Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755 IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) DAN SIMPLE ADDITTIVE WEIGHTING (SAW) DALAM PENGAMBILAN KEPUTUSAN SELEKSI PENERIMAAN ANGGOTA PASKIBRAKA (STUDI KASUS: DINAS PEMUDA DAN OLAHRAGA PROVINSI BENGKULU) Delfi Yanosma1, Asahar Johar T2, Kurnia Anggriani3 1,2,3Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu. Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA (telp: 0736-341022; fax: 0736-341022)
1 [email protected], [email protected], [email protected]
Abstrak: Penelitian ini membangun sebuah sistem pendukung keputusan seleksi penerimaan anggota PASKIBRAKA. Aplikasi yang dibangun menggunakan metode K-Nearest Neighbor (KNN) dan Simple Addittive Weighting (SAW). Metode K-Nearest Neighbor digunakan untuk melakukan klasifikasi peserta yang akan diterima. Metode Simple Addittive Weighting digunakan untuk melakukan perangkingan. Aplikasi ini dibangun dengan menggunakan bahasa pemrograman PHP. Metode pengembangan sistem yang digunakan untuk membangun aplikasi ini adalah model waterfall dan Unified Modelling Language (UML) sebagai perancangan sistem. Hasil dari aplikasi ini yaitu berupa rekomendasi nama peserta yang lolos dan tidak lolos seleksi berdasarkan hasil perangkingan nilai masing-masing peserta. Kata Kunci: Sistem Pendukung Keputusan, K-Nearest Neighbor, Simple Addittive Weighting
ABSTRACT : This study builds a support recommendations qualify and disqualify system of PASKIBRAKA members acceptance participants names based on each participant selection. Built application using K-Nearest grade. Neighbor (KNN) and Simple Addittive Keywords: The Decision Support System, K- Weighting (SAW) method. K-Nearest Neighbor Nearest Neighbor (KNN), Simple Addittive method used to classify which participants will Weighting (SAW). be accepted. Simple Addittive Weighting I. PENDAHULUAN method used to perform the grade. This Dalam memperingati hari kemerdekaan apllication is built using PHP programming Republik Indonesia setiap tahun dilaksanakan language. System development method used to upacara bendera pada tanggal 17 Agustus. Pada build this application are waterfall model and rangkaian upacara tersebut terdapat agenda Unified Modelling Language (UML) as the pengibaran bendera merah putih yang dilakukan system design. The result of this of application is
222 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755 oleh anggota PASKIBRAKA. PASKIBRAKA sistem penyeleksian sebelumnya ditemukan kasus (Pasukan Pengibar Bendera Pusaka) merupakan di mana peserta dengan tinggi badan paling generasi muda Indonesia yang terpilih dari seleksi maksimal pasti akan lulus seleksi , sedangkan yang yang diikuti oleh siswa/siswi dari beberapa tejadi di lapangan peserta yang diambil adalah Sekolah Menengah Atas. Seleksi PASKIBRAKA peserta dengan tinggi badan yang sejajar dengan ini melalui berbagai macam tahapan seleksi, guna peserta lainnya sehingga tidak ada kesenjangan mempermudah dalam melaksanakan berbagai dalam barisan. kegiatan seleksi disusun sebuah pedoman kegiatan Dari kasus di atas maka penulis berkeinginan yang ditetapkan dalam Peraturan Menteri Pemuda membuat suatu sistem pendukung keputusan dan Olaraga (Permenpora) No 0065 Tahun 2015. penyeleksian anggota PASKIBRAKA dengan Seleksi ini dibagi menjadi 3 tahapan yaitu seleksi menggunakan metode K-Nearest Neighbor (KNN) Kabupaten, Provinsi dan Nasional. dan Simple Additive Weighting (SAW). Metode Seleksi dilakukan oleh Dinas Pemuda dan K-Nearest Neighbor digunakan untuk mengatasi Olahraga (DISPORA) dengan mengikuti pedoman kasus di atas yaitu dengan cara mengklasifikasikan kegiatan dalam peraturan menteri. Seleksi tinggi badan pada setiap peserta. Dengan PASKIBRAKA tingkat provinsi Bengkulu membandingkan jarak kedekatan antara data dilakukan melalui beberapa tahapan seleksi yang training dan data testing. Data training merupakan diikuti oleh siswa/siswi sekolah menengah atas data peseta yang telah lulus di tahun sebelumnya yang telah lulus seleksi dari 9 Kabupaten/Kota sedangkan data testing merupakan data peserta yang ada di Provinsi Bengkulu. Seleksi ini diikuti yang akan diseleksi. Setelah melakukan klasifikasi lebih dari 120 orang peserta yang telah lulus di tinggi badan maka peserta yang masuk klasifikasi tigkat Kabupaten. Dari penyeleksian ini diambil 56 akan dirangking dengan menggunakan metode orang peserta seleksi yang mendapatkan nilai atau Simple Additive Weighting. Simple Additive perengkingan teratas. Weighting adalah metode dengan konsep dasar Peserta yang ikut seleksi harus memenuhi 8 mencari penjumlahan terbobot dari rating dari kriteria penilaian. Kriteria yang digunakan yaitu kinerja pada setiap alternatif pada semua atribut. Parade, PBB(Peraturan Baris-berbaris), Psikotes, Jasmani/Samapta, Kesehatan/Kebugaran, II. LANDASAN TEORI Wawancara, Kesenian Daerah dan Pengetahuan A. PASKIBRAKA Umum. Dari masing-masing kriteria tersebut PASKIBRAKA atau Pasukan Pengibar memiliki beberapa subkriteria dengan standar yang Bendera Pusaka lahir bersamaan dengan telah ditentukan. Kriteria dan subkriteria yang Proklamasi Kemerdekaan Republik Indonesia yang digunakan memiliki bobot penilaian yang berbeda- dikumandangkan di Jalan Pegangsaan Timur beda. Dari 8 kriteria yang digunakan 5 diantaranya No.56, Jakarta pada Jumat, 17 Agustus 1945 tepat memiliki subkriteria yang akan dinilai oleh pukul 10.00 pagi. Setelah pernyataan kemerdekaan masing-masing juri. Indonesia, untuk pertama kali secara resmi Penilaian dalam penyeleksian ini dilakukan diperdengarkan, bendera kebangsaan merah putih oleh juri dengan memberikan nilai akhir dari dikibarkan oleh dua orang muda-mudi yang penjurian kepada operator DISPORA. Dalam dipimpin oleh Latief Hendradiningrat. Bendera ejournal.unib.ac.id 223
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755 yang dijahit tangan oleh Fatmawati Soekarno inilah Menurut Turban (dikutip oleh Kusrini, 2007:16), yang kemudian disebut “Bendera Pusaka”. tujuan dari DSS adalah : Pada tahun 1968, petugas Penggerek Bendera 1. Membantu manajer dalam pengambilan Pusaka adalah sepasang remaja (pelajar) utusan keputusan atas masalah semiterstruktur. setiap Provinsi di Indonesia. Tetapi karena situasi 2. Memberikan dukungan atas pertimbangan dan kondisi belum memungkinkan, maka tidak manajer dan bukannya dimaksudkan untuk seluruh Provinsi dapat mengirimkan utusannya. menggantikan fungsi manajer. Untuk pertama kalinya pada tahun 1969 dilaksanakan upacara penyerahan Duplikat 3. Meningkatkan efektifitas keputusan yang Bendera Pusaka Merah Putih dan Reproduksi diambil manajer lebih dari pada perbaikan Naskah Proklamasi oleh Presiden Soeharto kepada efisiensinya. seluruh Gubernur/Kepala Daerah Tingkat I dan II. 4. Kecepatan komputasi. Komputer Hal inilah yang menjadi dasar bahwa Paskibraka memungkinkan para pengambil keputusan hanya ada di 3 (tiga) tingkat yaitu Nasional, untuk melakukan banyak komputasi secara Provinsi dan Kabupaten/Kota. cepat dengan biaya yang rendah. Rekrutmen anggota PASKIBRAKA dilakukan 5. Peningkatan produktivitas. Membangun satu dari tingkat sekolah, Kabupaten/Kota, Provinsi dan kelompok pengambil keputusan, terutama para Nasional. PASKIBRAKA tingkat Kabupaten/Kota pakar,bisa sangat mahal. Pendukung direkrut dari Paskibraka Sekolah Menengah Atas terkomputerisasi bisa mengurangi ukuran atau yang sederajat. PASKIBRAKA tingkat kelompok dan kemungkinan para anggotanya Provinsi direkrut dari PASKIBRAKA tingkat untuk berada diberbagai lokasi yang berbeda – Kabupaten/Kota. PASKIBRAKA tingkat Nasional beda. Selain itu, produktivitas staf pendukung direkrut dari PASKIBRAKA tingkat Provinsi. (misalnya analis keuangan dan hukum) bisa Pada saat penyeleksian peserta harus melalui ditingkatkan. Produktivias juga bisa beberapa rangkaian tes seperti tes Psikotest, tes ditingkatkan menggunakan peralatan PARADE, tes PBB, tes Pengetahuan Umum, tes optimalisasi yang menentuka cara SMAPTA, tes Kesenian dan Wawancara [1]. teerbaikuntuk menjalankan sebuah bisnis. 6. Dukungan kualitas. Komputer bisa B. Sistem Pendukung Keputusan (SPK) meningkatkan kualitas keputusan yang dibuat. Menurut Alter (dikutip oleh Kusrini, 2007:15), Sebagai contoh, semakin banyak data yang Sistem Pendukung Keputusan merupakan sistem diakses, makin banyak juga alternatif yang bisa informasi interaktif yang menyediakan informasi, dievaluasi. Analisis resiko bisa dilakukan pemodelan, dan manipulasi data. Sistem itu dengan cepat dan pandangan dari para pakar digunakan untuk membantu pengambilan (beberapa dari mereka berada dilokasi yang keputusan dalam situasi yang semiterstruktur dan jauh) bisa dikumpulkan dengan cepat dan situasi yang tidak terstruktur, dimana tak seorang dengan biaya yang lebih rendah. Keahlian pun tahu secara pasti bagaimana keputusan bahkan dapat diambil langsung dari sebuah seharusnya dibuat. sistem komputer melalui metode kecerdasan tiruan.dengan komputer, para pengambil
224 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
keputusan bisa melakukan simulasi yang 6. Melaksanakan solusi terpilih kompleks, memeriksa banyak skenario yang Karakterisitik Sistem Pendukung Keputusan memungkinkan, dan menilai berbagai adalah sebagai berikut [2]: pengaruhsecara cepat dan ekonomis. Semua 1. Tujuan utama dari Sistem Pendukung kapabiitas tersebut mengarah kepada keputusa Keputusan adalah untuk memperbaiki mutu yang lebih baik. keputusan serta performance. 7. Berdaya saing. Manajemen dan pemberdayaan 2. Sistem Pendukung Keputusan ditujukan untuk sumber daya perusahaan. Tekanan persaingan environment yang komplek, kurang terstruktur menyebabkan tugas pengambil keputusan dan bahkan politis sifatnya. menjadi sulit. Persaingan didasarkan tidak 3. Sistem Pendukung Keputusan bertumpu pada hanya pada harga, tetapi juga pada kualitas, laporan perkecualian dan macamnya untuk kecepatan, kustomasi produk, dan dukungan menunjang proses identifikasi masalah. pelanggan. Organisasi harus mampu secara 4. Sistem Pendukung Keputusan berkombinasi sering dan cepat mengubah mode operasi, “modelling” dan teknik-teknik analisa yang lain merekayasa ulang proses dan struktur, dengan fungsi penyajian kembali data. memberdayakan karyawan, serta berinovasi. 5. Sistem Pendukung Keputusan berfokus pada Teknologi pengambilan keputusan bisa prinsip “mudah dipakai” dan “fleksibel” dalam menciptakan pemberdayaan yang signifikan berhadapan dengan pemakai tertentu atau dengan cara memperbolehkan seseorang untuk sekelompok pemakai. membuat keputusan yang baik secara cepat, 6. Proses Pengambilan Keputusan. bahkan jika mereka memiliki pengetahuan yang kurang. C. K-Nearest Neighbor(KNN) 8. Mengatasi keterbatasan kognitif dalam K-Nearest Neighbor merupakan salah satu pemrosesan dan penyimpangan. Menurut simon metode untuk mengambil keputusan menggunakan (1977), otak manusia memiliki kemampuan pembelajaran terawasi dimana hasil dari data yang terbatas untuk memproses dan masukan yang baru diklasifikasi berdasarkan menyimpan informasi. Orang-orang kadang terdekat dalam data nilai [3]. sulit mengingat dan menggunakan sebuah Algoritma K-Nearest Neighbor (KNN) adalah informasi dengan cara yang bebas dari sebuah metode untuk melakukan klasifikasi kesalahan. terhadap objek yang berdasarkan dari data Dalam pengambilan keputusan dilakukan pembelajaran yang jaraknya paling dekat dengan beberapa tahapan yaitu sebagai berikut [2] : objek tersebut. KNN merupakan algoritma 1. Identifikasi masalah supervised learning dimana hasil dari query 2. Pemilihan metode pemecahan masalah instance yang baru diklasifikan berdasarkan 3. Pengumpulan data yang dibutuhkan untuk mayoritas dari kategori pada algoritma KNN. melaksanakan model keputusan tersebut Dimana kelas yang paling banyak muncul yang 4. Mengimplementasikan model tersebut nantinya akan menjadi kelas hasil dari klasifikasi 5. Mengevaluasi sisi positif dari setiap alternatif [4]. yang ada ejournal.unib.ac.id 225
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
Kedekatan didefinisikan dalam jarak metrik, metode SAW adalah mencari penjumlahan seperti jarak Euclidean. Jarak Euclidean dapat terbobot dari rating kinerja pada setiap alternatif dicari dengan menggunakan persamaan 1 berikut pada semua atribut. Metode SAW membutuhkan ini [5]: proses normalisasi matriks keputusan (X) ke suatu Dxy = ( ) (1) skala yang dapat diperbandingkan dengan semua Keterangan : 풏 ퟐ rating alternatif yang ada. �∑풊=ퟏ 풙풊 − 풚풊 D : jarak kedekatan Berikut adalah persamaan – persamaan yang x : data training ada dalam metode SAW [7] : y : data testing Jika j atribut keuntungan (2) xij n : jumlah atribut individu antara 1 s.d. n ri= max ixij Jika j atribut biaya (3) f : fungsi similitary atribut i antara kasus X min � ixij dan kasus Y Keteranganxij : i = Atribut individu antara 1 sampai dengan n Rij : Nilai rating kinerja ternormalisasi Langkah-langkah untuk menghitung metode K- Xij : Nilai atribut yang dimiliki dari setiap Nearest Neighbor antara lain [6] : kriteria 1. Menentukan parameter K (Jumlah tetangga Max Xij : Nilai terbesar dari setiap kriteria paling dekat). Dimana r_ij adalah rating kinerja ternomalisasi 2. Menghitung kuadrat jarak Euclid (queri dari alternatif Ai pada atribut Cj; i=1,2,...,m dan instance) masing-masing objek terhadap data j=1,2,...,n. Nilai preferensi untuk setiap alternatif sampel yang diberikan menggunakan (Vi) diberikan sebagai : persamaan 1. = (4) 푛 3. Kemudian mengurutkan objek-objek tersebut Keterangan푉푉 ∑: 푗=1 푤푗푟푖� ke dalam kelompok yang mempunyai jarak Vi : Rangking untuk setiap alternatif Euclid terkecil. Wj : Nilai bobot dari setiap kriteria 4. Mengumpulkan kategori Y (Klasifikasi Nearest Rij : Nilai rating kinerja ternormalisasi Neighbor) Nilai Vi yang lebih besar mengindikasikan 5. Dengan menggunakan kategori Nearest bahwa alternatif Ai lebih terpilih [7]. Neighbor yang paling mayoritas maka dapat Berikut adalah langkah-langkah dalam diprediksi nilai query instance yang telah menyelesaikan masalah menggunakan Fuzzy dihitung. MADM dengan metode SAW, yaitu [7] : 1. Menentukan kriteria-kriteria yang akan D. Simple Addittive Weighting (SAW) dijadikan acuan dalam pengambilan keputusan. Menurut Fishburn (dikutip oleh Kusumadewi, 2. Menentukan rating kecocokan setiap alternatif 2006 : 74), dalam membangun Sistem Pendukung pada setiap kriteria. Keputusan ini akan diterapkan metode SAW ( 3. Membuat matriks keputusan berdasarkan Simple Additive Weighting) dalam menyelesaikan kriteria, kemudian melakukan normalisasi masalah Multi Attribute Decision Making yang matriks berdasarkan persamaan yang dihadapi. Metode SAW sering juga dikenal istilah disebutkan dengan jenis atribut sehingga metode penjumlahan terbobot. Konsep dasar diperoleh matriks ternormalisasi.
226 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
4. Pemberian bobot pada masing masing kriteria. keperluan industri atau politik dan bukan untuk 5. Hasil akhir diperoleh dari proses perangkingan wawasan keilmuan semata. yaitu penjumlahan dari perkalian matriks Penelitian terapan ini bertujuan untuk ternormalisasi dengan vektor bobot sehingga merancang dan membangun sebuah sistem diperoleh nilai terbesar yang dipilih sebagai pendukung keputusan seleksi PASKIBRAKA alternatif terbaik sebagai solusi . dengan menggunakan metode K-Nearest Neighbor (KNN) dan metode Simple Addittive Weighting E. Bahasa Pemrograman PHP (SAW). PHP (akronim dari PHP Hypertext Preprocessor) yang merupakan bahasa B. Teknik Pengumpulan Data pemrogramman berbasis web yang memiliki Dalam penelitian ini menggunakan beberapa kemampuan untuk memproses data dinamis. PHP jenis dan teknik pengumpulan data yaitu sebagai adalah bahasa pemrograman script server-side berikut : yang didesain untuk pengembangan web. Selain 1. Wawancara berupa peninjauan terhadap pihak- itu, PHP juga bisa digunakan sebagai bahasa pihak yang mengolah dan berhubungan yang pemrograman umum. PHP disebut bahasa terkait. Dalam pembuatan Sistem Pendukung pemrograman server side karena PHP diproses Keputusan Peyeleksian PASKIBRAKA ini pada komputer server. Hal ini berbeda melibatkan tim penyeleksian yaitu tim dari dibandingkan dengan bahasa pemrograman client- Dinas Pemuda dan Olahraga Provinsi Bengkulu side seperti Java Script yang diproses pada web untuk diwawancarai. browser (client). Pada awalnya PHP merupakan 2. Studi Kepustakaan dilakukan dengan cara singkatan dari Personal Home Page. Sesuai mempelajari teori-teori literatur dan buku-buku dengan namanya, PHP digunakan untuk membuat yang berhubungan dengan aplikasi yang akan website pribadi [8]. dibangun dalam tugas akhir ini. Pengumpulan data dapat bersumber dari jurnal, buku, maupun III. METODOLOGI internet yang berisikan informasi dan data A. Jenis Penelitian berkaitan dengan penelitian. Dalam penelitian ini jenis penilitian yang 3. Dokumentasi dilakukan untuk memperoleh dan digunakan yaitu penelitian terapan. Penelitian mengumpulkan data-data yang dibutuhkan terapan atau applied research dilakukan berkenaan dalam penelitian seperti data peserta seleksi dengan kenyataan-kenyataan praktis, penerapan, PASKIBRAKA. dan pengembangan ilmu pengetahuan yang C. Metode Pengembangan Sistem dihasilkan oleh penelitian dasar dalam kehidupan 1. Analisis Kebutuhan Perangkat Lunak nyata. Penelitian terapan berfungsi untuk mencari Tahapan ini merupakan tahapan untuk solusi tentang masalah-masalah tertentu. Tujuan menganalisis apa saja yang dibutuhkan oleh utama penelitian terapan adalah pemecahan sistem. Analisa kebutuhan terdiri dari masalah sehingga hasil penelitian dapat kebutuhan fungsional dan non fungsional. dimanfaatkan untuk kepentingan manusia baik secara individu atau kelompok maupun untuk
ejournal.unib.ac.id 227
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
2. Design dan black box testing untuk mengukur keabsahan Proses design akan menterjemahkan syarat (validasi) sistem. kebutuhan kesebuah perancangan perangkat 1. White Box Testing lunak yang dapat diperkirakan sebelum dibuat White box testing adalah pengujian yang koding. Proses ini berfokus pada : struktur data, didasarkan pada pengecekan terhadap detail arsitektur perangkat lunak, representasi perancangan, menggunakan struktur kontrol dari interface, dan detail algoritma (prosedural). desain program secara procedural untuk membagi Perancangan pada sistem ini menggunakan pengujian ke dalam beberapa kasus pengujian. UML. Secara sekilas dapat diambil kesimpulan white box 3. Pembuatan kode program testing merupakan petunjuk untuk mendapatkan Pada proses ini dilakukan implementasi dari program yang benar secara 100%. perancangan ke koding. Koding merupakan 2. Black Box Testing penerjemahan design dalam bahasa yang bisa Black Box Testing (pengujian kotak hitam) dikenali oleh komputer. Dalam pembuatan yaitu menguji perangkat lunak dari segi spesifikasi sistem ini menggunakan bahasa pemograman fungsional tanpa menguji design dan kode PHP. program. Pengujian dimaksud untuk mengetahui 4. Pengujian apakah fungsi-fungsi, masukan, dan keluaran dari Tahapan ini bisa dikatakan final dalam perangkat lunak sesuai dengan spesifikasi yang pembuatan sebuah sistem. Setelah melakukan dibutuhkan. Pengujian Black Box dilakukan dengan analisa, design dan pengkodean maka sistem membuat kasus uji yang bersifat mencoba semua yang sudah jadikan digunakan oleh user. Pada fungsi dengan memakai perangkat lunak apakah proses ini lakukan pengujian dengan sesuai dengan spesifikasi yang dibutuhkan. menggunakan dua metode yaitu white box 3. Pengujian Algoritma dan Akurasi Sistem testing dan black box testing untuk mengukur Pengujian algoritma ini dapat diterapkan keabsahan (validasi) sistem. dengan menggunakan perhitungan manual 5. Pendukung (Support) atau Pemeliharaan sedangkan akurasi sistem dengan membandingkan (Maintenance) hasil perangkingan dari sistem dan manual. Ini merupakan tahap terakhir dalam model IV.ANALISIS DAN PERANCANGAN waterfall. Sistem yang sudah jadi dijalankan serta dilakukan pemeliharaan. Pemeliharaan A. Identifikasi Masalah termasuk dalam memperbaiki kesalahan yang Seleksi penerimaan anggota PASKIBRAKA tidak ditemukan pada langkah sebelumnya. merupakan seleksi yang dilakukan setiap tahun Perbaikan implementasi unit sistem dan yang meliputi tiga tingkatan seleksi yaitu peningkatan jasa sistem sebagai kebutuhan Kabupaten/Kota, Provinsi dan Nasional. Pada baru. Tetapi dalam penelitian ini tidak ada seleksi ini peserta harus mengikuti beberapa dilakukan pemeliharaan sistem berkelanjutan. rangkaian seleksi yang dilaksanakan oleh D. Metode Pengujian DISPORA setempat. Pada setiap tahun di Provinsi Pada penelitian ini pengujian sistem Bengkulu menyeleksi lebih dari 120 orang peserta menggunakan dua metode yaitu white box testing yang telah dikirim dari 9 Kabupaten dan 1 Kota.
228 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
Dari lebih dari 120 orang peserta seleksi akan mendapatkan jarak antara data training dan data diambil sebanyak 56 orang peserta untuk menjadi testing kemudian menentukan class sesuai jarak anggota PASKIBRAKA Provinsi Bengkulu. minimum dari range yang telah ditentukan. Setelah Pada seleksi ini peserta diseleksi berdasarkan itu akan ditampilkan data hasil clustering kriteria yang telah ditetapkan oleh panitia dari (klasifikasi). DISPORA. Hasil dari penilaian yang dilakukan 1. Alur Kerja Metode KNN oleh juri akan dihitung untuk mendapatkan MULAI perengkingan nilai untuk peserta seleksi. Pada seleksi PASKIBRAKA peserta yang akan diambil yaitu peserta yang memiliki tinggi yang sejajar Data Penilaian Setiap Peserta dengan peserta yang lainnya. Untuk mempermudah (data testing) para juri menentukan keputusan peserta yang lulus seleksi, perhitungan untuk merangking nilai peserta Tampilkan data training dan data seleksi sebaiknya dilakukan secara testing terkomputerisasi. Selain melakukan perangkingan melalui sistem yang sudah terkomputerisasi dapat Cari jarak minimum dan jarak maksimum dari perhitungan jarak dilakukan klasifikasi data yang diterima antara ada training berdasarkan data-data terdahulu.
Untuk membantu dalam penyeleksian Cari jarak minimum dari perhitungan jarak antara data PASKIBRAKA ini peneliti bertujuan untuk training dan data testing membangun sebuah sistem pendukung keputusan seleksi penerimaan anggota PASKIBRAKA Tentukan cluster sesuai jarak minimum dari range yang sudah dengan menggunakan metode SAW yang ditentukan digunakan untuk melakukan perangkingan dan metode KNN untuk melakukan klasifikasi. Tampilkan hasil clustering data B. Cara Kerja Sistem Secara garis besar cara kerja sistem dapat dilihat pada flow chart seperti pada gambar 1 dan SELESAI 2 berikut ini. Gambar 1 Alur Kerja Metode KNN Berdasarkan gambar 1 metode K-Nearest
Neighbor ini menggunakan data keseluruhan hasil 2. Alur Kerja Metode SAW penilaian peserta seleksi setelah itu sistem akan Berdasarkan gambar.2 data dari hasil penilaian menentukan data training dan data testing. Setelah ditentukan bobot berdasarkan kriteria yang ada menentukan data training dan data testing selanjutnya data tinggi badan dan berat badan selanjutnya mencari jarak minimum dan peserta seleksi digunakan untuk melakukan proses maksimum dari perhitungan jarak data training, klasifikasi pada metode KNN, setelah kemudian dicari jarak minimum dari perhitungan mendapatkan hasil clusering selanjutnya data jarak data testing ke data training. Setelah ejournal.unib.ac.id 229
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755 penilaian peserta dimasukkan kedalam tabel 7 KESENIAN DAERAH 5% MAX matriks dan dilakukan normalisasi. Setelah itu 8 PENGETAHUAN UMUM 5% MAX dicari nilai preferensi dan dilakukan prangkingan. Dan sistem akan menampilkan daftar perangkingan 2. Subkriteria yang digunakan yaitu sebagai peserta seleksi PASKIBRAKA. berikut : a. Kriteria Parade menggunakan 5 subkriteria MULAI berserta bobot masing-masing subkriteria dapat
Data penialian dan dilihat pada tabel 2 berikut: data pembobotan Tabel 2 Tabel Subkriteria Parade NO NAMA KRITERIA BOBOT ATRIBUT
1 MATA 25 MAX
Proses KNN 2 BAHU 20 MAX
3 TANGAN 20 MAX
4 KAKI 20 MAX
5 PLATEFOOT 15 MAX Normalisasi matriks
b. Kriteria PBB menggunakan 10 subkriteria berserta bobot masing-masing subkriteria dapat dilihat pada tabel 3 berikut: Nilai preferensi Tabel 3 Subkriteria PBB
NO NAMA KRITERIA BOBOT ATRIBUT 1 SIKAP SEMPURNA 10 MAX 2 SIKAP HORMAT 10 MAX Daftar prangkingan peserta seleksi PASKIBRAKA 3 SIKAP ISTIRAHAT 10 MAX 4 LANGKAH TEGAP 10 MAX 5 JALAN DI TEMPAT 10 MAX SELESAI 6 HADAP KANAN/KIRI 10 MAX HADAP SERONG Gambar 2 Alur Kerja Metode SAW 7 KANAN/KIRI 10 MAX 8 BALIK KANAN 10 MAX C. Analisis Data Kriteria dan Subkriteria LANGKAH KE 9 L/R/F/B 10 MAX 1. Kriteria yang digunakan pada penelitian ini 10 KESIGAPAN 10 MAX yaitu sebanyak 8 kriteria dengan bobot seperti pada tabel 1 berikut : c. Kriteria Kesenian menggunakan 10 subkriteria Tabel 1 Tabel Kriteria No Nama Kriteria Bobot Atribut berserta bobot masing-masing subkriteria dapat dilihat pada tabel 4 berikut: 1 PARADE 25% MAX Tabel 4 Tabel Subkriteria Kesenian 2 PBB 25% MAX NO NAMA KRITERIA BOBOT ATRIBUT 3 PSIKOTES 10% MAX 1 SUARA BAIK 10 MAX 4 SAMAPTA/ JASMANI 10% MAX KESEHATAN DAN 2 INTONASI LAGU 10 MAX 5 15% MAX KEBUGARAN 3 PENGHAYATAN LAGU 10 MAX 6 WAWANCARA 5% MAX 4 GERAKAN GEMULAI 10 MAX
230 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
5 PENGETAHUAN MENARI 10 MAX seleksi PASKIBRAKA. Admin dapat melakukan 6 PENGHAYATAN MENARI 10 MAX manajemen operasional spk, manajemen ketetapan, MEMAINKAN/MENGIRING manajemen tahun seleksi, manajemen penilaian, 7 MUSIK 10 MAX PENGETAHUAN ALAT manajemen verifikasi keputusan dan manajemen 8 MUSIK 10 MAX PENGAHAYATAN pengguna. MEMEMAINKAN ALAT 9 MUSIK 10 MAX 10 KETERAMPILAN LAIN 10 MAX
d. Kriteria Jasmani/Samapta menggunakan 4
subkriteria berserta bobot masing-masing
subkriteria dapat dilihat pada tabel 5. Tabel 5 Tabel Subkriteria Samapta/Jasmani NAMA NO KRITERIA BOBOT ATRIBUT
1 LARI 30 MAX
2 SIT UP 25 MAX
3 PUSH UP 30 MAX
4 SHUTTLE RUN 15 MAX Gambar 3 Use Case Diagram e. Kriteria Wawancara menggunakan 8 Operator dapat melakukan manajemen peserta, subkriteria berserta bobot masing-masing dan manajemen penilaian. Pada manajemen subkriteria dapat dilihat pada tabel 6 berikut: penilaian terdapat perluasan (extend) untuk Tabel 6 Tabel Subkriteria Wawancara NO NAMA KRITERIA BOBOT ATRIBUT manajemen proses SPK ditingkat Kabupaten/Kota. 1 SIKAP 20 MAX Pada manajemen proses ini sistem akan 2 KESIGAPAN 15 MAX memberikan nama-nama peserta Kabupaten yang 3 CARA BICARA 15 MAX PEMAKAIAN akan di kirim ke Provinsi. Tetapi sebelum dapat 4 BAHASA mengakses sistem operator dan admin harus BAHASA INDONESIA 10 MAX
BAHASA INGGRIS 10 MAX melakukan login dengan memasukkan username
BAHASA DAERAH 10 MAX dan password. KEMAMPUAN 5 MENJAWAB 15 MAX KEMAMPUAN 2. Activity Diagram 6 KOMPUTER 5 MAX a. Activity Diagram Pengunjung D. Peracangan UML Perancangan model UML ditujukan untuk memberikan gambaran secara umum tentang aplikasi yang akan dibangun. 1. Use Case Diagram Pada gambar 3 Usecase Diagram SPK PASKIBRAKA diatas terdapat 3 aktor yaitu pengunjung, admin dan operator. Pengunjung hanya dapat melihat pengumuman data hasil Gambar 4 Activity Diagram Pengunjung ejournal.unib.ac.id 231
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
Seperti pada gambar 4 terlihat bahwa mengedit dan menghapus data. Setelah melakukan pengunjung dapat mengakses halaman utama dari manajemen menu data dapat disimpan dan sistem sistem. Pada halaman utama sistem pengunjung akan mengupdate data terbaru pada database. Dan hanya dapat melihat hasil perangkingan dari seleksi admin dapat logout untuk keluar dari sistem. PASKIBRAKA tingkat Provinsi. Pengunjung c. Activity Diagram Operator hanya perlu memilih menu pengumuman pada d. halaman utama sistem dan sistem akan menampilkan nama-nama peserta yang berhasil lolos seleksi.
b. Activity Diagram Admin
Gambar 6 Activity Diagram Operator
Gambar 5 Activity Diagram Admin Pada activity diagram operator gambar 6
Pada gambar 5 merupakan activity diagram sebelum mengakses sistem operator harus untuk admin. Untuk masuk kedalam sistem admin melakukan login terlebih dahulu dan sistem akan harus melakukan login terlebih dahulu dengan melakukan autentifikasi. Setelah masuk kedalam memasukkan username dan password. Jika valid sistem operator dapat memilih menu yang ada pada maka akan masuk ke beranda admin jika tidak beranda operator. menu-menu yang dapat di akses maka akan tetap pada menu login. Setelah masuk oleh operator yaitu menu pendaftar dan menu kedalam sistem admin dapat memilih menu yang penilaian. Setelah memilih menu maka sistem akan ada pada beranda admin. menu-menu yang dapat di menampilkan menu yang di pilih oleh operator. akses oleh admin yaitu menu katetapan, menu Operator dapat melakukan manajemen pada tahun seleksi, menu penilaian, menu verifikasi masing-masing menu yang dipilih yaitu seperti keputusan, menu operasional, dan menu pengguna. menambah, mengedit dan menghapus data. Setelah Setelah memilih menu maka sistem akan melakukan manajemen menu data dapat disimpan menampilkan menu yang di pilih oleh admin. dan sistem akan mengupdate data terbaru pada admin dapat melakukan manajemen pada masing- database. Dan operator dapat logout untuk keluar masing menu yang dipilih yaitu seperti menambah, dari sistem.
232 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
V. PEMBAHASAN tingkat Kabupaten untuk mendapatkan nama-nama A. Implementasi Antarmuka yang akan dikirim mengikuti seleksi di Provinsi. 1. Form Login Proses untuk mendapatkan hasil SPK Kabuapaten dengan menggunakan button Proses Data. Maka akan muncul tampilan seperti berikut :
Gambar 7 Form Login Operator dan Admin
Pada gambar 7 merupakan tampilan apabila pengguna memilih menu login. Pada sistem yang Gambar 9 Hasil SPK Kabupaten dapat login yaitu admin dan operator. Admin merupakan pengguna dari Dispora Provinsi, Gambar 9 di atas merupakan tampilan hasil sedangkan operator merupakan pengguna dari perangkingan nama-nama peserta dari kabupaten Dispora masing-masing Kabupaten. Admin dan yang akan dikirim untuk mengikuti seleksi tingkat operator memiliki hak akses yang berbeda pada Provinsi. sistem. 3. Form SPK Provinsi Operator yang dapat mengakses sistem ini yaitu terdiri dari operator DISPORA setiap Kabupaten. Operator terdiri dari 9 Kabupaten dan 1 Kota Bengkulu. Sedangkan untuk admin hanya memiliki
1 admin yaitu admin dari DISPORA Provinsi.
2. Form SPK Kabupaten
Gambar 10 Form SPK Provinsi
Pada gambar 10 form SPK Provinsi ini akan di proses data penilaian setiap peserta yang mengikuti seleksi ditingkat Provinsi. Pada form ini terdapat button lihat perhitungan metode KNN dan metode SAW. Proses untuk mendapatkan hasil SPK Provinsi dengan menggunakan button Proses.
Gambar 8 Form SPK Kabupaten Gambar 11 Hasil SPK Provinsi ini menghasilkan
Pada form SPK Kabupaten ini akan di proses rekomdasi nama-nama peserta yang lolos seleksi data penilaian setiap peserta yang telah lulus ditingkat Provinsi. ejournal.unib.ac.id 233
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
GHAZY PERKASA 20 AGUSTIAN Diterima Diterima 21 FAUZI DWI PRASETYO Diterima Diterima 22 ANDRE DWI AGASI Diterima Diterima 23 JOVAN RAMADHAN Diterima Diterima AMIRULLAH RASYID 24 RUNANTO Diterima Diterima 25 ROBI DARUL HUDA Diterima Diterima 26 DECKY RIFA'I AKBAR Diterima Diterima 27 M. ARDI Diterima Diterima VANIA SEFTYANNE 28 SIHOMBING Diterima Diterima 29 TASYA NABILAH Diterima Diterima SYELA MARTA BIPU 30 ZUKARMAN Diterima Diterima 31 SASQIA HERDI NALORA Diterima Diterima 32 SRI WULAN Diterima Diterima 33 CLARA JOSEVIRA Diterima Diterima FERRA PUTRI 34 NURHIDAYATI Diterima Diterima Gambar 11 Hasil SPK Provinsi 35 SHERLY ALVIANI Diterima Diterima 36 ALIFA NURHALIZA Diterima Diterima YUNI DWI PUTRI B. Akurasi Sistem 37 MANALU Diterima Diterima 38 YESYA MELIN MERARI Diterima Diterima Pengujian akurasi sistem yaitu pengujian yang 39 NURKHALIFATURRAHMA Diterima Diterima 40 YONEPI UTARI Diterima Diterima digunakan untuk memberikan perbandingan 41 I GUSTI AGUNG AYU. W. Diterima Diterima 42 DHIKA AGUSTINA Diterima Diterima keputusan penerimaan anggota PASKIBRAKA 43 LINDA AMELIA Diterima Diterima 44 FARIHA MAULINA Diterima Diterima yang dilakukan oleh pihak DISPORA Provinsi KHORIFAH 45 AMYNURSANAH Diterima Ditolak dengan Sistem Pendukung Keputusan yang LUCIANA KARTIKA 46 ANGRAINI Diterima Ditolak dibangun. Perangkingan dilakukan dengan data 47 YUNI SAFITRI Diterima Diterima 48 PRICILA DWI TANIA Diterima Ditolak sebanyak 134 data peserta seleksi tahun 2016 49 FANNI SILVIYA Diterima Ditolak 50 ARINI ZHAFIRA Diterima Diterima dengan kuota yang diterima yaitu sebanyak 56 FENY OCTAVIA 51 PANJAITAN Diterima Diterima orang peserta. Hasil seleksi yang dilakukan oleh 52 INDAH PERMATA SARI Diterima Diterima 53 YENI GUSTIRA Diterima Diterima DISPORA Provinsi tampak pada kolom DISPORA 54 VIVI DINDA OKTAVIA Diterima Ditolak 55 DARA PUSPITA Diterima Ditolak pada tabel 5.1, sedangkan hasil seleksi dari sistem 56 KARINA VIKTORIA ANAMI Diterima Ditolak tampak pada kolom SISTEM pada tabel 7. Dari perbandingan yang terlihat pada tabel 5.1 perbandingan hasil penyeleksian anggota dari 56 data yang diterima di DISPORA Provinsi PASKIBRAKA dapat dilihat pada tabel 7 terdapat 4 data yang tidak diterima di sistem, Tabel 7 Perbandingan Hasil Penyeleksian Manual dengan sehingga akurasi dari sistem yaitu : Sistem
Akurasi Sistem = 100%
No Nama Peserta DISPORA SISTEM 퐽퐽퐽퐽퐽ℎ 푑�푑� 푦𝑦푦 푣𝑣𝑣 1 RIZKI PRASETYO SRI. P Diterima Diterima 퐽퐽퐽퐽퐽ℎ 푑�푑� 𝑢� 푥 2 ILHAM MASAID Diterima Diterima = 100% 3 ARDIAN TILANO Diterima Diterima 46 4 OBI NOVERIANDA Diterima Diterima 56 = 82,푥14 % 5 ZUL IKROM Diterima Diterima 6 RIVALDO HARLIASYAH Diterima Diterima 7 RAFLIE DIAZ ABDILLAH Diterima Diterima Berdasarkan uji akurasi sistem, didapat bahwa 8 ADAM BILVAN Diterima Diterima 9 ALI IMRAN Diterima Diterima hasil akurasi sistem memiliki tingkat akurasi ADITYA CESAR 10 NOVANTO Diterima Diterima sebesar 82,14%. 11 ADAM SURYA CHANDRA Diterima Diterima 12 RANDI PRATAMA Diterima Diterima 13 REDO FEBRIANTO Diterima Diterima VI. KESIMPULAN 14 YOGA APRIANSYAH Diterima Diterima M. ANDHIKA 15 SYAHPUTRA KIANGGUN Diterima Diterima Berdasarkan hasil dari analisa perancangan 16 SURYA EMPA LESMANA Diterima Diterima 17 IRAWAN EFENDI Diterima Diterima sistem , penerapan dan pengujian sistem, maka 18 GINTA ERLANGGA Diterima Diterima NABILLAH DWI dapat ditarik kesimpulan sebagai berikut : 19 PRAMANNA Diterima Diterima
234 ejournal.unib.ac.id
Jurnal Rekursif, Vol.4 No.2 Juni 2016, ISSN 2303-0755
1. Penelitian ini berhasil membangun dan [3] Teknomo, K. (2006). What is K-Nearest Neighbor Algoritm ? Dipetik 06 22, 2016, dari merancang sebuah sistem pendukung keputusan http://people.revolude.com/kardi/tutorial/KNN/What-is- K-Nearest-Neighbor-Algorithm.html. yang dapat digunakan untuk membantu proses [4] Avelita, B. (2013). A._Klasifikasi_K-Nearest_Neighbor. penyeleksian anggota PASKIBRAKA dengan Dipetik 06 2016, 22, dari www.academia.edu: https://www.academia.edu/9131959/A._Klasifikasi_K- memberikan rekomendasi nama peserta yang Nearest_Neighbor diterima dan tidak diterima seleksi. [5] Jiawei Han, M. K. (2012). Data Mining : Concepts and Techniques. United States of America: Elsevier. 2. Algoritma K-Nearest Neighbor dapat [6] Ndaumanu, R. I. (2014). Analisis Prediksi Tingkat diterapkan dalam sistem pendukung keputusan Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. Jatisi Vol 1, 3. seleksi PASKIBRAKA untuk melakukan [7] Sri Kusumadewi, S. H. (2006). Fuzzy Multi-Attribute klasifikasi dalam menentukan status diterima Decision Making (FUZZY MADM). Yogyakarta: GRAHA ILMU. atau tidak diterima, dengan hasil yang optimal [8] Andre. (2014). Dunia Ilkom | Berita, Artikel, dan Tutorial seputar Ilmu Komputer. Dipetik Desember 18, berdasarkan pengujian algoritma yang telah 2015, darihttp://www.duniailkom.com/pengertian-dan- dilakukan. fungsi-php-dalampemrograman-web/
3. Algoritma Simple Additive Weighting dapat diterapkan dalam sistem pendukung keputusan seleksi PASKIBRAKA untuk memberikan perangkingan nama-nama hasil penyeleksian
beserta nilai preferensi untuk setiap peserta seleksi berdasarkan pengujian algoritma yang telah dilakukan. VII. SARAN Berdasarkan hasil dari analisa perancangan sistem, penerapan dan pengujian sistem, maka untuk pengembangan penelitian selanjutnya penulis menyarankan bahwa sistem pendukung keputusan seleksi PASKIBRAKA ini dapat terus dikembangkan lebih lanjut. Diharapkan untuk pengembangan dapat menggunakan metode yang lain dan sistem dibuat untuk menyeleksi ditingkat Kabupaten bukan hanya ditingkat Provinsi. Serta, sistem yang memberikan kriteria yang bersifat dinamis untuk waktu yang jangka panjang.
REFERENSI
[1] PERMENPORA. (2015). Penyelenggaraan Kegiatan Pasukan Pengibar Bendera Pusaka (PASKIBRAKA). [2] Kusrini, M. (2007). Konsep dan Aplikasi SISTEM PENDUKUNG KEPUTUSAN. Yogyakarta: ANDI PUBLISHER.
ejournal.unib.ac.id 235