TA : Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Fuzzy C-Means Clustering.

C-MEANS CLUSTERING

Oleh:

Nama : CATUR SUGENG PRIBADI Nim : 05.41010.0082

Program : S1(Strata Satu) Jurusan : Sistem Informasi

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2012

STIKOM

C-MEANS CLUSTERING TUGAS AKHIR

Diajukan sebagai syarat untuk menyelesaikan Program Sarjana Komputer

Oleh:

Nama : CATUR SUGENG PRIBADI Nim : 05.41010.0082

Program : S1 (Strata Satu) Jurusan : Sistem Informasi

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2012

STIKOM

ix

ABSTRAK ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... ix

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xvi

DAFTAR LAMPIRAN ... xviii

BAB I PENDAHULUAN ... 1

1.1 Latar belakang Masalah ... 1

1.2 Perumusan Masalah... 2

1.3 Pembatasan Masalah ... 3

1.4 Tujuan ... 3

1.5 Sistematika Penulisan ... 4

BAB II LANDASAN TEORI ... 6

2.1 Perpustakaan ... 6

2.2 Dewey Decimal Classification ... 8

... 2.2.1 Komponen DDC ... 9

... 2.2.2 Cara Kerja Sistem DDC ... 10

... 2.2.3 Keunggulan Dan Kelemahan DDC... 12

2.3 Sistem Pendukung Keputusan ... 14

2.4 Pengertian Logika Fuzzy ... 16

... 2.4.1 Himpunan Fuzzy ... 17

... 2.4.2 Operasi Logika (Operasi Himpunan Fuzzy) ... 19

STIKOM

x

... 2.6.1 Algoritma Fuzzy C-Means Cluster (FCM) ... 24

BAB III PERANCANGAN SISTEM ... 28

3.1 Analisa Permasalahan... 28

3.2 Metode Penelitian... 29

... 3.2.1 Studi Pustaka ... 29

... 3.2.2 Wawancara ... 29

... 3.2.3 Analisa Data ... 29

3.3 Perancangan Sistem... 30

... 3.3.1 Flowchart Metode Fuzzy C-Means Clustering... 30

... 3.3.2 System Flow Pengadaan Buku Dengan FCM ... 33

... 3.3.3 Perancangan Basis Data ... 34

... 3.3.4 Struktur Tabel ... 35

... 3.3.5 Rancangan Input Output ... 42

BAB IV IMPLEMENTASI DAN EVALUASI ... 46

4.1 Implementasi ... 46

... 4.1.1 Kebutuhan Perangkat Keras ... 46

... 4.1.2 Kebutuhan Perangkat Lunak ... 46

4.2 Perancangan Sistem... 47

... 4.2.1 System Requirement Specification ... 47

... 4.2.2 Perancangan Prototype ... 48

... 4.2.3 Graphical User Interface (GUI) ... 48

4.3 Evaluasi dan Hasil Pengujian Sistem ... 55

STIKOM

xi

4.3.3 Evaluasi Sistem ... 107

BAB V PENUTUP... 113

5.1 Kesimpulan ... 113

5.2 Saran ... 116

DAFTAR PUSTAKA ... 118 LAMPIRAN

STIKOM

!

!

!!"

#

STIKOM

1 1.1 Latar Belakang Masalah

Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau informasi secara cepat, tepat dan akurat sehingga efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah satunya sekolah tinggi yang memanfaatkan teknologi komputer untuk mendukung kegiatan operasional sehari-harinya, contohnya adalah pemanfaatan teknologi komputer dalam proses pengadaan koleksi buku di perpustakaan.

Pada proses pengadaan koleksi buku baru, perpustakaan STIKOM Surabaya masih mengalami permasalahan. Permasalahan tersebut antara lain adalah petugas perpustakaan belum dapat mengetahui buku apa yang paling banyak dipinjam oleh Tahun Angkatan tertentu dalam periode tertentu dan untuk pembelian buku baru selama ini hanya berdasarkan usulan dari anggota perpustakaan yang diajukan ke kaprodi.

Tentu hal ini tidak efektif dan kurang akurat, karena pembelian buku tidak disertai dengan data-data yang akurat sesuai dengan kebutuhan peminjam. Maka dari itu untuk memecahkan masalah tersebut, diperlukan sebuah sistem pendukung keputusan yang dapat dipakai oleh petugas perpustakaan untuk memperoleh informasi buku yang lebih akurat dengan menerapkan metode Fuzzy C-means Clustering.

STIKOM

Fuzzy C-means Adalah sebuah metode clustering yang mengijinkan satu data menjadi milik dua atau lebih cluster. Metode ini sering digunakan dalam pengenalan pola (pattern recoqnition). Metode Fuzzy C-means adalah salah satu metode clustering yang mengalokasikan kembali data kedalam masing-masing cluster dengan memanfaatkan teori Fuzzy. Dalam metode Fuzzy C-means dipergunakan variabel membershipfunction iku, yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster (Bezdek,1981).

Dengan adanya Rancang Bangun Sistem Informasi Pelaporan Jumlah Transaksi Peminjaman Buku di Perpustakaan STIKOM Surabaya Dengan Menggunakan metode Fuzzy C-means dapat bermanfaat bagi petugas perpustakaan karena memperoleh informasi pembelian buku baru yang sesuai dengan minat mahasiswa dan jumlah buku yang dipinjam. Maka dari itu diperlukan sebuah sistem yang dapat menentukan buku apa yang akan dibeli agar bisa bermanfaat bagi anggota perpustakaan berdasarkan tiap angkatan dalam periode tertentu.

1.2 Perumusan Masalah

Berdasarkan latar belakang tersebut di atas maka rumusan masalah yang akan dibahas adalah:

1. Bagaimana membuat aplikasi yang dapat melakukan pengelompokan kategori buku berdasarkan kategori DDC dan angkatan studi mahasiswa dari jumlah peminjaman menggunakan metode Fuzzy C-means Clustering.

STIKOM

2. Bagaimana membuat aplikasi yang dapat memberikan rekomendasi untuk bagian pembelian tentang kategori buku baru yang harus dipasok ke dalam perpustakaan STIKOM Surabaya berdasarkan jumlah pinjaman.

1.3 Pembatasan Masalah

Batasan masalah dalam pembuatan sistem ini adalah sebagai berikut: 1. Sistem informasi yang dibuat merupakan aplikasi berbasis desktop. 2. Sistem yang dibuat tidak membahas transaksi peminjaman buku.

3. Data transaksi peminjaman buku diambil dari database perpustakaan. 4. Data transaksi peminjaman buku yang dilakukan oleh angkatan studi

mahasiswa dari angkatan 2008 sampai dengan 2011. 5. Periode transaksi berdasarkan inputan tanggal.

6. Data mahasiswa diambil dari program studi Sistem Informasi.

7. Aplikasi ini tidak menangani transaksi pembelian buku baru yang sudah pernah dipesan sebelumnya.

8. Batasan DDC menyesuaikan dengan yang ada di perpustakaan STIKOM.

1.4 Tujuan

Berdasarkan perumusan masalah yang ada maka tujuan dari tugas akhir ini adalah:

1. Membuat aplikasi yang dapat melakukan pengelompokan DDC berdasarkan jumlah peminjam per Tahun Angkatan mulai dari tahun angkatan 2008 sampai dengan 2011 menggunakan metode Fuzzy C-means Clustering.

STIKOM

2. Membuat aplikasi yang dapat memberikan rekomendasi kepada manajemen Perpustakaan perihal DDC mana yang harus dipasok ke dalam perpustakaan STIKOM Surabaya berdasarkan minat mahasiswa tahun angkatan tertentu.

1.5 Sistematika Penulisan

Sistematika penulisan pada laporan ini adalah sebagai berikut:

BAB I : PENDAHULUAN

Pada bab ini dibahas tentang latar belakang masalah dan penjelasan permasalahan secara umum, perumusan masalah serta batasan masalah yang dibuat, tujuan dari pembuatan tugas akhir dan sistimatika penulisan buku.

BAB II : LANDASAN TEORI

Bab ini menjelaskan tentang teori-teori yang berkaitan dalam penyelesaian laporan tugas akhir ini antara lain teori tentang perpustakaan, Dewey Decimal Classification (DDC), Sistem Pendukung Keputusan, Clusterung, Fuzzy C-means Clustering (FCM).

BAB III: PERANCANGAN SISTEM

Pada bab ini dibahas tentang perancangan sistem, analisa sistem, perancangan Document Flow dan System Flow yang digunakan dalam pembuatan aplikasi, desain input, output, danrencana evaluasi hasil.

BAB IV : IMPLEMENTASI DAN EVALUASI

Pada bab ini dibahas tentang implementasi dari aplikasi yang dibuat secara keseluruhan. Serta melakukan pengujian terhadap aplikasi yang

STIKOM

dibuat untuk mengetahui aplikasi tersebut telah dapat menyelesaikan permasalahan sesuai dengan yang diharapkan.

BAB V : PENUTUP

Pada bab ini berisikan kesimpulan dari sistem dan saran untuk pengembangan sistem.

STIKOM

6

LANDASAN TEORI

2.1 Perpustakaan

Menurut Undang-undang Perpustakaan (UU nomor 43 tahun 2007) disebutkan bahwa perpustakaan adalah institusi pengelola koleksi karya tulis, karya cetak, dan/ atau karya rekam secara profesional dengan sistem yang baku guna memenuhi kebutuhan pendidikan, penelitian, pelestarian, informasi, dan rekreasi para pemustaka. Sedangkan menurut Sulistyo-Basuki (1991: 3) perpustakaan adalah: sebuah ruangan, bagian sebuah gedung, ataupun gedung itu sendiri yang digunakan untuk menyimpan buku dan terbitan lainnya yang biasanya disimpan menurut tata susunan tertentu untuk digunakan pembaca, bukan untuk dijual.

Institusi merupakan struktur dan mekanisme aturan dan kerjasama sosial yang mengawal perlakuan dua atau lebih individu. Institusi bisa juga berarti lembaga yaitu badan (organisasi) yang bermaksud melakukan suatu penyelidikan keilmuan atau melakukan suatu usaha. Pengelola berasal dari kata to manage yang berarti mengurus, mengatur, melaksanakan, mengelola. Jadi pengelola adalah seseorang yang mengurus, mengatur, melaksanakan, mengelola. Koleksi berarti kumpulan benda yang digemari. Dengan demikian maka koleksi karya tulis, karya cetak dan/ atau karya rekam adalah kumpulan informasi yang berbentuk tulisan tangan, buku cetakan maupun yang direkam dalam berbagai media

STIKOM

termasuk media elektronik dan digital. Profesional berarti memerlukan kepandaian khusus untuk menjalankan. Dengan demikian “mengelola koleksi karya tulis, karya cetak dan atau karya rekam secara profesional” berarti mengurus, mengatur, melaksanakan, mengelola kumpulan informasi dalam berbagai bentuk atau format dimana dalam melakukan pengelolaannya tersebut diperlukan keahlian khusus. Baku berarti sesuatu yang dipakai dasar ukuran (nilai, harga, dsb) standar. Jadi sistem baku merupakan sistem yang digunakan sebagai dasar dalam melakukan pengelolaan koleksi karya tulis, karya cetak dan atau karya rekam. Pemustaka menurut UU 43 tahun 2007 adalah pengguna perpustakaan, yaitu perseorangan, kelompok orang, masyarakat, atau lembaga yang memanfaatkan fasilitas layanan perpustakaan.

Dengan demikian maka makna dari kedua definisi yang dikutip pada awal tulisan ini adalah: perpustakaan merupakan institusi atau lembaga tempat menyimpan informasi dalam bentuk buku dan bentuk-bentuk lain yang disimpan menurut aturan tertentu yang baku untuk digunakan oleh orang lain (bukan hanya digunakan oleh pribadi) secara gratis untuk bermacam-macam tujuan atau kebutuhan seperti untuk pendidikan, penelitian, pelestarian, informasi, dan rekreasi. Mari kita bandingkan dengan definisinya Wikipedia yang mendefinikan perpustakaan sebagai berikut:”A library is a collection of sources, resources, and services, and the structure in which it is housed; it is organized for use and maintained by a public body, an institution, or a private individual. In the more traditional sense, a library is a collection

STIKOM

of books. It can mean the collection, the building or room that houses such a collection, or both.” Jadi makna beberapa definisi tersebut memiliki pengertian yang sama yakni: (1) merupakan kumpulan bahan perpustakaan; (2) dikelola secara profesional dengan sistem tertentu (baku); (3) dikelola oleh lembaga atau institusi dan atau individu; (4) diselenggarakan untuk kebutuhan pemustaka.

2.2. Dewey Decimal Classification

Dewey Decimal Classification adalah merupakan salah satu sistem pengklasifikasian koleksi buku yang ditemukan oleh Melvil Dewey. Nama lengkapnya Melville Louis Kassuth Dewey (1851-1931). Pada 1874 Dewey sebagai pustakawan di Amhers College, Massachuseetts, Tahun 1876 ia menerbitkan DDC edisi pertama dengan judul “A classification and subject index for a library”. Terbit pertama kali hanya sebanyak 42 halaman yang berisi 12 halaman pendahuluan, 12 halaman bagan dan 18 halaman indeks. Sejak edisi pertama diterbitkan, DDC terus menerus mengikuti perkembangan ilmu pengetahuan. Banyak subyek-subyek baru yang ditambahkan. Adakalanya notasi mengalami perluasan dan perubahan lokasi karena perkembangan subyek tersebut. Kelestarian DDC sampai dapat mencapai umur lebih seabad dan banyak pemakainya di dunia, disebabkan karena DDC secara berkala ditinjau kembali dan diterbitkan edisi barunya. Lembaga yang mengawasi dan mendukung penerbitan DDC ialah “The Lake Placed Education Foundation” dan “The Library of Congress” di Amerika Serikat sarana komunikasi

STIKOM

diterbitkan “Decimal Classification, adition, notes, decisions” (disingkat DC). DDC dalam pengembangannya menggunakan sistem desimal angka arab sebagai simbol notasinya.

2.2.1 Komponen DDC

Dalam klasifikasi Persepuluhan Dewey ini terdapat 3 komponen, yaitu Bagan, indeks Relatif, dan Tabel-tabel. Untuk lebih jelasnya dapat diperhatikan pada uraian berikut ini.

A. Bagan (Schedules)

Klasifikasi Dewey adalah bagan klasifikasi sistem hirarki yang menganut prinsip “desimal” untuk membagi semua bidang ilmu pengetahuan. Ilmu pengetahuan dibagi ke dalam 9 kelas utama, yang diberi kode/lambang angka (selanjutnya disebut notasi). Seperti telah dijelaskan pada halaman sebelumnya. Dalam DDC ini semakin khusus suatu subyek, semakin panjang notasinya. Karena banyak angka yang ditambahkan pada notasi dasarnya. Pembagiannya dari umum ke khusus.

B. Indeks Relatif (Relative Index)

Untuk membantu mencari notasi suatu subyek dalam DDC terdapat ‘Indeks Relatif’. Pada indeks relatif ini terdaftar sejumlah istilah yang disusun berabjad. Istilah-istilah tersebut mengacu ke notasi yang terdapat dalam bagan. Dalam indeks ini didaftar sinonim untuk suatu istilah, hubungan-hubungan dengan subyek lainnya. Bila suatu subyek telah ditemukan dalam indeks relatif, hendaklah ditentukan lebih lanjut aspek dari subyek yang bersangkutan. Cara yang paling cepat untuk menentukan notasi suatu subyek adalah melalui indeks relatif. Tetapi

STIKOM

menentukan notasi hanya melalui dan berdasarkan indeks relatif saja tidak dapat dibenarkan. Setelah suatu subyek diperoleh notasinya dalam indeks relatif, harus diadakan pengecekan dengan notasi yang terdapat dalam bagan. Dengan demikian dapat diketahui apakah notasi tersebut betul-betul sesuai dengan karya yang sedang diklasifikasikan.

C. Tabel-Tabel

Kecuali pembagian kelas secara desimal dengan notasi yang terdaftar dalam bagan, DDC juga mempunyai sarana lain. Untuk membagi/ memperluas subyek lebih lanjut, yaitu dengan menyediakan sejumlah tabel pembantu atau auxiliary tables. Notasi pada table-tabel tersebut hanya dapat digunakan dalam rangkaian dengan notasi yang terdapat dalam bagan. Dengan kata lain, notasi yang terdapat dalam tabel tidak pernah berdiri sendiri, selalu dirangkaikan dengan notasi dalam bagan.

2.2.2 Cara Kerja Sistem DDC

Dewey membagi berbagai disiplin pengetahuan yang ada ke dalam sepuluh kelas utama (mainclass) dengan satu “Generalities”. Selanjutnya, kelas-kelas utama tersebut dibagi lagi ke dalam sepuluh divisi, dan setiap divisi dibagi lagi ke dalam sepuluh section. Ke-sepuluh kelas utama tersebut adalah :

1. 000 Generalities.

2. 100 Philosophy, psychology. 3. 200 Religion.

4. 300 Social Science (incl. economics).

STIKOM

5. 400 Language. 6. 500 Natural Science.

7. 600 Technology (incl. medicine, management). 8. 700 Art (incl. architecture, paintings, photography). 9. 800 Literature.

10.900 History geography, biography.

Kelas utama 000 digunakan untuk karya-karya yang tidak terbatas pada satu disiplin ilmu saja, misalnya ensiklopedia. Kelas ini juga digunakan untuk bidang yang berhubungan dengan pengetahuan dan informasi, misalnya ilmu komputer, ilmu perpustakaan. Angka pertama pada nomor-nomor tersebut menunjukkan main class. Masing-masing main class terdiri dari 10 divisi, juga menggunakan nomor 0-9. Angka yang menunjukkan divisi adalah angka kedua. Misalnya, 600 digunakan untuk buku-buku yang membahas tentang teknologi/ ilmu terapan secara umum, 610 untuk ilmu kedokteran, 620 untuk ilmu teknik, 630 untuk pertanian.

Masing-masing divisi dibagi lagi menjadi 10 section, juga menggunakan nomor 0-9. Angka ketiga dalam nomor DDC menunjukkan section. Misal, 610 digunakan untuk karya umum di bidang kedokteran, 611 untuk anatomi manusia, 612 untuk fisiologi manusia, 613 untuk bidang promosi kesehatan. Selanjutnya, setelah tiga nomor utama tersebut, angka desimal dapat digunakan sejauh diperlukan. Misalnya, 611.1 untuk buku yang membahas tentang organ-organ kardiovaskular, 611.2 untuk buku yang membahas tentang organ-organ pernafasan.

STIKOM

2.2.3 Keunggulan Dan Kelemahan DDC

a. keunggulan

1. DDC merupakan sistem yang praktis dan paling banyak digunakan di dunia karena kehandalannya.

2. Indeks relatif menyatukan subjek yang sama dengan aspek berlainan yang tersebar dalam berbagai disiplin ilmu.

3. Notasi dengan angka Arab dikenal secara universal. Pustakawan dengan latar belakang budaya dan bahasa yang berbeda dengan mudah dapat menyesuaikan sistem tersebut.

4. Urutan numeric kasat mata memudahkan penjajaran dan penempatan buku-buku di rak.

5. Penggunaan notasi desimal memungkinkan perluasan pembagian sub divisi tanpa batas.

6. Revisi berkala dengan interval teratur menjamin kemutakhiran bagan klasifikasi DDC.

b. Kelemahan

1. Disiplin ilmu yang berakitan sering kali terpencar. Misalnya 300 ilmu-ilmu sosial terpisah dari 900 Geografi dan Sejarah. Pada bidang lain, kelas 400 Bahasa terpisah dari 800 Sastra.

2. Penempatan beberapa subjek tertentu dipermasalahkan. Misalnya ilmu perpustakaan pada kelas karya umum 000, psikologi sebagai sub divisi dari filsafat 100 dan olahraga serta hiburan dan kesenian 700.

STIKOM

3. Pada kelas 800, karya literer oleh pengarang yang sama disebarkan berdasarkan bentuk literer. Padahal para pakar menginginkannya menjadi satu.

4. Basis sepuluh dalam DDC membatasi kemampuan perluasan sistem notasi. Karena, dari sepuluh divisi hanya Sembilan yang dapat diperluas untuk member tempat subjek yang bertingkat sama dalam hirarki. Bila sebuah subjek dibagi dalam 10 subdivisi, perluasan hanya mampu menampung 9 subdivisi yang setara. Padahal dalam kenyataan subdivisi yang ada lebih dari 9 sehingga beberapa subdivisi terpaksa mengalah turun lebih rendah menjadi subdivisi-subdivisi.

5. Laju pertumbuhan ilmu pengetahuan tidak sama sehingga membuat struktur ilmu pengetahuan tidak seimbang. Ada kelas yang dianggap statis seperti Agama dan Filsafat, ada pula yang tumbuh cepat seperti kelas 300 ilmu-ilmu sosial, 500 Sains dan 600 Teknologi. Pada kelas 300, 500 dan 600 ada kesan terlalu padat.

6. Perluasan sebuah subjek dapat dilakukan dengan sistem desimal, tetapi anehnya angka baru untuk subjek baru tidak dobel disisipkan antara nomor koordinat (yaitu nomor antara divisi, misalnya 610 dan 620) walaupun memang tempat yang layak ada diantara nomor koordinat. DDC melakukan penambahan subjek baru dengan memasukkannya pada subdivisi dari subjek yang telah ada.

STIKOM

7. Karena kemampuan perluasan tidak terbatas berkat sistem desimal, hasilnya ialah angka yang cukup panjang untuk beberapa subjek. Angka yang panjang menyulitkan penempatan buku di rak.

2.3. Sistem Pendukung Keputusan

Sistem Pendukung Keputusan atau yang biasa disebut Decision Support System (DSS) adalah sebuah sistem yang ditujukan untuk mendukung para pengambil keputusan manajerial untuk masalah semiterstruktur. Scott Morton mendefinisikan DSS sebagai “sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur” (Gory dan Scott Morton, 1971). Seperti yang disebutkan oleh Turban (2005: 136) yaitu DSS dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. DSS ditujukan untuk keputusan-keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak dapat didukung oleh algoritma. Sebagai istilah umum DSS digunakan untuk menggambarkan semua sistem terkomputerisasi yang mendukung pengambilan keputusan pada suatu organisasi. Tujuan utama dari DSS yaitu untuk mendukung dan meningkatkan pengambilan keputusan (Turban, 2005: 138).

Sesuai dengan konsep DSS diatas, maka menurut Turban (2005: 20) yang membedakan DSS dengan Sistem Informasi Manajemen adalah

STIKOM

“Organisasi bisa saja memiliki suatu sistem manajemen pengetahuan untuk memandu seluruh personelnya dalam memecahkan masalah, ia dapat memiliki DSS tersendiri untuk pemasaran, keuangan, dan akuntansi, sistem SCM untuk produksi, dan beberapa sistem pakar untuk membuat diagnosis dan help desk perbaikan”. Jadi bisa dikatakan perbedaan antara Sistem Pendukung Keputusan (SPK) dengan Sistem Informasi Manajemen (SIM) dapat dilihat pada Tabel 2.1.

Tabel 2.1 Perbedaan Antara Sistem Pendukung Keputusan dengan Sistem Informasi Manajemen (Laudon, 2005)

Sistem Pendukung Keputusan (SPK)

Sistem Informasi Manajemen (SIM)

Memberikan serangkaian

kemampuan baru untuk keputusan-keputusan non rutin dan kendali pengguna.

Menghasilkan laporan regular terjadwal dan baku berdasarkan data yang diambil dan dirangkum dari sistem pemrosesan transaksi (SPT) milik

organisasi. Sebuah laporan SIM pada umumnya menunjukkan ringkasan penjualan perbulan untuk masing-masing wilayah penjualan utama.

Menekankan perubahan,

fleksibilitas, dan respon cepat.

Memberikan kepada manajer laporan berdasarkan aliran rutin

STIKOM

Sistem Pendukung Keputusan (SPK)

Sistem Informasi Manajemen (SIM)

Dengan adanya SPK tidak perlu susah payah menghubungkan pengguna dengan alur informasi terstruktur, menghasilkan model-model, asumsi dan pertanyaan khusus yang semakin diperluas serta menampilkan grafik.

data dan membantu kendali umum perusahaan.

SPK menyelesaikan semi terstruktur dan menganalisis masalah tak terstruktur.

Menyelesaikan masalah-masalah terstruktur.

2.4. Pengertian Logika Fuzzy

Menurut Kusuma Dewi [2006] Logika Fuzzy adalah peningkatan dari logika Boolean yang berkaitan dengan konsep kebenaran sebagian. Logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran.

Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "sedang", dan "banyak". Pada akhir

STIKOM

tahun 1965, Dr. Lotfi A. Zadeh memperkenalkan teori himpunan fuzzy yang dapat digunakan untuk mempresentasikan masalah ketidakpastian.

2.4.1. Himpunan Fuzzy

Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu himpunan A (ditulis A[x]) memiliki 2 kemungkinan :

1. Satu (1), artinya x adalah anggota A 2. Nol (0), artinya x bukan anggota A Contoh 1 :

Jika diketahui :

S={1,2,3,4,5,6} adalah semesta pembicaraan A={1,2,3}

B={3,4,5} maka :

Nilai kaanggotaan 2 pada A, A[2] = 1, karena 2A Nilai kaanggotaan 4 pada A, A[4] = 0, karena 4 A Contoh 2:

Misal variable umur dibagi menjadi 3 katagori : MUDA, umur <35 tahun

PARUHBAYA, 35 ≤ umur ≤ 55 tahun TUA, umur > 55 tahun

STIKOM

Gambar 2.1 Keanggotaan Himpunan Klasik (Crisp) Umur Muda, Paruhbaya dan Tua

a. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA

b. Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA

c. Apabila seseorang berusia 35 tahun, maka ia dikatakan PARUHBAYA

d. Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PARUHBAYA

e. Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA

f. Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA

Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan katagori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Sesorang dapat masuk dalam 2 himpunan yang berbeda. MUDA dan PARUHBAYA, PARUHBAYA dan TUA, dsb. Seberapa besar eksistensinya dapat dilihat pada nilai/ derajat keanggotaannya.

STIKOM

Gambar berikut menunjukkan himpunan fuzzy untuk variabel umur :

Gambar 2.2 Himpunan Fuzzy Untuk Variabel Umur

2.4.2. Operasi Logika (Operasi Himpunan Fuzzy)

Operasi logika adalah operasi yang mengkombinasikan dan memodifikasi 2 atau lebih himpunan fuzzy. Nilai keanggotaan baru hasil operasi dua himpunan disebut firing strength atau  predikat. Terdapat 3 operasi dasar pada himpunan fuzzy yang diciptakan oleh Zadeh :

1.AND (Intersection) 2.OR (Union)

3.NOT (Complement)

1. AND (Intersection)

Fuzzy intersection (): irisan dari 2 himpunan fuzzy adalah minimum dari tiap pasang elemen pada kedua himpunan.

Contoh :

A  B = {MIN(1.0, 0.2), MIN(0.20, 0.45), MIN(0.75, 0.50)} = {0.2, 0.20, 0.50}

STIKOM

Misal nilai keanggotaan umur 27 pada himpunan muda adalah

MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8.

Maka -predikat untuk usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan minimun :

MUDAGAJITINGGI

= min( MUDA[27],  GAJITINGGI[2juta]) = min (0,6 ; 0,8)

= 0,6

2. OR (Union)

Fuzzy union (): union dari 2 himpunan adalah maksimum dari tiap pasang elemen pada kedua himpunan.

Contoh :

A = {1.0, 0.20, 0.75} B = {0.2, 0.45, 0.50}

A  B = {MAX(1.0, 0.2), MAX(0.20, 0.45), MAX(0.75, 0.50)} = {1.0, 0.45, 0.75}

Misal nilai keanggotaan umur 27 pada himpunan muda adalah

MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah GAJITINGGI[2juta] = 0,8.

Maka -predikat untuk usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum :

MUDA  GAJITINGGI

STIKOM

= max(MUDA[27], GAJITINGGI[2juta]) = max (0,6 ; 0,8)

= 0,8

3. NOT (Complement)

Komplemen dari variabel fuzzy dengan derajat keanggotaan=x adalah (1-x).

Komplemen ( _c): komplemen dari himpunan fuzzy terdiri dari semua komplemen elemen.

Contoh :

Ac = {1 – 1.0, 1 – 0.2, 1 – 0.75} = {0.0, 0.8, 0.25}

Misal nilai keanggotaan umur 27 pada himpunan muda adalah

MUDA[27]= 0,6.

Maka  -predikat untuk usia TIDAK MUDA adalah :

MUDA’[27] = 1 - MUDA[27] = 1 - 0,6

= 0,4

2.5. Clustering

Metode data mining dapat diklasifikasikan berdasarkan fungsi atau aplikasi dimana mereka digunakan. Teknik data mining yang digunakan dalam menyelesaikan tugas akhir ini adalah menggunakan teknik cluster analisis. Clustering adalah sekumpulan data yang memiliki kesamaan terhadap data lain yang ada dalam satu cluster dan tidak memiliki

STIKOM

kesamaan dengan objek di cluster yang berbeda (Han, 2007:383). Clustering atau yang biasa disebut data segmentation di dalam sebuah aplikasi karena clustering membagi data yang sangat besar ke dalam kelompok-kelompok berdasarkan kepada kesamaan yang ada.

Clustering juga dapat digunakan untuk outlier detection, dimana jarak terluar lebih menarik dari kasus-kasus yang biasanya. Sebagai cabang dari statistika, analisis cluster telah lebih luas dipelajari dalam beberapa tahun, mengutakaman pada distance-based cluster analysis (Han, 2007:384). Perangkat analisis cluster berdasarkan pada means, k-medoids, dan beberapa metode lainnya yang juga dibangun ke dalam banyak paket software analisis statistik, seperti S-Plus, SPSS, dan SAS.

Metode clustering pada dasarnya melakukan segmentasi atau pengelompokkan suatu populasi data yang heterogen menjadi beberapa sub group atau cluster. Metode ini dikategorikan ke dalam teknik undirect knowledge atau unsuppervised learning karena tidak membutuhkan proses pelatihan untuk klasifikasi awal data dalam masing-masing group atau cluster. Ada beberapa kategori pendekatan clustering (Gunadarma, 2008), diantaranya :

a. Algoritma Partisi : mempartisi objek-objek ke dalam k cluster dan realokasi objek-objek secara iteratif untuk memperbaiki clustering.

b. Algoritma Hirarkis : Agglomerative dimana setiap objek merupakan cluster, gabungan dari cluster-cluster membentuk cluster yang besar dan Divisive dimana semua objek berada

STIKOM

dalam suatu cluster, pembagian cluster tersebut membentuk cluster-cluster yang kecil.

c. Metode berbasis densitas : berbasis koneksitas dan fungsi densitas dan noise disaring, kemudian temukan cluster-cluster dalam bentuk sembarang.

d. Metode berbasis grid : kuantitas ruang objek ke dalam struktur grid.

e. Berbasis Model : menggunakan model untuk menemukan keadaan data yang baik.

2.6. Fuzzy C-Means Cluster (FCM)

Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. Fuzzy Clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy.

Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means (FCM) adalah suatu teknik pengelompokan data yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dasar Fuzzy C-Means Cluster (FCM), pertama kali adalah menetukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat.

Tiap-STIKOM

tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.

Output dari FCM bukan merupakan fuzzy inference system, namun merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun sautu fuzzy inference system. [SRI&HARI2010]

2.6.1 Algoritma Fuzzy C-Means Cluster (FCM)

Algoritma Fuzzy C-Meansadalah sebagai berikut:

1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah sample data, m=atribut setiap data). Xij=data sample ke-i( i=1,2,…,n), atribut ke-j(j=1,2,…,m).

2. Tentukan:

o Jumlah cluster (c) o Pangkat (w)

o Maksimum iterasi (MaxIter) o Error terkecil yang diharapkan (ɛ) o Fungsi obyektif awal (P0 =0) o Iterasi awal (t=1)

STIKOM

3. Bangkitkan nilai acak μik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen

matriks partisi awal U (derajat keanggotaan dalam cluster). μik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan

terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi

U masih belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat. Hitung jumlah setiap kolom (atribut)

……….…… (2.1) Qj adalah jumlah nilai derajat keanggotaan perkolom = 1

dengan j=1,2,…m Hitung:

………... (2.2)

STIKOM

4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.

……… (2.3) 5. Hitung fungsi obyektif pada iterasi ke-t, Pt.

Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan

pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk ke cluster mana pada step akhir.

……… (2.4)

6. Hitung perubahan matriks partisi:

……… (2.5) dengan: i=1,2,…n;dan k=1,2,..c.

7. Cek kondisi berhenti:

o jika:( |Pt - Pt-1 | ≤ɛ ) atau (t>maxIter) maka berhenti; o jika tidak: t=t+1, ulangi langkah ke-4.

STIKOM

Gambar 2.3 Flowchart Metode Fuzzy C-means Clustering

STIKOM

28 3.1 Analisis Permasalahan

Perpustakaan merupakan salah satu gudang ilmu pengetahuan bagi sebagian masyarakat. Perpustakaan STIKOM Surabaya merupakan salah satu tempat bagi para mahasiswa maupun dosen untuk belajar dan menambah pengetahuannya melalui buku-buku yang ada. Pihak perpustakaan harus senantiasa menambah buku baru ataupun menambah jumlah buku yang telah ada sesuai dengan kebutuhan dan anggaran yang disediakan.

Saat ini perpustakaan STIKOM Surabaya telah mampu mengelola sirkulasi perpustakaan secara komputerisasi. Semua transaksi peminjaman, pengembalian dan pencarian koleksi telah berjalan dengan baik. Akan tetapi pihak perpustakaan masih mengalami kesulitan dengan jenis buku yang harus mereka beli agar sesusai dengan kebutuhan dosen dan mahasiswa. Karena belum adanya sistem yang menangani masalah ini, akhirnya pihak perpustakaan menentukan jenis buku baru yang akan mereka beli dengan cara melihat daftar usulan buku dari mahasiswa dan dosen. Daftar usulan buku yang ada biasanya berisikan puluhan jenis buku yang berbeda. Pihak perpustakaan biasanya memilih beberapa diantaranya untuk dibeli tanpa ada metode perhitungan yang jelas sehingga terkadang dapat menyebabkan kurang maksimalnya keputusan yang telah diambil. Berdasarkan keterangan di atas, maka proses-proses penentuan jenis buku baru yang akan dibeli tersebut dapat dilakukan melalui perhitungan dengan

STIKOM

metode Fuzzy C-Means clustering sehingga dapat diperoleh alternatif-alternatif yang lebih sesuai dengan kebutuhan.

3.2 Metode Penelitian

Untuk membantu penyelesaian permasalahan dalam tugas akhir ini penulis menggunakan beberapa metode penelitian yaitu:

3.2.1 Studi Pustaka

Studi Pustaka yaitu kegiatan penelitian yang mengacu pada buku-buku yang berkaitan dengan permasalahan dalam penelitian dan mendukung kelengkapan informasi yang dibutuhkan. Studi pustaka dilakukan sebagai langkah awal mencari gambaran mengenai aplikasi yang dibuat dan juga mendapatkan informasi, teori pendukung dan juga data-data yang diperlukan.

3.2.2 Wawancara

Setelah memperoleh dan mempelajari bahan referensi yang diperlukan, maka langkah berikutnya adalah proses pengumpulan data. Pada tahap ini, wawancara dilakukan untuk mengetahui kondisi real dari proses transaksi peminjaman buku. Wawancara dilakukan terhadap bagian yang bersangkutan yaitu bagian peminjaman.

3.2.3 Analisa Data

Pada tahap ini dilakukan analisa data dari hasil survei dan wawancara yang telah dilakukan sebelumnya. Data-data yang akan dianalisis dengan metode Fuzzy C-Means clustering adalah :

1. Data DDC buku yang dipinjam. 2. Data peminjam sesuai dengan NIM.

STIKOM

3. Jumlah peminjaman.

Selanjutnya data-data tersebut diolah ke dalam sistem sehingga dapat diperoleh gambaran umum dari hasil pengolahan data tadi.

3.3 Perancangan Sistem

Perancangan sistem digunakan untuk memberikan sebuah rancangan aplikasi penentuan buku baru pada perpustakaan dengan menggunakan desktop. Desktop ini dibuat sebagai media informasi seperti:

transaksi peminjaman, DDC, data mahasiswa, dan informasi-informasi yang di butuhkan lainnya sehingga dalam memenuhi kebutuhan informasi dapat terpecahkan.

Database

Gambar 3.1. Blok Diagram Sistem Pengadaan Buku Perpustakaan

3.3.1 Flowchart Metode Fuzzy C-Means Clustering

Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. FuzzyClustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy. Pada studi kasus ini

STIKOM

digunakan untuk merekomendasikan pembelian buku dengan menghitung jumlah transaksi berdasarkan pengelompokan data DDC dan angkatan. Pada gambar 3.2 adalah flowchart dari metode Fuzzy C-means Clustering

Gambar 3.2. Flowchart Metode Fuzzy C-meansClustering sesuai dengan Sistem Pendukung Keputusan Penentuan Buku Perpustakaan STIKOM Surabaya.

STIKOM

Sesuai dengan program sistem pendukung keputusan penentuan buku perpustakaan STIKOM Surabaya. Pertama yang dilakukan adalah inisialisasi data, dimana X adalah jumlah peminjam sesuai dengan DDC dan angkatan. Setelah dilakukan inisialisasi data, tentukan jumlah cluster yang diinginkan. Setelah diketahui jumlah cluster, kemudian menentukan pangkat, error terkecil dan maksimum iterasi, setelah semua sudah ditentukan lalu hitung matriks partisi awal, selanjutnya masuk proses iterasi yang pertama dan kemudian tentukan titik tengah dengan menggunakan rumus Vkj. lalu hitung fungsi objektif dengan rumus Pt. Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat. Setelah mendapatkan pusat cluster yang tepat maka hitung perubahan matriks partisi dengan menggunakan rumus μik. Lalu cek kondisi berhenti, apakah ( |Pt - Pt-1 | ≤ɛ ) atau (t>maxIter) maka proses berhenti, dan apabila tidak maka t=t+1 dan ulangi penghitungan titik tengah cluster.

STIKOM

3.3.2 System Flow Pengadaan Buku Dengan FCM

Pada tahap ini dilakukan analisa dan perancangan terhadap sistem yang akan dibangun.

Gambar 3.3. Flowchart Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-means

Clustering.

STIKOM

Pertama petugas perpustakaan melakukan proses menghitung jumlah peminjam. Proses ini mengambil data dari database, yaitu tabel DDC, Mahasiswa dan Transaksi pinjaman. Hasil dari proses yaitu jumlah peminjam per DDC dan per Angkatan yang akan dimasukkan ke dalam database (tabel) untuk kemudian dilakukan proses selanjutnya, yaitu proses clustering Fuzzy C-Means. Proses ini akan mengolah data jumlah pinjaman per DDC dan per Angkatan yang sudah dilakukan proses perhitungan sebelumnya. Output dari proses clustering FCM adalah berupa DDC dan Angkatan yang direkomendasikan untuk masing-masing cluster yang terbentuk.

3.3.3 Perancangan Basis Data

Entity Relationship Diagram (ERD) pada Sistem Pendukung Keputusan ini menggunakan tabel sebanyak 8 tabel yang diilustrasikan sebagai berikut :

Gambar 3.4. Entity Relationship Diagaram (ERD)

STIKOM

3.3.4 Struktur Tabel A. Tabel USER

Nama Tabel : USER Primary Key : USERID Foreign Key : -

Fungsi : Menyimpan data User ( Tabel 3.1 ).

No Nama Kolom Tipe Lebar Keterangan

1 USERID Text 20 Menyimpan Id User

2 FULL_NAME Text 50 Menyimpan nama User

3 PASSWORD Text 20 Menyimpan Password User

4 LOC Text 10 Kode Lokasi User

B. Tabel Mahasiswa

Nama Tabel : MHS Primary Key : NIM Foreign Key : -

Fungsi : Menyimpan data mahasiswa ( Tabel 3.2 ).

No Nama Kolom Tipe Lebar Keterangan

1 NIM Text 12 Menyimpan Id mahasiswa

2 NAMA Text 50 Menyimpan nama

mahasiswa

3 ALAMAT Text 100 Menyimpan data alamat

mahasiswa

4 ANGKATAN Text 4 Menyimpan data angkatan

STIKOM

C. Tabel DDC

Nama Tabel : DDC Primary Key : ID_DDC Foreign Key : -

Fungsi : Menyimpan data DDC (Tabel 3.3)

No Nama Kolom Tipe Lebar Keterangan

1 ID_DDC Text 10 Menyimpan Id DDC

2 NAMA_DDC Text 50 Menyimpan nama DDC

D. Tabel Transaksi

Nama Tabel : TRANSAKSI

Primary Key : ID_TRANSAKSI, NIM Foreign Key : ID_DDC

Fungsi : Menyimpan data Transaksi ( Tabel 3.4 ).

No Nama Kolom Tipe Lebar Keterangan

1 ID_TRANSAKSI Text 10 Menyimpan Id Transaksi

2 NIM Text 12 Menyimpan Id mahasiswa

3 ID_KATEGORI Text 2 Menyimpan Id kategori

4 TGL_PINJAM Date/time - Menyimpan tanggal

peminjaman 5

JAM_PINJAM Date/time - Menyimpan jam peminjama

6 TGL_KEMBALI1 Date/time - Menyimpan tanggal jatuh

tempo pengembalian 7 TGL_KEMBALI2 Date/time - Menyimpan tanggal saat

pengembalian

8 JUDUL_URUT Text 10 Nomer urut judul buku

9 ID_DDC Text 10 Menyimpan Id DDC

STIKOM

E. Tabel MATRIK_U

Nama Tabel : MATRIK_U

Primary Key : ID_DDC, ITERASI Foreign Key : ID_DDC

Fungsi : Menyimpan data Matrik U ( Tabel 3.5 ).

No Nama Kolom Tipe Lebar Keterangan

1 ID_DDC Text 10 Menyimpan Id_DDC

2 ITERASI Number - Menyimpan nilai Iterasi i

3

ANGK_2008 Number - Menyimpan jumlah peminjam

Angkatan 2008 (Xij)

4 ANGK_2009 Number - Menyimpan jumlah peminjam

Angkatan 2009 (Xij)

5 ANGK_2010 Number - Menyimpan jumlah peminjam

Angkatan 2010 (Xij)

6 ANGK_2011 Number - Menyimpan jumlah peminjam

Angkatan 2011 (Xij)

7 Ui1 Number - Menyimpan nilai Matrik Partisi

Uik

8 Ui2 Number - Menyimpan nilai Matrik Partisi

Uik

9 Ui3 Number - Menyimpan nilai Matrik Partisi

Uik

10 Ui4 Number - Menyimpan nilai Matrik Partisi

Uik

11 Ui5 Number - Menyimpan nilai Matrik Partisi

Uik

12 Ui6 Number - Menyimpan nilai Matrik Partisi

Uik

13 NILAI Number - Menyimpan nilai total bilangan

random

14 CLUSTER Number - Menyimpan hasil cluster

15 Ui1_W Number - Menyimpan hasil perhitungan

Uik^w

16 Ui2_W Number -- Menyimpan hasil perhitungan

Uik^w

17 Ui3_W Number - Menyimpan hasil perhitungan

Uik^w

18 Ui4_W Number - Menyimpan hasil perhitungan

Uik^w

STIKOM

No Nama Kolom Tipe Lebar Keterangan

19 Ui5_W Number - Menyimpan hasil perhitungan

Uik^w

20 Ui6_W Number - Menyimpan hasil perhitungan

Uik^w

21 Ui1_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

22 Ui1_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

23 Ui1_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

24 Ui1_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

25 Ui2_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

26 Ui2_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

27 Ui2_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

28 Ui2_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

29 Ui3_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

30 Ui3_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

31 Ui3_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

32 Ui3_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

33 Ui4_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

34 Ui4_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

35 Ui4_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

36 Ui4_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

37 Ui5_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

38 Ui5_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

39 Ui5_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

40 Ui5_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

STIKOM

No Nama Kolom Tipe Lebar Keterangan

41 Ui6_W_Xi1 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

42 Ui6_W_Xi2 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

43 Ui6_W_Xi3 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

44 Ui6_W_Xi4 Number - Menyimpan hasil perhitungan (Uik^w)*Xij

45 K1 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

46 K2 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

47 K3 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

48 K4 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

49 K5 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

50 K6 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]*Uik^w

51 KT Number -- Menyimpan hasil perhitungan

∑K

52 R1 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

53 R2 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

54 R3 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

55 R4 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

56 R5 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

57 R6 Number - Menyimpan hasil perhitungan

[∑(Xij-Vkj)^2]^(-1/w-1)

58 RT Number - Menyimpan hasil perhitungan

∑R

59 Ui1_PREV Number - Menyimpan Uik iterasi i-1 60 Ui2_PREV Number - Menyimpan Uik iterasi i-1 61 Ui3_PREV Number - Menyimpan Uik iterasi i-1 62 Ui4_PREV Number - Menyimpan Uik iterasi i-1 63 Ui5_PREV Number - Menyimpan Uik iterasi i-1

STIKOM

No Nama Kolom Tipe Lebar Keterangan

64 Ui6_PREV Number - Menyimpan Uik iterasi i-1

65 Ui1_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

66 Ui2_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

67 Ui3_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

68 Ui4_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

69 Ui5_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

70 Ui6_NEW Number - Menyimpan nilai perubahan

Matrik Partisi Uik

F. Tabel F_OBYEKTIF

Nama Tabel : F_OBYEKTIF Primary Key : ITERASI Foreign Key : -

Fungsi : Menyimpan data Fungsi Obyektif ( Tabel 3.6 ).

No Nama Kolom Tipe Lebar Keterangan

1 ITERASI Number - Menyimpan nilai Iterasi i

2 F_OBYEKTIF Number - Menyimpan Nilai Pt

3 F_OBYEKTIF_PREV number - Menyimpan Nilai Pt-1

G. Tabel MATRIK_V

Nama Tabel : MATRIK_V

Primary Key : KLASTER, ITERASI Foreign Key : -

Fungsi : Menyimpan data Matrik ( Tabel 3.7 ).

STIKOM

No Nama Kolom Tipe Lebar Keterangan

1 ITERASI Number - Menyimpan nilai Iterasi i

2 KLASTER Number - Menyimpan nilai Cluster k

3

VK1 Number - Menyimpan nilai Vkj

4 VK2 Number - Menyimpan nilai Vkj

5 VK3 Number - Menyimpan nilai Vkj

6 VK4 Number - Menyimpan nilai Vkj

7 ANGK_TRBYK Text 4 Menyimpan hasil Tahun

Angkatan terbanyak

H. Tabel HASIL_FCM

Nama Tabel : HASIL_FCM Primary Key : ID_DDC Foreign Key : -

Fungsi : Menyimpan data Hasil perhitungan FCM ( Tabel 3.8 ).

No Nama Kolom Tipe Lebar Keterangan

1 ID_DDC Number 10 Menyimpan Id DDC

2 ITERASI Number - Menyimpan nilai Iterasi i

3

ANGK_2008 Number - Menyimpan jumlah

peminjam Angkatan 2008

4 ANGK_2009 Number - Menyimpan jumlah

peminjam Angkatan 2009

5 ANGK_2010 Number - Menyimpan jumlah

peminjam Angkatan 2010

6 ANGK_2011 Number - Menyimpan jumlah

peminjam Angkatan 2011

7 JML_TOT Number - Menyimpan nilai jumlah

total pinjaman per DDC

8 ANGK_TRBYK Text 20 Menyimpan Tahun

Angkatan terbanyak

9 CLUSTER Text 30 Hasil Cluster

10 KETERANGAN Text 50 Deskripsi Cluster tsb

STIKOM

No Nama Kolom Tipe Lebar Keterangan

11 TGL_TRANSAKSI1 Date/time - Tanggal awal Transaksi yg dipilih

12 TGL_TRANSAKSI2 Date/time - Tanggal akhir Transaksi yg dipilih

13 TGL_PROSES Date/time - Tanggal proses FCM

3.3.5 Rancangan Input Output

Merancang desain input dilakukan setelah mengetahui inform asi-informasi apa saja yang akan terlibat dalam sistem. Dalam melakukan rancangan antar muka ini diharapkan mampu memenuhi aspek-aspek, seperti mudah dimengerti dan sederhana.

Untuk memberikan gambaran awal tentang interface Pengadaan Buku Perpustakaan STIKOM Surabaya dari desain aplikasi, maka berikut ini adalah bentuk rancangan input dan output dari sistem yang nantinya akan diimplementasikan dalam bentuk aplikasi.

A. Desain Form Login

Form Login digunakan untuk melakukan login, sehingga user dapat mengakses form utama. Dengan melakukan login, user dapat melakukan tugasnya masing-masing sesuai dengan hak akses yang diberikan kepadanya.

STIKOM

Gambar 3.5. Form Login

B. Desain Form Input Parameter Fuzzy C-Means

Form ini terdiri dari beberapa parameter diantaranya tanggal, jumlah cluster, pangkat, maksimum iterasi, dan error terkecil yang digunakan untuk memasukkan parameter yang kemudian akan diproses dengan menggunakan metode fuzzy C-Means Clustering. Desain forminput parameter dapat dilihat pada gambar 3.6

Gambar 3.6. FormInput Parameter

STIKOM

C. Desain Output Detail Transaksi

Form detail transaksi adalah form untuk menampilkan informasi

Clustering DDC berdasarkan data transaksi peminjaman buku di Perpustakaan per tahun angkatan, seperti gambar di bawah ini.

Gambar 3.7. Detail Transaksi Hasil Proses FCM

D. Desain Output Rekomendasi

Form rekomendasi adalah form untuk menampilkan Informasi DDC yang direkomendasikan untuk masing-masing Cluster berdasarkan Tahun Angkatan terbanyak yang meminjam pada Cluster tsb, seperti gambar di bawah ini :

Gambar 3.8. Rekomendasi DDC dan Angkatan

STIKOM

E. Desain Output Grafik

Form grafik adalah form untuk menampilkan informasi dalam bentuk grafik yang menginformasikan jumlah DDC pada masing-masing Cluster

berdasarkan Tahun Angkatan terbanyak yang meminjam pada Cluster tsb, seperti gambar di bawah ini :

Gambar 3.9. Grafik Hasil Proses Fuzzy C-Means

F. Desain Output Laporan

Form laporan adalah form untuk menampilkan informasi yang bisa dicetak yang berisi data-data transaksi peminjaman buku per DDC dan tahun angkatan beserta Clusternya, seperti gambar di bawah ini :

Gambar 3.10. Laporan Hasil Proses Fuzzy C-Means

STIKOM

46 BAB IV

IMPLEMENTASI DAN EVALUASI

4.1 Implementasi

Implementasi Aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya membutuhkan sebuah alat perangkat pendu-kung, yaitu: perangkat lunak dan perangkat keras, minimal harus dipenuhi sehingga aplikasi ini dapat berjalan dengan baik. Berikut adalah daftar kebutuhan perangkat lunak dan perangkat keras.

4.1.1 Kebutuhan Perangkat Keras

Dalam menjalankan sebuah Sistem Pendukung Keputusan Pengadaan Buku dibutuhkan persyaratan minimal sebagai berikut agar dapat digunakan:

1. CPU Pentium IV 1 Ghz atau lebih 2. Memori 1 Gb atau lebih

3. Hardisk minimal 40 Gb 4. Monitor

5. Keyboard, Mouse dan Printer

4.1.2 Kebutuhan Perangkat Lunak

Kebutuhan perangkat lunak dalam menjalankan sebuah Sistem Seleksi Pegawai Baru adalah :

1. Microsoft Windows XP 2. Microsoft Access 2007

STIKOM

4.2 Perancangan Sistem

4.2.1 System Requirement Specification

Sistem Pendukung Keputusan (SPK) ini diharapkan mampu memberikan informasi data-data DDC yang paling banyak dipinjam berdasarkan tahun angkatan mahasiswa. Maka dari itu didapatkan beberapa requirements seperti di bawah ini:

1. Data yang ditampilkan berupa data DDC dan transaksi per Tahun Angkatan. 2. Data yang ditampilkan sudah dikelompokkan berdasarkan cluster dan

Tahun Angkatan yang paling sering meminjam buku di Perpustakaan. 3. Data yang ditampilkan sudah terurut berdasarkan clusternya.

4. Menampilkan rekomendasi DDC dan Tahun Angkatan yang paling sering melakukan pinjaman terhadap DDC tsb untuk masing-masing cluster. 5. Informasi yang ditampilkan berupa :

a. Informasi data DDC yang sudah dicluster berdasarkan data transaksi peminjaman buku di Perpustakaan per Tahun Angkatan.

b. Informasi DDC yang direkomendasikan untuk masing-masing cluster berdasarkan Tahun Angkatan terbanyak yang meminjam pada cluster tsb.

c. Grafik yang menginformasikan jumlah DDC pada masing-masing ter berdasarkan Tahun Angkatan terbanyak yang meminjam pada Clus-ter tsb.

STIKOM

d. Report, yang bisa dicetak yang berisi data DDC yang sudah dicluster berdasarkan data transaksi peminjaman buku di Perpustakaan per Tahun Angkatan.

6. Hanya user yang berkepentingan yang bisa menggunakan aplikasi ini (user security authorization).

4.2.2 Perancangan Prototype

Prototype aplikasi Sistem Pendukung Keputusan (SPK) ini dibangun dengan menggunakan aplikasi dan database Microsoft Access 2007. Sedangkan bahasa pemrograman yang digunakan dalam aplikasi Microsoft Access 2007 ini adalah Microsoft Visual Basic for Applications (VBA). Prototype Sistem Pendu-kung Keputusan (SPK) ini akan memproses data-data transaksi peminjaman buku dengan menggunakan metode Fuzzy C-Means Clustering dimana user harus me-masukkan parameter Tanggal Transaksi, Jumlah Cluster, Pangkat, Maksimum Ite-rasi dan Error terkecil sebelum tombol “Proses” pada aplikasi ini ditekan.

4.2.3 Graphical User Interface (GUI)

Di bawah ini adalah Graphical User Interfaceprototype aplikasi Sistem Pendukung Keputusan (SPK) Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering :

1. Login

Pada awal aplikasi dijalankan akan menampilkan halaman login, dimana user diwajibkan untuk mengisi user id dan password yang sudah terdaftar sebelumnya. Dan akan menampilkan pesan atau peringatan (warning) jika user id atau password salah. Seperti pada gambar di bawah ini :

STIKOM

Gambar 4.1. Halaman Login Aplikasi

Gambar 4.2. Halaman Login-Password Salah

STIKOM

Gambar 4.3. Halaman Login-User tidak terdaftar

2. Halaman Utama Sistem Pendukung Keputusan (SPK)

Tampilan selanjutnya adalah halaman utama Sistem Pendukung Keputu-san (SPK) setelah melakukan login terlebih dahulu. User diminta untuk memi-lih Tanggal Transaksi, Jumlah Cluster, Pangkat, Maksimun Iterasi dan Error Terkecil. Kemudian user akan meng-klik tombol “PROSES FCM”, disini se-mua proses perhitungan dilakukan oleh sistem. Gambar halaman utama apali-kasi SPK ini dapat dilihat di bawah ini :

Gambar 4.4. Halaman Utama Sistem Pendukung Keputusan (SPK) 1

STIKOM

Gambar 4.5. Halaman Utama Sistem Pendukung Keputusan (SPK) 2

Gambar 4.6. Halaman Utama Sistem Pendukung Keputusan (SPK) 3

STIKOM

Gambar 4.7. Halaman Utama Sistem Pendukung Keputusan (SPK) 4

3. Detail Transaksi

Tombol “DETAIL TRANSAKSI” adalah tombol untuk menampilkan informasi Clustering DDC berdasarkan data transaksi peminjaman buku di Perpustakaan per tahun angkatan, seperti gambar di bawah ini :

Gambar 4.8. Detail Transaksi Hasil Proses FCM

STIKOM

4. Rekomendasi

Tombol “REKOMENDASI” adalah tombol untuk menampilkan Infor-masi DDC yang direkomendasikan untuk Infor-masing-Infor-masing Cluster berdasarkan Tahun Angkatan terbanyak yang meminjam pada Cluster tsb. Jadi dari masing-masing Cluster yang terbentuk, diambil 1 DDC yang paling banyak dipinjam oleh Tahun Angkatan tertentu dalam Cluster tsb. Hasil rekomendasi seperti pada gambar di bawah ini :

Gambar 4.9. Rekomendasi DDC dan Angkatan

5. Grafik

Tombol “GRAFIK” adalah tombol untuk menampilkan informasi dalam bentuk grafik yang menginformasikan jumlah DDC pada masing-masing Clus-ter berdasarkan Tahun Angkatan Clus-terbanyak yang meminjam pada ClusClus-ter tsb, seperti gambar di bawah ini :

STIKOM

Gambar 4.10. Grafik Hasil Proses Fuzzy C-Means

6. Laporan

Tombol “REPORT” adalah tombol untuk menampilkan informasi yang bisa dicetak yang berisi dadata transaksi peminjaman buku per DDC dan ta-hun angkatan beserta Clusternya, seperti gambar di bawah ini :

Gambar 4.11. Laporan Hasil Proses Fuzzy C-Means

STIKOM

7. Keluar

Tombol “KELUAR” adalah tombol yang digunakan untuk keluar dari ap-likasi Sistem Pendukung Keputusan (SPK).

4.3 Evaluasi dan Hasil Pengujian Sistem

Evaluasi dan pengujian sistem dimaksudkan untuk menguji sistem dan aplikasi yang telah dibangun telah sesuai dengan yang diharapkan. Pada tahap ini, dilakukan pengujian apakah semua input dari setiap kejadian pada aplikasi dapat menghasilkan output sesuai dengan yang diharapkan.

Uji coba yang dilakukan adalah uji coba fungsi aplikasi dan uji coba per-hitungan Fuzzy C-Means.

4.3.1 Uji Coba Fungsi Aplikasi

Uji coba ini dilakukan untuk melihat apakah program yang dibuat sudah sesuai dengan yang diharapkan, apakah fungsi-fungsi yang ada pada aplikasi su-dah berjalan dengan baik dan benar.

A. Uji Coba FormLogin

Proses login dilakukan dengan memasukkan username dan password. Sis-tem akan melakukan proses pengecekan terhadap username dan password yang dimasukkan. Proses login dinyatakan berhasil jika form menu Utama terbuka, dan dinyatakan gagal jika ada pesan “User tidak terdaftar” atau “Password Anda sa-lah”

STIKOM

Tabel 4.1. Tabel Rancangan Test Case FormLogin

No Tujuan ingin dica-pai

Ukuran Keberhasilan Hasil uji coba Kesimpulan

1 User dan Password sesuai.

User bisa masuk dan mengakses form Menu Utama

Ketika User dan Pass-word yang dimasukkan sesuai, user masuk ke Menu Utama

Sukses Gambar 4.3

2 password salah ma-ka tidak dapat men-gakses aplikasi.

Password salah akan muncul pesan peringatan “Passwor Anda salah”

Ketika password salah muncul pesan dan user gagal masuk ke Menu Utama

Sukses Gambar 4.4

3 User tidak terdaftar maka tidak dapat mengakses aplikasi

User tidak terdaftar akan muncul pesan peringatan “User tidak terdaftar”

Ketika User tidak terdaf-tar muncul pesan dan user gagal masuk ke Menu Utama

Sukses Gambar 4.5

B. Uji Coba Form SPK-Fuzzy C-Means (Menu Utama)

Uji coba Menu utama dilakukan dengan memasukkan parameter-parameter yang ada dan sistem akan melakukan pengecakan dan pemrosesan data sesuai tahapan-tahapan yang dilakukan oleh User.

Tabel 4.2. Tabel Rancangan Test Case Form SPK-Fuzzy C-Means (Menu Utama)

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba

Kesimpu-lan

1 Mengatahui apa-kah Tanggal Transaksi yang dimasukkan be-nar

Jika Tanggal Transaksi be-nar maka tidak muncul pe-san “Data Transaksi yang dipilih tidak terdapat di Da-tabase. Silahkan pilih ulang Tanggal Transaksi.."

Ketika Tanggal Transak-si yang dimasukkan sa-lah, muncul pesan perin-gatan.

Sukses Gambar 4.8

2 Mengatahui apa-kah Tanggal Transaksi masih kosong ketika tombol “Proses FCM” di-klik

Jika Tanggal Transaksi ko-song maka akan muncul pesan “Tanggal masih ko-song, Silahkan dipilih”

Ketika Tanggal Transak-si maTransak-sih kosong, muncul pesan peringatan.

Sukses

STIKOM

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba

Kesimpu-lan

3 Mengatahui apa-kah Jumlah Clus-ter masih ko-song ketika tom-bol “Proses FCM” di-klik

Jika Jumlah Cluster kosong maka akan muncul pesan “Jumlah Cluster masih ko-song, Silahkan dipilih”

Ketika Jumlah Cluster masih kosong, muncul pesan peringatan.

Sukses

4 Mengatahui apa-kah Pangkat masih kosong ketika tombol “Proses FCM” di-klik

Jika Pangkat kosong maka akan muncul pesan “Pangkat masih kosong, Silahkan dipi-lih”

Ketika Pangkat masih kosong, muncul pesan peringatan.

Sukses

5 Mengatahui apa-kah Maksimum Iterasi masih kosong ketika tombol “Proses FCM” di-klik

Jika Maksimum Iterasi ko-song maka akan muncul pesan “Maksimum Iterasi masih kosong, Silahkan dipi-lih”

Ketika Maksimum Iterasi masih kosong, muncul pesan peringatan.

Sukses

6 Mengatahui apa-kah Error Terke-cil masih kosong ketika tombol “Proses FCM” di-klik.

Jika Error Terkecil kosong maka akan muncul pesan “Angka Error Terkecil ma-sih kosong, Silahkan dipi-lih”.

Ketika Error Terkecil masih kosong, muncul pesan peringatan.

Sukses

7 Mengatahui fungsi tombol “PARAMETER BARU” ketika di-klik.

Jika tombol “PARAMETER BARU” di-klik maka kolom parameter Tanggal Transak-si, Jumlah Cluster, Pangkat, Maksimum Iterasi dan Error terkecil akan kosong kemba-li dan siap diinput ulang oleh user.

Ketika tombol “PARA-METER BARU” di-klik, semua parameter pada form Menu Utama (SPK-Fuzzy C-Means) kosong kemabli.

Sukses

8 Mengatahui fungsi tombol “PROSES FCM” ketika di-klik.

Jika tombol “PROSES FCM” di-klik maka aplikasi akan memproses data-data transaksi peminjaman buku perpustakaan dan akan me-nampilkan pesan “Proses FCM sudah selesai pada Iterasi ke- i” jika proses ber-hasil.

Ketika tombol “PROSES FCM” di-klik, aplikasi memproses data-data transaksi dan menampil-kan pesan ketika proses selesai dilakukan.

Sukses Gambar 4.9

STIKOM

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba

Kesimpu-lan

9 Mengatahui fungsi tombol “DETAIL TRANSAKSI” ketika di-klik.

Jika tombol “DETAIL TRANSAKSI” di-klik maka menampilkan form “DE-TAIL TRANSAKSI” yang menampilkan hasil proses Fuzzy C-Means yang berisi data-data DDC yang sudah di-Cluster.

Ketika tombol “DETAIL TRANSAKSI” di-klik, tampil form “DETAIL TRANSAKSI” yang menampilkan hasil pros-es Fuzzy C-Means yang berisi data-data DDC yang sudah di-Cluster.

Sukses Gambar 4.10

10 Mengatahui fungsi tombol “REKOMEN-DASI” ketika di-klik.

Jika tombol “REKOMEN-DASI” di-klik maka me-nampilkan form “REKO-MENDASI” yang menam-pilkan DDC yang direko-mendasikan untuk masing-masing Cluster berdasarkan Tahun Angkatan.

Ketika tombol “REKO-MENDASI” di-klik, tampil form “REKO-MENDASI” yang me-nampilkan DDC yang direkomendasikan untuk masing-masing Cluster berdasarkan Tahun Ang-katan.

Sukses Gambar 4.11

11 Mengatahui fungsi tombol “GRAFIK” keti-ka di-klik.

Jika tombol “GRAFIK” di-klik maka menampilkan form “GRAFIK” yang me-nampilkan informasi dalam bentuk grafik jumlah DDC pada masing-masing Cluster berdasarkan Tahun Angka-tan.

Ketika tombol “GRA-FIK” di-klik, menampil-kan form “GRAFIK” yang menampilkan in-formasi dalam bentuk grafik jumlah DDC pada masing-masing Cluster berdasarkan Tahun Ang-katan.

Sukses Gambar 4.12

12 Mengatahui fungsi tombol “REPORT” keti-ka di-klik.

Jika tombol “REPORT” di- klik maka menampilkan report yang berisi data-data transaksi peminjaman buku per DDC dan Tahun Angka-tan beserta Clusternya.

Ketika tombol “RE-PORT” di- klik, menam-pilkan report yang berisi data-data transaksi pe-minjaman buku per DDC dan Tahun Angkatan beserta Clusternya.

Sukses Gambar 4.13

13 Mengatahui fungsi tombol “KELUAR” ke-tika di-klik.

Jika tombol “KELUAR” di-klik maka aplikasi akan ditu-tup. Keluar dari aplikasi.

Ketika tombol “KE-LUAR” di-klik aplikasi tertutup.

Sukses

STIKOM

C. Uji Coba Form Detail Transaksi

Uji coba form Detail Transaksi dilakukan dengan meng-klik tombol “DE-TAIL TRANSAKSI” pada form Menu Utama untuk melihat hasil proses Fuzzy C-Means yang sudah dilakukan.

Tabel 4.3. Tabel Rancangan Test Case Form Detail Transaksi

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba Kesimpulan

1 Form “DETAIL TRANSAKSI” menampilkan hasil proses Fuzzy C-Means.

Form “DETAIL TRAN-SAKSI” menampilkan hasil proses Fuzzy C-Means yang berisi data-data DDC yang sudah di-Cluster.

Form “DETAIL TRANSAKSI” menam-pilkan hasil proses Fuzzy C-Means yang berisi data-data DDC yang sudah di-Cluster.

Sukses Gambar 4.10

D. Uji Coba Form Rekomendasi

Uji coba form Rekomendasi dilakukan dengan meng-klik tombol “RE-KOMENDASI” pada form Menu Utama untuk melihat Informasi DDC yang dire-komendasikan untuk masing-masing Cluster berdasarkan Tahun Angkatan terba-nyak yang meminjam pada Cluster tsb.

Tabel 4.4. Tabel Rancangan Test Case Form Rekomendasi

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba Kesimpulan

1 Form “REKO-MENDASI” menampilkan DDC yang dire-komendasikan.

Form “REKOMENDA-SI” menampilkan DDC yang direkomendasikan untuk masing-masing Cluster berdasarkan Ta-hun Angkatan.

Form “REKOMENDASI” menampilkan DDC yang direkomendasikan untuk masing-masing Cluster ber-dasarkan Tahun Angkatan terbanyak yang meminjam pada Cluster tsb

Sukses Gambar 4.11

STIKOM

E. Uji Coba Form Grafik

Uji coba form Grafik dilakukan dengan meng-klik tombol “GRAFIK” pa-da form Menu Utama untuk melihat informasi pa-dalam bentuk grafik jumlah DDC pada masing-masing Cluster berdasarkan Tahun Angkatan.

Tabel 4.5. Tabel Rancangan Test Case Form Grafik

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba Kesimpulan

1 Form “GRA-FIK” menampil-kan informasi hasil proses Fuzzy C-Means dalam bentuk grafik.

Form “GRAFIK” me-nampilkan informasi jumlah DDC pada mas-ing-masing Cluster ber-dasarkan Tahun Angka-tan dalam bentuk grafik.

Form “GRAFIK” menam-pilkan informasi dalam ben-tuk grafik jumlah DDC pa-da masing-masing Cluster berdasarkan Tahun Angka-tan.

Sukses Gambar 4.12

F. Uji Coba Report Hasil Proses Fuzzy C-Means

Uji coba Report Hasil Proses Fuzzy C-Means dilakukan dengan meng-klik tombol “REPORT” pada form Menu Utama untuk mencetak data-data transaksi peminjaman buku per DDC dan Tahun Angkatan beserta Clusternya.

Tabel 4.6. Tabel Rancangan Test Case Report Hasil Proses Fuzzy C-Means

No Tujuan ingin dicapai

Ukuran Keberhasilan Hasil uji coba Kesimpulan

1 Report Hasil Proses Fuzzy C-Means dapat dicetak.

Report Hasil Proses Fuzzy C-Means menam-pilkan data-data transaksi peminjaman buku per DDC dan Tahun Angka-tan beserta Clusternya dan dapat dicetak.

Report Hasil Proses Fuzzy C-Means berisi data-data transaksi peminjaman buku per DDC dan Tahun Angka-tan beserta Clusternya dan dapat dicetak. Sukses Gambar 4.13

STIKOM

SURABAYA

4.3.2. Uji Coba Perhitungan Fuzzy C-Means

Pada uji coba perhitungan Fuzzy C-Means (FCM) kali ini dilakukan dengan cara mengecek logika coding yang ada. Uji coba logika Coding digunakan untuk melihat apakah logika yang diterapkan sudah benar atau belum. Data yang digu-nakan dalam uji coba kali ini adalah data asli yang digudigu-nakan pada aplikasi proto-tipe.

Data yang digunakan adalah data jumlah transaksi per DDC (data sampel) dan per Tahun Angkatan (atribut) seperti tabel 4.7 dan uji coba perhitungan ini dilakukan pada iterasi ke-1, ke-2 dan terakhir ketika proses Fuzzy C-Means ini berhenti.

Tabel 4.7. Tabel Data Transaksi per DDC dan Tahun Angkatan

Data Atribut (Xij)

Xi1 Xi2 Xi3 Xi4

ID_DDC ANGK_2008 ANGK_2009 ANGK_2010 ANGK_2011

657.042 1 1 1 12

001.42 6 1 3 4

004.67 2 2 9 5

005.1 5 3 3 1

005.133 J 9 9 8 4

005.306 8 2 2 3 7

005.447 69 2 1 5 4

005.74 8 17 3 4

006.3 2 3 3 3

006.68 1 1 3 8

Uji coba dilakukan 3 kali dengan parameter-parameter yang berbeda selain untuk melihat apakah logika yang diterapkan sudah benar atau belum juga untuk melihat tingkat akurasi dari metode Fuzzy C-Means itu sendiri.

STIKOM

1. Uji Coba Ke-1

Parameter yang digunakan adalah sebagai berikut : 1. Jumlah Cluster = 4

2. Pangkat (w) = 3 3. Maksimum Iterasi (MaxIter) = 100

4. Nilai Error Terkecil (ξ) = 0,0000000001 (10-10 ) 5. Fungsi Objektif Awal (P0) = 0

6. Iterasi Awal (t) = 1

A. Bangkitkan Bilangan Random

Bangkitkan bilangan random, µ ik, 1 = 1,2,…,n; k = 1,2,…,k, sebagai bilan-gan Matrik Partisi Awal (U). Matrik Partisi Awal yang secara random yang ter-bentuk oleh sistem dapat dilihat pada Tabel di bawah ini :

Tabel 4.8. Tabel Test Case (1) Hasil Perhitungan Sistem dan Manual Bangkitkan Bilangan Random

Bangkitkan Bilangan Random

ID_DDC

Perhitungan Dari Sistem Perhitungan Manual

µi1 µi2 µi3 µi4 µi1 µi2 µi3 µi4

Total Nilai

657.042 0,7015 0,0896 0,0652 0,1437 0,7015 0,0896 0,0652 0,1437 1,0000

001.42 0,2449 0,2255 0,0730 0,4566 0,2449 0,2255 0,0730 0,4566 1,0000

004.67 0,5997 0,0146 0,0831 0,3026 0,5997 0,0146 0,0831 0,3026 1,0000

005.1 0,5399 0,1236 0,0805 0,2560 0,5399 0,1236 0,0805 0,2560 1,0000

005.133 J 0,2260 0,0496 0,2358 0,4886 0,2260 0,0496 0,2358 0,4886 1,0000

005.306 8 0,3938 0,1172 0,0870 0,4019 0,3938 0,1172 0,0870 0,4019 1,0000

005.447 69 0,2822 0,2122 0,0794 0,4262 0,2822 0,2122 0,0794 0,4262 1,0000

005.74 0,3684 0,1601 0,1489 0,3225 0,3684 0,1601 0,1489 0,3225 1,0000

006.3 0,2700 0,1019 0,2300 0,3980 0,2700 0,1019 0,2300 0,3980 1,0000

006.68 0,7702 0,0637 0,0346 0,1316 0,7702 0,0637 0,0346 0,1316 1,0000

STIKOM

Dari hasil perhitungan diatas dapat dibuktikan bahwa bilangan random su-dah sesuai dengan perhitungan manual, yaitu total jumlah dari nilai masing-masing kolom sama dengan 1.

B. Pusat Cluster (V).

Hasil perhitungan dari sistem Pusat Cluster Vkj, dengan k = 1,2,...,c; dan j = 1,2,...,m; dengan menggunakan persamaan : Vkj = ∑ n i=1((µik)w * Xij) / ∑1n (µik)w, pada iterasi ke-1, 2 dan terakhir dapat dilihat pada table di bawah ini :

Tabel 4.9. Tabel Test Case (1) Hasil Perhitungan Sistem Pusat Cluster pada Iterasi ke-1

Pusat Cluster (Vkj) Perhitungan Dari Sistem

ITERASI CLUSTER VK1 VK2 VK3 VK4

1 1 2,0810 2,1247 3,5216 7,3191 1 2 4,4696 3,4075 3,5945 4,1592 1 3 5,6268 6,8441 5,2018 3,7211 1 4 4,8843 4,4409 4,7945 4,2835

Tabel 4.10. Tabel Test Case (1) Hasil Perhitungan Sistem Pusat Cluster pada Ite-rasi ke-2

Pusat Cluster (Vkj) Perhitungan Dari Sistem

ITERASI CLUSTER VK1 VK2 VK3 VK4

2 1 1,8432 1,8590 3,0933 7,3069 2 2 4,0535 3,1733 3,8032 3,8716 2 3 6,7097 8,5664 5,5200 4,2189 2 4 4,4815 4,5625 4,5804 4,2053

STIKOM

4 namun tidak untuk menggantikan penilaian

mereka. DSS ditujukan untuk keputusan-keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak dapat didukung oleh algoritma. Sebagai istilah umum DSS digunakan untuk menggambarkan semua sistem terkomputerisasi yang mendukung pengambilan keputusan pada suatu organisasi. Tujuan utama dari DSS yaitu untuk mendukung dan meningkatkan pengambilan keputusan (Turban, 2005: 138).

4. Fuzzy C-Means Clustering

Fuzzy Clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. Fuzzy

Clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy.

Algoritma Fuzzy C-Means adalah sebagai berikut:

1. Input data yang akan dicluster X, berupa matriks berukuran n x m

(n=jumlah sample data, m=atribut setiap data). Xij=data sample ke-i(

i=1,2,…,n), atribut ke-j(j=1,2,…,m). 2. Tentukan:

o Jumlah cluster (c) o Pangkat (w)

o Maksimum iterasi (MaxIter) o Error terkecil yang diharapkan (ɛ) o Fungsi obyektif awal (P0 =0) o Iterasi awal (t=1)

3. Bangkitkan nilai acak μik, i=1,2,…,n;

k=1,2,…,c; sebagai elemen-elemenmatriks partisi awal U (derajat keanggotaan dalam cluster).

μik adalah derajat keanggotaan yang merujuk

pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster.

Posisi dan nilai matriks dibangun secara random. Dimana nilai keangotaan terletak pada interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat. Hitung jumlah setiap kolom (atribut)

Qj adalah jumlah nilai derajat keanggotaan perkolom = 1

dengan j=1,2,…m Hitung:

4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.

5. Hitung fungsi obyektif pada iterasi ke-t, Pt. Fungsi obyektif dugunakan sebagai syarat perulangan untuk mendapatkan

STIKOM

5 pusat cluster yang tepat. Sehingga diperoleh

kecendrungan data untuk

masuk ke cluster mana pada step akhir. 6. Hitung perubahan matriks partisi:

dengan: i=1,2,…n;dan k=1,2,..c. 7. Cek kondisi berhenti:

o jika:( |Pt - Pt-1 | ≤ ɛ ) atau (t>maxIter) maka berhenti;

o jika tidak: t=t+1, ulangi langkah ke-4. PERANCANGAN SISTEM

FuzzyClustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor. Fuzzy Clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy. Pada studi kasus ini digunakan untuk merekomendasikan pembelian buku dengan menghitung jumlah transaksi berdasarkan pengelompokan data DDC dan angkatan. Pada gambar 3.2 adalah flowchart dari metode Fuzzy C-means Clustering

Gambar 3.2. Flowchart Metode Fuzzy C-means Clustering sesuai dengan Sistem Pendukung

Keputusan Penentuan Buku Perpustakaan STIKOM Surabaya.

System Flow Pengadaan Buku Dengan FCM

tahap ini dilakukan analisa dan perancangan terhadap sistem yang akan dibangun.

STIKOM

6 Gambar 3.3. Flowchart Sistem Pendukung

Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy

C-means Clustering.

Pertama petugas perpustakaan melakukan proses menghitung jumlah peminjam. Proses ini mengambil database DDC, Angkatan dan Transaksi pinjaman. Hasil dari proses yaitu jumlah peminjam yang akan dimasukkan ke dalam database. Setelah itu masuk ke proses

clustering Fuzzy C-Means. Proses ini akan mengambil database jumlah peminjam. Output

dari proses clustering adalah angkatan dan DDC yang direkomendasikan.

HASIL DAN PEMBAHASAN

Tujuan dibangunnya sistem ini adalah untuk membangun sebuah Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan yang dapat membantu petugas untuk menentukan buku baru yang akan dipasok ke dalam Perpustakaan STIKOM Surabaya.

1. Halaman Utama Sistem Pendukung Keputusan (SPK)

Tampilan selanjutnya adalah halaman utama Sistem Pendukung Keputusan (SPK) setelah melakukan login terlebih dahulu. User diminta untuk memilih Tanggal Transaksi, Jumlah Cluster, Pangkat, Maksimun Iterasi dan Error Terkecil. Kemudian user akan meng-klik tombol “PROSES FCM”, disini semua proses perhitungan dilakukan oleh sistem. Gambar halaman utama apalikasi SPK ini dapat dilihat di bawah ini :

Gambar 4.4. Halaman Utama Sistem Pendukung Keputusan (SPK) 1

2. Detail Transaksi

Tombol “DETAIL TRANSAKSI” adalah tombol untuk menampilkan informasi

STIKOM

7 Clustering DDC berdasarkan data transaksi

peminjaman buku di Perpustakaan per tahun angkatan, seperti gambar di bawah ini :

Gambar 4.8. Detail Transaksi Hasil Proses FCM 3. Rekomendasi

Tombol “REKOMENDASI” adalah tombol untuk menampilkan Informasi DDC yang direkomendasikan untuk masing-masing Cluster berdasarkan Tahun Angkatan terbanyak yang meminjam pada Cluster tsb, seperti gambar di bawah ini :

Gambar 4.9. Rekomendasi DDC dan Angkatan 4. Grafik

Tombol “GRAFIK” adalah tombol untuk menampilkan informasi dalam bentuk grafik yang menginformasikan jumlah DDC pada masing-masing Cluster berdasarkan

Tahun Angkatan terbanyak yang meminjam pada Cluster tsb, seperti gambar di bawah ini :

Gambar 4.10. Grafik Hasil Proses Fuzzy C-Means

5. Laporan

Tombol “REPORT” adalah tombol untuk menampilkan informasi yang bisa dicetak yang berisi data-data transaksi peminjaman buku per DDC dan tahun angkatan beserta Clusternya, seperti gambar di bawah ini :

Gambar 4.11. Laporan Hasil Proses Fuzzy C-Means

KESIMPULAN

Dari serangkaian uji coba dan analisa yang telah dilakukan pada aplikasi Sistem Pendukung Keputusan Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy

STIKOM

8

C-Means Clustering, dapat diambil kesimpulan sebagai berikut :

1. Pada saat dilakukan proses FCM data transaksi peminjaman buku perpustakaan dengan parameter-parameter yang sudah ditentukan yaitu, tanggal transaksi periode 1 Mei 2012 sampai dengan 31 Mei 2012, jumlah cluster = 4, pangkat (w) = 2, maksimum iterasi = 1000 dan error terkecil = 0,00001 (10-5). Proses FCM berhenti pada iterasi ke 42 dengan hasil pengelompokan 4 cluster yaitu:

- Cluster 1 beranggotakan DDC dengan peminjam terbanyak adalah angkatan tahun 2009, jenis buku yang terdapat pada cluster 1 antara lain: Java Programming Language

dan Database.

- Cluster 2 beranggotakan DDC dengan peminjam terbanyak adalah angkatan tahun 2008, jenis buku yang terdapat pada cluster 2 antara lain: Computer Science, Software Engineering, dan Artificial Intelligence.

- Cluster 3 beranggotakan DDC dengan peminjam terbanyak adalah angkatan tahun 2010, jenis buku yang terdapat pada cluster 3 antara lain: ASP dan Linux.

- Cluster 4 beranggotakan DDC dengan peminjam terbanyak adalah angkatan tahun 2011, jenis buku yang terdapat pada cluster 4 antara

lain: Windows 95, 2000, ME, XP & Vista, Corel Dream & Photopaint, Elementary Accounting.

Dari hasil uji coba di atas baik secara sistem dan manual menghasilkan data yang sama, selain itu uji coba juga dilakukan dengan menggunakan data yang sama tetapi diolah dengan nilai-nilai parameter yang berbeda dan menghasilkan pengelompokan yang berbeda pula, karena DDC pada kelompok atau cluster tertentu ada kemungkinan akan berpindah pada kelompok lain, ini menunjukkan bahwa sistem sudah berjalan dengan benar. 2. Aplikasi Sistem Pendukung Keputusan

Pengadaan Buku Perpustakaan STIKOM Surabaya Menggunakan Metode Fuzzy C-Means Clustering mampu menghasilkan output berupa data-data DDC yang sudah dikelompokkan berdasarkan cluster-cluster yang terbentuk serta memberikan informasi tahun angkatan terbanyak yang melakukan transaksi peminjaman pada

cluster-cluster tersebut.

STIKOM

9 DAFTAR PUSTAKA

Gunadarma. 2005. Teknik-teknik Data Mining.

(http://staffsite.gunadarma.ac.id/, diakses 10 April 2012).

Han, Jiawei and Micheline Kamber. 2007. Data Mining: Concepts and Techniques. San Fransisco

: Mogan Kaufman Publhisers.

Kusumadewi, Sri; Hartati, Sri; Harjoko; Agus dan Wardoyo, Retantyo. 2006. Fuzzy Multi-Attribute Decision Making (Fuzzy MADM).

Graha Ilmu, Yogyakarta.

Marimin. 2004. Pengambilan Keputusan Kriteria Majemuk. PT. Gramedia Widiasarana Indonesia,

Jakarta.

Kantardzic, Mehmed. 2003. Data Mining: Concepts, Models, Methods, and Algorithms.

New Jerysey : A John Wiley & Sons, Inc. Larose, Daniel T. 2005. Discovering Knowledge

In Data An Introduction To Data Mining. New Jersey : A John Wiley & Sons, Inc. Laudon, Kenneth C. And Jane P.Laudon. 2005.

Sistem Informasi Manajemen : Mengelola Perusahaan Digital. Yogyakarta : Penerbit Andi.

Saleh, Ir. Abdul Rahman, M.Sc. 2010. Definisi Perpustakaan,

http://rahman.staff.ipb.ac.id/2010/12/07/definisi-perpustakaan/, diakses 25 April 2012).

STIKOM