JATISI Volume 4 Nomor 1 September 2017

(1)

(2)

VOLUME 4 NOMOR 1 SEPTEMBER 2017

JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI (JATISI)

Terbit dua kali setahun pada bulan Maret dan September, Jurnal Teknik Informatika dan Sistem Informasi (JATISI) merupakan media penyampaian hasil penelitian untuk semua bidang yang ada pada rumpun teknik informatika dan sistem informasi, diharapkan hasil penelitian yang ada pada jurnal ini dapat menjadi penghubung antara peneliti dan pihak yang berkepentingan. ISSN 2407-4322, diterbitkan pertama kali pada tahun 2014

KETUA PENYUNTING Muhammad Rizky Pribadi

DEWAN PENYUNTING Gasim

Teguh Bharata Adji Samsuryadi Sahmin Achmad Nizar Hidayanto

Ermatita

STAF AHLI (MITRA BESTARI) Bernard Renaldy Suteja

Aji prasetya wibawa Hermawan Syahputra Andi Wahju Rahardjo Emanuel

Bambang Sugiantoro

TATA USAHA Yulistia Mulyati Usniawati Keristin

Nur Rachmat Eva Rianti

PENANGGUNG JAWAB

Ketua STMIK Global Informatika MDP, Johannes Petrus, S.Kom., M.T.I

PENERBIT

Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP bekerjasama dengan IndoCEISS (Indonesian Computer, Electronics and

Instrumentation Support Society)

ALAMAT PENYUNTING & TATA USAHA

Gedung STMIK GI MDP, Jalan Rajawali No. 14 Palembang 30113 Telp. 0711-376400, Fax. 0711-376360,

(3)

KATA PENGANTAR

Puji syukur kehadirat Tuhan YME atas berkat rahmat dan karunia-Nya sehingga majalah ilmiah Jurnal Teknik Informatika dan Sistem Informasi (JATISI) dapat terbit sebagaimana direncanakan.

Sebagai tenaga profesional, dosen memiliki kewajiban mengajar, meneliti, dan pengabdian pada masyarakat. Setiap hasil penelitian sebaiknya dipublikasikan untuk memberi tahu kepada masyarakat luas tentang hasil penelitiannya.JATISI diharapkan dapat menjadi wadah bagi para dosen untuk mempublikasikan hasil penelitiannya, dan menjadi sarana untuk penyebaran ilmu pengetahuan di bidang teknik informatika dan sistem informasi secara berkelanjutan. JATISI juga diharapkan menjadi pertemuan antara dunia penelitian dan dunia industri yang tertarik terhadap hasil penelitian.

JATISI bekerja sama dengan IndoCEISS dalam pengelolaannya. IndoCEISS merupakan wadah bagi para ilmuwan, praktisi, pendidik, dan penggemar dalam bidang komputer, elektronika, dan instrumentasi yang menaruh minat untuk memajukan bidang tersebut di Indonesia.

JATISI diterbitkan 2 kali dalam setahun (September dan Maret), makalah yang diterbitkan JATISI minimal terdiri dari 60% dari luar Sumatera Selatan, dan 40% dari Sumatera Selatan. Makalah yang diterbitkan melalui tahap review oleh reviewer yang berpengalaman dan sudah memiliki makalah yang diterbitkan di jurnal internasional yang terindeks SCOPUS.

Kami mengucapkan terima kasih kepada para peneliti yang telah mengirimkan hasil penelitiannya untuk diterbitkan di JATISI, kepada para mitra bestari yang sudah meluangkan waktu guna mereview makalah yang kami ajukan, kepada Yayasan Multi Data Palembang yang mendukung penuh atas pengelolaan jurnal ini, dan kami mengucapkan kepada semua pihak yang tidak dapat kami sebutkan satu persatu.

Ketua Redaksi JATISI,

(4)

Jatisi, Vol. 4 No. 1 September 2017 1

Pemanfaatan Data Mining Untuk Penempatan Buku

Di Perpustakaan Menggunakan Metode

Association

Rule

Robi Yanto*1, Hendra Di Kesuma2

1,2

STMIK BNJ Lubuklinggau; Jl Yos Sudarso No 97 A Lubuklinggau, Telp: 0733-322307

3

Jurusan Sistem Informasi, STMIK Bina Nusantara Jaya Lubuklinggau e-mail: *1wrtech2009@yahoo.co.id, 2hendra.dikesuma@gmail.com

Abstrak

Data Mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data yang tersembunyi dengan memanfaatkan data kunjungan perpustakaan, dapat menggali informasi tentang buku- buku apa yang sering dipinjam oleh pengunjung dan keterkaitan antar masing-masing peminjaman hingga dapat melakukan penyusunan dan tata letak buku. Pada sistem yang berjalan penempatan buku dilakukan berdasarkan kategori buku yang telah tersedia pada rak buku namun belum diatur berdasarkan intensitasi peminjaman buku yang dilakukan oleh anggota sehingga masih banyak buku-buku lama yang masih tersedia di perpustakaan. Untuk dapat melakukan penempatan buku sesuai dengan kebutuhan anggota perlu dilakukan suatu proses pengolahan data peminjaman buku dengan menggunakan algoritma appriori melalui penerapan metode association rule agar dapat diketahui support dan confidance antara buku-buku yang sering di pinjam sehingga dapat diketahui pola penempatan buku. Dibandingkan dengan sistem yang sedang berjalan kinerja tersebut ditunjukan pada efektifitas informasi dari sistem tentang penentuan pola penempatan buku untuk tata letak buku dan memudahkan dalam mengetahui keberadaan buku dalam hal ini berdasarkan 3 item set buku.

Kata kunci: Data Mining, Rule Assosiasi, Perpustakaan.

Abstract

Data Mining is the process of analyzing data to find a pattern of hidden data collection. by utilizing the traffic data library, can dig up information about what books are often borrowed by visitors and interrelationships of each loan to be able to do the preparation and layout of the book. In the system that runs the placement of books done by category of books available pad superbly wine book but has not been regulated by intensitasi lending done by members of so many old books are still available in the library. To be able to guide the placement in accordance with the needs of member needs to do a book-lending data processing by using aloritma appriori through the application of methods Associaton rule in order to know the support and confidance between books that are often borrowed so that it can be seen buku.Dibandingkan pattern placement system ongoing performance information is shown on the effectiveness of the system of determining the placement pattern books for book layout and make it easier to determine the existence of the book in this case is based on 3 itemset books.

(5)

2 ISSN: 2407-4322

1. PENDAHULUAN

Perkembangan teknologi informasi telah memberikan kontribusi pada cepatnya pertumbuhan jumlah data yang dikumpulkan dan di simpan dalam basis data yang berukuran besar (tumpukan data). Dibutuhkan sebuah metode atau teknik yang dapat merubah tumpukan data tersebut menjadi sebuah informasi berharga atau pengetahuan (knowledge) yang bermanfaat untuk mendukung pengambilan keputusan bisnis. Suatu teknologi yang dapat digunakan untuk mewujudkannya adalah data mining. Data Mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan mengunakan teknik atau metode tertentu. [2] Data mining berkembang menjadi alat bantu untuk mencari pola-pola yang berharga dalam suatu basis data yang sangat besar jumlahnya, sehingga tidak memungkinkan dicari secara manual.

Data Mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data yang tersembunyi [5]. Dengan memanfaatkan data kunjungan perpustakaan, dapat menggali informasi tentang buku-buku apa yang sering dipinjam oleh pengunjung dan keterkaitan antar masing-masing peminjaman hingga dapat melakukan penyusunan dan tata letak buku. Pada sistem yang berjalan penempatan buku dilakukan berdasarkan kategori buku yang telah tersedia pada rak buku, namun belum diatur berdasarkan intensitasi peminjaman buku yang dilakukan oleh anggota. Sehingga masih banyak buku-buku lama yang masih tersedia di perpustakaan. Proses peminjaman buku digunakan hanya untuk mengetahui tingkat minat baca anggota di perpustakaan. Namun pada proses tata letak buku belum dilakukan dengan melihat tingkat kebutuhan peminjam atas buku yang dipinjam. Sehingga anggota perpustakaan membutuhkan waktu yang cukup lama untuk mencari buku dengan melihat pada rak-rak buku yang tersedia. Dengan adanya permasalahan tersebut diperlukan analisa pola peminjaman buku untuk penerapan tata letak buku yang sesuai dengan tingkat kebutuhan pengunjung perpustakaan. Salah satu solusi yang dapat digunakan adalah mengimplementasikan data mining menggunakan metode association rule untuk menentukan penempatan buku yang ada di perpustakaan.

Pada penelitian sebelumnya dilakukan oleh Kennedi Tampubolon (2013) dengan tema Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan dimana Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat mempercepat proses pembentukan kecenderungan pola kombinasi item set hasil penjualan alat-alat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan confidence tertinggi adalah Stick Asam Urat - Stick Gula dan Stick Colestrol- Stick Gula [8]. Begitu juga dengan penelitian yang dilakukan oleh Hapsari, DA (2013) dengan tema Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat menggunakan Algoritma Apriori dimana aplikasi data mining

dibangun menggunakan proses sekuensial linear dengan bahasa pemrograman PHP dan basis data MySQL. Algoritma yang digunakan sebagai proses utama dari analisis keranjang pasar adalah algoritma apriori dengan menggunakan parameter minimum support, minimum confidence, dan periode bulan transaksi penjualan untuk menemukan aturan asosiasi. Aplikasi data mining menghasilkan aturan asosiasi antar item pada bulan Februari 2012 yaitu konsumen melakukan transaksi pembelian obat jenis obat darah dan analgesik secara bersamaan dengan

support sebesar 2,08% dan confidence sebesar 45,45%. Dengan demikian, jika terdapat seorang konsumen membeli jenis obat darah maka kemungkinan terdapat 45,45% konsumen membeli jenis analgesic [1].

2. TINJAUAN PUSTAKA

2.1 Data Mining

(6)

informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan [6]. Data mining sering juga disebut dengan Knowledge Discovery in Database atau disingkat KDD, adalah kegiatan yang meliputi pengumpulan, pemakaian data histori untuk menelusuri data yang ada untuk membangun sebuah model agar dapat mengenali pola data yang lain berukuran besar [6]. Gambar 2.1 tahapan Proses KDD sebagai berikut:

Gambar 1. Tahapan Proses KDD [7]

Enam elemen yang paling esensial dalam teknik pencarian informasi/pengetahuan dalam KDD yaitu [7]:

1. Mengerjakan sejumlah besar data.

2. Diperlukan efesiensi berkaitan dengan volume data. 3. Mengutamakan ketetapan/keakuratan.

4. Membutuhkan pemakaian bahasa tingkat tinggi.

5. Menggunakan beberapa bentuk dari pembelajaran otomatis. 6. Menghasilkan hasil yang menarik.

2.2 Algoritma Apriori

Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association Rule) untuk menentukan hubungan asosiatif suatu kombinasi item. Analisis pola frekuensi tinggi dengan algoritma appriori mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data [3]. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut:

(A) =Jumlah transaksi mengandung A (i)

Total Transaksi

Nilai support dari 2 item diperoleh dengan menggunakan rumus: (ii)

( , ) = ( )

(A,B)= transaksi mengandung A dan B transaksi

(7)

4 ISSN: 2407-4322

confidence aturan asosiatif A U B. Nilai confidence dari aturan A U B diperoleh dengan rumus berikut:

= ( | ) = transaksi mengandung A dan B (iii)

transaksi mengandung A

Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support

× Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar.

3. METODE PENELITIAN

Gambar 2. Metode Penelitian

1. Tahap awal dilakukan pengumpulan data yang bertujuan untuk menyediakan bahan agar proses selanjutya yaitu menganalisa permasalahan yang terjadi pada proses kegiatan pengolahan data buku di perpustakaan.

2. Tahap analisa permasalahan dilakukan untuk dapat melihat seberapa banyak permasalahan yang diperoleh berdasarkan tingkat kepentingan dari permasalahan yang akan diselesaikan. 3. Tahap identifikasi masalah adalah mengelompokan permasalahan yang diperoleh yang

sesuai dengan tujuan penelitian.

4. Tahap merumuskan masalah adalah tahap pemilihan masalah yang telah teridentifikasi untuk dapat dirumuskan agar dapat menyelesaikan permasalahan yang sesuai dengan tujuan penelitian.

5. Proses pengolahan data dilakukan terlebih dahulu melakukan identifikasi sering dihadapi oleh pihak perpustakaan, kemudian mendeskripsikan masalah-masalah tersebut untuk diperoleh solusinya. Tahap selanjutnya dilakukan analisa masalah menggunakan teknik data mining dengan algoritma apriori untuk mendapatkan hasil sebagai tujuan yang akan dicapai.

6. Pada tahap ini dilakukan analisis hasil berdasarkan perhitungan algoritma appriori yang dapat digunakan untuk pengambilan keputusan dalam penentuan pola penempatan buku. 7. Tahap akhir adalah menyimpulkan hasil penelitian apakah telah memberikan solusi dari

permasalah yang telah diselesaikan.

4. PERANCANGAN DAN HASIL

Metode data mining analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item [4]. Interestingness measure yang dapat digunakan dalam data mining adalah:

(8)

1. Support, adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item atau item set dari keseluruhan transaksi.

2. Confidence, adalah suatu ukuran yang menunjukkan hubungan antar dua item secara

conditional (berdasarkan suatu kondisi tertentu).

4.1 Algoritma Apriori

Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (association rule) untuk menentukan hubungan asosiatif suatu kombinasi item [3]. Analisis pola frekuensi tinggi dengan algoritma appriori mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut:

(A) =Jumlah transaksi mengandung A Total Transaksi

Nilai support dari 2 item diperoleh dengan menggunakan rumus:

( , ) = ( )

(A,B)= transaksi mengandung A dan B transaksi

Pembentukan aturan asosiasi setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung

confidence aturan asosiatif A U B. Nilai confidence dari aturan A U B diperoleh dengan rumus berikut:

= ( | ) = transaksi mengandung A dan B Transaks mengandung A

Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan

Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar.

4.2 Implementasi Perhitungan Menggunakan Algoritma Appriori

Tabel 1. Pola Peminjaman Buku

Transaksi Peminjaman Buku

1 Matematika Bahasa

Indonesia Sosiologi Fisika Kimia - -

2 Matematika Fisika Biologi PAI - - -

3 PAI TIK PKN - - - -

4 Matematika Bahasa

Indonesia Ekonomi Sosiologi Fisika Kimia Sejarah

5 Bahasa

Indonesia Ekonomi Sosiologi Fisika PAI TIK PKN 6 Ekonomi Sosiologi Fisika Biologi Kimia PAI TIK

7 Bahasa

Indonesia Ekonomi Sosiologi Fisika Biologi

(9)

6 ISSN: 2407-4322

9 Matematika _IndonesiaBahasa Ekonomi - - - -

10 Sosiologi Fisika Biologi Kimia - - -

Tabel 1 menggambarkan jumlah peminjaman buku yang dilakukan oleh pengunjung perpustakaan yang akan dijadikan data terhadap kebutuhan proses perhitungan dengan menggunakan algoritma appriori.

Tabel 2. Tabulasi Data Peminjaman Buku

Pada tabel 2. Tabulasi data dilakukan untuk mengetahui banyaknya kegiatan peminjaman buku setiap item buku berdasarkan 10 kegiatan peminjaman buku.

4.2.1 Pembentukan Item Set

1 Item set berikut ini adalah penyelesaian berdasarkan data yang sudah disediakan pada tabel 2. Proses pembentukan C1 atau disebut dengan 1 item set dengan jumlah minimum

support = 40% dengan rumus sebagai berikut:

Support(A) = Jumlah transaksi mengandung A Total Transaksi

Tabel 3. Support dari Setiap Item

Nama Buku Jumlah 1 Itemset

Matematika 4 40%

Bahasa Indonesia 3 30%

Ekonomi 4 40%

Sosiologi 6 60%

Fisika 8 80%

Biologi 5 50%

(10)

Sejarah 2 20%

PAI 5 50%

TIK 4 40%

PKN 3 30%

Dari proses pembentukan item set pada tabel 3 dengan minimum support 40 % dapat diketahui yang memenuhi standar minimum support yaitu pada buku Matematika, Ekonomi, Sosiologi, Fisika, Biologi, Kimia, PAI, TIK. Kemudian dari hasil pembentukan 1 item set akan dilakukan kombinasi 2 item set seperti pada tabel 4.

4.2.2 Kombinasi 2-Item Set

Proses pembentukan C2 atau disebut dengan 2 item set dengan jumlah minimum

support = 40% dapat diselesaikan dengan rumus berikut:

Support (A,B) = P (A B) Support (A,B)

(A,B) = transaksi mengandung A dan B transaksi

Tabel 4. Minimum Support 2-itemset 40 %

Dari kombinasi 2 item set dengan minimum support 40 % dapat diketahui kombinasi 2 item set yang memenuhi standar minimum support yaitu Sosiologi, Fisika dengan support

sebesar 60 %, Fisik, Kimia dengan support sebesar 50 % dan fisika, kimia dengan support 50 %.

Nama Buku Jumlah 2-Itemset Matematika, Ekonomi 2 20% Matematika, Sosiologi 2 20% Matematika, Fisika 3 30% Matematika,Biologi 1 10%

Matematika,Kimia 2 20%

Matematika,PAI 0 0%

Matematika, TIK 0 0%

Sosiologi, Fisika 6 60% Sosiologi, Biologi 3 30%

Sosiologi, Kimia 3 30%

Sosiologi, PAI 2 20%

Sosiologi, TIK 1 10%

Fisika, Biologi 5 50%

Fisika, Kimia 5 50%

Fisika, PAI 3 30%

Fisika, TIK 3 30%

Biologi, Kimia 3 30%

Biologi, PAI 3 30%

Biologi, TIK 2 20%

Kimia, PAI 2 20%

Kimia, TIK 2 20%

(11)

8 ISSN: 2407-4322

= Fisika Kimia

= /

/ x100 = 65,2

= Kimia Fisika

= /

/ x100 = 100

= Fisika Biologi

= /

/ x100 = 65,2

= biologi Fisika

= /

/ x100 = 100

= Sosiologi Fisika

= /

/ x100 =100

= Fisika Sosiologi

= /

/ x100 = 65,2

Dari perhitungan manual dengan metode association rule diperoleh confidence 100 % antara Kimia dan Fisika, Sosiolofi dan Fisika, Sosiologi dan Fisika.

4.3 Pengujian Menggunakan XLMiner

XLMiner dikembangkan pertama kali oleh perusahaan yang bernama Resampling Stats. Inc

(12)

Gambar 3.Proses Association Rule

Pada gambar 3 dilakukan proses assosiasi pada transaksi peminjaman buku yang terdiri dari 10 transaksi peminjaman buku dengan beberapa jenis buku ilmu pengetahuan. Dimana pada tahap ini dilakukan proses pengenalan kombinasi yang terbentuk antara item buku.

Gambar 4. Hasil PerhitunganAssociation Rule

Dari proses assosiasi berdasarkan 10 data transaksi peminjaman buku dengan minimum

(13)

10 ISSN: 2407-4322

5. KESIMPULAN

Proses penentuan pola penempatan buku di perpustakaan dapat dilakukan dengan menerapkan data mining dengan metode algoritma appriori. Dengan metode tersebut penentuan pola penempatan buku dapat dilakukan dengan melihat hasil dari kecenderungan pengunjung melakukan peminjaman buku berdasarkan kombinasi 2 item set. Pengetahuan baru yang dapat diperoleh berdasarkan hasil perhitungan algoritma apriori dan sistem yang dibangun dapat dilakukan pengaturan tata letak buku secara berdekatan untuk memudahkan keberadaan buku yang akan dipinjam oleh pengunjung.

DAFTAR PUSTAKA

[1] Anggraini H D, Dkk., 2013, Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori, Jurnal Masyarakat Informatika, Vol. 4 No. 7, Hal 1- 8.

[2] Gunadi, G., Sensuse, D., I., 2012, Penerapan Metode Data Mining Market Basket Analisis Terhadap Data Penjualan Produk Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth), Jurnal TELEMATIKA MKOM, Vol. 4, No. 1, Hal 118-132.

[3] Hermawati FA, 2013, Data Mining, Andi, Yogyakarta.

[4] Kusrini, Luthfi, E. T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta.

[5] Prabowo P W., 2013, Penerapan Data Mining Dengan Matlab, Rekayasa Sains, Bandung

[6] Prasetyo E, 2012, Data Mining: Konsep dan Aplikasi Menggunakan Matlab, Andi, Yogyakarta.

[7] Paresh Tama., and Yogesh Ghodasara, Foundation for Frequent Pattern Mining Algorithms’Implementation. International Journal of Computer Trends and Technology (IJCTI) - VOL.4 Issue 7 - July 2013.

[8] Tampubolon K, dkk., 2013, Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan, Jurnal Informasi dan Teknologi Ilmiah, Vol.1, No.1, Hal 93-106.

(14)

Aplikasi Media Pembelajaran Berbasis

Serious Games

(

Games Education

) untuk Belajar Menulis

Nunuk Wahyuningtyas1, Normaningsih2, Tri Sagirani*3

1,2,3

Institut Bisnis dan Informatika Stikom Surabaya; Jl. Kedung Baruk 98 Surabaya, Telp.0318721731

1,2,3

Fakultas Teknologi dan Informatika

e-mail: 1nunuk@stikom.edu, 2norma@stikom.edu, *3tris@stikom.edu

Abstract

Developing serious games (games education) application for learning media with attention to user experience model for children with special needs becomes an important thing in learning creativity. Through learning of media application, it aims the learning process more interesting and improves learning motivation to raise up the children with Special Educational Needs (SEN), particularly to understand letters, numbers, simple words and learn how to write using the application of learning media and input device (such as pen tablet or touch screen). The utilization of learning media application to the students with special needs would be done through the measurement of User Experience Questionnaire (UEQ), and obtained the excellent value on application appeal, content clarity, efficiency and accuracy, and good value for stimulation and novelty. It can be concluded that the application of learning media based on the serious games for learning media to write can be used as learning tools.

Keywords: Learning Media, Serious Games, Children with Special Educational Need, User Experience

Abstrak

Merancang dan membangun aplikasi serious games (games education) dengan memanfaatkan model user experience untuk mendukung pengembangan media belajar yang tepat bagi anak berkebutuhan khusus (ABK) kelompok tuna grahita ringan yang disesuaikan dengan keterbatasan dan kemampuan anak menjadi bagian penting dalam kreatifitas pembelajaran. Dengan penyusunan aplikasi media pembelajaran ini dapat membantu proses pembelajaran berjalan dengan lebih menarik dan dapat meningkatkan motivasi belajar dan kemandirian ABK tuna grahita khususnya dalam belajar mengenal huruf, angka, kata sederhana dan belajar menuliskannya dengan memanfaatkan aplikasi media pembelajaran berbasis serious games dengan berbantuan peralatan input berupa pen tablet atau touch screen. Dari pemanfaatan aplikasi media pembelajaran ini pada siswa berkebutuhan khusus dilakukan pengukuran memanfaatkan User Experience Questionnaire (UEQ) dan diperoleh nilai excellent pada daya tarik aplikasi, kejelasan konten, efisieni dan ketepatan, dan nilai good untuk stimulasi dan kebaharuan. Hal ini dapat disimpulkan bahwa aplikasi media pembelajaran berbasis serious games untuk belajar menulis sesuai untuk digunakan sebagai alat bantu dalam pembelajaran.

(15)

12 ISSN: 2407-4322

1. PENDAHULUAN

Pemanfaatan Teknologi Informasi dan Komunikasi (TIK) dapat mendukung kreatifitas dalam pengembangan dan pemanfaatan media pembelajaran. Dalam penyusunan media pembelajaran dengan memanfaatkan TIK yang sesuai, tidak lepas dari interaksi manusia dan komputer (human computer interaction/HCI). Terdapat tiga hal utama yang menjadi perhatian dalam perkembangan HCI yaitu functionality, usability dan user experience [1]. Functionality

terkait dengan masalah teknis terhadap fungsi-fungsi yang dapat dilakukan oleh sebuah produk teknologi. Usability berkaitan dengan karakteristis dari interaksi antara pengguna dengan produk teknologi. User experience berkenaan dengan pengalaman pribadi seorang pengguna dalam memanfaatkan produk teknologi yang ada.

Pengembangan pembelajaran dengan memanfaatkan media pembelajaran yang menarik dan sesuai dengan karakteristik anak berkebutuhan khusus (ABK) dapat memudahkan dalam penyampaian materi ajar oleh guru kepada siswanya. Dalam hal ini, pemanfaatan aplikasi komputer dalam bentuk games. Aplikasi games umumnya dianggap sebagai bentuk hiburan semata, namun sebenarnya games memiliki fungsi jauh lebih baik dari hanya sekedar hiburan belaka. Kombinasi dari tampilan yang menarik dan peraturan yang beragam, membuat games diminati oleh semua kalangan muda sampai tua tidak terkecuali ABK. Perkembangan pasar teknologi baru seperti smartphone, tablet, maupun hybrid PC yang lebih portabel, membuat games menjadi bagian yang perlu dikembangkan dalam memberikan dukungan pada proses pembelajaran yang sering kita kenal dengan Serious Games (Games Education). Tidak sedikit games yang dibuat dengan tujuan utama bukan sebagai hiburan, beberapa digunakan untuk proses pembelajaran yang membutuhkan kelebihan games dalam menyajikan tantangan dan sistem nilai sebagai penunjang pembelajaran. Games semacam ini disebut serious games dan dirancang untuk memecahkan beberapa masalah. Serious Games atau permainan digital memiliki beberapa keunggulan antara lain dibangun diatas prinsip-prinsip pembelajaran yang sehat, menyediakan banyak keterlibatan siswa dalam memainkannya, memberi kesempatan untuk belajar secara mandiri, menyediakan lingkungan permainan yang menyenangkan dan terdapat proses penilaian yang relevan [2]. Pengembangan pembelajaran dengan memanfaatkan media pembelajaran yang menarik tersebut dibutuhkan pemanfaatan teknologi komputer dalam meningkatkan kualitas pembelajaran bagi ABK. Pemanfaatan komputer yang sesuai dapat memudahkan dalam penyampaian materi ajar oleh guru kepada siswanya [3], juga dapat meningkatkan minat, hasil belajar, motivasi belajar siswa [4,5].

Pemanfaatan teknologi komputer dapat didukung juga dengan pemanfaatan peralatan input yang beragam, yang mampu mendukung media pembelajaran dapat dijalankan dengan lebih menarik [6] dan dapat memberikan pengalaman bagi penggunanya atau dikenal pula dengan istilah User Experience (UX). Pada kenyataannya dalam mendukung siswa belajar menulis bagi pemula khususnya bagi ABK, beberapa media yang digunakan selama ini baru sebatas pemanfaatan buku bergaris dengan tanda titik-titik untuk diikuti dengan pergerakan jari anak yang memegang pensil. Dalam pengembangan media pembelajaran yang akan disusun berupa aplikasi Serious Games (Games Education), usaha difokuskan pada pemanfaatan teknologi komputer berupa penyusunan aplikasi komputer untuk siswa belajar memulai membaca dan menulis dengan alat bantu berupa komputer dilengkapi dengan peralatan input pendukung berupa Drawing Pen dan Touchscreen untuk digunakan sebagai pengganti buku dan alat tulis dalam proses membiasakan pergerakan tangan dalam aktifitas menulis, mengulang dan memperbaiki hasil tulisan.

(16)

mempunyai kelemahan dalam keterampilan gerak [4]. Keterbatasan yang lain adalah kurang mampu memusatkan perhatian saat belajar, beraktifitas dan mengikuti petunjuk serta kurang mampu untuk menghindarkan diri mereka dari bahaya yang ada. ABK tuna grahita lebih cepat lupa, dan sebagian anak cenderung pemalu, kurang kreatif dan tidak memiliki inisiatif, perbendaharaan katanya terbatas, dan memerlukan tempo belajar yang relatif lama dibandingkan anak normal [8].

2.1 Materi Penelitian

Penelitian ini difokuskan pada merancang dan membangun aplikasi serious games (games education) dengan memanfaatkan model user experience [6] untuk mendukung pengembangan media belajar yang tepat. Model UX yang dimaksud digunakan sebagai acuan bagi pengembangan aplikasi dalam media pembelajaran untuk ABK tuna grahita ringan yang tentunya disesuaikan dengan keterbatasan dan kemampuan ABK. Dengan demikian pengembangan Model UX melalui penyusunan media pembelajaran ini dapat membantu proses pembelajaran berjalan dengan lebih menarik dan dapat meningkatkan motivasi belajar dan hasil belajar berupa kemandirian ABK tuna grahita khususnya dalam mengenal huruf, angka, kata sederhana dan menuliskannya memanfaatkan aplikasi media pembelajaran dengan peralatan input berupa pen tablet dan touch screen.

2.2 Subyek Penelitian

Subyek dalam penelitian ini adalah siswa Sekolah Dasar Luar Biasa (SDLB) dari kelompok tuna grahita ringan. Kelompok ini adalah kelompok tuna grahita yang mampu didik yaitu kelompok tuna grahita ringan yang memiliki kapasitas inteligensi (IQ) antara 50 – 70 [8]. Kelompok ABK ini masih mempunyai kemampuan untuk dididik dalam bidang akademik yaitu mengenal huruf, menulis huruf, menulis angka dan menulis beberapa kata dan kalimat sederhana. Penelitian ini merupakan penelitian eksperimen yang dilakukan terhadap subyek secara individual untuk melihat perubahan perilaku.

2.3 Tahapan Penelitian

Adapun tahapan dalam penelitian ini adalah sebagai berikut: a. Tahap Investigasi Awal.

Tahap ini adalah pra pembuatan model yang akan dikaji ialah mengembangkan model UX untuk ABK [6] dalam pemanfaatan TIK dalam media pembelajaran. Dalam tahap ini dilakukan kajian terhadap pemanfaatan media dalam pembelajaran, UX dalam aplikasi baik secara umum maupun khusus bagi ABK, beberapa kajian terhadap literatur terkait, kurikulum dan standar kompetensi SLB serta penelitian-penelitian pendahulu yang terkait hingga menghasilkan model konseptual. Selain itu dalam tahap ini juga dilakukan identifikasi karakteristik ABK tuna grahita ringan, komponen UX dan identifikasi trend teknologi dalam pendidikan ABK.

b. Tahap Desain.

(17)

14 ISSN: 2407-4322

Hasil yang diperoleh dari tahap ini adalah rancangan atau desain aplikasi serious games (games education) yang dapat meningkatkan stimulus dalam media pembelajaran. Desain ini selanjutnya akan dituangkan dalam prototype aplikasi media pembelajaran pada tahap realisasi.

c. Tahap Realisasi.

Pada tahap ini disusun suatu prototype aplikasi serious games (games education) sebagai lanjutan dari tahap desain. Kegiatan yang dilakukan pada tahap ini mencakup kegiatan Software Development Life Cycle (SDLC) dalam pengembangan sebuah aplikasi. Model SDLC yang digunakan adalah model waterfall yang meliputi tahapan analisa kebutuhan, mendesain sistem, menyusun aplikasi/coding dengan memanfaatkan software Unity, melakukan testing dan pemanfaatan di lapangan. Analisa kebutuhan untuk penyusunan aplikasi media pembelajaran bagi pengguna dalam hal ini adalah ABK mengacu pada kebutuhan akan dukungan media pembelajaran untuk mata pelajaran bahasa Indonesia khususnya untuk materi menulis yang didasarkan pada KTSP Tahun 2006 SDLB Tuna grahita Ringan (SDLB-C) [9] dengan mengacu pada standar kompetensi dan kompetensi dasar SDLB-C Tahun 2006 [10]. Penyusunan aplikasi difokuskan pada pemahaman yang ingin dicapai pada ABK dengan mengukur beberapa kemampuan siswa yaitu kemampuan menulis angka, huruf dan kata sederhana. Gambar 1 berikut ini adalah gambaran tahapan dalam penyusunan aplikasi untuk media pembelajaran.

Gambar 1. Diagram Alir Penyusunan Aplikasi

d. Tahap Tes, Evaluasi dan Revisi.

Tahap ini difokuskan pada penilaian pada fokus User Experience pada ABK mengacu pada

(18)

belakang secara makna yang dapat mempresentasikan produk atau aplikasi media pembelajaran yang disusun [11]. Pencatatan hasil belajar siswa melalui latihan yang disediakan dalam aplikasi media pembelajaran. Proses validasi, pengamatan dan interview pada siswa dengan bantuan/pendampingan oleh guru dengan menggunakan UEQ.

Data yang akan didapat terkait pengukuran terhadap peningkatan kemampuan ABK meliputi enam variabel yang akan dievaluasi, yaitu menulis huruf/angka, dan kata. Evaluasi untuk variabel yang ada menggunakan sistem skoring dengan skala likert. Semua jawaban siswa dengan bantuan guru saat interview akan dikonversi dengan pendekatan pada rentang skor 1-7.

3. HASIL DAN PEMBAHASAN

Penelitian ini memanfaatkan model UX yang telah ada [6] dan menyusun prototype aplikasi media pembelajaran berbasis serious games yang selanjutnya dimanfaatkan oleh ABK dalam proses belajar membaca kata sederhana dan belajar menulis. Model yang digunakan dapat dilihat pada Gambar 2.

Cont en about anim als

---Present ation

t ext , im ages, animatio n, video and audio ---Funct ionality

capabilit y to read and writ e sim ple w ords or sentences and also t he m anagement of limbs mot ion

cognit ion, improved emot ion, improved learning mot ivation, longer at tent ion span, good perception and purposeful

behavior

Gambar 2. User Experience Model (Sagirani et al, 2015)

Dari model yang ada pada gambar 2 selanjutnya disusun prototype aplikasi media pembelajaran dengan memanfaatkan serious games. Tabel 1 berikut ini adalah identifikasi dari model interaksi antara media pembelajaran berbasis serious games dengan pengguna dan peralatan yang digunakan.

Tabel 1: Identifikasi dari Model Interaksi

Aktifitas Pendukung

(19)

16 ISSN: 2407-4322

Fungsionalitas: mengenal huruf dan kata/ kalimat sederhana Interaksi: user menulis dan membaca

Pengguna Memiliki keterbatasan:

Langkah berikutnya untuk penyusunan prototype dengan diawali menyusun design antarmuka aplikasi serious games yang dapat mendukung ketersediaan media pembelajaran. Salah satu prinsip dalam mendesain adalah adanya pertimbangan untuk melengkapi atau meningkatkan motivasi dan proses belajar [12,13,14].

Desain terkait dengan motivasi. maka terdapat 5 hal yang menjadi pertimbangan dalam mendesain aplikasi media pembelajaran yaitu:

1. Aplikasi media pembelajaran disusun dengan mengalir yaitu menjadikan hasil desain menjadi lebih menyenangkan bagi pengguna dengan tantangan yang disesuaikan dan terdapat beberapa tingkatan tugas.

2. Aplikasi media pembelajaran hendaknya disusun untuk menumbuhkan rasa ingin tahu dari pengguna.

3. Aplikasi media pembelajaran disusun dengan otonomi pengguna yaitu pengguna memiliki kontrol terhadap aktivitas yang mereka lakukan.

4. Aplikasi media pembelajaran mampu memberikan ungkapan atas keberhasilan pengguna dalam menjalankan aktivitas, hal ini dapat memperkuat motivasi pengguna dan biasanya disimbolkan dengan tanda bintang sesuai dengan keberhasilan tiap-tiap pengguna.

5. Aplikasi media pembelajaran dapat memberikan umpan balik, hendaknya desain menyediakan umpan balik berupa jawaban dari setiap soal yang dberikan.

Pertimbangan kedua dalam prinsip mendesain aplikasi media pembelajaran adalah aktivitas dalam proses belajar, yaitu meliputi:

1. Tanya-Jawab, pengguna dapat memecahkan soal yang ditampilkan dengan memberikan jawaban atas setiap pertanyaan/tugas menggunakan drawing pen untuk menulis.

2. Instruksional/bimbingan, pengguna mendapatkan tantangan dengan topik yang berbeda, seperti menulis angka, menulis huruf kapital, menulis huruf kecil hingga menulis kata. 3. Pengulangan dan refleksi, aplikasi memberikan penguatan dan membangun

pengetahuan pengguna.

4. Aksi/Tugas, aplikasi media pembelajaran memberikan kegiatan belajar yang membutuhkan partisipasi aktif antara pengguna dengan media pembelajaran.

5. Penilaian diri, pengguna dapat mengevaluasi dirinya sendiri dengan menjawab pertanyaan yang disediakan.

(20)

dengan menggunakan drawing pen atau menunjuk dan menggerakkan jari saat menggunakan layar sentuh.

(1) Tampilan utama fisik gedung sekolah (2) Pilihan menu sesuai level

(3) Materi menulis angka (4) Materi menulis huruf kecil

(5) Materi menulis huruf kapital (6) Materi menulis kata sederhana

Gambar 3. Desain Antarmuka Aplikasi Media Pembelajaran

Uji coba telah dilakukan pada siswa dan selanjutnya dilakukan pencatatan hasil

interview pada siswa dengan didampingi oleh guru. Alat ukur yang digunakan dengan memanfaatkan User Experience Questionnaire [11]. Terdapat 26 point dalam kuisioner yang kemudian dikelompokkan menjadi 6 point yaitu daya tarik, kejelasan, efisien, ketepatan, stimulasi dan kebaharuan. Dari hasil pengisian data dengan 48 responden (siswa) dengan didampingi oleh guru, menghasilkan perhitungan sebagai berikut:

Tabel 2. Hasil User Experience Questionnaire

Scale

Lower

Border Bad

Below Average

Above

Average Good Excellent Mean

Daya tarik -1,00 0,65 0,44 0,41 0,22 0,78 1,91

Kejelasan -1,00 0,53 0,37 0,47 0,45 0,68 1,93

Efisiensi -1,00 0,5 0,34 0,47 0,33 0,86 1,78

(21)

18 ISSN: 2407-4322

-1,00 -0,50 0,00 0,50 1,00 1,50 2,00 2,50

Daya t arik Kejelasan Efisiensi Ket epat an St im ulasi Kebaruan

Excellent

Good

Above Average

Below Average

Bad

M ean

Stimulasi -1,00 0,52 0,48 0,31 0,19 1 1,56

Kebaruan -1,00 0,24 0,39 0,33 0,38 1,16 1,06

Dengan demikian hasil pengolahan data User Experience Questionnaire dapat disampaikan dalam Gambar 4 sebagai berikut ini:

Gambar 4. Grafik Hasil User Experience Questionnaire

4. KESIMPULAN

Dari uraian di atas, penelitian tentang pemanfaatan aplikasi media pembelajaran berbasis serious games (games education) untuk belajar menulis dapat disimpulkan bahwa:

1. Penelitian ini menghasilkan pengembangan media pembelajaran yang lebih menarik untuk belajar menulis. Media pembelajaran yang menarik dapat meningkatkan kemauan dan kemampuan dalam belajar siswa, hal ini menjadi salah satu komponen pendukung keberhasilan belajar ABK.

2. Aplikasi media pembelajaran berbasis serious games untuk media belajar menulis sesuai untuk digunakan sebagai alat bantu dalam pembelajaran. Hal ini dibuktikan dengan nilai pada daya tarik dari aplikasi memiliki nilai mean 1,91 (excellent), kejelasan konten dengan nilai mean 1,93 (excellent), efisien dengan nilai mean 1,78 (excellent), dan ketepatan dengan nilai mean 1,68 (excellent). Sedangkan stimulasi dan kebaharuan masing-masing memiliki nilai mean berturut-turut 1,56 dan 1,06 (good)

5. SARAN

(22)

DAFTAR PUSTAKA

[1] McNamara, N., Kirakowski, J 2006, Functionality, Usability, and User Experience: Three Areas if Concern, Mag, Interact. - Waits Meas.

[2] Katie Larsen McClarty, Aline Orr, Peter M. Frey, Robert P. Dolan, Victoria Vassileva, Aaron McVay 2012, A Literature Review of Gaming in Education, Pearson.

[3] Sagirani, T., Ferdiana, R., Kumara, A 2013, The Framework of Learning Media Development for The Children with Special Need, IEEE International Conference in MOOC, Innovation and Technology in Education (MITE).

[4] Bandi Delphi 2010, Pembelajaran Anak Tunagrahita (Suatu Pengantar dalam Pendidikan Inklusi), Refika Aditama- Bandung, pp. 20 – 39

[5] Smith, H. J., Higgins, S., Wall, K., & Miller, J 2005, Interactive Whiteboards: Boon or Bandwagon? A Critical Review of Literature, Journal of Computer Assisted Learning.

[6] Sagirani, T., Nugroho, L.E., Santosa, P. I., Kumara, A 2015, User Experience Model in The Interaction Between Children with Special Educational Needs and Learning Media,

Proceeding of 2nd International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), October 16-18, 2015, Semarang, Indonesia.

[7] Amin, M 1995, Ortopedagogik Anak Tunagrahita, Dirjen Dikti Depdikbud PPTG, Jakarta.

[8] Daniel P. Halahan, James M. Kauffman, Paige C. Pullen 2012, Exceptional Learners an Introduction to Special Education, pp. 104, Pearson Education, New Jersey.

[9] Departemen Pendidikan Nasional 2006, Standar Isi, Standar Kompetensi Lulusan dan Panduan Penyusunan KTSP Tunagrahita Ringan (C), Direktorat Pembinaan Sekolah Luar Biasa.

[10] Departemen Pendidikan Nasional 2006, Standar Kompetensi dan Kompetensi Dasar SDLB-C, Direktorat Pembinaan Sekolah Luar Biasa.

[11] Rauschenberger, M., Olschner, S.; Cota, M.P.; Schrepp, M., Thomaschewski, J 2012,

Measurement of User Experience: A Spanish Language Version of The User Experience Questionnaire (UEQ), Information Systems and Technologies (CISTI), 7th Iberian Conference.

[12] Arnab,S., Lim, T., Carvalho, M.B., Bellotti, F., de Freitas, S., Louchart, S., Suttie, N., Berta, R., De Gloria, A 2014, Mappling Learning and Game Mechanics for Serious Game Analysis, British Journal of Educational Technology.

[13] Chua, A.Y.K., Balkunje, R.S 2012, An Exploratory Study of Game-based Mlearning for Software Project Management. Journal of Universal Computer Science, Vol. 18, No. 14, pp. 1933-1949.

(23)

20 ISSN: 2407-4322

Perbandingan Kinerja Jaringan Syaraf Tiruan Dan

Fuzzy Inference System

Untuk Prediksi Prestasi

Peserta Didik

Siti Helmiyah*1, Shofwatul ‘Uyun2

1,2

Program Studi Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Kalijaga

Jl. Marsda Adisucipto No.1 Yogyakarta 55281 Telp (0274) 519739, fax (0274) 540971

e-mail: *1sitihelmiyah15@gmail.com, 2shofwatul.uyun@uin-suka.ac.id Abstract

Achievement is a result of someone who excels in any field. In the educational world, achievement is often associated with academic value that serve as a reference for learners say in academic achievement. Manual data processing takes long time. It is necessary to use the achievements of predictive computing system that can helpful for the prediction process. Data taken from MAN Model Palangkaraya form of eleven subjects of UAS when MTs value and the average value of one semester report cards when the Supreme Court. For the neural network backpropagation data is normalized with small intervals are [0.1, 0.9] and for data fuzzy inference system is the original data is multiplied 10. Then do the testing using neural networks and fuzzy inference system which will compare the results obtained. Based on data have been tested, the percentage of learners' achievements prediction on back propagation neural network in the training and validation process to produce a percentage of 100% with one hidden layer architecture, the optimal parameters MSE = 0.0001, learning rate = 0 , 9, momentum = 0.4. As for the prediction of learners' achievements in the fuzzy inference system mamdani method by using S curve and bell curve (PI curve) to produce a percentage of 83.8%.

Keywords: Prediction, Neural Network, Fuzzy inference system, Achievement

Abstrak

Prestasi adalah suatu hasil yang dicapai seseorang dalam bidang apapun. Dalam dunia pendidikan prestasi seringkali dikaitkan dengan nilai akademik yang dijadikan sebagai acuan peserta didik dikatakan berprestasi dibidang akademik. Proses data secara manual membutuhkan waktu lama. Maka perlu dilakukan prediksi prestasi menggunakan sistem komputasi yang dapat membantu proses prediksi. Data diambil dari MAN Model Palangka Raya dari sebelas mata pelajaran nilai UAS ketika MTs dan nilai rata-rata raport semester satu ketika MA. Pada jaringan syaraf tiruan backpropagation data dinormalisasikan dengan interval kecil yaitu [0.1, 0.9] dan data untuk fuzzy inference system merupakan data asli yang dikalikan 10. Kemudian dilakukan pengujian dengan menggunakan jaringan syaraf tiruan dan fuzzy inference system yang akan bandingkan pada hasil yang diperoleh. Berdasarkan data yang telah diuji, presentase prediksi prestasi peserta didik pada jaringan syaraf tiruan backpropagation menghasilkan presentase sebesar 100% dengan arsitektur satu lapisan tersembunyi, parameter optimal MSE = 0,0001, learning rate = 0,9, momentum = 0,4. Sedangkan untuk prediksi pada fuzzy inference system metode mamdani dengan menggunakan kurva-S dan kurva lonceng (kurva PI) menghasilkan presentase sebesar 83,8%.

(24)

1. PENDAHULUAN

rediksi adalah perkiraan atau ramalan yang biasa dilakukan berdasarkan hasil perhitungan rasional atau ketepatan analisis data. Prediksi pada penelitian ini dilakukan untuk mengetahui prediksi prestasi peserta didik dalam bidang akademik. Prestasi dalam hal intelektual sering kali dijadikan sebagai acuan seseorang dapat dikatakan cerdas atau tidak cerdas. MAN Model Palangka Raya adalah salah satu sekolah favorit di kota Palangka Raya, Kalimantan Tengah. Sekolah ini banyak diminati para calon peserta didik baik dari dalam kota, diluar kota bahkan luar provinsi. Sekolah ini diminati karena prestasinya dalam bidang akademik dan bidang non-akademik. Sekolah ini sering mengikuti lomba tingkat kota, provinsi, nasional, dan bahkan perlombaan internasional. Data yang digunakan dalam penelitian ini adalah data nilai akademik berupa angka. Prediksi ini dilakukan dengan dua sistem komputasi jaringan syaraf tiruan dan sistem inferensi fuzzy.

Beberapa penelitian yang telah melakukan kajian pada sistem komputasi jaringan syaraf tiruan dan fuzzy inference system diantaranya diteliti oleh [1][2][3][4][5]menyatakan bahwa kedua sistem komputasi ini dapat melakukan prediksi pada suatu permasalahan. Karena proses prediksi secara manual membutuhkan waktu lama. Maka, karena itu dalam penelitian ini penulis ingin membandingkan kinerja jaringan syaraf tiruan algoritma backpropagation dan fuzzy inference system metode Mamdani untuk mengetahui prediksi prestasi peserta didik karena kedua sistem komputasi ini yang sering digunakan untuk melakukan prediksi. Dua metode yang berbeda ini diharapkan dapat difungsikan sebagai alat untuk memprediksi prestasi peserta didik dalam bidang akademik. Selain itu juga, dalam penelitian ini diharapkan dapat mengetahui metode yang paling baik digunakan dalam memprediksi prestasi peserta didik dan untuk mengetahui tingkat akurasi kedua metode tersebut.

Proses penelitian yang dilakukan oleh penulis untuk prediksi prestasi peserta didik untuk alur kerjanya dapat dilihat pada Gambar 2.1 yang terdiri dari beberapa tahapan seperti berikut:

2.1. Pengumpulan Data

Data diambil dari peserta didik angkatan tahun 2014/2015 di MAN Model Palangka Raya. Data yang diambil berupa nilai UAS ketika SMP dan nilai raport ketika MA. Data nilai UAS SMP yang digunakan adalah data peserta didik ketika SMP asal sekolahnya dari MTs, kemudian data disaring. Dan untuk data nilai raport ketika MA yang diambil adalah nilai rata-rata semester.

2.2. Pengolahan Data

Data yang sudah dikumpulkan kemudian diolah. Pengolahan data menggunakan normalisasi data untuk masukan pada jaringan syaraf tiruan backpropagation. Karena fungsi aktivasi yang digunakan adalah sigmoid biner maka nilai di normalisasikan dengan interval yang kecil yaitu [0.1, 0.9] sesuai rumus[6]berikut:

= , ( )+ 0,1 (1)

2.3. Jaringan Syaraf Tiruan Backpropagation

Untuk pengujian jaringan syaraf tiruan backpropagation ini ada beberapa tahapan yang harus dilakukan sebagai berikut:

a. Penentuan Input dan Output

(25)

22 ISSN: 2407-4322

diperoleh kemudian dibagi dua yaitu 70% digunakan untuk pelatihan pada jaringan, dan data 30% digunakan untuk pengujian.

b. Penentuan arsitektur, arsitektur yang digunakan dalam penelitian ini adalah dengan merubah-ubah fungsi aktivasi dan dengan menggunakan satu lapisan tersembunyi.

c. Penentuan parameter nilai MSE, epoch, learning rate, dan momentum.

d. Penentuan node lapisan tersembunyi, setelah menemukan nilai parameter optimal tahapan selanjutnya adalah dengan menentukan node lapisan tersembunyi yang paling optimal.

2.4. Fuzzy Inference System Metode Mamdani

Untuk prediksi menggunakan fuzzy inference system metode mamdani tahapan-tahapan yang harus dilakukan adalah sebagai berikut:

a. Penentuan variabel, digunakan untuk menentukan variabel yang akan digunakan dalam sistem pengujian.

b. Penentuan himpunan fuzzy, digunakan untuk menentukan nilai keanggotaan pada setiap variabel.

c. Pembuatan fungsi keanggotaan, digunakan untuk menunjukkan nilai keanggotaan yang memiliki interval dari 0 sampai 1 pada suatu kurva.

d. Pembuatan rule, pembuatan rule digunakan untuk menentukan hasil yang akan ditunjukan ketika input-an dimasukkan.

e. Pengujian sistem yang telah dibuat.

2.5. Hasil

Hasil dari jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani disimpan dan didokumentasikan.

2.6. Hasil perbandingan

(26)

Gambar 1. Alur Kerja

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data

Data yang digunakan adalah data yang diambil dari peserta didik MAN Model Palangka Raya berupa nilai UAS ketika SMP dan nilai raport ketika MA. Data peserta didik angkatan 2014/2015 ada sebanyak 234 peserta didik. Kemudian data dipilih dan disaring berdasarkan data peserta didik yang asal sekolahnya dari MTs dan peserta didik tersebut adalah peserta didik yang masuk pada semester satu. Setelah data disaring dan dipilih data yang diperoleh adalah sebanyak 105.

3.2 Pengolahan Data

Data yang telah dikumpulkan diuji dengan dua metode yaitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani. Pada backpropagation

(27)

24 ISSN: 2407-4322

training. Sedangkan untuk fuzzy inference system data input yang digunakan adalah data asli yang dikalikan 10.

3.3 Proses Prediksi

3.3.1 Jaringan Syaraf Tiruan

A. Penentuan Node Input dan Output

Node input yang digunakan dalam jaringan pelatihan dan pengujian ini berjumlah sebelas buah node masukan yaitu nilai UAS ketika MTs dari sebelas mata pelajaran. Berikut rinciannya:

a. Node masukan

1. X1 = Nilai mata pelajaran Qur’an Hadis

2. X2 = Nilai mata pelajaran Akidah Akhlak

3. X3 = Nilai mata pelajaran Fikih

4. X4 = Nilai mata pelajaran Sejarah Kebudayaan Islam

5. X5 = Nilai mata pelajaran Pendidikan Kewarganegaraan

6. X6 = Nilai mata pelajaran Bahasa Indonesia

7. X7 = Nilai mata pelajaran Bahasa Arab

8. X8 = Nilai mata pelajaran Bahasa Inggris

9. X9 = Nilai mata pelajaran Matematika

10.X10 = Nilai mata pelajaran IPA

11.X11 = Nilai mata pelajaran IPS

b. Node keluaran

Sedangkan parameter output atau target yang digunakan dapat dilihat pada Tabel 1.

Tabel 1. Target Keluaran

Output Prediksi Node Keluaran

Sangat Baik 11

Baik 10

Cukup 01

Kurang 00

Dari tabel diatas ditunjukkan bahwa untuk prediksi Sangat Baik maka node keluarannya = [1 1], untuk prediksi Baik node keluarannya = [1 0], untuk prediksi Cukup node keluarannya = [0 1], dan untuk prediksi Kurang node keluarannya = [0 0].

B. Penentuan Arsitektur Jaringan

(28)

Gambar 2. Arsitektur Jaringan untuk Mencari Parameter Optimal

Berdasarkan gambar di atas arsitektur yang digunakan untuk penelitian ini menggunakan 11 node input, satu lapisan tersembunyi dengan 4 node dan 2 node lapisan output. Arsitektur tersebut digunakan untuk mencari parameter MSE, learning rate, dan momentum optimal. Setelah mendapatkan nilai parameter optimal, parameter tersebut kemudian digunakan untuk mencari node lapisan tersembunyi yang paling optimal.

Sementara itu, untuk penentuan fungsi aktivasi yang optimal dilakukan dengan mengubah-ubah fungsi aktivasi pada lapisan input ke lapisan tersembunyi dan lapisan tersembunyi ke output dengan menggunakan fungsi aktivasi sigmoid biner (logsig), sigmoid bipolar (tansig), dan linear (purelin) yang diubah-ubah. Arsitektur yang akan digunakan adalah satu lapisan tersembunyi dengan 4 unit node hidden layer, MSE = 0,001; learning rate = 0,1; momentum = 0,4 dan epoch = 1000 sebagai parameter. Hasil percobaan dapat dilihat pada Tabel 2.

Tabel 2. Penentuan Fungsi Aktivasi

Fungsi Aktivasi Dikenali Presentase Epoch (Akhir)

MSE (Akhir) Uji Validasi Uji Validasi

Logsig, Logsig 75 30 100% 100% 17 9,33E-10

Tansig, Logsig 75 30 100% 100% 26 6,04E-10

Purelin, Logsig 70 24 93,3% 80% 17 4,00E-02

Logsig, Tansig 75 30 100% 100% 81 1,65E-13

Tansig, Tansig 75 30 100% 100% 38 2,43E-14

Purelin, Tansig 62 21 82,7% 70% 28 7,74E-02

Logsig, Purelin 75 30 100% 100% 22 1,12E-13

Tansig, Purelin 75 30 100% 100% 19 1,06E-13 Purelin, Purelin 64 22 85,3% 73,3% 5 8,60E-02

Pada tabel di atas ditampilkan kombinasi dari tiga fungsi aktivasi. Berdasarkan training

dan validas, fungsi aktivasi optimal pada lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig, karena dari hasil pengujian yang dilakukan presentase pengenalannya 100% dan paling stabil ketika setiap kali dilakukan pengujian. Walaupun MSE akhirnya tidak terlalu kecil jika dibandingkan dengan kombinasi fungsi aktivasi logsig-tansig, tansig-tansig, logsig-purelin, dan

tansig-purelin.

A. Penentuan MSE (Mean Square Error)

(29)

26 ISSN: 2407-4322

Tabel 3. Penentuan MSE (Mean Square Error)

MSE Dikenali Presentase Epoch

(Akhir) Uji Validasi Uji Validasi

0,1 75 30 100% 100% 14

0,01 75 30 100% 100% 14

0,001 75 30 100% 100% 13

0,0001 75 30 100% 100% 10

0,00001 75 30 100% 100% 13

Berdasarkan tabel, hasil pengujian data untuk menentukan MSE optimal didapatkan pengenalan sebesar 100% untuk semua MSE yang telah diuji yaitu dengan nilai MSE = 0,1; 0,01; 0,001; 0,0001; dan 0,00001. Kemudian MSE = 0,0001 yang dipilih untuk dijadikan MSE optimal karena memiliki epoch terkecil yaitu 10 epoch.

B. Penentuan Learning Rate

Penentuan learning rate optimal menggunakan jaringan yang memiliki satu lapisan tersembunyi dengan 4 node. Pengujian ini dilakukan dengan mengubah-ubah parameter

learning rate dan untuk nilai parameter-parameternya dibuat dengan rincian MSE = 0,0001; momentum = 0,4; dan epoch = 1000. Hasil percobaan dapat dilihat dalam Tabel 4

Tabel 4. Penentuan Learning Rate

Learning rate

Dikenali Presentase Epoch (Akhir)

MSE (Akhir) Uji Validasi Uji Validasi

0,1 75 30 100 100 23 1,38E-09

0,3 75 30 100 100 25 1,50E-09

0,6 75 30 100 100 15 6,38E-10

0,9 75 30 100 100 21 3,86E-10

0,01 75 30 100 100 20 1,33E-09

0,05 75 30 100 100 38 8,01E-10

Berdasarkan tabel diatas, learning rate optimal yang baik yaitu learning rate = 0,9; dengan MSE akhir paling kecil yaitu 3,86E-10. Pengujian ini menggunakan enam nilai yang berbeda-beda yaitu 0,1; 0,3; 0,6; 0,9; 0,01; dan 0,05; semua data tersebut memiliki presentase keberhasilan 100% tetapi untuk MSE akhirnya tinggi jika dibandingkan dengan learning rate = 0,9.

C. Penentuan Momentum

(30)

Tabel 5. Penentuan Momentum

Momentum Dikenali Presentase Epoch (Akhir)

Berdasarkan pengujian yang dilakukan, semua nilai momentum menghasilkan presentase 100% untuk nilai momentum = 0,4; 0,7; 0,9; 0,2; 0,07; 0,3; dan 0,5; tapi jika dilihat dari hasil MSE akhirnya maka momentum dengan nilai 0,4 yang mempunyai nilai MSE akhir paling kecil yaitu dengan nilai 3,86E-10.

Setelah nilai optimal MSE, learning rate, dan momentum didapatkan maka langkah selanjutnya adalah mencoba menguji ke beberapa node lapisan tersembunyi yang berbeda. untuk hasilnya pengujiannya dapat dilihat pada Tabel 6.

Tabel 6. Penentuan Node Lapisan Tersembunyi Node Lapisan

Tersembunyi

Dikenali Presentase Epoch (Akhir)

Pada tabel diatas pengujian pada node hidden layer 2, 3, 4, 5, 6, dan 7 menghasilkan presentasi uji dan validasi sebesar 100%. Namun yang membedakannya adalah epoch akhir dan MSE akhir yang diperoleh. Untuk node hidden layer 2 MSE akhir yang diperoleh adalah 1,04E-09, node hidden layer 3 MSE akhirnya adalah 9,07E-10, node hidden layer 4 MSE akhirnya adalah 3,86E-10, node hidden layer 5 MSE akhirnya adalah 1,20E-09, node hidden layer 6 MSE akhirnya adalah 8,01E-10, dan untuk node hidden layer 7 MSE akhirnya adalah 1,79E-09. Untuk melihat grafik MSE akhir masing-masing node hidden layer dapat dilihat pada Gambar 3.

Gambar 3. Grafik MSE Akhir pada Beberapa Node Hidden Layer

0,00E+00

Grafik M SE Akhir pada beberapa Node

Hidden Layer

(31)

28 ISSN: 2407-4322

Berdasarkan grafik pada Gambar 4.2 dapat dilihat bahwa pada node hidden layer 4 memiliki MSE akhir paling rendah. Kemudian diposisi kedua dengan node 6 hidden layer. Diposisi ketiga dengen node hidden layer 3. Keempat terendah dengen node hidden layer 5 dan node hidden layer 2 dan 7 ada diposisi kelima dan keenam. Berdasarkan pelatihan dan pengujian yang telah dilakukan menggunakan Matlab berikut tampilan sourcecode metode

backpropagation yang akan ditunjukkan pada Gambar 4.

Gambar 4. Sourcode Matlab Backpropagation

3.3.2.Fuzzy Inference System

Sistem fuzzy yang digunakan dalam penelitian ini menggunakan metode mamdani model kurva lonceng sebagai input dan outputnya. Detail sistem fuzzy yang digunakan dalam penelitian ini adalah sebagai berikut:

a. Mesin inferensi yang digunakan adalah metode Mamdani. b. Input terdiri dari 11 variabel, yaitu dari 11 mata pelajaran c. Output terdiri dari 1 variabel yaitu nilai prediksi prestasi d. Fungsi implikasi yang digunakan metode Min.

e. Komposisi aturan yang digunakan adalah metode Max. f. Defuzzifikasi yang digunakan adalah metode centroid.

A. Penentuan Variabel

Variabel yang digunakan dalam penelitian ini menggunakan sebelas variabel input dan satu variabel output. Variabel yang digunakan dapat dilihat pada Tabel 7.

Tabel 7. Penentuan Variabel Fungsi Nama

Variabel

Semesta Pembicaraan

Keterangan Input QH [0 100] Nilai dari mata pelajaran Qur’an Hadis

AK [0 100] Nilai dari mata pelajaran Akidah Akhlak FQ [0 100] Nilai dari mata pelajaran Fikih

SKI [0 100] Nilai dari mata pelajaran Sejarah Kebudayaan Islam PKn [0 100] Nilai dari mata pelajaran Pendidikan

Kewarganegaraan

B.IND [0 100] Nilai dari mata pelajaran Bahasa Indonesia B.ARB [0 100] Nilai dari mata pelajaran Bahasa Arab B.ING [0 100] Nilai dari mata pelajaran Bahasa Inggris MTK [0 100] Nilai dari mata pelajaran Matematika IPA [0 100] Nilai dari mata pelajaran IPA

(32)

Pada Tabel diatas dapat dilihat untuk variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS menggunakan semesta pembicaraan dalam range [0 100]. Sama halnya dengan outputnya yaitu prediksi prestasi menggunakan range [0 100]. Berikut akan disajikan model sistem fuzzy inferensi metode mamdani yang digunakan dalam penelitian ini. Gambar dapat dilihat pada Gambar 5.

Gambar 5. Contoh Model Sistem Fuzzy

Gambar diatas menunjukkan sebelas variabel input dengan nama variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS dan untuk variabel ouput dengan nama prediksi.

B. Penentuan Himpunan Fuzzy

Himpunan fuzzy yang digunakan dalam pengujian sistem inferensi fuzzy metode mamdani mengacu pada UUD Menteri Pendidikan dan Kebudayaan RI [7]. Himpunan fuzzy untuk tiap variabel dapat dilihat pada Tabel 8.

Tabel 8. Penentuan Himpunan Fuzzy

Variabel Nama Himpunan Domain QH, AK, FK, SKI,

PKn, B.IND, B.ARB, B.ING, MTK, IPA, IPS

Rendah Sedang Tinggi Sangat Tinggi

[0 55] [40 58 77 75] [60 75 77 90] [75 100]

Prediksi Kurang

Cukup Baik Sangat Baik

[0 55]

[55 63 64 70] [70 77 78 85] [85 100]

Pada Tabel diatas ada empat himpunan untuk masing-masing variabel. Pada variabel

(33)

30 ISSN: 2407-4322

keempat himpunannya adalah Kurang [0 55], Cukup [55 63 64 70], Baik [70 77 78 85], dan Sangat Baik [85 100].

Semua varibel input dan variabel output menggunakan representasi kurva lonceng. Untuk variabel kurva lonceng pada variabel input dapat dilihat pada Gambar 6a dan untuk kurva variabel output dapat dilihat pada Gambar 6b.

(a) (b)

Gambar 6. (a) Representasi Kurva Variabel Input

(b) Representasi Kurva Variabel Output

Gambar 6 (a) adalah salah satu variabel dari variabel input yaitu variabel QH. Untuk himpunan Rendah dan Sangat tinggi menggunakan kurva S. Sedangkan untuk himpunan Sedang dan Tinggi menggunakan kurva PI. Sedangkan gambar 6 (b) adalah gambar variabel dari variabel output yaitu variabel Prediksi. Untuk himpunan Kurang dan Sangat Baik menggunakan kurva S. Sedangkan untuk himpunan Cukup dan Baik menggunakan kurva PI.

C. Penentuan Rule

Penentuan rule ini dibuat berdasarkan data dan berdasarkan dari arahan guru di MAN Model Palangka Raya selain penulis juga menambahkan beberapa rule yang kurang. Rule-rule

untuk fuzzy inference system metode mamdani ini memiliki 161 rule, dengan 25 rule untuk prediksi Sangat Baik, 81 rule untuk prediksi Baik, 45 rule untuk prediksi Cukup dan 10 rule

untuk prediksi Kurang. Berikut akan ditampilkan beberapa rule-rule yang digunakan dalam

fuzzy inference system metode mamdani:

1. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Sangat Tinggi) and (SKI is Sangat_Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

2. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

3. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

(34)

3.4. Hasil Prediksi

3.4.1. Prediksi dengan Backpropagation

Dari hasil penelitian yang telah dilakukan berikut akan ditampilkan struktur dari jaringan syaraf tiruan backpropagation dengan rincian yang dapat dilihat pada Tabel 9.

Tabel 9. Struktur Backpropagation yang Dimodelkan Karakteristik Spesifikasi

Arsitektur 1 lapisan tersembunyi

Node Input 11 node input

Node Tersembunyi 2, 3, 4, 5, 6, 7

Node output 2 node

Fungsi Aktivasi lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig, lapisan tersembunyi ke output adalah fungsi aktivasi logsig

Pada Tabel diatas dapat dilihat untuk arsitektur yang digunakan adalah 1 lapisan tersembunyi, 11 node input, node hidden layer menggunakan 2, 3, 4, 5, 6, dan 7 node hidden layer. Untuk node output menggunakan 2 node. Fungsi aktifasi yang digunakan pada lapisan

input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig. MSE yang digunakan 0,0001; learning rate = 0,0; momentum = 0,4. Jumlah epoch yang digunakan pada saat pelatihan adalah 1000. Data training yang digunakan sebanyak 75 dan data pengujian yang digunakan sebanyak 30.

3.4.2. Prediksi dengan Metode Mamdani

Pada pengujian fuzzy inference system metode mamdani menghasilkan presentase keberhasilan sebesar 83,8% hasil ini didapat dari banyaknya data yang dikenali (berhasil) dibagi dengan jumlah data keseluruhan dikali 100%. Data pengujian yang tidak sesuai dengan data asli ada sebanyak 17 dan data pengujian yang berhasil dikenali sesuai dengan data ada sebanyak 88 data. Untuk grafik perbandingan data yang sesuai dan data yang tidak sesuai dapat dilihat pada Gambar 7.

Gambar 7. Perbandingan Data Asli dan Data yang Tidak Dikenali

8

Sangat Baik Baik Cukup Kurang

(35)

32 ISSN: 2407-4322

Berdasarkan grafik pada Gambar 7 dapat dilihat perbandingan data asli dan data yang tidak sesuai ketika dilakukan pengujian fuzzy inference system yaitu untuk data Sangat Baik data aslinya sebanyak 8 dan data yang tidak sesuai tidak ada. Untuk data Baik, data asli sebanyak 81 dan data yang tidak sesuai sebanyak 2. Untuk data Cukup, data asli sebanyak 16 dan data yang tidak sesuai sebanyak 15. Untuk data Kurang data aslinya tidak ada dan data yang tidak sesuai sebanyak 1.

3.5. Hasil Perbandingan

Dari hasil pengujian yang telah dilakukan pada kedua metode yitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani akan disajikan dalam bentuk diagram batang pada Gambar 8 berikut.

Gambar 8. Hasil Perbandingan Pengujian Dua Metode

Berdasarkan grafik pada Gambar 8 dapat disimpulkan hasil dari pengujian perbandingan metode dalam hal prediksi yang disajikan dalam bentuk presentase yaitu untuk jaringan syaraf tiruan backpropagation menghasilkan presentase 100%, baik dalam data latih dan juga data uji. Sedangkan untuk fuzzy inference system metode mamdani menghasilkan presentase sebanyak 83,8% pada pengujian sistem.

Perbandingan lain dalam proses pengujiannya adalah pada jaringan syaraf tiruan

backpropagation harus melakukan dua proses yaitu pelatihan dengan data latih dan data uji. Data latih digunakan untuk mencari fungsi aktivasi, nilai parameter MSE, learning rate, dan momentum yang optimal. Selain itu, pada proses ini juga dapat diketahui apakah data itu stabil atau sesuai dengan target yang ditentukan. Setelah arsitektur dan nilai parameter optimal didapat kemudian dilanjutkan pada proses kedua yaitu pengujian pada data uji. Pengujian pada data uji ini dilakukan untuk melihat apakah arsitektur dan parameter yang didapat dari data latih bisa mengenali data uji.

Sedangkan pada fuzzy inference system metode mamdani proses yang dilakukan adalah menentukan variabel input dan ouput, menentukan himpunan fuzzy, menentukan fungsi keanggotaan, dan menentukan rule. Dalam penentuannya harus berdasarkan pemilihan yang sudah diperhitungkan dan aturan yang telah diberlakukan untuk menentukannya. Untuk tahapan pengujiannya yaitu dengan memasukkan data dan hasil yang keluar berupa angka. Perlu diperhatikan bahwa pada penentuan rule (aturan) ini merupakan otak dari fuzzy inference system

metode mamdani. Semakin baik dan bagus rulenya maka semakin akurat hasilnya.

75 80 85 90 95 100 105

Hasil Perbandingan Pengujian dua met ode