japati.net/, [Diakses: 8 Agustus 2016]
[11] Larose, D.T, “Discovering knowledge in data : an introduction to data mining”. Canada : Jhon Wiley & Sons Inc, 2005.
[12] A.S Rosa dan Salahuddin M, 2011. Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek), Modula, Bandung.
[13] Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
[14] Prasetyo, E. (2014). DATA MINING : Mengolah Data Menjadi Informasi Menggunakan MATLAB. Yogyakarta: Penerbit ANDI.
[15] Kristanto, A, “Perancangan Sistem Informasi dan Aplikasinya”. Yogyakarta: Gava Media, 2008.
[16] Jogiyanto, HM. (2009). Analisis dan Desain. Yogyakarta : Andi OFFSET.
[17] Al-Bahra bin Ladjamudin, “Analisis dan Desain Sistem Informasi”. Yogyakarta :Graha Ilmu, 2005.
[18] Al-Fatta, Hanif. 2007. Analisis dan Perancangan Sistem Informasi. Yogyakarta :ANDI.
[19] Jogiyanto, H, “Analisis dan Desain Sistem Informasi : Pendekatan Terstruktur Teori dan Praktik Aplikasi Bisnis”. Yogyakarta : Penerbit Andi, 2005.
[20] Sukamto dan Rosa Ariani. 2009. Analisa dan Desain Sistem Informasi. Bandung: Informatika.
[21] Heru Lestiawan, Modul Pemrograman Borland Delphi 7.0 , Semarang : LKP success-com,2013.
[22] Teddy, Pemrograman Delphi untuk Pemula: IDE dan Struktur Pemrograman, Kuliah Umum IlmuKomputer.Com, 2003
