2
1. Pendahuluan
CV. Solution Center merupakan perusahaan yang bergerak dibidang pengadaan barang dan jasa distributor multi bidang. Dalam pengambilan keputusan penentuan order seringkali tidak didasari parameter yang jelas. Hal ini bias dipahami karena perusahaan tersebut masih berskala kecil menengah. Paramater yang sering menjadi masalah adalah harga konsumen, sumber dana konsumen, sistem pembayaran, harga produsen, biaya transportasi konsumen, biaya transportasi produsen dan kepercayaan terhadap konsumen. Padahal kalau ditelaah lebih dalam, beberapa parameter tersebut merupakan aspek vital untuk mengetahui risk and reward dalam menentukan kelayakan order. Berdasarkan permasalahan tersebut, diperlukan adanya sebuah sistem pendukung keputusan yang dapat membantu dan mendukung dalam pengambilan keputusan. Sehingga bisa dijadikan pertimbangan owner untuk menetapkan dan memutuskan kelayakan order.
Sistem Pendukung Keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem ini digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat (Turban, 2005) [9]. Tahap-tahap sistem pendukung keputusan meliputi: tahap pemahaman (inteligence phace), tahap perancangan (Design Phace), tahap pemilihan (choice phace), tahap implementasi (implementation phace). Pada tahap perancangan, data mining-nya menggunakan teknik klasifikasi, karena dalam kasus ini dibutuhkan suatu model untuk menggambarkan class atau konsep dari suatu data berupa parameter keputusan. Proses pengklasifikasian bertujuan untuk mendeskripsikan data yang penting serta dapat meramalkan kecenderungan data pada masa depan. Salah satu algoritma yang mengimplementasikan klasifikasi yaitu algoritma ID3 (Iterative
Dichotomocer 3).
Melalui tahap-tahap sistem pendukung keputusan di atas dapat dihasilkan sebuah perancangan dan implementasi sistem informasi pendukung keputusan pengadaan barang dan jasa. Dengan demikian, sistem informasi ini diharapkan dapat membantu pihak manajer perusahaan untuk memprediksi kelayakan order pengadaan barang dan jasa pada CV. Solution Center.
2. Tinjauan Pustaka
Sebagai bahan pertimbangan, akan disertakan beberapa hasil penelitian terdahulu yang berkaitan dengan penelitian ini. Wahyudin (2009) “Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru”. Penelitian ini bertujuan untuk pengambilan keputusan dalam hal penerimaan mahasiswa baru. Hasil penelitian ini akan memperlihatkan pemakaian pohon keputusan untuk memudahkan pengambilan keputusan penerimaan mahasiswa baru dalam suatu universitas [6]. Indrawaty (2012) “Pengembangan Sistem Pendukung Keputusan Penerimaan Karyawan Menggunakan Metoda Pohon Keputusan ID3”. Penelitian ini bertujuan membuat aplikasi berupa sistem pendukung keputusan penerimaan karyawan menggunakan pohon keputusan ID3 untuk menghasilkan suatu pohon keputusan berupa aturan yang dapat digunakan
3
sebagai pendukung dalam proses penyeleksian calon karyawan. Berdasarkan hasil pengujian, Metode Pohon Keputusan ID3 pada Sistem Pendukung Keputusan Penerimaan Karyawan dapat disimpulkan bahwa pohon Keputusan ID3 dapat digunakan sebagai pendukung dalam proses penyeleksian calon karyawan dan pohon Keputusan ID3 tersebut sangat dipengaruhi oleh pengelompokan dan pengambilan sampel-sampel data dari populasi data seluruhnya [7]. Dyah (2009) “Sistem Pendukung Keputusan Perencanaan Strategis Kinerja Instansi Pemerintah Menggunakan Metode AHP (Studi Kasus Di Deperindag)”. Penelitian ini bertujuan untuk membantu menentukan perencanaan strategis bagi peningkatan kualitas kinerja Departemen Perindustrian dan Perdagangan. Dari penelitian ini dihasilkan aplikasi yang dapat membantu pihak pimpinan dalam menentukan keputusan dalam perencanaan strategisberdasar pada skala prioritas dengan metode AHP [8].
Dari beberapa penelitian terdahulu yang telah disebutkan, ada persamaan dan perbedaan dengan penelitian ini. Persamaannya antara penelitan terdahulu dengan penelitian ini adalah membahas tentang sistem pendukung keputusan. Sedangkan perbedaannya, terletak pada aplikasi penggunaannya. Jika penelitian terdahulu aplikasinya digunakan untuk penyeleksian penerimaan mahasiswa baru, pendukung keputusan penerimaan karyawan dan pendukung keputusan perencanaan strategis kinerja instansi, maka pada penelitian ini disertai dengan pembuatan aplikasi yang digunakan untuk pendukung pengambilan keputusan dalam menetapkan order pada perusahaan pengadaan barang dan jasa. Lebih jelasnya, aplikasi ini menghasilkan suatu aturan pengambilan keputusan dalam bentuk pohon keputusan.
Menurut Mulyanto (2009:213) sistem pendukung keputusan atau DSS (Decision Suport System) merupakan salah satu jenis sistem aplikasi yang sangat terkenal di kalangan manajemen organisasi. DSS dirancang untuk membantu manajemen dalam proses pengambilan keputusan. DSS dibuat untuk meningkatkan proses dan kualitas hasil pengambilan keputusan. DSS memadukan data dan pengetahuan untuk meningkatkan efektivitas dan efisiensi dalam proses pengambilan keputusan tersebut (Turban, 1995) [1].
Herbert A. Simon menyebutkan ada empat tahap yang harus dilalui dalam proses pengambilan keputusan yaitu tahap pemahaman (Inteligence Phace), tahap perancangan (Design Phace), tahap pemilihan (Choice Phace), tahap implementasi (Implementation Phace). Tahap pemahaman merupakan proses penelusuran dan pencarian informasi dari lingkup problematika serta proses pengenalan masalah. Data masukan diperoleh, diproses dan diuji dalam rangka mengidentifikasikan masalah. Tahap perancangan merupakan proses pengembangan dan pencarian alternatif tindakan atau solusi yang dapat diambil. Tahap ini merupakan representasi kejadian nyata yang disederhanakan, sehingga diperlukan proses validasi dan vertifikasi untuk mengetahui keakuratan model dalam meneliti masalah yang ada. Pada tahap pemilihan dilakukan pemilihan terhadap diantara berbagai alternatif solusi yang dimunculkan pada tahap perencanaan agar ditentukan dengan memperhatikan kriteria – kriteria berdasarkan tujuan yang akan dicapai. Tahap implementasi dilakukan penerapan terhadap rancangan sistem yang telah dibuat pada tahap perancanagan serta
4
pelaksanaan alternatif tindakan yang telah dipilih pada tahap pemilihan (Kadarsah, 2002:15-16 ) [4]
Pohon keputusan merupakan salah satu metode klasifikasi yang sangat menarik yang melibatkan konstruksi pohon keputusan yang terdiri dari node keputusan yang di hubungkan dengan cabang-cabang dari simpul akar sampai ke node daun (akhir). Pada node keputusan attribut akan diuji, dan setiap hasil akan menghasilkan cabang. Setiap cabang akan diarahkan ke node lain atau ke node akhir untuk menghasilkan suatu keputusan (Larose, 2005) [12].
Algoritma ID3 membentuk pohon keputusan dengan cara pembagian dan menguasai sampel secara rekursif dari atas ke bawah. Algoritma ID3 dimulai dengan semua data yang ada sebagai akar dari pohon keputusan, sebuah atribut yang dipilih akan menjadi pembagi dari sampel tersebut. Untuk setiap atribut dari cabang yang telah dibentuk, semua sampel yang memiliki nilai yang sama dengan atribut cabang akan masuk dalam anggotanya dan dinamakan anak cabang (Nugroho, 2007) [13].
Adapun data sample yang digunakan oleh ID3 memiliki beberapa syarat, yaitu:
1. Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan.
2. Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3.
3. Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif, misalnya saja metal dikategorikan menjadi “hard, quite hard, flexible, soft, dan quite soft”.
4. Jumlah contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian.
5. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang disebut dengan information gain. Gain mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Atribut dengan informasi tertinggi akan dipilih. Dengan tujuan untuk mendefinisikan gain, pertama-tama digunakanlah ide dari teori informasi yang disebut entropi. Entropi mengukur jumlah dari informasi yang ada pada atribut.
Wahyudin (2009:6) menyatakan bahwa sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropinya [6]. Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari impuryt ,dan homogenity dari kumpulan data. Dari nilai entropy tersebut kemudian dihitung nilai information gain (IG) masing-masing atribut.
Entropy(S) = - p+ log2p + -p -log2p- dimana :
a. S adalah ruang (data) sample yang digunakan untuk training.
b. P+ adalah jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.
5
c. P- adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.
Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S. Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas.
Panjang kode untuk menyatakan informasi secara optimal adalah –log2p bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam kelas adalah
-p+log2 p+ - p- log2 p- 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
Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut information gain. Secara matematis, infomation gain dari suatu atribut A,dituliskan sebagai berikut :
Gain(S,A) = Entropy(S) – ∑vEValue (A) |𝑆𝑣|
𝑆 Entropy(Sv) dimana : a. A : atribut
b. V : suatu nilai yang mungkin untuk atribut A
c. Values (A) : himpunan yang mungkin untuk atribut A d. |Sv| : jumlah sampel untuk nilai v
e. |S| : jumlah seluruh sampel data
f. Entropy(Sv): entropy untuk sampel-sampel yang memilki nilai v
Pengaruh teknologi komputer terhadap organisasi dan masyarakat terus meningkat saat teknologi baru berkembang, dan teknologi saat ini makin luas. Makin banyaknya aspek aktivitas organisasional ditandai dengan interaksi dan kerjasama antara manusia dan mesin. Dari pemakaian tradisional dalam penggajian dan fungsi tata buku, sistem komputerisasi saat ini memasuki berbagai area manajerial yang kompleks, mulai dari desain dan manajemen pabrik terotomatisasi, aplikasi metode kecerdasan tiruan, dan evaluasi terhadap usulan merger dan akuisisi (Turban, Efraim, 2005:12) [9].
3. Metode Penelitian
Metode penelitian yang digunakan dalam pembuatan sistem pendukung keputusan ini adalah model prototype. Model prototype adalah suatu teknik mengumpulkan informasi tertentu mengenai kebutuhan-kebutuhan informasi pengguna sacara cepat. Dengan menggunakan metode prototype ini pengembang dan pelanggan dapat saling berinteraksi selama pembuatan sistem.
6
Gambar 1. Metode Prototype (Sommerville,2001)
Pada tahap listen to customer , pengguna dan pengembang bersama-sama saling berkomunikasi untuk mengindentifikasikan kebutuhan sistem yang dapat membantu pihak manajer dalam menentukan order pengadaan barang dan jasa. Hasil dari tahap ini adalah berupa solusi konsep perancangan dan implementasi sistem informasi pendukung keputusan barang dan jasa dengan menggunakan algoritma ID3.
Tahapan prototype selanjutnya adalah melakukan perancangan secara cepat dan sederhana yang akan dijadikan sebagai dasar pembuatan prototype
(build/revise mock-up). Perancangan dilakukan cepat dan rancangan mewakili
semua aspek sistem yang diketahui, dan rancangan ini menjadi dasar pembuatan
prototype. Hasil dari tahap ini adalah berupa gambaran perancangan sistem
informasi pendukung keputusan barang dan jasa dalam bentuk UML beserta sampel aplikasi.
Gambar 2. Use Case Diagram Sistem pendukung Keputusan Barang dan Jasa Insert Parameter Data
(from Use-Case Model)
Load Parameter Data (from Use-Case Model)
Update Parameter Data (from Use-Case Model) Delete Parameter Data
(from Use-Case Model) View Parameter Data
ID3 Process
Manajer
(f rom Actors)
7
Pada gambar use case diagram sistem pendukung keputusan barang dan jasa terdapat satu aktor yaitu manajer. Manajer dapat melakukan berbagai aktivitas dalam sistem yaitu view parameter data, delete parameter data, update
parameter data, insert parameter data dan ID3 proccess. Untuk dapat melakukan
aktivitas ID3 proccess, manajer harus melakukan aktivitas load parameter data terlebih dahulu, karena relasi keduanya adalah <<include>>, yaitu kelakuan yang harus terpenuhi agar sebuah event dapat terjadi, dimana pada kondisi ini sebuah
use case adalah bagian dari use case lainnya.
Tahapan terakhir dari prototype adalah customer test-drives. Tahap ini merupakan tahap pengujian sederhana yang dilakukan pengembang dengan pengguna. Pengembang melakukan evaluasi terhadap penilaian pengguna tentang
prototype yang telah dibuat, bila pengguna menginginkan perubahaan maka,
pengembang akan merubah bagian mana saja yang akan diubah. Terdapat berberapa perubahaan dan update yang dilakukan sesuai dengan perubahan yang terjadi pada aplikasi. Versi dari awal hingga pada implementasi akhir terdapat tiga versi update. Perubahan menu dan penambahan menu yang tepat menjadi masalah pada perancangan prototype aplikasi.
Tabel 1. Tabel Update Versi Aplikasi
4. Hasil dan Pembahasan
Setelah melihat hasil dari pembangunan prototype yang dirancang, maka dari hasil perancangan tersebut kemudian diimplementasikan menjadi aplikasi Sistem Informasi Pendukung Keputusan Pengadaan Barang dan Jasa menggunakan algoritma Iterative Dichotomiser 3.
Versi Tanggal Update
Versi 01.2013
23 September 2011
Menambah, mengubah, menghapus data parameter.
Menampilkan dan mengedit tampilan tree view.
Versi 02.2013
06 November 2013 Memperbaiki eror yang terjadi saat perhitungan proses keputusan.
Versi 03.2014
04 Februari 2014 Memperbaiki tampilan pada interface.
8
Perancangan dan implementasi Sistem Pendukung Keputusan Pengadaan Barang dan Jasa menggunakan metode Iterative Dichotomiser 3 pada CV. Solution Center menggunakan Microsoft Visual Studio 2010 dengan bahasa pemrograman Visual Basic dan Microsoft Access sebagai media penyimpanan data (database). Adapun spesifikasi yang digunakan untuk menjalankan aplikasi ini adalah sebagai berikut :
Berikut merupakan spesifikasi minimal kebutuhan perangkat lunak sistem terdiri dari:
a. Sistem Operasi Windows XP Service Pack 3 (SP3)
b. Microsoft Access 2007 + AccessDatabaseEngine.exe c. Net Framework 4.0
Sementara itu spesifikasi minimal Kebutuhan sistem perangkat keras adalah sebagai berikut:
a. Komputer dengan processor Pentium Core 2 Duo 2,20 Ghz b. Ram 2GB
c. Monitor dengan resolusi minimal 1024 x 768 pixel
d. Standart keyboard dan optical mouse
Tampilan awal pada aplikasi yang dirancang dapat dilihat pada Gambar 3
Gambar 3. Form Utama
Pada form utama ini, manager dapat melakukan proses perhitungan keutusan dengan syarat harus menampilkan data parameter terlebih dahulu. Untuk menampilkan data parameter, manager dapat menekan tombol file kemudian load
data parameter pada tab sebelah kiri bagian atas. Setelah menampilkan data
parameter, tampilan form akan tampak seperti gambar 4. Berikut ini adalah kode program untuk load data parameter.
9
Kode Program 1. load data parameter
Gambar 4. Load data parameter
Setelah menampilkan data paremeter, manager dapat menekan tombol proses untuk melakukan proses perhitungan keputusan. Manajer juga dapat menekan tombol lihat informasi gain untuk melihat hasil gain masing-masing parameter. Hasil dari proses keputusan akan ditampilkan pada gambar 5.
Private Sub Form_Utama_Load(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles MyBase.Load
dtku = c.getAll("SELECT * FROM TableParameter")
End Sub
Private Sub Panggildata(ByVal data As DataTable) DataGridParameter.DataSource = data
End Sub
Private Sub ToolStripMenuItem1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles ToolStripMenuItem1.Click
Call Panggildata(dtku) Open_btn.Enabled = True End Sub
10
Gambar 5. Tampilan hasil dari proses keputusan
Terlihat pada gambar 5, form telah menunjukkan informasi berupa pohon keputusan pada bagian layar sebelah kanan. Pada bagian Informasi Gain juga telah ditampilkan nilai entropi dan nilai gain masing-masing parameter. Pada pohon keputusan, jika atribut parameter berwarna merah menandakan keputusan ditolak, jika atribut parameter berwarna biru menandakan keputusan diterima, dan jika berwarna hitam maka proses perhitungan keputusan masih berlanjut. Untuk melanjutkan proses perhitungan keputusan, manager dapat mengeklik atribut keputusan yang berwara hitam pada pohon keputusan. Hasilnya dapat dilihat pada gambar 6.
11
Kode Program 2. Koding Hitung Entropi
Kode Program 2 adalah kode program untuk menghitung entropi dimana kode program ini digunakan untuk menghitung entropi dari masing-masing parameter yang nantinya digunakan untuk menghitung gain parameter.
Kode Program 3. Koding Hitung Gain
Kode Program 3 adalah kode program untuk menghitung gain dimana kode program ini digunakan untuk menghitung gain dari masing-masing parameter. Gain terbesar dari parameter-parameter yang ada akan digunakan sebagai simpul
root pada pohon keputusan. Kode program pohon keputusan dapat dilihat pada
kode program 4.
Public Function HitungEntrophy(ByVal t_positif As Double, ByVal t_negatif As Double)
As Double
If t_positif = 0 Or t_negatif = 0 Then Return 0
Dim logdua As Double, jum1 As Double, jum2 As Double, hasil As Double
logdua = Math.Log10(2)
jum1 = t_negatif / (t_negatif + t_positif) jum2 = t_positif / (t_negatif + t_positif)
hasil = -(jum1) * (Math.Log10(jum1) / logdua) + (-(jum2)) * (Math.Log10(jum2) / logdua)
Return hasil 'veriabel hasil yg akan dikembalikan ke button
End Function
Public Function hitung_gain (ByVal entropi As Double, ByVal pos1 As Double,
ByVal neg1 As Double, ByVal pos2 As Double, ByVal neg2 As Double, ByVal
param1 As Double, ByVal param2 As Double) As Double
Dim total As Double, hg As Double, gparam1 As Double, gparam2 As Double
total = pos1 + neg1 + pos2 + neg2
gparam1 = ((pos1 + neg1) / total) * param1 gparam2 = ((pos2 + neg2) / total) * param2 hg2 = entropi - gparam1 - gparam2
Return hg
12
Kode Program 4. Kode program pohon keputusan
Private Sub FillTreeview(ByVal NodeParent As TreeNode, ByVal daftar As
ArrayList)
Try For Each g As GainInfo In daftar
Dim nd As New TreeNode nd.Text = g.ParameterName
For Each p As ParameterEntrophyInfo In g.ParameterList Dim child As New TreeNode
If p.IsNeedNextProcess Then
child.Text = p.NilaiParameter Else
If p.NilaiYa = 0 Then
child.Text = p.NilaiParameter & ---> Ditolak" child.ForeColor = Color.Red
Else
child.Text = p.NilaiParameter & "---> Diterima" child.ForeColor = Color.Blue
End If
If p.NilaiYa = 0 And p.NilaiTidak = 0 Then
Dim kep As String = "" Dim tr As Integer = 0 Dim tl As Integer = 0 If Not dtTemp Is Nothing Then For Each d As DataRow In dtTemp.Rows
If d.Item("Keputusan").ToString.ToLower = "ditolak" Then
tl += 1 Else tr += 1 End If Next If tr > tl Then kep = "Diterima" Else kep = "Ditolak" End If
If tr = tl Then kep = "Diterima/ditolak" end If
child.Text = p.NilaiParameter & "---> " & kep End If End If child.Tag = p nd.Nodes.Add(child) Next NodeParent.Nodes.Add(nd) NodeParent.Expand() Next Catch ex As Exception Throw ex End Try If Me.treeViewResult.Nodes.Count = 0 Then Me.treeViewResult.Nodes.Add(NodeParent) Exit Sub End If
For Each n As TreeNode In Me.treeViewResult.Nodes If n.Text.ToUpper = NodeParent.Text Then
Me.treeViewResult.Nodes.Remove(n) Me.treeViewResult.Nodes.Add(NodeParent) ' Exit For End If Next End Sub
13
Jika ingin menambah, menghapus atau memodifikasi data, manager dapat menekan tombol File kemudian pilih Modify Data Parameter. Tampilannya dapat dilihat pada gambar 7.
Gambar 7. Form modifikasi data
Terlihat pada Gambar 7. adalah tampilan form modifikasi data. Pada form ini manager dapat melakukan penambahan, menghapus atau mengedit data parameter. Jika data parameter telah diubah, dihapus atau ditambah hasilnya akan mempengaruhi pada proses perhitungan proses keputusan.
Pada pengujian sistem, metode yang digunakan adalah metode BlackBox. Pengujian BlackBox merupakan metode pengujian yang berfokus pada persyaratan fungsional perangkat lunak yang yang dibuat. Berikut adalah hasil pengujian dengan menggunakan BlackBox.
Tabel 2. Tabel Operasi Hitung Proses Keputusan
Operation
ID Kondisi Respon Sistem Hasil
01 Menekan tombol proses sebelum menampilkan data parameter Muncul pesan peringatan untuk menampilkan data parameter. Muncul pesan peringatan untuk menampilkan data parameter. 02 Menekan tombol load data parameter. Menampilkan data parameter. Data Parameter ditampilkan 03 Menekan tombol proses setelah menampilkan data parameter Menampilkan hasil perhitungan dan keputusan keputusan yang didapat
Hasil perhitungan dan keputusan akan
14
Tabel 2 menjelaskan setiap kondisi yang dapat terjadi jika pengguna akan menghitung proses keputusan.
Tabel 3. Tabel Operasi Penambahan Data
Tabel 3. menjelaskan setiap kondisi yang akan terjadi saat pengguna melakukan penambahan data.
Tabel 4. Tabel Operasi Penghapusan Data
Operation ID Kondisi Respon Sistem Hasil
01
Data yang dimasukkan lengkap.
Data pada database bertambah. Data pada database bertambah. 02 Duplicate primary key. Menampilkan peringatan error. Data pada database tidak bertambah.
03 Sudah mengisi data pada tabel
Data dalam tabel bertambah
Data pada database belum bertambah
04 Sudah mengisi data pada tabel
kemudian disimpan.
Data dalam tabel bertambah
Data pada database bertambah.
Operation ID Kondisi Respon Sistem Hasil
01
Belum mengklik data yang akan dihapus.
Data pada database tidak dihapus. Data pada database tidak dihapus. 02
Data yang akan dihapus sudah dipilih.
Data dalam tabel terhapus Data pada database belum terhapus 03
Data yang akan dihapus sudah dipilih kemudian disimpan.
Data dalam tabel terhapus
Data pada database terhapus
15
Tabel 4 menjelaskan setiap kondisi yang akan terjadi saat pengguna melakukan penghapusan data.
Tabel 5. Tabel Operasi Pengubahan Data
Tabel 5 menjelaskan setiap kondisi yang akan terjadi saat pengguna melakukan pengubahan data.
Hasil pengujian BlackBox yang telah dilakukan, menunjukkan bahwa sistem ini sudah berjalan secara fungsional dan dapat menghasilkan output berupa keputusan sesuai dengan yang diharapkan. Hasil pengujian sistem dilakukan untuk memastikan bahwa sistem yang dibangun telah memenuhi uji kriteria dengan penyesuaian terhadap peraturan yang berlaku dan membuktikan bahwa setelah sistem diuji.
Pengujian penerimaan pengguna dilakukan dengan metode kuisioner kepada pengguna sistem. Pengguna adalah manajer dari CV. Solution Center yang mempunyai wewenang secara langsung dalam pengambilan keputusan pengadaan barang dan jasa. Berikut ini merupakan tabel pengujian penerimaan pengguna
Operation
ID Kondisi Respon Sistem
Hasil
01 Sudah merubah data pada table
Data pada tabel telah berubah
Perubahan Tidak tersimpan di di database.
02
Sudah merubah data pada tabel kemudian menyimpannya
Data pada tabel telah berubah
Perubahan tersimpan di dalam database
16
Tabel 6. Tabel Pengujian Penerimaan Pengguna
Berikut ini adalah rumusan perhhitungan ID3 yang dilakukan secara manual.
Tabel 7. Tabel Sampel Data Parameter
Id Operasi Operasi Sistem Respon pengguna
01 Apakah sudah sesuai dengan kebutuhan pengguna?
Hasil keputusan sudah sesuai dengan kebutuhan pengguna.
02
Apakah sistem informasi pendukung keputusan yang dirancang dapat diterapkan pada perusahaan?
Sistem informasi pendukung keputusan yang dirancang
dapat diterapkan pada perusahaan
03
Apakah sistem informasi ini
mudah digunakan? digunakan karena simpel dan Sistem informasi ini mudah user friendly
04
Bagaimana tampilan dari sistem informasi pendukung keputusan yang dirancang?
Tampilan yang dirancang sudah cukup baik dan tidak
membingungkan.
05
Apakah sudah melakukan perhitungan keputusan dengan baik?
Perhitungan keputusan sudah baik karena hasil keputusan
dapat divisualisasikan melalui pohon keputusan
17
Pada sampel data di atas, terdapat sampel 20 (dua puluh) data permintaan dengan memperhatikan 7 (tujuh) parameter atau atribut penilaian. Kombinasi sampel data yang lengkap dari data tersebut berjumlah 3 x 2 x 2 x 3 x 3 x 3 x 2 = 648 Kombinasi..
Algoritma ID3 dimulai dari pertanyaan, "atribut mana yang pertama kali harus dicek dan diletakkan pada root?”, Kemudian dijawab dengan mengevaluasi semua atribut yang ada menggunakan suatu ukuran statistik yaitu information
gain untuk mengukur efektifitas suatu atribut dalam mengklasifikasian kumpulan
sampel data.
Untuk menghitung information gain, terlebih dahulu harus dipahami suatu ukuran lain yang disebut dengan entropy. Entropy digunakan sebagai suatu parameter untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan sampel data. Nilai entropy semakin besar menunjukkan bahwa kumpulan sampel data semakin heterogen.
Pencarian Nilai Entropy, Entropy(S) =
ci 1
- pi log2 pi
Entropy(S) = - p+ log2p+ - p- log2p-
S adalah koleksi dari 20 contoh dengan 10 contoh positif dan 10 contoh negatif, ditulis dengan notasi [10+,10-]. Positif di sini maksudnya value Keputusan = Diterima sedangkan negatif maka value Keputusan = Ditolak.
Entropy [10+, 10+] = 1
Gain (S,A) a dalah ukuran dalam mengukur efektifitas suatu atribut dalam mengklasifikasikan data . Gain(S,A) = Entropy(S) -
( )|
|
|
|
A Values vS
Sv
Entropy(Sv)1. Values (Harga_Konsumen) = Mahal, Sedang, Murah Entropy (SMahal) = 0
Entropy (SSedang ) = 1 Entropy (SMurah) = 0
Gain (S, Harga_Konsumen) = 0.5
2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah Entropy (SIndependen) = 0.9911
Entropy (SPemerintah) = 0.9940 Gain (S, Sumber_Dana_Konsumen) = 0.0073
3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit Entropy (STunai) = 0.9940
Entropy (SKredit) = 0.9911
18
4. Values (Harga_Produsen) = Mahal, Sedang, Murah Entropy (SMahal) = 0.9852
Entropy (SSedang ) = 0.9911 Entropy (SMurah) = 1
Gain (S, Harga_Produsen) = 0.0092
5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah Entropy (SMahal) = 1
Entropy (SSedang ) = 0.9709 Entropy (SMurah) = 0.9852
Gain (S, Biaya_Transportasi_Konsumen) = 0.0124
6. Values (Biaya_Transportasi_Produsen) = Mahal, Sedang, Murah Entropy (SMahal) = 0
Entropy (SSedang ) = 0.8631 Entropy (SMurah) = 0
Gain (S, Biaya_Transportasi_Produsen) = 0.6979
7. Values (Kepercayaan) = Baik, Kurang Baik Entropy (SBaik) = 0.9799
Entropy (SKurang Baik) = 0.9544 Gain (S, Kepercayaan) = 0.0303051
Setelah semua atribut diketahui nilai gainnya, maka diketahui atribut dengan nilai gain terbesar yang mendekati 1 yaitu gain pada atribut
Biaya_Transportasi_Produsen. Dengan begitu atribut
Biaya_Transportasi_Produsen dapat dijadikan sebagai root utama.
Untuk menghitung node di bawahnya, dihitung berdasarkan atribut Biaya_Transportasi_Produsen pada kategori sedang, karena sampel Biaya_Transportasi_Produsen sedang, memiliki 2 keputusan diterima, dan 5 keputusan ditolak.
Entropi Biaya_Transportasi_Produsen (Sedang ) [2+, 5+] = 0.8631
1. Values (Harga_Konsumen) = Mahal, Sedang, Murah
Hitung entropy SMahal , SSedang , SMurah dan Information Gain Untuk nilai Harga_Konsumen adalah :
Entropy (S) = 0.8631 Entropy (SMahal) = 0 ? Ditolak Mahal Murah Biaya_Transportasi_Produsen Diterima Sedang
19
Entropy (SSedang ) = 0
Entropy (SMurah) = 0 Gain (S, Harga_Konsumen) = 0.8631
2. Values (Sumber_Dana_Konsumen) = Independen , Pemerintah Entropy (SIndependen) = 0
Entropy (SPemerintah) = 0.9709 Gain (S, Sumber_Dana_Konsumen) = 0.1696
3. Values (Sistem_Pembayaran_Konsumen) = Tunai, Kredit Entropy (STunai) = 0.9183
Entropy (SKredit) = 0.8113
Gain (S, Sistem_Pembayaran_Konsumen) = 0.0060 4. Values (Harga_Produsen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0.8113 Entropy (SSedang ) = 0.9183
Entropy (SMurah) = 0 Gain (S, Harga_Produsen) = 0.0060
5. Values (Biaya_Transportasi_Konsumen) = Mahal, Sedang, Murah
Entropy (SMahal) = 0
Entropy (SSedang ) = 1
Entropy (SMurah) = 1
Gain (S, Biaya_Transportasi_Konsumen) = 0.2917 6. Values (Kepercayaan) = Baik, Kurang Baik
Entropy (SBaik) = 0.9709 Entropy (SKurang Baik) = 0 Gain (S, Kepercayaan) = 0.1696
Berdasarkan hasil dari perhitungan entropi berdasarkan atribut Biaya_Transportasi_Produsen pada kategori sedang, didapat kesimpulan bahwa node dibawah atribut Biaya_Transportasi_Produsen pada kategori sedang adalah atribut Harga_Konsumen.
Berdasarkan proses perancangan dan implementasi di atas, dapat diberikan sebuah pernyataan bahwa sistem pendukung keputusan pengadaan barang dan
Harga_Konsumen Ditolak Mahal Murah Biaya_Transportasi_Produsen Diterima Sedang Diterima Mahal Murah Ditolak Sedang Ditolak
20
jasa mampu memberikan informasi berupa aturan dalam bentuk pohon keputusan. Selanjutnya aturan tersebut akan menampilkan dua parameter yang paling menentukan berupa atribut biaya transportasi produsen dan harga konsumen.
Berikut ini adalah aturan yang dihasilkan :
1. Jika Biaya_Transportasi_Produsen = Mahal = Ditolak
2. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Mahal = Diterima
3. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Sedang = Ditolak
4. Jika Biaya_Transportasi_Produsen = Sedang, Then Harga_Konsumen = Murah = Ditolak
5. Jika Biaya_Transportasi_Produsen = Murah = Diterima
Dengan adanya sistem informasi pendukung keputusan barang dan jasa ini dapat mendukung pihak manajer dalam menentukan order yang menguntungkan bagi perusahaan.
5. Kesimpulan
Berdasarkan perancangan dan implementasi aplikasi sistem informasi pengadaan barang dan jasa dengan metode Iterative dichotomiser 3 ( ID3 ) didapatkan kesimpulan sebagai berikut :
1. Dengan perpaduan metode prototype sebagai metode perancangan pengembangan sistem, metode Iterative dichotomiser 3 ( ID3 ) sebagai metode pengambilan keputusan, dan Unified Modeling Language (UML) sebagai metode pemodelan dalam merancang sistem informasi ini, maka dapat menjadi kesatuan sistem pendukung keputusan yang tepat guna. Karena perancangan sistem informasi ini menghasilkan informasi keputusan yang sesuai dengan kebutuhan pengguna.
2. Implementasi sistem informasi pendukung keputusan dengan perpaduan antara metode prototype, metode Iterative dichotomiser 3 ( ID3 ), dan Unified
Modeling Language (UML) dapat dijalankan dengan baik sesuai dengan
parameter keputusan yang terdiri dari harga konsumen, sumber dana konsumen, sistem pembayaran konsumen, harga produsen, biaya transportasi konsumen, biaya transportasi produsen, dan kepercayaan yang telah ditentukan di awal. Dengan demikian sistem ini mampu menjadi alat bagi perusahaan untuk membantu pengambilan keputusan akhir dalam menentukan pengadaan barang.
6. Daftar pustaka
[1] Mulyanto, Agus, 2009, Sistem Informasi Konsep & Aplikasi. Yogyakarta : Pustaka Pelajar.
[2] Dharwiyanti, Sri., & Romi Satria Wahono, 2003, Pengantar Unified Moddeling Language (UML). http://ilmukomputer.com (diakses tanggal 2 Februari 2014)
[3] Jogiyanto, 2003, Konsep Dasar Sistem Informasi. Yogyakarta: Andi Offset [4] Kadarsah, Ramdhani Ali 2002. Aplikasi Pendukung Keputusan. Bandung :
21
[5] Lee, Michael. 2010. Perancangan Klarifikasi Penerimaan beasiswa menggunakan Algoritma ID3 (Iterative Dichotomizer Three). Salatiga : FTI UKSW
[6] Setiawan, Wahyudin. 2009. Iterative Dichotomizer Three (ID3) untuk Menentukan Mahasiswa Baru
http://file.upi.edu./Direktori/FPMIPA/PRODI_ILMU_KOMPUTER/Wahy udin/metode_ID3_untuk_mhs_baru.pdf (diakses tanggal 24 Desember
2013)
[7] Indrawaty, Youllia. 2012. Pengembangan Sistem Pendukung Keputusan
Penerimaan KaryawanMenggunakan Metoda Pohon Keputusan ID3.
Bandung : Institut Teknologi Nasional Bandung
[8] Dyah . 2009. Sistem Pendukung Keputusan Perencanaan Strategis Kinerja
Instansi Pemerintah Menggunakan Metode AHP (Studi Kasus di Deperindag). Yogyakarta : UAD
[9] Efraim, Turban. 2005. Decision Support Systems and Intelligent System, edisi Bahasa Indonesia jilid 1. Yogyakarta : Andi
[10] Kotler, Philip. dan Keller, Kevin Lane 201). Manajemen Pemasaran, Jilid 1, Edisi Ketiga Belas. Jakarta : Erlangga,
[11] Andriyadi , Anggi. 2013. Algoritma ID3.
http://grumpy-math.blogspot.com/2013/09/algoritma-id3.html (diakses taggal 23 Januari
2014).
[12] Larose , Daniel T. (2004). Discovering Knowledge in Data: An Introduction to Data Mining, John Willey & Sons. Inc..
[13] Nugroho, Fanuel, kristanto, harianto, & Oslano, Yetli, 2007 : Validias Suatu Alamat Menggunakan Decision Tree Dengan Algoritma ID3, Jurnal
Informatika 3:2
[14] Kusrini. 2007, Konsep dan Aplikasi Sistem Penunjang Keputusan, Yogyakarta : Andi Offset
