Use Case Diagram Pemodelan

1. Sistem dapat melakukan perhitungan menentukan kelayakan calon asisten laboratorium dengan kecepatan komputasi yang tinggi. 2. Sistem harus mudah digunakan sehingga dapat dioperasikan dengan baik oleh pengguna.

3.1.3. Pemodelan

Pemodelan sistem dilakukan untuk memperoleh gambaran yang lebih jelas tentang objek apa saja yang akan berinteraksi dengan sistem, serta hal-hal apa saja yang harus dilakukan oleh sebuah sistem sehingga sistem dapat berfungsi dengan baik sesuai dengan kegunaannya. Pada penelitian ini digunakan UML Unified Modeling Language sebagai bahasa pemodelan untuk mendesain dan merancang Sistem Pendukung Keputusan dalam menentukan kelayakan calon asisten laboratorium di IKLC. Model UML yang digunakan antara lain use case diagram, activity diagram, dan sequence diagram.

3.1.3.1. Use Case Diagram

Use Case Diagram adalah sebuah diagram yang dapat merepresentasikan interaksi yang terjadi antara user dengan sistem. Use Case Diagram akan menjelaskan fungsi apa saja yang dikerjakan oleh sistem dan dapat dilihat pada Gambar 3.2. Use Case proses Input Nilai Kriteria Pengujian dapat dinyatakan dalam Tabel 3.2. Tabel 3.2. Tabel Use Case Proses Input Nilai Kriteria Pengujian Name Proses Input Nilai Kriteria Pengujian Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses memasukkan seluruh nilai kriteria penilaian Basic Flow User memasukkan nilai kriteria penilaian dan menekan tombol simpan untuk menyimpan data kedalam database Alternate Flow - Pre Condition User dapat melihat tampilan awal Post Condition Sistem mendapatkan nilai kriteria penilalian yang akan dimasukkan database Use Case proses Normalisasi Nilai Kriteria dapat dinyatakan dalam Tabel 3.3. Tabel 3.3. Tabel Use Case Proses Normalisasi Nilai Kriteria Name Proses Normalisasi Nilai Kriteria Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses normalisasi nilai kriteria pengujian Basic Flow Sistem menormalisasi nilai kriteria pengujian yang telah dimasukkan Alternate Flow - Pre Condition User memasukkan nilai kriteria penilaian Post Condition Sistem mendapatkan hasil normalisasi nilai kriteria pengujian Use Case proses Simpan Hasil Normalisasi dapat dinyatakan dalam Tabel 3.4. Tabel 3.4. Tabel Use Case Proses Simpan Hasil Normalisasi Name Proses Simpan Hasil Normalisasi Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses menyimpan nilai kriteria pengujian yang telah di normalisasi Basic Flow Sistem menyimpan nilai hasil normaliasi ke dalam database Alternate Flow - Pre Condition Sistem menormalisasi nilai kriteria pengujian Post Condition Nilai hasil normalisasi tersimpan kedalam database Use Case proses Uji Hasil Kelayakan dapat dinyatakan dalam Tabel 3.5. Tabel 3.5. Tabel Use Case Proses Uji Kelayakan Name Proses Uji Kelayakan Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses pengujian kelayakan calon asisten laboratorium Basic Flow User menekan tombol hasil dan sistem akan melakukan pengujian kelayakan data calon asisten laboratorium dengan Algoritma ID3 Alternate Flow - Pre Condition Sistem menyimpan data hasil normalisasi kedalam database Post Condition User mendapatkan hasil kelayakan calon asisten laboratorium Use Case proses Algoritma ID3, dapat dinyatakan dalam Tabel 3.6. Tabel 3.6. Tabel Use Case Proses Algoritma ID3 Name Proses Algoritma ID3 Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses penentuan rule dengan Algoritma ID3 Basic Flow Sistem menghitung seluruh entropy dan Information Gain data kriteria yang telah dimasukkan dan mendapatkan rule akhir Alternate Flow - Pre Condition - Post Condition Sistem mendapatkan hasil rule akhir Use Case proses Hitung Entropy dapat dinyatakan dalam Tabel 3.7. Tabel 3.7. Tabel Use Case Proses Hitung Entropy Name Proses Hitung Entropy Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses perhitungan entropy seluruh data kriteria penilaian Basic Flow Sistem menghitung seluruh entropy data kriteria yang telah dimasukkan Alternate Flow - Pre Condition User memasukkan data kriteria penilaian Post Condition Sistem mendapatkan hasil perhitungan entropy dari seluruh kriteria penilaian Use Case proses Hitung Information Gain, dapat dinyatakan dalam Tabel 3.8. Tabel 3.8. Tabel Use Case Proses Hitung Information Gain Name Proses Hitung Information Gain Actors User yang telah ditentukan Description Use Case ini mendeskripsikan proses perhitungan information gain seluruh data kriteria penilaian Basic Flow Sistem menghitung seluruh information gain dari seluruh entropy Alternate Flow - Pre Condition Sistem melakukan perhitungan entropy Post Condition Sistem mendapatkan hasil entropy dengan information gain tertinggi dan mendapatkan rule akhir

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1. Implementasi Sistem

Implementasi Sistem merupakan tahapan yang harus dilalui dalam proses pengembangan perangkat lunak dari suatu sistem. Tahap ini dilakukan setelah terlebih dahulu melalui tahap Analisis dan Perancangan Sistem yang telah diuraikan pada bab sebelumnya.

4.1.1. Implementasi Algoritma ID3

Penerapan algoritma ID3 dalam sistem yang dibuat adalah pada proses perhitungan dengan algoritma ID3 dalam menentukan kelayakan calon asisten laboratorium di IKLC. Pegujian – pengujian yang dilakukan akan dijadikan alternatif dalam menentukan apakah calon layak atau tidak layak untuk menjadi asisten laboratorium di IKLC. Adapun langkah pertama yang dilakukan adalah melakukan normalisasi nilai kriteria dari seluruh alternatif yang telah dimasukkan kedalam sistem. Selanjutnya data hasil proses normalisasi tersebut dikonversi dengan bobot dari kriteria yang ditentukan. Selanjutnya hasil konversi data di hitung sesuai dengan rumus algoritma ID3 yang perhitungannya dilakukan dengan cara manual yang menghasilkan rule. Selanjutnya, rule tersebut lah yang diimplementasikan ke sistem dalam menentukan kelayakan calon asisten laboratorium di IKLC. Berikut adalah tabel bobot dari kriteria yang telah ditetapkan dapat dilihat pada Tabel 4.1. Tabel 4.1 Bobot Kriteria Nama IPK Nilai Mata Kuliah Microteaching Wawancara Kelayakan A01 3,66 A 211 15 T A02 3,09 A 201 8 T A03 3,55 A 187 15 T A04 3,50 A 164 7 F A05 3,34 A 95 F A06 3,59 A 202 13 T A07 3,52 A 167 11 T A08 3,34 B+ F A09 3,80 A 180 14 T A10 2,98 A F A11 3,68 A 161 7 F A12 3,58 A 139 5 F A13 3,51 A 146 8 F A14 3,72 A 166 14 T A15 3,72 A 188 9 F A16 3,65 A 156 10 F A17 3,39 A 163 12 T A18 3,65 A 164 11 T A19 3,34 A 151 8 F A20 3,56 A 128 8 F Parameter Atribut 1. IPK 1. = 2,99 TL 2. = 3,00 L 2. Nilai Mata Kuliah 1. B,+ B, C+, C, D, E TL 2. A L 3. Microteaching 1. = 100 TL 2. 101 – 200 dapat dipertimbangkan 3. = 201 L Nilai Microteaching didapatkan dari hasil penilaian 5 orang penguji untuk seluruh kriteria pengujian seperti : 1. Penyampaian materi: perencanaan kegiatan pembelajaran, keterampilan membuka kelas, vocal, sikap, interaksi denga praktikkan, kepercayaan diri, pembangkitan topik dikusi, kesopanan berpakaian. 2. Pemilihan pemakaian alat bantu: Gambarilustrasianalogi, powerpointmodul, obyek riilcontoh alat peraga,dll. 3. Organisasiintegrasi penyampaian materi: Alur penyampaian materi, relevansi materi dengan pemaparan, penguasaan materi, penguasaan dan mengorganisasi kelas. Setiap kriteria pengujian akan diberi nilai A sampai D, dimana A=3, B=2, C=1, D=0. 4. Wawancara 1. = 6 TL 2. 7 – 10 dapat dipertimbangkan 3. = 11 L Nilai Wawancara didapatkan dari hasil penilaian 5 orang penguji, setiap penguji dapat memberikan nilai A= sangat kompeten, B= kompeten, C= belum kompeten, D= tidak kompeten, dimana A=3, B=2, C=1, D=0. Berikut adalah tabel data Atribut Target dalam menentukan kelayakan calon asisten laboratorium. Tabel 4.2 Data Atribut Target Atribut Target Deskripsi True Calon Layak Menjadi Asisten False Calon Tidak Layak Menjadi Asisten Berikut adalah langkah-langkah dalam perhitungan manual dengan Algoritma ID3: Hitung Entropi awal 1. Jumlah Instance = 20 2. Jumlah Instance Positive = 9 3. Jumlah Instance Negative = 11 � � = −� + � � 2 � + − � − � � 2 � − = − 9 20 � � 2 9 20 − 11 20 � � 2 11 20 = −0.45 � � 2 0.45 – 0.55 � � 2 0,55 = − 0.45 -1.152 – 0.55 -0.8622 = 0.518 + 0.474 = 0.992 Hitung Entropy IPK Tabel 4.3 Entropy IPK Atribut IPK 1 Positive = 0, negative = 1 2 Positive = 9, negative = 10 � �1 = −� + � � 2 � + − � − � � 2 � − = − 1 � � 2 1 − 1 1 � � 2 1 1 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 9 19 � � 2 9 19 − 10 19 � � 2 10 19 = 0.998 Information Gain IPK = � � − 1 � � 1 − 2 � � 2 − 3 � � 3 = 0.992 − 1 20 ∗ 0.216 − 19 20 ∗ 0.998 = 0.033 Hitung Entropy Nilai Mata Kuliah Tabel 4.4 Entropy Nilai Mata Kuliah Atribut Nilai Mata Kuliah 1 Positive = 0, negative = 1 2 Positive = 9, negative = 10 � �1 = −� + � � 2 � + − � − � � 2 � − = − 1 � � 2 1 − 1 1 � � 2 1 1 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 9 19 � � 2 9 19 − 10 19 � � 2 10 19 = 0.998 Information Gain Nilai Mata Kuliah = � � − 2 � � 2 − 1 � � 1 = 0.992 − 1 20 ∗ 0.216 − 19 20 ∗ 0.998 = 0.033 Hitung Entropy Microteaching Tabel 4.5 Entropy Microteaching Atribut Microteaching 1 Positive = 0, negative = 3 2 Positive = 6, negative = 8 3 Positive = 3, negative = 0 � �1 = −� + � � 2 � + − � − � � 2 � − = − 3 � � 2 3 − 3 3 � � 2 3 3 = 0 � �2 = −� + � � 2 � + − � − � � 2 � − = − 6 14 � � 2 6 14 − 8 14 � � 2 8 14 = 0.985 � �3 = −� + � � 2 � + − � − � � 2 � − = − 3 3 � � 2 3 3 − 3 � � 2 3 = 0 Information Gain Microteaching = � � − 1 � � 1 − 2 � � 2 − 3 � � 3 = 0.992 − 3 20 ∗ 0 − 14 20 ∗ 0.985 − 3 20 ∗ 0 = 0.302 Hitung Entropy Wawancara Tabel 4.6 Entropy Wawancara Atribut Wawancara 1 Positive = 0, negative = 4 2 Positive = 1, negative = 7 3 Positive = 8, negative = 0 � �1 = −� + � � 2 � + − � − � � 2 � − = − 4 � � 2 4 − 4 4 � � 2 4 4 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 1 8 � � 2 1 8 − 7 8 � � 2 7 8 = 0.544 � �3 = −� + � � 2 � + − � − � � 2 � − = − 8 8 � � 2 8 8 − 8 � � 2 8 = Information Gain Wawancara = � � − 1 � � 1 − 2 � � 2 − 3 � � 3 = 0.992 − 4 20 ∗ 0 − 8 20 ∗ 0.985 − 8 20 ∗ 0 = 0.774 Berikut adalah gain yang dihasilkan dari setiap atribut untuk menentukan node awal setelah dilakukan perhitungan dari seluruh kriteria. Tabel 4.7 Hasil Perhitungan Algoritma ID3 untuk menentukan node awal Atribut Gain IPK 0.033 Nilai Mata Kuliah 0.033 Microteaching 0.302 Wawancara 0.774 Karena atribut Wawancara memiliki nilai gain tertinggi, maka atribut tersebut dijadikan node awal, sehingga Decision Tree menjadi. Gambar 4.1 Decision Tree untuk node awal Selanjutnya hitung entropy dan gain per atribut untuk menentukan node cabang dari edge 2. Jumlah instance untuk atribut Wawancara = 8 Jumlah instance True = 1 Jumlah instance False = 7 Entropy IPK untuk edge 2 Tabel 4.8 Entropy IPK untuk edge 2 Atribut IPK 1 Positive = 0, negative = 0 2 Positive = 1, negative = 7 � �1 = −� + � � 2 � + − � − � � 2 � − = − � � 2 − � � 2 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 1 8 � � 2 1 8 − 7 8 � � 2 7 8 = 0.544 Information Gain IPK = � � − 2 � � 2 − 1 � � 1 = 0.992 − 20 ∗ 0 − 8 20 ∗ 0.544 = 0.774 Entropy Nilai Mata Kuliah untuk edge 2 Tabel 4.9 Entropy Nilai Mata Kuliah untuk edge 2 Atribut Nilai Mata Kuliah 1 Positive = 0, negative = 0 2 Positive = 1, negative = 7 � �1 = −� + � � 2 � + − � − � � 2 � − = − � � 2 − � � 2 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 1 8 � � 2 1 8 − 7 8 � � 2 7 8 = 0.544 Information Gain Nilai Mata Kuliah = � � − 1 � � 1 − 2 � � 2 − 3 � � 3 = 0.992 − 20 ∗ 0 − 8 20 ∗ 0.544 = 0.774 Entropy Microteaching untuk edge 2 Tabel 4.10 Entropy Microteaching untuk edge 2 Atribut Microteaching 1 Positive = 0, negative = 0 2 Positive = 0, negative = 7 3 Positive = 1, negative = 0 � �1 = −� + � � 2 � + − � − � � 2 � − = − � � 2 − � � 2 = � �2 = −� + � � 2 � + − � − � � 2 � − = − 7 � � 2 7 − 7 7 � � 2 7 7 = 0 � �3 = −� + � � 2 � + − � − � � 2 � − = − 1 1 � � 2 1 1 − 1 � � 2 1 = 0 Information Gain Microteaching = � � − 1 � � 1 − 2 � � 2 − 3 � � 3 = 0.992 − 20 ∗ 0 − 7 20 ∗ 0 − 1 20 ∗ 0 = 0.992 Tabel 4.11 Hasil Perhitungan Algoritma ID3 untuk node Cabang dari edge 2 Atribut Gain IPK 0,774 Nilai Mata Kuliah 0.774 Microteaching 0.992 Karena atribut Microteaching memiliki nilai gain tertinggi maka atribut tersebut dijadikan node cabang untuk edge 2, sehingga Decision Tree nya menjadi seperti pada Gambar 4.2. Gambar 4.2 Hasil Decision Tree Dari gambar Tree yang telah di dapat, maka dihasilkanlah rule sebagai berikut: 1. “IF wawancara = 1 THEN kelayakan = False” 2. “IF wawancara = 2 and microteaching = 1 THEN kelayakan = False” 3. “IF wawancara = 2 and microteaching = 2 THEN kelayakan = False” 4. “IF wawancara = 2 and microteaching = 3 THEN kelayakan = True” 5. “IF wawancara = 3 THEN kelayakan = True”

4.2. Antarmuka Sistem

Pada Sistem Pendukung Keputusan dalam Menentukan Kelayakan Calon Asisten Laboratorium di IKLC ini terdapat sebelas tampilan, yaitu : 1. Tampilan Menu Awal 2. Tampilan Pengujian Berkas 3. Tampilan Micro 1 4. Tampilan Micro 2 5. Tampilan Micro 3 6. Tampilan Micro 4 7. Tampilan Micro 5 8. Tampilan Wawancara dan Pengujian 9. Tampilan Data 10. Tampilan Hasil 11. Tampilan Bantuan

4.2.1. Tampilan Menu Awal

Pada tampilan menu awal, terdapat 4 tombol yang masing – masing berfungsi untuk mengarahkan pengguna menuju halaman lain, yaitu : Pengujian, Data, Bantuan dan Rute. Gambar 4.3 Menu Awal

4.2.2. Tampilan Pengujian Berkas

Pada tampilan ini akan ditampilkan 3 field identitas dan 1 buah field bobot kriteria ipk serta 1 buah spinner pemilihan nilai mata kuliah yang harus diisi oleh pengguna dan dua button yang berfungsi menyimpan data dari setiap kriteria yang telah diisi dan selanjutnya data yang telah ditambah akan muncul pada list database yang terdapat ditampilan mulai dan tombol yang berfungsi untuk kembali ke menu awal. Gambar 4.4 Pengujian Berkas 4.2.3. Tampilan Micro 1 Pada tampilan ini, akan disajikan 15 spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian microteaching dari penguji 1. Tampilan ini juga memiliki sebuah tombol untuk kembali ke menu sebelumya. Gambar 4.5 Micro 1

4.2.4. Tampilan Micro 2

Pada tampilan ini, akan disajikan 15 spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian microteaching dari penguji 2. Tampilan ini juga memiliki sebuah tombol untuk kembali ke menu sebelumya. Gambar 4.6 Micro 2

4.2.5. Tampilan Micro 3

Pada tampilan ini, akan disajikan 15 spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian microteaching dari penguji 3. Tampilan ini juga memiliki sebuah tombol untuk kembali ke menu sebelumya. Gambar 4.7 Micro 3

4.2.6. Tampilan Micro 4

Pada tampilan ini, akan disajikan 15 spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian microteaching dari penguji 4. Tampilan ini juga memiliki sebuah tombol untuk kembali ke menu sebelumya. Gambar 4.8 Micro 4

4.2.7. Tampilan Micro 5

Pada tampilan ini, akan disajikan 15 spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian microteaching dari penguji 5. Tampilan ini juga memiliki sebuah tombol untuk kembali ke menu sebelumya. Gambar 4.9 Micro 5

4.2.8. Tampilan Wawancara dan Pengujian

Pada tampilan ini, akan disajikan 5 buah spinner pengujian yang harus dipilih dan disimpan oleh pengguna untuk menentukan hasil pengujian wawancara dari kelima penguji. Tampilan ini memiliki tiga buah tombol yang berfungsi untuk menyimpan data wawancara , melakukan pengujian microteaching dan untuk kembali ke menu sebelumya. Gambar 4.10 Wawancara dan Pengujian

4.2.9. Tampilan Data

Pada tampilan Data, akan disajikan list dari data kriteria yang telah dimasukkan kedalam database dan saat pengguna menekan salah satu list, maka akan muncul sebuah menu yang berisikan hasil kelayakan, ubah data dan hapus data. Tampilan ini juga memiliki sebuah tombol yang berguna untuk kembali ke tampilan pengujian berkas. Gambar 4.11 Data

4.2.10. Tampilan Hasil

Pada tampilan ini, akan disajikan detail dari setiap nilai kriteria yang telah dikonversi dan pada tampilan ini dilakukan proses perhitungan dari Algoritma ID3 yang menentukan Kelayakan Calon Asisten Laboratorium di IKLC. Pada tampilan ini juga terdapat sebuah button yang berfungsi mengarahkan pengguna ke form sebelumnya. Gambar 4.12 Hasil 4.2.11. Tampilan Bantuan Pada menu ini, akan diberikan petunjuk penggunaan dari Sistem Pendukung Keputusan dalam Menentukan Kelayakan Calon Asisten Laboratorium di IKLC. Gambar 4.13 Bantuan

4.3. Pengujian Sistem

Pengujian sistem dilakukan untuk mengetahui bagaimana kinerja sistem dalam menentukan kelayakan calon asisten laboratorium di IKLC menggunakan algoritma ID3. Hasil kelayakan yang diberikan oleh algoritma nantinya akan dibandingkan dengan hasil kelayakan 20 data calon. Bobot dari kriteria hasil normalisasi dapat dilihat pada Tabel 4.12. Tabel 4.12 Bobot Kriteria Hasil Normalisasi Nama IPK Nilai Mata Kuliah Microteaching Wawancara Kelayakan A01 2 2 3 3 T A02 2 2 3 2 T A03 2 2 2 3 T A04 2 2 2 2 F A05 2 2 1 1 F A06 2 2 3 3 T A07 2 2 2 3 T A08 2 1 1 1 F A09 2 2 2 3 T A10 1 2 1 1 F A11 2 2 2 2 F A12 2 2 2 1 F A13 2 2 2 2 F A14 2 2 2 3 T A15 2 2 2 2 F A16 2 2 2 2 F A17 2 2 2 3 T A18 2 2 2 3 T A19 2 2 2 2 F A20 2 2 2 2 F

4.3.1. Pengujian Perhitungan dalam Menentukan Kelayakan Calon Asisten Laboratorium

di IKLC Pada Tabel dibawah terlihat hasil perhitungan dalam menentukan kelayakan calon asisten laboratorium di IKLC menggunakan Algoritma ID3. Tabel 4.13 Tabel Hasil Perhitungan dalam Menentukan Kelayakan Calon Asisten Laboratorium IKLC Nama Hasil Kelayakan Gambar Hasil A01 True A02 True A03 True A04 False A05 False A06 True A07 True A08 False A09 True A10 False A11 False A12 False A13 False