Jurnal INFORMA Politeknik Indonusa Surakarta P-ISSN : 2442

Jurnal INFORMA Politeknik Indonusa Surakarta P-ISSN : 2442-7942, E-ISSN 2716-5051 Vol. 6 Nomor 2 Desember 2020

1

SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PENERIMA BANTUAN SISWA MISKIN METODE TEOREMA BAYES

Anisyah Jatu Siti Nurjanah1), Mutaqin Akbar2)

Universitas Mercu Buana Yogyakarta

Jl. Jembatan Merah 84 C Gejayan Yogyakarta [email protected], [email protected]

Abstrak

Program Bantuan Siswa Miskin adalah Program Nasional yang bertujuan untuk

menghilangkan halangan siswa miskin berpartisipasi untuk bersekolah dengan membantu siswa miskin memperoleh akses pelayanan pendidikan yang layak, mencegah putus sekolah, menarik siswa miskin untuk kembali bersekolah, membantu siswa memenuhi kebutuhan dalam kegiatan pembelajaran, mendukung program Wajib Belajar Pendidikan Dasar Sembilan Tahun (bahkan hingga tingkat menengah atas), serta membantu kelancaran program sekolah.

Pada penelitian ini digunakan metode Teorema Bayes. Teorema Bayes adalah teorema yang digunakan dalam statistika untuk menghitung peluang suatu hipotesis. Untuk variabel yang digunakan dalam penghitungan yakni 12 kriteria dan 2 golongan serta bobot-bobot kriteria terhadap masing-masing golongan.

Berdasarkan 50 data yang telah diujikan terhadap kepala sekolah dan sistem, sistem dapat mendeteksi 2 golongan yaitu rekomendasi dan non rekomendasi untuk siswa yang berhak dan tidaknya menerima bantuan siswa miskin dan sesuai dengan validasi kepala sekolah atau wakil kepala sekolah adalah 45 siswa dan yang tidak sesuai adalah 5 siswa. Berdasarkan hasil validasi kepala sekolah atau wakil kepala sekolah dan sistem, diperoleh akurasi 80% data kasus yang sesuai. Kata kunci: Bantuan Siswa Miskin, Program Bantuan Siswa Miskin, Teorema Bayes 1. PENDAHULUAN

Program Bantuan Siswa Miskin adalah Program Nasional yang bertujuan untuk menghilangkan halangan siswa miskin berpartisipasi untuk bersekolah dengan membantu siswa miskin memperoleh akses pelayanan pendidikan yang layak, mencegah putus sekolah, menarik siswa miskin untuk kembali bersekolah, membantu siswa memenuhi kebutuhan dalam kegiatan pembelajaran, mendukung program Wajib Belajar Pendidikan Dasar Sembilan Tahun (bahkan hingga tingkat menengah atas), serta membantu kelancaran program sekolah. BSM adalah bantuan pemerintah berupa sejumlah uang tunai yang diberikan secara langsung kepada siswa yang berasal dari keluarga miskin.

Melalui Program BSM ini diharapkan anak usia sekolah dari rumah-tangga/keluarga miskin dapat terus bersekolah, tidak putus sekolah, dan di masa depan diharapkan mereka dapat memutus rantai kemiskinan yang saat ini dialami orangtuanya.

Program ini bersifat langsung kepada siswa dan bukan beasiswa karena berdasarkan kondisi ekonomi siswa dan bukan berdasarkan prestasi (beasiswa) mempertimbangkan kondisi siswa, sedangkan beasiswa diberikan dengan mempertimbangkan prestasi siswa.

Berdasarkan uraian diatas, maka peneliti dalam hal ini mengambil judul “Sistem Pendukung Keputusan Rekomendasi Bantuan Siswa Miskin Metode Teorema Bayes” menggunakan parameter-parameter tertentu yang nantinya dapat memberikan kemudahan bagi pengguna untuk mengetahui golongan yang sesuai.

2. METODE PENELITIAN

Untuk membangun sebuah sistem pendukung keputusan rekomendasi penerima bantuan siswa miskin menggunakan metode penelitian dapat dilihat pada Gambar 1 :


2

Gambar 1. Metode Penelitian

a. Akuisisi Pengetahuan Akuisisi pengetahuan merupakan kegiatan untuk mencari dan megumpulkan data untuk analisis kebutuhan perangkat lunak yang bersumber dari seorang kepala sekolah / wakil kepala sekolah. b. Representasi Pengetahuan 1) Perancangan Use Case Diagram Use case diagram merupakan pemodelan untuk menggambarkan kelakuan (behavior) system yang akan dibuat. Use case diagram digunakan untuk mengetahui fungsi apa saja yang ada didalam sebuah sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut seperti pada Gambar 2 :

Gambar 2. Diagram Use Case

2) Basis Pengetahuan Basis pengetahuan dirancang dengan beberapa data yaitu data golongan, data kriteria, data rule, dan bayes, data di atas dapat dilihat pada Tabel 2 sampai Tabel.

Tabel 1. Data Golongan

Kode Golongan

Nama Golongan

GOL01 Recommended GOL02 Non Recommended

Tabel 2. Data Rule

Kode Golongan

Aturan

GOL01 KT01, KT02, KT08, KT07, KT09, KT10 dengan nilai probabilitas 1

GOL02 KT03, KT04, KT05, KT06, KT11, KT12 dengan nilai probabilitas 1

Table 3. Data Kriteria

Kode Kriteria

Nama Kriteria

KT01 500.000 (Gaji Orang Tua) KT02 600.000-1.500.000 (Gaji Orang

Tua) KT03 1.600.000-2.900.000 (Gaji Orang

Tua) KT04 3000.000 (Gaji Orang Tua) KT05 Kurang (Presensi) KT06 Cukup (Presensi) KT07 Baik (Presensi) KT08 Sangat Baik (Presensi) KT09 Buruh (Profesi Orang Tua) KT10 Pengangguran (Profesi Orang

Tua) KT11 Wiraswasta ( Profesi Orang Tua) KT12 PNS (Profesi Orang Tua) KT13 KIP KT14 NON KIP

Table 4. Bayes

No Nilai Bayes

Teorema Bayes

1 0 – 0.2 Tidak ada 2 0.3 – 0.4 Mungkin 3 0.5 – 0.6 Kemungkinan Besar 4 0.7 – 0.8 Hampir Pasti 5 0.9 - 1 Pasti


3

3) Perancangan Database Perancangan database dapat dilihat pada Gambar 3 :

Gambar 3 Database

4) Flowchart Sistem Flowchart sistem dapat dilihat pada Gambar 4 :

Gambar 4. Flowchart Sistem

3 TINJAUAN PUSTAKA a. Bantuan Siswa Miskin (BSM) Program BSM merupakan program yang diluncurkan oleh pemerintah untuk menanggulangi masalah putus sekolah pada usia dini, program BSM juga dimaksudkan agar siswa miskin yang telah tamat dapat melanjutkan pendidikannya ke jenjang lebih tinggi dengan pendidikan yang layak (Ramadhan, 2014). b. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) adalah bagian dari sistem informasi berbasis komputer termasuk sistem berbasis pengetahuan atau manajemen pengetahuan yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi

informasi untuk mengambil keputusan dari masalah semi terstruktur yang spesifik (Purba, 2015). c. Teorema Bayes Teorema Bayes adalah teorema yang digunakan dalam statistika untuk menghitung peluang untuk suatu hipotesis. Bayes Optimal Classifier menghitung peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal (Hulaifah, Nasution, & Anra, 2016). Dalam penelitian ini menggunakan Metode Bayes. Langkah - langkah penyelesaiannya adalah (Dahri, Agus, & Khairina, 2016) : 1) Menentukan kriteria-kriteria yang akan

dijadikan acuan dalam pengambilan keputusan, yaitu Ci.

2) Menentukan hasil dari matriks bobot probabilitas.

3) Mencari nilai dari hasil evidence dari nilai alternatif berdasarkan probabilitas dterima dan ditolak.

4) Mengkalikan nilai evidence (E) dan selisih evidence (1-E).

5) Langkah penyelesaian teorema bayes. Dalam teorema bayes langkah awal dari perhitungan yag dilakukan adalah mencari nilai semesta hipotesa (H) yang terdapat pada evidence kemudian dijumlahkan semua nilai probabilitas evidence dari kepala sekolah. Untuk langkah – langkah lebih jelasnya sebagai berikut : 1) Mencari nilai semesta ∑ = 퐺퐽01 + 퐺퐽02 + 퐺퐽03 + ⋯푛 ..(1) 2) Menghitung nilai semesta P(Hi) P(H1,2, . . .푛) = , ,…

∑ ……......……….......(2)

3) Menghitung Probabilitas H ∑ = 푃(퐻푖) × 푃(퐸|퐻푖 − 푛) …….….….(3) 4) Mencari nilai P(Hi|E) 푃(퐻푖|퐸) = ( | )× ( )

( ) ……………..…..(4) 5) Menghitung total nilai bayes ∑ 퐵푎푦푒푠 = 퐵푎푦푒푠1 + 퐵푎푦푒푠2 + ⋯푛 (5) d. Forward Chaining Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Forward chaining adalah data-driven karena inferensi


4

dimulai dengan informasi yang tersedia dan baru konklusi diperoleh (Hanggowibowo, 2009). Berikut contoh cara kerja Forward Chaining :

Tabel 5. Tabel Forward Chaining Data Aturan Kesimpulan A = Rekomendasi

Jika A = Rekomendasi maka sebagai penerima Bantuan Siswa Miskin (BSM)

A= Rekomendasi berhak menerima Bantuan Siswa Miskin.

4. HASIL DAN PEMBAHASAN

Dalam Perancangan sistem pendukung keputusan ini menggunakan metode teorema bayes dan forward chaining. Teorema bayes dimulai dari mencari nilai semesta total bobot kriteria dari tiap golongan lalu menghitung nilai semesta P(Hi) di lanjutkan dengan menghitung probalitas (H) tanpa memandang evidence apapun barulah mencari nilai P (Hi |E) dan langkah terakhir menjumlahkan nilai bayes.

Dalam proses perhitungan teorema bayes pada sistem pendukung keputusan rekomendasi penerima bantuan siswa miskin adalah sebagai berikut :

Tabel 6 Sampel data No Nama Siswa Jenis

Kelamin Kriteria

1 Angga Kurniawan

L K3, K6, K9, K13

Keterangan : Langkah – langkah perhitungannya sebagai berikut : a. Step 1 Permasalahan

Diketahui daftar golongan pada Tabel 6. Rule sistem - Rule kriteria terpilih adalah : KT3, KT6, KT9, KT13 pada Rule GOL01

- Rule Sistem Rule GOL01 adalah KT03, KT06, KT09,

KT13 dengan nilai probabilitas 1. - Dimana KT01 = P.BAIK KT06 = G. 600.000 s/d 1.500.000 KT09 = PRO.BURUH KT13 = PUNYA KIP.

b. Step 3 nilai probabilitas kepala sekolah

kriteria terhadap golongan.

Nilai probabilitas yang diberikan kepala sekolah untuk masing-masing kriteria terhadap golongan. - Nilai probabilitas kriteria pada GOL01. KT03=0.7. KT04=0.9. KT05=0.9. KT06=0.7. KT09=0.9. KT10=0.6 KT13=0.8

- Nilai probabilitas gejala pada GOL02. KT01=0.8. KT02=0.6. KT07=0.6. KT08=0.9. KT11=0.9. KT12=0.7. KT14=0.9.

Langkah perhitungan adalah sebagai berikut : KT03, KT06, KT09, KT13 pada rule

GOL01. - Mencari nilai semesta Nilai Semesta = 0.7 + 0.7 + 0.8 + 0.9 = 3.1 - Menghitung nilai semesta P(Hi) P(H1) = 0.7/3.1 = 0.225 P(H2) = 0.7/3.1 = 0.225 P(H3) = 0.8/3.1 = 0.258 P(H4) = 0.9/3.1 = 0.290

- Menghitung probabilitas H tanpa memandang evidence apapun

P(H1) * P(E|H1) = 0.225*0.7=0.157 P(H2) * P(E|H2) = 0.225*0.7=0.157 P(H3) * P(E|H3) = 0.258*0.8=0.206 P(H4) * P(E|H4) = 0.290*0.9=0.261 Total Hipotesa (H) = 0.781 - Mencari nilai P(Hi|E) P(H1|E) = ( P(H1) * P(E|H1))/H =

(0.225*0.7)/0.781 = 0.201 P(H2|E) = ( P(H1) * P(E|H1))/H =

(0.225*0.7)/0.781 = 0.201 P(H3|E) = ( P(H1) * P(E|H1))/H =

(0.258*0.8)/0.781 = 0.264 P(H4|E) = ( P(H1) * P(E|H1))/H =

(0.290*0.9)/0.781 = 0.334 - Menghitung total nilai bayes

푁푖푙푎푖퐵푎푦푒푠= (0.7*0.201) + (0.7*0.201) + (0.8*0.264) + (0.9*0.334) = 0.7932

Pada KT03, KT06, KT09, KT13 pada

rule GOL01 diperoleh nilai 0.7932, jika dicocokkan dengan Tabel aturan bayes maka hasilnya 0.7-0.9 yang artinya “Hampir Pasti”.


5

Dari hasil perhitungan data sampel pengujian diatas didapat bahwa rekomendasi kemungkinan penerima bantuan siswa miskin dengan nama Angga Kurniawan dapat dilihat pada Tabel 7.

Tabel 7 Hasil Hitung Nama Siswa

Hasil Golongan

Hasil Hitung

Aturan Inferensi

Angga Kurniawan

Recommendasi

0.7932 Hampir Pasti

Dari Tabel 7 hasil hitung diambil nilai

paling tinggi dari setiap kriteria terpilih yang dihitung berdasarkan golongan yang ada, didapatkan bahwa golongan “Rekomendasi” mendapat nilai paling tinggi yaitu 0.7932, selanjutnya dicocokan dengan Tabel aturan bayes yaitu nilai 0.7-0.8 adalah “Hampir pasti". Maka siswa dengan nama DFR01 ditentukan sebagai golongan “Rekomendasi”. 5. KESIMPULAN DAN SARAN a. Kesimpulan

Dari penelitian yang dilakukan, kesimpulan yaitu sistem yang dirancang dengan implementasi metode teorema bayes dapat digunakan untuk membantu dalam rekomendasi penerima bantuan siswa miskin, hasil implementasi dapat berjalan sesuai dengan desain, berdasarkan 50 data yang telah diujikan terhadap kepala sekolah dan sistem, untuk siswa yang sebagai golongan penerima bantuan siswa miskin dan sesuai dengan validasi kepala sekolah adalah 45 siswa dan yang tidak sesuai adalah 5 siswa. Sehingga untuk tingkat akurasi sistem berdasarkan hasil validasi kepala sekolah atau wakil kepala sekolah dan sistem, diperoleh presentase 80% data kasus yang sesuai, serta 20% data kasus yang tidak sesuai. b. Saran

Sebagai saran penelitian selanjutnya, dalam penentuan data siswa sebaiknya menggunakan lebih banyak data lagi dan dengan menggabungkan atau dikonversi dengan metode lain agar mendapat hasil penentuan yang lebih obyektif.

6. REFERENSI Amborowati, A., & Hidayah , N. (2016,

Februari 6-7). Analisis an Perancangan Sistem Pakar Diagnosa Penyakit Mematikan pada Perempuan

Menggunakan Metode Bayes (studi kasus : Asri Medical Center). Seminar Nasional Teknologi Informasi dan Multimedia 2016, 1.

Anggara, G., Pramayu, G., & Wicaksana, A. (2016, Februari 6-7). Membangun Sistem Pakar Menggunakan Teorema Bayes untuk Mendiagnosa Penyakit Paru-paru. Seminar Nasional Teknologi Informasi dan Multimedia 2016, 1.

Assrani, D., Huda, N., Sidabutar, R., Saputra, I., & Sulaiman, O. K. (2018, Februari). Penentuan Penerima Bantuan Siswa Miskin Menerapkan Metode Multi Objective Optimization on The Basis of Ratio Analysis (MOORA). JURNAL RISET KOMPUTER (JURIKOM), Vol. 5 No. 1, 1-5.

Dyan dkk. (2018, Mei). Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2, 1912-1920. Retrieved Juli 17, 2018

Mahendra, V. G. (2016). SISTEM PENDUKUNG KEPUTUSAN BANTUAN SISWA MISKIN (BSM) DI SDN 3 PONCOKRESNO MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW). KONFERENSI MAHASISWA SISTEM INFORMASI, Vol 4, No 1 (2016), 256-261.

Mufizar, T., Nuraen, T., & Andrianto, D. (2015). SISTEM PENDUKUNG KEPUTUSAN UNTUK MENYELEKSI CALON PENERIMA BANTUAN SISWA MISKIN (BSM) DI MTs NEGERI CIAMIS MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING (SAW). Seminar Nasional Informatika 2015, 671 - 677.

Sudarsono, N., Nuraen, T., & Rahmawati, S. (2016). SISTEM PENUNJANG KEPUTUSAN PEMBERIAN BANTUAN SISWA MISKIN DI SD NEGERI SUKAMENAK KOTA TASIKMALAYA MENGGUNAKAN METODE TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY


6

TO IDEAL SOLUTION (TOPSIS). Seminar Nasional Teknologi Informasi dan Multimedia 2016, 163 - 168.

Sugeng. (2016, Februari 2016). Pengertian, Bagian-Bagian, dan Fungsi Kulit Menurut Para Ahli Biologi Beserta 20 Penyakit Kulit. Retrieved Oktober 27, 2017, from Seputarilmu.com.

Surya, C. (2015, Agustus). Sistem Pendukung Keputusan Rekomendasi Penerima Beasiswa Menggunakan Fuzzy Multi Attribut Decision Making (FMADM) dan Simple Additive Weighting (SAW). Jurnal Rekayasa Elektrika, Vol. 11, No. 4, 149 - 156.


7

PERBANDINGAN MODEL SKEMA STAR DAN SNOWFLAKE DATA AKADEMIK (STUDI KASUS UNSIQ JAWA TENGAH DI WONOSOBO)

Khomsatun1), Kusrini2), Andi Suyoto3)

Magister Teknik Informatika Universitas Amikom Yogyakarta

Jl. Ringroad Utara, Contong Catur, Sleman, Yogyakarta 55283 Indonesia [email protected], [email protected], [email protected]

Abstrak

Kebutuhan pihak manajemen Perguruan Tinggi dalam mengambil keputusan dengan cara memberikan informasi yang menghasilkan ringkasan informasi yang akurat dan berguna sebagai masukan untuk menentukan strategi dalam melakukan promosi menjadi tongkat utama dalam penerimaan mahasiswa. Semakin banyaknya mahasiswa semakin jaya pula PerguruanTinggi hinggamemenuhi standar akreditasi. Dalam merancang, pada tahap pembuatan dimensional modeling perancang dihadapkan pada pilihan penggunaan skema yang tepat untuk sistem yang akan dibangunnya. Tahapan ini akan menentukan tingkat efektifitas dan efisiensi sistem. Alasan memilih skema star dan skema snowflakes yang dibandingkan adalah karena keduanya memiliki karakteristik yang bertolak belakang dalam menerapkan hirarki data.Proses pencarian data didapat dengan model skema star dan skema snowflake dengan cara mengukur serta membandingkan hasil dari data warehouse yang disusun berdasarkan parameter row len, blocksize, responsetime dan Cputime. Dilakukan query menggunakan tools phpmyadmin sehingga empat parameter ini akan diketahui dan bisa dibandingkan hasilnya. Dengan hasil yang didapat diharapkan bisa memberikan rekomendasi skema yang terbaik. Kata kunci: Star skema, snowflake skema, pmb

Abstrak

The need for university management in making decisions by providing information that produces a summary of information that is accurate and useful as input for determining strategies in conducting promotions is the main stick in student admission. The more students, the more prosperous the Higher Education to meet the accreditation standards. In designing, at the stage of making dimensional modeling the designer is faced with the choice of using the right scheme for the system to be built. This stage will determine the level of effectiveness and efficiency of the system. The reason for choosing the star schema and the snowflakes schema that are compared is because both have opposing characteristics in applying the data hierarchy. The process of finding data is obtained by the star schema model and the snowflake schema by measuring and comparing the results of the data warehouse arranged according to the parameters of row len, blocksize, responsetime and cputime. A query is performed using phpmyadmin tools so that these four parameters will be known and the results can be compared. With the results obtained are expected to provide the best scheme recommendations. Keywords: Star scheme, snowflake scheme, Admission of new students. . 1. PENDAHULUAN a. Latar Belakang

Tak hanya dalam dunia sosial dan bisnis tetapi juga dunia pendidikan di mana, informasi tentang dunia pendidikan dibutuhkan dan menjadi salah satu yang wajib untuk diketahui. Tak luput dari perkembangan teknologi, informasi perguruan tinggi

sangatlah diperlukan guna menciptakan generasi penerus yang cerdas dan bisa bersaing, masyarakat lebih jeli dan cermat dalam memilih perguruan tinggi yang berkualitas. Persaingan untuk mendapatkan mahasiswa antar perguruan tinggi semakin ketat dan tidak dapat dipungkiri dengan pertumbuhan perguruan tinggi itu sendiri.


8

Perguruan tinggi harus melengkapi dirinya untuk dapat bertahan didalam persaingan dan mengembangkan usahanya.

Unsiq Jawa Tengah di Wonosobo merupakan satu-satunya Perguruan Tinggi di kota Wonosobo Jawa Tengah. Berdiri tahun 1988 hingga sekarang UNSIQ sudah menghasilkan alumni yang tersebar di seluruh wilayah Indonesia. Sesuai visi yaitu menciptakan generasi yang Qur’ani dan Madani, UNSIQ sangat perlu adanya perencaan Strategi guna meningktakan bisnisnya dalam memikat hati calon mahasiswa.

Walaupun sudah memiliki website resmi dan banyak sosial media namun UNSIQ perlu menerapkan datawarehouse guna mengetahui arah kebijakan dalampenerimaan Mahasiswa baru.itu sebabnya penelitian ini dibuat agar bisa menerapakan skema mana yang baik dan sesusai diterapkan dalam kasus PMB UNSIQ.

Dalam merancang sebuah data warehouse, pada tahap pembuatan dimensional modeling perancang dihadapkan pada pilihan penggunaan skema yang tepat untuk sistem yang akan dibangunnya. Tahapan ini akan menentukan tingkat efektifitas dan efisiensi sistem. Ada tiga skema yang dapat digunakan yaitu skema star, skema snowflakes dan skema galaxy. Skema star mengikuti struktur bintang, yaitu ada sebuah fact table (table fakta) yang dikelilingi oleh beberapa dimensional table (table dimensi). Skema snowflakes terdiri dari sebuah fact table yang dikelilingi dimensional table yang ada beberapa diantaranya tidak berhubungan langsung dengan fact table melainkan berhubungan dengan dimensional table lainnya. Skema galaxy memiliki beberapa fact table yang memanfaatkan dimensional table dari fact table lainnya.

Hasil pengukuran yang didapat dari model skema star dan skema snowflake dengan pemanggilan querydibandingkan berdasarkan parameter average row len, block size dan response time. Alasan memilih skema star dan skema snowflakes yang dibandingkan adalah karena keduanya memilik karakteristik yang bertolak belakang dalam memandang redundancy data. b. Rumusan Masalah

Berdasarkan penjabaran pada latar belakang masalah, maka rumusan masalah

pada penelitian ini adalah Sejauh mana pengujian dimensional modeling dengan model skema star dan snowflake Akademik Unsiq Jawa Tengah di Wonosobo.

c. Batasan Masalah

Batasan Masalah dari penelitian ini adalah Data Akademik Penrimaan Mahasiswa baru UNSIQ Jawa Tengah di Wonosobo.

d. Tujuan Penelitian

Tujuan dari penelitian ini adalah memberikan rekomendasi skema yang terbaik denga pengukuran parameter average row len, block size dan response time.

e. Tinjauan Pustaka 1) Samudera, dkk melakukan penelitian

berjudul “Merancang Data Mart Perancangan Dashboard Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang”. Dalam penelitian menggunakan perancangan BI, OLAP dan dashboard untuk kebutuhan PMB. Tools yang digunakan adalah MsAccess dan Excel Powerpivot. Hasil yang diperoleh adalah implementasi BI dan dashboard kebutuhan PMB. Kelemahannya pengukuran menggunakan star skema dengan data mart yang dibangun bukan merupakan datawarehouse, sehingga perlu dikembangkan.

2) Yaya Sudarya, dkk melakukan penelitiannya berjudul “Aplikasi Data Warehouse Untuk Menunjang Standar 3 Borang Akreditasi Prodi Informatika Universitas Mercu Buana” pada November 2017. Dijelaskan dalam pembuatan laporan borang akreditasi khususnya standar 3 yang dapat mendukung proses pengambilan keputusan strategis untuk tingkat manajemen. Model pengambangan data warehouse yang digunakan dalam penelitian ini adalah model skema star. Hasil yang diperoleh analisis multidimensi dan dapat menghasilkan informasi yang bersifat analis.

3) Metawi Ayub, dkk melakukan penelitian dengan judul “Data Warehouse Sebagai Basis Analisis Data Akademik Perguruan Tinggi” dalam penelitianini dilakukan dengan penerapan semua skema dalam skenario yang berbeda. Hasil Analisis menggunakan model data


9

multidimensional dapat dilakukan terhadap data cube yang merupakan implementasi dari skema data mart yang telah dibuat.

4) Faisal, dkk dalam penelitiannya melakukan data warehouse yang terintegrasi dengan OLAP dari data transaksi akademik mahasiswa. Dengan penerapana skema Star . hasil analisa tabel presatasi akademik bagi perguruan tinggi.

5) Yetti, dkk melakukan penelitian dengan judul ”Proses Etl (Extract Transformation Loading) Data Warehouse Untuk Peningkatan Kinerja Biodata Dalam Menyajikan Profil Mahasiwa Dari Dimensi Asal Sekolah”. Dengan menerapkan star dan Snowflake. Hasil analisa penerapan skema tiap skenario guna pengambilan keputusan masih perlu validasi.

6) Sri Wahyuni dalam penelitiannya menggunakan Snowflake melalui Nine Step Methodology. Hasil analisa Data warehouse yang dihasilkan dapat dimplementasikan dengan sebuah aplikasi untuk menampilkan report-report yang diperlukan. Dalam penelitian ini diimplementasikan dengan PHP

2. METODE PENELITIAN Penelitian ini bersifat Kuantitatif dan

digunakan penelitian dan Pengembangan atau Research and Development (R&D). Dilakukan rangkaian proses atau langkah-langkah dalam rangka mengembangkan data warehouse menggunakan modeling multidimensional dengan dua skema sekaligus.

Proses Analisis dilakukan terhadap data yang sudah ada dari website Penerimaan Mahasiswa Baru Unsiq Jawa Tengah di Wonosobo dari tahun 2016-2019 dan studi pustaka untuk mendapatakan laporan yang sesuai dengan kebutuhan. Data yang didapat adalah dari pengolahan website yang digunakan yang selanjutnya diolah dengan query dan diukur performa masing-masing skema.

Perbandingan Star Schema dan Snowflake dilakukan dengan pengujian query dari tiap skema dan diuji dengan tiap skenario pengujian. Skenario yang diujikan Penerimaan Mahasiswa baru yang selanjutnya dari masing-masing hasil query diukur performa Average row length, Block Size, Responsive Time dan dibandingkan utnuk

mendapatakan kesimpulan mana yang lebih baik dari kedua skema. 3. TINJAUAN PUSTAKA a. DBMS Menurut Connolly dan Begg (2010:66), Database Management System adalah sebuah sistem software yang memungkinkan pengguna untuk mendefinisikan, membuat, memelihara, dan mengontrol akses ke database. b. Data Warehouse Menurut Nugroho (2004), data warehouse adalah kumpulan data yang berorientasi subjek, terintegrasi, memiliki dimensi waktu serta merupakan koleksi tetap (non-volatile) yang digunakan dalam mendukung proses pengambilan oleh para manajer tingkat puncak Alur proses Data Warehouse terbentuk adanya sistem On Line Transaction Processsing (OLTP) yaitu saat data diinputkan dalam database, dan setelah proses ETL dilakukan,. Proses lanjutan dari Data Warehouse adalah proses penggunaan data tersebut yang disebut sebagai sistem On Line Analytical Processsing (OLAP) [Ponniah,2010] c. On-line Transaction Processing

(OLTP) Menurut Rainer and turban (2009): “OLTP (Online Transaction Processing) adalah pernrosesan transaksi bisnis secara online langsung setelah transaksi itu teljadi”. Menurut Connolly and Begg (2010) “OLTP adalah sebuah sistem yang dirancang untuk menangani pemrosesan transaksi tingkat tinggi, dengan transaksi yang secara umum membuat perubahan kecil pada data operasional organisasi, yang dibutuhkan oleh organisasi untuk menangani operasi seharihari” d. Online Analitical Prosesing (OLAP) adalah teknologi yang memproses daata di dalam database dalam struktur multidimensi, menyediakan jawaban yang cepat untuk query dan analisis yang kompleks. Data yang disajikan biasanya merupakan suatu fungsi agregasi seperti summary, max, min, average dan lain-lain. e. Extract, Transform, Loading Data

(ETL) Menurut Rainardi (2008), ETL adalah

suatu proses mengambil dan mengirim data


10

dari sumber data ke data warehouse. Dalam proses pengambilan data, data harus bersih agar didapat kualitas data yang baik. Contohnya ada nomor telepon yang invalid, ada kode buku yang tidak eksis lagi, ada beberapa data yang null, dan lain sebagainya. Pendekatan tradisional pada proses ETL mengambil data dari data sumber, meletakkan pada staging area, dan kemudian mentransformasi dan meng-load ke data warehouse f. Dimensionality Modelling Menurut Connolly dan Begg (2010:1227), Dimensionality Modeling adalah sebuah teknik desain logika yang bertujuan untuk menampilkan data dalam bentuk standar, intuitif yang memungkinkan akses cepat. Dimensionality Modeling menggunakan konsep model Entity-Relationship (ER) dengan beberapa batasan penting. Setiap model dimensi terdiri dari satu tabel dengan satu composite primary key yang disebut fact table dan memiliki kumpulan dari tabel yang lebih sederhana yang disebut tabel dimensi (Dimension Table). Tiap tabel dimensi memiliki primary key (non composite) yang akan berkorespondensi tepat satu dengan komponen pada composite key dalam fact table. g. Star Schema Skema ini mengikuti bintang, dimana terdapat satu tabel fakta di pusat bintang dengan beberapa tabel dimensi yang mengelilinginya. Semua tabel dimensi berhubungan langsung dengan tabel fakta. Primary key pada tabel dimensi akan menjadi key pada tabel fakta memiliki kombinasi key dari tabel dimensi. Adapun kelebihan model ini adalah simpel dan mudah dipahami, hasil query juga lebih cepat. Akan tetapi model ini boros dalam tempat penyimpanan. h. Snowflake Model snowflake Schema merupakan perluasan dari star sheme dimana ia juga mempunyai satu atau lebih dimensi. Hanya saja pada snowflake Schema, tabel yang berelasi pada fact table hanya tabel dimensi utama saja, sedangkan tabel yang lain dihubungkan pada tabel dimensi. Model snowflake Schema hampir seperti teknik normalisasi. i. MySQL

Menurut Kadir (2009:2), “MySQL adalah sebuah software open source yang

digunakan untuk membuat sebuah database”. Sistem manajemen database SQL open source yang paling popular. Tujuan utama dari manajemen database MySQL adalah kecepatan dan kinerja. Database server ini “sangat cepat, terpercaya, terukur dan mudah digunakan.”

4. HASIL DAN PEMBAHASAN a. Perolehan data

Tampilan data yang didapat dari UNSIQ Jawa Tengah adalah sebagai berikut :

Gambar 1. data yang didapat dari UNSIQ

Jawa Tengah Berisikan data yang sangat komplek

dan signifikan untuk proses akademik selanjutnya, hanya belum adanya identifikasi yang mudah diterima managerial karena menggunakan kode yang dimengerti oleh bagian informasi sistem saja.

b. Perancangan data mart dengan skema Star Dibuat menjadi 1 tabel fact dan 6 tabel dimensi

Gambar 2. Skema star PMB


11

c. Perancangan dengan Snowflake Dengan 8 tabel dimensi dan 2 tabel fact

yang telah dinormalisasi.

Gambar 2. Snowflake skema PMB

d. Pengujian Pengujian penelitian ini memiliki beberapa parameter yang diujiakan antara lain 1. Block Size

disebut catatan fisik, adalah urutan byte atau bit, biasanya berisi sejumlah seluruh catatan, memiliki panjang maksimum, ukuran blok. Ini menunjukkan ukuran tabel di sql dari tiap skema yang diujikan guna pembandingan

2. Average Row lenght Panjang rata-rata baris pemanggilan perintah query.

3. Respontime Waktu pemanggilan tiap pengujian skenario pelaporan, didapatkan dengan query yang berbeda guna membandingkan waktu tercepat dan efisien dalam pemanggilan data.

4. Cputime Dalam kata lain adalah waktu proses, artinya waktuyang digunakan unit pemrosesan pusat untuk memproses perintah dari program atau system operasi.

e. Block Size Select @@query_alloc_block_size

Skema awal hasil yang didapatkan sama yaitu berupa angka 8192 dengan eksekusi waktu pemanggilanadalah 0.0370 detik, pada skema star adalah 0.0010 detik,sedangkan Snowflakedengan waktu pemanggilan 0.0020 detik. Sehingga Star lebih mendominasi keunggulannya. Sedangkan untuk Sedangkan size tiap tabel didapatkan dengan query yang sam hanya berbeda di nama skema dan dihasilkan size

tiap skema. Skema awal didapatkan 97 kolom yang membuat size lebih banyak dibutuhkan yaitu 9.05 MB dengan waaktu eksekusi yang lama. Star skema SELECT table_name "NamaTable", table_rows "Jumlah Record", round(((data_length + index_length)/1024/1024),2) "TableSize (MB)" FROM information_schema.TABLES WHERE table_schema = "star"

Tabel 1. size tabel star skema

Nama Table Jumlah Record Table Size

(MB) dim_asaldaerah 1271 0.09 dim_asalsekolah 2791 0.2 dim_beasiswa 9 0.02 dim_calonmhiswa 9213 0.5 dim_gelombang 3 0.02 fact_pmb 8987 2.25

Total 22274 3.08 Menampilkan baris 0 - 5 (total 6, Pencarian

dilakukan dalam 0.0020 detik.) Size snowflake skema

SELECT table_name "NamaTable", table_rows "Jumlah Record", round(((data_length + index_length)/1024/1024),2)"Table Size (MB)" FROM information_schema.TABLES WHERE table_schema = "snowflake"

Tabel 2. size tabel snowflake skema

NamaTable Jumlah Record Table Size (MB)

dim_agama 0 0.02

dim_asaldaerah 1271 0.13 dim_beasiswa 9 0.02 dim_gelombang 3 0.02 dim_jenissekolah 9 0.02 dim_kabupaten 183 0.02 dim_namasekolah 2791 0.25 dim_pekayah 56 0.02 dim_pekibu 32 0.02

fact_calonmhiswa 9018 2.06

fact_pmb 8970 2.14 Total 22342 4.72

Menampilkan baris 0 - 10 (total 11, Pencarian dilakukan dalam 0.0030 detik.). Dilihat dari performa Block Size, didapatkan star skema dengan size 3.08 MB sedangkan Snoflake lebih banyak membutuhkan Size dengan angka 4.72MB. f. Skenario Pengujian Dari data Penerimaan dibutuhkan data pendaftar lengkap, yang menyebutkan alamat, asal sekolah, agama, jurusan sekolah, tahun lulus, pekerjaan orangtua, guna merencakan strategi pemasaran Kampus


12

Universitas Sains al-Qur’an Jawa Tengah di Wonosobo untuk mengetahui biodata komplit tiap calon mahasiswa. Dengan skenario tersebut didapatkan query pemanggilan tiap skema sebagai berikut :

Tabel 3. Query Pemanggilan Tiap Skema Ket star Snowflake Data

pendaftar

keseluruhan

SELECT fp.tgl_daftar, fp.nodaftar, dc.nmmhs, da.Nama_Sekolah, dd.Kecamatan, dd.Kabupaten, db.nama_beasiswa, dc.id_agama, dc.Id_pekayah, dc.Id_pekibu, fp.jur, fp.jur2, fp.Thluluslta FROM fact_pmb as fp JOIN dim_calonmhiswa as dc ON fp.nodaftar=dc.nodaftar JOIN dim_asalsekolah as da ON fp.AsalSekolah=da.Asalsekolah JOIN dim_asaldaerah as dd ON fp.id_kec=dd.id_kec JOIN dim_beasiswa as db ON fp.id_beasiswa=db.id_beasiswa ORDER BY fp.tgl_daftar DESC

SELECT fp.tgl_daftar, fp.id_gel, fp.nodaftar, fc.nmmhs, dn.Nama_Sekolah, dd.Kecamatan, dk.Kabupaten, db.nama_beasiswa, da.Agama, dp.PekerjaanAyah, di.PekerjaanIbu, fp.jur, fp.jur2, fp.jurusanslta, fp.Thluluslta FROM `fact_pmb` as fp JOIN fact_calonmhiswa as fc ON fp.nodaftar=fc.nodaftar JOIN dim_namasekolah as dn ON fp.AsalSekolah=dn.id_sekolah JOIN dim_asaldaerah as dd ON fp.id_kec=dd.id_kec LEFT JOIN dim_kabupaten as dk ON dd.Kabupaten=dk.id_kabupaten JOIN dim_beasiswa as db ON fp.id_beasiswa=db.id_beasiswa LEFT JOIN dim_agama as da ON fc.id_agama=da.Id_Agama LEFT JOIN dim_pekayah as dp ON fc.Id_pekayah=dp.id_PekAyah LEFT JOIN dim_pekibu as di ON fc.Id_pekibu=di.id_PekIbu ORDER BY fp.tgl_daftar DESC

ARL 443 704 Respontime 0.0001 sec 0.0002 sec

Dari hasil pengujian skema star lebih bagus, karena menunjukkan Eksekusi baris lebih sedikit dan eksekusi waktu pemanggilan 50% dibawah Snowflake skema. Data Penerimaan Mahasiswa baru, diperlukan menampilkan data calon mahasiswa yang berasal dari sekolah mana, guna merencakan strategi pemasaran Kampus Universitas Sains al-Qur’an Jawa Tengah di Wonosobo untuk mengadakan kerjasama ataupun meet and greet kampus. Dengan skenario tersebut

didapatkan query pemanggilan tiap skema sebagai berikut :

Tabel 4. Query Pemanggilan Tiap Skema Ket Star Snowflake

Jumlah Pendaftar berdasarkan nama sekolah

SELECTdn.Nama_Sekolah, count(*) as Jumlah_Pendaftar FROM `fact_pmb` as fb JOIN dim_asalsekolah as dn ON fb.AsalSekolah=dn.Asalsekolah GROUP BY fb.AsalSekolah ORDER BY Jumlah_Pendaftar DESC

SELECT dn.Nama_Sekolah, count(*) as Jumlah_Pendaftar FROM `fact_pmb` as fb JOIN dim_namasekolah as dn ON fb.AsalSekolah=dn.id_sekolah GROUP BY fb.AsalSekolah ORDERBY Jumlah_Pendaftar DESC

ARL 189 188 Respontime

0.0001 sec 0.0001 sec

Hasil Ditemukan 2739 sekolah

Ditemukan 1830

Dari hasil pengujian skema Snowflake lebih bagus dikarenakan eksekusi waktu pemanggilan sama, tetapi Eksekusi baris lebih sedikit dan hasil yang didapatkan juga lebih sedikit. Ini dikarenakan di star skema masih terdapat redudancy data, sedangkan di Snowflake sudah dinormalisasi. Pengujian query pemanggilan daftar 10 Kabupaten teratas yang menyumbang calon mahasiswa Unsiq Jawa Tengah di Wonosobo, dengan asumsi akan dijadikan patokan papan reklame guna promosi Penerimaan Mahasiswa Baru. Dengan permintaan yang tertera, maka query yang digunakan adalah sebagai berikut:

Tabel 5. Query Yang Digunakan Ket Star Snowflake Query SELECT

asal.Kabupaten, count(nodaftar) as Jumlah_pendaftar FROM fact_pmb AS fp JOIN dim_asaldaerah AS asal ON fp.id_kec=asal.id_kec GROUP BY asal.Kabupaten ORDER BY Jumlah_pendaftar DESC LIMIT 10

SELECT kab.Kabupaten, count(nodaftar) as Jumlah_pendaftar FROM fact_pmb AS fp JOIN dim_asaldaerah AS asal ON fp.id_kec=asal.id_kec LEFT JOI N dim_kabupaten AS kab ON asal.Kabupaten=kab.id_kabupaten GROUP BY asal.Kabupaten ORDER BY Jumlah_pendaftar DESC LIMIT 10


13

ARL 195 260 Respontime

0.0220 sec 0.0167

Dari hasil pengujian Star lebih bagus dalam row Length, namun tertinggal dengan waktu eksekusi yang lebih lama yaitu 0.0220 second. Dari hasil skenario pemanggilan query didapatkan hasil pengujian dengan eksekusi baris ditunjukkan tabel sebagai berikut :

Tabel 6. Hasil Pengujian Dengan Eksekusi Baris

Skenario

Eksekusi baris

star snowflake calon mahasiswa yang berasal dari sekolah mana 186 185

Data lengkap Calon Mahasiswa 443 704

Daftar Penerima BeassiwaTahfidz 325 326

10 Kabupaten terbanyak 195 261

Star skema lebih memiliki eksekusi baris yang cenderung lebih sedikit dalam pemanggilan tiap skenario query. Dari hasil skenario pemanggilan query didapatkan hasil pengujian dengan eksekusi waktu ditunjukkan tabel sebagai berikut :

Tabel 7. Hasil Pengujian Dengan Eksekusi Waktu

Skenario Pengujian Star snowflake calon mahasiswa yang berasal dari sekolah mana 0.0001 0.0001

Data lengkap Calon Mahasiswa 0.0001 0.0002

Daftar Penerima BeassiwaTahfidz 0.0060 0.0067

10 Kabupaten terbanyak 0.0022 0.0167

Dan ditampilkan dengan grafik yang semakin meningkat pada Snowflake Skema, sehingga Star lebih memerlukan waktu eksekusi yang lebihpendek. g. Cpu Time Dengan dasar query tersebut diatas dilakukan juga denga Cpu yang berbeda digunakan untuk melihat sejauhmana hasil pengujian time yang dihasilkan akan berbeda. Dengan Ini artinya waktu yang dibutuhkan dalam perbandingan skema pengujian juga akan berbeda. Maka dalam pengujian digunakan cpu yang berbeda, spek cpu yang

digunakan dalam perbandingan adalah sebagai berikut :

Cpu 1 Cpu 2 Window 7 Win 10 Intel (R) Core ™ 2 CPU T 5500 @ 1,666 GHz

Intel core ™ CPU @ 1.90 GHz

Ram 2,50 GB 6 GB 32 bit 64 bit

Tabel 8. Hasil Pengujian

skenario

cpu 1- win 7 cpu 2- win 10

star snowflake star snowflake calon mahasiswa yang berasal dari sekolah mana

0.0001 0.0001 0,0002 0,0003

Data lengkap Calon Mahasiswa

0.0001 0.0002 0.0001 0.0002

Daftar Penerima BeassiwaTahfidz 0.0002 0.0001 0,0130 0,0060

10 Kabupaten terbanyak 0.022 0.0167 0,0060 0,0060

Dari hasil pemanggilan query didapatkan eksekusi waktu yang berbeda pada Cpu yang berbeda. Window 7 lebih cepat dalam eksekusi perintah query dibandingkan dengan window 10. Ditemukan pula waktu yang berbeda dengan scenario yang sama. Ini dikarenakan prosesor atau kinerja Cpu itu tersendiri,sehingga disimpulkan pengujian harus dalam waktu yang hamper bersamaan dan dalam performa cpu yang sama. Hasil pengukuran performa Respontime star skema Window 7 lebih memerlukan waktu eksekusi yang sedikit dibandingkan window 10. Hasil pengukuran performa Respontime Snowflake skema Window 7 lebih memerlukan waktu eksekusi yang sedikit dibandingkan window 10. 5. KESIMPULAN DAN SARAN a. Kesimpulan

Berdasarkan hasil pengujian performa dimensional modeling datawarehouse star skema dan Snowflakedata akademik studi kasus di UNSIQJawa Tengah di Wonosobo, maka penulis menarik kesimpulan sebagai berikut : 1. Skema awal memiliki size sebesar 9.50

MB, dalam pegujianStar skema memiliki kolom yang lebih sedikit, ukuran lebih kecil dan size tabel yang cenderung lebih kecil yaitu 3.08 MB dibandingkan dengan snowflake yang memiliki tabel


14

dimensi turunan dengan size table 4.72 MB, sehingga jika dilihat dari performa Size Star lebih efektif.

2. Block Size yang dihasilkan sama antara star dan snowflake yaitu 8192.

3. Pengujian Query dalam skenario yang berbeda akan mendapatkan hasilyang berbeda pula, skema star lebih memerlukan waktu pemanggilan yang singkat dibandingkansnowflake.

4. Pengujian dasar query yang dilakukan dalam performa Average Row Length lebih sedikit Star dibandingkan dengan Snowflake, terlihat dalam tabel dan grafik, sehingga jika dilihat eksekusi baris Star lebih unggul.

5. Pengujian pada cpu yang berbeda menghasilkan respontimeyang berbeda, hasil yang berbeda juga didapat ketika pemanggilan pada waktu yang berbeda. Dalam penelitian ini Windows 7 lebih memerlukan waktu yang sedikit dibandingkan Window 10.

6. Pengujian starskema dan snowflake dengan melihat dari performa yang diujiakan yaitu Row Lenght, Respontime, Block Size dan cpu time pada penerimaan Mahasiswa baru Unsiq Jawa Tengah di Wonosobo lebih dimenangkan oleh star skema,jika dilihat dari eksekusi baris dan eksekusi waktu pemangilan.

b. Saran Dengan perkembangan sistem

informasi penerimaan Mahasiswa baru Unsiq Jawa Tengah di Wonosobo diharapkan dapat menjadi bahan pertimbangan untuk peneliti atau pengembang sistem selanjutnya, yang diataranya : 1. Penerapan skema sangat diperlukan

dalam penerapan sistem akademik Penerimaan Mahasiswa baru guna strategi pengambilan keputusan dalam promosi maupun pengembangan sistem.

2. Skema Star sesuai diterapkan dalam Data Penerimaan Mahasiswa Baru Unsiq Jawa Tengah khususnya Untuk pengembangan sistem informasi penerimaan siswa baru diharapkan untuk mengembangkan design web agar lebih menarik dari yang telah dibangun.

3. Untuk peneliti selanjutnya diharapkan dapat memberikan rekomendasi skema yang terbaik dalam akademik yang

lainnya. 4. Untuk penelitiam selanjutnya diharapkan

membandingkan lebih dari 2 skema dengan beberapa cpu dalam waktu yang bersamaan.

6. REFERENSI Samudera Dipa Legawa, Ignaitus Joko

Dewanto, Henderi, Ferry Sudarto. 2017. Merancang Data Mart Perancangan Dashboard Penerimaan Mahasiswa Baru Universitas Muhammadiyah Tangerang. Seminar Nasional Multi Disiplin Ilmu. Volume.1,November 2017.

Yaya Sudarya Triana, Anggito Susilo. Aplikasi Data Warehouse Untuk Menunjang Standar 3 Borang Akreditasi Prodi Informatika Universitas Mercu Buana, JurnallmiahFifo,VolumeIX/No.2/November/2017

Mewati Ayub, Tanti Kristanti , Maresha Caroline, Data Warehouse Sebagai Basis Analisis Data Akademik Perguruan Tinggi, Seminar Nasional Teknologi Informasi 2013

Faisal Rahutomo, Cahya Rahmad, Muhammad Bisri Musthafa, Ngatmari. Desain Skema Data Warehouse PDDIKTI sebagai Pendukung Keputusan Perguruan Tinggi Jurnal Inovtek Polbeng-Seri Informatika, VOL. 4, NO. 1, 2019 ISSN : 2527-9866 90

Yetli Oslan dan Harianto Kristanto Proses Etl (Extract Transformation Loading) Data Warehouse Untuk Peningkatan Kinerja Biodata Dalam Menyajikan Profil Mahasiwa Dari Dimensi Asal Sekolah Studi Kasus: Biodata Mahasiswa Ukdw Research Fair Unisri 2019 P- ISSN: 2550-0171 Vol 3, Number 1, Januari 2019 E- ISSN: 2580-5819 528

Sri Wahyuni. Data Warehouse Perguruan Tinggi Dengan Model Snowflake Schema Dan Nine Step Methodology Studi Kasus Stmik Cikarang, Jurnal Informatika SIMANTIK Vol. 3 No. 1 Maret 2018 ISSN: 2541-3244.

Nugroho, Adi. (2004). Konsep Pengembangan Sistem Basis Data. Bandung: Penerbit Informatika.

Ponniah, Paulraj; 2010; “Data Warehousing Fundamentals for IT Professional”, 2nd ed, John Wiley & Sons Inc.


15

Rainer, R.K and Efraim Turban. Introduction to Information System: Enabling and Transforming Business. USA: John & bSons, 2009

Connolly, Thomas and Begg, Carolyn. (2010). Database Systems A Practical Approach to Design, Implementation, and Management Fifth Edition. Boston: Pearson Education.

Kadir, Abdul. Tuntunan Praktis Belajar Database Menggunakan MySQL. Yogyakarta: Andi, 2008.

Paulraj Ponniah . Data Warehousing Fundamentals: A Comprehensive Guide for IT Professionals. Copyright © 2001 John Wiley & Sons, Inc. ISBNs: 0-471-41254-6 (Hardback); 0-471-22162-7 (Electronic)

Jurnal INFORMA Politeknik Indonusa Surakarta P-ISSN : 2442-7942, E-ISSN 2716-5051 Vol. 6 Nomor 1 Juni 2020

16

KAJIAN PUSTAKA TERSTRUKTUR MENGENAI ANALISIS AUDIO MENGGUNAKAN FILTERISASI DENGAN PYTHON

Nadea Cipta Laksmita1), Arief Setyanto 2), Ferry Wahyu Wibowo 3)

1,2,3Universitas Amikom Yogyakarta

1,2,3Gedongkiwo, MJI/887A, Ngringin, Condongcatur, Depok, Sleman [email protected], [email protected], [email protected]

Abstrak

Kemajuan teknologi berkembang sangat pesat saat ini, ini dibuktikan dengan banyaknya

aktifitas manusia yang menggunakan teknologi. Informasi audio sangat penting dalam peningkatan konten digital, sehingga diperlukan metodologi yang secara otomatis menganalisis. Dunia audio pada era digital memang sangat erat kaitannya dengan teknologi, karena audio dapat diubah menjadi sinyal digital sedemikian rupa bagi para pelaku nya, sehingga dalam hal ini dapat memanfaatkan filterisasi dengan Python yang merupakan metode yang lebih cepat, dan lebih efisien yang dapat dimanfaatkan untuk menganalisis dan eksperimen lainnya dalam bidang audio. Python adalah Bahasa pemrograman interpretative multiguna dengan filososfi perancangan yang berfokus pada tingkat keterbacaan kode. Dengan menggunakan Pyaudio yang difungsikan untuk penyajian pustaka Python yang terbuka sebagai prosedur analisis audio yang akan mengarah pada peningkatan praktis perpustakaan. Kajian Pustaka ini digunakan untuk menganalisis filterisasi pada audio yang akan dikembangkan pada musik gamelan dengan filterisasi IIR dan FIR yang menunjukkan bahwa akan menganalisis dan mampu membuat performa audio menjadi maksimal. Kata kunci: filtering, python, pyaudio, analisis, audio 1. PENDAHULUAN

Digital recording mulai menggantikan sistem analog recording dalam proses audio recording sebelum tahun 1976, semua musik direkam menggunakan analog tape recorder, dimana sinyal audio direkam sebagai pola naik dan turun menjadi gelombang sinyal. Dengan menggunakan teknologi pekerjaan dapat diselesaikan dengan waktu yang lebih cepat dan juga menghemat biaya. Informasi audio sangat penting dalam peningkatan konten digital, sehingga diperlukan metodologi yang secara otomatis menganalisis. Dunia audio pada era digital memang sangat erat kaitannya dengan teknologi, karena audio dapat diubah menjadi sinyal digital sedemikian rupa bagi para pelaku. Ketika kita melakukan perekaman sebuah suara, tidak jarang karena sudah banyak sekali aplikasi/software perekaman yang digunakan kemudian menampilkan, menambah hasil atau informasi secara cepat dan instan tanpa mengetahui proses penghitungan pada penambahan atau pengurangan informasi digital suatu audio. Sangat penting mengingat bahwa peningkatan

kualitas digital teknologi yang sangat erat dengan teknis. Filtering digunakan pada perangkat audio untuk membersihkan sinyal suara, agar suara yang terdengar lebih jernih. Kita ketahui bahwa sinyal audio atau suara yang dapat didengar oleh telinga manusia adalah dengan frekuensi 20 Hz sampai dengan 20KHz sehingga frekuensi pada ukuran berapa yang akan didengarkan. Filterisasi dengan digital adalah salah satu yang cukup penting dari sebuah proses sinyal digital, yang digunakan untuk kalkulasi terhadap rentang angka sample dari sinyal digital tersebut. Banyak sekali transformasi sinyal namun filtering digunakan karena dapat bekerja dengan baik pada rentang frekuensi anatara 20 H-20KHz. Perkembangan teknologi ini memiliki manfaat yang sangat besar terlebih bidang audio ini guna menjadikan sebuah parameter baru bagi praktisi audio dengan mengikuti proses pengolahan audio dengan lebih kuantitatif dan menghasilkan audio yang kualitatif. Terdapat 2 jenis filterisasi yang akan digunakan peneliti untuk diterapkan dalam penelitiannya yaitu Finite Impulse Response Filters (FIR) atau respon integral terhadap selang waktu


17

bekerjanya gaya dari penyaringan tak terbatas, dan Infinite Impulse Response Filters (IIR) atau respon integral terhadap selang waktu bekerjanya gaya dari penyaringan terbatas. Dengan filterisasi tersebut akan mengoptimalkan proses penelitian dalam audio menjadi lebih baik. Komputer menjadi peran sangat penting sebagai pusat yang hampir semua berhubungan dengan audio. Baik dalam produksi musik, perekaman di studio atau pencampuran suara secara langsung. Efek audio, plugin dan instrumen virtual diterapkan dengan kode perangkat lunak komputer. Aplikasi musik adalah program yang dijalankan pada komputer juga. Dengan demikian semua alat ini dibuat dengan menggunakan program komputer. Informasi audio memainkan peran yang agak penting dalam peningkatan konten digital yang tersedia pada saat ini, menghasilkan kebutuhan akan metologi yang secara otomatis menganalisis konten tersebut. Python adalah Bahasa pemrograman open source yang berjalan di banyak platform termasuk Linux,Mac OS X dan Windows. Secara luas digunakan dan dikembangkan secara aktif dan memiliki beragam kode perpustakaan dan alat pengembangan, dan yang akan terintegrasi dengan baik dengan banyak bahasa pemrograman lain, dan aplikasi musik. Pyaudio adalah pustaka Python open source yang menyediakan berbagai prosedur analisis audio seperti ekstraksi fitur, klasifikasi sinyal audio, segmentasi yang diawasi dan tanpa pengawasan dan visualisasi konten. Pyaudio telah digunakan dalam beberapa aplikasi peneltian analisis audio seperti fungsi rumah pintar melalui deteksi peristiwa audio, pengenalan emosi ucapan, klasifikasi depresi berdasarkan fitur audio-visual, segmentasi musik, rekomendasi film berbasis konten multimoda dan aplikasi kesehatan (misalnya memantau makan kebiasaan). Umpan balik yang disediakan dari semua aplikasi audio khusus ini telah mengarah pada peningkatan praktis perpustakaan. Penulis menggunakan alat ini untuk penelitiannya audio pada perekaman langsung musik gamelan. Paper ini ditulis agar memberikan referensi atau wawasan terhadap peneliti terhadap penggunaan filterisasi FIR dan IIR yang diterapkan menggunakan Python sebagai Analisa terhadap audio. Ada beberapa saat ini model filterisasi yang digunakan untuk

menganalisa audio yang sering diterapkan pada file musik, dengan harapansetelah mendapatkan wawasan tentang penggunaan filterisasi pada Python. Peneliti dapat mengetahui hasil analisa dari filerisasi dengan emnggunakan Python dan mampu mengembangkannya, sehingga akan sangat bermanfaat untuk pelaku peneliti bidang audio. 2. METODE PENELITIAN

Metode penelitan yang ditetapkan ini disusun sesuai dengan kajian yang dilakukan pada saat pelaksanaan penelitian akan berjalan dengan baik. a. Alur Pengkajian Pustaka

Alur pengkjian pustaka dilakukan agar dalam melakukan penelitian dapat memperleh hasil yang baik. Karena penelitian sebeleumnya telah mendapat respon ketika diterbitkan. Terlebih pada analisis audio ini, semua harus dilakukan dengan sesuai.

Gambar 1. Alur Pengkajian Pustaka b. Metode Penelitian

Klasifikasi mungkin merupakan masalah terpenting dalam aplikasi pembelajaran mesin. Ini merujuk pada tugas mengklasifikasikan sampel yang tidak diketahui (dalam kasus sinyal audio kami) ke sekumpulan kelas yang telah ditentukan, menurut beberapa model yang diawasi yang terlatih. Perpustakaan menyediakan fungsionalitas untuk pelatihan model yang dilindungi yang mengklasifikasikan baik segmen atau seluruh rekaman audio. Mesin vektor pendukung dan pengklasifikasi k-Nearest Neighbor telah diadopsi untuk tujuan ini. Selain itu, prosedur validasi silang disediakan untuk mengekstrak pengklasifikasi dengan parameter yang dioptimalkan. Secara khusus, tingkat presisi dan perolehan, bersama dengan ukuran F1 diekstraksi per kelas audio. Pemilihan parameter dilakukan berdasarkan pengukuran F1 rata-rata terbaik.Fungsi pembungkus tingkat tinggi disediakan sehingga proses ekstraksi fitur juga tertanam dalam prosedur klasifikasi. Dengan cara ini, pengguna dapat secara langsung mengklasifikasikan file audio yang tidak


18

dikenal atau bahkan grup file audio yang disimpan di jalur tertentu.


Filter digital merupakan algoritma matematika yang diimplementasikan dalam bentuk hardware atau software yang beroperasi pada sinyal input digital menghasilkan output berupa sinyal output digital untuk mencapai sasaran pemfilteran. Filter digital memiliki banyak keunggulan untuk beberapa aplikasi (seperti data compressing, biomedical signal processing, speech processing, image proceesing, data transmission, digital audio) dikarenakan filter digital dapat mempunyai karakteristik yang tidak mungkin dimiliki oleh filter analog yaitu linier phase response yang sempurna. 3. TINJAUAN PUSTAKA

Analisis audio dengan filterisasi khususnya pada musik gamelan membutuhkan data audio format .wav karena data tersebut belm terjadi suatu perubahan yang besar dan utuh serta optimal ketika dilakukan sebuah penambahan informasi berupa filterisasi. Data audio gamelan diambil dari perekaman secara langsung yang tidak banyak orang memiliki file tersebut guna dijadikan bahan penelitian.

Penelitian ini dipusatkan pada kajian pustka dari berbagai penelitian yang sebelumnya berhubungan dengan topik serupa yang akan diteliti yaitu filterisasi audio. Tujuan dari dilakukan penelitian ini adalah agar mengetahui pengembangan metode filterisasi yang proper untuk menganalisis audio secara efktif dan efisien serta yang terkandung dari hasil penelitian adalah pengembangan dari metodenya. Kajian pustaka inimeliputi pengumpulan bahan/data, penerapan metode filterisasi, pengembangan metode yang diambil, lalu hasil dari penelitian

sebelumnya. Setelahnya peneliti akan melakukan pembahasan secara mendalam pada penelitian sebelumnya yang sudah dikaji. Ini akan bermanfaat bagi peneliti pada bidang audio yang akan melakukan analisis.Dalam analisis derau sangat banyak jenisnya , salah satunya yang digunakan adalah thermal noise berhubungan dengan perpindahan elektron yang cepat dan acak dalam alat konduktor akibat digitasi thermal membuktikan bahwa kekuatan thermal noise proporsional dengan bandwidth dan temperatur absolut. N =KTB Keterangan: N=kekuatan noise (noise power) K=Boltzmann’s proportionality constant (1.38 × 10-23 joules per Kelvin) T=Temperatur absolute B=bandwidth 4. HASIL DAN PEMBAHASAN Dalam audio perancangan filter FIR dengan fungsi window yang mengubah nilai variabel. Perbandingan yang diambil adalah window Hamming dan Kaiser yang digunakan untuk mengolah sinyal digital. Hasilnya memiliki respons fase linier yang bagus untuk menentukan krteria paling penting untuk filter FIR tersebut dapat disesuaikan dengan mengubah nilai suatu variabel. Dalam makalah ini kami telah menyajikan pyAudioAnalysis, pustaka Python open-source yang mengimplementasikan berbagai fungsi analisis audio dan dapat digunakan di beberapa aplikasi. Dengan menggunakan pyAudioAnalysis, seseorang dapat mengklasifikasikan segmen audio yang tidak diketahui menjadi sekumpulan kelas yang telah ditentukan, mengelompokkan rekaman audio dan mengklasifikasikan segmen yang homogen, menghapus area hening dari rekaman ucapan, memperkirakan emosi segmen ucapan, mengekstrak thumbnail audio dari trek musik, dll. Wrappers tingkat tinggi dan penggunaan baris perintah juga disediakan sehingga non-programmer dapat mencapai fungsionalitas penuh. Rentang fungsi analisis audio yang diterapkan di perpustakaan mencakup sebagian besar spektrum analisis audio umum: klasifikasi, regresi, segmentasi, deteksi perubahan, pengelompokan dan visualisasi melalui pengurangan dimensi. Oleh karena itu pyAudio dapat digunakan sebagai dasar untuk


19

sebagian besar aplikasi analisis audio umum. PyAudio terus ditingkatkan dan komponen baru akan ditambahkan dalam waktu dekat. Secara khusus, arahan utama yang sedang berlangsung adalah: (a) implementasi fungsi sidik jari audio yang akan diadopsi dalam konteks sistem pengambilan audio (b) mengoptimalkan semua fungsi ekstraksi fitur dengan mempercepat fungsi-fungsi kritis menggunakan paralelisasi GPU NVIDIA melalui pemrograman Cuda. Filter digital adalah wajib bagi pemrosesan sinyal digital. Hal ini disajikan filter digital yang menghilangkan sinyal atau kebisingan yang tidak diinginkan dari sinyal yang dperlukan dan meningkatkan kinerja sinyal yang lebih baik. Diberikan parameter dari filter IIR untuk mencapai hasil yang diinginnkan. Dengan perangkat lunak MATLAB FDA yang digunakan sebagai pencarian berbagai respons filter digital, sehingga akan mengerti parameter analisis respons fase, respons langkah dan impuls daripada filter tersebut. Beberapa sinyal audio yang dipilih digunakan untuk mengamati respons empiris dari high pass, low pass, band stop filter dan band pass filter. Namun implementasi langsng dari respons ruang umumnya tidak praktis karena kompleksitas dinamika sistem yang ekstream. Sehingga dilakukan sebuah implementasiteknik IRR filter yang disintesis dengan sub-band, sehingga terbukti efektif dalam memeberikan reproduksi kualitas gema pada ruangan. Filter adalah jaringan yang memproses sinyal dengan cara bergantung pada frekuensi. Filter menyaring dan menghilangkan noise dari audio, dan dalam penelitian ini penulis juga mengikuti metode deskriptif analitik. Filter yang digunaka adalah low pass filter dengan pengambilan sampel audio berformat .wav yang melakukan operasi penyaringan dengan perhitungan persamaan perbedaan. Persamaan koefisien dan fungsi sebagai low pass diberikan agar optimal dalam pengunaannya.

Tabel 1. Perbandingan Proses Tinjauan Refere

nsi Paper

Tujuan Paper Kesimpulan Saran atau Kelemahan

1. Perancangan filter FIR dengan wndow baru,karena dapat mengubah nilai

Dari keseluruhan penelitian dapat disimpulkan bahwa jendela

FIR filter hanya dapat memungkinkan untuk method

variabel, dan dapat disesuaikan. FIR merupakan filter digital dengan cara windowing, fungsi dua parameter yang dapat disesuaikan sesuai dengan kebutuhan sehingga dapat dihasilkan suatu analisis dari sinyal digital.

yang diusulkan cukup efisien di atas window hamming & Kaiser, di mana rasio roll-off sisi-lobus untuk jendela yang diusulkan adalah 24,65dB sedangkan jendela hamming & Kaiser masing-masing memiliki 5,74dB, 18,87dB. Selain dalam kasus filter FIR, menggunakan jendela yang diusulkan, memiliki rasio roll-off sisi-lobus 24,78dB di mana untuk hamming dan jendela Kaiser masing-masing 5,71dB & 18,76 dB yang menyiratkan bahwa jendela yang diusulkan lebih efisien daripada hamming dan Kaiser jendela. Selain itu, dari keseluruhan penelitian, dipahami bahwa jendela yang diusulkan memiliki respons fase linier yang baik, yang merupakan salah satu kriteria paling penting untuk filter FIR & jendela tersebut dapat disesuaikan dengan mengubah nilai suatu variabel.

window, untuk frekuensi sampling saja, lalu filter hanya memiliki durasi respons impuls yang terbatas. Sehingga filter yang diusulkan lebih efisien daripada Hamming dan Kaiser. Tidak dispesifikasikan media dan format yang akan dilakukan filterisasi apa.

2. Dalam makalah bertujuan untuk menyajikan filter digital yang dapat menghilangkan sinyal atau kebisingan yang tidak diinginkan

Dalam tulisan ini, parameter desain yang berbeda telah dipertimbangkan untuk filter IIR Butterworth untuk menganalisis kinerja filter. Empat kategori

Sinyal Audio yang mengalami filterisasi tidak semuanya akan menjadi sinyal yang lebih baik, dikarenaka


20

untuk meningkatkan kinerja sinyal digital yang lebih baik dari sebelumnya. Dengan Matlab, diberikan sebuah parameter yang dirancang berbeda dari filter IIR untuk mencapai hasil yang diinginkan.

filter seperti high pass, low pass, band stop dan band pass filter telah digunakan untuk filter IIR Butterworth. Untuk menganalisis kinerja, alat MATLAB FDA telah digunakan. Untuk mensimulasikan hasil dalam alat FDA, pesanan yang berbeda seperti pesanan 400, 600, pesanan 800, pesanan 1000 dan pesanan 1500 telah dipertimbangkan. Dari kinerja orde yang berbeda, telah dianalisis bahwa output yang lebih baik dapat ditemukan dari orde yang lebih tinggi. Itu berarti, hasil yang lebih baik telah ditemukan dari pesanan 1500 membandingkan pesanan 1000, 800, 600 dan pesanan 400. Sinyal audio yang dipilih yang melewati filter yang berbeda dapat memberikan output yang lebih baik dalam filter low pass daripada filter lainnya. Alat MATLAB GUIDE digunakan untuk menganalisis kinerja filter digital dalam hal sinyal audio

n kebutuhan setiap sinyal yang akan dirancang berbeda-beda. Kita hanya bisa menganalisis sinyal ketika dilakukan filtering. Filter IIR sulit dikendalikan dan tidak memiliki fase tertentu, juga memiliki siklus terbatas. Filtr IIR berasal dari analog. IIR tidak terbatas dan digunakan untuk aplikasi dimana karakteristik linier tidak menjadi acuan.

3. Aplikasi perangkat lunak untuk Pemrosesan Sinyal Digital diimplementasikan dengan

Sinyal audio untuk menjadi invarian, nonlinier dan dalam sinyal homogen memiliki

Hanya digunakan data mp3 sebagai inputan, seharusnya untuk

perangkat MyDAQ; dalam aplikasi yang dirancang, sinyal audio dari File MP3 digunakan sebagai data input. Alat perangkat lunak berbasis Labview GUI dikembangkan untuk porpoise ini untuk memvisualisasikan respons spektrum frekuensi. Dua filter khusus sebagai Respons Impuls Tak Terbatas (FIR) atau (IIR) Infinite Impulse Response diimplementasikan dan dibandingkan. Prosedur dan simulasi dirancang dalam Matlab untuk memahami proses yang dilakukan oleh Digital Signal Processor (MyDSP) dari Instrumen Nasional sebagai studi kasus dalam kegiatan pendidikan.

kekhasan yang sulit untuk dikarakterisasi, saat ini karena kemajuan perangkat elektronik baru seperti MyDSP dan lingkungan pengembangan Labview dapat membuat segala jenis sinyal perawatan menggunakan algoritma sederhana. Pekerjaan ini dapat dengan mudah diimplementasikan (menggunakan wizard) secara luas algoritma matematika untuk memindai, memproses dan memproses sinyal audio menjadi sinyal digital dan untuk parameterisasi sinyal audio secara real time. Matlab sangat penting dalam desain semua jenis sistem filter, dengan itu dapat dirancang dan disimulasikan semua jenis filter digital dengan implementasi sederhana dan alat yang sama. Di sini transformasi Fourier cepat dikembangkan karena biaya komputasinya lebih rendah. Untuk implementasi koefisien filter FIR hasil dalam simulasi di Matlab diambil, MyDSP dapat menangani dari 2 hingga 600 koefisien FIR dan ke urutan kesepuluh. Labview GUI fleksibel untuk pemrograman

inputan audio yang lebih proper untuk dijadikan bahan analisis adalah waveform karena tingkat fleksibelitas dan sample rate nya tinggi untuk dilakukan sebuah penyaringan


21

filter digital dan melakukan misalnya Fast Fourier Transform, ini dapat ditulis dalam bahasa grafis. Matlab adalah alat yang sangat baik untuk mensimulasikan algoritma dan model pengujian untuk mendapatkan koefisien yang diperlukan untuk implementasi filter FIR dan IIR. Filter FIR dapat menyimpulkan bahwa jenis filter ini meningkatkan jumlah koefisien dan secara signifikan meningkatkan pita respons filter. Ketika sinyal bising dianalisis, proses penyaringan melemahkan sinyal dan komponen kebisingan lainnya dihilangkan.

4. Dalam penelitian ini, sistem surround sound baru yang dioperasikan oleh papan DSP dikembangkan. Selain woofer (s) dan tweeter (s), sistem audio telah ditingkatkan dengan menambahkan speaker tambahan untuk menangani frekuensi menengah dengan merancang filter band-pass tertentu untuk memproses mid-range-nya. Sementara itu,

Dalam penelitian ini, sistem suara canggih yang dioperasikan oleh papan DSP dengan 3 jenis filter - low-pass, band-pass dan high-pass filter - dikembangkan. Sistem ini terdiri dari tiga amplifier audio berkualitas tinggi, dua papan DSP, dan tiga set speaker. Sistem ini dapat menghasilkan kualitas suara yang baik dalam rentang frekuensi yang berbeda. Papan

Dalam era modern seperti ini akan sangat bagus jika dibuat penyaringan versi digital di mana penerapannya akan sangat dinamis

tiga amplifier audio dibangun untuk menggerakkan woofer (frekuensi rendah), speaker frekuensi menengah, dan tweeter (frekuensi tinggi). Penguat audio praktis juga dibuat dengan penguatan moderat untuk memberi daya pada speaker, di mana sirkuit amplifikasi dimodifikasi menggunakan lembar data chip audio IC LM386. Tiga jenis filter, yang low-pass, band-pass dan high-pass, juga dirancang menggunakan algoritma pertukaran Remez oleh MATLAB. Kemudian, koefisien filter yang diperoleh dimuat ke dalam dua papan DSP (TMS320C6713) untuk memproses sinyal suara dalam rentang frekuensi audio penuh. Akhirnya, data audio yang diproses ditingkatkan oleh amplifier audio yang cukup kuat untuk memberi daya pada tiga set speaker: bass, mid-range, dan tweeter. Selain mengembangkan dan menguji sistem, metodologi dan desain penelitian dirangkum dan perbaikan di masa depan dibahas.

DSP karena itu berhasil digunakan dalam penyaringan audio dan terbukti menawarkan kualitas suara yang tinggi. Peningkatan di masa depan termasuk membuat amplifier yang lebih kuat, lebih banyak saluran suara, dan memberikan efek surround.


22

5. KESIMPULAN DAN SARAN Dalam makalah ini kami telah

menyajikan pyAudioAnalysis, pustaka Python open-source yang mengimplementasikan berbagai fungsi analisis audio dan dapat digunakan di beberapa aplikasi. Dengan menggunakan pyAudioAnalysis, seseorang dapat mengklasifikasikan segmen audio yang tidak diketahui menjadi sekumpulan kelas yang telah ditentukan, mengelompokkan rekaman audio dan mengklasifikasikan segmen yang homogen, menghapus area hening dari rekaman ucapan, memperkirakan emosi segmen ucapan, mengekstrak thumbnail audio dari trek musik, dll. Wrappers tingkat tinggi dan penggunaan baris perintah juga disediakan sehingga non-programmer dapat mencapai fungsionalitas penuh. Rentang fungsi analisis audio yang diterapkan di perpustakaan mencakup sebagian besar spektrum analisis audio umum: klasifikasi, regresi, segmentasi, deteksi perubahan, pengelompokan dan visualisasi melalui pengurangan dimensi. Oleh karena itu pyAudio dapat digunakan sebagai dasar untuk sebagian besar aplikasi analisis audio umum. PyAudio terus ditingkatkan dan komponen baru akan ditambahkan dalam waktu dekat. Secara khusus, arahan utama yang sedang berlangsung adalah: (a) implementasi fungsi sidik jari audio yang akan diadopsi dalam konteks sistem pengambilan audio (b) mengoptimalkan semua fungsi ekstraksi fitur dengan mempercepat fungsi-fungsi kritis menggunakan paralelisasi GPU NVIDIA melalui pemrograman Cuda 6. REFERENSI Mclughlin, I., 2009. Applied Speech and Audio

Processing: with Matlab Examples . Cambrid: University Press.

Giannakopoulos, T., 2014. Introduction to Audio Analysis: a MATLAB. Academic Press.

Tarr, E., 2018. Hack Audio: an Introduction to Computer Programmung and Digital Signal Processing in MATLAB, Routledge.

Bai, M. R., Ou, K. Y., & Zeung, P., 2009. Multirate synthesis of reverberators using subband filtering. Journal of sound and vibration, 321(3-5), 1090-1108.

Dornean, I., Topa, M., Kirei, B. S., & Neag, M., 2009. Sub-band adaptive filtering for acoustic echo cancellation. In 2009

European Conference on Circuit Theory and Design (pp. 810-813). IEEE.

Jiang, J., 2018. Audio processing with channel filtering using DSP techniques. In 2018 IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC) (pp. 545-550). IEEE.

Meiniar, W., Afrida, F. A., Irmasari, A., Mukti, A., & Astharini, D., 2017. Human voice filtering with band-stop filter design in MATLAB. In 2017 International Conference on Broadband Communication, Wireless Sensors and Powering (BCWSP) (pp. 1-4). IEEE.

Salih, A. O. M., 2017. Audio Noise Reduction Using Low Pass Filters. Open Access Library Journal, 4(11), 1-7.

Serrezuela, R. R., Chavarro, A. F., Cardozo, M. A. T., Caicedo, A. G. R., & Cabrera, C. A., 2017. Audio signals processing with digital filters implementation using MyDSP. ARPN Journal of Engineering and Applied Sciences, 12(16), 4848-4853.

Shil, M., Rakshit, H., & Ullah, H., 2017. An adjustable window function to design an FIR filter. In 2017 IEEE International Conference on Imaging, Vision & Pattern Recognition (icIVPR) (pp. 1-5). IEEE.

Sutradhar, S. R., Sayadat, N., Rahman, A., Munira, S., Haque, A. F., & SAKIB, S. N., 2017. IIR based digital filter design and performance analysis. In 2017 2nd International Conference on Telecommunication and Networks (TEL-NET) (pp. 1-6). IEEE.


23

AKUISISI BARANG BUKTI DIGITAL PADA SMART CCTV MENGGUNAKAN STANDARISASI ACPO DAN SNI ISO/IEC 27037:2014

Faulinda Ely Nastiti1, Nindya Dwi Anggana2, Heri Gunawan3, Uning Kristiana4

1Universitas Duta Bangsa Surakarta, 2,3,4Universitas Jenderal Achmad Yani Yogyakarta 1Jl. Bhayangkara no 55, Tipes, Serengan Surakarta

2,3,4Jl. Siliwangi, Ringroad Barat, Sleman, Yogyakarta Email : [email protected]

Abstrak

Pesatnya perkembangan yang semakin mempermudah akses internet perlu diwaspadai.

Penyalahgunaan hak akses internet untuk keuntungan pribadi maupun merugikan orang lain termasuk kejahatan berbasis komputer. Kejahatan digital yang lebih biasa dikenal dengan Cybercrime sebagai bentuk dari aktivitas kejahatan yang menggunakan komputer atau jaringan komputer sebagai alat maupun tempat terjadinya kejahatan. Pada akhir 2016, terdata 400 juta Internet of things telah terkoneksi dengan ponsel dan jumlah tersebut diproyeksikan mencapai 1,5 miliar perangkat pada 2022 atau sekitar 70 persen dari kategori wide-area . Dalam bidang forensik, IoT sudah mulai banyak dimanfaatkan untuk membantu penyelidikan sebuah kasus kejahatan. Terdapat tiga ancaman keamanan pada IoT, yaitu keamanan fisik bagian sensor dan RFID dari intereferensi, operasi pada berbagai elemen yang harus dapat menjamin bahwa sensor dan sistem transmisi dan pengolah data tidak boleh di rusak, dicuri maupun dipalsukan. Smart CCTV yang merupakan bagian dari IoT sehingga dapat dikendalikan dari jarak jauh dimanapun dan kapanpun. Dalam penelitian ini kami membangun rumah cerdas sesuai dengan topologi yang kami buat. Peneliiti menggunakan sebuah smart CCTV merk Xiaomi tipe Xiaofang dan aplikasi yang terinstal pada ponsel cerdas yang bersistem operasi android adalah Mi Home. Dalam proses akusisi terdapat akuisisi secara fisik dari media penyimpan yang terpasang pada smart CCTV maupun ponsel cerdas, berupa image. Hasil image telah diverifikasi menggunakan hash untuk menjaga integritas barang bukti digital.

Kata kunci: internet of things, smart cctv, forensik digital, barang bukti digital, kejahatan digital

1. PENDAHULUAN Internet merupakan salah satu alat yang

berguna dalam mempermudah mengakses dan mencari informasi. Dari fasilitas ini membawa dampak positif bagi pengguna internet dengan kegunaannya di berbagai hal (Nurzeni, 2009). Pesatnya perkembangan teknologi dan kemudahan akses intenet merupakan hal positif, namun juga perlu diwaspadai (Asosiasi Penyelenggara Jasa Internet Indonesia & Teknopreneur, 2018). Penyalahgunaan hak akses internet untuk keuntungan pribadi maupun merugikan orang lain termasuk kejahatan berbasis komputer. Kejahatan digital yang lebih biasa dikenal dengan Cybercrime sebagai bentuk dari aktivitas kejahatan yang menggunakan komputer atau jaringan komputer sebagai alat maupun tempat terjadinya kejahatan (Danuri & Suharnawi, 2017). Berdasarkan survey yang dilakukan oleh Numbeo, tingkat

kejahatan yang terjadi di setiap negara berbeda-beda, termasuk di wilayah Asia Tenggara. Indonesia termasuk negara nomor lima yang memiliki sistem keamanan terkuat se-Asia tenggara, dengan peringkat pertama diduduki oleh negara Singapura. Indeks kejahatan yang ada di Indonesia mencapai nilai 46,26; sedangkan untuk indeks keamanannya menunjukkan indeks 53,74. Berdasarkan data tersebut membuktikan bahwa Indonesia belum banyak menerapkan sistem keamanan yang lebih kuat. Alasan Singapura menjadi negara paling aman nomor satu se-Asia Tenggara adalah karena Singapura telah menerapkan pengawasan dengan sistem CCTV di beberapa titik di setiap daerahnya, sehingga dimana kejahatan terjadi, maka akan lebih cepat terdeteksi dan tingkat kejahatan di sana semakin mengecil.

Perkembangan Internet of Things (IoT) memungkinkan hampir semua perangkat


24

dapat dihubungkan ke internet. Pada akhir 2016, terdata 400 juta IoT telah terkoneksi dengan ponsel dan jumlah tersebut diproyeksikan mencapai 1,5 miliar perangkat pada 2022 atau sekitar 70 persen dari kategori wide-area (Delgado, A.R., Picking, R. & Grout, 2006). Diperkirakan sampai dengan tahun 2022, pemanfaatan perangkat IoT meningkat sebesar 21% yang didorong oleh kebutuhan para pengguna, dan datangnya era Society 5.0. Dalam bidang forensik, IoT sudah mulai banyak dimanfaatkan untuk membantu penyelidikan sebuah kasus kejahatan. Terdapat ancaman keamanan pada IoT, yaitu keamanan fisik; kemanan ini befokus pada b sensor dan intereferensi RFID. Seluruh operasi harus menjamin bahwa system transmisi maupun sensor tidak boleh dirusak, dipalsukan, maupun dicuri. (Meutia, 2015). Smart CCTV yang merupakan bagian dari IoT sehingga dapat dikendalikan dari jarak jauh dengan waktu pada saat itu (Prabowo, Budiyanto, Nurcahyani, & Adinandra, 2018). Tujuan pemanfaatan Smart CCTV yaitu membantu dalam mengakses rekaman suatu lokasi dengan media pengakses smartphone bersistem operasi android. Oleh sebab itu jika terjadi suatu tindak kejahatan pada lokasi yang terekam menggunakan Smart CCTV perlu prosedur dan teknik akuisisi barang bukti yang sesuai dengan prosedur dan standar. Pada penelitian ini diusulkan teknik akuisisi barang bukti digital yang terdapat pada sistem Smart CCTV menggunakan standari ACPO dan SNI ISO/IEC 27037:2014.

2. TINJAUAN PUSTAKA Proses CCTV merekam video atau

audio dengan teknik mengirimkan sinyal secara broadcast melalui suatu media kabel maupun nirkabel. Kabel yang digunakan untuk CCTV biasanya menggunakan kabel coaxial atau kabel yang sering digunakan pada TV analog untuk menangkap sinyal broadcast dari antena TV. Sedangkan sinyal nirkabel yang digunakan yaitu frekuensi 2,4 GHz. Didalam CCTV terdapat Motion Detector yang berfungsi sebagai fitur untuk mengurangi beban penyimpanan data. Cara kerja Motion Detector adalah mendeteksi adanya perubahan pixel. Jika terjadi sebuah gerakan, maka kamera CCTV akan menganggap nilai pixelnya berubah dan

akhirnya merekam perubahan tersebut. Hasil rekaman pada CCTV dengan dua metode yaitu Tape adalah media penyimpanan yang paling mudah dan hemat dan metode perekaman melalui Digital Video Recorders (DVR). DVR dibagi menjadi stand-alone DVR yaitu DVR yang mempunyai kamera dan tempat penyimpanan sendiri dan PC-based DVR yang media penyimpanannya disambungkan ke komputer. Dalam kasus persidangan adanya teknologi informasi CCTV dapat memudahkan hakim dalam menyelesaikan suatu perkara (Oliver, 2013).

CCTV adalah alat perekam situasional yang memungkinkan untuk hasilnya disimpan di bawah pengawasan jarak jauh. CCTV telah menjadi pencegahan dan kejahatan penting langkah keamanan. Kamera mengumpulkan gambar, yang ditransfer ke suatu perangkat seperti monitor yang berfungsi untuk diamati, ditinjau maupun disimpan. Sedangkan cara kerja kamera CCTV yaitu mengirimkan sinyal secara tertutup lewat melalui media nirkabel kabel. Ada banyak jenis sistem CCTV dan memiliki kapasitas berbeda untuk memenuhi berbagai tujuan (Gill & Spriggs, 2005).

IoT adalah segala bentuk fisik yang dapat terhubung ke internet dan perangkatnya dimanfaatkan untuk memantau dan mengendalikan sistem mekanis dan elektronik yang digunakan pada berbagai jenis bangunan, seperti industri atau perumahan. Selain itu juga dapat mengendalikan penggunaan energi secara real-time dalam mengurangi konsumsi energi (Davies, 2015).

3. METODE PENELITIAN Metode akuisisi sistem Smart CCTV

pada android berdasarkan standar SNI ISO/IEC 27037:2014. Tujuan utama dari standar ini adalah untuk memastikan keandalan dan kredibilitas bukti digital ketika barang bukti tersebut digunakan dalam kasus-kasus pengadilan dan perselisihan hukum (Buzarovska Lazetik & Koshevaliska, 2013).

Akuisisi sebagian atau partial acquisition harus dicatat semua informasi yang terkait dengan barang bukti digital seperti, informasi direktori, informasi berkas atau informasi terkait sistem terakuisisi. Adapun hal yang diperkenankan akuisisi sebagian jika dalam kondisi: a. Sistem penyimpanan yang terlalu besar

sebagai contoh peladen basis data;


25

b. Sistem tidak boleh mati; c. Data yang tersalin dimungkinkan bukti

digital yang tidak terkait dengan tindak kejahatan;

d. Keterbatasan dengan aturan yang berlaku (Haryadi & Supriyono, 2017).

Dalam tahapan akuisisi yang tercantum di SNI ISO/IEC 27037:2014 diperkenankan melakukan akuisisi secara logikal. Akuisisi secara logikal dilakukan oleh Digital Evidence First Rensponder (DEFR) pada data yang spesifik, direktori atau partisi tertentu. Pada smartphone basis data yang digunakan dalam bentuk SQLite. Untuk smartphone bersistem operasi Android SQLite tersimpan pada direktori /data/data/ (Hariyadi & Huda, 2015).

Dalam penelitian ini mengadopsi ACPO dan Standar Nasional Indonesia (SNI) ISO/IEC 27037:2014 tentang Pedoman Identifikasi, Pengumpulan, Akuisisi dan Preservasi Bukti Digital (Badan Standardisasi Nasional 2014). Gambar 1 menjelaskan prosedur akuisisi yang digunakan dalam penelitian. Adapun penjelasannya sebabagai berikut: a. Persiapan akuisisi merujuk pada

penelitian sebelumnya terkait kerangka akuisisi CCTV menggunakan standar ACPO dan SNI ISO/IEC 27037:2014 (Hariyadi et al., 2018).

b. Melakukan pemeriksaan media penyimpan yang terpasang pada smart CCTV.

c. Melakukan akuisisi secara fisik media penyimpan yang terpasang pada smart CCTV.

d. Melakukan akuisisi secara logikal pada ponsel cerdas. Dalam hal ini, melakukan akuisisi pada aplikasi yang terinstal pada smartphone.

e. Memeriksa ketersediaan media penyimpan eksternal pada ponsel cerdas. Jika memiliki media penyimpan eksternal media dilakukan akuisisi fisik.

f. Jika tidak memungkinkan melakukan akuisisi pada Tempat Kejadian Perkara (TKP) maka dilakukan akuisisi di laboratorium forensik. Adapun barang bukti elektronik yang di akuisisi diantaranya: router, access point, smart CCTV, ponsel cerdas, dan media penyimpan.

Gambar 1. Prosedur Akuisisi

Smart CCTV

Proses akusisi menggunakan metode akuisisi fisikal. Dimana media penyimpanan dengan verifikasi barang bukti baik barang bukti digital, maupun media penggadaannya pun harus sama. Akuisisi Logical akan dilakukan apabila terdapat kondisi kritis, misalnya adalah tidak boleh dimatikannya barangbukti saat proses copy data.

Selaras dengan penelitian Haryadi yang menulis bahwa Proses akuisisi logikal hanya menyalin berkas yang aktif dan artefak lainnya termasuk diantaranya mengakuisisi partisi. (Haryadi & Supriyono, 2017).


26

4. HASIL DAN PEMBAHASAN Topologi secara umum pemasangan

smart CCTV membutuhkan koneksi internet. Smart CCTV tidak membutuhkan DVR atau NVR yang terinstal secara on-promise melainkan berbasis teknologi komputasi awan. Oleh karena itu mengakses rekaman video pada DVR atau NVR menggunakan aplikasi khusus yang dirancang untuk mengakses DVR atau NVR yang berbasis teknologi komputasi awan. Untuk mengaksesnya dapat menggunakan ponsel cerdas. Gambar 2 menunjukkan topologi pemasangan smart CCTV pada sebuah rumah. Dalam hal ini rumah cerdas.

Gambar 2. Topologi Smart CCTV

Berdasarkan topologi smart CCTV

pada rumah cerdas seperti tampak pada Gambar 2 terpasang sebuah smart CCTV merk Xiaomi tipe Xiaofang dan aplikasi yang terinstal pada ponsel cerdas yang bersistem operasi android adalah Mi Home. Berdasarkan prosedur pada Gambar 1 maka barang bukti digital yang didapatkan sebagai berikut:

a. Dua buah image hasil akuisisi secara

fisik dari media penyimpan yang terpasang pada smart CCTV maupun ponsel cerdas. Hasil image telah diverifikasi menggunakan hash untuk menjaga integritas barang bukti digital(Kurniawan, 2014).

b. Hasil akuisisi secara logikal pada ponsel cerdas berupa barang bukti digital yang tersimpan pada direktori /data/data/com.xiaomi.smarthome.

5. KESIMPULAN DAN SARAN a. Kesimpulan

Teknik akuisisi untuk smart cctv menggunakan teknik fisikal dan logikal. Teknik fisikal, membuat image dari media penyimpan (SD Card) yang terpasang di smart

CCTV dan ponsel cerdas. Sedangkan teknik logikal, membuat salinan dari sebuah direktori yang sesuai dengan kaidah forensik digital (Hariyadi & Huda, 2015). Maka menghasilkan tiga barang bukti digital yaitu hasil image SD Card smart CCTV, hasil image SD Card ponsel cerdas, dan kumpulan berkas aplikasi Mi Home. b. Saran

Pada penelitian ini belum melakukan akuisisi dan analisis pada perangkat pendukung seperti router maupun access point. Harapan untuk penelitian berikutnya akuisisi barang bukti lebih difokuskan menggunakan ke perangkat lain yang menghubungkan smartphone dengan smart CCTV serta lebih detail dalam menganalisis barang bukti digital yang tersimpan pada direktori /data/data/com.xiaomi.smarthome. 6. REFERENSI Asosiasi Penyelenggara Jasa Internet

Indonesia, & Teknopreneur. (2018). Penetrasi & Profil Perilaku Pengguna Internet Indonesia 2017. Retrieved from www.apjii.or.id

Buzarovska Lazetik, G., & Koshevaliska, O. (2013). Digital evidence in criminal procedures - A comparative approach. Balkan Social Science Review, 2, 63–82.

Danuri, M., & Suharnawi. (2017). Trend Cyber Crime Dan Teknologi. Infokam, 2(September), 55–64.

Davies, T. (2015). Internet of things. Journal of the Institute of Telecommunications Professionals, 9(4), 38. https://doi.org/10.1109/sccs.2019.8852623

Delgado, A.R., Picking, R. & Grout, V. (2006). Remote-controlled home automation systems with different network technologies. International Network Conference (INC 2006).

Gill, M., & Spriggs, A. (2005). Assessing the impact of CCTV: Home Office Research Study. (February), 176p.

Hariyadi, D., & Huda, A. A. (2015). Laron: Aplikasi Akuisisi Berbasis SNI 27037:2014 pada Ponsel Android. Indonesia Security Conference 2015, (September), 1–10. https://doi.org/10.13140/RG.2.1.3819.9520

International Conference on Informatics for Development, 22–25.


27

Haryadi, D., & Supriyono, A. R. (2017). Kerangka Investigasi Forensik Pada Peladen Pertukaran Berkas Samba Berdasarkan SNI ISO/IEC 27037:2014. Telematika, 14(01), 62–67. https://doi.org/10.31315/telematika.v14i01.1967

Kurniawan, S. (2014). Perancangan Prosedur Operasional Standar Penanganan Alat Bukti Digital: Studi Kasus Kementerian Komunikasi dan Informatika. Universitas Indonesia.

Meutia, E. D. (2015). Internet of Things – KeamanandanPrivasi. Seminar Nasional Dan Expo TeknikElektro,Pp.

Nurzeni, N. (2009). Pemanfaatan Internet di Perpustakaan UIN Sunan Kalijaga Yogyakarta sebagai Sarana Penunjang Proses Pembelajaran Bagi Mahasiswa UIN Sunan Kalijaga Yogyakarta. Universitas Islam Negeri Sunan Kalijaga Yogyakarta.

Oliver, J. (2013). Analisis Hukum Pidana Islam Terhadap Kekuatan Barang Bukti Rekaman Elektronik Closed Circuit Television (Cctv) Dalam Putusan Tindak Pidana Pencurian (Studi Putusan Nomor. 188/Pid.B/2016/Pn.Plg) (Vol. 53). https://doi.org/10.1017/CBO9781107415324.004

Prabowo, M. Y., Budiyanto, A., Nurcahyani, I., & Adinandra, S. (2018). Perancangan Prototype Smart Home System dengan Internet of Things. 2018(November), 131–141.


28

TINJAUAN LITERATUR SISTEMATIK TENTANG PENERAPAN MOTION CAPTURE PADA PROSES PRODUKSI ANIMASI

Qolbun Salim As Shidiqi1), Ema Utami2), Amir Fatah Sofyan3)

1,2,3Magister Teknik Informatika Universitas AMIKOM Yogyakarta

1,2,3Yogyakarta [email protected], [email protected], [email protected]

Abstrak

Motion capture adalah metode atraktif untuk membuat gerakan dalam animasi komputer.

Mocap dapat menyajikan gerakan yang realistis dan memberikan nuansa dan detil khususnya pada pameran tertentu. Mocap memungkinkan bagi aktor dan sutradara untuk bekerja bersama membuat gerakan tertentu yang diinginkan, yang itu akan sulit dilakukan pada animator yang bekerja secara manual. Teknologi motion capture dibutuhkan dalam berbagai aplikasi, khususnya animasi yang terus berkembang pesat. Teknik yang digunakan dapat menggunakan penanda maupun tanpa penanda (markerless).

Ada banyak algoritma untuk motion capture salah satunya metode Active Appearance Model (AAM). Metode ini mampu melakukan capture titik-titik landmark pada wajah dengan baik. Penelitian ini diarahkan untuk mengembangkan teknik markerless motion capture dengan menggunakan AAM pada wajah. Dari metode yang ada perlu diketahui mana metode yang paling efektif untuk digunakan, untuk itu penelitian ini membandingkan dua metode AAM, yaitu IAIA (Inverse Additive Image Alignment) dan ICIA (Inverse Compositional Image Alignment) yang dilakukan secara real time. AAM merupakan metode yang sering digunakan pada pemodelan wajah (face modeling). Namun, AAM dapat juga bermanfaat untuk implementasi lainnya. Dalam aplikasi tertentu, langkah pertama adalah mencocokan AAM dengan gambar, yakni parameter model ditemukan terlebih dahulu untuk memaksi-malkan kecocokan antara contoh model dengan gambar input. Kata kunci: Animasi, motion capture, AAM, IAIA, ICIA 1. PENDAHULUAN

Bersamaan dengan kemajuan teknologi, animasi berkembang dengan cukup pesat sehingga menarik minat masyarakat dari berbagai kalangan. Terbukti dengan maraknya animasi animasi yang ditayangkan oleh stasiun televisi maupun bioskop.

Perkembangan animasi seiring dengan perkembangan dunia pertelevisian. Pada awalnya diciptakanlah animasi berbasis dua dimensi (2D Animation). Yakni objek yang dianimasi mempunyai ukuran panjang (x-axis) dan lebar (y-axis) saja. Realisasi nyata dari perkembangan animasi dua dimensi yang cukup revolusioner berupa dibuatnya film-film kartun. Seven Dwarfs (1937) dan Fantasia (1940) dari Walt Disney adalah karya-karya film kartun yang melegenda sampai sekarang. Bahkan beberapa tokoh-tokoh kartun buatan Walt Disney yang lain masih dapat bertahan dan populer sampai saat ini mekipun pembuatan film-film tersebut

dikerjakan hampir 500 tahun yang lalu. Perkembangan dunia animasi computer sekarang sudah sangat pesat, apalagi sejak diciptakannya animasi berbasis tiga dimensi ( 3D Animation) yang mempunyai ukuran panjang, lebar, dan tinggi ( Z-axis) maka objek dan pergerakkannya hampir mendekati kenyataan aslinya.

Motion capture (mocap) adalah metode atraktif untuk membuat gerakan dalam animasi komputer. Mocap dapat menyajikan gerakan yang realistis dan memberikan nuansa dan detil khususnya pada pameran tertentu. Mocap memungkinkan bagi aktor dan sutradara untuk bekerja bersama membuat gerakan tertentu yang diinginkan, yang itu akan sulit dilakukan pada animator yang bekerja secara manual. Sedangkan menurut Sharma (2013), motion capture mengandalkan perekaman dan pengambilan sempel gerakan manusia, hewan dan benda mati sebagai data 3 dimensi.


29

Teknologi motion capture dibutuhkan dalam berbagai aplikasi, khususnya animasi yang terus berkembang pesat. Teknik yang digunakan dapat menggunakan penanda maupun tanpa penanda (markerless). Metode Active Appearance Model (AAM) mampu melakukan capture titik-titik landmark pada wajah dengan baik. Penelitian ini diarahkan untuk mengembangkan teknik markerless motion capture dengan menggunakan AAM pada wajah.

Dari metode yang ada perlu diketahui mana metode yang paling efektif untuk digunakan, untuk itu penelitian ini membandingkan dua metode AAM, yaitu IAIA (Inverse Additive Image Alignment) dan ICIA (Inverse Compositional Image Alignment) yang dilakukan secara real time.

Paper ini ditulis untuk memberikan gambaran kepada peneliti tentang penggunaan Metode AAM secara realtime sebagai mentode dalam proses pembuatan motion capture. Diharapkan setelah mendapatkan gambaran tentang penggunaan metode AAM dapat digunakan dalam pembuatan Motion Capture dengan efektif sehingga dapat mempercepat proses produksi animasi.

2. METODE PENELITIAN Dalam proses motion capture tahapan

pertama yang dilakukan adalah tahapan pengumpulan dataset, berbagai penelitian mengambil dataset dari berbagai sumber FRANCK, IMM, JIAPEI, C3D, LFPW, The Bassai Dai dan lain lain. Beberapa penelitian membuat objek dataset sendiri sesuai dengan objek yang akan diteliti. Metode penelitian eksperimental menjadi metode yang dipakai pada tinjauan literature yang ada, sehingga peneliti akan menggunakan metode yang sama dalam pembuatan gerak animasi dengan mengambil dataset untuk di adopsi point landmarknya.Tahapan metode penelitian diurutkan secara sistematis dengan mengacu pada tinjauan literature yang ada agar pelaksanaan penelitian dapat berjalan dengan baik dijelaskan dalam gambar dibawah ini.


3. TINJAUAN PUSTAKA Motion capture adalah metode atraktif dalam membuat gerakan animasi komputer. Hal ini memungkinkan bagi aktor dan sutradara untuk bekerja bersama membuat untuk gerakan tertentu yang diharapkan, yang mana hal tersebut akan sulit dilakukan oleh animator yang bekerja secara manual. Mocap dapat menyajikan gerakan yang realistis dan memberikan nuansa dan detil khususnya pada pameran tertentu. Mocap memungkinkan bagi aktor dan sutradara untuk bekerja bersama membuat gerakan tertentu yang diinginkan, yang itu akan sulit dilakukan pada animator yang bekerja secara manual (Sukoco, 14, 2011). Istilah motion capture menunjuk pada beberapa teknik untuk merekam pergerakan manusia, hewan atau subyek lain, dengan


30

menggunakan data rekaman pada penganimasian karakter tiruan. Teknik motion capture telah berkembang secara luas pada penggunaan film, televisi dan industri video game; dan berkembang dari bidang studi biomekanik sampai seni pertunjukan. Computer vision dapat membuat data animasi menjadi lebih mudah dibuat. Teknik yang sekarang dikembangkan jauh lebih cepat pengerjaannya dalam membuat animasi. Active Appearance Model merupakan metode yang sering digunakan pada pemodelan wajah (face modeling). Namun, AAM dapat juga bermanfaat untuk fimplementasi lainnya. Dalam aplikasi tertentu, langkah pertama adalah mencocokan AAM dengan gambar, yakni parameter model ditemukan terlebih dahulu untuk memaksi-malkan kecocokan antara contoh model (model instance) dengan gambar input. Parameter model kemudian dapat digunakan dalam berbagai aplikasi. Sebagai contoh, parameter ini dapat digunakan sebagai classifier untuk menghasilkan algoritma pengenalan wajah. Pada model yang sama dapat digunakan untuk pengenalan wajah, estimasi pose, dan pengenalan ekspresi. Pencocokan AAM pada gambar merupakan permasalahan non-linear. Pendekatan yang umum dengan cara berulang-ulang memecahkan incremental additive update pada parameter (koefisien shape dan appearance). Dengan nilai parameter shape saat ini, dimungkinkan untuk mengubah gambar input ke dalam frame model koordinat kemudian menghitung error image antara contoh model saat ini dengan gambar AAM yang cocok. Pada kebanyakan algoritma sebelumnya, dapat diasumsikan bahwa terdapat linear konstan antara error image dengan additive incremental update pada parameter. Asumsi tersebut pada umumnya kurang tepat, karena akan menghasilkan fitting AAM yang kurang bagus performanya, baik dalam jumlah iterasi untuk konvergen maupun akurasi hasil akhir. Algoritma inverse compositional ditemukan untuk mengatasi hal tersebut. Untuk menggunakan algoritma inverse compositional, pertama kita harus mendapat first order approximation pada kumpulan operator dari composition dan inversion. Algoritma inverse compositional juga me-mungkinkan tindakan yang berbeda pada variasi appear-ance. Kita dapat melakukan

variasi appearance pada langkah precomputation dan mengeliminasi besarnya perhitung-an dalam komputasi. Pada dasarnya hanya ada dua jenis linear model shape dan appearance yaitu model yang shape dan appearance-nya independen serta model yang memparameter- kan shape dan appearance dengan satu himpunan parameter linear. Kita menyebut himpunan yang pertama sebagai independent shape and appearance models (independent AAMs) dan yang kedua adalah combined shape and appearance (combined AAMs). 4. HASIL DAN PEMBAHASAN

Dilakukan tinjauan literature secara sistematik pada beberapa penelitian sejenis diantaranya yaitu penelitian dari I Dewa Bagas Suryajaya yang melakukan penelitian penerapan Teknik motion capture dalam proses pembuatan animasi 3D menggunakan Microsoft Kinect (Suryajaya, 2015). Kemudian penelitian Muhammad Nasrulloh yang melakukan penelitian ekspresi wajah non-human model 3D berbasis radial basis function menggunakan data facial motion capture (Nasrulloh, 2015). Kemudian penelitian M Iqtait yang melakukan penelitian pengenalan wajah dengan menggunakan Active Shape Model (ASM) dan Active Appearance Model (AAM) (Iqtait, 2018). Kemudian penelitian Troy yang melakukan transformasi ruang 2D ke 3D pada wajah berbasis data marker menggunakan radian basis function (RBF) (Troy, 2016). Kemudian penelitian Didit Prasetyo yang melakukan permodelan karakter animasi wayang orang berbasis motion capture (Prasetyo, 2017). Kemudian penelitian Dana K. Urribarri yang melalukan visualisasi untuk membandingkan karate kata dengan motion capture (Urribarri, 2019) Rincian perbandingan analisis dari beberapa penelitian yang digunakan sebagai ulasan dalam penggunaan penerapan motion capture dapat dilihat dalam Tabel 1 berikut ini.

Tabel 1. Analisis Perbandingan Proses Tinjauan

No

Judul

1 Teknik Motion Capture Dalam Proses


31

Pembuatan Animasi 3D Menggunakan Microsoft Kinect

Tujuan Penelitian

Penelitian tersebut bertujuan untuk: Mengetahui bentuk area aman dalam penggunaan Kinect dan pengaruh penggunaan penanda serta kecepatan ideal untuk melakukan teknik motion capture menggunakan kinect

Kesimpulan

Kinect dapat digunakan sebagai alat motion capture dengan syarat menggunakan driver OpenNI dan software Brekel Kinect sebagai software untuk mengubah hasil tangkapan gerak menjadi file yang dapat digunakan dalam penganimasian 3D.

Software yang digunakan: OpenNI dan software Brekel Kinect dan 3Dsmax Dataset : Membuat dataset sendiri berupa motion dari figur

Saran atau Kelemahan

Menggunakan perangkat khusus yaitu kamera Kinect sehingga sulit diimplementasikan oleh orang yang tidak memiliki perangkat tersebut

No

Judul

2 Ekspresi Wajah Non-Human Model 3D Berbasis Radial Basis Function Menggunakan Data Facial Motion Capture

Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk melakukan studi teknik Motion Capture sebagai teknik penangkapan gerak model yang akan dikonversikan pada karakter animasi “MIPO”. Dan penggunaan metode Radial Basis Function untuk face exaggeration agar dapat menghasilkan ekspresi yang dapat mengikuti pergerakan model peraga pada karakter animasi “MIPO” dengan menggunakan Motion Capture Data dari wajah manusia.

Kesimpulan

Proses persiapan karakter yang akan digunakan dalam penelitian ini adalah karakter original. Proses rigging adalah menggunakan teknik Weightpaint yang memudahkan proses persiapan karakter. Rigging dengan teknik Weightpaint sangat

sederhana karena hanya memerlukan waktu yang singkat dalam memasangkan Bone pada karakter karena didukung dengan system armature deform yang secara otomatis bone terhubung pada Mesh model. Software yang digunakan: Blender Dataset : Membuat dataset sendiri berupa motion dari peraga untuk fitting, dan menggunakan data C3D pada proses training

Kelemahan dan Saran

Beberapa penentuan fitur yang memungkinkan untuk dapat dikembangkan adalah sebagai berikut: 1. Memasang data titik fitur ke obyek

karakter 3D perlu dilakukan untuk memastikan keakuratan ekspresi lebih jauh.

2. Perlunya dilakukan percobaan untuk model karakter wajah yang lebih ekstrim seperti mata berbentuk segi empat, bibir yang berbentuk tidak wajar, atau pada model benda mati untuk menguji kemampuan dari metode yang digunakan.

Penerapan metode yang sama dengan model yang berbeda bentuk dan ukuran dengan ekspresi yang dibuat berlebihan. Dan dapat berekspresi melebihi manusia normal

No

Judul

3 Feature extraction for face recognition via Active Shape Model (ASM) and Active Appearance Model (AAM)

Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membandingkan performa algoritma ASM dan AAM dengan parameter kecepatan dan juga kecocokan dalam pengenalan wajah.

Kesimpulan

Dalam tulisan ini, ekstraksi fitur wajah menggunakan AAM, ASM Algoritma dengan database wajah LFPW. Dihasil percobaan, kami menemukan bahwa model ASM lebih cepat dan mencapai titik sifat yang lebih tepat lokasi daripada model AAM, dan model AAM memberikan kecocokan yang lebih baik dengan tekstur gambar.


32

Software yang digunakan: Matlab R2016a Dataset : LFPW database

Saran dan Kelemahan

Di penelitian selanjutnya hasil ini dapat dibandingkan dengan Model lain yang berkaitan dengan pengenalan wajah dan para peneliti dapat meningkatkan dan membangun model gabungan menggunakan ASM dan AAM model yang bersama-sama mengoptimalkan lokasi titik ciri yang tepat dan memberikan kecocokan yang lebih baik dengan gambar tekstur.

No

Judul

4 Transformasi Ruang 2D Ke 3D Pada Animasi Wajah Berbasis Data Marker Menggunakan Radial Basis Function

Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menguji penerapan Radial Basis Function yang digunakan untuk menentukan posisi titik fitur pada wajah model 3D.

Kesimpulan

Transformasi ruang RBF dapat memetakan ulang titik fitur wajah model 3D bahkan jika wajah sumber animasi hanya ditangkap oleh satu kamera dan hanya memberikan informasi titik marker secara 2D. Dataset: Membuat dataset sendiri berupa capture ekspresi dari peraga

Saran dan Kelemahan

Otomatisasi pemetaan ulang titik fitur wajah karakter animasi dapat dilakukan bukan hanya dengan RBF Multiquadric. Perlu dilakukan penelitian pada metode interpolasi yang lain sehingga didapatkan pemetaan yang lebih sesuai dan mendekati ekspresi wajah sumber animasi. Penelitian ini tidak bisa berhenti hanya pada pemetaan ulang titik fitur pada wajah karakter animasi, namun dilanjutkan pada membangun permukaan wajah karakter animasi. Sehingga ekspresi yang diinginkan dapat terlihat dan diterapkan pada dunia animasi.

No

Judul

5 Pemodelan Karakter Animasi Wayang Orang Berbasis Motion Capture

Tujuan Penelitian

Tujuan dari penelitian ini adalah melestarikan kebudayaan asli Indonesia utamanya dalam wujud yang lebih kekinian yakni dalam wujud karakter animasi yang mampu menambah awareness penonton selain tujuan khusus untuk menambah referensi pemodelan karakter bagi animator.

Kesimpulan

Kesimpulan pada penelitian ini adalah karakter wayang orang yang diubah translasi dan tranformasi skala tulang yang nilai deviasinya terpaut selisih sedikit dengan nilai rata-rata memiliki gerakan yang hampir serupa dengan gerakan asli motion capture, namun nilai deviasi yang memiliki selisih nilai sedikit dengan nilai rata-rata juga kurang variatif pemodelan karakternya. Dataset : Meta rig

Kelemahan dan Saran

Penelitian berikutnya dapat menekankan pada keragaman bentukan atau variasi proporsi wayang orang pria dan wanita, seperti karakter pria yang jangkung atau tinggi besar begitu juga dengan karakter wanita dimana hal ini untuk menambah keanekaragaman referensi bagi industri animasi serta penelitian yang menekankan pada metode riging karakter selain menggunakan meta-rig yang lebih terukur dalam rangka untuk menambah efisiensi waktu dalam pengerjaan sebuah film animasi.

No

Judul

6 Visualization to compare karate motion captures

Tujuan Penelitian

Tujuan dari penelitian tersebut adalah : 1. Visualisasi berdasarkan Dynamic

Time Warping, yang mendukung perbandingan visual antara dua urutan gerakan yang sama untuk menganalisis penyelarasan waktu mereka.

Visualisasi ini menunjukkan bagaimana urutan sumber gerakan harus ditransformasikan agar sesuai dengan urutan referensi.

Kesimpulan

Kode warna misalignment memungkinkan


33

pengguna dapat dengan mudah menemukan kerangka waktu di mana urutannya berbeda. Alat kami bisa mudah diperpanjang dengan menunjukkan bingkai video yang sesuai atau kerangka yang terkait berpose atas permintaan pengguna. Dataset : The Bassai Dai

Kelemahan dan Saran

Untuk penelitian selanjutnya, dapat dilakukan dengan meningkatkan interaksi yang sesuai untuk eksplorasi (misalnya, pembesaran semantik) dan menambahkan kemungkinan untuk membandingkan lebih dari dua urutan sekaligus. Selain itu, kami akan mengeksplorasi lebih lanjut kemungkinan dengan penggunaan DTW dan membandingkan pertimbangan MoCaps kecepatan aktual mereka


Paper ini menganalisis penggunaan Motion Capture dengan berbagai metode dan media dimensi dari animasi yang diproduksi untuk membantu pemecahan masalah dan meningkatkan produktivitas, keefisiensian, keefektifan dalam porses produksi animasi. Dapat diambil kesimpulan bahwa algoritma AAM dapat digunakan secara efektif dalam proses pembuatan gerak animasi, sehingga dapat membantu proses produksi animasi dan diharapkan dapat meningkatkan produktivitas. b. Saran

Diharapkan peneliti selanjutnya dapat melakukan tinjauan literature lebih dalam dengan berfokus pada salah satu algoritma. Sehingga rekomendasi yang didapatkan menjadi lebih mengerucut. 6. REFERENSI Thomas, Frank dan Ollie Johnston, 1981, The

Illusion of Life: Disney Animation, Walt Disney Production, New York

Robert, Steve, 2013, Character Animation: 2D Skills for Better 3D, Taylor & Francis, London

Santoso, Bambi Gunawan, 2013, Nganimasi Bersama Mas Be!, PT Elex Media Komputindo, Jakarta

Matthews, Ian., Baker, Simon., 2004, Active Appearance Models Revisited, Second Edition, Addison Wiley, Canada

Nama penulis, tahun penerbitan, judul, nama majalah/jurnal ilmiah/ prosiding, edisi (jika perlu), nama penerbit, kota penerbit

Michael Gleicher and Nicola Ferrier, 2002. Evaluating Video-Based Motion Capture, Proceedings of Computer Animation.

Adam G. Kirk, James F. O’Brien, David A. Forsyth, 2005, Skeletal Parameter Estimation from Optical Motion Capture Data, Proceedings of IEEE Conf. on Computer Vision and Pattern Recognition (CVPR).

Sukoco. 2011. Teknologi Motion Capture Untuk Pembuatan Film Animasi 3D, http://ejournal.unsa.ac.id/index.php/ijcss/issue/view/8. Diakses pada tanggal 17 Juni 2020

I Dewa Bagus Suryajaya, 2015, Teknik Motion Capture Dalam Proses Pembuatan Animasi 3D Menggunakan Microsoft Kinect, Seminar Nasional Teknologi Informasi dan Multimedia, Yogyakarta

Troy, Pranowo, 2016, Transformasi Ruang 2D Ke 3D Pada Animasi Wajah Berbasis Data Marker Menggunakan Radial Basis Function, Journal of Animation and Games Studies, Vol. 2 No.2

Didit Prasetyo, Rabendra Yudistira Alamin, 2017, Pemodelan Karakter Animasi Wayang Orang Berbasis Motion Capture, Idea Jurnal Desain, Vol. 16, No.2

Dana K. Urribarri, Mart´ın L. Larrea1, Silvia M. Castro, Enrico Puppo, 2019, Visualization to compare karate motion captures XXV Congreso Argentino de Ciencias de la Computación

Timothy F. Cootes, Gareth J. Edwards, and Christopher J. Taylor, 2001, Active Appearance Models, IEEE Transactions, On Pattern Analysis And Machine Intelegence, Vol. 23, No. 6

M Iqtait, F S Mohamad, M Mamat, 2017, Feature extraction for face recognition via Active Shape Model (ASM) and Active Appearance Model (AAM), IOP Conf. Series: Materials Science and Engineering 332

Lanitis, Andreas., Taylor, Chris J., Cootes, Timothy F., 1997, Automatic Interpretation and Coding of Face


34

Image Using Flexible Models, Vol 19(7): 743-756, IEEE Transactions on Pattern Analysis and Machine Intelligence.

Tri Afirianto, Mochamad Hariadi, 2013, Facial Motion Capture Menggunakan Active Appearance Model Berbasis Blender, Seminar Nasional Teknologi Informasi dan Multimedia 2013

Muhammad Nasrulloh, 2015, Ekspresi Wajah Non-Human Model 3D Berbasis Radial Basis Function Menggunakan Data Facial Motion Capture, Tesis, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember, Surabaya


35

INOVASI E-GELANG SEBAGAI ALAT DETEKSI DINI UNTUK MEMINIMALISASI PENYEBARAN COVID-19

Sukma Rahmawati1), Eko Purwanto2)

1)Sistem Informasi, 2)Teknik Informatika

1,2Universitas Duta Bangsa Surakarta Jl. Bhayangkara No.55 E-mail : [email protected], [email protected]

Abstract

In 2020, there was a disease that horrified the world. Where pneumonia resembles, this disease originates from a virus similar to coronavirus and is called Covid-19. Covid-19 was received from Wuhan, China. Spread throughout the world and mostly for locking to break the Covid-19 distribution chain. Therefore, this paper was made to submit opinions about ideas put forward on the e-bracelet system as a Covid-19 early detection device connected to a smartphone application to see the results of its detection testing. Reference to early detection of Covid-19 presence of body temperature sensors, distance and heart rate. The method of use of this paper is the method of library study and the existence of a design system called the prototyping method. Literature study is carried out by gathering information relevant to topics that are the object of research from books, scientific papers, theses, dissertations, and journals, while the prototype used is development before leading to actual large / scale production. The results will be obtained is proof of our acceptance, our heart rate is not normal, can know our distance from the crowd is not controlled. And this e-bracelet is designed so that when 2 or more e-bracelet at the same place when it is turned on, the continuity will be notify on the application interface handphone. Mild symptoms of Covid-19 are, dry throat, sudden shortness of breath, loss of acuity of smell. The way to avoid this is by diligently washing hands, carrying hands, adhering to health protocols. The idea of converting this bracelet as an early detection of Covid-19 symptoms which can measure body temperature, distance, and heart rate as a reference to support from the self that is issued.

Abstrak

Di tahun 2020, muncul sebuah penyakit yang menghebohkan dunia. Dimana mirip pneumonia, penyakit ini berasal dari virus yang sejenis dengan coronavirus dan disebut Covid-19. Covid-19 berasal dari Wuhan, China. Hingga menyebar ke seluruh dunia dan hampir semua menerapkan untuk lockdown agar memutus rantai penyebaran Covid-19. Oleh karena itu, karya tulis ini dibuat untuk mengusulkan gagasan ide merancang suatu sistem e-gelang sebagai alat deteksi dini Covid-19 yang terkoneksi dengan aplikasi smartphone untuk melihat hasil pengukuran deteksi nya. Acuan pada deteksi dini Covid-19 adanya sensor suhu tubuh, jarak dan jetak jantung. Penggunaan method dari karya tulis ini adalah metode studi kepustakaan dan adanya sistem perancangan yang disebut metode prototyping. Studi kepustakaan dilakukan dengan menghimpun informasi relevan topik yang menjadi objek penelitian dari buku-buku, karya ilmiah, tesis, disertasi, dan jurnal, sedangkan prototype yaitu tahap pengembangan sebelum menuju produksi besar/skala yang sebenarnya. Hasil yang akan didapat adalah adanya bukti suhu badan kita, detak jantung kita normal tidak, mengetahui control jarak kita dengan keramaian. Dan e-gelang ini juga dirancang agar ketika ada 2 e-gelang yang sama atau lebih bertemu ketika sudah power on, kesinambungan itu akan memberi notice pada ada interface aplikasi di handphone. Covid-19 memiliki gejala-gejala ringan yaitu tenggorokan kering, batuk, sesak napas tiba-tiba, hilangnya ketajaman indra penciuman, dan lain-lain. Cara pencegahannya adalah dengan rajin mencuci tangan, membawa handsanitazer, menaati protokol kesehatan. Gagasan inovasi penciptaan gelang ini sebagai alat pendeteksi dini gejala Covid-19 yang mana bisa mengukur suhu tubuh, jarak, dan detak jantung sebagai acuan untuk mendeteksi dari dalam diri dahulu.

Kata Kunci: Pnemounia, E-Gelang, covid-19, deteksi dini


36

1. PENDAHULUAN

Pada awal tahun 2020, dunia dihebohkan dengan adanya penyakit yang menyerang saluran pernapasan, hampir mirip dengan pneumonia. Pneumonia sendiri menyebabkan peradangan pada kantung udara di paru-paru. Saat Covid-19 berjalan, yang pertama akan merusak sel dalam saluran atas pernapasan, hal yang timbul adalah rasa gatal dan tenggorokan kering, lalu akan masuk ke saluran paru-paru yang bisa jadi merusak jaringan-jaringan yang ada didalamnya, inilah yang menyebabkan bisa terjadi sesak napas. Saat sudah timbul sesak napas atau gejala kea rah berat, harus segera ditangani oleh tim medis, karena bisa sangat berbahaya untuk semua sel dalam diri sang pengidap Covid-19. Pengertian Covid-19 sendiri adalah virus yang menyebabkan penyakit, dan virus itu bisa disebut virus SARS-CoV-2 atau Severe Acute Repiratory Syndrome Coronavirus-2 [1]. Berita Covid-19 masuk di Indonesia terkonfirmasi pertama kali pada hari Senin, 2 Maret 2020 oleh Presiden Jokowi yang menberi pengumuman ada dua orang positif terkena Covid-19, dua perempuan yakni berusia 31 tahun dan ibu-ibu umurnya sudah 64 tahun[2].

Covid-19 ini diyakini menular melalui bersin dan batuk dari satu orang ke orang lainnya. Percikan liur dari bersin atau batuk dapat menempel pada benda-benda mati yang kemudian bersentuhan dengan kita seperti dudukan toilet, barang, dll. Orang yang sudah tua atau sudah lansia menjadi orang yang paling rentan terserang Covid-19, karena imun yang sudah turun dan juga semua jaringan yang sudah melemah karena penuaan. Maka itulah sebabnya lansia bisa dikatakan yang paling rentan terserang, bisa jadi juga sulit untuk melawan berbagai jenis bakteri atau virus tidak hanya Covid-29. Padahal untuk pencegahannya jika mau menerapkan dalam keseharian yaitu diantaranya rajin cuci tangan, menggunakan masker selalu, mau untuk diam di rumah, dan membawa handsanitazer jika bepergian. Terpantau dari Data Worldometers sudah ada berkisar 3.154.259 pasien yang positif Covid-19 di seluruh dunia, data ini per 29 April 2020[3].

2. METODE PENELITIAN a. Jenis dan Sumber Data 1) Sumber data sekunder Artinya sumber dari semua data disini adalah buku literature, catatan, atau arsip yang pernah ada baik yang terpublikasikan maupun belum terpublikasikan. Di karya tulis ini penulis menggunakan beberapa jurnla yang membahas mengenai Covid-19 dan pengendalian atau cara meminimalisasinya. Jenis data ini adalah deskriptif kualitatif, yang mana menjelaskan fakta-fakta keadaan yang tampak mengenai Covid-19 dengan sebenar-benarnya.

b. Metode Pengumpulan Data 1) Studi Literatur

Studi literature dilakukan dengan cara menghimpun informasi relevan topik yang menjadi objek penelitian dari buku-buku, karya ilmiah, tesis, disertasi, dan jurnal. Lalu data yang berhasil dikumpulkan akan menjadi pembahasan dengan dianalisis dan dijelaskan untuk menemukan titik terangnya.

2) Dokumentasi Dokumentasi dilakukan dengan cara menganalisis data-data yang mana mencari fakta dalam data yang tersimpan.

c. Metode Perancangan Sistem

Sistem perancangan menggunakan metode prototyping, yang mana pengertiannya adalah metode pengembangan sistem informasi sebelum dibuat produksi massal untuk dipasarkan dan dalam skala sebanar-benarnya.

Menurut[6], tahapan yang harus dilakukan dalam metode prototype, adalah sebagai berikut : 1) Mengumpulkan kebutuhan Disini baik konsumen dan pengembang harus bersama-sama mengidentifikasi kebutuhan, mencari garis besar apa dalam system yang akan dibuat. 2) Mulai Membangun Prototyping Dengan cara merancang sederhana yang mana fokusnya pada design output untuk disajikan kepada konsumen. Contoh dalam pembuatannya adalah membuat beranda, format input dan format output). 3) Pengevaluasian Prototyping


37

Konsumen akan melakukan evaluasi yang mencakup apakah prototyping ini sudah sudah sesuai dengan keinginan dan kebutuhan oleh konsumen. Jika tidak, maka perlu adanya berbalik pada langkah 1-2 dan memperbaikinya. Jika sudah maka lanjut pada langkah 4. 4) Pengkodean Sistem Metode prototyping akan mulai diterjemahkan ke Bahasa pemrograman yang tepat. 5) Menguji Sistem Prototyping Memasuki sistem yang sudah jadi dalam bentuk perangkat lunak, maka harus diuji sebelum digunakan. 6) Evaluasi Sistem Prototyping Adanya evalauasi yang setelah mengetahui kelemahan dari pengujian yang dilakukan. 7) Penggunaan Sistem Setelah melewati proses yang panjang, sistem yang sudah sempurna akan digunakan.

Gambar 1. tahapan metode Prototype

Dari metode prototyping diatas, dalam karya tulid ini dibatasi hanya sampai tahap kedua yaitu Quick Design atau pembuatan desain secara umum.

3. TINJAUAN PUSTAKA Berikut penelitian yang pernah

dilakukan sehubungan dengan meminimalisasi penyebaran Covid-19 yaitu : 1. Penelitian[4], mengemukakan bahwa

Covid-19 ini menularkan relatif cepat dan untuk tingkat mortalitas tidak bisa diabaikan, oleh karena itu penyakit baru ini menyebabkan pandemi , apalagi belum adanya terapi yang definitif.

2. Penelitian[5], mengemukakan bahwa saat ini masyarakat Indonesia sudah mengalami khawatir yang cukup besar dari adanya Covid-19, sehingga perlu adanya upaya agar memutus mata rantai penyebaran Covid-19, contoh Kebijakan Pemerintah untuk Menetapkan Lockdown “.

Maka jika diperhatikan permasalahan tersebut, dengan judul “Inovasi E-Gelang Sebagai Alat Deteksi Dini Untuk Meminimalisasi Penyebaran Covid-19”. Karya tulis ini memberikan gagasan tentang penciptaan sebuah alat yang bisa mendeteksi dini Covid-19 pada diri sendiri dan lingkungan sekitar. Inovasi alat yang digagas ini dimaksudkan untuk memutus pelan-pelan rantai penyebaran Covid-19. Pengembangan inovasi e-gelang ini diarahkan untuk mendapat data dan informasi perilaku setiap individu satu dengan lainnya, sehingga perlahan diharapkan setiap orang mampu mengerti dirinya saat ini dan mengerti siapa saja yang terkoneksinya kuat dengan orang lain, lalu selama yang melaporkan tidak terlambat, kepada pemerintah/tim khusus penanggulangan Covid-19. 4. HASIL DAN PEMBAHASAN a. Analisis Penyebaran Covid-19 di Negara

Indonesia Virus Corona ini mulai heboh berawal dari pasar makanan laut yang ada di Huanan, Kota Wuhan, China. Ada kurang lebih 375 orang di Pasar tersebut yang terinfeksi Virus Corona ini dengan gejala-gejala lemas, demam, batuk kering dan sesak napas[7]. Virus Corona baru ini masih terus merebak di hampir seluruh dunia dengan total kasus sebanyak 3.212.062 pasien positif hingg Kamis, 30 April 2020. Jumlah pasien yang dinyatakan meninggal dunia telah tercatat mencapai 227.784 dengan total pasien berhasil sembuh terbilang 998.007 orang. Episentrum COVID-19 paling tinggi secara global masih ditempati Amerika Serikat (AS) dengan kasus sejumlah 1.35.765 orang [8]. Data terbaru virus Corona di Indonesia telah diumumkan yaitu. 1.522 sembuh, dan 792 meninggal [9]. Semakin lama semakin naik angka yang terdeteksi Positif Covid19. Sudah sejak pertengahan Maret 2020 pemerintah Indonesia menerapkan sosial distancing sebagai upaya mencegahnya, namun sayangnya semakin


38

lama masyarakat juga jenuh. Meski protokol kesehatan selalu digalakkan, jalan sudah makin ramai, banyak orang yang tidak sadar apakah dirinya terpapar atau tidak. Alhasil grafik yang terpapar positif corona terus melambung. Pemerintah selalu berusaha untuk menghimbau masyarakarnya untuk tetap berjaga-jaga meski tidak sedang dirumah.

Gambar 2 Grafik kasus corona di Indonesia

Sumber : Infografis detikcom b. Potensi Penggunaan E-Gelang Sebagai

Alat Pendeteksi Dini Covid-19 Adanya pandemi yang melanda saat ini,

sementara aktivitas manusia yang terpaksa tetap berjalan karena tidak bisa WFH, teknologi bisa membantu sangat signifikan untuk upaya pencegahan Covid-19, salah satunya adalah penulisan gagasan di karya tulis ini yaitu pembuatan gelang sebagai pendeteksi awal Covid19. Pelaksanaan gagasan ini memerlukan dukungan dan respon dari pemerintah. Perancangan juga harus didampingi dan diarahkan oleh ahli teknologi informasi, lalu akan di uji coba pada masyarakat, setelah itu evaluasi, dan terakhir harus diadakan perbaikan sampai pada akhirnya layak untuk dipasarkan. c. Penciptaan E-Gelang Sebagai Alat

Pendeteksi Covid-19 Ide dalam membuat dan merancang e-

gelang ini adalah gagasan penulis sebagai alternatif dan strategi dalam meminimalkan penyebaran Covid-19. Alat pendeteksi yang dipilih adalah menciptakan gelang, karena bisa dipakai untuk semua kalangan, bisa untuk

semua gender, dan untuk anak-anak gelang ini bisa dirancang berdasarkan besar tangan rata-rata anak berumur 7-13 tahun. Karena akan cukup besar jika memakai sama dengan dewasa. Jika yang memakai masih tergolong anak-anak, maka ketika regitstrasi bisa untuk yang menginput nomor adalah nomor orang tua ke hp orang tuanya, sehingga dari situ, orang tua biasa mengetahui apa dan kemana jika si anak pergi.

Dirancang dengan komponen pendukung untuk mendapat informasinya, yaitu ada 6 komponen diantaranya. 1) Tombol on/off: fungsi dari tombol on off

untuk mematikan dan menghidupkan gelang.

2) Tombol skip berfungsi apabila ada bunyi peringatan pemilik bisa klik agar tidak lagi bunyi dan menyadari apa yang harus dilakukan misal menjauh dari keramaian.

3) Lampu LED merah menyala mengindikasikan jika tubuh ini detak jantungnya cepat.

4) Sensor suhu yang diukur adalah suhu badan pemilik.

5) Sensor detak jantung berfungsi mendeteksi kecepatan detak/stabil tidaknya napas dalam jantung, dan 8

6) Sensor jarak berfungsi untuk mengetahui apakah sedang dalam keraaian atau tidak.

Tanda yang diberikan oleh gelang ini jika jarak kita kurang dari 2 meter maka akan bunyi alarm dalam gelang, jika suhu tubuh diatas 37 akan juga bunyi alarmnya, dan jika napas/denyut jantung kita diketahui tidak stabil dalam jantung maka output nya lampu LED akan menyala merah.

Hasil yang diharapkan adalah orang menjadi paham dengan keadaan mereka dan menjadi peduli untuk sesama, gelang ini disambungkan dengan penggunaan aplikasi di handphone melalui aplikasi yang sudah terhubung dengan gelang itu. Interface atau tampilan sederhana yang meliputi menunya adalah sebagai berikut.


39

Gambar 3. Sketsa Gelang Sebagai Alat Pendeteksi

5. KESIMPULAN DAN SARAN a. Kesimpulan Pada penelitian mengenai Inovasi E-Gelang Sebagai Alat Deteksi Dini Untuk Meminimalisasi Penyebaran Covid-19, maka dapat disimpulkan sebagai berikut : a. Covid-19 adalah penyakit baru dari Virus

Corona yang membuat heboh seluruh dunia dan menyebabkan pandemik di seluruh dunia.

b. Gejala ringan Covid-19 adalah demam, batuk, tenggorokan kering, dan sesak napas. Cara pencegahannya dengan memakai masker, rajin mencuci tangan, membawa handsanitazer, menjaga kebersihan menaati protokol kesehatan.

c. Gagasan inovasi penciptaan e-gelang ini sebagai alat pendeteksi dini gejala Covid-19 yang mana bisa mengukur suhu tubuh, jarak, dan detak jantung sebagai acuan untuk mendeteksi dari dalam diri dahulu.

d. Tujuan dariadanya inovasi e-gelang ini adalah mengidentifikasi dan mengembankan konsep perancangan e-gelang, dan menganalisis korelasi e-gelang jika di connect kan dengan aplikasi yang ada di smartphone dalam upaya penciptaan alat deteksi dini Covid-19.

6. REFERENSI [1] alodokter.com. 2020, COVID-19 –

Gejala, penyebab, dan cara mengobati. https://www.alodokter.com/covid-19. Diakses 22 Juli 2020.

[2] detik.com, 2020. Kapan Sebenarnya Corona Pertama Kali Masuk RI?. https://news.detik.com/berita/d-4991485/kapan-sebenarnya-corona-pertama-kali-masuk-ri/1. Diakses 21 Juli 2020.

[3] Tirto.id, 2020. Update Corona 29 April 2020 Indonesia & Dunia: Data Kasus Hari Ini. https://tirto.id/update-corona-29-april-2020-indonesia-dunia-data-kasus-hari-ini-feSL. Diakses 19 Agustus 2020.

[4] Susilo, Adityo dkk. 2020. Coronavirus Disease 2019: Tinjauan Literatur Terkini. Jurnal Penyakit Dalam, Vol 7. 45-67.

[5] Nur dan Annisa. 2020. Kebijakan Pemberlakuan Lockdown Sebagai Antisipasi Penyebaran Corona Virus Covid-19*. Salam: Jurnal Sosial dan Budaya Syar-i. Vol 7. 227-238.

[6] Suhendri, Redi. 2017. Metodologi Penelitian. https://sites.google.com/a/student.unsika.ac.id/metodologi_penelitian_redisuhendri113/tugas-1-5-metode-rpl/prototyping-model. Diaksses pada 25 Juli 2020.

[7] Supardi, Ahmad dan Rahmadi Rahmad. 2020. Virus Corona, Mewabah di Wuhan Menyebar Cepat Ke Penjuru Dunia. https://www.mongabay.co.id/2020/01/28/virus-corona-mewabah-di-wuhan-menyebar-cepat-ke-penjuru-dunia/. Diakses 25 Juli 2020.

[8] Al-Qodariah, Farida. 2020. Update Virus Corona di Dunia. per Kamis, 30 April 2020: Total Kasus Turki Tertinggi Se-Asia. https://www.pikiran-rakyat.com/internasional/pr-01373998/update-virus-corona-di-dunia-per-kamis-30-april-2020-total-kasus-turki-tertinggi-se-asia. Diakses 27 Juli 2020.

[9] Pramudiarja, AN Uyung. 2020. Update Corona di Indonesia 30 April : Positif 1.522, 792 Meninggal. https://health.detik.com/berita-detikhealth/d-4997529/update-corona-di-indonesia-30-april-10118-positif-1522-sembuh-792-meninggal. Diakses 29 Juli 2020.


40

ANALISA DAN PERBANDINGAN PERFORMA HYPERVISOR ESXi, XEN, VMWARE WORKSTATION PRO, DAN VIRTUALBOX

Totok Wahyu Caturiyanto1), Arief Setyanto2), Eko Pramono3)

Magister Teknik Informatika Universitas Amikom Yogyakarta Jl Ringroad Utara, Condongcatur, Depok, Sleman, Yogyakarta

[email protected], [email protected], [email protected]

Abstrak

Virtualisasi memberi kita banyak ruang untuk berkembang dalam teknologi informasi, dengan satu unit server kita dapat membuat mesin virtual sebanyak yang kita butuhkan. Mengurangi biaya investasi dan operasional untuk memajukan sisi lain bisnis adalah salah satu keuntungan virtualisasi. Salah satu perangkat lunak untuk menjembatani mesin virtual adalah hypervisor atau monitor mesin virtual. Tujuan dari penulisan ini adalah untuk mengetahui hypervisor mana yang merupakan performa terbaik dari keempat hypervisor yang dipilih oleh penulis yang mewakili setiap jenis hypervisor. ESXi, Xen, VMWare Workstation Pro dan Virtualbox. ESXi mewakili hypervisor baremetal berlisensi berbayar, Xen mewakili hypervisor baremetal versi gratis, VMWare Workstation Pro mewakili hosted hypervisor versi berlisensi dan Virtualbox mewakili hosted hypervisor versi gratis. Percobaan dilakukan dengan satu mesin, dengan sumber daya yang sama, dilakukan secara mandiri dan bergantian. Makalah ini menggunakan metode eksperimental untuk mendeskripsikan proses. Kesimpulannya adalah bahwa versi berlisensi atau versi gratis dari empat hypervisor yang disebutkan di atas tidak memengaruhi kinerjanya, hanya berapa banyak fitur yang tersedia dari pengembang. Kata kunci: Performa Hypervisor, Virtualisasi, Mesin Virtual, Cloud Computing 1. PENDAHULUAN

Belanja modal dan belanja operasional infrastruktur menjadi isu penting dalam sebuah perusahaan. Kebutuhan akan aplikasi yang semakin meningkat membuat divisi teknologi informasi membutuhkan banyak anggaran untuk pengadaan dan operasional server. Teknologi virtualisasi adalah solusi paling tepat untuk mengurangi besaran anggaran. Dengan virtualisasi kita dapat mengembangkan banyak aplikasi atau server dalam satu mesin dengan berbagi sumber daya pada mesin itu. Secara teknis virtualisasi diwujudkan dengan menambahkan satu bagian (lapisan) perangkat lunak (software) yang disebut dengan hypervisor (Mulyana, 2015).Banyak hypervisor yang berkembang saat ini, baik itu hypervisor logam kosong atau hypervisor yang dihosting, hypervisor gratis, atau hypervisor berlisensi. Penulis mengambil sampel dari masing-masing jenis tersebut. ESXi mewakili hypervisor berlisensi baremetal, Xen mewakili hypervisor bebas baremetal, VMware Workstation Pro mewakili hypervisor berlisensi yang di-host, dan

Virtualbox mewakili hypervisor yang dihosting gratis dengan menguji kinerja CPU, RAM, dan Harddisk. Performa jaringan tidak diikutsertakan dalam pengujian karena beberapa faktor eksternal yang mempengaruhinya, seperti bandwidth dan gangguan interferensi. Untuk mengurangi penyimpangan dari hasil pengujian, pengujian dilakukan lima belas kali run untuk setiap komponen pengujian.

2. METODE PENELITIAN Metode yang digunakan dalam

penelitian ini adalah metode eksperimental, untuk mencari hypervisor kinerja terbaik antara ESXi 6.7, server Xen, VMware Workstation Pro dan Virtualbox 6.1. Komponen pengujian adalah CPU, RAM dan Disk. Alat benchmarking kami menggunakan Phoronix Test Suite, untuk pengujian CPU kami memilih Cachebench dan Coremark.. Tes RAM dengan Ramspeed Floating Point, Stream dan Tinymembench. Uji media simpan dengan AIO-Stress dan Compilebench.


41

Data diambil dalam lima belas kali pengulangan untuk setiap pengujian. Di atas hypervisor, instal server Ubuntu 16.04 sebagai sistem operasi tamu. Kami mengikuti ini dengan tes default untuk setiap alat (Cachebench, Coremark, Ramspeed, Stream, Tinymembench, AIO-Stress, dan Compilebench). Hypervisor dipasang secara bergantian dan hanya satu sistem operasi tamu untuk menjamin bahwa sumber daya dialokasikan hanya ke hypervisor yang diuji. Untuk hypervisor yang dihosting, kami menggunakan windows 10 pro sebagai host. Untuk memeriksa korelasi dan validitas hasil digunakan uji korelasi model korelasi product-moment Pearson dengan menghubungkan antara masing-masing nilai uji dengan nilai total yang diperoleh dari pengujian tersebut. Ada beberapa rumus yang dapat digunakan untuk menghitung Koefisien Korelasi Momen Produk Pearson atau "r" Pearson, persamaan di bawah ini sebagai sampel

푟 = (∑ ) (∑ )(∑ )[ (∑ ) (∑ ) ][ (∑ ) (∑ ) ]

(1)

r = Pearson’s correlation coefficient n = number of paired scores X = Score of the first variable Y = score of the second variable XY= the product of the two paired

scores Or analogously: 푟 =

( ) ( )

(2) Skor yang lebih besar kovarians

semakin kuat hubungannya. Kovariansi tidak pernah bisa lebih besar dari produk deviasi standar dari dua variabel (Cramer, 1998) Pengumpulan data dilakukan secara berurutan mulai dari menginstal ESXi 6.7 sebagai hypervisor asli dan meletakkan server Ubuntu 16.04 di atasnya dengan sumber daya seperti yang kami sebutkan di atas. Kemudian kami menjalankan uji kinerja CPU. Setelah mengambil datanya, kita uji validitas datanya, jika datanya valid, lanjutkan ke RAM dan media simpan test performa dengan perlakuan yang sama seperti uji CPU. Setelah semua tes dan jelas dan lengkap, hapus ESXi 6.7 dengan menginstal server Xen pada mesin dan letakkan server Ubuntu 16.04 sama seperti

ESXi 6.7. Ambil data dari CPU, RAM dan uji media simpan dan periksa validitas data setelah mengambil dari komponen yang diuji, uji ulang jika data tidak valid. VMware workstation pro dan Virtualbox, hypervisor yang dihosting, pertama-tama kami menginstal Windows 10 pro sebagai host dengan semua sumber daya mesin, kemudian kami menginstal sumber daya VMware Workstation Pro 2 vCPU, RAM 6 GB, dan Penyimpanan 160 GB. Kemudian kami memasang Ubuntu Server 16.04 pada hypervisor VMware Workstation Pro. Setelah itu kita lakukan pengujian terhadap CPU, RAM dan Disk yang sama dengan hypervisor lainnya. Setelah semua pengujian selesai dan jelas, hapus VMware Workstation Pro untuk memastikan tidak ada sumber daya yang dialokasikan ke hypervisor lain. Di windows 10 sama dengan VMware Workstation Pro, instal Oracle Virtualbox dan lakukan semua hal yang sama dengan VMware Workstation Pro.

Untuk memvalidasi hasil tes, bandingkan skor korelasi Pearson dengan r-tabel. R-tabel merupakan tabel yang biasa digunakan untuk menguji hasil uji validitas suatu instrumen penelitian kuantitatif. Tingkat signifikansi r-tabel yang kita gunakan adalah 5%, artinya kita memiliki tingkat kesalahan 5%. Dengan lima belas run of test yang berarti N = 15. Jika nilai korelasi Pearson> r-tabel, item data valid. Namun jika skor korelasi pearson <r-tabel maka item data tidak valid. Tabel 1 adalah r-tabel untuk tingkat signifikansi 5% dan 1%.

Tabel 1. rTabel


42

3. TINJAUAN PUSTAKA a. Virtualisasi

Pengertian virtualisasi menurut (Mulyana, 2015) adalah membuat versi virtual dari suatu sumber daya sehingga dalam satu sumber daya fisik dapat dijalankan atau disimpan beberapa sumber daya virtual sekaligus, asalkan kinerja setiap sumber daya virtual tidak berbeda secara signifikan dengan sumber daya fisik. sumber daya. Pengertian lain dari virtualisasi adalah teknologi yang memperkenalkan lapisan abstraksi antara perangkat lunak dan perangkat keras yang mendasarinya, yaitu platform fisik / host dan sistem operasi menggunakan perangkat lunak yang disebut monitor mesin virtual atau hypervisor (Finn & Lownds, 2011). Membuat beberapa mesin virtual dalam satu mesin berarti berbagi resource dari mesin tersebut, oleh karena itu pembuatan mesin virtual harus terencana dan tepat. Dari Gambar 1 dapat dilihat dengan fisik server, RAM, dan penyimpanan input / output, kita dapat menempatkan hypervisor untuk menggantikan sistem operasi baik itu Linux maupun Windows. Kemudian di hypervisor kita dapat menginstal lebih dari satu sistem operasi dengan CPU, RAM dan Storage itu sendiri secara virtual.

Gambar 1. Virtualisasi (Green et al., 2018) b. Virtual Machine Monitor

Menurut (Finn & Lownds, 2011) hypervisor adalah teknologi yang memperkenalkan lapisan abstraksi antara perangkat lunak, platform fisik / host dan sistem operasi yang merupakan mesin virtual, termasuk aplikasi yang berjalan di atasnya. Setiap mesin virtual atau sistem operasi akan dapat menjalankan programnya sendiri, seperti mesin virtual memiliki prosesor, memori, dan penyimpanannya sendiri. Namun pada kenyataannya, hypervisor yang mengalokasikan sumber daya tersebut ke mesin virtual. Dengan demikian, hypervisor memungkinkan untuk memiliki beberapa mesin virtual yang bekerja secara optimal

pada satu perangkat keras komputer. Pengertian yang hampir seperti hypervisor adalah perangkat lunak yang memungkinkan beberapa server virtual berjalan pada satu perangkat keras (Green et al., 2018). Berdasarkan prinsip kerjanya, hypervisor dibedakan menjadi dua yaitu Native Hypervisor dan Hosted Hypervisor (Poojara et al., 2018). Native Hypervisor adalah hypervisor yang berjalan langsung pada perangkat keras untuk menangani mesin virtual. Sedangkan Hosted Hypervisor merupakan hypervisor yang berjalan pada sistem operasi konvensional baik varian Windows maupun Linux.

Gambar 2. Native Hypervisor

Gambar 3. Hosted Hypervisor

Menguji kinerja hypervisor HyperV,

KVM, Xen dan ESXi (Hwang et al., 2014), (Karande & Dhargave, 2015), (Manik & ARORA, 2016) yang menguji kinerja CPU, media penyimpanan, RAM dan jaringan. Dengan berbagai alat pengujian yang berbeda, penelitian. Dengan berbagai alat pengujian yang berbeda, penelitian (Hwang et al., 2014), dengan menggunakan alat pengujian Bytemark, Ramspeed, Bonnie ++ & FileBench dan netperf, sedangkan(Karande & Dhargave, 2015) yang menggunakan Hadoop Benchmark, GPU Pass -through Performance, dan SIGAR Framework memiliki kesimpulan yang sama, walaupun hasil pengujiannya bervariasi, secara umum performa dari hypervisor VMware ESXi lebih baik dari hypervisor HyperV, KVM dan Xen.


43

Sedangkan pada penelitian (Manik & ARORA, 2016) dengan komponen pengujian yang sama yaitu penggunaan CPU, penggunaan RAM, kecepatan Disk dan kecepatan jaringan, disimpulkan bahwa setiap hypervisor memiliki kelebihannya masing-masing. Jika Anda membutuhkan komputasi intensif Anda dapat memilih Xen hypervisor, jika Anda membutuhkan lebih banyak memori intensif, Anda dapat memilih virtualisasi VMware. Kinerja hypervisor jika kondisi dan kebutuhan berbeda, maka kondisi tersebut dapat berbeda-beda

Penelitian (Poojara et al., 2018) dan (Graniszewski & Arciszewski, 2016) (Fayyad et al., 2013) menganalisis dan membandingkan dua jenis hypervisor, hypervisor asli dan hypervisor yang dihosting. Perbedaan dalam penelitian (Poojara et al., 2018) tidak terdapat hypervisor yang memiliki performansi yang menonjol dari ketiga hypervisor yang digunakan untuk penelitian (Virtualbox 6.0, Vmware workstation 9.0 dan Xen). Meskipun pengujian hypervisor asli dan hypervisor yang dihosting menggunakan perangkat keras yang berbeda, untuk meminimalkan penyimpangan karena perangkat yang berbeda, perangkat keras yang sama ditentukan dan pengujian dilakukan hingga dua puluh lima kali. Sedangkan dalam penelitian (Graniszewski & Arciszewski, 2016). Dengan menggunakan alat yang sama untuk menguji hypervisor asli dan hypervisor yang dihosting, kinerja ESXi, yang merupakan hypervisor asli, jauh lebih baik daripada yang lain. Penelitian Dalam penelitian (Fayyad et al., 2013) menyimpulkan bahwa hypervisor Xen lebih baik daripada hypervisor HyperV dan hypervisor Esxi, bahkan mendekati kinerja non-virtualisasi karena hypervisor Xen merupakan open source yang memungkinkan pengguna untuk mengontrol sepenuhnya seluruh sistem.

4. HASIL DAN PEMBAHASAN a. Kinerja CPU

Gambar 4 di bawah ini menggambarkan kinerja CPU dari 4 hypervisor. Jumlah setiap tes yang diambil dari rata-rata lima belas tes berjalan. Ada dua bagian grafik batang, Cachebench Read dan Cachebench Write. Cachebench mewakili seberapa cepat prosesor membaca dan menulis memori cache, semakin

tinggi skornya, semakin baik kinerjanya.. Untuk hypervisor Cachebench Xen sangat cukup baik daripada ESXi dan VMware Workstation Pro dan agak jauh dengan kinerja Virtualbox. Dalam uji Coremark, VMware Workstation Pro jauh lebih baik daripada yang lain dan dalam hal virtualbox adalah kinerja yang paling rendah.

Gambar 4. Kinerja CPU

c. Kinerja RAM

Gambar 5 merepresentasikan performa RAM dengan tiga bagian grafik batang. Bar pertama adalah tes floating point kecepatan ram. Tes floating point adalah mengukur seberapa cepat memori memproses angka yang sangat besar atau sangat kecil. Semakin tinggi skor kinerja RAM yang lebih baik. Bagian kedua adalah pengujian Stream, yang mengukur bandwidth memori berkelanjutan (dalam MB / s) dan kecepatan komputasi yang sesuai untuk kernel vektor sederhana. Skor lebih tinggi, performa lebih baik untuk hasil tes Stream. Dan bilah bagian ketiga adalah tes Tinymembench yang mengukur bandwidth puncak dari akses memori sekuensial dan latensi RAM. Ini juga sama dengan tes RAM lainnya, skor lebih tinggi, kinerja lebih baik. Secara umum, untuk kinerja RAM, Xen Server hypervisor lebih baik daripada tiga hypervisor lainnya dan untuk ESXi, VMware Workstation Pro, Virtualbox memiliki perbedaan kinerja yang sangat kecil di antara mereka.

Gambar 5. Kinerja RAM


44

d. Kinerja Storage Gambar 6 mengilustrasikan kinerja

storage untuk dua pengujian. Bagian bar pertama adalah AIO-Stress test yang menguji operasi input output asynchronous ke daftar file. AIO-Stress adalah utilitas dasar untuk menguji api AIO kernel Linux.. Bagian bar kedua mewakili tes Compilebench yang mensimulasikan beberapa IO disk yang umum dalam membuat, mengompilasi, menambal, menyatakan, dan membaca kernel tree. Baik AIO-Stress dan Compilebench dengan skor yang lebih tinggi memiliki performa yang lebih baik. Seperti yang ditunjukkan pada Gambar 7, umumnya Xen Server memiliki kinerja yang lebih baik daripada tiga lainnya meskipun hanya sedikit berbeda kinerja.

Gambar 6. Kinerja Storage


Makalah ini menjelaskan perbandingan kinerja empat hypervisor, ESXi, Xen Server, VMware Workstation Pro dan Virtualbox dengan benchmark phoronix test suite. Penulis menguji tiga komponen yaitu CPU dengan uji Cachebench Read dan Cachebench Write , RAM dengan Ramspeed Floating Point, Stream dan Tinymembench serta Disk dengan AIO-Stress dan Compilebench. Hasil benchmarking, dengan sumber daya yang sama kinerja CPU server Xen sedikit lebih baik dari ketiga lainnya. Kinerja RAM, Xen juga lebih baik dari ketiga hypervisor lain. Dan kinerja storage, Xen juga lebih baik dari ketiga hypervisor lainya. b. Saran

Dari proses penelitian ini, penulis dapat memberikan beberapa saran untuk penelitian selanjutnya terkait dengan performa hypervisor.

Peneliti dapat mencoba menggunakan lebih banyak instrumen penguji untuk setiap objek pengujian hypervisor, contohnya untuk pengujian ditambah menggunakan instrumen

linux-kernel-compilation, byte, blogbench atau yang lainya.

Obyek pengujian bisa ditambahkan dengan pengujian kinerja jaringan dengan menjaga koneksi jaringan stabil (jaringan lokal tanpa ada intervensi).

6. REFERENSI Cramer, D. (1998). Fundamental Statistics for

Social Research. Routledge. Fayyad, H., Perneel, L., & Timmerman, M.

(2013). Benchmarking the Performance of Microsoft Hyper-V server, VMware ESXi and Xen Hypervisors. Journal of Emerging Trends in Computing and Information Sciences, 4(12), 922–933.

Finn, A., & Lownds, P. (2011). Mastering Hyper-V Deployment. SYBEX Inc.

Graniszewski, W., & Arciszewski, A. (2016). Performance analysis of selected hypervisors (Virtual Machine Monitors - VMMs). International Journal of Electronics and Telecommunications, 62(3), 231–236. https://doi.org/10.1515/eletel-2016-0031

Green, J., Lowe, S. D., & Davis, D. M. (2018). The Fundamentals of Hyperconverged Infrastructure. 48. www.actualtechmedia.com

Hwang, J., Zeng, S., & Wood, T. (2014). A component-based performance comparison of four hypervisors. Integrated Network Management …, May 2014, 269–276. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6572995

Karande, S., & Dhargave, S. (2015). Evaluation of different Hypervisors Performances using Different Benchmarks. January 2015.

Manik, V. K., & ARORA, D. (2016). Performance Comparison of Commercial VMM : 1771–1775.

Mulyana, E. (2015). BUKU Komunitas SDN-RG. GitBook. https://doi.org/10.1002/ejoc.201200111

Poojara, S. R., Dharwadkar, N. V., & Ghule, V. (2018). Performance benchmarking of hypervisors- A Case Study. Indian Journal of Science and Technology, 10(44), 1–11. https://doi.org/10.17485/ijst/2017/v10i44/120579


45

SISTEM PENGAIRAN OTOMATIS UNTUK TANAMAN BUAH DALAM POT BERBASIS ARDUINO

Anwar Fu’adi1), Agus Prianggono2)

1) 2) Prodi Pemeliharaan Komputer dan Jaringan AKN Pacitan 1) 2) Jl. Walanda Maramis No. 4A Pacitan

1) [email protected], 2) [email protected]

Abstrak

Teknik menanam tabulampot yakni tanaman buah di dalam pot membutuhkan perhatian ekstra untuk menjaga nutrisi dan kandungan air pada tanah atau media tanam. Pada beberapa kasus, terlewatnya penyiraman tanaman akan membuat tanamana layu, kering, atau mati. Untuk mengatasi hal ini diperlukan teknik penyiraman yang berkerja secara otomatis. Tujuannya adalah agar kandungan air pada media tanam tetap terjaga sehingga tabulampot akan tumbuh dengan subur. Teknik penyiraman secara otomatis diekperimenkan pada penelitian ini mengunakan sebuah board mikrokontroler yakni Arduino dan memanfaatkan sebuah sensor yakni Soil Moisture Censor. Penelitian telah berhasil mensimulasikan sistem pengairan otomatis berbasis arduino dengan menghasilkan prototype yang dapat berjalan dengan baik sesuai dengan skenario yang ditentukan. Prototype berhasil disusun dengan menggunkan empat langkah generik dalam Software Development Lifecycle (SDLC). Fase perancangan dilakukan dengan penyusunan diagram blok. Fase pengembangan dilakukan dengan pembuatan skema rangkaian. Fase instalasi dilakukan dengan merangkai seluruh perangkat sesuai dengan skema rangkaian. Fase pengujian dilakukan dengan menjalankan prototype sesuai dengan skenario yang direncanakan. Kata kunci : tabulampot, arduino, soil moisture sensor, prototype, SDLC 1. PENDAHULUAN Lahan pertanian yang semakin sempit memunculkan teknik-teknik menanam yang baru. Beberapa tren menanam yang baru di antaranya teknik hidroponik yang memanfaatkan aliran air nutrisi untuk tanaman, teknik akuaponik yang memanfaatkan limbah teknik akuakultur dari kotoran ikan sebagai nutrisi hidroponik, dan teknik tabulampot yakni menanam buah dalam pot. Teknik tabulampot memanfaatkan lahan yang sempit untuk menanam tanaman buah kemudian mengatur dan menjaga nutrisinya agar tanaman dapat berbuah dengan baik walaupun ukuran lahan dan ukuran tanaman relatif kecil. Teknik ini menyaratkan perawatan beberapa aspek salah satunya penyiraman yang teratur dengan tetap menjaga kelembaban tanah untuk mengantisipasi penguapan. Hal ini dikarenakan akar tanaman berkembang di media yang sangat sempit yakni pot, sehingga kadar air harus selalu dijaga.

Salah satu kendala adalah jika pemilik tabulampot terlewat menyirami tanaman maka tanaman akan layu, kering, bahkan mati.

Untuk mengantisipasi hal ini perlu diimplementasikan suatu sistem yang dapat menyirami tabulampot secara otomatis berdasarkan kondisi tanah atau media tempat tambulapot ditanam.

Tujuan penelitian ini adalah mengembangkan dan mengimplementasikan sistem pengairan otomatis berbasis Arduino untuk perkebunan tabulampot. Manfaat dari penelitian ini adalah terjaganya kondisi kandungan air dalam tanah atau media tempat tanam tabulampot untuk menghindari tanaman layu, kering, dan mati.

2. METODE PENELITIAN

Penelitian ini menggunakan metode analisis qualitatif action research, data yang diperlukan dalam penelitian ini diperoleh melalui observasi langsung terhadap proses kerja yang dilaksanakan. Penelitian ini dilaksanakan pada bulan Oktober 2020.

Peneliti memulai tahapan penelitian dengan menyusun diagram blok yang menggambarkan bagaimana seluruh perangkat akan dipasang. Diagram blok dibawah ini menggambarkan gabungan dari sistem kelistrikan dan sistem irigasi. Sistem


46

kelistrikan menggunakan pembangkit listrik tenaga surya. Sistem irigasi otomatis menggunakan pompa yang tersambung ke relay dan dikontrol oleh arduino.

Gambar 1. Diagram Blok

Berdasarkan diagram blok di atas, peneliti membagi perancangan ke dalam empat bagian sebagai berikut:

a. Skema rangkaian LCD dengan arduino b. Skema rangkaian Soil Moisture Sensor

dengan arduino c. Skema rangkaian Relay 5V dengan

arduino d. Skema rangkaian Pembangkit listrik

tenaga surya

a. Skema Rangkaian LCD LCD digunakan untuk menampikan hasil pengukuran kondisi kelembaban tanah yang dilakukan oleh arduino dengan menggunakan soil moisture sensor. LCD yang digunakan adalah LCD yang dapat bekerja dengan Hitachi HD44780 driver (Arduino.cc, 2020). LCD ini memiliki 16 pin dengan skema rangkaian sebagai berikut:

Gambar 2. LCD dengan 16 PIN

b. Skema Rangkaian Soil Moisture Sensor Soil moisture sensor memiliki 2 bagian utama yakni sensor dan komparator. Sensor akan mengukur kondutifitas tanah yang dikonversi dalam sinyal analog dan digambarkan dengan angka 0-1023. Angka ini dapat diklasifikan kedalam golongan tanah kering, lembab, dan basah. Sensor benilai 0-339 berarti basah. Sensor bernilai 340-475 berarti lembab, 476-1023 berarti kering (Husdi, 2018). Rangkaian sensor, komparator, dan arduino disusun sebagai berikut:

Gambar 3. Skema Rangkaian Soil Moisture

Sensor


47

c. Skema Rangkaian Relay 5V Relay 5V seperti SRD-05VDC-SL-C memiliki tiga terminal bertegangan tinggi dengan arus AC yakni Normally Closed (NC), Normally Open (NO) dan Common Terminal (C). Pada sisi lain dari relay terdapat tiga pin bertegangan rendah yakni Ground, VCC, dan Signal. Relay 5V dirangkai dengan arduino sebagai berikut:

Gambar 3. Skema Rangkaian Relay 5V

d. Skema Rangkaian Solar System Untuk keperluan sumber listrik, penelitian ini menggunakan sumber tenaga listrik dari PLTS dengan menggunakan rangkaian seperti di bawah ini. Panel surya menyerap tenaga matahari untuk dikonversi menjadi tegangan arus DC disalurkan ke solar controller. Solar controller mengatur arus DC yang diterima dengan disalurkan ke baterai untuk disimpan dan menyalurkan ke inverter untuk diubah menjadi listrik AC bertegangan 220 Volt.

Gambar 4. Skema Rangkaian Solar System

3. TINJAUAN PUSTAKA Metode budidaya tanaman buah dalam pot (tabulampot) dibuat untuk menjawab tantangan keterbatasan lahan. Tabulampot adalah kepanjangan dari tanaman tumbuh dalam pot yang memiliki arti yaitu tumbuhan yang dibudidayakan didalam pot yang tujuannya yaitu untuk hiasan ataupun untuk di produksi buahnya. Dalam dunia akademisi tabulampot ialah teknologi budidaya tanaman dengan memanfaatkan ruangan yang terbatas untuk dapat menumbuhkan tanaman yang produktif didalam pot (Kementerian Pertanian, 2020). Perawatan pada tabulampot meliputi penyiraman, penyiangan, pemangkasan dahan dan akar, pemupukan, pengendalian hama dan penyakit, serta penggantian media tanam dan pot. Penyiraman merupakan perawatan yang paling penting. Tanaman akan mati karena layu dan kering jika penyiraman tidak dilakukan dengan tepat. Arduino adalah kit elektronik atau papan rangkaian elektronik open source yang di dalamnya terdapat komponen utama yaitu sebuah chip mikrokontroler dengan jenis AVR dari perusahaan Atmel. Mikrokontroler adalah chip atau IC (integrated circuit) yang bisa diprogram menggunakan komputer. Tujuan menanamkan program pada mikrokontroler adalah agar rangkaian elektronik dapat membaca input, memproses input tersebut dan kemudian menghasilkan output sesuai yang diinginkan. Jadi mikrokontroler bertugas sebagai otak yang mengendalikan input, proses dan output sebuah rangkaian elektronik (I. Efendi, 2020). Kegunaan Arduino tergantung kepada kita yang membuat program. Arduino bisa digunakan untuk mengontrol LED, bisa juga digunakan untuk mengontrol helikopter. Bahasa pemrograman Arduino adalah bahasa C. Bahasa ini sudah dipermudah menggunakan fungsi-fungsi yang sederhana sehingga pemula pun bisa mempelajarinya dengan cukup mudah. Soil Moisture Sensor mengukur kandungan air dalam tanah. Pengukuran kandungan air secara gravimetri membutuhkan proses pembersihan, pengeringan, dan penimbangan yang rumit, sehingga Soil Moisture Sensor akan mengukur kandungan air dalam tanah secara tidak langsung berdasarkan beberapa karakteristik tanah diantaranya electrical resistance,


48

dielectric constant, dan neutrons interaction. Relasi antara karakteristik yang diukur dengan kondisi kandungan air secara langsung harus dikalibrasi dan hansilnya akan sangat tergantung beberapa factor diantaranya jenis tanah, suhu, dan kondutifitas tanah (Algorista, 2020). Software Development Lifecycle SDLC merupakan serangkaian tahapan yang dibutuhkan dalam pengembangan suatu sistem, yang dimulai dari investigasi dan analisis kebutuhan dasar, desain, implementasi, dan pemeliharaan (R.S. Pressman, 2015). Berdasarkan tinjauan pustaka, dalam penelitian ini peneliti mengembangkan sekaligus mengimplementasikan sistem pengairan otomatis berbasis arduino dengan sensor kandungan air dalam tanah (Soil Moisture Sensor ) mengunakan tahapan pengembangan sistem SDLC. 4. HASIL DAN PEMBAHASAN

Berdasarkan rancangan tahapan kegiatan yang telah disusun, selanjutnya dilaksanakan tahap implementasi sesuai dengan rancangan pada diagram blok.

Tahap pertama adalah menyusun rangkaian solar sistem yang terdiri dari solar panel, inverter dan baterai. Rangkaian solar sistem dapat dirangkai seperti pada gambar 5., gambar 6. dan gambar 7. berikut :

Gambar 5. Solar Panel

Gambar 6. Solar Panel dan Inverter

Gambar 7. Baterai

Selanjutnya menyusun rangkaian

arduino, relay 5V, dan soil moisture sensor seperti pada gambar 8. berikut :


49

Gambar 8. Rangkaian Arduino, Soil Moisture

Sensor, dan Relay 5V Selanjutnya dilakukan pengkodean sketch arduino. Kode program yang ditulis pada sketch arduino dapat dijelaskan sebagai berikut:

Tabel 1. Penjelasan Kode Program Baris Penjelasan

1 Memanggil library LiquidCrystal.h untuk mengontrol LCD

2 Mendefinisikan LCD agar memanfaatkan pin nomor 12,11, 5, 4, 3, dan 2

4 Mendefinisikan pin analog untuk mengambil nilai sensor melalui pin A5

5 Mendefinisikan pin 7 sebagai pin untuk mengontrol relay

9 Mendefinisikan dimensi LCD yang digunakan 16 kolom 2 baris

10 Mendefinisikan pin 7 untuk mengontrol relay beroperasi sebagai output

15 Membaca nilai dari soil moisture sensor

18 Menyalakan relay jika nilai soil moisture sensor lebih dari 500

19 Mematikan relay jika nilai soil moisture sensor kurang dari 100

23-29

Menampilkan informasi ke LCD

Gambar 9. Kode Progam pada Arduino

Selanjutnya dilakuan pengujian dengan skenario sebagai berikut: Solar panel mendapat sinar matahari Solar Controller menerima arus listrik

DC Solar Controller menyalurkan arus listrik

DC ke baterai Solar Controller menyalurkan arus listrik

DC ke power inverter Power inverter menghasilkan listrik AC

untuk arduino dan pompa Soil moisture sensor mengukur tanah

kering, relay menyala dan pompa mengalirkan air

Soil moisture sensor mengukur tanah basah, relay mati dan pompa berhenti mengalirkan air

LCD menampilkan informasi nilai sensor dan persentase kelembaban tanah

Berdasarkan hasil pengujian yang dilakukan, diperoleh hasil bahwa rangkaian prototype yang dibuat dapat berfungsi sebagaimana direncanakan. Hasil pengujian prototype dapat dilihat pada gambar berikut :


50

Gambar 10. Pengujian Smart Watering

System 5. KESIMPULAN DAN SARAN a. Kesimpulan

Penelitian telah berhasil mensimulasikan sistem pengairan otomatis berbasis arduino dengan menghasilkan prototype yang dapat berjalan dengan baik sesuai dengan skenario yang ditentukan. Prototype berhasil disusun dengan menggunkan empat langkah generik dalam SDLC. Fase perancangan dilakukan dengan penyusunan diagram blok. Fase pengembangan dilakukan dengan pembuatan skema rangkaian. Fase instalasi dilakukan dengan merangkai seluruh perangka sesuai dengan skema rangkaian. Fase pengujian dilakukan dengan menjalankan prototype sesuai dengan skenario yang direncanakan.

Peneliti mengucapkan terima kasih kepada semua pihak yang bekontribusi terhadap penelitian ini. Peneliti membuka diri untuk menerima saran dan masukan dari semua pihak demi penyempurnaan penelitian ini.

b. Saran

Saran peneliti dalam rangka pengembangan untuk memperbaiki lanjutan penelitian ini agar dapat diimplementasikan dengan lebih baik yaitu bahwa sistem yang dikembangkan saat ini masih sangat sederhana sehingga membutuhkan pengembangan yang cukup signifikan, mungkin kedepan bisa menambahkan jenis

sensor lain yang lebih lengkap sehingga sistem ini lebih akurat dan fleksibel.

6. REFERENSI Kementrian Pertanian, "Cara Mudah

Membuat Tabulampot," [Accessed 14-09-2020]. [Online]. Available : http://cybex.pertanian.go.id/mobile/artikel/80212/CARA-MUDAH-MEMBUAT-TABULAMPOT-Tanaman-Buah-Dalam-Pot/

I. Efendi, "Pengertian dan Kelebihan Arduino," [Online]. Available: https://www.it-jurnal.com/pengertian-dan-kelebihan-arduino/. [Accessed 09 Oktober 2020].

Algorista, "Sensor Kelembaban Tanah atau Soil Moisture," [Online]. Available: http://www.algorista.com/2020/01/sensor-soil-moisture.htm. [Accessed 09 Oktober 2020].

R. S. Pressman, Software Engineering: A Practitioner's Approach, New York: McGraw-Hill Education, 2015.

Arduino.cc, ""Hello World!"," [Online]. Available: https://www.arduino.cc/en/ Tutorial/LibraryExamples/HelloWorld. [Accessed 09 10 2020].

M. Y. J. B. M Mediawan, "Automatic Watering System in Plant House," 3rd Annual Applied Science and Engineering Conference, p. 434, 2018.

Dwijaya Kesuma, Ida Bagus; Sudarma, Made; Alit Swamardika, Ida Bagus. Rancang Bangun Sistem Pengaman Berbasis Arduino Uno. Jurnal SPEKTRUM, [S.l.], Vol. 3, No. 2, p. 89-92, Dec. 2016. ISSN 2684-9186.

Husdi, H. (2018). Monitoring Kelembaban Tanah Pertanian Menggunakan Soil Moisture Sensor Fc-28 Dan Arduino Uno. ILKOM Jurnal Ilmiah, 10(2), 237-243. Doi : https://doi.org/10.33096/ ilkom.v10i2.315.237-243

Wulantika Sintia, Dedy Hamdani, Eko Risdianto. (2018). Rancang Bangun Sistem Monitoring Kelembaban Tanah dan Suhu Udara Berbasis GSM SIM900A Dan Arduino Uno. Jurnal Kumparan Fisika, Vol.1, No.2, p. 60-65.


51

PREDIKSI PENJUALAN PRODUK PROMO PT. UNILEVER, TBK MENGGUNAKAN METODE FUZZY TIME SERIES

Arial 11 Yehoshua1), Kustanto2), Retno Tri Vulandari3)

1) Program Studi Sistem Informasi, STMIK Sinar Nusantara

2,3) Program Studi Teknik Informatika, STMIK Sinar Nusantara 1)[email protected]; 2)[email protected]; 3)[email protected]

…….……. 11 Abstract

PT. Unilever is a multinational company headquartered in Rotterdam, the Netherlands (under

the name Unilever N.V.), London, England (under the name Unilever pic.) And in Indonesia has a subsidiary, PT. Unilever, Tbk was established on December 5, 1933. Unilever produces food, drinks, cleaners, and also body care. Unilever is the third largest producer of household goods in the world, if based on the amount of revenue in 2012, behind P & G and Nestle. In forecasting products, it is often influenced by the sale of these products because there are also changes in sales for each period. Usually there is an increase in sales of these products which, among other things, is caused by price discounts, new products, one free one to buy promo, or a saving package from Unilever or from a rival company. Data collection method used by the author is a method of observation or directly observing the process of transmission, interview methods and literature study methods. While the method for processing data uses fuzzy time series algorithms, context diagrams, data flow diagrams, HIPO, relational diagram entities, data dictionary design, input design, output design, relation diagrams between tables, system implementation and testing. The method for implementation uses vb.net and Mysql. The results of this thesis are a system for calculating the forecasting amount of sales or sales of promo products for the following year. From this system, information on store data, item data, sales year history data, and forecasting data from fuzzy time series data will be displayed.. From rinso goods promotion data which have been calculated using fuzzy time series method which get MAPE value equal to 3,2%, so sales data for category of goods will experience increase based on calculation equal to 3,2%.

Keywords : PT Unilever Indonesia, Fuzzy Time Series, Information Systems 1. PENDAHULUAN

Promosi merupakan sebuah bagian terpenting dalam sebuah penjualan, dimana setiap promosi akan menghasilkan suatu produk akan laku dijual sehingga target dari penjualan tersebut dapat tercapai. Dalam penyusunan peramalan tersebut banyak didasarkan atas data yang relevan pada masa lalu. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya,dan kemudahan. Dua metode yang sering digunakan untuk meramalkan suatu data yaitu analisis regresi dan metode runtun waktu (time series).

Berdasarkan atas produk promo yang dijalankan oleh PT Unilever, Tbk untuk mengetahui tingkat penjualan produk promosi maka penulis tertarik menggunakan metode

fuzzy time series dimana penentuan intervalnya yang berbasis rata-rata penjualan diaplikasikan untuk meramalkan penjualan produk promosi di PT Unilever Tbk. 2. TINJAUAN PUSTAKA

Fuzzy time series adalah sebuah konsep baru yang diusulkan oleh Song dan Chissom berdasarkan teori fuzzy set dan konsep variabel linguistik dan aplikasinya oleh Zadeh. Fuzzy time series digunakan untuk menyelesaikan masalah peramalan yang mana data historis adalah nilai-nilai linguistik. Misalnya, dalam masalah peramalan, data historis tidak dalam bentuk angka real, namun berupa data linguistik. Dalam hal ini, tidak ada model time series konvensional yang dapat diterapkan, akan tetapi model fuzzy time series dapat diterapkan dengan lebih tepat. Pada penelitian sebelumnya, berdasarkan teori


52

himpunan fuzzy, logika fuzzy dan penalaran perkiraan, Song dan Chissom mengajukan definisi fuzzy time series dan garis besar pemodelan dengan cara persamaan relasional fuzzy dan penalaran perkiraan. Kemudian oleh Chen (pada tahun 1996) diperkenalkan sebuah metode peramalan fuzzy time series menggu-nakan operasi arithmetic. Huarng (pada tahun 2001), menyajikan model heuristic untuk peramalan time series menggunakan heuristic increasing and decre-asing relations untuk memperbaiki peramalan enroll-ments dan exchange di Taiwan. Kemudian oleh Singh tahun 2007, diajukan algoritma komputasi sederhana, sehingga dapat mengurangi waktu untuk menghasilkan persamaan relational dengan menggunakan operasi komposisi max-min yang kompleks dan mengurangi waktu untuk proses defuzzifikasi pada metode Song dan Chissom. Metode Singh dapat menyelesaikan masalah dalam mencari prosedur defuzzifikasi yang cocok untuk menghasilkan nilai output crisp dengan akurasi yang lebih baik. Perbedaan utama antara fuzzy time series dan konvensional time series yaitu pada nilai yang digunakan dalam peramalan, yang merupakan himpunan fuzzy dari bilangan-bilangan real atas himpunan semesta yang ditentukan. Himpunan fuzzy dapat diartikan sebagai suatu kelas bilangan dengan batasan yang samar.[1]

Langkah-langkah peramalan dengan metode yang diajukan oleh Reuy Chyn Tsaur [2] sebagai berikut : 1. Mengumpulkan data (Yt ) 2. Definisikan Universe of discourse U

berdasarkan jarak yang tersedia pada histori data runtun waktu, dengan aturan berdasarkan jarak yang tersedia pada histori data runtun waktu, dengan aturan 푈 = [퐷 −퐷 ,퐷 + 퐷 ] dimana D1 dan D2 adalah nilai konstanta.

3. Menentukan interval I menggunakan metode average based length dengan langkah-langkah berikut :

a. Hitung selisih Dvt, Dvt-1 kemudian hitung rata-ratanya dengan rumus 2.1.

av= ∑ |Dt- Dt-1|n

i=1

n-1...........(2.1)

Dimana, av adalah nilai rata-rata. n adalah jumlah observasi. Di adalah data ke i. Di-1 adalah data ke i – 1.

b. Bagi dua nilai rata-rata. Dengan rumus 2.2. B = av

2........................(2.2)

Dimana B adalah basis. c. Besar interval I adalah pembulatan nilai B

kemudian basis ditentukan berdasarkan Tabel 1

Tabel 1. Tabel Pemetaan Basis Range Base

0.1 – 1.0 0.1 1.1 - 10 1 11 – 100 10

101 – 1000 100 1001 - 10000 1000

4. Jumlah interval fuzzy diketahui dengan berdasarkan rumus 2.3.

m= Dmax+ D1-Dmax+D2I

.........(2.3)

5. Tentukan himpunan fuzzy logical. 6. Tentukan fuzzy relationship. 7. Cari fuzzy logical relationship group. 8. Menghitung ramalan.

Langkah berikutnya untuk melakukan perhitungan perbedaan antara data asli dan data hasil peramalan adalah dengan metode MAPE (Means Absolute Presentage Error) pada rumus 2.4. Perbedaan tersebut diabsolutkan, kemudian dihitung ke dalam bentuk persentase terhadap data asli. Hasil persentase tersebut kemudian didapatkan nilai mean-nya. Suatu model mempunyai kinerja bagis jika nilai MAPE berada dibawah 10%, dan mempunyai kinerja bagus jika nilai MAPE berada diantara 10% dan 20% [3]. 푀퐴푃퐸 =∑ ÷ 푥100%......(2.4)

Dari Penelitian yang dilakukan oleh Yopi Wahyu Purwanto dengan judul “Penerapan Fuzzy Time Series Untuk Memprediksi Tingkat Penjualan Batik Jember (Studi Kasus : Rumah Batik Rolla)”, dengan hasil penelitian menghasilkan nilai prediksi secara periode dan memiliki jumlah rata-rata kenaikan angka 100 dan memiliki penurunan pola yang statis, serta memiliki tingkat Error MAPE sebesar 20%, perbedaan dengan penelitian yang dilakukan penulis adalah nilai prediksi yang dilakukan adalah secara bulanan dan penulis memiliki pola kenaikan dan


53

penurunan secara statis dan memiliki tingkat error MAPE sebesar 13%. [4]

Dari Penelitian yang dilakukan oleh Normalita Fauziah dengan judul Peramalan menggunakan fuzzy time series Chen (Studi Kasus : Curah Hujan Kota Samarinda), dan hasil dari penelitian ini adalah berdasarkan data bulan Januari 2011-Mei 2016 diperoleh hasil peramalan untuk bulan Juni 2016 adalah 268 mm. Peramalan curah hujan Kota Samarinda berdasarkan data bulan Januari 2013-Mei 2016 diperoleh hasil peramalan untuk bulan Juni 2016 adalah 287,5 mm. Untuk peramalan curah hujan Kota Samarinda berdasarkan data bulan Januari 2014-Mei 2016 diperoleh hasil peramalan untuk bulan Juni 2016 adalah adalah 300 mm, perbedaan dari data yang digunakan penulis adalah penulis menggunakan data selama kurun waktu 5 tahun dan mempunyai kenaikan secara statis dan memiliki error MAPE sebesar 13%. [5]

Dari Penelitian yang dilakukan oleh Rindy Aji dengan judul Sistem Pendukung Keputusan pemilihan prajurit berprestasi di KODIM 0728/WONOGIRI Menggunakan Weighting Product, dan hasil dari penelitian ini adalah berdasarkan data observasi dan. SPK Menentukan kriteria dan bobot keputusan. Bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria, W =(푊1,푊2,…,푊푛 ). Pada Weighting Productakan dicari bobot kepentingan dari setiapkriteria. Bobot untuk masing-masing kriteria tersebut yaitu (W) = 푊1= 0.40, 푊2=0.20, 푊3= 0.20, 푊4= 0.20., perbedaan dari data yang digunakan penulis adalah penulis menggunakan data selama kurun waktu 5 tahun dan mempunyai kenaikan secara statis dan memiliki error MAPE sebesar 13%.[6]

Dari Penelitian yang dilakukan oleh Malim Muhammad dengan judul “Sebaran dan Peramalan Mahasiswa Baru Pendidikan Matematika Universitas Muhammadiyah Purwokerto dengan Metode Time Invariant Fuzzy Time Series”. Dalam hal ini baik program studi Pendidikan Matematika dan Pendidikan Guru SD dan pihak Universitas dapat mengambil kebijakan yang tepat terkait penerimaan mahasiswa baru berdasarkan sebaran dan prediksi tersebut di atas. Pada peramalan pendaftaran dengan 6 himpunan fuzzy, pada tahun 2016-2020 diramalkan jumlah mahasiswa pendidikan matematika

dan PGSD Universitas Muhammadiyah Purwokerto sebesar 389, 459, 427, 497, dan 465 mahasiswa, dengan error ramalan 47,5 %.[7]

3. METODE PENELITIAN Salah satu masalah yang terpenting dalam

penelitian adalah melalui metode tertentu untuk memecahkan suatu masalah yang diperoleh dengan tujuan agar mendapat hasil yang dapat dipertanggung jawabkan. Adapun langkah-langkah dalam teknik pengumpulan data suatu penelitian adalah sebagai berikut : a. Metode Kuisioner

Kuisioner dilakukan di perusahaan dengan melakukan penyebaran kuisioner kepada 30 petugas, dimana terdapat 8 pertanyaan, dari hasil tersebut didapatkan rata-rata adalah 70% dari hasil kuisioner tersebut. b. Metode Wawancara

Wawancara dilakukan ke bagian penjualan dimana didapatkan data penjualan, dari tahun 2013 sampai dengan tahun 2017 dimana ditunjukkan pada tabel 1. Tabel 1 menunjukkan data penjualan yang dilakukan oleh PT Unilever dalam jurum waktu 2013 sampai 2017 dimana terdapat 3 jenis barang yaitu rinso, sunlight dan lifeboy. 4. HASIL DAN PEMBAHASAN 1. Studi KasusMetode Fuzzy Time Series Langkah 1. Input data

Data penjualan barang dengan kategori barang-barang promosi antara tahun 2013 sampai dengan tahun 2017 akan diramal dengan fuzzy time series. Data aktual penjualan ditunjukkan pada Tabel 1. Langkah 2. Definisikan universe of discourse

Nilai minimal dan maksimal dari data aktual penjualan barang kategori barang promo adalah 13244 dan 21367. Berdasarkan nilai-nilai tersebut maka universe of discourse U dapat didefinisikan sebagai U = [13244,21367]. Langkah 3. Menghitung interval dan himpunan fuzzy dengan nilai absolute

Tabel 2. Tabel Nilai Absolute

Tahun Data Penjualan

Selisih Absolute Data

2013 21367 2014 13244 8123


54

2015 19432 6188 2016 15325 4107 2017 19568 4243

Total 88936 22661 Menentukan Rata-Rata Dengan rumus :

Average=∑ |xt+1-xt |

n.............................(1)

Average= 226615

= 4532 Setelah diketahui average dari nilai absolute selanjutnya mencari rata-rata selisih dengan rumus sebagai berikut :

Rata-Rata Selisih =Avrg(Absolute)

2… … . .(2)

Rata-Rata Selisih = 4532

2 = 2266

yang dirujuk menjadi basis 1000. Setelah mengetahui nilai rata-rata selisih selanjutnya mencari basis interval dari nilai tersebut dengan rumus :

jumlah interval efektif= (Dmax-Dmin)basis interval

..............(3)

jumlah interval efektif=(13244 -21367)

1000= 9

sehingga jumlah interval efektifnya adalah 9 dengan jangkauan basis 1000 Selanjutnya menentukan interval efektif dengan himpunan fuzzy, dimana mengambil angka minimal sebagai batas bawah dengan nilai [13244] dan untuk mendapatkan batas atas dengan menambah nilai batas bawah ditambah 1000 menjadi [14244] dimana 1000 sebagai jangkauan basisnya yang ditunjukkan pada tabel 2.

Tabel 3. Himpunan Fuzzy

Batas bawah Batas atas Interval (u)

13244 14244 1 14244 15244 2 15244 16244 3 16244 17244 4 17244 18244 5 18244 19244 6 19244 20244 7 20244 21244 8 21244 22244 9

Selanjutnya menentukan nilai tengah dari interval U untuk menentukan nilai A1...n yang digunakan untuk peramalan, dimana dambil contoh U1 sebagai nilai A1 yang bernilai [13244,14244] dengan rata-rata bernilai A1 13744 sebagai hasil fuzzykasinya, berikut hasilnya ditunjukkan pada tabel 3.

Tabel 4. Fuzzykasi Nilai lingustik Fuzzifikasi

A1 13744 A2 14744 A3 15744 A4 16744 A5 17744 A6 18744 A7 19744 A8 20744 A9 21744

Langkah 4.Fuzzifikasi data actual

Berdasarkan himpunan fuzzy maka diperoleh fuzzifikasi, sebagai contoh data penjualan 21367 dengan fuzzykasi hasil peramalan A1 dan mendapat nilai peramalan sebesar 13744, untuk fuzzykasi data actual ditunjukkan pada Tabel 6.

Tabel 5. Fuzzyfikasi data actual Data Penjualan

Hasil Akhir Prediksi

Data Prediksi

( 퐹 − 퐹 )/퐹

21367 A9 0 0

13244 A1 13744 0.04

19432 A7 19744 0.02

15325 A3 15744 0.03

19568 A7 19744 0.07

0 - 15744 0.16 Langkah 5.Menghitung Nilai MAPE Penghitungan nilai MAPE setelah melakukan perhitungan dengan fuzzy time series berikut rumusnya :

MAPE = ∑ ( Fa-Fp )/Fa

n*100............................(5)

MAPE=(0.16)

5*100

=0,32 * 10% =3 % Berdasarkan data nilai MAPE maka terdapat 3% nilai kesalahan, dimana aplikasi memiliki hasil perbedaan dengan sistem sebesar 3%. Diagram Konteks


55

Diagram konteks menggambarkan sitem prediksi penjualan barang promosi yang akan dikembangkan oleh penulis, berikut diagram konteks:

Prediksi Penentuan Penjualan Produk Promosi PT. Unilever, Tbk

Menggunakan Metode Fuzzy Time SeriesManajer

Bagian PenjualanTransaksi Penjualan

Laporan Data BarangLaporan Penjualan

Bagian Gudang

Laporan Data BarangLaporan Penjualan

Laporan Data BarangLaporan PenjualanLaporan Stock Barang

Data Barang

Gambar 1. Diagram Konteks Berdasarkan diagram konteks di

gambar 1 menggambarkan sistem yang dilakukan oleh Bagian Penjualan menginput data transaksi dan mendapatkan laporan data barang, laporan penjualan dan prediksi barang, untuk bagian gudang dan manajer mendapatkan laporan data barang, penjualan dan prediksi barang. 2. Diagram Alir Data

Diagram alir data adalah penggambaran sistem secara komputerisasi yang melibatkan kesatuan luar. Diagram Alir Data Level 0

Gambar 2. Diagram Alir Data Level 0

Diagram alir data level 0 menggambarkan sistem input data dimana disimpan dalam database, input data barang disimpan dalam data barang dan transaksi disimpan pada tabel jual dan jual det.

3. Diagram Alir Data Level 1

Gambar 3. Diagram Alir Data Proses 1

Diagram Alir data proses 1 menggambarkan proses input data barang

dimana disimpan dalam tabel barang dan data store disimpan pada tabel store.

4. Diagram Alir Data Level 2

Gambar 4. Diagram Alir Data Proses 2

Diagram Alir data proses 2 menggambarkan proses transaksi penjualan dan prediksi dimana disimpan dalam tabel jual, jual_det dan rekap jual, sedangkan prediksi disimpan dalam tabel hasil_prediksi.

5. Diagram Entitas Relasi

Diagram ini menghubungkan antar entitas yang terlibat dalam PT Unilever Indonesia dan setiap aplikasi yang dijalankan dilakukan oleh bagian penjualan dimana setiap transaksi penjualan dilakukan oleh bagian penjualan.

Gambar 6. Diagram Entitas Relasi Awal

Gambar 7. Normalisasi Databases

Berdasarkan gambar 7 relasi yang terjadi adalah sebagai berikut : 1. Barang dijual kepada toko-toko merupakan

relasi antara entitas Barang dan jual serta jual_det dimana satu barang bisa dijual lebih dari satu toko, sehingga kardinalitasnya adalah one to many untuk barang dengan relasi jual_det dan kardinalitas many to one untuk jual_det dengan jual dan kardinalitas many to one untuk jual dengan store.

2. Barang yang sudah terjual direkap dalam tabel rekap_jual yang nantinya akan digunakan dalam melakukan prediksi


56

penjualan barang, dimana merupakan relasi antara barang, jual_det, dan jual dengan tabel rekap_jual, dimana kardinalitasnya antara barang dan rekap_jual adalah one to one dimana satu barang berelasi satu barang dengan satu barang. Barang yang sudah dilakukan penjualan dan direkap di tabel rekap_jual, lalu dilakukan prediksi dengan metode double exponential smoothing, dimana rekap_jual relasi dengan prediksi dengan kardinalitas one to one dengan tabel barang, dimana setiap barang per item akan dilakukan prediksi masing-masing berdasarkan data penjualannya.

6. Relasi Antar Tabel

Gambar 8. Relasi Antar Tabel

Relasi antar tabel menggambarkan

sistem relasi antara tabel dimana tabel barang relasi dengan tabel jual_detail, rekap_jual dan hasil_prediksi dengan kondisi many to one. Dan Tabel Petugas dihubungkan dengan tabel jual dengan kondisi many to one, dan tabel store dengan tabel jual dengan kondisi many to one. Sedangkan prediksi mengambil kondisi dari rekap jual dengan kondisi many to many. 7. Desain Teknologi

Desain teknologi diperlukan sebagai langkah untuk menentukan kebutuhan perangkat keras (hardware) dan kebutuhan perangkat lunak (software). Kedua perangkat tersebut digunakan sebagai penunjang dalam penggunaan Prediksi Penjualan Pada PT. Unilever Indonesia dengan Metode Fuzzy Time Series. Untuk perhitungan jumlah waktu tersedia adalah satu bulan kerja dihitung 30 hari. Kerja setiap harinya 8 jam, istirahat 1 jam, dikalikan 60 menit. Jadi waktu yang tersedia : 7 X 60 X 30 hari = 12.600 menit.

Tabel 6. Kapasitas File Penyimpanan N Nama File

Panjang Reco

rd

Volume

Kejadian

Kapasitas (byte)

1 Input Data Petugas

82 150 1 kali 12300

2 Input Data Barang

108 200 1 kali 21600

3 Input Data Penjualan

138 250 1 kali

34500 Jumlah 188400

Kapasitas dalam file index adalah 50 % dari

database yang dibuat yaitu 184400 Sedangkan kapasitas file cadangan adalah kapasitas dari file database ditambah kapasitas file index yaitu 92200.

8. Implementasi Sistem a) Prediksi Penjualan

Prediksi penjualan digunakan untuk melaporkan data prediksi penjualan. Berikut tampilannya :

Gambar 9. Prediksi Penjualan

b) Laporan Data Penjualan

Laporan data penjualan digunakan untuk melaporkan data penjualan. Berikut tampilan laporan data penjualan:

Gambar 13. Laporan Data Penjualan

9. Pengujian Sistem

Pengujian dengan menggunakan metode black box ini dilakukan dengan mengevaluasi cara kerja sistem yang telah dibuat. 1) Pengujian Untuk Fungsional Login

Pengujian Fungsional Login digunakan untuk menginput data login yang digunakan untuk masuk ke system.


57

Menggunakan data login dan berhasil digunakan.

2) Pengujian Untuk Fungsional Master Pengujian Fungsional Master dengan menginputkan data barang, dan data supplier dimana diharapkan hasil yang diinputkan masuk ke dalam tabel dalam database yang meliputi tabel sparepart untuk master data sparepart. Dari pengujian fungsional master tersebut dimana data dapat disimpan di data master.

3) Pengujian Untuk Fungsional Transaksi Pengujian Fungsional Transaksi dimana melakukan input transaksi penjualan dan dimasukkan ke dalam tabel jual dan jual_det yang digunakan dalam transaksi untuk menentukan prediksi penjualan dengan menggunakan metode double exponential smoothing, sehingga saat melakukan dapat diketahui tingkat prediksi penjualan pada tahun selanjutnya. Dimana data transaksi dapat disimpan di tabel transaksi penjualan dan prediksi.

4) Pengujian Untuk Fungional Prediksi Penjualan dengan Fuzzy Time Series Pengujia Fungisional Prediksi digunakan untuk memprediksikan data penjualan barang dimana agar diketahui penjualan di tahun selanjutnya. Dimana menggunakan tabel transaksi penjualan yang disimpan di tabel prediksi untuk menghasilkan data prediksi berhasil ditampilkan.

5) Pengujian Untuk Fungsional Report Pengujian Fungsional Report untuk menghasilkan report dari database dimana menampilkan data master sparepart, data transaksi penjualan dan semua laporan berhasil ditampilkan. Dimana laporan berhasil ditampilkan.

5. KESIMPULAN

Berdasarkan hasil penelitian bahwa, data promosi barang rinso yang telah dihitung menggunakan metode fuzzy time series dimana mendapatkan nilai MAPE sebesar 3%, sehingga data penjualan untuk kategori barang tersebut akan mengalami kenaikan berdasarkan perhitungan sebesar 3%.

6. REFERENSI [1] K. Nugroho, “Model Analisis Prediksi

Menggunakan Metode Fuzzy Time Series,” Infokam, vol. 12, no. 1, pp. 46–50, 2016.

[2] S. S. Berutu, “Peramalan Penjualan Dengan Metode Fuzzy Time Series Ruey Chyn Tsaur,” Universitas Diponegoro Semarang, 2013.

[3] P. Linda, M. Situmorang, and G. Tarigan, “Peramalan Penjualan Produksi Teh 2014 Dengan Metode Arima Box-Jenkins,” Saintia Mat., vol. 02, no. 03, pp. 253–266, 2014.

[4] Y. W. Purwanto, “Penerapan Metode Fuzzy Time Series Untuk Memprediksi Tingkat Penjualan Batik Jember,” Digit. Univ. Jember, vol. 1, pp. 7–9, 2016.

[5] N. Fauziah, S. Wahyuningsih, Y. N. Nasution, E. Smoothing, and N. Network, “Peramalan Mengunakan Fuzzy Time Series Chen ( Studi Kasus : Curah Hujan Kota Samarinda ),” Statistika, vol. 4, no. 2, 2016.

[6] R. A. S. Pratama, Kustanto, and S. H. Fitriasih, “Sistem Pendukung Keputusan Pemilihan Prajurit Berprestasi di Kodim 0728/Wonogiri Menggunakan Metode Weighting Product,” J. TIKomSin, vol. 5, no. 1, pp. 1–6, 2017.

[7] M. Muhammad, “Sebaran Dan Peramalan Mahasiswa Baru Pendidikan Matematika Universitas Muhammadiyah Purwokerto Dengan Metode Time Invariant Fuzzy Time Series,” Mat. J., vol. III No. 2, no. 345, pp. 48–58, 2016.


65

EVALUASI HASIL PRODUKSI DENGAN METODE PENGENDALI MUTU C-CHART DAN U-CHART DI PABRIK GENERATOR SETS PT ABC

Daniel Tunggono Saputro1), Kustanto2)

1Program Studi Teknik Informatika Universitas AKI Semarang, 2Program Studi Teknik Informatika

STMIK Sinar Nusantara Surakarta, 1 [email protected] , 2 [email protected]

Abstrak

Perusahaan Generator Sets (Genset) PT ABC yang didirikan beberapa tahun lalu telah

memproduksi genset yang sudah cukup banyak. Dengan kapasitas produksi sekitar 1000 pcs genset setiap tahunnya, maka diperlukan analisa dan evaluasi terhadap hasil produksi gensetnya. Diperlukan sebuah Tindakan agar perusahan semakin maju dan berkembang agar dapat terus berkompetisi di dunia usaha bisnis genset. Hasil produksi genset yang siap dijual harus mempunyai kualitas yang baik dan reliable (tahan lama). Dikarenakan komponen genset yang cukup banyak sehingga dalam memproduksi genset harus memerlukan keahlihan dan ketelitian yang baik sehingga hasil produksi genset tidak mengalami cacat produksi. Cacat dalam pengelasan, cacat dalam merangkai kabel, dlldapat terjadi dalam memproduksi genset. Digunakan metode pengendali mutu C-chart dan U-chart dalam mengevaluasi hasil produksi yang dihasilkan. Dengan kedua metode tersebut dapat terlihat apakah hasil produksi masih dalam batas yang terkendali atau sudah di luar batas kendali.

Kata kunci : pengendali mutu, c-chart, u-chart, produksi

Abtract

PT ABC Generator Sets (Genset) company which was founded several years ago has

produced quite a lot of generators. With a production capacity of about 1000 pcs of generators per year, it is necessary to analysis and evaluate the results of the production of the generator. Action is needed so that the company is progressing and developing in order to continue to compete in the generator business world. The production of a generator that is ready for sale must be of good quality and reliable (durable). Due to the many components of the generator set so that in producing a generator, it must require good skill and accuracy so that the production of the generator does not experience production defects. Defects in welding, defects in stringing cables, etc. can occur in producing generator sets. The C-chart and U-chart quality control methods are used in evaluating the resulting production results. With these two methods, it can be seen whether the production results are still within controlled limits or out of control.

Keywords: quality control, c-chart, u-chart, production 1. PENDAHULUAN

PT ABC merupakan sebuah perusahaan yang bergerak di bidang manufaktur memproduksi genset. Dalam memproduksi genset ini dapat dikatakan sebagai kegiatan merakit komponen – komponen sehingga menjadi sebuah barang jadi yaitu Generator sets (Genset). Komponen – komponen ini ada yang diproduksi di dalam pabrik atau ada yang dibeli pasar dalam negeri dan luar negeri / ekspor.

Dengan banyaknya komponen yang harus diproduksi dan dirakit, maka tentunya semakin banyak kemungkinan cacat produksi yang akan terjadi di setiap produk genset. Tentunya hal ini tidak boleh terjadi di produksi genset, hasil produksi genset harus merupakan genset yang siap pakai tanpa cacat produksi. Tetapi kejadian adanya cacat produksi / kerusakan dari hasil produksi akan selalu terjadi. Jika ada kerusakan ditemukan pada saat pengecekan di bagian Quality Control (QC) maka akan dilakukan proses


66

pengembalian ke bagian-bagian terkait untuk dilakukan perbaikan. Terntunya hal ini akan membuat proses tidak efeisien dan efektif sehingga dapat menimbulkan pemborosan. Oleh karena itu perusahaan ini mengadakan analisa dan evaluasi mengenai hasil produksi yang dihasilkan masih merupakan hasil yang wajar (batas kendali) atau diluar batas kendali. Jika hasil yang dihasilkan diluar batas kendali, maka dapat dilakukan evaluasi lebih lanjut misalnya dengan pemberian kursus bagi tenaga kerja atau penggantian tenaga kerja.

Dengan melakukan analisa dan evaluasi dari jumlah kerusakan / ketidaksesuaian kriteria yang terjadi pada sebuah / di setiap hasil produksi maka hal ini adalah salah satu cara untuk mendapatkan sebuah produks yang baik dan handal sehingga produks tersebut dapat menjadi produks kepercayaan konsumen. Dan Perusahaan dapat berkompetisi dengan baik.

Tujuan dari analisa dan evaluasi ini adalah agar didapatkan sebuah data / hasil yang bertujuan untuk melakukan evaluasi bagian produksi. Apakah tenaga kerja sudah bekerja dengan baik dan benar dan produksi dapat dikendalikan? Jika belum maka diperlukan untuk melakukan evaluasi terhadap tenaga kerja yang ada. Produk yang terjadi kecacatan harus dilakukan perbaikan atau di lakukan produksi kembali sehingga hal ini akan menimbulkan pemborosan waktu, biaya dan tenaga.

Penulisan ini hanya membatasi mengenai analisa banyaknya kerusakan / cacat yang terjadi pada setiap produksi genset. Semua hasil produksi genset akan dilakukan observasi dan dimasukkan datanya kemudian diolah dengan metode peta kendali C-chart dan U-chart.

Penggunaan peta kendali U-chart telah digunakan dalam penelitian untuk meneliti kerusakan yang terjadi pada setiap hasil produksi kemasan botol sosro di PT X Suarabaya, sehingga dihasilkan dapat digunakan sebagai analisa produksi (Yemima, Ola 2014) 2. METODE PENELITIAN

Metode penelitian menggunakan metode studi literatur tentang pengendali mutu, observasi wawancara bagian Produksi dan bagian Quality Control Pabrik Genset PT ABC. Pengelompokkan dan mencari

penyebab cacat produksi, kemudian mengumpulkan data kerusakan / cacat produksi kemudian datanya tersebut dapat dilakukan penghitungan dengan Microsot Excel dan Minitab

3. TINJAUAN PUSTAKA a. Definisi Mutu (Kualitas)

Definisi mutu atau kualitas mempunyai banyak definisi, diantaranya adalah: 1) Menurut Juran dan Gryna adalah fitness

for use (kepuasan guna). Bagi konsumen mutu berarti kemudahan dalam memperoleh barang, keamanan, kenyamanan dalam mempergunakan dan dapat memenuhi keinginan. (Juran and Gyrna, 1980: 1-2).

2) Menurut Garvin, mutu adalah suatu kondisi dinamis yang berhubungan dengan produk, manusia / tenaga kerja, proses dan tugas, serta lingkungan yang memenuhi atau melebihi harapan pelanggan atau konsumen.

3) Menurut Gasperz adalah segala sesuatu yang dapat memenuhi keinginan atau kebutuhan pelanggan. (Gasperz, 2006).

4) Menurtut Edwar Deming, mutu adalah kesesuaian dengan kebutuhan pasar. Menurut Deming (Schuler dan Harris, 1992:23) bahwa produk atau layanan bermutu tinggi jika pelanggan menganggap produk yang dibelinya memiliki nilai baik, setia sebagai pelanggan, dan mengajak yang lain untuk membeli produk atau layanan tersebut. Jadi mutu merupakan sesuatu yang

menjadi keinginan, kepuasaan bagi pelanggan atau konsumen dan bilamana pelanggan mengganggap produk tersebut baik, maka akan mengajak orang lain untuk membeli / memiliki barang tersebut. b. Definisi Pengendali Mutu (Quality Control)

Pengendali mutu (Quality Control) kegiatan yang terpadu dan saling berkaitan yang dimulai dari pengendalian mutu bahan, standar proses produksi dari awal sampai akhir dan pengiriman agar barang yang dihasilkan dapat memenuhi keinginan dan kepuasan konsumen. Gasperz (2014) mengemukakan bahwa tujuan pengendalian kualitas antara lain hasil produksi sesuai


67

dengan spesifikasi yang ditetapkan, agar dapat menekan biaya kualitas seminimal mungkin.

c. Peta Kendali C-Chart

Huruf C pada C-chart artinya adalah “count” atau hitung cacat, yang berarti bahwa C-chart dibuat berdasarkan pada banyaknya cacat dalam suatu item.

Sebuah.produk dikatakan cacat (defective) adalah produk yang beberapa kreteria / beberapa hal gagal memenuhi satu atau lebih spesifikasi yang ditetapkan. Setiap kekurangan disebut dengan defec. Setiap produk yang cacat biasa saja terdapat lebih dari satu defec (yang harus diperhatikan adalah banyaknya defec). Secara umum dalam peta kendali C-chart yang diperhatikan adalah mengenai banyaknya cacat atau cacat per tiap unit obyek atau barang.

Peta pengendali ini digunakan untuk mengadakan pengujian terhadap kualitas proses produksi dengan mengetahui banyaknya kesalahan pada satu unit produk sebagai sampelnya dan sample yang terjadi dianggap tetap / konstan.

Langkah – langkah dalam pembuatan peta kendali C-chart: 1. Mengumpulkan banyaknya sampel (n) 2. Menghitung garis pusat (Center Line)

퐶퐿C

∑ 푐푖푛

CL = C = Central limit = garis pusat Ci = banyaknya produk yang cacat pada

setiap observasi n = banyak observasi

3. Menghitung batas pengendali bawah (Lower Control Unit)

LCL = BPBC − 3 C

LCL = Lower Control Limit = Batas Pengendali Bawah

4. Menghitung batas pengendali atas (Upper Control Unit)

푈퐶퐿 = 퐵푃퐴C + 3 C

UCL = Upper Control Limit = Batas Pengendali Atas

d. Peta kendali U-Chart Huruf U dalam U-chart artinya adalah

“unit” yang berarti cacat dalam kelompok sampel. U-chart menghitung titik cacat per unit laporan pemeriksaan dalam periode yang mungkin memiliki ukuran sampel bervariasi (banyak item yang diperiksa). Jika C-chart menghitung titik cacat dalam satu item yang sama, maka U-chart digunakan dalam kasus di mana sampel yang diambil bervariasi atau memang seluruh produk yang dihasilkan akan diuji. Hal ini berarti bahwa U-chart digunakan jika ukuran sampel lebih dari satu unit atau mungkin bervariasi dari waktu ke waktu. Peta kenali U-chart, diperlukan mencari perhitungan U cacat pada setiap N sampel.

Langkah – langkah dalam pembuatan peta kendali U-chart: 1. Mencari U pada setiap N sampel

푢푖 =푥푖푛푖

2. Menghitung garis pusat (Center Line)

퐶퐿 = 푈 =∑ 푐푖푚푛

CL = C = Central limit = garis pusat Ci = banyaknya produk yang cacat pada

setiap observasi n = banyak observasi m = ukuran sampel

3. Menghitung batas pengendali bawah

(Lower Control Unit)

퐿퐶퐿 = 퐵푃퐵푈 − 3

푢푛

LCL = Lower Control Limit =Batas Pengendali Bawah

4. Menghitung batas pengendali atas (Upper Control Unit)

푈퐶퐿 = 퐵푃퐴푈 + 3

푢푛

UCL = Upper Control Limit =Batas Pengendali Atas


68

e. Generator Sets (genset) Generator Sets (genset) adalah sebuah

alat yang biasanya digunakan untuk cadangan ketika listrik dari PLN mengalami gangguan. Maka biasanya menggunakaan genset untuk mengganti sumber daya. Penggunaan genset banyak digunakan di rumah sakit, pusat perbelanjaan, dan juga beberapa rumah.

Prinsip kerja genset adalah mengubah energi gerak (kinetik) menjadi energi listrik. Mesin yang ada digenset sebagai energi gerak kan bergerak didalam dynamo (altenator / generator) sehingga menghasilkan listrik.

Gambar 1. Genset dan komponennya

Seperti pada gambar 1, komponen genset

mempunyai beberapa komponen, antara lain: 1. Mesin, komponen utama yang akan

mengubah energi panas menjadi mekanik. 2. Generator adalah bagian dari genset yang

berfungsi mengubah energi gerak (kinetik) yang dihasilkan mesin menjadi energi listrik.

3. Radiator adalah bagian dari genset yang berfungsi sebagai sistem pendinginan.

4. Filter udara, yang berfungsi mengatur udara yang akan masuk ke genset

5. Panel, merupakan bagian genset yang berfungsi sebagai pengatur elektrik dari genset

6. Baseframe atau pondasi genset adalah tempat berdirinya genset.

Masih terdapat komponen atau bagian lainnya yang ada di dalam genset tersebut seperti sistem pendinginan, sistem pengaturan udara, sistem pengaturan bahan bakar, dll

Jadi dalam memproduksi bagian genset harus memiliki keahlian – keahlian khusus di setiap bagian untuk menghasilkan sebuah produk genset. Dengan adanya banyaknya bagian yang harus dirakit maka dimungkinkan akan terjadi bagian -bagian yang tidak sesuai dengat spesifikasi yang ditetapkan (cacat). f. Program Minitab

Perangkat lunak Minitab adalah salah satu perangkat lunak untuk aplikasi statistika yang banyak digunakan untuk mempermudah pengolahan data statistik. Keunggulan perangkat lunak Minitab adalah dapat digunakan dalam pengolahan data statistika untuk tujuan sosial dan teknik.

4. HASIL DAN PEMBAHASAN Dari data observasi wawancara yang

dilakukan terhdapan bagian produksi dan Quality Control maka didapatkan penggolongan kerusakan seperti pada tabel 1.

Tabel 1. Faktor / penyebab cacat produksi

genset No Faktor/

penyebab kerusakan

Penjelasan

1. Kinerja (Perfomance)

Kinerja genset diukur dari hasil listrik (output) yang dihasilkan oleh genset. Genset 7 KW artinya genset tersebut akan mengeluatkan daya listrik 7000 watt.

2 Estetika (Aesthetic)

Tampilan genset harus menarik dan baik. Penentuan baseframe (pondasi), kerapian las dan pengecatan akan membuat genset terlihat bagus. Bagian – bagian yang di las dan dilakukan pengecatan harus diamati dengan baik

3 Ketahanan (Realibility)

Dilakukan pengetesan genset minilmal selama 2 jam dan diawasi parameter -pamaternya agak tidak ada yang rusak.

4 Eletrikal Pengecekan sambungan- sambungan kabel dan keamanannya

5 Getaran Terjadi getaran / fibrasi yang diluar kriteria


69

Perusahaan genset PT ABC mengelompokkan menjadi 3 kategori produksi genset berdasarkan hasil listrik yang dikeluarkan (output yang dihasilkan), yaitu small engine, medium engine dan big engine.

Tabel 2. Tipe genset perusahaan genset PT ABC

Kategori Tipe Rating / output Small

Enginne ABC3000SE 3000 KW ABC5000SE 5000 KW ABC7500SE 75000 KW ABC10000SE 10.000 KW ABC15000SE 15.000 KW ABC20000SE 20.000 KW

Medium Engine

ABC25000ME 25.000 KW ABC30000ME 30.000 KW ABC40000ME 40.000 KW ABC50000ME 50.000 KW ABC60000ME 60.000 KW

Big Engine

ABC70000BE 70.000 KW ABC80000BE 80.000 KW ABC 90000BE 90.000 KW ABC100KBE 100.000 KW

Untuk pengujian evaluasi dan analisa

diambilkan data hasil produksi dan quality control pada tahun 2019. Data kemudian produksi kemudian dikelompokan setiap kategori kemudian dilakukan evaluasi dan analisa. a. Hasil Penghitungan Genset Small Engine

Tabel 3. Hasil Inpeksi Generator Sets Small

Engine periode 2019

Periode

Jumlah sam

ple

Jml R

usak "A"

Jml R

usak "B"

Jml R

usak "C"

Jml R

usak "D"

Jml R

usak "E"

Total Jumlah

Ketidaksesuain

Jan 40 5 10 7 10 5 37

Feb 50 4 15 5 10 3 37

Mar 40 6 12 3 15 5 41

Apr 50 3 5 5 2 1 16

Mei 35 5 25 4 15 3 52

Jun 35 1 17 8 12 4 42

Jul 35 2 15 5 4 2 28

Agt 40 7 20 10 4 5 46

Sep 50 6 21 8 8 3 46

Okt 60 3 17 5 14 4 43 Nov 60 4 14 9 13 4 44

Des 50 3 12 13 5 6 39 Catatan : 1. Periode adalah dari Januari 2019 sampai

dengan 2019 2. Jml Rusak A adalah jumlah rusak yang

disebabkan karena faktor Kinerja (Perfomance)

3. Jml Rusak B adalah jumlah rusak yang disebabkan karena faktor Estetika (Aesthetic). Karena las yang tidak rapi, pengecetan yang tidak rata, dll

4. Jml Rusak C adalah jumlah rusak yang disebabkan karena faktor Ketahanan (Realibility).

5. Jml Rusak D adalah jumlah rusak yang disebabkan karena faktor Elektrikal.

6. Jml Rusak E adalah jumlah rusak yang disebabkan karena faktor getaran.

Dengan Excel, kemudian dilakukan penghitugan untuk mencari Cchart dan U- chart. Hasil penghitungan C-chart adalah adalah seperti tabel 4 dan penggambaran grafik peta kendali yang dihasilkan dapat dilihat pada gambar 2.

Tabel 4. Hasil Penghitungan C-chart dengan

Excel Genset Small Engine

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

C bar = C

rata-rata

LCL = Batas

Pengendalu Baw

ah

UC

L = Batas

Pengendali Atas

Jan 40 37 39,250 20,455 58,045

Feb 50 37 39,250 20,455 58,045

Mar 40 41 39,250 20,455 58,045

Apr 50 16 39,250 20,455 58,045

Mei 35 52 39,250 20,455 58,045

Jun 35 42 39,250 20,455 58,045

Jul 35 28 39,250 20,455 58,045

Agt 40 46 39,250 20,455 58,045

Sep 50 46 39,250 20,455 58,045

Okt 60 43 39,250 20,455 58,045

Nov 60 44 39,250 20,455 58,045


70

Des 50 39 39,250 20,455 58,045

Gambar 2. Hasil Peta Pengendali C-chart

Small Engine dengan Excel

Dilakukan juga penghitungan menggunakan minitan agar data yang dihasilkan ada pembanding, sehingga data yang dihasilkan merupakan yang valid.


Small Engine dengan Minitab

Hasil Penghitungan peta kendali U-chart

mesin genset small engine dengan menggunakan Excel dapat dilihat padat tabel 5 dan gambar 4 sebagai hasil grafik peta kendali U-chart small engine Tabel 5. Hasil Penghitungan U-Chart dengan

Excel

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

sesuai

U

U bar

LCL

UC

L

Jan 40 37 0,925 0,864 0,423 1,30

5

Feb 50 37 0,740 0,864 0,470 1,25

9

Mar 40 41 1,025 0,864 0,423 1,30

5

Apr 50 16 0,320 0,864 0,470 1,25

9

Mei 35 52 1,486 0,864 0,393 1,33

6

Jun 35 42 1,200 0,864 0,393 1,33

6

Jul 35 28 0,800 0,864 0,393 1,33

6

Agt 40 46 1,150 0,864 0,423 1,30

5

Sep 50 46 0,920 0,864 0,470 1,25

9

Okt 60 43 0,717 0,864 0,504 1,22

4

Nov 60 44 0,733 0,864 0,504 1,22

4

Des 50 39 0,780 0,864 0,470 1,25

9

Gambar 4. Hasil Peta Pengendali U-chart

Small Engine dengan Excel Untuk hasil pada program Minitab untuk

peta kendali U-chart genset Small Engine dapat dihat dibawah ini.

Gambar 5. Hasil Peta Pengendali U-chart Small Engine dengan Minitab


71

Dari data yang dihasilkan untuk peta kendali C-chart terdapat data yang diluar kendali yaitu pada bulan April 2019, dan untuk peta kendali U-chart terdapat produksi yang diluar batas kendali yaitu pada bulan April 2019 dan Mei 2019.

Dapat dilihat bahwa peta kendali U-chart dapat mengasilkan data yang lebih akurat dan detail untuk melihat hasil produksi PT ABC. Dengan peta kendali C-chart hanya terlihat 1 periode yang luar kendali tetapi peta kendali U-Chart memperjelas hasil produksi bulan Mei 2019 juga diluar batas kendali.

Kedua metode ini menggunakan data yang sama, tetapi yang membedakan adalah pengendali U-chart meggunakan variabel jumlah sampl sedangkan C-chart tidak menggunakan variabel sample. Variable jumlah sampel yang tidak konstan dipakai dalam perhitungan U-chart sehingga data yang dihasilkan lebih detail.

b. Hasil Penghitungan Genset Medium Engine

Dilakukan inpeksi pada hasil produksi selama 2019 yang terlah dilakukan sehingga didapatkan hasil inpeksi seperti pada tabel 6.

Tabel 6. Hasil Inpeksi Generator Sets Medium

Engine periode 2019

Periode

Jumlah sam

ple

Jml R

usak "A"

Jml R

usak "B"

Jml R

usak "C"

Jml R

usak "D"

Jml R

usak "E"

Total Jumlah

Ketidaksesuain

Jan 30 4 12 5 12 4 37

Feb 25 3 13 6 9 3 34

Mar 30 7 12 4 8 2 33

Apr 45 3 6 3 4 2 18

Mei 24 4 20 2 4 3 33

Jun 33 3 25 1 4 4 37

Jul 22 2 12 3 12 5 34

Agt 30 5 13 6 5 4 33

Sep 44 8 12 9 7 3 39

Okt 33 5 10 12 15 5 47

Nov 34 2 9 12 10 7 40

Des 35 2 8 8 5 3 26

Dilakukan penghitungan untuk mencari peda kendali C-chart menggunakan Excel dan Minitab.

Tabel 7. Hasil Penghitungan C -chart dengan

Excel Genset Medium Engine

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

C bar

LCL

UC

L

Jan 30 37 34,25 16,69 51,81 Feb 25 34 34,25 16,69 51,81 Mar 30 33 34,25 16,69 51,81 Apr 45 18 34,25 16,69 51,81 Mei 24 33 34,25 16,69 51,81 Jun 33 37 34,25 16,69 51,81 Jul 22 34 34,25 16,69 51,81 Agt 30 33 34,25 16,69 51,81 Sep 44 39 34,25 16,69 51,81 Okt 33 47 34,25 16,69 51,81 Nov 34 40 34,25 16,69 51,81 Des 35 26 34,25 16,69 51,81

Hasil dari penghitungan Excel dan

Minitab, dapat dibaca pada gambar dibawah ini.

Gambar 6. Hasil Peta Pengendali C-chart Medium Engine dengan Excel


72

Gambar 7. Hasil Peta Pengendali C-chart Medium Engine dengan Minitab

Dilakukan penghitungan untuk mencari

peda kendali U-chart menggunakan Excel dan Minitab.

Tabel 8. Hasil Penghitungan U -chart dengan

Excel Genset Medium Engine

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

U

U bar

LCL

UC

L

Jan 30 37 1,233 1,068 0,502 1,633

Feb 25 34 1,360 1,068 0,448 1,687

Mar 30 33 1,100 1,068 0,502 1,633

Apr 45 18 0,400 1,068 0,605 1,530

Mei 24 33 1,375 1,068 0,435 1,700

Jun 33 37 1,121 1,068 0,528 1,607

Jul 22 34 1,545 1,068 0,407 1,728

Agt 30 33 1,100 1,068 0,502 1,633

Sep 44 39 0,886 1,068 0,600 1,535

Okt 33 47 1,424 1,068 0,528 1,607

Nov 34 40 1,176 1,068 0,536 1,599

Des 35 26 0,743 1,068 0,544 1,591

Hasil dari penghitungan Excel dan Minitab, dapat dibaca pada gambar dibawah ini.

Gambar 8. Hasil Peta Pengendali U-chart Medium Engine dengan Excel

Gambar 9. Hasil Peta Pengendali U-chart Medium Engine dengan Minitab

c. Hasil penghitungan Genset Big Engine

Inpeksi hasil produksi genset Big Engine disajikan pada tabel 9.

Tabel 9. Hasil Inpeksi Generator Sets Big

Engine periode 2019

Periode

Jumlah sam

ple

Jml R

usak "A"

Jml R

usak "B"

Jml R

usak "C"

Jml R

usak "D"

Jml R

usak "E"

Total Jumlah

Ketidaksesuain

Jan 20 4 10 4 5 4 27

Feb 15 3 11 5 5 3 27

Mar 35 2 12 8 12 3 37

Apr 23 3 7 3 4 2 19

Mei 22 5 8 2 6 1 22

Jun 33 4 12 1 7 2 26

Jul 21 1 13 5 9 4 32

Agt 16 8 15 7 6 3 39

Sep 25 3 14 11 4 2 34


73

Okt 25 2 12 11 3 1 29

Nov 16 1 11 4 12 2 30

Des 24 3 5 5 4 3 20

Dilakukan penghitungan untuk mencari peda kendali C-chart menggunakan Excel dan Minitab.

Tabel 10. Hasil Penghitungan C -chart dengan

Excel Genset Big Engine

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

c bar

LCL

UC

L Jan 20 27 28,50 12,48 44,52 Feb 15 27 28,50 12,48 44,52 Mar 35 37 28,50 12,48 44,52 Apr 23 19 28,50 12,48 44,52 Mei 22 22 28,50 12,48 44,52 Jun 33 26 28,50 12,48 44,52 Jul 21 32 28,50 12,48 44,52 Agt 16 39 28,50 12,48 44,52 Sep 25 34 28,50 12,48 44,52 Okt 25 29 28,50 12,48 44,52 Nov 16 30 28,50 12,48 44,52 Des 24 20 28,50 12,48 44,52

Hasil dari penghitungan Excel dan

Minitab, dapat dibaca pada gambar 9 dan 10.


Big Engine dengan Excel

Gambar 11. Hasil Peta Pengendali C-chart Big Engine dengan Minitab

Dilakukan penghitungan untuk mencari

peda kendali U-Chart menggunakan Excel dan Minitab.

Tabel 11. Hasil Penghitungan U -chart

dengan Excel Genset Big Engine

Periode

Jumlah sam

ple

Total Jumlah

Ketidaksesuain

U

U bar

LCL

UC

L

Jan 20 27 1,350 1,244 0,496 1,992

Feb 15 27 1,800 1,244 0,380 2,107

Mar 35 37 1,057 1,244 0,678 1,809

Apr 23 19 0,826 1,244 0,546 1,941

Mei 22 22 1,000 1,244 0,530 1,957

Jun 33 26 0,788 1,244 0,661 1,826

Jul 21 32 1,524 1,244 0,514 1,974

Agt 16 39 2,438 1,244 0,407 2,080

Sep 25 34 1,360 1,244 0,575 1,913

Okt 25 29 1,160 1,244 0,575 1,913

Nov 16 30 1,875 1,244 0,407 2,080

Des 24 20 0,833 1,244 0,561 1,927


74

Hasil dari penghitungan Excel dan Minitab, dapat dibaca pada gambar dibawah ini.

Gambar 11. Hasil Peta Pengendali U-chart Big Engine dengan Excel

Gambar 12. Hasil Peta Pengendali U-chart

Big Engine dengan Minitab 5. KESIMPULAN DAN SARAN a. Kesimpulan Kesimpulan dari penelitian ini adalah: 1) Produksi genset disemua kategori terjadi di

luar di luar kendali walapun dengan menggunakan metode C-chart untuk kategori medium engine dan big engine masih dalam kendali.

2) Peta kendali U-chart dapat memberikan informasi yang lebih akurat dan detail dalam menganaslisa hasil produksi (Quality Control).

3) Diperlukan evaluasi lebih lanjut mengenai segala sesuatu yang berhubungan dengan produksi genset terutama tenaga kerja. Selain itu, evaluasi pda peralatan kerja, bahan baku juga juga perlu dilakukan..

b. Saran Saran untuk penulisan ini adalah: 1) Dilakukan penghitungan / evaluasi untuk

setiap tipe produksi genset dengan metode U-chart sehingga didapatkan informasi mengenai tipe genset yang hasil kendali mutunya diluar batas kendali, sehingga dapat dilakukan evaluasi lebih lanjut.

6. REFERENSI Dorothea W. A. 2010. Pengendalian kualitas

statistik (pendekatan kuatitatif dalam manajemen kualitas). Yokyakarta: Andi.

Gasper, Vincent. 2005. Total Quality Manajement. Jakarta: Gramedia Pustaka Utama.

Gasper, Vincent. 2003. Metode Analisis untuk Peningkatan Kualitas. Jakarta: Gramedia Pustaka Utama.

Sinola yang berjudul “Analisis Pengendalian Kualitas Produksi Air Minum Dalam Kemasan (AMDK dengan Menggunakan peta kendali C Dan peta kendali U (Study Kasus di PT. Sariguna Primatirta Makassar).”, Skripsi Jurusan Matematika Fakultas Sains dan Teknologi. UIN Alauddin Makassar. 2012

Ola Yemima1, Darnah A. Nohe, Yuki Novia Nasution yang berjudul “Penerapan Peta Kendali Demerit dan Diagram Pareto Pada Pengontrolan Kualitas Produksi (Studi Kasus: Produksi Botol Sosro di PT. X Surabaya)” Jurnal EKSPONENSIAL Volume 5 Nomor 2, Nopember 2014 ISSN 2085-7829

Didiharyono yang berjudul “Penerapan Metode Statistical Processing Control Untuk Menganalisis Pengendalian Kualitas Produk pada PT. Asera Tirta Posidonia, Kota Palopo” Jurnal Equilibrium Volume 2 Nomor 4, Desember 2016 ISSN: 2460-7150

https://sinta.unud.ac.id/uploads/dokumen_dir/a122eebb367a032a441c26d607b74176.pdf

http://e-journal.uajy.ac.id/2721/3/2EA14772.pdf

https://eriskusnadi.com/2012/06/09/statistical-process-control/

https://www.minitab.com/en-us/


58

PENGUKURAN MUTU WEBSITE AKADEMI KOMUNITAS NEGERI PACITAN MENGGUNAKAN METODE WEBQUAL

Galih Permadi1), Agus Prianggono2)

1) 2) Prodi Pemeliharaan Komputer dan Jaringan AKN Pacitan 1) 2) Jl. Walanda Maramis No. 4A Pacitan

1) [email protected], 2) [email protected]

Abstrak Perkembangan dunia digital terutama pada portal website semakin meningkatkan peranan website bagi dunia informasi. Website merupakan salah satu media informasi yang sangat efisien, cepat, akurat dan tepat. Kita ketahui bahwa hampir semua instansi pemerintahan, perusahaan, perkantorani, universitas, sekolah, toko, bahkan perusahaan individu pun hampir semua memiliki website sebagai media promosi maupun informasi. Penelitian ini membahas tentang pengukuran mutu Website Akademi Komunitas Negeri (AKN) Pacitan menggunakan metode Webqual 4.0. Tujuan dari penelitian ini adalah untuk mengetahui variabel Webqual 4.0 yang mempengaruhi mutu Website AKN Pacitan dan memberikan saran untuk perbaikan mutu website dimasa yang akan datang agar sesuai dengan harapan pengguna. Penelitian ini dilakukan dengan menggunakan metode kuantitatif dengan cara penyebaran kuesioner, dengan jumlah 120 responden. Teknik analisis data dilakukan menggunakan teknik Structural Equation Model (SEM). Tools yang digunakan dalam penelitian ini yaitu SmartPLS 2.0 sebagai alat bantu PLS. Hasil penelitian ini menunjukkan bahwa diperoleh nilai R Square untuk variabel User Satisfaction sebesar 0.677, yang artinya nilai tersebut mengindikasikan bahwa variabel User Satisfaction dapat dijelaskan oleh variabel Kegunaan (Usability), Kualitas Informasi (Information Quality), dan Kualitas Layanan (Service Interaction) sebesar 67.7 %, sedangkan sisanya yaitu sebesar 32.3 % dipengaruhi oleh variabel lain yang tidak terdapat dalam model penelitian. Aspek-aspek ini dapat diperbaiki sesuai dengan rekomendasi yang diperoleh dari analisis data di dalam penelitian ini. Kata Kunci : Website, Webqual 4.0, SEM, information Quality 1. PENDAHULUAN Pada saat ini sudah banyak institusi pemerintahan yang memanfaatkan teknologi informasi, yaitu melalui website untuk meningkatkan layanan informasi dan kelancaran dalam menjalankan fungsinya sebagai layanan publik. Tanpa memiliki Teknologi Informasi yang cukup memadai, sulit bagi sebuah institusi pemerintahan untuk meningkatkan kualitas. Oleh karena itu perlu dilakukannya suatu investasi Teknologi Informasi untuk memperbaiki efektifitas kerja. Dalam hal ini, teknologi informasi telah menjadi kebutuhan pokok sebuah institusi untuk bertahan dan meraih keunggulan kompetitif. Namun sisi lain ada beberapa hal yang menjadi kendala yaitu investasi teknologi informasi membutuhkan biaya yang relatif besar. Kondisi ini membutuhkan perencanaan yang matang dalam mengimplementasikan teknologi informasi. Selain itu, teknologi informasi juga membutuhkan tata kelola yang baik agar

memperoleh hasil dan manfaat yang maksimal bagi suatu organsiasi. Namun banyak institusi pemerintahan yang mengalami kesulitan untuk memperkirakan manfaat investasi teknologi informasi dibandingkan nilai investasinya. Hal ini dikarenakan belum memiliki pedoman yang tepat dalam menganalisis manfaat investasi teknologi informasi. Menurut Bell (2006), manajemen harus dapat bertanggung jawab akan setiap investasi yang dikeluarkan, termasuk investasi di bidang Teknologi Informasi yang tidak hanya meliputi peralatan, tetapi termasuk juga dengan sistem dan pemanfaatan sistem untuk kebutuhan bisnis. Tidak seperti jenis investasi lainnya, seperti gedung perkantoran atau peralatan, investasi Teknologi Informasi tidak dapat dipandang sebagai sesuatu yang terus berkurang nilainya seiring dengan waktu, karena konteks nilai pada investasi TI tidak hanya dapat dipandang sebagai suatu nominal.


59

Hal inilah yang menyebabkan banyak organisasi yang mengalami kesulitan untuk memperkirakan manfaat dari investasi TI tersebut dibandingkan nilai investasinya. Dalam penelitian ini dilakukan pengukuran mutu website Akademi Komunitas Negeri Pacitan yang beralamat di http://www.aknpacitan.ac.id dengan meng-gunakan metode Webqual 4.0. 2. METODE PENELITIAN

Menurut teori Webqual, terdapat tiga dimensi yang mewakili kualitas suatu website, yaitu kegunaan (usability), kualitas informasi (information quality) dan interaksi layanan (service interaction) sebagaimana diilustrasikan dalam Gambar 1.

Persepsi pengguna tentang suatu sistem informasi yang baik adalah sebuah sistem dimana pengguna merasa puas dengan kualitas dari website. Kualitas ini termuat dalam tiga dimensi dari Webqual versi 4.0. Penelitian sebelumnya menyarankan bahwa dimensi Webqual dapat memprediksi kepuasan pengguna dan maksud pengguna dalam menggunakan kembali website (Loiacono, 2002). Berdasarkan model konseptual, penelitian ini memiliki hipotesis: H1 : Terdapat hubungan positif antara

kegunaan dan kepuasan pengguna. H2 : Terdapat hubungan positif antara kualitas

informasi dan kepuasan pengguna. H3 : Terdapat hubungan positif antara

interaksi kualitas layanan dan kepuasan.

Gambar 1. Model Webqual 4.0 (Tarigan, 2009)

S kala pengukuran yang digunakan dalam penelitian ini adalah empat poin skala Likert. Pengguna akan diminta menilai website untuk kualitas masing-masing menggunakan skala mulai dari 1 (sangat tidak

setuju) hingga 4 (sangat setuju). Skala sengaja dibuat genap untuk menghindari kecenderungan responden yang besikap netral. Terlepas dari perdebatan apakah skala Likert memiliki jenis data ordinal ataukah interval, dalam penelitian ini diasumsikan data yang dperoleh adalah berjenis interval, sehingga dapat digunakan untuk statistika parametrik seperti analisis regresi linier berganda. Penelitian dilaksanakan menggunakan teknik survey, dimana pengumpulan data primer dilakukan melalui penyebaran daftar pertanyaan (kuesioner). Sampel yang diambil sebanyak 120 responden. Ukuran sampel ini sesuai dengan penelitian yang dilakukan oleh Barnes dan Vidgen (2001) dalam mengukur kualitas website berita. Sampel dipilih secara purposive (judgment sampling) karena responden harus memiliki kriteria pernah menggunakan website Akademi Komunitas Negeri Pacitan sebelumnya. 3. TINJAUAN PUSTAKA Webqual merupakan salah satu metode atau teknik pengukuran kualitas website berdasarkan persepsi pengguna akhir. Metode ini merupakan pengembangan dari SERVQUAL yang banyak digunakan sebelumnya pada pengukuran kualitas jasa. Webqual sudah mulai dikembangkan sejak tahun 1998 dan telah mengalami beberapa interaksi dalam penyusunan dimensi dan butir pertanyaannya. Webqual 4.0 disusun berdasarkan penelitian pada tiga area (dimensi) kualitas sebagaimana termuat dalam tabel 1 sampai tabel 3.:

Tabel 1. Dimensi Kemudahan Penggunaan

(usability) No Deskripsi Indikator 1. Pengguna merasa mudah untuk

mempelajari pengoperasian website 2. Interaksi antara website dengan

pengguna jelas dan mudah dipahami 3. Pengguna merasa mudah untuk

bernavigasi dalam website 4. Pengguna merasa website mudah

untuk digunakan 5. Website memiliki tampilan yang

menarik 6. Desain sesuai dengan jenis website

Usability quality

Service interaction

quality

Information Quality

User Satisfaction


60

7. Website mengandung kompetensi

8. Website menciptakan pengalaman positif bagi pengguna

Sumber : http://www.webqual.co.uk/instrument.htm

Tabel 2. Dimensi Kualitas informasi

(information quality) No Deskripsi Indikator 1. Informasi yang disajikan akurat 2. Informasi yang disajikan dapat

dipercaya 3. Informasi yang disajikan tepat waktu

dengan apa yang saya butuhkan 4. Informasi yang disajikan relevan

dengan apa yang saya inginkan 5. Informasi yang disediakan mudah

untuk dipahami 6. Informasi yang disajikan sangat detail

7. Informasi yang disajikan dalam format yang sesuai


Tabel 3. Dimensi Kualitas Interaksi (interaction quality)

No Deskripsi Indikator 1. Informasi yang disajikan akurat 2. Informasi yang disajikan dapat

dipercaya 3. Informasi yang disajikan tepat waktu

dengan apa yang saya butuhkan 4. Informasi yang disajikan relevan

dengan apa yang saya inginkan 5. Informasi yang disediakan mudah

untuk dipahami 6. Informasi yang disajikan sangat detail

7. Informasi yang disajikan dalam format yang sesuai


Versi pertama dari instrument Webqual (Webqual 1.0) dikembangkan sebagai bagian dari hasil lokakarya yang diselenggarakan dengan melibatkan para siswa yang diminta untuk mempertimbangkan kualitas website sekolah. Instrumen Webqual disaring melalui proses perbaikan secara iteratif dengan

menggunakan kuesioner percobaan sebelum disebarkan untuk populasi yang lebih besar.

Duapuluh empat pertanyaan di dalam instrumen Webqual diuji dengan aplikasi dalam ruang lingkup website sekolah bisnis di Inggris. Analisis dari data yang dikumpulkan mendorong penghapusan atas satu item pertanyaan. Berdasarkan analisis reliabilitas, tersisa 23 pertanyaan yang kemudian dikelompokkan menjadi empat dimensi utama, yaitu kemudahan penggunaan, pengalaman, informasi, komunikasi dan integrasi (Barnes dan Vidgen, 2001).

Kualitas yang diidentifikasi dalam Webqual 1.0 membentuk titik awal untuk menilai kualitas informasi dari suatu website di Webqual 2.0. Namun demikian, dalam penerapan Webqual, pada website berjenis B2C (Business to Consumer) terlihat jelas bahwa perspektif interaksi kualitas tidak terwakili dengan baik dalam Webqual 1.0.

Terkait dengan kualitas pelayanan, terutama SERVQUAL, digunakan untuk meningkatkan aspek kualitas informasi dari Webqual dengan kualitas interaksi. Kualitas layanan umumnya didefinisikan dengan seberapa baik layanan yang disampaikan apakah sesuai dengan eskpektasi pelanggan. Pengembangan Webqual 2.0 memerlukan beberapa perubahan signifikan pada instrumen Webqual 1.0. Dalam rangka memperluas model untuk kualitas interaksi, Barnes dan Vidgen (2001) melakukan analisis terhadap instrument SERVQUAL dan membuat perbandingan rinci antara SERVQUAL dan Webqual 1.0. Tinjauan ini berhasil mengidentifikasi pertanyaan yang mubazir dan kemudian wilayah yang tumpang tindih dihapus, hasilnya sebagian besar pertanyaan-pertanyaan kunci dalam SERVQUAL tidak sesuai dengan Webqual 2.0, jumlah instrumen dengan 22 pertanyaan tetap dipertahankan (Barnes dan Vidgen, 2001).

Webqual 1.0 mungkin kuat dalam hal kualitas informasi, namun kurang kuat dalam hal interaksi layanan. Demikian juga untuk Webqual 2.0 yang menekankan kualitas interaksi menghilangkan beberapa kualitas informasi dari Webqual 1.0. Kedua versi tersebut mengandung berbagai kualitas terkait dengan website sebagai artefak perangkat lunak.

Dalam tinjauan yang dilakukan oleh Barnes dan Vidgen (2001) menemukan bahwa semua kualitas dapat dikategorikan menjadi


61

tiga wilayah yang berbeda, yaitu kualitas website, kualitas informasi, dan kualitas interaksi pelayanan. Versi baru Webqual 3.0 telah diuji dalam domain lelang online (Barnes dan Vidgen, 2001).

Analisis dari hasil Webqual 3.0 membawa pada identifikasi tiga dimensi dari kualitas website, yaitu kegunaan, kualitas informasi, dan kualitas interaksi pelayanan. Kegunaan adalah kualitas yang berkaitan dengan desain website, misalnya penampilan, kemudahan penggunaan, navigasi dan tampilan yang disampaikan kepada pengguna. Kualitas informasi adalah kualitas isi website, kesesuaian informasi untuk keperluan pengguna seperti akurasi, format, dan relevansi. Kualitas interaksi layanan adalah kualitas interaksi layanan yang dialami oleh pengguna ketika mereka mempelajari lebih dalam suatu website, diwujudkan oleh kepercayaan dan empati, misalnya masalah transaksi dan keamanan informasi, pengiriman produk, personalisasi, dan komunikasi dengan pemilik website (Barnes dan Vidgen, 2001). Kegunaan telah menggantikan kualitas website di Webqual versi 4.0 karena menjaga penekanan pada pengguna dan persepsi mereka daripada perancang website. Istilah kegunaan juga mencerminkan dengan lebih baik tingkat abstraksi dua dimensi lain dari Webqual, yaitu interaksi layanan dan informasi. Kegunaan berkaitan dengan pragmatic tentang bagaimana pengguna melihat dan berinteraksi dengan website : apakah mudah bernavigasi? Apakah desain sesuai engan jenis website?

Penelitian yang mengukur kualitas website Akademi Komunitas Negeri Pacitan dengan metode Webqual, belum ada. Namun demikian, terdapat penelitian sejenis yang menggunakan metode Webqual, seperti yang dilakukan oleh Josua Tarigan (2008) yang mengukur sistem perpustakaan digital (e-library) dari Stock Exchange of Thailand (SET), begitu juga penelitian yang dilakukan oleh Handini (2009) yang mengukur mutu layanan perpustakaan perguruan tinggi.

Gambar 2. Tampilan Website Akademi Komunitas Negeri Pacitan, diakses tanggal

19 April 2020 4. HASIL DAN PEMBAHASAN Dari total kuesioner yang diperoleh, yaitu sebanyak 120 responden, dilakukan analisis data dengan menggunakan software SmartPLS 2.0/ Langkah awal yang dilakukan adalah dengan melakukan uji validitas dan reliabilitas dari pertanyaan-pertanyaan dalam kuesioner .

Gambar 3. Tahapan penelitian

Pengujian validitas dan reliabilitas adalah proses menguji butir-butir pertanyaan yang ada dalam sebuah kuesioner, apakah isi butir pertanyaan sudah valid dan reliabel. Jika butir-butir sudah valid dan reliabel, berarti butir-butir tersebut sudah bisa digunakan untuk mengukur faktornya. Langkah selanjutnya adalah menguji apakah faktor-faktor sudah valid untuk mengukur konstruk yang ada. Dalam pengujian butir tersebut, bisa saja ada butir-butir yang ternyata tidak valid dan reliabel, sehingga harus dibuang atau diganti dengan pertanyaan yang lain (Santoso, 2006). Uji validitas dilakukan dengan melihat masing-masing konstruk dalam model penelitian lihat Gambar 4.

1. Uji Validity.

2. Uji Reliability

3. Pengujian Model

4. Uji Variabel


62

Gambar 4. Model Penelitian dalam SmartPLS

2.0 Menguji dari masing-masing konstruk dengan melihat convergent validity dari masing-masing indikator konstruk. Suatu indikator dikatakan reliable yang baik jika nilainya lebih besar dari 0.70 (Ghozali, 2008). Jika masa ada nilai Factor loading yang nilainya di bawah 0.70 kita drop dari analisis atau kita buang dari jalur model karena memiliki nilai convergent validity rendah, untuk itu nilai loading harus memenuhi syarat validitas lebih besar dari 0.70 (Ghozali, 2008). Suatu Konstruk dikatakan valid dan Reliabel jika mempunyai nilai AVE dan Communality diatas 0.50 dan Composite Reliability diatas 0.70 (Ghozali, 2008).

Tabel 4. AVE Tiap Variabel

Tabel 5. Communality Tiap Variabel

Tabel 6. Composite Reliability tiap Variabel

Artinya variabel yang dipakai untuk penelitian ini sudah valid dan Reliabel atau telah memenuhi Convergent Validity dan Reliability. Bisa juga dengan menganalisa Tabel. 7 outer loading.

Tabel 7. Outer Loading

Hasil dalam penelitian uji validitas konvergen ini telah memenuhi validitas konvergen, karena semua indikator memiliki skor loading lebih besar dari 0.70 (Ghozali, 2008) Menurut Hair dalam Latan & Ghozali (2012), suatu model dikatakan kuat jika nilai R Square 0.75. model moderat jika nilai R Square 0.50, dan model lemah jika nilai R Square 0.25. Uji R Square merupakan uji goodness-fit model

Tabel.8. R Square


63

Gambar 5. Goodness Fit Model Maka hasil Gambar.5 tersebut diperoleh nilai R Square dan Goodness fit model sebesar 0,677, yang artinya nilai tersebut mengindikasikan bahwa user satisfaction dapat dijelaskan oleh variabel konstruk ( Usability, Informaton Quality dan Service Interaction ) sebesar 67,7 % sedangkan sisanya yaitu sebesar 32,3 % dipengaruhi oleh variabel lain yang tidak terdapat dalam model peneltian ini. Untuk mendapatkan uji hipotesis dan nilai path coefficient maka dilakukan pengujian dengan fungsi Bootstrapping lihat pada Gambar. 6

Gambar 6. T- Statistic

Berikut penjelasan lebih detail bisa dilihat pada Tabel. 9. Tabel 9. T-Statistics

Hubungan Variabel

T. Tabel T. Hitung

Usability – User Satisfaction

1,65787

0,9503

Information – User Satisfaction

1,65787

3,0946

Services – User Satisfaction

1,65787

0,0055

Berdasarkan hasil analisis data dengan menggunakan Smart PLS 2.0 M3 melalui fungsi bootstrapping di atas diperoleh beberapa hubungan antara variabel yang berpengaruh terhadap website Akademi Komunitas Negeri Pacitan. Menurut Ghozali

(2008), kriteria signifikan adalah t hitung lebih besar daripada t tabel pada alpha 5%, 1,65787. Sehingga variabel yang mempunyai hubungan yang signifikan ditunjukkan dalam tabel 4. Tabel di atas menunjukkan hubungan variabel yang signifikan (ditandai dengan warna biru), karena t hitung lebih besar daripada t tabel pada alpha 5%, yaitu lebih besar dari 1,65787. Maka dari hasil penelitian ini berdasarkan nilai di atas maka Information – User Satisfaction diterima dan bernilai positif karena t hitung lebih besar dari t tabel. Sedangkan Services – User Satisfaction dan Usability – User Satisfaction ditolak karena t hitung lebih kecil dari t tabel. 5. KESIMPULAN DAN SARAN a. Kesimpulan Berdasarkan hasil pengumpulan dan analisis data dalam penelitian ini, maka dapat diambil kesimpulan bahwa dari sebanyak 23 butir pertanyaan yang membentuk dimensi - dimensi dari Webqual, semua butir pertanyaan dianggap valid, sedangkan dari 3 dimensi Webqual 4.0, hanya dimensi kualitas informasi (Informatio Quality) yang dinilai berpengaruh positif terhadap user satisfaction atau berpengaruh pada mutu website, sedangkan dimensi Kegunaan (Usability) dan dimensi Kualitas Interaksi (Interaction Quality) dinilai tidak berpengaruh tehadap user satisfaction website atau mutu website. Sehingga disimpulkan bahwa variabel yang mempengaruhi mutu website AKN Pacitan adalah variabel Kualitas Informasi (Information Quality), hal ini bisa menjadi catatan bagi pengelola website AKN Pacitan untuk terus meningkatkan mutu dari website apalagi website ini sebagai media informasi digital bagi kampus AKN Pacitan kepada mahasiswa. b. Saran

Dengan dilakukannya penelitian ini maka diperoleh gambaran bahwa terdapat variabel yang mempengaruhi mutu website AKN Pacitan, yaitu variabel Kualitas Informasi (Information Quality).

Penelitian ini belum mengukur semua variabel secara rinci/detail sebagai pengaruh dari mutu website ini dikarenakan keterbatasan waktu dan biaya, sehingga memerlukan penelitian dan pengkajian lebih


64

lanjut. Terlepas dari kontribusi yang diberikan penelitian ini, dalam rangka penyempurnaan lebih lanjut, khususnya terkait dengan metodologi penelitian, peneliti bermaksud menyampaikan beberapa saran sebagai berikut: Penelitian ini mengambil responden dengan teknik Purposive Sampling dari mahasiswa lintas prodi yang ada di kampus, dengan asumsi mereka sudah pernah mengakses Website Akademi Komunitas Negeri Pacitan. Dimensi-dimensi yang ada pada Webqual hanyalah salah satu metode dalam mengukur kualitas suatu website. Dalam konteks penelitian lebih lanjut, mungkin perlu juga mencoba dimensi lain seperti yang diusulkan oleh Hair (2009) meliputi kegunaan, presentasi, konten, komunikasi, dampak konsumen, dan kepercayaan.

6. REFERENSI Asad Ahmad & Mohammed Naved

Khan (2017) Developing a Website Service Quality Scale: A Confirmatory Factor Analytic Approach, Journal of Internet Commerce, 16:1, 104-126, DOI:

10.1080/15332861.2017.1283927 Barnes S, idgen, R. 2001. Assessing the

Quality of Auction Websites. 34th Hawaii International Conference on System Sciences.

Budihartanti, Cahyani; Rusiyati, Sri; Badrul, Mohammad. Evaluasi Kualitas Website BPJS Kesehatan Menggunakan Metode Webqual dan Importance Performance Analysis. Journal of Information System, Applied, Management, Accounting and Research, [S.l.], V. 3, N. 4, p. 63-69, Nov. 2019. ISSN 2598-8719

E.E. Barus, Suprapto, A.D Herlambang, “Analisis Kualitas Website Tribunnews.com Menggunakan Metode Webqual dan Importance Performance Analysis,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2, 4, 2018, pp. 1483–1491.

Hair, N. 2009. A Study of Website Quality Components. Rochester Institute of Technology.

Handini. 2009. Pengukuran Mutu Layanan Perpustakaan Perguruan Tinggi dengan Menggunakan Metode Webqual (Studi Kasus : Web Library Perguruan Tinggi

Swasta dan Perguruan Tinggi Negeri). Jakarta : Universitas Gunadarma.

Rahayu, Luci Kanti; Mustika, Wida Prima; Wahyudi, Wahid Fajar. Webqual 4.0 Untuk Evaluasi Kualitas Layanan Website E-Commerce Alzafa.Com Terhadap Keputusan Pembelian Online. Journal of information system, applied, management, accounting and research, [s.l.], v. 2, n. 1, p. 47-54, apr. 2018. Issn 2598-8719.

Tarigan, J. 2008. User Satisfaction using Webqual Instrument : A Research on Stock Exchange of Thailand (SET). Jurnal Akuntansi dan Keuangan. Vol. 10 No. 1 : 34 – 47.

Documents

Jurnal INFORMA Politeknik Indonusa Surakarta P-ISSN : 2442