A11 False
A12 False
A13 False
A14 True
A15 False
A16 False
A17 True
A18 True
A19 False
A20 False
Dari Tabel 4.13 dapat dilihat bahwa terdapat 9 orang calon yang hasil kelayakan nya bernilai True atau layak menjadi asisten laboratorium, yaitu: A01, A02, A03, A06, A07, A09,
A14, A17, A18 dan terdapat 11 orang calon yang hasil pengujian nya tidak memenuhi syarat kelayakan maka hasil kelayakan nya bernilai False atau tidak layak menjadi asisten laboratorium,
yaitu: A04, A05, A08, A10, A11, A12, A13, A15, A16, A19 dan A20.
4.3.2. Pengujian Proses Tambah Data Pengujian
Pada Gambar 4.17 terlihat hasil proses Tambah Data Pengujian. Data yang telah ditambah dapat dilihat pada list database, dengan cara menekan list data yang telah ditambah dan pilih menu
hasil.
Gambar 4.14 Hasil Proses Tambah Data Pengujian
4.3.3. Pengujian Proses Ubah Data
Pada Gambar 4.18 terlihat hasil proses ubah data. Data yang telah diubah dapat dilihat pada list database, dengan cara menekan list data yang telah diubah dan pilih menu hasil.
Gambar 4.15 Pengujian Hasil Ubah Data
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dari implementasi dan pengujian Sistem Pendukung Keputusan Dalam Menentukan Kelayakan Calon Asisten Laboratorium di IKLC Menggunakan
Algoritma Iterative Dichotomiser 3, maka dapat disimpulkan bahwa : 1.
Sistem dapat menyelesaikan permasalahan dalam menentukan kelayakan calon asisten laboratorium di IKLC dengan mengimplementasikan Algoritma Iterative
Dichotomiser 3 pada sistem. 2.
Setelah dilakukan pengujian dengan 20 data calon, semua hasil perhitungan dengan Algoritma Iterative Dichotomiser 3 menunjukan hasil yang sama dengan
data calon yang telah diperoleh, dimana terdapat 9 orang calon lulus menjadi asisten dan 11 orang calon tidak lulus menjadi asisten. Sehingga dalam kasus
menentukan kelayakan calon asisten laboratorium di IKLC, nilai kecocokan Algoritma Iterative Dichotomiser 3 sangat tinggi.
3. Dengan menggunakan sistem ini pengguna dapat lebih efektif dan efisien dalam
menentukan kelayakan calon asisten laboratorium.
5.2 Saran
Adapun saran yang dapat diberikan untuk mengembangkan penelitian ini adalah sebagai berikut :
1. Kriteria yang ditentukan dalam proses penentuan kelayakan dapat ditambahkan
untuk meningkatkan kualitas dari calon yang dipilih menjadi asisten laboratorium. 2.
Perlunya memperhatikan proses pengujian sistem untuk mendapatkan hasil yang lebih optimal dan sesuai dengan tujuan sebuah sistem pendukung keputusan
dibuat. 3.
Hendaknya pengujian sistem dilakukan dengan melibatkan data lebih banyak, semakin banyak data yang terlibat dalam pengujian sistem maka kinerja dari
sistem yang dibuat akan diketahui dengan baik.
DAFTAR PUSTAKA
Ardhana, Y.M.K. 2014. Pemrograman Android Blackbox. Jasakom: Purwakarta.
Chahal, H. 2013. ID3 Modification and Implementation in Data Mining. International Journal of Computer Applications 0975
– 8887 807:16- 23.
Hilman, A. Wibisono, W. 2012. Sistem Monitoring dan Tracking Aktivitas Fisik User Bergerak Berbasis Sensor Accelerometer dan GPS pada
Perangkat Mobile Berbasis Android Menggunakan Metode Klasifikasi Decision Tree dan Naive Bayesian. Jurnal Teknik POMITS 11:1-6.
Kasman, A. D. 2013. Kolaborasi Dahsyat Android dengan PHP MYSQL. Lokomedia: Yogyakarta.
Larose, T. D. 2005. An Introduction to Data Mining. Wiley~Interscience: New Jersey.
Manurung, A. 2012. Sistem Pengambilan Keputusan dengan Menggunakan Metode Decision Tree
. Skripsi. Universitas Sumatera Utara.
Mulyono, Sri. 1996. Teori Pengambilan Keputusan. Jakarta : Lembaga Penerbit Fakultas Ekonomi Indonesia.
Podgorelec, V., Kokol, P., Stiglic, B. Rozman, I. 2002. Decision Trees: an overview and their use in medicine. Journal of Medical Systems 26
5:445-463.
Russel, Stuart J. Norvig, P. 2003. Artificial Intelligence: A Modern Approach. New Jersey: Prentice Hall.
Safaat, N. H. 2012. Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android
. Informatika: Bandung.
Simarmata, J. 2005. Pengenalan Teknologi komputer dan Informasi. Yogyakarta: Penerbit Andi.
Sinuhaji, A. R. 2010. Analisis Dan Perancangan Sistem Pendukung Keputusan Untuk Menghindari Kredit Macet Non Performing Loan Perbankan
Menggunakan Algoritma Decision Tree . Skripsi. Universitas Sumatera
Utara.
Suyanto. 2007. Artificial Intelligence Searching Reasoning Planning and
Learning. Bandung: Penerbit Informatika.
Tampubolon, M. V. 2010. Pendukung Keputusan Penentuan Penyakit Diabetes Mellitus Dengan Metode Sugeno
. Skripsi. Universitas Sumatera Utara.
Turban, E. Jay, E. A. 1998. Decision Support System and Intelligent System, Fifth Edition
. Prentice Hall International : New Jersey.
LAMPIRAN A : LISTING PROGRAM
Source Code MainActivity.java
package example.iklc; import android.os.Bundle;
import android.app.Activity; import android.content.Intent;
public class MainActivity extends Activity {
Override protected void onCreateBundle savedInstanceState {
super.onCreatesavedInstanceState; setContentViewR.layout.activity_main;
Thread background = new Thread { public void run {
try { sleep21000;
Intent i=new IntentgetBaseContext,Menuawal.class;
startActivityi; finish;
} catch Exception e {} }
}; background.start;
} }
Source Code Menuawal.java
package example.iklc; import android.app.Activity;
import android.content.Intent; import android.os.Bundle;
import android.view.View; import android.widget.Button;
import android.view.View.OnClickListener; public class Menuawal extends Activity {
protected void onCreateBundle savedInstanceState { super.onCreatesavedInstanceState;
setContentViewR.layout.menuawal; Button pengujian = ButtonfindViewByIdR.id.pengujian;
Button data = ButtonfindViewByIdR.id.data; Button bantuan = ButtonfindViewByIdR.id.bantuan;
Button tentang = ButtonfindViewByIdR.id.tentang; pengujian.setOnClickListener new OnClickListener {
public void onClickView arg0 { Intent a = new IntentMenuawal.this,Pengujian.class;
startActivitya; }
};
