Sistem Pendukung Keputusan Pemilihan Pem
Sistem Pendukung Keputusan Pemilihan Pembimbing dan
Penguji Proyek Akhir di Politeknik Caltex Riau
Gunawan1), Indah Lestari2), Muhammad Ihsan Zul3)
1 ) Jurusan Teknik I n fo r ma t i k a , Politeknik Caltex Riau, Pekanbaru 28265, email:
g u na wa n1 1 ti @ ma h a si s wa.p cr.a c.id
2) Jurusan Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: i nd a h @p cr .ac.id
3) Jurusan Teknik I n fo r ma t i k a , Politeknik Caltex Riau, Pekanbaru 28265, email: i h sa n @p cr .ac. id
Abstrak – Pada Politeknik Caltex Riau (PCR) penentuan dosen pembimbing dan penguji Proyek Akhir (PA)
merupakan tugas dari koordinator PA. Penelitian ini bertujuan untuk membantu koordinator PA dalam
menentukan dosen pembimbing dan penguji PA. Metode-metode yang digunakan untuk membangun sistem ini
adalah Text Mining, k-Nearest Neighbor (k-NN), dan Simple Additive Weighting (SAW). Text mining untuk
melakukan preprocessing data, k-NN untuk melakukan pengklasifikasian KBK, sementara SAW untuk
melakukan pembobotan kriteria dosen. Penelitian ini dapat merekomendasikan 5 nama dosen yang memiliki
bobot tertinggi untuk menjadi pembimbing dan penguji PA berdasarkan KBK judul PA mahasiswa, dan memiliki
nilai akurasi 83.3%.
Kata Kunci : Text Mining, SAW, k-NN, Proyek Akhir, Pembimbing, Penguji
Abstract - At the Polytechnic Caltex Riau (PCR) determination of final project (PA) adviser and reviewer is PA
Coordinator duty. This research for assist PA Coordinator determine adviser and reviewer. The methods used to
build this system are Text Mining, k-Nearest Neighbor (k-NN), and Simple Additive Weighting (SAW).Text
Mining for data preprocessing K-NN for KBK classification, while SAW for weighting the lecturer criteria. This
research can recommend five name of lecturers who have the highest weight to be PA adviser and reviewer
based of KBK, and has a 83.3% accuracy.
Keywords: Text Mining, SAW, k-NN, PCR, Final Project, Adviser, Reviewer
3.
1. PENDAHULUAN
Politeknik Caltex Riau (PCR) merupakan sebuah
institusi pendidikan yang berdiri sejak tahun 2001 di
kota Pekanbaru. Sebagai salah satu politeknik
terkemuka di Riau dan jumlah mahasiswa yang terus
meningkat. Proyek Akhir (PA) merupakan salah satu
syarat kelulusan di PCR. Proses pelaksanaan PA di
PCR dilakukan selama satu tahun (2 semester) yaitu
pada tahun tingkat akhir. Dalam proses pelaksanaan
PA di PCR terdapat maksimal 3 orang dosen penguji
dan 2 orang dosen pembimbing.
Pemilihan dosen pembimbing dan dosen penguji di
PCR ternyata masih menggunakan cara manual. Cara
manual yang dimaksud adalah pemilihan dosen
pembimbing dan dosen penguji secara langsung oleh
koordinator PA dan dipilih berdasarkan KBK dosen
dan sesuaikan dengan judul PA mahasiswa. Proses
pemilihannya yaitu:
Apabila satu dosen telah melebihi kuota jadi
dosen pembimbing dan dosen penguji dari yang
ditentukan maka akan digantikan oleh dosen lain
yang masih didalam satu KBK.
Masalah lain dari pemilihan manual oleh koordinator
PA yaitu: dosen pembimbing dan dosen penguji yang
tidak sesuai dengan judul PA mahasiswa, karena
jumlah bidang peminatan mahasiswa dari tahun ke
tahun berbeda sehingga jumlah dosen pembimbing
dan dosen penguji dalam satu KBK ada yang berlebih
dan ada yang tidak cukup. Untuk solusi KBK yang
pembimbing dan penguji PA tidak cukup maka akan
diambil dari dosen KBK lain sehingga banyak yang
tidak sesuai dengan kompetensi PA yang akan dibuat
mahasiswa.
1.
Koordinator PA mengelompokkan semua judul
PA mahasiswa yang diterima berdasarkan KBK
dari program studi tersebut.
Dalam membangun sistem ini menggunakan beberapa
algoritma dan metode salah satunya adalah text
mining. Penerapan text mining dapat digunakan untuk
menganalisa data yang diperoleh dari judul-judul PA
mahasiswa. Untuk menerapkan text mining,
dibutuhkan judul mahasiswa yang sebelumnya
sehingga dapat melihat pola-pola data yang terdahulu
untuk menjadikan sebuah pengetahuan baru.
2.
Koordinator PA mencocokkan KBK judul PA
mahasiswa dengan KBK dosen yang akan
dijadikan dosen pembimbing dan dosen penguji.
Teknik yang digunakan untuk mengklasifikasikan
judul PA adalah menggunakan teknik klasifikasi.
Klasifikasi adalah bentuk analisis data yang dapat
digunakan untuk menggambarkan kelas data penting
atau untuk memprediksi tren data masa depan [1]. kNN dilakukan dengan cara mencari kelompok k objek
dalam data training yang paling dekat (mirip) dengan
objek pada data baru atau data testing.
Chenometh merangkum perbandingan antara 5
algoritma yang sering digunakan dalam kategorisasi
teks yaitu: Naïve Bayes (kinerja lebih rendah dari pada
metode lain), Rocchio (kinerja rendah, terutama saat
mengklasifikasi kedalam kategori dengan banyak term
representatif), k-NN (kinerja baik, terutama untuk
banyak kategori, tetapi lambat karena harus
dibandingkan ke semua), Decision Tree (kinerja baik,
tetapi memerlukan optimasi untuk menyelesaikan
overfitting), Support Vector Machine (kinerja terbaik,
tetapi sangat mudah terjadi error dalam data training),
[2].
Selain klasifikasi, sistem ini juga menggunakan
metode simple additive weighting . Metode ini
digunakan untuk menentukan dosen pembimbing dan
dosen penguji yang sesuai dengan KBK dosen dan
merekomendasikan dosen yang memiliki kompetensi
berbeda tetapi masih memiliki pengetahuan tentang
kompetensi tersebut.
Berdasarkan alasan yang telah diuraikan, maka
dilakukanlah penelitian untuk merancang sebuah
sistem yang bisa merekomendasi nama dosen
pembimbing dan dosen penguji PA mahasiswa PCR,
adapun judul penelitian yang dibuat yaitu “Sistem
pendukung keputusan pemilihan pembimbing dan
penguji Proyek Akhir di Politeknik Caltex Riau”.
Terdapat 5 bagian utama pada tulisan ini. Bagian 1
membahas alasan mengapa dan bagaimana penelitian
dilakukan, Bagian 2 berisi tentang penelitian terkait.
Bagian 3 berisi perancangan sistem. Bagian 4 berisi
analisa hasil pengujian penelitian, serta bagian 5 yang
berisi dan kesimpulan dan saran penelitian.
2. PENELITIAN TERKAIT
Penelitian mengenai Sistem Pendukung Keputusan
(SPK) sudah banyak dilakukan oleh berbagai kalangan
termasuk mahasiswa. Berikut ini adalah beberapa
penelitian yang berkaitan dengan sistem pendukung
keputusan:
Tabel 1 Review penelitian terdahulu
Peneliti
Pristiwanto
(2014)
Lukman (2012)
Metode
Simple Additive
Weighting (SAW)
Jaringan Syaraf
Tiruan
Sadhili (2011)
Lukman (2012)
Logika Fuzzy
Penelitian ini
Simple
Additive
Hasil
Nilai Bobot
Nama
pembimbing dan
penguji
Nama pembimbing
Nama pembimbing
dan penguji
Rekomendasi
Weighting (SAW)
&
K-Nearest
Neighbor
pembimbing dan
penguji
berdasarkan judul
PA
Berdasarkan tinjauan penelitian terdahulu, metode
yang digunakan oleh penelitian 1 adalah SAW,
penelitian 2 menggunakan jaringan syaraf tiruan,
penelitian 3 tidak menggunakan metode, dan
penelitian 4 menggunakan logika fuzzy. Proyek akhir
yang akan dibuat ini menggunakan metode SAW
karena membutuhkan pembobotan terhadap dosendosen yang akan menjadi pembimbing dan penguji.
Sistem ini menggunakan teknik klasifikasi yaitu
algoritma k-NN, fungsi k-NN di sistem ini untuk
mengklasifikasikan data testing judul PA berdasarkan
KBK yang berhubungan dengan judul tersebut. Sistem
ini juga memiliki kemampuan lainnya yaitu mampu
mendefinisikan KBK berdasarkan judul PA.
3. PERANCANGAN
3.1. Use Case Diagram
Pada Gambar 1 menjelaskan bahwa sistem ini terdapat
2 jenis pengguna yaitu:
1. Mahasiswa
Mahasiswa memiliki batasan dalam mengakses
sistem ini, yang mana mahasiswa cuma bisa
melakukan pengisian judul, edit data diri dan
melihat informasi dari sistem.
2. Koordinator PA
Koordinator PA bertindak juga sebagai
administrator sistem, di sini koordinator PA bisa
mengelola judul yang telah dimasukkan oleh
mahasiswa. Judul PA mahasiswa bisa diubah oleh
koordinator apabila terdapat kesalahan.
Untuk mendapatkan nama pembimbing dan
penguji koordinator PA terlebih dahulu judul PA
harus dilakukan proses preprocessing yang terdiri
dari 4 tahap yaitu:
a. Case Folding berfungsi untuk mengubah
semua huruf menjadi huruf kecil (lower
case) dan menghapus karakter selain huruf.
b. Tokenizing
merupakan
proses
untuk
memisahkan string menjadi per kata.
c. Filtering untuk menghapus kata-kata yang
tidak penting seperti di, dan melalui, dll.
d. Stemming
merupakan
proses
untuk
mengubah kata berimbuhan menjadi kata
dasar, pada penelitian ini menggunakan
algoritma
porter
stemmer
dengan
menggabungkan bahasa inggris dan bahasa
indonesia.
Setelah judul PA yang dimasukkan mahasiswa
telah dilakukan proses preprocessing maka tahap
selanjutnya adalah proses pengklasifikasi judul
tersebut kedalam KBK. Untuk mendapat KBK
judul sistem akan melakukan proses perhitungan
algoritma k-Nearest Neighbor (k-NN) untuk
mencari nilai euclidean distance dengan rumus
sebagai berikut:
Jumlah tetangga terdekat yang digunakan pada
penelitian ini adalah 20 karena dari hasil
pengujian jumlah tetangga terdekat menunjukkan
bahwa akurasi tetangga (k) =20 adalah akurasi
yang tertinggi dibanding jumlah tetangga lainnya.
Dari hasil perhitungan algoritma k-NN maka
didapatkan KBK judul tersebut, sehingga sistem
bisa melanjutkan proses pemilihan dosen
pembimbing dan penguji. Untuk mendapatkan
nama-nama dosen pembimbing dan penguji
sistem akan melakukan proses perhitungan
alternatif menggunakan metode Simple Additive
Weighting dengan rumus sebagai berikut:
Adapun kriteria yang akan dihitung oleh sistem
ini adalah: pendidikan, kompetensi, jumlah
membimbing atau menguji mahasiswa. Nilai-nilai
dari kriteria tersebut bersifat dinamis dan
tersimpan dalam database. Hasil dari perhitungan
metode SAW adalah 5 nama dosen yang memiliki
nilai
alternatif
tertinggi
sehingga
direkomendasikan ke koordinator PA untuk
menentukannya. Selain fitur di atas koordinator
PA juga bisa melakukan penambahan dosen, edit
data dosen, dan penambahan mahasiswa.
4. HASIL DAN PEMBAHASAN
4.1. Pengujian Akurasi Jumlah Tetangga Terdekat
Pengujian akurasi k-NN bertujuan untuk mengetahui
kerja dari algoritma k-NN dalam mengklasifikasi data
ke dalam label yang telah ditentukan. Pada pengujian
ini sekaligus membandingkan keakuratan jumlah k
yang digunakan dalam sistem. Untuk mendapatkan
nilai akurasi menggunakan confusion matrix. Data
training atau data judul PA mahasiswa PCR tahun
2009-2014 yang digunakan sebanyak 109 data dan
jumlah data testing sama. Untuk melihat hasil
pengujian bisa dilihat pada Tabel 2 dan Gambar 2.
Tabel 2 Perbandingan akurasi jumlah k
K
5
10
15
20
25
30
True
SC
35
36
34
33
32
31
True
SE
38
40
41
43
43
43
True
OSCN
21
18
19
19
18
18
Akurasi
Error Rate
86.27%
86.36%
86.27%
87.17%
85.36%
84.45%
13.73%
13.64%
13.73%
12.83%
14.64%
15.55%
Gambar 2 Grafik Akurasi Jumlah Tetangga Terdekat
4.2. Pengujian Akurasi k-NN
Pada tahap pengujian klasifikasi k-NN ini, data yang
akan digunakan sebanyak 60 data dari data training
antara lain: label Soft Computing (SC) sebanyak 20,
label Software Engineering (SE) sebanyak 20, label
Operating System and Computer Network (OSCN)
sebanyak 20. Pengujian ini bertujuan untuk
mengetahui unjuk kerja dari algoritma k-NN dalam
mengklasifikasi data ke dalam kelas yang telah
ditentukan. Hasil kinerja sistem diperoleh dengan
memberikan nilai pada confusion matrix untuk
menghitung nilai accuracy dari hasil pengujian.
Tabel 3 Confusion Matrix pengujian akurasi k-NN
Gambar 1 Use case diagram
Actual
Class
SC
SE
OSCN
Predicted Class
SC
SE
16
0
4
20
0
0
Accuration : 83.3%
Error Rate: 100% - 83.3% = 16.7%
OSCN
1
5
14
4.3. Pembahasan
Dari hasil pengujian pada Tabel 4.1 dapat diketahui
nilai akurasi untuk jumlah k = 5, 10, 15, 20, 25, 30.
Pada penelitian ini menggunakan nilai k = 20 dengan
nilai akurasi 87.17% dikarenakan dari 6 percobaan
tersebut k dengan nilai 20 menunjukkan hasil akurasi
yang tertinggi. Sedangkan pada pengujian akurasi
dengan menggunakan 60 data dari data training
menunjukkan hasil 83.3%. Nilai akurasi yang tidak
maksimal dikarenakan oleh 2 faktor yaitu: jumlah data
training setiap label yang berbeda-beda dan nilai
penentu yang tidak konsisten.
Data training yang terdapat di sistem berjumlah 109
data yang terdiri dari: 38 data dengan label SC, 43
data dengan label SE, dan 28 data dengan label
OSCN. Hal ini mempengaruhi nilai confidence setiap
judul PA yang baru. Nilai confidence didapatkan dari
jumlah label prediksi dibagi dengan jumlah nilai k.
Nilai penentu dalam training juga mempengaruhi nilai
akurasi. Nilai penentu yang dimaksudkan adalah
keyword-keyword yang terdapat dalam data training .
Keyword merupakan kata-kata inti yang sama dengan
keyword yang tersedia dalam sistem. Keyword yang
tersedia dalam sistem sebanyak 28 kata dengan sub
keyword 252 kata. Misalnya untuk keyword “Sistem”,
dalam KBK SC, SE dan OSCN terkadang
mengandung keyword tersebut sehingga nilai
euclidean distance yang dihasilkan hampir sama.
Meskipun demikian, sistem ini hanyalah berupa
decision support, yang berarti hanya memberikan
option kepada user agar lebih mudah dalam
menentukan pilihan. Keputusan terakhir dari
pemilihan pembimbing dan penguji tetap pada
keputusan koordinator PA atau administrator dari
sistem
5. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari hasil penelitian ini dapat disimpulkan bahwa:
1. Hasil klasifikasi menggunakan k-NN dapat
digunakan untuk mengklasifikasi judul PA
2.
mahasiswa berdasarkan KBK dengan akurasi
83.3%.
Hasil perhitungan SAW bisa menghasilkan dosen
yang memiliki kompetensi yang sama dengan
KBK judul. Dosen yang direkomendasikan oleh
sistem adalah 5 dosen dengan nilai bobot
tertinggi.
5.2. Saran
Adapun saran yang dapat diberikan adalah:
1. Sistem ini dapat dikembangkan dengan
menambah kriteria-kriteria penentuan dosen
lainnya seperti sub kbk pada setiap dosen,
sehingga dosen yang direkomendasi bisa lebih
tepat.
2. Sistem ini dapat dikembangkan untuk jurusan
selain jurusan komputer di PCR dengan jumlah
data training yang lebih besar.
DAFTAR REFERENSI
[1] Han, Jiawei, Kamber, Micheline & Pei, Jian. (2012). Data
Mining: Concepts and Techniques (
ed.) USA: Elsevier Inc.
[2] Darujati, Cahyo dan Gumelar, Agustinus Bimo, (2012).
Pemanfaatan Teknik Supervised Untuk Klasifikasi Teks Bahasa
Indonesia. Jurnal LINK, 1-5.
[3] Lukman, Andi. (2012), Optimasi Penentuan Pembimbing dan
Penguji Skripsi Menggunakan Jaringan Syaraf Tiruan, Konferensi
Nasional Ilmu Komputer (KONIK).
[4] Lukman, Andi. (2012), Penentuan Pembimbing dan Penguji
Skripsi Berdasarkan Spesifikasi Keahlian Dosen Menggunakan
Logika Fuzzy, Jurnal Informatika dan Multimedia (JIM) 1 (3)
[5] Pristiwanto, (2014). Sistem Pendukung Keputusan dengan
Metode Simple Additive Weighting Untuk Menentukan Dosen
Pembimbing Skripsi. Majalah Ilmiah Informasi dan Teknologi
Ilmiah (INTI) 2 (1), 11-15.
[6] Sadhili, Rosi, Riza, Tengku Ahmad & Destiwati, Rita. (2011).
Rancang Bangun Aplikasi Pemilihan Dosen Pembimbing Proyek
Akhir pada Fakultas Elektro dan Komunikasi IT Telkom Bandung .
Tugas Akhir Program Diploma D3 Politeknik Telkom Bandung,
Jawa Barat: Bandung.
Penguji Proyek Akhir di Politeknik Caltex Riau
Gunawan1), Indah Lestari2), Muhammad Ihsan Zul3)
1 ) Jurusan Teknik I n fo r ma t i k a , Politeknik Caltex Riau, Pekanbaru 28265, email:
g u na wa n1 1 ti @ ma h a si s wa.p cr.a c.id
2) Jurusan Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: i nd a h @p cr .ac.id
3) Jurusan Teknik I n fo r ma t i k a , Politeknik Caltex Riau, Pekanbaru 28265, email: i h sa n @p cr .ac. id
Abstrak – Pada Politeknik Caltex Riau (PCR) penentuan dosen pembimbing dan penguji Proyek Akhir (PA)
merupakan tugas dari koordinator PA. Penelitian ini bertujuan untuk membantu koordinator PA dalam
menentukan dosen pembimbing dan penguji PA. Metode-metode yang digunakan untuk membangun sistem ini
adalah Text Mining, k-Nearest Neighbor (k-NN), dan Simple Additive Weighting (SAW). Text mining untuk
melakukan preprocessing data, k-NN untuk melakukan pengklasifikasian KBK, sementara SAW untuk
melakukan pembobotan kriteria dosen. Penelitian ini dapat merekomendasikan 5 nama dosen yang memiliki
bobot tertinggi untuk menjadi pembimbing dan penguji PA berdasarkan KBK judul PA mahasiswa, dan memiliki
nilai akurasi 83.3%.
Kata Kunci : Text Mining, SAW, k-NN, Proyek Akhir, Pembimbing, Penguji
Abstract - At the Polytechnic Caltex Riau (PCR) determination of final project (PA) adviser and reviewer is PA
Coordinator duty. This research for assist PA Coordinator determine adviser and reviewer. The methods used to
build this system are Text Mining, k-Nearest Neighbor (k-NN), and Simple Additive Weighting (SAW).Text
Mining for data preprocessing K-NN for KBK classification, while SAW for weighting the lecturer criteria. This
research can recommend five name of lecturers who have the highest weight to be PA adviser and reviewer
based of KBK, and has a 83.3% accuracy.
Keywords: Text Mining, SAW, k-NN, PCR, Final Project, Adviser, Reviewer
3.
1. PENDAHULUAN
Politeknik Caltex Riau (PCR) merupakan sebuah
institusi pendidikan yang berdiri sejak tahun 2001 di
kota Pekanbaru. Sebagai salah satu politeknik
terkemuka di Riau dan jumlah mahasiswa yang terus
meningkat. Proyek Akhir (PA) merupakan salah satu
syarat kelulusan di PCR. Proses pelaksanaan PA di
PCR dilakukan selama satu tahun (2 semester) yaitu
pada tahun tingkat akhir. Dalam proses pelaksanaan
PA di PCR terdapat maksimal 3 orang dosen penguji
dan 2 orang dosen pembimbing.
Pemilihan dosen pembimbing dan dosen penguji di
PCR ternyata masih menggunakan cara manual. Cara
manual yang dimaksud adalah pemilihan dosen
pembimbing dan dosen penguji secara langsung oleh
koordinator PA dan dipilih berdasarkan KBK dosen
dan sesuaikan dengan judul PA mahasiswa. Proses
pemilihannya yaitu:
Apabila satu dosen telah melebihi kuota jadi
dosen pembimbing dan dosen penguji dari yang
ditentukan maka akan digantikan oleh dosen lain
yang masih didalam satu KBK.
Masalah lain dari pemilihan manual oleh koordinator
PA yaitu: dosen pembimbing dan dosen penguji yang
tidak sesuai dengan judul PA mahasiswa, karena
jumlah bidang peminatan mahasiswa dari tahun ke
tahun berbeda sehingga jumlah dosen pembimbing
dan dosen penguji dalam satu KBK ada yang berlebih
dan ada yang tidak cukup. Untuk solusi KBK yang
pembimbing dan penguji PA tidak cukup maka akan
diambil dari dosen KBK lain sehingga banyak yang
tidak sesuai dengan kompetensi PA yang akan dibuat
mahasiswa.
1.
Koordinator PA mengelompokkan semua judul
PA mahasiswa yang diterima berdasarkan KBK
dari program studi tersebut.
Dalam membangun sistem ini menggunakan beberapa
algoritma dan metode salah satunya adalah text
mining. Penerapan text mining dapat digunakan untuk
menganalisa data yang diperoleh dari judul-judul PA
mahasiswa. Untuk menerapkan text mining,
dibutuhkan judul mahasiswa yang sebelumnya
sehingga dapat melihat pola-pola data yang terdahulu
untuk menjadikan sebuah pengetahuan baru.
2.
Koordinator PA mencocokkan KBK judul PA
mahasiswa dengan KBK dosen yang akan
dijadikan dosen pembimbing dan dosen penguji.
Teknik yang digunakan untuk mengklasifikasikan
judul PA adalah menggunakan teknik klasifikasi.
Klasifikasi adalah bentuk analisis data yang dapat
digunakan untuk menggambarkan kelas data penting
atau untuk memprediksi tren data masa depan [1]. kNN dilakukan dengan cara mencari kelompok k objek
dalam data training yang paling dekat (mirip) dengan
objek pada data baru atau data testing.
Chenometh merangkum perbandingan antara 5
algoritma yang sering digunakan dalam kategorisasi
teks yaitu: Naïve Bayes (kinerja lebih rendah dari pada
metode lain), Rocchio (kinerja rendah, terutama saat
mengklasifikasi kedalam kategori dengan banyak term
representatif), k-NN (kinerja baik, terutama untuk
banyak kategori, tetapi lambat karena harus
dibandingkan ke semua), Decision Tree (kinerja baik,
tetapi memerlukan optimasi untuk menyelesaikan
overfitting), Support Vector Machine (kinerja terbaik,
tetapi sangat mudah terjadi error dalam data training),
[2].
Selain klasifikasi, sistem ini juga menggunakan
metode simple additive weighting . Metode ini
digunakan untuk menentukan dosen pembimbing dan
dosen penguji yang sesuai dengan KBK dosen dan
merekomendasikan dosen yang memiliki kompetensi
berbeda tetapi masih memiliki pengetahuan tentang
kompetensi tersebut.
Berdasarkan alasan yang telah diuraikan, maka
dilakukanlah penelitian untuk merancang sebuah
sistem yang bisa merekomendasi nama dosen
pembimbing dan dosen penguji PA mahasiswa PCR,
adapun judul penelitian yang dibuat yaitu “Sistem
pendukung keputusan pemilihan pembimbing dan
penguji Proyek Akhir di Politeknik Caltex Riau”.
Terdapat 5 bagian utama pada tulisan ini. Bagian 1
membahas alasan mengapa dan bagaimana penelitian
dilakukan, Bagian 2 berisi tentang penelitian terkait.
Bagian 3 berisi perancangan sistem. Bagian 4 berisi
analisa hasil pengujian penelitian, serta bagian 5 yang
berisi dan kesimpulan dan saran penelitian.
2. PENELITIAN TERKAIT
Penelitian mengenai Sistem Pendukung Keputusan
(SPK) sudah banyak dilakukan oleh berbagai kalangan
termasuk mahasiswa. Berikut ini adalah beberapa
penelitian yang berkaitan dengan sistem pendukung
keputusan:
Tabel 1 Review penelitian terdahulu
Peneliti
Pristiwanto
(2014)
Lukman (2012)
Metode
Simple Additive
Weighting (SAW)
Jaringan Syaraf
Tiruan
Sadhili (2011)
Lukman (2012)
Logika Fuzzy
Penelitian ini
Simple
Additive
Hasil
Nilai Bobot
Nama
pembimbing dan
penguji
Nama pembimbing
Nama pembimbing
dan penguji
Rekomendasi
Weighting (SAW)
&
K-Nearest
Neighbor
pembimbing dan
penguji
berdasarkan judul
PA
Berdasarkan tinjauan penelitian terdahulu, metode
yang digunakan oleh penelitian 1 adalah SAW,
penelitian 2 menggunakan jaringan syaraf tiruan,
penelitian 3 tidak menggunakan metode, dan
penelitian 4 menggunakan logika fuzzy. Proyek akhir
yang akan dibuat ini menggunakan metode SAW
karena membutuhkan pembobotan terhadap dosendosen yang akan menjadi pembimbing dan penguji.
Sistem ini menggunakan teknik klasifikasi yaitu
algoritma k-NN, fungsi k-NN di sistem ini untuk
mengklasifikasikan data testing judul PA berdasarkan
KBK yang berhubungan dengan judul tersebut. Sistem
ini juga memiliki kemampuan lainnya yaitu mampu
mendefinisikan KBK berdasarkan judul PA.
3. PERANCANGAN
3.1. Use Case Diagram
Pada Gambar 1 menjelaskan bahwa sistem ini terdapat
2 jenis pengguna yaitu:
1. Mahasiswa
Mahasiswa memiliki batasan dalam mengakses
sistem ini, yang mana mahasiswa cuma bisa
melakukan pengisian judul, edit data diri dan
melihat informasi dari sistem.
2. Koordinator PA
Koordinator PA bertindak juga sebagai
administrator sistem, di sini koordinator PA bisa
mengelola judul yang telah dimasukkan oleh
mahasiswa. Judul PA mahasiswa bisa diubah oleh
koordinator apabila terdapat kesalahan.
Untuk mendapatkan nama pembimbing dan
penguji koordinator PA terlebih dahulu judul PA
harus dilakukan proses preprocessing yang terdiri
dari 4 tahap yaitu:
a. Case Folding berfungsi untuk mengubah
semua huruf menjadi huruf kecil (lower
case) dan menghapus karakter selain huruf.
b. Tokenizing
merupakan
proses
untuk
memisahkan string menjadi per kata.
c. Filtering untuk menghapus kata-kata yang
tidak penting seperti di, dan melalui, dll.
d. Stemming
merupakan
proses
untuk
mengubah kata berimbuhan menjadi kata
dasar, pada penelitian ini menggunakan
algoritma
porter
stemmer
dengan
menggabungkan bahasa inggris dan bahasa
indonesia.
Setelah judul PA yang dimasukkan mahasiswa
telah dilakukan proses preprocessing maka tahap
selanjutnya adalah proses pengklasifikasi judul
tersebut kedalam KBK. Untuk mendapat KBK
judul sistem akan melakukan proses perhitungan
algoritma k-Nearest Neighbor (k-NN) untuk
mencari nilai euclidean distance dengan rumus
sebagai berikut:
Jumlah tetangga terdekat yang digunakan pada
penelitian ini adalah 20 karena dari hasil
pengujian jumlah tetangga terdekat menunjukkan
bahwa akurasi tetangga (k) =20 adalah akurasi
yang tertinggi dibanding jumlah tetangga lainnya.
Dari hasil perhitungan algoritma k-NN maka
didapatkan KBK judul tersebut, sehingga sistem
bisa melanjutkan proses pemilihan dosen
pembimbing dan penguji. Untuk mendapatkan
nama-nama dosen pembimbing dan penguji
sistem akan melakukan proses perhitungan
alternatif menggunakan metode Simple Additive
Weighting dengan rumus sebagai berikut:
Adapun kriteria yang akan dihitung oleh sistem
ini adalah: pendidikan, kompetensi, jumlah
membimbing atau menguji mahasiswa. Nilai-nilai
dari kriteria tersebut bersifat dinamis dan
tersimpan dalam database. Hasil dari perhitungan
metode SAW adalah 5 nama dosen yang memiliki
nilai
alternatif
tertinggi
sehingga
direkomendasikan ke koordinator PA untuk
menentukannya. Selain fitur di atas koordinator
PA juga bisa melakukan penambahan dosen, edit
data dosen, dan penambahan mahasiswa.
4. HASIL DAN PEMBAHASAN
4.1. Pengujian Akurasi Jumlah Tetangga Terdekat
Pengujian akurasi k-NN bertujuan untuk mengetahui
kerja dari algoritma k-NN dalam mengklasifikasi data
ke dalam label yang telah ditentukan. Pada pengujian
ini sekaligus membandingkan keakuratan jumlah k
yang digunakan dalam sistem. Untuk mendapatkan
nilai akurasi menggunakan confusion matrix. Data
training atau data judul PA mahasiswa PCR tahun
2009-2014 yang digunakan sebanyak 109 data dan
jumlah data testing sama. Untuk melihat hasil
pengujian bisa dilihat pada Tabel 2 dan Gambar 2.
Tabel 2 Perbandingan akurasi jumlah k
K
5
10
15
20
25
30
True
SC
35
36
34
33
32
31
True
SE
38
40
41
43
43
43
True
OSCN
21
18
19
19
18
18
Akurasi
Error Rate
86.27%
86.36%
86.27%
87.17%
85.36%
84.45%
13.73%
13.64%
13.73%
12.83%
14.64%
15.55%
Gambar 2 Grafik Akurasi Jumlah Tetangga Terdekat
4.2. Pengujian Akurasi k-NN
Pada tahap pengujian klasifikasi k-NN ini, data yang
akan digunakan sebanyak 60 data dari data training
antara lain: label Soft Computing (SC) sebanyak 20,
label Software Engineering (SE) sebanyak 20, label
Operating System and Computer Network (OSCN)
sebanyak 20. Pengujian ini bertujuan untuk
mengetahui unjuk kerja dari algoritma k-NN dalam
mengklasifikasi data ke dalam kelas yang telah
ditentukan. Hasil kinerja sistem diperoleh dengan
memberikan nilai pada confusion matrix untuk
menghitung nilai accuracy dari hasil pengujian.
Tabel 3 Confusion Matrix pengujian akurasi k-NN
Gambar 1 Use case diagram
Actual
Class
SC
SE
OSCN
Predicted Class
SC
SE
16
0
4
20
0
0
Accuration : 83.3%
Error Rate: 100% - 83.3% = 16.7%
OSCN
1
5
14
4.3. Pembahasan
Dari hasil pengujian pada Tabel 4.1 dapat diketahui
nilai akurasi untuk jumlah k = 5, 10, 15, 20, 25, 30.
Pada penelitian ini menggunakan nilai k = 20 dengan
nilai akurasi 87.17% dikarenakan dari 6 percobaan
tersebut k dengan nilai 20 menunjukkan hasil akurasi
yang tertinggi. Sedangkan pada pengujian akurasi
dengan menggunakan 60 data dari data training
menunjukkan hasil 83.3%. Nilai akurasi yang tidak
maksimal dikarenakan oleh 2 faktor yaitu: jumlah data
training setiap label yang berbeda-beda dan nilai
penentu yang tidak konsisten.
Data training yang terdapat di sistem berjumlah 109
data yang terdiri dari: 38 data dengan label SC, 43
data dengan label SE, dan 28 data dengan label
OSCN. Hal ini mempengaruhi nilai confidence setiap
judul PA yang baru. Nilai confidence didapatkan dari
jumlah label prediksi dibagi dengan jumlah nilai k.
Nilai penentu dalam training juga mempengaruhi nilai
akurasi. Nilai penentu yang dimaksudkan adalah
keyword-keyword yang terdapat dalam data training .
Keyword merupakan kata-kata inti yang sama dengan
keyword yang tersedia dalam sistem. Keyword yang
tersedia dalam sistem sebanyak 28 kata dengan sub
keyword 252 kata. Misalnya untuk keyword “Sistem”,
dalam KBK SC, SE dan OSCN terkadang
mengandung keyword tersebut sehingga nilai
euclidean distance yang dihasilkan hampir sama.
Meskipun demikian, sistem ini hanyalah berupa
decision support, yang berarti hanya memberikan
option kepada user agar lebih mudah dalam
menentukan pilihan. Keputusan terakhir dari
pemilihan pembimbing dan penguji tetap pada
keputusan koordinator PA atau administrator dari
sistem
5. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari hasil penelitian ini dapat disimpulkan bahwa:
1. Hasil klasifikasi menggunakan k-NN dapat
digunakan untuk mengklasifikasi judul PA
2.
mahasiswa berdasarkan KBK dengan akurasi
83.3%.
Hasil perhitungan SAW bisa menghasilkan dosen
yang memiliki kompetensi yang sama dengan
KBK judul. Dosen yang direkomendasikan oleh
sistem adalah 5 dosen dengan nilai bobot
tertinggi.
5.2. Saran
Adapun saran yang dapat diberikan adalah:
1. Sistem ini dapat dikembangkan dengan
menambah kriteria-kriteria penentuan dosen
lainnya seperti sub kbk pada setiap dosen,
sehingga dosen yang direkomendasi bisa lebih
tepat.
2. Sistem ini dapat dikembangkan untuk jurusan
selain jurusan komputer di PCR dengan jumlah
data training yang lebih besar.
DAFTAR REFERENSI
[1] Han, Jiawei, Kamber, Micheline & Pei, Jian. (2012). Data
Mining: Concepts and Techniques (
ed.) USA: Elsevier Inc.
[2] Darujati, Cahyo dan Gumelar, Agustinus Bimo, (2012).
Pemanfaatan Teknik Supervised Untuk Klasifikasi Teks Bahasa
Indonesia. Jurnal LINK, 1-5.
[3] Lukman, Andi. (2012), Optimasi Penentuan Pembimbing dan
Penguji Skripsi Menggunakan Jaringan Syaraf Tiruan, Konferensi
Nasional Ilmu Komputer (KONIK).
[4] Lukman, Andi. (2012), Penentuan Pembimbing dan Penguji
Skripsi Berdasarkan Spesifikasi Keahlian Dosen Menggunakan
Logika Fuzzy, Jurnal Informatika dan Multimedia (JIM) 1 (3)
[5] Pristiwanto, (2014). Sistem Pendukung Keputusan dengan
Metode Simple Additive Weighting Untuk Menentukan Dosen
Pembimbing Skripsi. Majalah Ilmiah Informasi dan Teknologi
Ilmiah (INTI) 2 (1), 11-15.
[6] Sadhili, Rosi, Riza, Tengku Ahmad & Destiwati, Rita. (2011).
Rancang Bangun Aplikasi Pemilihan Dosen Pembimbing Proyek
Akhir pada Fakultas Elektro dan Komunikasi IT Telkom Bandung .
Tugas Akhir Program Diploma D3 Politeknik Telkom Bandung,
Jawa Barat: Bandung.